AI-RAN：面向电信网络与边缘 AI 的共享基础设施路径 NEWS DETAIL

AI-RAN 的核心思路，是让无线接入网（RAN）与 AI 工作负载共享以 GPU 为基础的计算基础设施。对于希望在既有分布式和集中式网络节点上承载边缘 AI 推理的电信运营商，这一路径可将网络能力从单一无线业务扩展到无线与 AI 协同运行。但其可行性取决于 RAN 服务等级、资源隔离、编排策略、站点条件及本地业务需求，不能仅依据概念或单一试验结果作出部署判断。

AI-RAN 要解决什么问题

生成式 AI、代理式 AI 与面向摄像头、机器人、无人机和车辆的物理 AI，都会产生对低时延、可靠连接和本地推理能力的需求。这些流量可能经由前传、回传网络传输，也可能来自企业应用与公有云、私有云之间的推理任务。

传统基于 CPU 或 ASIC 的 RAN 系统主要为无线处理设计。AI-RAN 则尝试在同一计算底座上同时运行 RAN 与 AI 工作负载，使站点能够在保障无线业务优先级的前提下，承接可用算力范围内的 AI 推理任务。适合评估的场景包括需要 5G 连接与本地分析协同的工业现场、远程辅助驾驶、机器人交互及多模态数据处理。

来源所述方案能力与试验范围

来源描述了 SoftBank 在日本神奈川县藤泽市开展的户外 5G AI-RAN 现场试验。该试验采用 NVIDIA 加速硬件、NVIDIA Aerial 软件、全栈虚拟化 5G RAN 软件，并与 5G 核心网集成。所述系统运行于 NVIDIA GH200、NVIDIA BlueField-3 和 Spectrum-X 上，集成 20 个无线电单元、5G 核心网及 100 个移动 UE。

• 第一层 RAN 功能使用 NVIDIA Aerial CUDA 加速的 RAN 库进行开发与优化；
• 第二层功能采用 Fujitsu 软件；
• Red Hat OpenShift 作为容器虚拟化层，以支持不同类型应用运行在同一 GPU 计算基础设施上；
• 端到端编排器用于按需求与可用容量调配 RAN 和 AI 工作负载；
• 单个 GPU 可通过 MIG 划分为相互独立的实例，用于资源隔离和工作负载分配。

来源称，在仅运行 RAN 的模式下，每台 GH200 服务器可使用 100MHz 带宽处理 20 个 5G 小区；在理想条件下，单小区峰值下行链路性能为 1.3Gbps，户外部署展示了 816Mbps 的商用级可用性。这些数据属于特定试验环境和架构下的结果，不应直接视为其他频段、小区配置、无线环境或运营网络的承诺。

适用场景与资源编排取舍

AI-RAN 的关键不是简单地在 RAN 节点增加 GPU，而是确定无线业务与 AI 业务如何争用、隔离和切换资源。来源提到两类分配方式：一是静态分配，例如为 RAN 与 AI 预留固定计算比例；二是基于需求和可用容量的动态编排。静态分配更便于容量规划和风险控制，但在业务潮汐明显时可能留下闲置资源；动态编排有机会提高资源利用率，但对负载预测、优先级策略、迁移时延和故障处理提出更高要求。

来源还展示了通过 5G 将自动驾驶车辆视频流送往 AI-RAN 服务器进行风险评估，以及将视频、音频和传感器数据送入由 LLM、VLM、RAG 管道和 NVIDIA NIM 微服务构成的本地处理环境。此类场景是否适合本地部署，应重点评估数据位置、时延预算、模型规模、回传容量、隐私要求及持续运维能力。

部署前的评估路径与边界

1. 明确目标工作负载：区分必须本地完成的实时推理、可回传云端的任务，以及始终优先的 RAN 容量需求。
2. 建立无线优先级与资源隔离规则：验证 MIG 划分、容器调度和编排器切换时，RAN 峰值负载下的服务表现。
3. 按实际网络测试：在目标频段、带宽、天线配置、小区数量、用户密度和站点供电散热条件下，测试吞吐、时延、可用性及故障恢复。
4. 单独核算经济性：来源中的收入、利润率、能耗和 TCO 结论建立在 SoftBank 的部署规模及日本当地成本假设上。应使用本地电价、站点改造成本、软件许可、模型服务需求和运维成本重新测算。
5. 核对完整配置：应以有日期的 NVIDIA、SoftBank 及相关软件供应商官方文档，以及完整 SKU/BOM 为准，确认 GH200、GB200-NVL2、NVIDIA Aerial RAN Computer-1、OpenShift 与 RAN 软件的实际兼容性、版本范围和支持条件。

常见问题

AI-RAN 是否意味着所有 RAN 站点都应改为 GPU 架构？

不意味着。来源展示的是将 AI 与 RAN 协同部署的技术路径。是否适合改造应取决于站点是否存在稳定的边缘 AI 需求、RAN 容量是否可被严格保障、供电散热是否满足要求，以及项目测算能否覆盖新增软硬件和运维成本。

来源中的性能和收益数据能否用于采购或投资决策？

可作为提出验证假设的参考，但不能替代项目验证。特别是来源关于 GB200-NVL2 的令牌处理、能耗、收入与利润率数据，依赖指定模型、工作负载比例、600 小区基准、五年 TCO 周期及当地成本假设。采购前应要求完整测试方法、配置清单、版本信息和适用于目标网络的验收指标。

结论

AI-RAN 为运营商提供了一种将 5G RAN 与边缘 AI 推理整合到共享 GPU 基础设施的设计方向。SoftBank 所述户外试验证明了该方向可被工程化探索，但真实部署的价值仍取决于无线业务保障、编排成熟度、可持续的本地 AI 需求，以及在目标网络中完成的性能和经济性验证。

围绕“AI-RAN：面向电信网络与边缘 AI 的共享基础设施路径”继续了解 采购与选型问答。