电信边缘的人工智能：在哪里玩，如何获胜

解读技术、变现与合作关系中的困境 作者 卡拉姆·塔加·克里斯托夫·乌费勒尔·曼努埃尔·桑佩德罗·马蒂亚斯·韦伯·贾廷·贾因博士 随着人工智能重塑电信战略，顶尖的电信公司高管们认识到，他们最好的机遇在于聚焦于运营商和网络边缘基础设施层。如今，电信公司必须破解技术困境（应向边缘人工智能基础设施投入多少深度）、商业变现困境（谁为边缘买单以及如何买单）以及合作困境（应在何处竞争、在何处合作），以确定自己能否成为人工智能经济的关键使能者。 比以往任何时候都更加关键。 许多运营商缺乏明确的盈利策略和部署时间表。 早在2021年，亚瑟·D·李特尔（ADL）就认为，边缘计算不仅仅是一项技术演进，更是电信运营商的战略转折点（参见ADL报告《边缘计算：炒作还是成熟？》）。当时，边缘计算仍是可选项；如今，人工智能工作负载正将其变成一场关乎相关性的竞赛。无人机物流、集群机器人以及AR/VR等新兴用例需要超低延迟和实时推理能力，而受制于功耗和计算能力的限制，这些功能无法完全在设备端完成。 这种转变将边缘从连接的交接点转变为智能处理层，使边缘站点成为靠近用户和设备、提供实时、低延迟、高可靠性服务的主干。 尽管人工智能主导着电信运营商的议程，但许多运营商缺乏明确的变现策略和部署时间表。与视频流媒体不同，在视频流媒体领域，内容分发网络和本地化内容缓存已经解决了带宽和缓存问题。 （重新）定义边界 图1概述了每一层边缘的作用，并突出了电信运营商可以实现实际差异化的地方。 挑战：AI推理是交互式的，并引入了一个中间操作符边缘对延迟敏感，需要近距离处理才能捕捉区域和城域的作用给用户。即使是小的渲染延迟也可能使运营商控制的数据中心不堪重负。网络削弱商业可行性。这意味着Edge提供了强大的低延迟性能和网络必须演变为分布式、可扩展的覆盖范围，但这涉及高复杂性。面料。随着推理成本下降，以及人工智能和成本本地边缘化，专业功能得以实现。应用规模扩大，边缘基础设施成为企业处理中心，但仍然保持碎片化。日益关键在于提供实时、上下文相关且存在争议的设备边缘交付最低。感知智能。延迟，但很大程度上由原始设备制造商控制。 芯片供应商，同时设备限制也限制了可扩展性。 图2. 各层级的增值、机遇与挑战为支持AI原生服务对严格延迟的要求，以及从电信运营商的角度来看的协调需求，计算将迅速从中心化云迁移到边缘。 运营商边缘节点，部署在地铁和汇聚站点，支持低延迟的B2B2X服务。 在考察跨层级的具体工作负载时，边缘人工智能的价值最为具体。 在网络边缘，与RAN或汇聚路由器共址，电信运营商可以利用人工智能进行RAN优化。运营商数量和网络边缘的确切数量可能取决于运营商拓扑（都市圈与区域核心）、延迟目标，以及计算是否放置在接入点（PoP）的汇聚点或扩展到接入层。 运营商和网络边缘层为电信运营商提供了最大的杠杆作用，使其能够利用现有基础设施、频谱和运营能力来大规模提供AI服务，并建立可防御的市场地位。如图2所示，每一层的指示优势决定了它们最适合支持的应用场景。 本地边缘，通常由企业或超大规模企业控制，服务于工业自动化、医疗保健和零售等场景，在这些场景中，电信运营商通常扮演托管服务提供商的角色。 设备边缘将人工智能推理直接带入物联网（IoT）传感器等终端用户设备。 在边缘计算中，AI的价值在通过各层级的特定工作负载来审视时最为具体。 在云层面，重点在于大规模人工智能训练、推荐引擎和非时序敏感的推理，最适合需要可扩展性而非低延迟的工作负载。 图3. 按边缘层分类的AI用例 图2. 按边缘层分类的AI用例 权力在各层级的强势在位者塑造了现状。 三大电信困境 边缘并非一片待开拓的边疆；它已被各层级中坚力量所塑造。对于电信运营商而言，关键问题不在于是否参与竞争，而在于选择在何处竞争。每一层级都伴随着独特的需求组合与防御壁垒： - 财务总监的视角。我们如何平衡GPU集群的资本支出（CAPEX）和运营支出（OPEX）与闲置风险，尤其是在运营商边缘AI的需求仍不确定的情况下？ 在云层面，超大规模企业凭借规模、开发者生态系统和研发速度占据主导地位。电信运营商在此方面缺乏防御能力，合作是唯一现实的选项。 - 首席运营官（COO）视角。我们如何在规模上实现支持GPU的边缘站点，同时又不至于让成本和复杂性失控？ 设备边缘同样难以触及；它由原始设备制造商（OEM）和芯片组供应商所拥有，留给电信运营商的是边缘的编排角色。 在本地边缘，企业和超大规模企业控制着大部分的房地产和应用栈。电信运营商可以通过合作和集成服务参与其中，但并非价值链的唯一所有者。 那么，如何抉择？电信运营商可能在数据中心和云浪潮中资本投入不足，但边缘计算机遇则预示着更关键性的转变。电信运营商必须决定其未来定位：是继续保持为可靠的基础设施提供者的角色，通过变现网络覆盖范围和带宽来盈利，即使这意味着在价值链中保持隐形；还是向上游的边缘计算领域迈进。这一决策应以更广泛的价值链为考量。如果侧重内部效率，一个关键因素将是网络设备提供商将生成式AI整合到其产品中的能力。这在第三方集成、安全以及有效将Open RAN推向市场的能力方面，代表着一次显著的飞跃。在这种情况下，在做出决策前，密切监控网络设备提供商在这些领域的进展将至关重要。 运营商边缘和网络边缘是电信运营商最强的阵地。运营商边缘与城域站点和汇聚站点相连，提供了规模、邻近性和防御性恰到好处的组合。网络边缘主要是运营商内部的。这些（边缘）提供了切实的运营支出（OPEX）节省，尽管其外部变现潜力有限。 电信公司的CTO、COO和CFO面临三个困境： 1.技术——应如何深入投资边缘AI基础设施？对于运营商和网络边缘的AI工作负载，通常需要GPU（或类似NPU的替代方案）等加速器来提供实时推理。决策的关键并非GPU是否有用（显然有用），而是部署何处以及部署密度如何。 3.合作伙伴关系——何时竞争，何时合作？电信运营商无法在GPU或开发者生态系统中实际超越超大规模企业进行投资。与技术参与者建立战略合作伙伴关系，应使电信运营商能够提供边缘人工智能，而无需承担基础设施发展的全部负担。但合作伙伴关系涉及价值共享和让渡部分控制权，这就提出了一个问题：电信运营商将保持基础设施提供者的角色，还是会成为共同创造者或赋能者？ CTO视角。我们应该只在高需求地区选择性部署GPU，还是更广泛地部署它们以吸引开发者和用例？ 每一层都包含着独特的需求与可防御性组合。 CTOS、CFOS及COOS的决策空间 对于电信运营商而言，边缘人工智能并非一种技术趋势，而是一系列战略抉择点。图3至图5展示了针对每个困境所提供的选项、利弊分析以及高管层应吸取的要点。 对于首席技术官（CTO）而言，关键抉择在于架构层面——分布式系统的范围应延伸多远，以及合作伙伴关系的结构应如何构建。 技术困境市场洞察 - 选择性GPU部署。这已成为一种务实的电信策略，主要通过GPU即服务（GPUaaS）或GPU驱动的IaaS/AI云实例，主要满足企业需求。在美国，威瑞森已推出面向边缘企业工作负载的服务。 对于首席财务官（CFO）而言，关键抉择在于资本配置——是将边缘AI视为成本节约杠杆，还是视为投机性增长投资，而CFO则需依赖商业市场进入（GTM）评估来三角测量采用曲线和投资回报信心。 - 广泛部署GPU。这代表了“下大注”的路径，运营商投资区域性或全国规模的AI基础设施。例如，西班牙电信正在试点部署全国范围的分布式边缘基础设施。该策略最大化了长期定位，但也伴随着沉重的资本支出承诺和资产过时的高风险。 对于首席运营官（COO）而言，关键抉择在于实现规模化运营——在不受复杂性或资金需求过大的困扰下，扩展边缘站点。 此外，每位高管都必须应对合作困境，这将决定电信运营商是继续作为其他公司生态系统中的主机，还是努力构建自己的生态系统。 图5. 盈利困境——谁为边缘买单？以及如何 亚瑟·D·李特尔图6. 合作困境——竞争何地何处合作？ 变现困境市场洞察 已开发出特定的边缘解决方案，该方案融合了IT与OT环境，以提供实时洞察。 B2B2X。B2B2X模式为电信运营商提供了一条低风险的变现路径。沃达丰与亚马逊云科技（AWS）的合作就是一个很好的例子：沃达丰在其网络站点提供边缘连接，而亚马逊云科技则提供计算基础设施。这种设置使得先进的企用用例得以实现，例如物流和农业领域的扩展现实技术。 - 内部效率。最务实的切入点是利用边缘AI优化内部运营。这包括网络自动化、能源优化和AI驱动的编排。例如，Rakuten的RIC（RAN智能控制器）平台等内部研发项目，就是利用AI赋能的编排动态控制边缘行为、优化网络性能的内部效率提升案例。 - 垂直解决方案。一些运营商通过垂直用例寻求更深层次的差异化。例如，NTT Data是NTT的子公司。 合作困境市场洞察 应优先保留战略选择权价值，而非假设全面变现。 - 现有供应商。如爱立信和诺基亚等企业仍聚焦于RAN性能和网络编排。诺基亚的MantaRay SMO和爱立信的智能自动化平台（EIAP）等方案强调通过AI驱动优化网络性能和能效。这反映了他们的核心主张：AI应原生嵌入RAN功能，以提升效率与可靠性。 技术视角（首席技术官） 采用分阶段、有选择的GPU部署模式——初期从小规模、高需求的站点和内部效率应用场景入手，同时设计一个可扩展的架构。 -聚焦电信原生差异化 - 新进入者。英伟达将自己定位为围绕人工智能工作负载管理GPU。其产品组合旨在优化连接的基础上，托管、编排和扩展人工智能工作负载，本质上将电信运营商定位为边缘分布式人工智能计算平台。 域—例如，低延迟托管以及服务质量保障，而非相互竞争正面在通用计算中，超大规模企业主导 尽早建立选择性（战略性）合作伙伴关系以填补空白——例如，为人工智能基础设施与英伟达合作，为工作负载生态系统与超大规模企业合作，为用例定制与垂直领域专家合作，但需保留对电信特定工作负载的控制权，始终牢记你的“优势领域”边缘层。 - 两条路径。电信运营商的一条路径是与成熟供应商紧密合作，以获取成本效益和增量性能提升；另一条路径则是与新兴企业建立合作，以把握潜在的收入增长。 财务与战略视角（首席财务官） 将边缘AI视为受限选项，而非核心增长策略——将早期GPU和边缘部署定位为选项型赌注，依据对产品管线和支付意愿的商业GTM评估进行指导 建议 一种谨慎的、以合作为主导的方法是电信运营商在边缘人工智能领域最可信的路径。这意味着要专注于具有明确结构优势和需求的用例，例如，为因电池或计算能力限制而无法完全依赖设备端处理的移动资产提供AI推理。在此方面，网络切片能够帮助电信运营商实现差异化，通过提供面向实时智能的可靠连接和服务质量（QoS）。 优先实现内部效率的提升——优先将人工智能用于网络自动化和能源优化，以产生可资助外部边缘业务的快速成本节约。 争取财务灵活性并限制下行风险——尽可能将资本支出（CAPEX）转化为运营支出（OPEX）（例如，GPU即服务），但需构建协议以在需求增长时捕捉上行收益。 在有限地点选择性部署GPU可能是合理的，但前提是其利用率、客户承诺或运营效益得到证实。 使合作夥伴關係可行，而不是 一种谨慎的、以合作为主导的方法是电信运营商在边缘人工智能领域最可靠的路径。 仅限于战略层面——明确在物资供应和事件响应中谁负责什么，对工具和升级路径进行协调，使其表现得像一个单一的运维团队。 采取防御性立场可能有助于保全资本性支出，但风险是将电信运营商降级为连接提供商；而激进的GPU大规模部署则会产生高成本、设备过时和变现风险。对于更具雄心的战略，电信运营商应优先考虑分阶段GPU部署、核心租户以及风险共担合作，以限制风险敞口。投资必须保持以需求为导向而非投机性。为可信地维持这一态势，运营商需要可重复的证据和严谨的治理。由于GPU的使用因工作负载而异，电信运营商应设定明确的试点门槛，并追踪占用率、