AI-RAN大撤退？深度复盘英伟达的通信入局之战

回望人类信息技术发展 史，通信与计算是两条并行奔涌的河流。通信行业以香农定律为指引，在有限的频谱中求索比特的极限；计算行业则在这四十年间沿着摩尔定律的陡峭曲线，将晶体管密度推向物理边缘。

长期以来，这两大领域虽然通过数据产生交集，但在基础设施层面却泾渭分明。通信运营商追求“电信级”可靠的系统，构建了一个由专用硬件组成的封闭帝国，穿越这个帝国，抵达的却是由通用服务器构建的信息世界。

为打破这种藩篱，近年来基于通用服务器的虚拟化无线接入网（vRAN）开始出现。然而由于成本、功耗、生态等各种问题，vRAN的发展始终举步维艰。如今，随着AI的高歌猛进，AI和RAN的加速融合，并被认为是6G的核心技术之一。

RAN的发展历程：从专用到通用

在 2G 到 4G 的漫长岁月里，基站一直是以“黑盒”形态存在的。在基站的核心设备BBU（基带处理单元）内部，运行着基于专用芯片（ASIC）的传统算法。设备的硬件、软件只能用于特定功能，并且和供应商高度绑定。

ASIC 是为通信协议量身定做的，其优势在于极致的效率和功耗控制。然而，这种极致的专用性也是其最大的弱点：系统极度封闭，缺少灵活性。白天上网的人多了可能拥塞，到了深夜又太闲了需要关闭设备来省电；技术升级了，设备就要随着更新换代；供应商换了，全套设备也都得跟着替换。

为了解决这个痼疾，业界近年来提出了 vRAN的概念。vRAN 的理想是用通用的 COTS（商用现货）服务器取代专用的BBU，即通过软硬件解耦件来实现基站的功能。然而这一理想却在实施的过程中撞上了“算力墙”。

这是因为通用 CPU 擅长的是逻辑控制，面对 5G 物理层（又叫层1或者L1）那海量的并行信号处理任务时，表现得捉襟见肘。为了弥补CPU的不足，vRAN 不得不引入 FPGA或者ASIC加速卡来处理物理层任务。

FPGA因其可编程，是一种半专用硬件；ASIC则是纯纯的专用硬件。也就是说，vRAN是一种不彻底的软硬件解耦，虽然服务器通用了，但还得插一块专用的加速卡，物理层软件和加速卡深度绑定，依然采用的是传统算法。

在这种架构下，数据要在 CPU 和加速卡之间频繁搬运，使 vRAN的性能始终难以跟传统基站抗衡。虽然后续vRAN方案几经更新，性能有了很大提升，但加速卡依然是高度专用的，这违背了“通用算力”的初衷，只是把“黑盒子”变小了塞进了服务器里。

正是在这种形势下，英伟达提出了采用GPU加速的AI-RAN。

通信物理层的本质是大规模的线性代数计算，这与 AI 深度学习的范式惊人地一致。如果能用擅长并行计算的 GPU来作为加速卡，不仅能将AI引入通信物理层处理，处性能更好，还能利用 GPU 的通用性来对外提供AI服务，彻底改变基站的商业模式。

英伟达的GPU 内部拥有数千个 CUDA 核心，以及专门为矩阵运算设计的 Tensor Core（张量核心）。在 AI-RAN 架构中，当海量的数据涌入时，GPU 能够启动成千上万个线程，以 单指令多数据的方式，在同一时钟周期内对所有数据进行并行处理。特别是 Tensor Core 的引入，使得本来需要消耗大量时钟周期的矩阵乘累加运算能够在瞬间完成。

就这样，上层由CPU进行管理调度，下层由GPU进行密集计算，形成了CPU+GPU的异构计算架构。GPU 在作为加速器处理 5G L1 层算法时，展现出了比 CPU 高出数个数量级的能效比和计算密度。并且，由于GPU是通用硬件，也同时带来了无与伦比的灵活性。

在英伟达的构想中，未来的基站在网络繁忙时是高性能的6G 基站，而在网络空闲时，则摇身一变成为 AI 推理节点，为自动驾驶、智慧城市或云游戏提供算力。这种“一鱼多吃”的资源复用模式，有可能从根本上重构电信基础设施的投资回报模型。

英伟达的AI-RAN：从理想到现实

在无线网络中，为了达到覆盖效果，基站塔顶的射频单元（即RRU）必须散布在各个角落，方便提供无缝覆盖。跟射频相连的基带部分（即BBU）则有两种选择，如果跟RRU一样放在铁塔下方的机柜里，则为分布式部署（即D-RAN）；如果把多个BBU放在中心机房里，用光纤分别接到多个基站上，则为集中式部署（即C-RAN）。

在2024年10月，英伟达推出了第一代产品：面向C-RAN部署场景的ARC-1。ARC-1的能力很强，可支持36个100 MHz 64T64R载波，功耗高达3500瓦。英伟达强调，它可以同时用于RAN和AI服务，并且算力可以灵活调配。

英伟达 ARC-1

英伟达 ARC-1系统架构

2025年5月，英伟达发布了面向D-RAN的低成本产品：ARC-Compact。ARC-Compact 由英伟达的Grace CPU 配合L4 GPU 构成。 L4 GPU的尺寸为单槽、半高半长，体积小， 功耗低，适合处理单站数据。 ARC-Compact支持5G，并且 可软件升级至6G。

英伟达 ARC-Compact

英伟达 ARC-Compact系统架构

2025年10月，英伟达发布了ARC-Compact的升级版：ARC-Pro。ARC-Pro的CPU和ARC-Compact相同，GPU则升级到了Blackwell架构的GPU，引入了FP4 (4位浮点)和FP6精度，推理速度更快，内存占用更少。ARC-Pro可以支持6G新频段以及更高阶的Massive MIMO，比如256TR等。

英伟达 ARC-Pro

英伟达 ARC-Pro系统架构

英伟达产品AI-RAN产品一览表

ARC-1ARC-CompactAC-Pro发布时间

2024年10月

2025年5月

2025年10月

平台

GB200 NVL2: 2x Grace CPU (144 ARMv9 cores) + 2x Blackwell dual-die GPU (40 PFLOPS FP4)

Grace C1 CPU (72 Arm Neoverse V2 cores) + L4 GPU (485 TFLOPS FP8)

Grace CPU (72 Arm Neoverse V2 cores) +
Blackwell RTX PRO GPPU (1 PFLOPS/1000 TOPS FP4)

容量

~36个100 MHz 64T64R载波 ;

170 Gbps

最大30个载波;

25 Gbps

未公开

功耗

~3,500 W (全节点)

GPU: 72W;

系统: < 300 W

~300 W (系统)

场景

高密度AI数据中心

(C-RAN聚合)

站点(D-RAN边缘)

站点(D-RAN/6G升级)

AI应用

AI训练及推理

边缘AI推理；

RAN优化

边缘AI推理；

RAN优化（含6G感知）

从ARC-1到ARC-Compact和ARC-Pro，可以看出英伟达推广AI-RAN策略的转向：从最初的“在云端用大GPU跑C-RAN”转向了“在塔下用小GPU跑D-RAN”。它不再强求运营商重构网络架构，而是提供一个可以直接塞进现有机柜的“低功耗”产品。这大大降低了 AI-RAN 的部署门槛。

为什么英伟达要做出这样的妥协，或者说是战略的调整撤退？这应该与AI-RAN发展面临的风险有关。

AI-RAN能否成功：商业模式的隐忧

当我们把视线从微观的产品层面拉升到宏观的产业架构层面，会发现AI-RAN的推广之路荆棘密布。我们从AI for RAN和AI on RAN这两个维度分析。

在AI for RAN方面，无论是在标准和还是落地实践层面，业界对此都非常看好，泛在AI也是6G的基石之一。然而问题在于，AI-RAN是否就一定要基于通用GPU？

回顾vRAN的历史，虽然通用 CPU 很灵活，但算不动、太贵、太费电，最后不得不使用专用的ASIC加速卡。AI-RAN使用GPU作为加速卡理论上可以提升网络性能，但依然面临“通用 vs 专用”的成本和功耗挑战。

对于背负着沉重电费压力的运营商而言，如果 AI-RAN 仅仅用作基站，那么其高昂的运营成本将是难以接受的。因此，AI-RAN 的商业逻辑必须依赖于“算力变现”，即通过发挥GPU的通用性优势，出租闲置算力来抵消电费差价。这也是AI-RAN联盟从诞生之初就在讲的AI and RAN和AI on RAN故事。

为什么基站有可能实现算力变现？

基站可提供高溢价的边侧实时推理服务。比如，在未来的车路协同与自动驾驶场景中，基站可以作为路侧的“大脑”，直接处理传感器数据并下发指令，实现超低延迟。

基站还可以实现闲时算力套利。凌晨时分，运营商可以将成千上万个基站闲置的 GPU 算力汇聚成一个巨大的资源池，以低于公有云的价格出售给需要海量算力的客户。

然而，运营商若想从“卖流量”成功转型为“卖算力”，必须克服几座难以逾越的大山。

能效比的悖论是首要挑战。商业竞争的本质是成本竞争，而边缘计算在成本上天生处于劣势。超大规模的云数据中心通过集约化管理，可以将 PUE（电源使用效率）降至极低。而基站的BBU则分散在路边、楼顶的机房，很难把能效降下来。除非客户对延迟有绝对的刚需，否则在纯粹的算力价格战中，基站很难有胜算。

运维复杂度的指数级上升也是不容忽视的问题。管理一个集中了十万张GPU的数据中心，与管理十万个分布在野外、只有一块GPU的基站，其难度有着天壤之别。硬盘故障、光纤中断、散热失效，这些在数据中心里轻而易举解决的问题，在边缘侧都需要高昂的人力或极其复杂的自动化系统来处理。如果运维成本失控，算力变现微薄的利润将被瞬间吞噬。

更为严峻的是技术调度与安全风险。基站的首要任务永远是保障通信。如果一个租户运行的 AI 程序出现 Bug，导致正常的 5G 通信中断，这是运营商绝对无法接受的特大事故。虽然技术上存在隔离机制，但在极端工况下，如何确保通信业务拥有绝对的资源抢占权，同时又不让 AI 客户觉得服务不稳定，是一个极高难度的平衡艺术。

综上所述，基站算力变现是一个漫长的过程。最近的三到五年，可能会处于商业模式探索阶段。我们大概率只能看到运营商在核心城区的关键节点进行小规模试点，主要用于内部网络的 AI 优化降本，并尝试算力租赁。

随着 6G 时代的到来，以及 AI 智能体和机器人的普及，云端的算力和带宽可能将无法支撑数以亿计终端的实时交互需求。届时，算力必须下沉，基站以其分布式特点，坐拥连接和算力两大优势，将成为万智互联的底座。

然而，运营商能否透过时代发展的迷雾，在现阶段就下定决心重构技术栈、深度拥抱AI并向算力服务商转型，通过AI-RAN吃到这一波时代的红利，仍是一个巨大的未知数。