Da oltre settant'anni, l'ingegneria delle telecomunicazioni insegue l’obiettivo di trasmettere quanti più dati possibile, nel minor tempo possibile, con il minor numero di errori.
Shannon, Nyquist, Hartley hanno fornito le fondamenta matematiche su cui poggiano le reti moderne. Eppure, c'è un limite insito in questo approccio: trasmettere tutti i dati non significa trasmettere l'informazione utile.
Nel paper del 1948, A Mathematical Theory of Communication, Shannon osservò che gli aspetti semantici della comunicazione sono irrilevanti rispetto al problema ingegneristico. Questa scelta metodologica, che separa il significato dalla trasmissione, ha permesso di costruire l'intera teoria dell'informazione moderna.
Oggi però, con miliardi di dispositivi connessi che si scambiano dati in tempo reale, i limiti dell’approccio tradizionale diventano più evidenti: spesso il collo di bottiglia non è la "mancanza di bit", ma il fatto che trasmettiamo molto più del necessario per raggiungere un obiettivo.
Una telecamera di sorveglianza che inquadra un corridoio vuoto, per esempio, invia continuamente fotogrammi quasi identici. Il sistema tradizionale trasmette tutti quei bit. Il sistema semantico chiede: cosa è cambiato? Cosa è rilevante per lo scopo? E prova a trasmettere solo quei dati.
Come funziona la Semantic Communication
La Semantic Communication sposta il focus dalla sintassi al significato basandosi su due componenti alimentate dall'intelligenza artificiale:
- un encoder semantico lato trasmettitore, che analizza il contenuto ed estrae le informazioni essenziali per lo scopo
- un decoder semantico lato ricevitore, che ricostruisce il messaggio a partire da rappresentazioni più compatte.
Il collante tra le due componenti è una conoscenza condivisa (o, più realisticamente, un modello condiviso e un contesto sufficientemente allineato) che permette al ricevitore di "riempire i vuoti".
L'analogia con il linguaggio umano è utile, ma va utilizzata con cautela: le persone riescono perché condividono contesti ricchissimi e dinamici; replicare questa proprietà con modelli AI, soprattutto in contesti aperti e con endpoint eterogenei, è molto più difficile.
Nei benchmark più favorevoli, si riportano riduzioni di banda fino a ordini di grandezza del 90% in task specifici, ma la qualità è spesso misurata con metriche semantiche o di task (es. similarità di frase, successo del compito), non con fedeltà bit-a-bit.
In scenari reali e contenuti eterogenei, i guadagni restano interessanti, ma sono più variabili, e dipendono fortemente da: obiettivo, dominio, allineamento del modello, rumore di canale e vincoli di latenza/computazione.
Applicazioni più promettenti
Veicoli autonomi e V2X
Invece di trasmettere l'intera immagine, un nodo può trasmettere un'informazione "a scopo": "pedone a 15 metri, traiettoria di collisione". In teoria: latenza ridotta e maggiore efficienza. In pratica: serve anche verificabilità (audit), fallback e gestione del rischio di errori semantici.
Chirurgia robotica remota
L'idea di ridurre drasticamente i flussi informativi è affascinante, ma è uno scenario "safety-critical" più che "diventa praticabile su banda limitata"; è più prudente dire che la semantic communication potrebbe contribuire in architetture ibride (con codec tradizionali + canali prioritari per segnali/trigger critici).
IoT industriale
Migliaia di sensori producono dati per lo più "normali". Qui l'approccio semantico/goal-oriented è naturale: trasmettere anomalie, cambiamenti di stato, pattern rilevanti. È uno dei contesti più promettenti perché spesso è "chiuso" (dominio e vocabolario controllabili).
Comunicazioni di emergenza
In scenari di disastro, dove banda ed energia sono scarse, trasmettere "massima utilità per bit" può fare la differenza (triage informativo, priorità agli eventi, sintetizzazione).
Sfide da superare
Il potenziale è enorme, ma la tecnologia è ancora in larga parte in fase di ricerca e pre-standard. I nodi critici sono quattro.
- Standardizzazione e interoperabilità. Le reti attuali si basano su standard globali condivisi. La comunicazione semantica richiede allineamento tra trasmettitore e ricevitore (modelli, contesto, ontologie/label). Chi definisce la knowledge base? Chi la aggiorna? Come si gestiscono drift e versioni in contesti aperti?
- Privacy e governance. Un sistema che "comprende" (o inferisce) il contenuto per comprimerlo pone domande forti: cosa viene estratto, dove viene elaborato, chi controlla i modelli, come si garantiscono minimizzazione, auditabilità e conformità?
- Robustezza e safety. Nei sistemi tradizionali, errori su alcuni bit possono degradare gradualmente la qualità. Nei sistemi semantici, un errore "di significato" può essere più pericoloso (soprattutto in applicazioni critiche). Inoltre, manca ancora una metrica universale di fedeltà semantica paragonabile a BER/capacità: oggi si usano metriche surrogate (embedding similarity, metriche task-specific), ma non sono ancora standardizzate.
- Costo computazionale ed energia. Modelli encoder–decoder (spesso tipo Transformer) possono essere onerosi, soprattutto su edge/IoT/wearable. La fattibilità dipende da acceleratori, quantizzazione, modelli piccoli, inferenza event-driven e architetture ibride.
Lo stato dell'arte
Architetture e modelli
Una delle architetture più citate per il testo è DeepSC (Deep Semantic Communication), basata su Transformer, che introduce l'idea di ottimizzare la trasmissione rispetto a errori semantici e propone metriche come la sentence similarity. Il lavoro di riferimento è H. Xie, Z. Qin, G. Y. Li e B.-H. Juang, "Deep Learning Enabled Semantic Communication Systems", pubblicato in IEEE Transactions on Signal Processing (2021),
Risultati misurabili
In letteratura si riportano guadagni molto variabili (spesso grandi in task/domini ristretti), e in alcuni casi una migliore resilienza a basso SNR grazie alla capacità del decoder di ricostruire il "significato" anche con informazione parziale. Il rovescio della medaglia è che questa "ricostruzione" può introdurre errori semantici difficili da rilevare automaticamente.
Il problema delle metriche
È uno dei colli di bottiglia principali: BER/throughput/latenza non catturano la fedeltà del significato. La ricerca usa metriche basate su embedding, similarità testuale o successo del compito, ma manca uno standard condiviso che renda confrontabili sistemi diversi su scenari realistici. Senza benchmark comparabili, gli operatori di rete non hanno strumenti per valutare il ritorno sull'investimento, e il business della comunicazione semantica resta difficile da prevedere.
Integrazione con 5G Advanced (Rel-18)
La Release 18 non standardizza la semantic communication, ma include attività rilevanti su AI/ML nel RAN (framework, data collection, signaling e use case), utili come prerequisito tecnologico per approcci più "intelligenti" nello stack radio.
Verso il 6G / IMT-2030
L'ITU-R include esplicitamente la semantic communications tra i trend tecnologici verso il 2030 e oltre. Sulla timeline IMT-2030, le "technology proposals" sono attese a inizio 2029 e le specifiche complete entro metà 2030.
Chi guida la ricerca semantica?
La Semantic Communication è anche un terreno di competizione, in parallelo con la più ampia gara sul 6G.
Cina. È certamente tra gli attori più visibili e attivi su semantic/AI-native communications in ottica 6G, con università e industria molto coinvolte. Il governo cinese ha inserito la comunicazione semantica nel piano nazionale per il 6G, con finanziamenti dedicati e un orizzonte di deployment commerciale fissato al 2030.
Stati Uniti. Ricerca di alto livello, spesso legata a comunità IEEE e a programmi di ricerca avanzata (anche dual-use), con contributi importanti su teoria, deep learning e sistemi. Il settore privato esplora applicazioni commerciali, ma senza ancora una strategia nazionale coordinata paragonabile a quella cinese.
Europa. Forte presenza nei programmi 6G - tra cui il consorzio Hexa-X-II, finanziato da Horizon Europe - e soprattutto nel tema standard e interoperabilità. Con 3GPP e ETSI di casa, l'Europa ha storicamente un peso significativo nella definizione delle regole del gioco globale, e l'approccio tende a enfatizzare testbed, coerenza architetturale e governance.
Asia-Pacifico. La Corea del Sud e il Giappone sono attori centrali nella corsa al 6G e nella convergenza comunicazione-computing. Samsung e l'ETRI (Electronics and Telecommunications Research Institute) sudcoreani hanno programmi di ricerca che integrano la comunicazione semantica nelle loro roadmap 6G. In Giappone, NTT e KDDI esplorano architetture semantiche nell'ambito della visione IOWN (Innovative Optical and Wireless Network). Entrambi i paesi portano un vantaggio competitivo importante: ecosistemi industriali capaci di passare rapidamente dalla ricerca alla commercializzazione.
La partita è ancora aperta. Ma chi riuscirà a tradurre la ricerca in standard condivisi avrà un vantaggio competitivo determinante nell'era del 6G.
Conclusione
La Semantic Communication non è "solo" una nuova tecnica di compressione: è una reimpostazione del problema, dalla domanda "come trasmetto questi dati?" alla domanda "cosa devo trasmettere per raggiungere lo scopo?".
In un mondo in cui il traffico dati - soprattutto mobile - è cresciuto in modo esplosivo nell'ultimo decennio (secondo l'Ericsson Mobility Report, il traffico dati mobile globale è più che raddoppiato in media ogni due anni nell'ultimo decennio), la ricerca di efficienza non può basarsi solo su più spettro, o più densificazione. La risposta potrebbe essere una rete più intelligente: capace non solo di trasportare bit, ma di ottimizzare la trasmissione rispetto all'utilità dell'informazione.
Le sfide restano significative: metriche condivise, costi computazionali on-device, interoperabilità delle knowledge base, implicazioni su privacy e safety. Ma la direzione è tracciata: la convergenza tra AI e telecomunicazioni - già evidente nei lavori su AI/ML nel RAN - diventerà sempre più strutturale avvicinandosi al 6G.
Shannon aveva ragione, per il suo tempo e per il problema che doveva risolvere. Ma il problema, oggi, sta cambiando rapidamente.