11 сентября 2026 г. | 6 мин.
Главный исследователь, Сети
Исследователь, Производительность сетей, Бизнес-подразделение «Сети»
Менеджер по исследованиям, Устройства
Старший исследователь, радиосети
Старший эксперт, Интернет-архитектура
Старший исследователь, Ericsson Consumer Lab
Главный исследователь, Сети
Участник (+5)
Исследователь, Производительность сетей, Бизнес-подразделение «Сети»
Менеджер по исследованиям, Устройства
Старший исследователь, радиосети
Старший эксперт, Интернет-архитектура
Старший исследователь, Ericsson Consumer Lab
Большинство мобильных сетей были созданы для мира с преобладанием нисходящего трафика. ИИ разрушает это предположение.
По мере перехода ИИ со смартфонов в очки, наушники, автономные системы и другие подключенные устройства, от сети все чаще требуется воспринимать окружающий нас мир, а не просто доставлять нам информацию обратно. Видео, аудио, данные датчиков и другие контекстные входные данные могут непрерывно и в реальном времени поступать вверх по потоку в ИИ-системы для обработки.
Это меняет не только объем трафика. Это меняет его направление, интенсивность и время возникновения. И поскольку ИИ-взаимодействия становятся все более иммерсивными и автономными, производительность восходящего канала может стать критическим фактором того, будут ли они работать должным образом.
Результаты исследования конечных пользователей — концепт «Практический помощник с поддержкой ИИ/AR»
В недавнем исследовании конечных пользователей ИИ/AR-очков в Ericsson мы протестировали предпочтения пользователей в отношении сервисной концепции под названием «Практический помощник с поддержкой ИИ» (AI Practical Task Helper). Эта услуга призвана помочь пользователям научиться выполнять незнакомые задачи, такие как ремонт тостера, с помощью контекстного, пошагового руководства в реальном времени. Мы протестировали четыре уровня обслуживания:
- Уровень 1 — Реактивный (команда-ответ): пользователь спрашивает: «Как это исправить?», и система зачитывает шаги через аудио.
- Уровень 2 — С подсказками (по инициативе системы пользователь принимает решение): для пользователей с визуальным восприятием система предлагает диаграмму. При подтверждении в поле зрения пользователя появляется плавающая схема.
- Уровень 3 — Автономный (система действует, пользователь может отменить): по завершении пользователем первого шага система автоматически определяет следующий болт и закрепляет цифровую стрелку точно на этом конкретном винте на столе.
- Уровень 4 — Иммерсивный (бесшовный, всегда включенный): предвосхищая ошибку до ее совершения пользователем, система мигает красным. ИИ-аватар направляет руки пользователя, никогда не загораживая обзор инструмента.
Результаты исследования (показанные на Рисунке 1) показывают, что Уровень 3, представляющий автономную службу, является предпочтительным уровнем обслуживания для Практического помощника. В частности, 33% пользователей выразили предпочтение Уровню 3, в то время как другие уровни обслуживания в среднем выбрали лишь около 20% пользователей. Ожидается, что на этом уровне ИИ-агент будет действовать от имени пользователя, используя богатую контекстную информацию, полученную с помощью ИИ/AR-очков. Это позволяет агенту предоставлять проактивный, контекстно-зависимый сервис вместо опоры на реактивный подход с ограниченной контекстной осведомленностью или ее отсутствием.
Уровень
Рисунок 1 — Результаты исследования пользовательских предпочтений
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 исходит из передачи процессам ИИ информации о реальном мире, а также из того, как эти приложения разделяют вычисления между устройством и облаком. Многие новые сценарии использования ИИ опираются на облачный инференс, при котором видеопотоки, мультимодальные входы или данные датчиков отправляются вверх по потоку для обработки.
В этом контексте в трафике больше не доминирует скачивание контента; вместо этого пользователи и устройства все чаще отправляют богатые потоки данных в сеть, чтобы облако могло интерпретировать сцены, генерировать результаты и возвращать их в реальном времени. В то же время трафик нисходящего канала (DL) продолжает расти за счет доставки сгенерированного медиаконтента, текстур, ответов и другого контента, созданного ИИ. Результатом является более интерактивная модель трафика с большей интенсивностью в обоих направлениях.
Сегодняшние требования к UL для одного устройства часто находятся в диапазоне 1–5 Мбит/с — относительно низкие по сравнению с DL, — но пользователи на краю соты часто с трудом достигают даже этих умеренных скоростей передачи данных. На Рисунке 2 показано, что 40 процентов сетей 5G уже не дотягивают до минимальных требований к UL для ИИ-сервисов.
Линейный график, сравнивающий минимальную пропускную способность восходящего канала в сетях 5G по всей Европе, Азии, Северной Америке и Океании. Во всех регионах наблюдается снижение процентных показателей по мере увеличения пропускной способности. Четкий порог в 5 Мбит/с пересекает кривые примерно на уровне 60%, что указывает на то, что примерно 40% сетей 5G находятся ниже минимальных требований к восходящему каналу для ИИ-сервисов.
Рисунок 2 — Пропускная способность UL в различных регионах мира
Масштаб представляет собой еще более сложную задачу. По мере роста числа устройств с поддержкой ИИ и увеличения числа пользователей, внедряющих ИИ-сервисы с интенсивным использованием видео, датчиков и постоянным подключением, совокупная нагрузка на UL будет быстро расти. Эта комбинация роста трафика и роста числа устройств все больше подталкивает общую пропускную способность UL и делает производительность UL фактором растущего важности для качества сети и дифференциации.
Необходимо также учитывать постоянно активные возможности ИИ-агентов
В то время как возможности человека по потреблению контента ограничены имеющимся у него временем, агенты, помогающие людям, могут работать круглосуточно. В долгосрочной перспективе технология ИИ, вероятнее всего, создаст дополнительных пользователей — «ИИ-персон» — которые являются независимыми субъектами, работающими наряду с людьми и имеющими схожие коммуникационные потребности. Агенты, работающие от нашего имени в рабочих задачах, роботы, дроны и автономные транспортные средства являются первыми примерами этого. Поскольку технология ИИ постоянно улучшает сервисы для людей — например, за счет персонализации — она, вероятно, увеличит количество времени, которое люди тратят на использование этих сервисов.
Результаты потребительских исследований Ericsson показывают, что пользователи ожидают от ИИ-агентов экономии времени при выполнении повседневных задач и что значительная часть этого сэкономленного времени, вероятнее всего, будет перенаправлена на другую онлайн-активность. Это говорит не только об увеличении общего использования, но и о более широком спектре сервисов, вносящих свой вклад в сетевой трафик.
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 прямо стимулирует спрос на восходящий канал (UL) — и этот переход в значительной степени определяется не проектным выбором, а физическими ограничениями самих устройств.
Тенденции эволюции устройств — последствия для сценариев использования
Ландшафт устройств меняется быстро, но непредсказуемо. Удобный способ сформулировать это — через «плотность интеллекта», то есть сколько полезного ИИ устройство может обеспечить на грамм, на кубический сантиметр и на ватт. Это напрямую определяет:
- какие сценарии могут быть постоянными (always-on)
- какие могут быть по-настоящему интерактивными
- что по-прежнему потребует использования периферийных вычислений или облака.
Таким образом, для вариантов использования в Таблице 1 распределение между локальным выполнением и вычислениями с разгрузкой не является вопросом предпочтений в проектировании — оно во многом определяется возможностями кремния, пропускной способностью памяти, тепловыми ограничениями и форм-фактором. Это разделение также определяет сетевой профиль: разгрузка увеличивает требования к восходящему каналу (UL) (загрузка сенсорных данных/медиафайлов и запросов) и может привести к более жесткой связи по задержкам между UL и нисходящим каналом (DL).
Общей темой для всех этих тенденций в области устройств является то, что будущие сценарии использования ИИ будут определяться практические ограничениями пропускной способности памяти, устойчивыми тепловыми характеристиками и емкостью батареи, а также физическими ограничениями каждой категории устройств, такими как оптика и форм-фактор в очках ИИ/AR. На рисунке 3 показано, что аппаратное обеспечение развивается, но ограничения по тепловыделению и форм-фактору ограничивают возможности локального запуска.
Производительность NPU, пропускная способность памяти, ОЗУ
Рисунок 3 – Эволюция аппаратного обеспечения смартфонов: прогноз на 2024–2026 гг. по сравнению с 2030–2032 гг.
В качестве исходных данных использовались следующие показатели:
Модели с параметрами 1-4 млрд
Главный вывод заключается в том, что производительность NPU растет быстрее всего, в то время как пропускная способность памяти остается критическим ограничением системы.
По мере того как устройства движутся в сторону более легких и компактных конструкций, интеллектуальные возможности будут все более распределяться между самим устройством, сопутствующим оборудованием и периферийными вычислениями или облаком. Это делает эволюцию устройств напрямую связанной с эволюцией сетей: чем сложнее поддерживать крупные модели ИИ локально, тем важнее становятся пропускная способность UL и эффективная разгрузка. На рисунке 4 показано соотношение размера моделей генеративного ИИ и емкости памяти на устройстве, из которого видно, что передовые модели ИИ опережают локальное аппаратное обеспечение, что делает разгрузку в облако и использование UL жизненно необходимыми.
Горизонтальная гистограмма, показывающая взаимосвязь между размером модели ИИ и способностью к рассуждению. Меньшие модели, работающие на современных устройствах, обеспечивают базовые или хорошие возможности рассуждения, в то время как более крупные модели с большим количеством параметров обеспечивают надежные и современные возможности рассуждения. В примечании указано, что будущие устройства через пять лет будут поддерживать более продвинутые модели ИИ на самом устройстве.
Рисунок 4 – Размер моделей генеративного ИИ по сравнению с емкостью памяти на устройстве
Варианты использования с поддержкой ИИ и устойчивый спрос на мобильный широкополосный доступ стимулируют рост трафика
К 2031 году мобильные сети, вероятно, будут передавать значительно больше трафика, чем сегодня, но изменения коснутся не только объемов. Они также затронут структуру сервисов, стоящих за этим ростом. Прогнозируемый рост обусловлен сочетанием устойчивого спроса на мобильный широкополосный доступ и более широкого спектра сценариев использования ИИ, функционирующих в публичных глобальных сетях.
В Отчете о мобильности Ericsson прогнозируется, что в течение пяти лет трафик UL существенно вырастет — при сценарии умеренного внедрения ожидается трехкратный рост. На долю приложений генеративного ИИ приходится почти треть всего трафика UL. В то же время мы не можем сбрасывать со счетов данные DL; в зависимости от сценария внедрения генеративного ИИ, 89, 86 или 80 процентов трафика по-прежнему передаются в направлении DL. Однако рост UL приведет к тому, что асимметрия UL/DL значительно превысит современные показатели, как вы можете видеть на рисунке 5.
Спрос на трафик — UL против DL
Базовый трафик (2025 г.) Традиционный рост (2031 г.) Рост новых приложений ИИ (2031 г.)
Рисунок 5 – Спрос на трафик в 2031 г.: UL против DL. Варианты использования на базе ИИ резко увеличивают спрос на UL во всех сценариях, однако на долю DL по-прежнему приходится 89, 86 или 80 процентов трафика в соответствующих сценариях.
Компания Ericsson инвестировала в решения для восходящего канала связи в преддверии этого перехода. Помимо модернизации площадок, будущий рост потребует большего объема спектра. Учитывая вышесказанное, первая волна улучшений сети должна быть сосредоточена на модернизации площадок, но, заглядывая в будущее, повышенные требования к пользовательскому опыту наряду с увеличением спроса на трафик неизбежно приведут сеть к моменту, когда улучшений программного и аппаратного обеспечения площадок будет недостаточно. Для увеличения емкости потребуется дополнительный спектр широкой зоны покрытия в средне- и сантиметровом диапазонах. Дополнительная емкость позволит удовлетворить растущие ожидания пользователей в отношении приложений DL, а также сценариев с интенсивным использованием UL, таких как автономные транспортные средства, видеонаблюдение с поддержкой ИИ и очки ИИ/AR.
Усовершенствования RAN и вопросы стандартизации для трафика ИИ
Стандартизация играет важную роль в подготовке сетей к внедрению ИИ. Опираясь на работу по XR, уже проделанную в 3GPP, следующим шагом является развитие поддержки сети радиодоступа (RAN) для трафика, который является более интенсивным по восходящему каналу, носит пульсирующий характер и чувствителен к задержкам, сохраняя при этом решения достаточно универсальными, чтобы оставаться актуальными по мере изменения сервисов ИИ. Повышение осведомленности RAN о трафике поможет сети более эффективно использовать радиоресурсы/спектр, тем самым позволяя ей обслуживать растущие объемы трафика, создаваемого приложениями ИИ.
Восходящий канал связи как стратегический приоритет
Исследование Practical Task Helper дает небольшой, но показательный сигнал: когда есть выбор, пользователи склоняются к сценариям использования ИИ, которые являются более насыщенными, контекстными и непрерывными. Если умножить это предпочтение на миллионы устройств, постоянно работающих агентов и расширяющуюся вселенную носимых устройств с ИИ, сетевые последствия становятся очевидными. К восходящему каналу связи больше нельзя относиться как к чему-то второстепенному. Операторы и производители устройств, которые осознают этот сдвиг раньше других, получат наибольшую выгоду.
- Повышение производительности восходящего канала связи для монетизации 5G
- Перспективы и проблемы умных очков на базе искусственного интеллекта
- Три тенденции в области дополненной реальности и будущее AR
- Как устройства на базе искусственного интеллекта ускорят переход к сетям с высокой нагрузкой на восходящий канал
- ИИ определит будущее восходящих каналов связи — Отчет о мобильности Ericsson
