## 概述 2025年3月，软银在英伟达GTC大会上宣布：其AI-RAN方案「AITRAS」完成全球首个商用部署，把5G基带处理和AI推理塞进了同一台GPU服务器。此前在川崎市的外场试验给出了一组硬数据——相比传统vRAN基线，功耗下降约40%，单台服务器还能同时承载两套运营商网络，并在基站侧直接跑大模型推理。GPU进基站，究竟是省钱的艺术，还是另一笔更贵的账？本文拆解软银这40%是怎么省出来的、商业模式站不站得住、以及留给无线运维的三个判断。 ## 目录 - 一、vRAN的算力悖论：白天不够用，晚上闲得慌 - 二、时间线：两年，从联盟成立到第一个商用局 - 三、40%是怎么省出来的：川崎试验拆解 - 四、AI-RAN的三种玩法与软银的算盘 - 五、还有几道坎：可靠性、升级耦合与那本账 - 六、给运维工程师的三个判断 - 结语 ## 一、vRAN的算力悖论：白天不够用，晚上闲得慌 干了十几年无线的人对BBU机房太熟悉了：一排专用基带板卡，按小区数配置，每块板子只为一种制式、一种频段而生。vRAN（虚拟化无线接入网）的思路是把L1/L2处理搬到通用服务器上，听起来美好，但商用化六年多，全球渗透率始终不温不火。原因工程师心里都清楚：基带L1是硬实时活，毫秒级时隙一个都不能晚，通用CPU扛不住，必须配专用加速卡；而专用加速卡的问题又回到原点——只为基带而生，别的事一件干不了。 这里面藏着一个算力悖论：基带算力是按忙时峰值配置的，而忙时一天就那么几个小时。晚八点一过，整面机柜的加速卡就在空转吃电。与此同时，另一个需求正在爆发——AI推理。企业要跑视觉质检、要跑本地大模型，推理负载天然往边缘放，放中心云时延高、回传带宽贵。于是一个顺理成章的想法出现了：**能不能让同一块GPU，忙时跑基带，闲时跑AI推理，动态分时复用？** 这就是AI-RAN的起点。注意，它和这两年已经商用的「AI节能」（用算法在低话务时段关断休眠载波）是两回事：节能省的是闲时的电，AI-RAN要解决的是**这套算力到底该为谁配置**的问题。一块GPU白天干基带、晚上干推理、话务高峰时AI任务自动让路——一套硬件干两份活，电费和机房的钱才摊得开。 2024年2月，AI-RAN联盟（AI-RAN Alliance）在MWC巴塞罗那宣布成立，创始成员包括ARM、爱立信、微软、诺基亚、英伟达、三星、软银、T-Mobile等（据联盟官方发布）。这个阵容很有意思：设备商、芯片商、云厂商、运营商全到齐了——大家都在赌同一件事：基站的算力底座，正在从「专用板卡」变成「通用GPU」。 ## 二、时间线：两年，从联盟成立到第一个商用局 | 时间 | 事件 | 关键信息 | | --- | --- | --- | | 2024年2月 | AI-RAN联盟在MWC成立 | 软银、英伟达均为创始成员 | | 2024年3月 | GTC 2024：软银与英伟达宣布共建AI×5G网络 | 选定Grace Hopper作为算力底座 | | 2024年内 | 川崎市外场试验开跑 | 现网环境验证GPU并发跑基带与AI | | 2024年9月 | T-Mobile与英伟达成立AI-RAN创新中心 | 爱立信、诺基亚参与，目标2026年商用试点 | | 2024年10月 | 英伟达发布AI Aerial产品家族 | cuRAN加速库+参考架构，AI-RAN有了「全家桶」 | | 2025年3月 | MWC发布AITRAS；GTC宣布首个商用局 | 公布川崎数据：功耗较传统vRAN降约40% | | 2026年起 | 计划规模部署（软银公开口径） | 从试验局走向现网商用 | ```mermaid timeline title 软银AI-RAN：从实验室到商用 2024年2月 : AI-RAN联盟在MWC成立 : 软银与英伟达均为创始成员 2024年3月 : GTC大会宣布共建AI×5G : 选定Grace Hopper平台 2024年内 : 川崎外场试验开跑 : 同一GPU同时跑基带与AI 2024年10月 : 英伟达发布AI Aerial : T-Mobile拉起AI-RAN创新中心 2025年3月 : MWC发布AITRAS : GTC宣布全球首个商用AI-RAN局 2026年起 : 计划现网规模铺开 : 从试验局走向商用网 ``` 复盘这个节奏，有两点值得注意。第一，软银不是vRAN的先行者——Rakuten 2020年就全vRAN了，软银反而按兵不动，等GPU性能和AI推理需求都成熟了才下场，直接跳过「传统vRAN」阶段做AI-RAN，用后发的架构换取一步到位。第二，英伟达2024年10月发布的AI Aerial是关键铺垫：cuRAN加速库负责把L1物理层算法CUDA化，参考架构负责告诉服务器厂商怎么配机器——AI-RAN第一次有了标准化的软硬件栈，设备商和运营商才有了抓手。美国人那边，T-Mobile拉着爱立信、诺基亚在2024年9月成立AI-RAN创新中心，同样盯住2026年做商用试点。两个半球的头部运营商，几乎在同一个时间表上。 ## 三、40%是怎么省出来的：川崎试验拆解 软银在川崎的试验不是实验室演示，而是在现网站点上做的外场验证。据软银与英伟达公布的试验数据，最有价值的是三组结论。 **结论一：省电的40%，来自「部分复制」架构。**试验对比了三种形态：传统基线（基带服务器+独立AI服务器各配各的）、全复制（一台GPU服务器划出两个独立分区，一边基带一边AI）、部分复制（基带与AI动态共享同一片GPU算力，利用基带调度的空隙插入AI推理任务）。结果是：全复制只解决了「放得下」，功耗相比基线没有优势；部分复制因为总算力需求被削峰填谷，功耗相比传统基线下降约40%。道理和核心网容量规划一样——两套各自按峰值配置的系统，合并调度后的总容量需求一定小于两者之和。 **结论二：单台服务器跑两套网。**试验中AITRAS通过MOCN（多运营商核心网共享）方式，在一台服务器上同时承载了两套运营商网络的基带处理。对站点密集、铁塔共享普遍的日本市场，这意味着机房空间、传输、电源、空调的开销直接减半。 **结论三：AI推理真的能在基站侧跑起来。**试验在承载基带处理的同时，于同一GPU上运行开源大模型的推理任务，AI推理利用基带处理的调度间隙完成，且软银口径下5G吞吐与时延等KPI保持达标。推理结果本地出、不走回传，这正是边缘AI想要的时延形态。 | 配置形态 | 算力分配方式 | 功耗表现（软银试验口径） | 一句话点评 | | --- | --- | --- | --- | | 传统基线 | 基带、AI两套服务器，各配各的峰值 | 基线 | 职责清晰，钱和电都双份 | | 全复制 | GPU划死两个独立分区 | 与基线接近 | 求稳的过渡形态，省机房不省电 | | 部分复制 | 动态共享，基带空隙插AI任务 | 较基线下降约40% | AITRAS主推形态，账算得过来 | ```mermaid flowchart TD A["一台AITRAS服务器"] --> B["5G基带分区"] A --> C["AI推理分区"] B --> B1["L1物理层实时处理"] B --> B2["MOCN双网共享"] C --> C1["边缘大模型推理"] C --> C2["视频与图像分析"] B1 --> D["射频单元发帧"] C1 --> E["本地应用毫秒级取结果"] ``` 需要泼一盆冷水的是：这40%的基线是「传统vRAN+独立AI服务器」的组合。如果拿它和成熟的专用基带方案比，差距会缩小——专用方案的能效本来就不差，GPU的静态功耗摆在那里。软银真正的算盘不在省电这一项，而在下一节。 ## 四、AI-RAN的三种玩法与软银的算盘 AI-RAN联盟把这条路线分成三层，这也是目前理解这个领域最干净的框架： | 模式 | 一句话解释 | 技术手段 | 变现方式 | 成熟度 | | --- | --- | --- | --- | --- | | AI for RAN | 用AI优化空口 | 机器学习做调度、波束与参数优化 | 降本增效，不改变架构 | 已有商用案例 | | AI and RAN | 基带与AI共享同一块算力 | GPU分时复用L1与推理负载 | 省电、省机房、摊薄算力成本 | 软银AITRAS率先商用 | | AI on RAN | 基站直接提供AI服务 | 边缘推理平台、低时延AI能力开放 | 面向企业卖推理算力 | 早期探索 | 软银AITRAS的重心在第二层「AI and RAN」，同时给第三层铺路。这笔账分三笔：第一笔省Opex，电费和机房散热；第二笔省Capex，一套算力底座同时干基带和AI两份活，MOCN还能做网络共享；第三笔才是英伟达反复画的大饼——AI on RAN的推理收入。英伟达官方口径曾估算AI-RAN可为运营商打开约百亿美元量级的年收入机会（供应商口径，听听就好，需要打折看）。日本市场有个别处没有的背景：软银2025年初与OpenAI成立合资公司、宣布每年30亿美元量级的AI投入，还在全国布局分布式AI数据中心。对软银来说，全国几万个基站站点如果都变成「带5G功能的GPU节点」，那就是一张现成的分布式AI推理网络——**基站不再是成本中心，而是AI基础设施的边缘触点。**这才是AITRAS名字背后的生意。 ## 五、还有几道坎：可靠性、升级耦合与那本账 **第一道坎：电信级可靠性。**传统BBU坏一块基带板，影响一两个小区；GPU服务器坏一台，挂在上面的小区成片趴窝，故障域扩大了不止一个量级。99.999%的可用性要求面前，GPU的驱动崩溃、ECC错误、高温降频都是新故障源。商用局怎么设计冗余和秒级恢复，是AITRAS从试验走向现网的第一道硬门槛。 **第二道坎：升级耦合。**以前RAN软件升级，排个割接窗口、按流程回归就行；现在RAN软件和CUDA驱动、GPU固件绑成一个版本火车，任何一个环节出问题都会拖累基带。割接复杂度、回归测试范围、版本兼容矩阵，全部上台阶。 **第三道坎：技能断层。**无线运维工程师的技能树里，突然多出nvidia-smi、DCGM监控、容器编排这些数据中心技能。标准允许多种实现，各厂家在算力底座上的具体形态以官方文档为准，但大方向一致：基带机房正在数据中化，无线工程师不学点算力运维，5年后的岗位会很尴尬。 **第四道坎，也是最根本的：那本账。**GPU单价远高于专用加速卡，40%的电费节省能不能覆盖硬件差价，取决于AI on RAN的付费需求是否真的落地。如果边缘推理收入起不来，AI-RAN就退化为一套「更贵的vRAN」。行业里对此不乏冷声音：基站的物理环境（高温、偏远、无人值守）本来就不是数据中心的主场，把最娇贵的算力设备放到最难维护的地方，这个决定本身就是逆势操作。软银敢第一个吃螃蟹，很大程度上是因为它同时握有AI消费端（与OpenAI的合资）和网络端——自产自销，供需闭环，别人未必有这个条件。 ## 六、给运维工程师的三个判断 **判断一：别把AI-RAN只当省电技术看。**它真正的含义是基站机房的数据中化——运维对象从「无线设备」扩展到「算力设施」，告警域、备件体系、机房标准都要跟着变。提前在现网挑几个枢纽站做GPU监控试点，比等集采通知更有主动权。 **判断二：盯住2026年这个验证点。**软银计划2026财年起规模铺开，T-Mobile的创新中心也把商用试点定在2026年。到时看两个数就够了：AITRAS单站承载的小区数与实际故障率，以及AI on RAN有没有真实的企业付费客户。前者验证可靠性，后者验证商业模式。 **判断三：40%这个数字要会读。**它是「合并架构 vs 分离架构」的差值，不是「AI-RAN vs 现有专用网络」的差值。任何厂商拿它对标你现网的专用设备时，都值得多问一句基线是什么。 ## 结语 把GPU塞进基站，软银走完了从联盟成立到全球首个商用局的两年。40%的功耗降幅证明了「一套算力干两份活」在工程上成立，但AI-RAN的终局不取决于省了多少电，而取决于基站里那块GPU的另一半算力，最终有没有人愿意付钱。省电是防守，卖算力才是进攻。2026年见分晓。 ## 参考来源 1. [AI-RAN Alliance 官网](https://ai-ran.org/) — 联盟章程、三大技术支柱（AI for RAN / AI and RAN / AI on RAN）与白皮书入口 2. [NVIDIA AI Aerial 产品页](https://www.nvidia.com/en-us/ai-data-science/ai-aerial/) — 英伟达AI-RAN软硬件全家桶（cuRAN加速库、参考架构）官方页面 3. [SoftBank Corp. 新闻稿中心](https://www.softbank.jp/en/corp/news/) — 川崎外场试验与AITRAS发布的一手官方新闻稿 4. [NVIDIA Newsroom](https://nvidianews.nvidia.com/) — GTC 2024/2025软银合作与「全球首个商用AI-RAN」宣布的官方通稿 5. [ITU-R 官网](https://www.itu.int/en/ITU-R/) — IMT-2030（6G）框架中「AI与通信融合」场景的标准背景 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。