诺基亚AI-RAN进入试验阶段：GPU基带要交出怎样的成绩单

诺基亚GPU基带进入运营商试验。结合官方公告、NVIDIA技术文档与3GPP立项，拆解性能目标、实时处理和现网验收要求。

10月12日，Light Reading刊发诺基亚GPU基带与AI-RAN试验报道，讨论运营商试验中的性能收益和部署成本。[1] 对无线工程团队，更实际的问题是：新增计算能力能否转化为忙时容量，以及这份收益需要多少电力和运维投入。

诺基亚9月16日公告已列出A1、中华电信、du、e&等运营商的概念验证和试验参与情况，并称其平台实现了超过20%的频谱效率提升。这是厂商披露的结果，公告没有提供足够细节让外部读者复现同一测试。[2] 参与试验，也不能直接等同于完成规模部署。

诺基亚在往届MWC的展台。图片取自本次新闻正文，原文标注来源：Nokia。

产品时间表与性能目标

诺基亚7月15日公布的产品路线包含现有AirScale的GPU扩展单元、独立AI-RAN节点，以及通过生态伙伴提供的COTS服务器方案；计划在2026年末开展试点，2027年商业可用。公告中的2027年频谱效率提升50%、2028年超过100%，均是未来目标。[3]

这些数字需要与已经披露的试验结果分开阅读。路线图说明研发和交付方向；采购验收需要确定版本、业务负载和测试条件。尤其是频谱效率，必须说明比较对象使用的天线配置、带宽、终端能力与调度算法，否则同一个百分比可能对应差异很大的系统。

扩展卡、独立节点和服务器的改造成本也不同。工程评估应逐项核对机框兼容性、供电和散热余量、前传接口、软件版本及维护流程。某一种接入方式可以利用部分现有设备，不代表所有站点都能沿用同一改造方案。

GPU进入基带处理链

NVIDIA的Aerial CUDA-Accelerated RAN文档提供了一个具体的软件实现参考：cuPHY承担GPU加速的物理层处理，cuMAC支持调度等MAC任务；系统还需要CPU处理控制与编排、网卡传送数据。[4] GPU基带涉及整条处理链，单看芯片算力，无法判断一个小区能支持多少业务。

AI算法与GPU硬件也不能画等号。把传统基带算法放到GPU执行，是计算平台选择；让模型参与信道估计等任务，是算法选择。两者可以结合，但验收时应分别记录硬件替换与模型启用的效果，防止把多项改动的收益都计入AI。

以一个测试设计为例：先固定无线参数和流量，在同一平台上比较传统算法与AI算法；再比较不同平台执行相同算法的结果。这样才能判断容量变化来自处理能力、算法质量，还是测试配置本身。这里给出的是评估方法，并非诺基亚已公布的测试过程。

模型有效且要按时完成处理

3GPP TS 38.211规定了NR的时隙结构。正常循环前缀下，30 kHz子载波间隔对应每1 ms子帧两个时隙，即0.5 ms一个时隙。[5] 这一时隙长度不能直接当作所有基带任务统一的计算时限；实际预算还要考虑流水线、接口传输以及所执行的任务。

因此，测试应同时观察算法输出和处理时间。一个模型可以降低估计误差，但若频繁错过处理期限，系统仍可能出现吞吐下降或数据丢失。平均时延之外，需要记录长尾时延、超时比例，并在多用户和高负载条件下重复测量。

NVIDIA文档给出了把模型接入PUSCH上行共享信道接收流水线的信道估计示例，明确该模式适用于单用户、单小区，并要求核对模型导出与编译后的结果。[6] 这证明存在可操作的开发路径；多小区、更多用户和现网信道变化仍需另行验证。

部署前还需核对模型与接收机的接口。训练数据如何产生，模型输入与输出是否符合接收机要求，版本升级是否改变数值精度，都会影响部署结果。试验报告应保留模型版本和处理链配置，以便发现异常后重现问题。

3GPP空口AI立项与GPU产品各有任务

3GPP Portal中的NR_AIML_air属于Release 19，最新立项文件为RP-252930。原始WID涉及单侧AI/ML模型框架，以及波束管理、定位精度和CSI预测等用例，工作分配覆盖RAN1、RAN2、RAN3和RAN4。[7][8] 文件规定的是功能与协作范围，未把GPU指定为必需的基带实现。

厂商可以在符合协议要求的系统内部改进接收处理；涉及终端与网络之间的能力协商、测量和信令时，则需要按对应规范实现并测试。设备内部采用GPU，不能替代终端互操作和空口功能符合性验证。

相关终端一致性测试立项由RAN5负责。Portal在2026年9月9日更新中记录完成度45%，计划结束日期为2026年12月12日。[9] 这是该项工作的进度口径，不能推导为所有空口AI功能或某家AI-RAN产品已经完成一致性认证。

现网试验面临哪些问题

作为工程评估建议，应先明确收益发生在哪些站点。高干扰小区、忙时拥塞小区与轻载小区的改善空间不同。报告需要给出场景分布，同时比较小区总吞吐、用户吞吐分位数和小区边缘体验，避免少数高收益场景掩盖其他站点的变化。

比较方案时还应避免把旧版软件当成唯一基线。建议同时保留现网稳定版本和可获得的最新传统方案，记录两种基线的结果。终端数量、移动速度、上下行业务比例和信道条件都应公开。测试窗口也应覆盖连续忙时，不能只挑选流量平稳的片段。这些安排能帮助运营商判断收益是否足以支持替换当前设备。

功耗核算需要覆盖整套设备。测量应覆盖CPU、GPU、网卡和必要的散热开销，并分别记录空闲、典型负载和忙时数据。每比特能耗可以辅助比较，但还要看站点总用电；容量提升后承载更多流量，两个指标可能朝不同方向变化。

还需要验证异常处理。模型输入发生变化、加速设备故障或软件升级失败时，系统如何切换到可用处理方式，恢复需要多久，哪些告警能帮助定位问题。这些问题应在试验阶段实际触发并记录，不能只靠功能说明书回答。

试验数据还需要对应到实际承载的业务。文件下载、视频上行和有时延要求的应用，对吞吐和抖动的要求不同。若总吞吐提高却使部分用户的服务质量下降，应在结果中列明发生条件，继续调整资源分配后再决定推广范围。

如果同一平台还要承载其他AI推理业务，验收应加入并发负载。单独运行RAN和单独运行AI业务都合格，不足以证明同时运行时仍能保持无线业务质量。需要测试资源分配、隔离和突发流量下的行为，并明确各业务的服务目标。

最后再计算总拥有成本。硬件、电费、软件订阅和升级验证费用应纳入同一周期；如果提出额外AI服务收入，也应单列为商业假设。这样得到的比较，才能支持站点改造和采购决策。

下一步看可复验的运营商数据

当前公开资料支持的判断是：诺基亚AI-RAN已经有产品路线和运营商试验参与，性能目标也已公开。2027年的可用性及2028年的提升幅度，仍应以相应交付和测量结果确认。[2][3]

对专业读者，后续最有用的材料是运营商公开的测试配置、不同负载下的吞吐与功耗，以及持续运行中的异常记录。若这些数据能复现，GPU基带的部署价值就有了可审查的依据；在此之前，采购条件应落到可测量、可验收的指标上。

参考资料

[1] Light Reading，2026-10-12，Nokia to start dealing out GPUs in high-stakes AI-RAN gamblehttps://www.lightreading.com/5g/nokia-to-start-dealing-out-gpus-in-high-stakes-ai-ran-gamble

[2] Nokia，2026-09-16，Nokia accelerates AI-RAN adoption as global operators embrace AI-native network evolution on NVIDIA platformshttps://www.nokia.com/newsroom/nokia-accelerates-ai-ran-adoption-as-global-operators-embrace-ai-native-network-evolution-on-nvidia-platforms/

[3] Nokia，2026-07-15，Nokia defines the next era of radio with the industry’s first AI-native RAN platformhttps://www.nokia.com/newsroom/nokia-defines-the-next-era-of-radio-with-the-industrys-first-ai-native-ran-platform/

[4] NVIDIA，Aerial CUDA-Accelerated RAN：Overviewhttps://docs.nvidia.com/aerial/cuda-accelerated-ran/latest/overview.html

[5] ETSI / 3GPP，TS 38.211 V19.1.0，4.3.2与表4.3.2-1https://www.etsi.org/deliver/etsi_ts/138200_138299/138211/19.01.00_60/ts_138211v190100p.pdf

[6] NVIDIA，AI/ML Components for PUSCH Channel Estimationhttps://docs.nvidia.com/aerial/cuda-accelerated-ran/latest/cubb/cuphy_developer_guide/chest_trt_engine.html

[7] 3GPP Portal，WI 1020093，NR_AIML_airhttps://portal.3gpp.org/desktopmodules/WorkItem/WorkItemDetails.aspx?workitemId=1020093

[8] 3GPP，RP-252930，Revised WID for NR_AIML_airhttps://www.3gpp.org/ftp/tsg_ran/TSG_RAN/TSGR_109/Docs/RP-252930.zip

[9] 3GPP Portal，WI 1100032，NR_AIML_air-UEConTesthttps://portal.3gpp.org/desktopmodules/WorkItem/WorkItemDetails.aspx?workitemId=1100032