AI-RAN 具有将 AI 完整集成到移动网络中 RAN 硬件和软件的潜力，为通信服务提供商 (CSP) 提供了提高网络资源利用率、频谱效率和性能的机遇，同时还支持新的 AI 服务和变现机会。
核心观点
- AI-RAN 代表了网络自动化向自主决策的转变，以及从静态无线电规划到基于动态意图的编排的演变。
- AI-RAN 可以通过利用 RAN 中未充分利用的计算资源来运行非 RAN AI 工作负载，从而提高整体效率并创造新的收入来源。
- AI-RAN 可以通过提供低延迟、高 SLA 和紧密安全性的边缘计算平台，为 CSP 客户提供有价值的边缘计算解决方案。
- AI-RAN 可以通过在 RAN 中嵌入 AI/机器学习来提高性能和效率，例如网络规划、优化、故障管理、减少能耗等。
- AI-RAN 可以通过将 AI 和 RAN 应用叠加到同一服务器上来实现 RAN 和 AI 的双重收入。
- AI-RAN 可以通过在 RAN 中嵌入 AI/机器学习来提高安全性，例如通过智能管理来提高 CSP 防御 RAN 的能力。
- AI-RAN 可以通过提供实时大型语言模型 (LLM) 推理、机器人 AI 和代理 AI 等边缘 AI 服务来创造新的价值。
- AI-RAN 可以通过提供实时分析、优化公共安全和交通、检测设备或生产线异常等边缘 AI 推理服务来创造新的价值。
关键数据
- 超过 100 家 CSP 优先考虑了与自主网络实施相关的流程，许多流程与 AI-RAN 用例相对应。
- RAN 资源经常被闲置，有时利用率低至 30%。
研究结论
- AI-RAN 具有巨大的潜力，可以彻底改变移动网络的未来，但实施起来将具有挑战性。
- AI-RAN 的高初始投资要求是许多 CSP 在短期到中期内采用该技术的障碍。
- AI-RAN 可以成为 Open RAN 采用和 6G 的潜在途径。
- AI-RAN 面临着成本/投资回报率 (ROI)、能耗、数据收集和处理、AI 模型的适用性、处理限制、运营合理性、安全和隐私以及业务影响等挑战。
- AI-RAN 需要一种超越仅仅嵌入 AI 加速器的思维方式，它代表了一种战略和投资的转型，而不仅仅是技术。
- 成功构建自己的 AI 基础设施并在自己的业务中有效利用 AI 的 CSP 将处于理想位置，能够为其现有客户提供 AI 服务和基础设施，从而解锁新的收入来源并成为区域 AI 提供商。
- AI-RAN 可以通过提供关键基础设施和数据驱动的洞察力来支持医疗保健、金融、制造和零售等各个领域，从而培养协作生态系统。
- AI-RAN 可以通过提供低延迟、高 SLA 和紧密安全性的边缘计算平台，为 CSP 客户提供有价值的边缘计算解决方案。
- AI-RAN 可以通过在 RAN 中嵌入 AI/机器学习来提高性能和效率，例如网络规划、优化、故障管理、减少能耗等。
- AI-RAN 可以通过将 AI 和 RAN 应用叠加到同一服务器上来实现 RAN 和 AI 的双重收入。
- AI-RAN 可以通过在 RAN 中嵌入 AI/机器学习来提高安全性，例如通过智能管理来提高 CSP 防御 RAN 的能力。
- AI-RAN 可以通过提供实时大型语言模型 (LLM) 推理、机器人 AI 和代理 AI 等边缘 AI 服务来创造新的价值。
- AI-RAN 可以通过提供实时分析、优化公共安全和交通、检测设备或生产线异常等边缘 AI 推理服务来创造新的价值。
