边缘人工智能:对改善运营商收入和运营表现至关重要

运营商正在加大对5G的投资，旨在满足消费者和企业服务(比如视频、游戏和工业物联网)的低延迟需求。仅对边缘计算进行投资并不能保证它们满足这些低延迟需求。因此，运营商开始投资边缘人工智能（AI）应用，以便进一步促进延迟低至5毫秒。

虽然创建新服务是边缘AI发展的主要推动力，但我们也看到了AI在速度、覆盖范围和容量方面提高网络性能来保证高质量服务和体验并降低网络运营成本的潜力。不管运营商决定投资哪些用例，边缘AI对运营商网络的未来肯定至关重要。基于这个原因，运营商应该进行投资，确保自己在边缘拥有强大的应用、数据以及AI开发和管理能力。

支持运营商满足新服务的低延迟需求

运营商投资边缘AI的主要动力在于使网络实现提供新服务所需的低延迟。它们最初从4G网络开始探索边缘计算，不过已经将焦点转向了5G，因为5G可以提高速度、将延迟降低至5毫秒,使它们能够提供投资或计划投资的新服务，包括移动游戏、AR/VR、物联网（IoT）和自动驾驶。为实现这些服务，AT&T、Verizon和沃达丰等运营商正在将5G与分布式计算和存储能力结合起来。

AI的快速计算能力有助于满足这些要求。举例来说，在休斯顿进行了有关MEC和使用AI面部识别软件的试验之后，Verizon网络的延迟达到了15毫秒(是4G网络的一半)。

通过增强的延迟能力，运营商可以改善客户体验。诸如制造业等一些行业依赖快速连接来执行某些工作，比如监控装配线来确保产品质量。然而，当前连接服务的速度不足以满足此类需求。此外，在向核心网传输视频流量时，由于时间延迟而经常发生的缓冲问题也可以减少，从而改善利用视频的服务的服务体验。

另外一个好处是降低成本，尤其是对5G服务而言--在核心网处理这些服务会产生成本。运营商的运营成本约占总收入的60%；因此，它们希望降低成本，而边缘AI恰好提供了这种机会。以视频流量为例，如果视频流量传输到核心网进行处理会产生较高的带宽成本。借助边缘AI，运营商可以在临近客户的位置处理部分数据，只将分析结果发送到核心网，从而降低回程成本。

边缘AI将增强网络性能

图1表明，企业市场是运营商进行边缘投资的关键，其中工业物联网和自动化工厂被认为是最有利可图的用例。德国电信(DeutscheTelekom)和韩国电信(KoreaTelecom)等运营商一直在进行智能工厂方面的试验，利用AI执行视频分析工作，从而为制造业提供支持。然而，这也表明，投资边缘AI的动力源于边缘计算使运营商能够向企业提供一系列应用和服务。确保这些边缘服务连接需求（包括带宽和吞吐量）的网络基础设施(将部署到边缘的无线电资源和核心网络功能)不被视为主要收入来源。只有25%的运营商认为投资边缘应用来支持分布式移动核心网可以增加收入。

考虑到边缘通信量的增长，以及满足低延迟要求的需要，运营商需要对网络资源进行管理和优化，从而提高效率。因此，无论在边缘交付何种服务，运营商都需要AI应用来增强边缘网络资源的性能，从而降低成本并满足严格的服务水平协议(SLA)要求，确保客户获得高性能和安全的边缘服务。这些好处使运营商能够获得更多收入，将节省下来的资金用于进一步的网络开发。

在边缘，对于优化这些网络资源，AI能够推动更快的决策和行动。例如，频谱是一项有限且昂贵的关键资产，因此必须进行优化才能保证网络性能和驱动高质量的服务。

通过投资边缘AI，其快速模式识别、预测和推荐能力使运营商能够优化流量负载，确保频谱得到有效利用。诺基亚和爱立信等网络设备供应商(NEP)将AI算法应用到无线接入网的基带单元，取得了无线电性能改善（机器学习模型被用于用户流量预测--预测用户的地理分布情况，并利用相关洞察调整天线的波束模式）等成果。调整后的波束模式确保传输信号集中在用户所在位置，从而为他们提供更好的体验。有一些解决方案利用AI进行数据包分析（估计加密视频的体验质量）、智能IP流量控制，以及预测网络边缘的网络安全漏洞。

短期投资动力和长期投资动力有所不同

运营商投资边缘AI由对更低延迟和边缘服务安全性的持续需求带动。然而，从短期和长期来看，推动这些投资需求的因素有所不同。

短期：新冠疫情期间，越来越多的人选择在家办公和学习，视频服务消费增多而导致流量激增成为运营商投资边缘AI的主要理由。由于视频服务要求高质量的体验（几乎没有缓冲以及很快的网速），运营商需要边缘AI工具来加快处理速度、实现更好的体验质量。

长期：采用边缘AI的主要动力包括基于5G和IoT的服务（比如自动驾驶）推出速度加快。由于大多数运营商网络面临速度限制，这些服务目前还不可能实现。

运营商在5G时代将部署更多的网络边缘资源，比如需要更多处理能力来提供更多容量和更快速度的小基站。诸如用户平面功能(UPF)等5GSA核心网络功能将被部署到核心网，使数据包处理、流量汇聚和服务托管能够在更靠近用户的网络边缘执行，从而提高带宽效率，同时降低网络成本。UPF将具备云原生性质(作为微服务构建，在容器化环境中运行)，因此需要解决复杂的实时处理问题，如应用程序检测、内容过滤和流量优化，从而实现用户流量的高性能数据前送。5GSA核心网的关键功能网络切片也将启用，使运营商能够将网络端到端分割成多个虚拟网络切片，最终满足5G服务的独特需求。

更多IoT终端将进入网络，需要由网络进行管理。其中一些终端实现有效运行不需要连接到核心网，因为支持其功能所需的决策可以在边缘进行和执行。如果在边缘执行，支持自动驾驶等用例的AI算法的延迟将得到保证。

这些因素将导致边缘的网络复杂性、流量和数据量增加，最终影响网络的性能和安全性。解决这些问题需要在网络边缘快速处理数据，这促使运营商利用AI能力挖掘不断增长的数据量来提高效率，并确保边缘的网络质量和安全。

因此，伴随运营商需要基站和其它网络边缘位置来托管边缘基础设施和运行AI应用，我们预计运营商在边缘AI方面的支出将增加。它们还将投资相关计算机硬件、数据收集和处理能力，以便支持边缘AI用例的流量和内容分类等功能--在大多数情况下，这些功能将是AI推理工作负载。

总的来说，随着5GSA部署走向成熟，边缘计算拥有更好的网络支持，边缘AI的长期发展势头更盛。

清楚部署边缘AI的目标，投资合适的能力来实现目标

对运营商而言，AI将在未来的边缘计算中扮演重要角色，因此它们需要做出关键决策来有效地部署这一能力并获取投资回报。有些因素非常重要，比如拥有合适的云计算、数据以及AI开发/管理基础设施来确保通过边缘AI应用实现最佳成果。运营商还需要确定计划提供的服务，了解这些服务对延迟和容量的要求，并明确如何界定边缘和核心网来支持这些服务。

像自动驾驶这样的服务将需要广域蜂窝网来提供覆盖，还需要分布式计算来支持移动性。因此，运营商应确保在广域网边缘计算部署中可以使用AI能力来支持此类服务。

运营商还必须考虑边缘的物理位置、放在那里的计算资源，包括要在此处运行的CPU、GPU和AI应用，从而实现性能最大化，同时将成本控制在预算之内。就AI应用而言，考虑到计算需求以及训练模型所需数据的获取，运营商需要根据每个用例来确定是在边缘进行训练还是集中进行训练。

边缘AI系统所生成结果的质量至关重要。AI算法生成的不准确结果将影响边缘服务的整体体验。为了确保AI工具生成最优结果，运营商必须重视数据收集和管理，以及AI模型的生命周期管理。它们需要定期对AI模型进行再训练，确保AI模型提供有效的结果来支持相关用例。

此外，运营商需要与生态参与者合作开发边缘AI应用，包括应用开发商、NEP、内容提供商和公共云提供商。举例来说，运营商可以与公共云提供商合作构建边缘云环境并利用它们的资源、伙伴关系和应用开发商关系。这些能力确保运营商网络可以利用边缘AI提供新服务并提高网络性能。