聽起來很美好。但基站真的需要那么聰明嗎？

GPU 進基站，誰在買單

這就要算一筆賬了。

先看成本。一塊適合基站的 GPU，價格不是小數。功耗也不是小數。如果要在幾十萬個基站里全部部署，那將是一筆天文數字的資本開支。而運營商現在的日子并不好過，流量增長但收入不增，是過去十年全球電信行業的普遍困境。在這種背景下，讓運營商掏錢給每個基站升級 GPU，難度可想而知。

三星電子美國公司網絡事業部戰略與營銷副總裁 Alok Shah 表示：「業界正在謹慎評估與在基站中引入 GPU 相關的總擁有成本模型和商業案例。迄今為止，在站點層面全面轉向 GPU 計算在資本支出和運營成本上都面臨挑戰，但該領域的創新很活躍。我們可能會發現，在未來幾年內，會有一部分站點的部署在經濟賬上是可行的?！箵Q句話說，賬還沒算清楚，誰也不敢輕易拍板。

再看必要性。基站真的需要 GPU 嗎？還是說，現有的 CPU 已經夠用了？這其實是一個被忽略的問題。新一代的 x86 CPU，性能早已不可同日而語。很多 AI 推理任務，尤其是輕量級的、對時延要求不高的任務，CPU 完全能應付。如果 CPU 能解決，為什么要多花一筆錢去買 GPU？

一位國內運營商的專家說得更直白：如果說算力一定要放到基站里，而且一定要放 GPU，我打個問號。成本太高，運營商根本接受不了。而且，把算力鎖定在基站里，反而限制了對算力的靈活調度——邊緣節點、匯聚機房、中心云，算力應該是一個可以動態調配的資源池，而不是固化在每一個站點。但也有不同觀點認為，按演示數據推算，單站閑置算力若按云計算市場價的 70% 出租，五年內就能收回 30% 的基站建設成本。

這些話背后，折射出一個更本質的分歧：AI-RAN 究竟應該怎么部署，是「全量升級」還是「按需引入」？英偉達作為芯片廠商，當然希望 GPU 鋪得越廣越好。但運營商要考慮的是，到底哪些場景真正需要基站級別的 AI 能力。

哪些場景「非 AI 不可」

如果說 5G 時代，AI 還算是個「加分項」，那么到了 6G，情況可能會發生變化。通信行業普遍認為，6G 網絡將面臨一個根本性的挑戰：網絡的復雜程度將達到「超越人類規?！沟拈撝?，人腦已經無法實時管理。屆時，AI 不再是可選項，而是必選項。

這不是危言聳聽。5G 時代，基站已經有了大規模 MIMO 天線，波束賦形的參數配置已經復雜到需要算法輔助。到了 6G，頻段更高、天線更多、業務更雜，靠人工腳本和預設策略去管理，幾乎不可能。換句話說，未來的網絡必須是「自智」的——自己感知、自己決策、自己優化。

這就把問題倒過來了：不是「基站里為什么要放 AI」，而是「不放 AI 的基站還能不能跑得動」。

具體到場景，有幾個方向已經比較清晰。

一個是信道估計。無線信號在空中傳播，受到干擾、衰落、遮擋的影響，基站需要實時估計信道狀態，才能決定用什么樣的參數發送數據。傳統算法有局限，而 AI 可以通過學習歷史數據，更準確地預測信道變化。富士通旗下的一個團隊給出的數據是：用 AI 改善信道估計，可以把上行鏈路性能提升 20%，某些場景下甚至能達到 50%。

另一個是波束管理。大規模 MIMO 基站可以生成多個窄波束，覆蓋不同方向的用戶。但用戶是移動的，波束需要跟著人走。如果波束切換不及時，就會掉線。AI 可以預測用戶的移動軌跡，提前把波束切過去，讓用戶的體驗更流暢。

還有頻譜共享。傳統做法是，如果某個頻段受到干擾，系統干脆把整個頻段關掉。但 AI 可以做得更精細——識別出干擾源，只屏蔽受影響的頻率，其他部分照常使用。MITRE 在 2025 年展示的一個應用，做的就是這件事。

這些場景的共同點是：需要實時響應、需要本地決策、無法把所有數據都傳回中心處理。這正是基站級 AI 的意義所在。

基站「夜間兼職」

如果說「AI for RAN」是為了讓網絡跑得更順，那么「RAN for AI」則是在探索另一種可能性：基站能不能不只是花錢的基礎設施，還能成為賺錢的資產？

軟銀和諾基亞最近做了一個很有意思的試驗。他們在日本搭建了一套基于英偉達 GPU 的 AI-RAN 平臺，白天，基站的算力優先保障 5G 通信——處理用戶的語音、視頻、數據請求；到了夜間，當網絡流量大幅下降，這些原本閑置的 GPU 算力并沒有空轉，而是通過軟銀的 AITRAS 編排器自動切換成「算力供應商」模式，為第三方客戶運行 AI 推理任務。

換句話說，同一個基站，白天是通信基站，晚上變成了邊緣 AI 服務器。諾基亞首席技術兼 AI 官 Pallavi Mahajan 對此評價：「隨著全球 AI 處理需求加速增長，這個項目展示了如何利用分布式網絡資源來提供可擴展、高效且可持續的 AI 服務?！?/span>

軟銀先進技術研究所副總裁 Ryuji Wakikawa 則說得更直接：「在 AI-RAN 中，最大化計算資源的價值非常重要。我們增強了 AITRAS 編排器，使其能夠將資源分配給外部 AI 工作負載，從而將這些資源作為新的收入來源加以利用?！?/span>

這種「基站夜間兼職」的模式，觸及了一個更深層的變革：基站正在從單純的「成本中心」向可能的「利潤中心」演進。當然，這還只是試驗?？蛻舢嬒襁€不清晰——是賣給互聯網公司做邊緣推理？還是給工業企業做機器視覺？商業模式還在探索中。但它至少打開了一個想象空間：如果全城的基站都能在夜間貢獻算力，那將是一張多么龐大的分布式計算網絡。

兩條腿走路：GPU 與 CPU 的長期共存

回到最初的問題：基站里到底需不需要 GPU？

最可能的答案是：部分需要，部分不需要。就像今天的網絡設備，有的用專用芯片，有的用通用 CPU，有的用 FPGA，各取所需。未來的基站也不會是單一形態，而是根據場景和成本，靈活選擇計算架構。

對于城市熱點、高流量區域，基站可能確實需要 GPU 來支撐復雜的 AI 任務；對于偏遠地區、低負載站點，CPU 就夠用了，沒必要多花錢。還有一種可能是，GPU 不是部署在每一個基站，而是部署在邊緣節點，覆蓋一片區域內的多個基站，兼顧算力供給和成本控制。

英偉達自己也意識到了這一點。它的 AI Aerial 平臺，核心賣點之一就是「資源共享」——同一塊 GPU，可以動態分配給 RAN 任務和 AI 任務，忙時做通信，閑時做推理，提高利用率，攤薄成本。這其實是在回應運營商的成本顧慮：你可以不用為 AI 專門買一塊 GPU，它可以和 RAN 共用一塊。

軟銀在日本做的試驗，就是這個思路。他們用一套系統同時跑 5G 和第三方 AI 應用，證明了兩者可以共存，且互不干擾。對于運營商來說，這提供了一種新的可能性：基站不再只是成本中心，還可以變成算力服務的輸出節點，創造新的收入來源。

當然，這還只是試驗。從試驗到規模化商用，還有很長的路。標準怎么定、接口怎么統一、業務模式怎么設計，都是待解的難題。業內人士的回答是：「客戶畫像還不清晰，是賣給互聯網公司做邊緣推理？還是給工業企業做機器視覺？商業模式還在探索中?！?/span>

結語

站在 2026 年回望，AI-RAN 的討論已經從「要不要做」轉向了「怎么做」。英偉達用兩年時間，把一個概念做成了一個產業聯盟，從 T-Mobile 到軟銀，從諾基亞到思科，越來越多的大玩家加入其中。這本身就說明，方向是對的。

但「方向對」不等于「落地快」。電信行業有其自身的節奏，幾億用戶的網絡不能隨便折騰，穩定可靠永遠是第一位的?！窤I-RAN 架構能否實現規?；逃?，關鍵取決于其性能表現、成本控制與運行穩定性。今年 MWC 上的各類演示顯示，相關技術基礎正持續成熟，云計算、人工智能與通信基礎設施的融合，已從概念構想逐步進入可控驗證落地階段。」

「AI 進基站，不會是顛覆式的推倒重來，而是漸進式的滲透融合。」這個過程可能需要五年、十年，但一旦完成，網絡將不再是今天的網絡。

到那時，基站不僅是收發信號的鐵塔，還是感知世界的節點；網絡不僅是傳輸數據的管道，還是承載智能的基礎設施。而這一切的起點，正是今天這些充滿爭議、有待驗證的試驗和討論。