11 сентября 2026 г. | 6 мин.
Главный исследователь, Сети
Исследователь, Сетевая производительность, Бизнес-направление «Сети»
Менеджер по исследованиям, Устройства
Старший исследователь, радиосети
Старший эксперт, Интернет-архитектура
Старший исследователь, Ericsson Consumer Lab
Главный исследователь, Сети
Участник (+5)
Исследователь, Сетевая производительность, Бизнес-направление «Сети»
Менеджер по исследованиям, Устройства
Старший исследователь, радиосети
Старший эксперт, Интернет-архитектура
Старший исследователь, Ericsson Consumer Lab
Большинство мобильных сетей были построены для мира, ориентированного на входящий трафик (downlink). ИИ опрокидывает это предположение.
По мере того как ИИ перемещается со смартфонов в очки, наушники, автономные системы и другие подключенные устройства, от сети все чаще требуется «воспринимать» окружающий мир, а не просто доставлять нам информацию. Видео, аудио, данные датчиков и другие контекстные входные данные могут передаваться в ИИ-системы для обработки, зачастую непрерывно и в режиме реального времени.
Это меняет не только объем трафика. Это меняет его направление, интенсивность и тайминг. И поскольку опыт взаимодействия с ИИ становится все более иммерсивным и автономным, производительность исходящего канала может стать критическим фактором того, будут ли эти системы работать должным образом.
Результаты исследования конечных пользователей – Практический помощник с поддержкой ИИ/AR
В недавнем исследовании очков с ИИ/AR, проведенном в Ericsson, мы протестировали предпочтения пользователей в отношении концепции сервиса под названием «Практический помощник с ИИ». Этот сервис разработан, чтобы помочь пользователям научиться выполнять незнакомые задачи, например, ремонт тостера, с помощью контекстных, пошаговых инструкций в реальном времени. Мы протестировали четыре уровня сервиса:
- Уровень 1 – Реактивный (команда-ответ): Пользователь спрашивает: «Как мне это починить?», и система зачитывает шаги через аудио.
- Уровень 2 – Управляемый (по подсказке системы, пользователь принимает решение): Для визуалов система предлагает схему. При подтверждении в поле зрения пользователя появляется плавающая схема.
- Уровень 3 – Автономный (система действует, пользователь может вмешаться): Как только пользователь завершает первый шаг, система автоматически определяет следующий болт и закрепляет цифровую стрелку точно на этом винте на столе.
- Уровень 4 – Иммерсивный (бесшовный, всегда включен): Предвидя ошибку до того, как пользователь ее совершит, система мигает красным. ИИ-аватар направляет руки пользователя, никогда не перекрывая обзор инструмента.
Результаты исследования (показанные на Рисунке 1) указывают на то, что Уровень 3, представляющий автономный сервис, является предпочтительным уровнем обслуживания для «Практического помощника». В частности, 33% пользователей выразили предпочтение Уровню 3, в то время как лишь около 20% в среднем предпочли другие уровни обслуживания. На этом уровне ожидается, что ИИ-агент будет действовать от имени пользователя, используя богатую контекстную информацию, полученную через ИИ/AR-очки. Это позволяет агенту предоставлять проактивный, контекстно-зависимый сервис, вместо того чтобы полагаться на реактивный подход с ограниченным или отсутствующим контекстным пониманием.
Уровень
Рисунок 1 – Результаты исследования предпочтений пользователей
Влияние приложений на базе ИИ на рост трафика
Контекстно-зависимые приложения на базе ИИ, такие как «Практический помощник», стимулируют рост трафика различными способами. Одно из очевидных влияний связано с передачей в ИИ-процессы информации о реальном мире, а также с тем, как эти приложения распределяют вычисления между устройством и облаком. Многие новые возможности ИИ полагаются на облачный вывод, где видеопотоки, мультимодальные входные данные или данные датчиков отправляются вверх для обработки.
В этом контексте трафик больше не доминирует за счет загрузки контента; вместо этого пользователи и устройства все чаще отправляют насыщенные потоки данных в сеть, чтобы облако могло интерпретировать сцены, генерировать выходные данные и возвращать результаты в реальном времени. В то же время трафик входящего канала (DL) продолжает расти за счет доставки сгенерированных медиа, текстур, ответов и другого контента, созданного ИИ. Результатом является более интерактивная модель трафика с большей интенсивностью в обоих направлениях.
Сегодняшние требования к исходящему трафику (UL) на устройство часто находятся в диапазоне 1-5 Мбит/с – относительно низкие по сравнению с DL – но пользователи на границе соты часто с трудом достигают даже этих умеренных скоростей. Рисунок 2 показывает, что 40 процентов 5G-сетей уже не соответствуют минимальным требованиям UL для ИИ-сервисов.
Линейный график, сравнивающий минимальную пропускную способность исходящего канала в 5G-сетях по Европе, Азии, Северной Америке и Океании. Все регионы показывают снижение процентных показателей по мере увеличения пропускной способности. Отметка 5 Мбит/с пересекает кривые примерно на уровне 60%, что указывает на то, что около 40% 5G-сетей находятся ниже минимального требования к исходящему каналу для ИИ-сервисов.
Рисунок 2 – Пропускная способность UL в глобальных регионах
Масштабирование представляет еще большую проблему. По мере роста числа устройств с поддержкой ИИ и увеличения числа пользователей, использующих насыщенные видео, богатые данными датчиков и постоянно активные ИИ-сервисы, совокупная нагрузка на UL будет быстро расти. Это сочетание роста трафика и роста количества устройств все больше увеличивает общую пропускную способность UL и делает производительность UL фактором растущей важности для качества сети и дифференциации.
Необходимо также учитывать возможности постоянной активности ИИ-агентов
В то время как люди ограничены во времени, которое они могут потратить на потребление контента, агенты, помогающие людям, могут быть активны 24/7. В долгосрочной перспективе ИИ-технологии, вероятно, создадут дополнительных пользователей – «ИИ-персон» – которые являются независимыми субъектами, работающими вместе с людьми и имеющими схожие коммуникационные потребности. Агенты, работающие от нашего имени в рабочих задачах, роботы, дроны и автономные транспортные средства являются ранними примерами этого. Поскольку ИИ-технологии постоянно улучшают сервисы для людей – например, за счет персонализации – это, вероятно, увеличит количество времени, которое люди проводят, используя эти сервисы.
Результаты потребительских исследований Ericsson указывают на то, что пользователи ожидают, что ИИ-агенты сэкономят время в повседневных задачах, и что большая часть этого сэкономленного времени, вероятно, будет перенаправлена на другие онлайн-активности. Это предполагает не только увеличение общего использования, но и более широкий спектр сервисов, способствующих сетевому трафику.
Чтобы понять, что это означает для сетей на практике, полезно рассмотреть конкретные сценарии использования, стимулирующие этот рост.
Четыре распространенных сценария использования ИИ, влияющих на будущие сети
В Таблице 1 представлены четыре наиболее распространенных сценария использования ИИ – живой ИИ, AR-видеозвонки, агентный ИИ и ИИ на устройстве – с точки зрения устройств, потребностей в опыте, моделей вычислений и влияния на сеть.
Таблица 1 – Сравнение сценариев использования ИИ по устройствам, вычислениям и влиянию на сеть
Хотя все четыре сценария использования способствуют росту трафика, именно переход к облачным вычислениям в живом ИИ и агентном ИИ наиболее непосредственно стимулирует спрос на исходящий трафик (UL) — и этот сдвиг в значительной степени определяется не дизайнерским выбором, а физическими ограничениями самих устройств.
Тренды эволюции устройств – последствия для сценариев использования
Ландшафт устройств быстро меняется, но непредсказуемо. Полезный способ структурировать это — с точки зрения «плотности интеллекта» – то есть, сколько полезного ИИ устройство может обеспечить на грамм, на кубический сантиметр и на ватт. Это напрямую определяет:
- какие возможности могут быть постоянно активными
- какие могут быть по-настоящему интерактивными
- что по-прежнему потребует использования периферийных или облачных вычислений.
Таким образом, для вариантов использования, представленных в Таблице 1, разделение между локальным выполнением и выполнением с выгрузкой в облако не является вопросом предпочтений при проектировании — оно во многом определяется возможностями кремниевых чипов, пропускной способностью памяти, тепловыми характеристиками и ограничениями форм-фактора. Это разделение также определяет нагрузку на сеть: выгрузка увеличивает потребность в восходящем канале (UL) (загрузка данных с датчиков/медиа и запросов) и может привести к более жесткой зависимости задержки между восходящим (UL) и нисходящим (DL) каналами.
Общей темой для всех этих тенденций в развитии устройств является то, что будущие возможности ИИ будут формироваться практическими ограничениями пропускной способности памяти, тепловыделения и заряда аккумулятора, а также физическими ограничениями каждой категории устройств, такими как оптика и форм-фактор в очках ИИ/дополненной реальности (AR). На Рисунке 3 показано, что аппаратное обеспечение развивается, но ограничения по тепловыделению и форм-фактору ограничивают возможности локальной обработки.
NPU_TopsПропускная способность памятиRAM
Рисунок 3 – Эволюция аппаратного обеспечения смартфонов: прогноз тенденций на 2024–2026 гг. по сравнению с 2030–2032 гг.
В качестве исходных данных использовались следующие показатели:
Модели с 1–4 млрд параметров
Ключевой вывод заключается в том, что производительность NPU растет быстрее всего, в то время как пропускная способность памяти остается критическим ограничением системы.
По мере перехода устройств к более легким и компактным конструкциям интеллект будет все больше распределяться между самим устройством, сопутствующим оборудованием и периферийными или облачными ресурсами. Это делает эволюцию устройств напрямую связанной с эволюцией сети: чем сложнее поддерживать работу больших моделей ИИ локально, тем важнее становятся пропускная способность восходящего канала (UL) и эффективная выгрузка данных. На Рисунке 4 показано соотношение размера моделей генеративного ИИ (GenAI) и емкости локальных устройств, что демонстрирует, что передовые модели ИИ опережают возможности локального оборудования, делая выгрузку в облако и восходящий канал (UL) необходимыми.
Горизонтальная гистограмма, показывающая взаимосвязь между размером модели ИИ и способностью к рассуждению. Модели меньшего размера, работающие на современных устройствах, обеспечивают базовый или хороший уровень рассуждения, в то время как более крупные модели с большим количеством параметров обеспечивают мощные и передовые возможности рассуждения. Примечание указывает на то, что будущие устройства через пять лет, как ожидается, будут поддерживать более продвинутые модели ИИ, работающие непосредственно на устройстве.
Рисунок 4 – Размер модели GenAI по сравнению с емкостью локального устройства
Варианты использования с поддержкой ИИ и постоянный спрос на мобильную широкополосную связь стимулируют рост трафика
К 2031 году мобильные сети, вероятно, будут передавать значительно больше трафика, чем сегодня, но изменения коснутся не только объема. Речь также идет о составе услуг, стоящих за этим ростом. Прогнозируемое увеличение обусловлено сочетанием постоянного спроса на мобильную широкополосную связь и более широкого спектра вариантов использования с поддержкой ИИ, работающих через общедоступные глобальные сети.
Ericsson Mobility Report прогнозирует, что в течение пяти лет трафик восходящего канала (UL) значительно вырастет — в сценарии среднего уровня внедрения ожидается трехкратное увеличение. Только на приложения GenAI приходится почти треть всего трафика UL. В то же время мы не можем игнорировать данные нисходящего канала (DL); в зависимости от сценария внедрения GenAI, 89, 86 или 80 процентов трафика по-прежнему передается в направлении DL. Однако рост UL приведет к тому, что асимметрия UL/DL значительно превысит современные уровни, как видно на Рисунке 5.
Спрос на трафик — UL против DL
Базовый трафик (2025)Традиционный рост (2031)Рост новых приложений ИИ (2031)
Рисунок 5 – Спрос на трафик в 2031 году: UL против DL. Варианты использования на базе ИИ резко увеличивают спрос на UL во всех сценариях, но DL по-прежнему составляет 89, 86 или 80 процентов трафика в соответствующих сценариях.
Компания Ericsson инвестирует в решения для восходящего канала (UL) в преддверии этого сдвига. Помимо модернизации площадок, будущий рост потребует большего спектра. Учитывая вышесказанное, первая волна улучшений сети должна быть сосредоточена на модернизации площадок, но в долгосрочной перспективе, учитывая повышенные требования к пользовательскому опыту и возросший спрос на трафик, сеть неизбежно достигнет точки, когда программных и аппаратных улучшений площадок будет недостаточно. Тогда потребуется дополнительный спектр глобальной сети в средне- и сантиметровом диапазонах для увеличения емкости. Дополнительная емкость позволит удовлетворить растущие ожидания пользователей в отношении качества обслуживания для приложений DL и ресурсоемких вариантов использования UL, таких как автономные транспортные средства, системы наблюдения с поддержкой ИИ и очки ИИ/AR.
Улучшения RAN и соображения по стандартизации для трафика ИИ
Стандартизация играет важную роль в подготовке сетей к работе с ИИ. Опираясь на работу по XR, уже проделанную в 3GPP, следующим шагом станет развитие поддержки сети радиодоступа (RAN) для трафика, который является более интенсивным в восходящем канале (UL), характеризуется всплесками и чувствительностью к задержкам, при этом решения должны оставаться достаточно гибкими, чтобы сохранять актуальность по мере изменения сервисов ИИ. Улучшение осведомленности RAN о трафике поможет сети более эффективно использовать радиоресурсы/спектр, тем самым позволяя обслуживать растущие объемы трафика, создаваемые ИИ.
Восходящий канал как стратегический приоритет
Исследование Practical Task Helper дает небольшой, но показательный сигнал: при наличии выбора пользователи тяготеют к опыту использования ИИ, который является более насыщенным, контекстуальным и непрерывным. Умножьте это предпочтение на миллионы устройств, постоянно работающих агентов и расширяющуюся вселенную носимых устройств с ИИ, и последствия для сети станут очевидными. Восходящий канал (UL) больше нельзя рассматривать как второстепенный вопрос. Операторы и поставщики устройств, которые осознают этот сдвиг раньше других, получат наибольшую выгоду.
- Перспективы и проблемы умных очков с поддержкой ИИ
- Три тенденции дополненной реальности и будущее AR
- Как устройства с поддержкой ИИ ускорят переход к сетям с интенсивным восходящим трафиком
- ИИ будет стимулировать будущий восходящий трафик – Ericsson Mobility Report
