6G 的设计速度将超过硬件实现的速度。AI 驱动的搜索已经能够在机器时间尺度上提出物理层算法，但将单个算法落地到嵌入式基带硅仍然是高度专业化的工作。硅芯片带来严格的存储和数值限制，同时暴露出 GPU 所不具备的成本结构；而未在目标硬件上运行的设计流程则看不到这些限制。我们提出一种自主工作流，其中一个大型语言模型（LLM）编码代理在商业基带 SoC 上实现算法，进一步优化为向量汇编代码，并在硅上完成验证。代理在每一步都受测量平台事实知识库的指导，并通过不可修改的评估器进行检查，且每个阶段都有使用配额。我们在开放的 6G4All 平台上展示了该工作流，对 AI 发现的正交时频空间（OTFS）检测器组合进行移植。结果得到十二个在硅上周期精确运行的内核，优化后每帧耗时 18k‑405k 周期（30‑660 µs）。此外，基于芯片实际成本构建的新检测器比直接移植的检测器少 13.9% 周期，误码率保持一致，且其性能提升在统计上难以区分，说明硬件盲目的搜索目标无法发现此结构。该工作流的核心并非 OTFS 本身，而是 LLM 代理在真实硬件限制下探索实现空间，并对每一次选择的成本进行实际测量。
点评