AI正在翻轉網路流量模式
- English
- 繁體中文
- 隨著裝置持續將影片、感測資料與情境資訊上傳至雲端進行即時推論，AI 正帶動新一波上行流量需求。
- 當 AI 穿戴式裝置、自主系統與持續運作的 AI 代理（always-on agents）逐漸普及，電信商與裝置廠商需要重新思考網路如何因應日益增加、要求更高的上行流量。
Master Researcher, Networks
Researcher, Network performance, Business Area Networks
Research Manager, Devices
Senior Researcher, radio networks
Senior Expert, Internet architecture
Senior Researcher, Ericsson Consumer Lab
Master Researcher, Networks
Researcher, Network performance, Business Area Networks
Research Manager, Devices
Senior Researcher, radio networks
Senior Expert, Internet architecture
Senior Researcher, Ericsson Consumer Lab
Master Researcher, Networks
Researcher, Network performance, Business Area Networks
Research Manager, Devices
Senior Researcher, radio networks
Senior Expert, Internet architecture
Senior Researcher, Ericsson Consumer Lab
大多數行動網路建置時，都是以下行流量為主要考量，但 AI 正在翻轉這項假設。
隨著 AI 從智慧型手機延伸至眼鏡、耳機、自主系統及其他連網裝置，網路的角色也逐漸從單純將資訊傳送給使用者，轉變為接收我們周遭環境中的各種資訊。影片、音訊、感測資料及其他情境資訊，都可能持續且即時地透過上行傳送至 AI 系統進行處理。
這項轉變影響的不只是流量規模，也改變了流量的方向、強度與發生時間。隨著 AI 體驗變得更加沉浸且自主，上行效能可能成為這些應用能否如預期運作的關鍵因素。
終端用戶研究結果：結合AI/AR的「實用任務助手」
愛立信近期針對 AI/AR 眼鏡進行終端用戶研究，測試使用者對一項名為「AI 實用任務助手」（AI Practical Task Helper）服務概念的偏好。這項服務旨在透過具情境感知能力的即時、逐步引導，協助使用者學習完成不熟悉的任務，例如修理烤麵包機。研究測試了四種服務層級：
- 層級 1－反應式（Reactive）（指令－回應）：使用者詢問「我要怎麼修好它？」，系統透過語音逐一說明步驟。
- 層級 2－引導式（Guided）（由系統提示、使用者決定）：對偏好視覺學習的使用者，系統會建議以示意圖呈現。經使用者確認後，浮動式示意圖便會出現在視野中。
- 層級 3－自主式（Autonomous）（系統採取行動、使用者可介入）：當使用者完成第一個步驟後，系統會自動辨識下一顆需要操作的螺絲，並在使用者的畫面中顯示箭頭，精準標示該螺絲的位置。
- 層級 4－沉浸式（Immersive）（無縫、持續運作）：系統會在使用者犯錯前預判可能的錯誤，並以紅色提示。AI 虛擬化身則會引導使用者的手部動作，且不會遮住使用者看向工具的視線。
研究結果（如圖 1）顯示，代表自主式服務的層級 3 是使用者最偏好的「實用任務助手」服務層級。具體而言，33% 的使用者偏好層級 3，相較之下，其他服務層級平均僅約 20%。在此層級中，AI 代理預期可運用 AI/AR 眼鏡擷取的豐富情境資訊，代表使用者採取行動。如此一來，AI 代理便能提供主動且具情境感知能力的服務，而非仰賴情境感知有限或完全缺乏情境資訊的被動回應模式。
AI 應用對流量成長的影響
「實用任務助手」這類具情境感知能力的 AI 應用，會透過不同方式帶動流量成長。其中一項明顯影響，來自於需要將現實世界的資訊提供給 AI 進行處理，以及這些應用如何在裝置與雲端之間分配運算工作。許多新興 AI 體驗仰賴雲端推論，將影片串流、多模態輸入或感測資料透過上行傳送至雲端進行處理。
在這樣的情境下，網路流量不再以下載為主；相反地，使用者與裝置正將愈來愈豐富的資料傳送至網路，讓雲端能夠即時理解場景、產生輸出並回傳結果。與此同時，AI 生成的媒體內容、紋理、回應及其他內容也持續帶動下行流量成長，形成互動性更高的流量模式，上、下行兩個方向的流量強度都隨之提高。
目前單一裝置的上行需求通常約為 1–5 Mbps，相較下行仍較低，但位於基地台涵蓋邊緣的使用者，即使要達到這樣的傳輸速率也經常面臨困難。圖 2 顯示，目前已有 40% 的 5G 網路無法達到 AI 服務所需的最低上行需求。
圖 2－全球各地區上行傳輸速率
規模擴大將帶來更大的挑戰。隨著具備 AI 能力的裝置數量增加，以及更多使用者採用大量使用影片、仰賴大量感測資料且持續運作的AI 服務，整體上行負載將快速增加。流量與裝置數量同步成長，將進一步推升整體上行傳輸需求，也使上行效能成為影響網路品質與差異化的重要因素。
AI 代理持續運作的能力也必須納入考量
人類能夠花在內容消費上的時間有限，但協助人類的 AI 代理卻可以全天候運作。長期而言，AI 技術可能創造更多額外的「使用者」——也就是「AI 人格」（AI personas）。這些 AI 人格是與人類協作的獨立行動者，並具有類似的通訊需求。代替我們處理工作任務的 AI 代理、機器人、無人機及自駕車，都是早期例子。隨著 AI 技術持續改善人類所使用的服務，例如透過個人化提升體驗，也可能進一步增加人們使用這些服務的時間。
愛立信消費者行為研究室的調查顯示，使用者期待 AI 代理能在日常任務中節省時間，而其中大部分省下的時間可能會轉移至其他線上活動。這意味著不只是整體使用量可能增加，帶動網路流量的服務類型也將更加多元。
若要進一步了解這些變化對網路的實際影響，可以從推動流量成長的具體應用情境來看。
未來影響網路的四種常見 AI 應用
表 1 從裝置、體驗需求、運算模式及對網路的影響等面向，比較四種最常見的 AI 應用：即時 AI、AR 視訊通話、代理式 AI（Agentic AI）及裝置端 AI。
| 應用 | 裝置 | 體驗需求 | 運算模式 | 對網路的影響 |
| 即時 AI | 智慧型手機、AI 穿戴式裝置，例如 AI/AR 眼鏡、AI 耳機 | 穩定的上行傳輸與快速回應 | 運算分布於裝置與雲端 | 即時互動需要可靠的上行連接 |
| AR 視訊通話 | AI/AR 眼鏡、XR 頭戴式裝置 | 大量的雙向流量 | 資料處理量大，並受散熱限制 | 需要持續的上行傳輸與穩定的延遲 |
| 代理式 AI | 智慧型手機、平板電腦、AI/AR 眼鏡、AI 耳機或智慧手錶等 AI 穿戴式裝置 | 突發式上傳流量與可靠傳輸 | 以雲端運算為主，搭配少量本地端篩選 | 上行需支援突發式情境資料上傳 |
| 裝置端 AI | 智慧型手機、平板電腦、AI/AR 眼鏡、AI 耳機或智慧手錶等 AI 穿戴式裝置 | 以本地 AI 任務為主，僅需少量連網 | 大量本地端運算且受散熱限制，適合較小型、經最佳化的模型 | 對網路影響有限 |
表 1－不同 AI 應用在裝置、運算與網路影響方面的比較
雖然上述四種應用都會帶動流量成長，但即時 AI 與代理式 AI 朝向雲端運算的轉變，最直接推升上行需求。這項轉變主要並非出於設計選擇，而是取決於裝置本身的物理限制。
裝置演進趨勢及其對應用的影響
裝置生態正在快速變化，但未來發展仍存在許多不確定性。理解這項趨勢的一種方式，是從「智慧密度（intelligence density）」來看，也就是裝置每公克、每立方公分及每瓦能夠提供多少實用的 AI 能力。這將直接決定：
- 哪些體驗能夠持續運作
- 哪些體驗能夠實現真正的即時互動
- 哪些體驗仍需仰賴邊緣或雲端運算
因此，對表 1 所列的應用而言，如何在本地端執行與卸載運算之間進行分配，並非單純的設計偏好，而主要取決於晶片能力、記憶體頻寬、散熱及裝置外型等限制。這樣的運算分配同時也決定了應用對網路的影響：將運算卸載至其他位置會增加上行需求，包括感測器／媒體資料及提示詞的上傳，也可能使上行與下行之間的延遲關聯變得更加緊密。
綜觀這些裝置發展趨勢，未來 AI 體驗將受到記憶體頻寬、持續運作時的散熱能力與電池等實際限制，以及各類裝置本身的物理條件所影響，例如 AI/AR 眼鏡的光學設計與外型限制。圖 3 顯示，雖然硬體能力持續提升，但散熱與外型限制仍會限制可在裝置本地端執行的工作負載。
採用的數據如下：
| 2024-2026 | 2030–2031 預測 | |
| 神經處理單元（NPU） | 60-100 TOPS | 200-300 TOPS |
| 記憶體頻寬（BW） | 78-85 GB/s LPDDR5X | 150-220 GB/s LPDDR6 |
| RAM | 12-24 GB | 32-48 GB |
| 裝置端生成式 AI |
10–40 億參數模型 |
100–200 億以上參數模型 |
關鍵在於，NPU 效能的成長速度最快，而記憶體頻寬仍是重要的系統限制因素。
隨著裝置朝向更輕、更小巧的設計發展，AI 能力將更分散地部署於裝置、搭配使用的周邊硬體，以及邊緣或雲端。因此，裝置演進與網路演進息息相關：大型 AI 模型愈難以持續在裝置本地端執行，上行容量與高效率運算卸載就愈重要。圖 4 比較生成式 AI 模型規模與裝置端運算能力，顯示先進 AI 模型的發展速度超越本地端硬體能力，使雲端運算卸載與上行連接變得不可或缺。
圖 4－生成式 AI 模型規模與裝置端運算能力比較
AI 應用與持續成長的行動寬頻需求共同推升流量
到了 2031 年，行動網路承載的流量可能遠高於目前的流量，但改變的不只是流量規模，也包括推動流量成長的服務組合。預期流量成長將來自持續增加的行動寬頻需求，以及更多透過公眾廣域網路運作的 AI 應用。
《愛立信行動趨勢報告》預測，未來五年上行流量將顯著成長；在中度採用情境下，預計將成長至目前的三倍。僅生成式 AI 應用就將占整體上行流量近三分之一。與此同時，下行資料仍不可忽視；視生成式 AI 採用情境而定，下行流量仍將占整體流量的 89%、86% 或 80%。然而，上行流量的成長將使上、下行流量的不對稱程度明顯不同於今日，如圖 5所示。
流量需求：上行與下行
愛立信已提前針對這項轉變投資上行解決方案。除了基地台升級之外，未來的流量成長也需要更多頻譜。基於上述趨勢，第一波網路優化應聚焦於基地台升級；但從長期來看，隨著使用者體驗要求提高及流量持續增加，網路最終將達到僅靠基地台軟硬體升級也不足以因應的階段。屆時，將需要額外的廣域中頻與釐米波頻段頻譜來增加容量。
新增容量將能因應下行應用日益提高的使用者體驗需求，以及自駕車、AI 輔助監控和 AI/AR 眼鏡等大量使用上行流量的應用。
針對 AI 流量的 RAN 強化與標準化考量
標準化對於讓網路做好迎接 AI 的準備扮演重要角色。在 3GPP 既有 XR 標準化成果的基礎上，下一步是進一步演進無線接取網路（RAN），以支援更偏重上行、具突發性且對延遲敏感的流量，同時讓相關解決方案保有足夠的通用性，以因應 AI 服務持續演變。
提升 RAN 對流量的感知能力，有助於網路更有效率地運用無線資源與頻譜，進而因應 AI 所帶來、持續增加的流量。
將上行視為策略重點
「實用任務助手」研究提供了一個規模不大但值得關注的訊號：當使用者可以選擇時，他們更傾向於內容更豐富、更具情境感知能力且更持續運作的 AI 體驗。
當這樣的偏好擴展至數百萬台裝置、持續運作的 AI 代理，以及不斷增加的 AI 穿戴式裝置時，對網路的影響也就十分明確：上行不能再被視為次要考量。及早掌握這項轉變的電信商與裝置廠商，將有機會從中獲得最大的效益。