Пару месяцев назад Nokia, поддерживаемая компанией Nvidia, сделала громкие заявления о потенциальном росте спектральной эффективности на 50% к 2027 году и на 100% к 2028 году (мы об этом рассказывали). Эту прибавку должен обеспечить подход AI-RAN, в котором графические процессоры (GPU) заменяют специализированные чипы ASIC в сетях радиодоступа. На днях Nokia опубликовала аналитический отчет на эту тему, подготовленный Chetan Sharma Consulting по заказу вендора. Несмотря на общий позитивный тон документа, в нем содержится и серьезная критика концепции.
Одна из ключевых задач, которую должна решить технология AI-RAN, – это ускоренная модернизация сетевой архитектуры. Цикл обновления ASIC для базовых станций составляет 3–5 лет, в то время как новые поколения графических процессоров выходят раз в два года, а ИИ-модели меняются каждые несколько недель. Переход на программируемые GPU-платформы, разработанные совместно с NVIDIA, позволяет обновляться через софт, а не «железо» – благодаря слою аппаратной абстракции (HAL).
Еще одна идея, заложенная в концепции, – это одновременная обработка задач RAN и ИИ на одном сервере, что достигается с помощью технологии Multi-Instance GPU (MIG), позволяющей разделить один физический GPU на несколько логически изолированных частей.
Подход AI-RAN реализуется в три этапа. Первый – до 2027 года – опирается на проверенные алгоритмы машинного обучения для оценки каналов и адаптации линка, чтобы доказать способность GPU выдерживать реальные нагрузки RAN. Он уже идет – полевые испытания запланированы на четвертый квартал 2026 года, а коммерческие решения появятся ближе к концу 2027-го.
Второй этап (2028–2029 годы) откроет доступ к алгоритмам, плохо реализуемым на классических ASIC, таким как глубокое обучение для формирования луча (beamforming). Третий этап (2029 год и далее) предполагает переход к 6G, где все функции радиоканала объединятся в единую сквозную ИИ-модель, что требует огромной вычислительной мощи.
Кстати, документ предупреждает, что обучающие данные накапливаются только в реальной сети и не передаются между операторами. Каждый сайт, запущенный на первом этапе, собирает калибровочные выборки каналов, историю решений и помеховую статистику, которые затем становятся основой для моделей второго и третьего этапов. То есть оператор, который начал не в 2026 году, а в 2028-м, начнет с холодного старта – и ему придется самому накапливать опыт и данные, которые нельзя купить или синтезировать. Хороший довод, чтобы операторы прямо сейчас побежали к Nokia/Nvidia.
Что касается спектральной эффективности, то в отчете заявленный прирост позиционируется как эквивалент получению новых частот или строительству дополнительных вышек (в плане емкости, а не покрытия). По расчетам авторов доклада, высвобождаемые ресурсы обеспечат оператору примерно 15–29 месяцев для поглощения растущего трафика без капитальных затрат. Сэкономленные мощности можно направить на развитие фиксированного беспроводного доступа (FWA) и корпоративных сервисов.
Если добавить ко всем этим перспективам монетизацию свободных вычислительных мощностей GPU в формате AI Grid (продажа предприятиям ИИ-мощностей для робототехники, умных городов и генеративных моделей), то перспективы вырисовываются самые радужные. Но все же не обошлось без большой ложки дегтя в виде специального раздела с условиями, которые должны выполняться для успеха концепции.
Первостепенная проблема – это энергопотребление. В отчете заявляется, что для фиксированных, хорошо изученных рабочих нагрузок ASIC эффективнее универсальных GPU. Поэтому архитектура AI-RAN жизнеспособна, если суммарное энергопотребление (RAN + ИИ) на GPU будет сравнимо с работой отдельного ASIC и отдельного сервера для ИИ. При этом дополнительный риск заключается в совпадении пиковой загрузки соты и пика запросов к ИИ-вычислениям.
Заявленные 50% роста спектральной эффективности – это верхняя граница, а не средний показатель по сети. Таких цифр можно достичь только в определенных условиях (плотная городская застройка, много пользователей, высокая загрузка, TDD, Massive MIMO). В пригороде или в сельской местности прирост будет существенно меньше. В самом отчете говорится, что около 20% самых нагруженных сайтов дают 60–70% трафика. Именно там экономика GPU считается наиболее очевидной. Для площадок с меньшей нагрузкой отчет предлагает маломощные графические процессоры или обычные ASIC.
К этим ключевым проблемам добавляются требования безопасности, надежности и стабильности, поскольку GPU пока не имеют подтвержденного времени наработки на отказ, сопоставимого с классическим телеком-оборудованием. Кроме того, операторам придется управлять двумя стеками ПО и перестраивать работу центров управления сетью под частые циклы обновления ИИ-моделей. Переносимость ПО между поколениями GPU также нужно доказать. Идея продавать свободные ИИ-мощности требует не только валидации на рынке, но и изменений в бизнес-процессах операторов, поскольку те не умеют продавать ИИ-инфраструктуру предприятиям.
Глядя на все эти «условия», мы приходим к выводу, что доказательством жизнеспособности концепции AI-RAN займутся уже состоявшиеся партнеры Nokia/Nvidia – операторы, находящиеся в технологическом авангарде, такие как T-Mobile и SoftBank. Основная же масса будет наблюдать за экспериментами издали – даже если им грозит «холодный старт» через два-три года или даже пять лет.
Одна из ключевых задач, которую должна решить технология AI-RAN, – это ускоренная модернизация сетевой архитектуры. Цикл обновления ASIC для базовых станций составляет 3–5 лет, в то время как новые поколения графических процессоров выходят раз в два года, а ИИ-модели меняются каждые несколько недель. Переход на программируемые GPU-платформы, разработанные совместно с NVIDIA, позволяет обновляться через софт, а не «железо» – благодаря слою аппаратной абстракции (HAL).
Еще одна идея, заложенная в концепции, – это одновременная обработка задач RAN и ИИ на одном сервере, что достигается с помощью технологии Multi-Instance GPU (MIG), позволяющей разделить один физический GPU на несколько логически изолированных частей.
Подход AI-RAN реализуется в три этапа. Первый – до 2027 года – опирается на проверенные алгоритмы машинного обучения для оценки каналов и адаптации линка, чтобы доказать способность GPU выдерживать реальные нагрузки RAN. Он уже идет – полевые испытания запланированы на четвертый квартал 2026 года, а коммерческие решения появятся ближе к концу 2027-го.
Второй этап (2028–2029 годы) откроет доступ к алгоритмам, плохо реализуемым на классических ASIC, таким как глубокое обучение для формирования луча (beamforming). Третий этап (2029 год и далее) предполагает переход к 6G, где все функции радиоканала объединятся в единую сквозную ИИ-модель, что требует огромной вычислительной мощи.
Кстати, документ предупреждает, что обучающие данные накапливаются только в реальной сети и не передаются между операторами. Каждый сайт, запущенный на первом этапе, собирает калибровочные выборки каналов, историю решений и помеховую статистику, которые затем становятся основой для моделей второго и третьего этапов. То есть оператор, который начал не в 2026 году, а в 2028-м, начнет с холодного старта – и ему придется самому накапливать опыт и данные, которые нельзя купить или синтезировать. Хороший довод, чтобы операторы прямо сейчас побежали к Nokia/Nvidia.
Что касается спектральной эффективности, то в отчете заявленный прирост позиционируется как эквивалент получению новых частот или строительству дополнительных вышек (в плане емкости, а не покрытия). По расчетам авторов доклада, высвобождаемые ресурсы обеспечат оператору примерно 15–29 месяцев для поглощения растущего трафика без капитальных затрат. Сэкономленные мощности можно направить на развитие фиксированного беспроводного доступа (FWA) и корпоративных сервисов.
Если добавить ко всем этим перспективам монетизацию свободных вычислительных мощностей GPU в формате AI Grid (продажа предприятиям ИИ-мощностей для робототехники, умных городов и генеративных моделей), то перспективы вырисовываются самые радужные. Но все же не обошлось без большой ложки дегтя в виде специального раздела с условиями, которые должны выполняться для успеха концепции.
Первостепенная проблема – это энергопотребление. В отчете заявляется, что для фиксированных, хорошо изученных рабочих нагрузок ASIC эффективнее универсальных GPU. Поэтому архитектура AI-RAN жизнеспособна, если суммарное энергопотребление (RAN + ИИ) на GPU будет сравнимо с работой отдельного ASIC и отдельного сервера для ИИ. При этом дополнительный риск заключается в совпадении пиковой загрузки соты и пика запросов к ИИ-вычислениям.
Заявленные 50% роста спектральной эффективности – это верхняя граница, а не средний показатель по сети. Таких цифр можно достичь только в определенных условиях (плотная городская застройка, много пользователей, высокая загрузка, TDD, Massive MIMO). В пригороде или в сельской местности прирост будет существенно меньше. В самом отчете говорится, что около 20% самых нагруженных сайтов дают 60–70% трафика. Именно там экономика GPU считается наиболее очевидной. Для площадок с меньшей нагрузкой отчет предлагает маломощные графические процессоры или обычные ASIC.
К этим ключевым проблемам добавляются требования безопасности, надежности и стабильности, поскольку GPU пока не имеют подтвержденного времени наработки на отказ, сопоставимого с классическим телеком-оборудованием. Кроме того, операторам придется управлять двумя стеками ПО и перестраивать работу центров управления сетью под частые циклы обновления ИИ-моделей. Переносимость ПО между поколениями GPU также нужно доказать. Идея продавать свободные ИИ-мощности требует не только валидации на рынке, но и изменений в бизнес-процессах операторов, поскольку те не умеют продавать ИИ-инфраструктуру предприятиям.
Глядя на все эти «условия», мы приходим к выводу, что доказательством жизнеспособности концепции AI-RAN займутся уже состоявшиеся партнеры Nokia/Nvidia – операторы, находящиеся в технологическом авангарде, такие как T-Mobile и SoftBank. Основная же масса будет наблюдать за экспериментами издали – даже если им грозит «холодный старт» через два-три года или даже пять лет.
Другие посты на канале https://t.me/tochka5g