边缘计算已经走过了“为什么需要它”的理论论证阶段进入了“如何把它建好”的工程实施阶段。过去十年边缘计算一直是各种会议上的高频热词。早期行业探讨的重心在于“什么是边缘计算”和“为什么需要它”行业陷入远边缘、近边缘、网络边缘等定义之争而后边缘计算开始与 5G、工业互联网、车联网绑定核心关键词变成“实时性”和“本地决策”运营商、设备厂商开始推动 MEC多接入边缘计算架构再后来随着概念逐渐明晰AI 推理开始下沉到边缘侧摄像头、机器人、工业设备不只是采集数据而是能够本地分析、实时响应如今随着生成式 AI 和 Agent 兴起行业讨论重点又从“算力下沉”转向“分布式智能协同”——许多过去停留在理论层面的边缘计算构想正在真实产业场景中加速落地。近期在海外举行的一场专题讨论会上来自仲量联行、英特尔、爱立信、高通和美国铁塔公司的多位专家围绕边缘计算的最新趋势展开讨论。参与者横跨房地产、芯片、通信设备与铁塔基础设施等产业链多个环节不少观点颇具启发性本文借此进行梳理与分享。“迟到的”杀手级应用AI 推理与会者并未试图给“边缘”下一个唯一标准定义而是逐渐形成了一种“连续体continuum”的共识即一个横跨中心云、区域边缘、本地边缘乃至企业边缘的灵活且可编程的执行环境。在这一体系中工作负载会根据时延、隐私、安全与成本需求被动态部署到不同位置。在这场讨论中最值得注意的一个观点是AI 推理AI Inferencing正在成为边缘计算真正的“杀手级应用”。美国铁塔公司的 Jim Poole 用一句颇为形象的话总结了过去十年的 MEC 发展“MEC 像是在拿着钉子找锤子。”所谓多接入边缘计算 MEC是一种网络架构在网络边缘提供云计算功能和 IT 服务环境目标是减少延迟确保高效的网络运营和服务交付并改善客户体验。从 MEC 的定义来看行业其实很早就预判到了未来需要一个分布式计算层因此运营商与基础设施厂商提前布局了大量边缘节点。但问题在于当时并没有真正需要这些节点的业务场景。换句话说基础设施走在了需求前面。这一判断其实也解释了过去几年边缘计算为何长期“雷声大、雨点小”。无论是工业互联网、VR/AR还是车联网虽然都被视作边缘计算的重要方向但这些场景始终没有形成足够规模、足够持续的算力需求。如今的不同在于需求侧的根本性转变。随着生成式 AI 的普及无论是用户需要何种想要的答案都需要上行来提供请求与数据来源本地产生的高清图像、音频及视频流等原始数据必须实时上传至云端进行处理导致上行数据量在过去一年中大幅增加。高通的 Koymen 博士表示用户行为正从以下行链路为主的视频消费转向以上行链路为中心的 AI 生成流量智能体数据Agentic Data将在未来几年内超过人类生成的数据。爱立信的 Joe Constantine 援引《爱立信移动市场报告》的数据进一步佐证全球数据流量到 2029 年将增长两倍而到 2035 年上行链路流量将增长 10 倍。这种以“上传-推理-响应”为特征的新模式对网络延迟和带宽提出了前所未有的要求这正是边缘计算的用武之地。仲量联行的 Sean Farney 给出了一句断言“边缘 AI 推理正让基础设施领域重新变得性感起来。”在追逐这一目标 20 年后行业终于迎来了真正的杀手级应用——AI 推理。它具备两个关键特性计算密度足够高、对延迟足够敏感这两者共同“迫使”计算能力不得不从集中的云数据中心向外扩散。AI 正在迫使数据中心体系“重写一遍”那么一个真正面向 AI 时代的边缘节点究竟会是什么样子Poole 给出了一组极具冲击力的数据过去 25 年里全球约 95% 的数据中心基本都是围绕每机柜 5-10kW 的功率密度设计的而如今新一代 AI 系统的功率密度已经达到每机柜 150 至 200kW甚至谷歌已展示出单机柜 1MW 的配置方案。这已经不是优化一下风道设计就能解决的问题。这背后直接带来了两个变化——首先“企业自建数据中心”正在迅速失去可行性。Poole 表示在过去二十年里数据中心行业最大的竞争对手其实一直是企业内部自建机房但如今随着 AI 基础设施复杂度与功率密度急剧提升自建模式已经越来越难成立。“你已经无法再像过去那样自己建一个数据中心就解决问题了。”其次液冷正从“先进方案”变成行业标配而现场发电on-site power generation在美国部分州甚至开始从“可选项”逐渐演变为一种监管要求。与此同时算力基础设施的地理分布也在发生巨大变化。如今北美大部分算力资源仍集中于约 15 个核心都市圈但 Poole 预测未来行业将在远短于过去 25 年的发展周期内迅速扩展至 30 至 50 个二线、三线市场。真正悬而未决的问题是未来边缘基础设施究竟会走向“集中化”还是“离散化”未来会是全国分布着 300 个 10MW 级数据设施还是在每座通信铁塔旁部署 2000 个 60kW 的边缘机柜铁塔公司显然更倾向于后者。作为芯片厂商代表高通的观点补充了另一个视角并非所有 AI 推理任务都必须依赖 GPU。Koymen 认为GPU 非常适合模型训练但在推理场景中其成本与功耗都过于高昂相比之下部署在终端设备与远边缘侧、专门针对推理优化的 NPU更适合承担边缘连续体中那些轻量化推理任务。从某种意义上说AI 正在把数据中心重新拉回“重工业”属性。而这也意味着边缘计算的竞争正在从软件能力逐渐转向能源、地产与基础设施能力即谁能够更快拿到土地、电力、散热与部署资源——这也是为什么本次讨论中会出现房地产与铁塔基础设施企业。2028—2029行业将走向何处面对即将到来的变革专家们也对 2028-2029 年的行业格局给出了具体预测。高通的 Koymen 将预测与其 6G 路线图挂钩2028 年出现预商用设备2029 年与全球运营商同步实现商业化届时边缘基础设施将支撑起 AI Recall、“所见即所得”的 AR 眼镜以及机器人分布式计算等应用场景。爱立信的 Constantine 给出了三个更量化的判断第一到 2029 年全球 75% 的数据流量将运行在 5G 网络上第二行业将不再争论“边缘是什么”而是转向争论服务等级协议SLA和 TM Forum 四级/五级自动化——这是一个行业从草莽走向成熟的标志第三数据中心的可持续发展压力将成为首要的设计约束。英特尔 Agarwal 的预测则更加偏向产业落地层面他认为——到 2028 年类似的行业讨论会将面目一新台上分享的不再是设备商讨论架构而是零售商、矿业公司和港口运营商讲述他们从部署中获得的实际投资回报率。他警告行业必须避免重蹈私有无线网络的覆辙网络建起来了但成功案例始终没能真正涌现。Farney 的预测最为长远人形机器人将开始出现在数据中心的运营中以帮助填补巨大的劳动力缺口。这种“物理AI”的概念正在成为现实—— NVIDIA 与 T-Mobile 已宣布合作在 5G 网络边缘部署 AI-RAN 基础设施让 AI 代理能够在城市路口、工业设施中实时感知和响应同时借助边缘算力大幅降低对终端设备的要求。写在最后不过相比技术本身这场讨论最后反而指出了几个更现实的问题电力、人才与数据。首先是电力AI 推理正在让算力需求急剧爆炸但全球电网建设速度却远远跟不上Poole 甚至直言美国电网并不是为这种局部高密度负载设计的其次是人才仅仲量联行一家公司目前就存在上千个数据中心相关岗位缺口最后则是数据Constantine 提出了一个值得注意的判断——未来真正胜出的企业未必是拥有最好模型的公司而是拥有最高质量数据体系的公司。因为随着模型能力逐渐趋同数据质量、数据结构与数据治理能力很可能才是未来 AI 竞争真正的护城河。综合来看一幅清晰的图景浮出水面边缘计算已经走过了“为什么需要它”的理论论证阶段进入了“如何把它建好”的工程实施阶段。原文链接为什么边缘计算终于有了它的杀手级应用?-36氪
