过去一年，如果你关注通信行业的新闻，大概很难躲过“AI-RAN”这个词。英伟达和软银牵头成立的AI-RAN联盟，T-Mobile西雅图的实验室测试，Indosat在印尼完成的AI通话演示——一连串的动态似乎在传递一个信号：GPU即将大规模进入基站，AI正在从“网络上层”下沉到“无线底层”。
但如果你有机会和运营商的朋友聊一聊，会发现他们的态度远没有发布会舞台上那么激动。兴奋是有的，但更多的是审慎、观望，甚至是一丝不易察觉的疑虑：基站里真的需要塞进一块GPU吗？这笔账到底怎么算？AI-RAN究竟是一场技术革命，还是又一轮由芯片厂商主导的“竞赛”？
01
基站里的“聪明”与“不聪明”
要理解AI-RAN到底想做什么，得先回到无线接入网这个老问题上。
通信行业一直有一个心照不宣的事实：在整个移动网络里，无线接入网（RAN）是最“不聪明”的那一段。核心网早就虚拟化、云化了，各种开源平台和通用服务器跑得风生水起。但走到基站这一层，情况完全不同——专用芯片、封闭接口、定制化硬件，像一个黑盒子，外面的人进不去，里面的数据出不来。
这听起来像个技术问题，但归根结底是个经济问题。基站部署量太大了，一个中等规模的运营商可能拥有几十万个站点。在这个量级上，任何一点成本波动都会被放大到惊人的数字。专用芯片虽然不够灵活，但它的功耗、成本、稳定性经过了几十年的极致优化，是运营商能够接受的“最优解”。
但问题也随之而来。当AI开始渗透到网络的每一个角落，当运营商希望通过智能化来优化覆盖、提升容量、降低能耗时，RAN成了那个最难下手的环节。你可以在核心网里随便部署AI服务器，可以给运维中心配上一堆GPU来做网络优化，但走到基站门口，路就断了。
AI-RAN的野心，就是想打通这最后一公里。但需要厘清的是，AI与RAN的关系其实是双向的。业界通常用两个词来定义这种关系：一个是“AI for RAN”，即用AI来优化无线接入网的性能——信道估计、波束管理、负载均衡，这些都是AI赋能网络的典型场景；另一个是“RAN for AI”，即把基站本身变成AI算力的提供者，让遍布各地的站点成为分布式推理的基础设施。英伟达的逻辑很简单：与其让AI在基站外面转悠，不如直接把它请进去，让基站自己变聪明。
听起来很美好。但基站真的需要那么聪明吗？
02
GPU进基站，谁在买单
这就要算一笔账了。
先看成本。一块适合基站的GPU，价格不是小数。功耗也不是小数。如果要在几十万个基站里全部部署，那将是一笔天文数字的资本开支。而运营商现在的日子并不好过，流量增长但收入不增，是过去十年全球电信行业的普遍困境。在这种背景下，让运营商掏钱给每个基站升级GPU，难度可想而知。
三星电子美国公司网络事业部战略与营销副总裁Alok Shah表示：“业界正在谨慎评估与在基站中引入GPU相关的总拥有成本模型和商业案例。迄今为止，在站点层面全面转向GPU计算在资本支出和运营成本上都面临挑战，但该领域的创新很活跃。我们可能会发现，在未来几年内，会有一部分站点的部署在经济账上是可行的。”换句话说，账还没算清楚，谁也不敢轻易拍板。
再看必要性。基站真的需要GPU吗？还是说，现有的CPU已经够用了？这其实是一个被忽略的问题。新一代的x86 CPU，性能早已不可同日而语。很多AI推理任务，尤其是轻量级的、对时延要求不高的任务，CPU完全能应付。如果CPU能解决，为什么要多花一笔钱去买GPU？
一位国内运营商的专家说得更直白：如果说算力一定要放到基站里，而且一定要放GPU，我打个问号。成本太高，运营商根本接受不了。而且，把算力锁定在基站里，反而限制了对算力的灵活调度——边缘节点、汇聚机房、中心云，算力应该是一个可以动态调配的资源池，而不是固化在每一个站点。但也有不同观点认为，按演示数据推算，单站闲置算力若按云计算市场价的70%出租，五年内就能收回30%的基站建设成本。
这些话背后，折射出一个更本质的分歧：AI-RAN究竟应该怎么部署，是“全量升级”还是“按需引入”？英伟达作为芯片厂商，当然希望GPU铺得越广越好。但运营商要考虑的是，到底哪些场景真正需要基站级别的AI能力。
03
哪些场景“非AI不可”
如果说5G时代，AI还算是个“加分项”，那么到了6G，情况可能会发生变化。通信行业普遍认为，6G网络将面临一个根本性的挑战：网络的复杂程度将达到“超越人类规模”的阈值，人脑已经无法实时管理。届时，AI不再是可选项，而是必选项。
这不是危言耸听。5G时代，基站已经有了大规模MIMO天线，波束赋形的参数配置已经复杂到需要算法辅助。到了6G，频段更高、天线更多、业务更杂，靠人工脚本和预设策略去管理，几乎不可能。换句话说，未来的网络必须是“自智”的——自己感知、自己决策、自己优化。
这就把问题倒过来了：不是“基站里为什么要放AI”，而是“不放AI的基站还能不能跑得动”。
具体到场景，有几个方向已经比较清晰。
一个是信道估计。无线信号在空中传播，受到干扰、衰落、遮挡的影响，基站需要实时估计信道状态，才能决定用什么样的参数发送数据。传统算法有局限，而AI可以通过学习历史数据，更准确地预测信道变化。富士通旗下的一个团队给出的数据是：用AI改善信道估计，可以把上行链路性能提升20%，某些场景下甚至能达到50%。
另一个是波束管理。大规模MIMO基站可以生成多个窄波束，覆盖不同方向的用户。但用户是移动的，波束需要跟着人走。如果波束切换不及时，就会掉线。AI可以预测用户的移动轨迹，提前把波束切过去，让用户的体验更流畅。
还有频谱共享。传统做法是，如果某个频段受到干扰，系统干脆把整个频段关掉。但AI可以做得更精细——识别出干扰源，只屏蔽受影响的频率，其他部分照常使用。MITRE在2025年展示的一个应用，做的就是这件事。
这些场景的共同点是：需要实时响应、需要本地决策、无法把所有数据都传回中心处理。这正是基站级AI的意义所在。
04
基站“夜间兼职”
如果说“AI for RAN”是为了让网络跑得更顺，那么“RAN for AI”则是在探索另一种可能性：基站能不能不只是花钱的基础设施，还能成为赚钱的资产？
软银和诺基亚最近做了一个很有意思的试验。他们在日本搭建了一套基于英伟达GPU的AI-RAN平台，白天，基站的算力优先保障5G通信——处理用户的语音、视频、数据请求；到了夜间，当网络流量大幅下降，这些原本闲置的GPU算力并没有空转，而是通过软银的AITRAS编排器自动切换成“算力供应商”模式，为第三方客户运行AI推理任务。
换句话说，同一个基站，白天是通信基站，晚上变成了边缘AI服务器。诺基亚首席技术兼AI官Pallavi Mahajan对此评价：“随着全球AI处理需求加速增长，这个项目展示了如何利用分布式网络资源来提供可扩展、高效且可持续的AI服务。”
软银先进技术研究所副总裁Ryuji Wakikawa则说得更直接：“在AI-RAN中，最大化计算资源的价值非常重要。我们增强了AITRAS编排器，使其能够将资源分配给外部AI工作负载，从而将这些资源作为新的收入来源加以利用。”
这种“基站夜间兼职”的模式，触及了一个更深层的变革：基站正在从单纯的“成本中心”向可能的“利润中心”演进。当然，这还只是试验。客户画像还不清晰——是卖给互联网公司做边缘推理？还是给工业企业做机器视觉？商业模式还在探索中。但它至少打开了一个想象空间：如果全城的基站都能在夜间贡献算力，那将是一张多么庞大的分布式计算网络。
05
两条腿走路：GPU与CPU的长期共存
回到最初的问题：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。就像今天的网络设备，有的用专用芯片，有的用通用CPU，有的用FPGA，各取所需。未来的基站也不会是单一形态，而是根据场景和成本，灵活选择计算架构。
对于城市热点、高流量区域，基站可能确实需要GPU来支撑复杂的AI任务；对于偏远地区、低负载站点，CPU就够用了，没必要多花钱。还有一种可能是，GPU不是部署在每一个基站，而是部署在边缘节点，覆盖一片区域内的多个基站，兼顾算力供给和成本控制。
英伟达自己也意识到了这一点。它的AI Aerial平台，核心卖点之一就是“资源共享”——同一块GPU，可以动态分配给RAN任务和AI任务，忙时做通信，闲时做推理，提高利用率，摊薄成本。这其实是在回应运营商的成本顾虑：你可以不用为AI专门买一块GPU，它可以和RAN共用一块。
软银在日本做的试验，就是这个思路。他们用一套系统同时跑5G和第三方AI应用，证明了两者可以共存，且互不干扰。对于运营商来说，这提供了一种新的可能性：基站不再只是成本中心，还可以变成算力服务的输出节点，创造新的收入来源。
当然，这还只是试验。从试验到规模化商用，还有很长的路。标准怎么定、接口怎么统一、业务模式怎么设计，都是待解的难题。业内人士的回答是：“客户画像还不清晰，是卖给互联网公司做边缘推理？还是给工业企业做机器视觉？商业模式还在探索中。”
06
结语
站在2026年回望，AI-RAN的讨论已经从“要不要做”转向了“怎么做”。英伟达用两年时间，把一个概念做成了一个产业联盟，从T-Mobile到软银，从诺基亚到思科，越来越多的大玩家加入其中。这本身就说明，方向是对的。
但“方向对”不等于“落地快”。电信行业有其自身的节奏，几亿用户的网络不能随便折腾，稳定可靠永远是第一位的。“AI-RAN架构能否实现规模化商用，关键取决于其性能表现、成本控制与运行稳定性。今年MWC上的各类演示显示，相关技术基础正持续成熟，云计算、人工智能与通信基础设施的融合，已从概念构想逐步进入可控验证落地阶段。”
“AI进基站，不会是颠覆式的推倒重来，而是渐进式的渗透融合。”这个过程可能需要五年、十年，但一旦完成，网络将不再是今天的网络。
到那时，基站不仅是收发信号的铁塔，还是感知世界的节点；网络不仅是传输数据的管道，还是承载智能的基础设施。而这一切的起点，正是今天这些充满争议、有待验证的试验和讨论。