从“比特管道”到“智能服务”:通过AI-on-RAN实现“连接即价值”

从“比特管道”到“智能服务”：通过AI-on-RAN实现“连接即价值”

亚信科技（中国）有限公司

摘要：本文基于AI RAN联盟WG3发布的《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》白皮书，深入探讨在AI向移动原生体验演进背景下，网络如何从“比特管道”向“智能服务”转型，实现“连接即价值”。同时重点介绍了亚信科技在白皮书中贡献的本地卸载技术及相关应用场景，并对未来发展方向进行展望。

网络切片、确定性延迟机制、上行链路优化、本地卸载、分析开放、意图驱动编排等技术构件已经存在于3GPP、ETSI、O-RAN、GSMA/CAMARA及相关行业倡议中。这些技术能力为差异化服务提供了坚实的基础。然而，长期以来行业所缺失的是一个极具吸引力的用例，能够证明相关投资的合理性，并且确认用户存在付费意愿。

AI的出现彻底改变了这一局面。AI应用以前所未有的方式让网络质量在应用层变得可感知——消费者会注意到当智能助手在对话中途丢失上下文，企业会衡量当连接故障导致自主运营停摆时的损失。这种可感知性创造了责任，随之而来的是对优质连接的需求以及将其货币化的商业基础。

图1：AI网络的转变：从速度到可预测性

来源：AI-RAN Whitepaper《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》

（一）消费者AI：从情景搜索到始终在线的助手

消费者智能手机上AI原生应用的使用正急剧增加。移动原生生成式AI的采用正在加速，在欧洲主要市场，活跃使用率已接近20%，预计到2030年将超过50%^[1]。这一增长伴随着生态系统的快速扩张：全球移动AI应用下载量在2024年12月单月突破1.15亿次，各大应用商店现已有超过29,000个AI应用可供使用^[2]。

AI流量展现出与传统移动流量截然不同的特征。 与以下行链路为主的视频消费不同，AI应用呈现更高的上行链路强度，标志着向交互式、始终在线助手行为的转变^[3]。尽管当前用户会话时间较短（通常1-2分钟），但更密集的多模态用例正在涌现，特别是视觉和视频生成领域。

新的AI原生设备进一步放大了这一趋势。例如，AI眼镜等摄像设备作为“流式传感器”，产生持续的上行视频流、图像序列和音频流。即使是适度的帧丢失或短暂的上行微中断，也可能不成比例地降低最终用户体验。对于此类设备，能效成为关键约束——上行传输的边际功耗成本，可能与端侧推理的计算成本一样显著^[4]。

始终在线的个人AI智能体引入新的消费行为：短任务与较长多模态会话混合，与令牌或会话相关的潜在微交易。虽然令牌经济学主要在应用层执行，但它与突发的上行提示词和交互式响应循环相关联，对网络提出新的要求。

（二）企业AI：网络成为工作流的一部分

企业和工业AI用例将网络置于运营工作流程内部，增加了保证性能的价值，同时也提高了失败的成本。

•  自动驾驶和车联万物：自动驾驶目前主要依赖车载传感器和车内AI。然而，具有SLA等级的网络能够实现独特能力：聚合超出单一车辆的多模态传感器数据，集中式或边缘AI处理生成协同感知等高级洞察，以及在适当情况下进行远程辅助或操作^[5]。云处理并非车载自动化的替代，而是当连接可预测且受保护时具有价值的增强层。

•  机器人和闭环控制：移动机器人、无人机和自主机器形成对通信的闭环依赖——感知流上行传输驱动推理，进而驱动下行控制动作，始终具有严格延迟约束。移动性正是无线波动和切换行为最具挑战性的场景。

•  物联网和大规模感知：在大规模部署中，感知成为由众多设备驱动的AI数据管道。即使单个传感器速率较低，聚合上行链路和对稳健覆盖的需求也将对网络产生显著影响。

（三）AI工作负载对网络的要求

交互式和多模态AI应用日益需要双向提示词交换、上行链路密集型多模态流，以及长上下文信息的周期性传输 ^[6][7]。这些流对短暂中断高度敏感，因为它们与LLM中的会话状态紧密相关。由此，AI工作负载对网络的核心诉求可归纳为：

•  上行链路鲁棒性：多媒体上传、感知数据流要求上行调度可靠，微中断不可接受

•  延迟可预测性：“平均延迟”不再重要，“尾部延迟”和“抖动”成为关键指标。会话连续性比峰值速率更重要

•  移动性韧性：切换过程中的微中断是交互式AI的天敌，需要轻量级移动性增强机制

•  安全与隐私隔离：AI模型即资产，数据即主权，要求严格的租户隔离与数据本地化能力

这些诉求共同指向一个核心结论：传统的“尽力而为”网络已无法满足AI应用的需求，网络必须从“比特搬运工”进化为“体验保障者”。

（一）技术构建模块的演进：从单点技术到系统能力

为满足上述需求，行业并非从零开始。多项关键技术已具备，核心挑战在于如何将它们组合成端到端、可货币化的解决方案。这需要从“单点技术”思维转向“系统能力”构建。

图2：为什么高速不意味着高可靠性

来源：AI-RAN Whitepaper《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》

（二）连接的货币化：从比特到体验的价值跃迁

网络切片的初衷是提供差异化服务，但其商业闭环迟迟未能打通。 究其原因，在于缺乏一个能让用户“愿意为之付费”的显性价值锚点。AI的崛起为这一困境提供了钥匙。

当网络质量直接关联到AI助手的智能程度、自动驾驶汽车的安全等级时，“连接”本身就从无差别的“比特管道”，升级为可量化、可定价的“服务质量”。 用户愿意为“不中断的智能对话”、“实时响应的远程操控”、“数据不出园区的安全保障”等具体体验付费，这正是“连接即价值”的核心。

白皮书指出，要实现可盈利的差异化连接，需构建三层能力：

1. 感知层：网络能通过分析开放，感知上层AI应用的实时需求。这要求网络从被动转发转向主动感知，识别应用类型、业务模型和QoS需求。

2. 控制层：网络具备意图驱动编排能力，能将应用需求转化为对切片、QoS、本地卸载等底层资源的动态调整。这要求网络具备闭环的控制能力，实现“需求-资源-保障”的自动化映射。

3. 变现层：运营商与应用开发者建立新的合作模式，通过API调用、SLA保障等方式，将优质连接作为一种服务进行售卖。这要求企业从“流量批发商”转型为“能力提供商”，构建新的生态合作体系。

（三）从理论到实践：差异化连接的典型业务场景

差异化连接并非空中楼阁，它在以下场景中已展现出清晰的商业价值：

•  场景一：高端云游戏与VR/AR。 这类应用对带宽和时延有极高要求。通过提供“游戏加速切片”，运营商可为用户保障稳定的低时延和高速率，用户则愿意为此支付额外的月费。

•  场景二：远程医疗与手术。 这类应用要求极致的可靠性和确定性时延。通过提供“专线级保障的切片”，运营商可与医疗机构签订SLA协议，为每一次远程诊疗提供“连接保险”。

•  场景三：智慧工厂与工业互联网。 工厂内的AGV、机械臂等对网络的移动性、可靠性和本地化有严格要求。通过提供“本地卸载+确定性通信”的组合方案，运营商可助力工厂实现柔性生产，并按年收取服务费。

•  场景四：个人AI助理的“白金套餐”。 未来的个人AI助理可能提供“免费版”和“白金版”两种服务。白金版用户享有网络优先接入、不间断会话等特权，运营商则通过与AI应用提供商分成的方式，实现连接价值的变现。

图3：移动设备原生AI智能体的兴起

来源：AI-RAN Whitepaper《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》

（一）本地卸载的定义与工作原理

本地卸载是应对AI应用严苛需求的关键技术之一。其核心思想是在无线接入网（RAN）侧，将数据流直接从基站路由至本地网络或边缘应用服务器，而无需经过核心网。

对于延迟敏感或数据量大的AI应用（如实时协同感知、多模态流上传），传统的数据路径（终端 -> 基站 -> 核心网 -> 互联网 -> 应用服务器）过长，会引入难以承受的延迟和回传网络负荷。本地卸载通过以下方式优化：

•  物理级低延迟：数据流在基站侧即被分流，极大缩短了网络路径，可实现毫秒级甚至亚毫秒级的端到端延迟。

•  回传网络减负：大量AI感知数据被本地消化，无需挤占宝贵的回传链路带宽，降低网络扩容压力。

•  数据主权与隐私：敏感数据在本地处理完毕，无需离开特定区域，满足数据本地化法规和企业的隐私要求。

（二）亚信科技的贡献：在AI RAN白皮书中的技术要点

作为AI-RAN联盟的贡献成员，亚信科技在白皮书中重点阐述并深化了本地卸载技术^[8]。主要技术要点包括：

1. 增强的移动性韧性：针对AI设备移动场景，本地卸载方案需与移动性管理机制深度融合。当用户在基站间切换时，需要保证本地分流会话的连续性，避免因路径重建导致的微中断。这要求基站和本地网关具备上下文感知与快速转发能力，实现跨基站的会话无缝迁移。

2.与网络切片的协同：本地卸载并非孤立存在，而是差异化连接方案的核心组成部分。运营商可为特定AI服务创建一个“本地卸载切片”，该切片内的数据流自动享受本地分流策略，并获得优先调度资源，从而实现从接入到应用的端到端SLA保障。

3.意图驱动的动态卸载策略：结合意图驱动编排，本地卸载不再是一个静态配置。AI应用可以通过API表达其意图，网络控制器根据当前网络负载、基站位置和应用需求，动态决策是否以及如何为该应用流实施本地卸载，实现资源的最优利用和体验的持续保障。

（三）三层 Review 机制

•  应用一：工业园区无人驾驶与云化PLC

场景描述：工厂内数十台AGV小车和自动化产线需要将实时视频、环境数据和控制指令上传至园区边缘服务器，进行协同感知、调度和闭环控制。

本地卸载价值：确保所有生产数据在园区内部网络闭环，严格控制延迟，满足工业控制要求。同时，敏感的生产数据无需离开园区，保障了企业的数据主权和商业机密。

•  应用二：AI眼镜实时翻译与AR导航

场景描述：用户佩戴AI眼镜在博物馆或异国旅行，摄像头持续采集的图像流需要上传至云端进行识别、翻译和AR渲染，并将结果实时叠加在视野中。

本地卸载价值：当用户处于5G热点覆盖区域时，图像流通过本地卸载被送至附近的边缘云服务器处理，降低往返延迟，实现“所见即所得”的流畅体验，避免了通过核心网绕行带来的卡顿感。

•  应用三：云化机器人远程操控

场景描述：在危险环境（如核电站、深海、太空）中作业的机器人，其高清视频流和控制信令需要实时传输至远程操控台。

本地卸载价值：通过将操控台就近接入与机器人所在区域基站相连的边缘节点，本地卸载确保了操控信令和控制流量的最低延迟路径，极大提升了远程操控的精准性和安全性。

图4：AI 级别网络的技术基础

来源：AI-RAN Whitepaper《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》

随着AI-on-RAN的持续演进，运营商的角色将发生根本性转变。他们将从被动的“连接管道”提供商，跃升为主动的“智能服务编排者”。这一转变体现在三个核心层面：

（一）网络内生智能：从“连接工厂”到“感知生命体”

未来的网络将不再仅仅是一个“连接工厂”，而是一个具备感知、思考、记忆和行动能力的“感知生命体”。AI不仅运行在网络上，更将与RAN深度融合。网络自身将具备以下能力：

•  业务意图感知：网络能够自动识别和预测业务类型。例如，当检测到某一终端频繁发起小包上行数据时，能预判其可能是AI眼镜的感知流，并主动为其预留上行资源。

•  动态资源预测：基于历史数据和实时轨迹，网络能够预测用户的移动路径和业务变化趋势，提前在目标基站做好资源准备，实现“零感知”的极致移动体验。

•  自优化闭环：网络能够根据实时的KPI和KQI数据，自动调整参数、优化策略，甚至修复故障，实现高度的自治自愈。

（二）连接即API：从“卖流量”到“卖能力”

差异化的网络能力将通过标准化的API对外开放。这将是运营商商业模式的一次重构。

•  能力开放平台：运营商构建统一的网络能力开放平台，将切片、QoS、位置、带宽保障等能力封装成简单易用的API。

•  开发者生态：遵循CAMARA等全球标准，让全球数百万开发者可以像调用云计算资源一样，轻松地为自己的AI应用请求并购买具备特定SLA的连接服务。

•  收入分成新模式：这将催生出一个围绕网络能力的新型应用生态。运营商可以与应用提供商进行收入分成，从单纯的流量收费转向基于价值变现的“能力即服务”模式。

（三）算网深度融合：从“连接+计算”到“连接×计算”

计算与网络资源不再各自为政，而是走向深度融合，形成“连接×计算”的倍增效应。

•  一体化调度：边缘节点不仅提供本地卸载，更提供AI推理所需的算力。网络控制器与算力调度器协同工作，形成一个统一的“算网大脑”。

•  最优服务路径：当AI应用发起请求时，算网大脑会根据应用的计算需求、数据的位置、网络的负载和延迟，动态选择最合适的处理节点（云端、边缘或终端），并计算出最优的数据传输路径，实现“连接+计算”的整体最优服务。

•  服务感知的算网：未来的服务请求将是一个综合“计算+连接”的SLA。运营商将能够提供“在XX毫秒内、在XX地理位置完成一次AI推理”这样的组合式服务承诺，将网络的价值与计算的价值深度绑定，开启万亿级的新市场空间。

图5：价值链：以聚合商为中心的模式

来源：AI-RAN Whitepaper《AI-on-RAN: Enabling Monetizable Differentiated Connectivity for AI》

未来已来，通过AI-on-RAN实现差异化连接，正将AI带来的网络挑战，转化为运营商重构价值链、开拓新增长曲线的历史性机遇。那些率先完成从“管道工”向“服务编排者”转型的企业，将在未来的智能世界中占据不可替代的核心生态位。当本体技术真正融入智能体的推理循环，我们看到的不仅是一个工程优化，更是一种认知范式的演进。