6月4日至5日，以“萬兆光網 協同智算”為主題的2025中國光網絡研討會（OptiNet China）在北京盛大召開。本屆大會匯聚來自運營商、供應商、研究機構及產業鏈上下游的技術領袖與行業專家，圍繞全光網絡、智算互聯、空芯光纖等前沿技術話題，共同探討AI時代下光網絡演進的新趨勢、新路徑與新格局。
在此次會議上，上海諾基亞貝爾股份有限公司基礎網絡業務集團光網絡事業部總經理張寒崢出席并發表了“激發AI在網絡基礎設施中的潛能”的主題分享。他表示，“AI正在不停地改變我們的生活，而作為傳輸領域的從業者，我們更關注它對網絡流量的實際影響。”
▲上海諾基亞貝爾股份有限公司基礎網絡業務集團光網絡事業部總經理 張寒崢
據Nokia Bell Labs預測，到2033年，全球每月與AI相關的網絡流量將超過1000EB，這是一個極為龐大的數字。其中，消費者AI流量預計達1006EB/月，復合年增長率23%；企業AI流量雖基數較小（81 EB/月），但增速高達57%。這意味著，未來十年AI流量將成為網絡帶寬需求的核心驅動力。
需要強調的是，AI正在影響和增強我們的網絡。面向消費、工業、企業等不同場景的AI應用，對網絡的需求截然不同。例如，消費級AI更多涉及短視頻、智能助手等實時交互場景，而企業級AI則聚焦于工業視覺檢測、供應鏈優化等專業領域。這種差異化需求，正推動網絡架構向更靈活、更智能的方向演進。
AI對網絡基礎設施的雙重挑戰：Networking for AI
從應用場景看，AI對網絡的需求可概括為“Networking for AI”，即面向AI的網絡構建。
當前，大模型訓練與推理業務正從單數據中心向分布式架構演進。在數據中心內部，大模型訓練對帶寬和無損傳輸要求極高，哪怕一個數據包丟失都可能影響模型學習效率。例如，GPT系列模型的訓練過程中，數千臺服務器間的海量數據同步需確保低時延、高帶寬的網絡連接。
隨著模型規模指數級增長（如萬億參數模型），跨數據中心的分布式訓練成為必然。此時，網絡需支持突發的大帶寬數據遷移。例如，一次模型迭代可能需要傳輸數百PB的數據，且對時延敏感——這要求網絡具備彈性調度能力，能在短時間內快速分配帶寬資源。
AI應用向邊緣側下沉已是大勢所趨。終端設備（如VR 頭顯、工業傳感器）與邊緣節點間的流量增長尤為迅猛。以沉浸式VR為例，不僅需要中心向邊緣的下行大帶寬，用戶實時交互產生的上行流量同樣可觀，這種對稱業務對傳統網絡架構提出了全新挑戰。
AI業務可分為訓練與推理兩大類型，二者對網絡的要求近乎相反。
訓練業務追求 “越快越好”。為加速模型迭代，需調用海量算力集群與存儲資源，傳輸帶寬需求呈爆炸式增長。例如，訓練一個自動駕駛模型可能需要每天傳輸數EB的數據。但這類業務多為離線處理，對實時性要求相對較低，允許一定的調度靈活性。
推理業務強調“實時響應”。當用戶通過語音助手提問或使用AI客服時，系統需在毫秒級內返回結果，這要求網絡具備極低的時延和穩定的連接質量。但推理階段的數據量通常遠小于訓練階段，帶寬需求相對可控。
這種矛盾的需求倒逼網絡架構走向“分層設計”：核心層專注于大帶寬傳輸，邊緣層則優化時延性能，同時通過智能調度算法平衡資源分配。
值得注意的是，AI流量在網絡中的分布并非均勻。Nokia Bell Labs研究表明，終端到城域邊緣的流量增長速率最快，其次是邊緣到核心的流量。這意味著，接入側和邊緣側將成為未來網絡擴容的重點。
例如，在工業場景中，傳感器數據從終端到邊緣服務器的傳輸量，可能比邊緣到云端的數據量高出3-5倍。這種分布特征要求網絡建設從“核心優先”轉向“邊緣優先”，在接入網部署更高帶寬的光纖資源，在邊緣節點集成更強的算力與網絡調度能力。
AI賦能網絡：AI for networking的三大價值維度
AI對網絡運維的改造，可概括為“AI for networking”。傳統網絡運維中，重復的配置巡檢、惡劣環境下的設備排查、高危場景的故障處理，以及耗時耗力的資源優化，都可通過AI驅動的自動化工具解決。
此外，AI可自動生成網絡配置腳本，替代人工重復操作，將配置效率提升 80%以上。而且，通過無人機搭載AI視覺系統，可替代人工完成高壓輸電線路附近的光纜巡檢，降低作業風險；避免下水道偵察、擠牛奶、尸檢和礦井勘探，遠離骯臟環境。成本方面，AI通過分析全網流量模式，動態調整路由策略，減少網絡擁塞，每年可為運營商節省數千萬美元的帶寬成本。
AIops通過AI增強網絡運維，其價值可進一步歸納為三個“S”：
Service（服務）：人工智能可以提高網絡運營效率，從而加速服務交付并確保持續遵守服務等級協議（SLA）。
Security（安全）：AI/ML技術可以幫助及早準確地檢測DDoS活動，并采取即時、有針對性和優化的緩解措施來阻止此類攻擊。
Sustainability（可持續）：通過優化網絡資源，人工智能可以幫助降低功耗，最大限度地減少能源消耗和環境足跡。
在實現這些價值的過程中，意圖驅動的網絡成為了我們追求的目標。這樣的網絡需要具備感知、思考和行動的能力，通過海量數據的收集和學習，對網絡狀況進行準確判斷，并在此基礎上做出決策，實現閉環的網絡管理。對于運維人員而言，AI的應用將帶來諸多便利。
傳統上，網絡運維人員主要依靠經驗和經驗庫來分析故障，而AI的引入則能夠顯著提升他們的分析能力，快速準確地定位和解決問題。
同時，AI還能夠實現輔助功能，通過自然語言與網絡設備進行交互，發出指令，讓網絡執行相應的操作，無需運維人員掌握復雜的編程技能。這不僅提高了網絡運維的效率，還降低了對人員專業技能的要求，使更多的人能夠參與到網絡管理中來。
諾基亞貝爾一直在積極探索和實踐AI在網絡基礎設施中的應用，曾經進行了一個有趣的實驗，利用大語言模型（LLM）作為代理，通過自然語言指令來實現網絡的跨域編排。
當需要建立一個新的業務連接時，只需用自然語言向LLM代理表達需求，它便能分析指令并調用相應的專業函數，協調多個域的網絡設備，完成從IP到光傳輸的配置，甚至可以驅動機器人執行物理連接操作，如光纖切換等。
諾基亞的AI網絡基礎設施，構建全球最關鍵的網絡
諾基亞貝爾構建了完善的AI驅動網絡基礎設施產品體系，產品覆蓋固網接入、IP傳輸、數據中心、海纜等多個領域。核心目標是為客戶提供靈活的容量方案，以滿足各種業務的靈活需求。同時，確保網絡始終保持在線，保障業務的連續性和穩定性。
彈性擴容（Scalable）方面，通過FP系列路由硅片、PSE相干光DSP等自研芯片，支持單波長400G/800G超高速傳輸，滿足AI流量爆發式增長需求。高可用性（Available）方面，采用多層級冗余架構，如光層1+1保護、IP層FRR（快速重路由），確保AI應用99.999%的在線率。
安全可信（Secure）方面，從芯片到系統的端到端加密方案，支持國密算法與零信任架構。綠色高效（Efficient）方面，Elenion硅光子技術將光模塊功耗降低 30%，Quillion接入處理器實現邊緣節點的低功耗算力整合。
激發AI在網絡基礎設施中的潛能，非單一企業之力所能及，需構建廣泛的生態合作體系，芯片廠商、云服務商、運營商等生態伙伴的協同。目前，諾基亞貝爾已與聯想、Carahsoft、Verizon、騰訊等企業合作，共同定義AI網絡的技術標準與應用場景，構建開放、合作、共贏的產業生態。
結束語
AI給網絡基礎設施帶來的變革，既是挑戰，更是機遇。作為基礎網絡領域的深耕者，諾基亞將持續投入芯片、軟件與自動化技術創新，以“構建為AI而生的網絡，賦能網絡以AI的智慧”為使命，與生態伙伴攜手，共同推動光網絡向更靈活、更智能、更可持續的方向發展。
