Nokia AI 流量預測：到 2035 年上載容量面臨壓力

Nokia 於 11 月 4 日發布預測，指到 2035 年，AI 將帶動全球網絡流量的 44%。Nokia AI 流量預測估計，每月總流量將接近 3,789 艾位元組（exabytes），而一個艾位元組相當於 10 億 GB。其核心警示是：主要為下載而設計的網絡，將面對機器及自動化軟件在相反方向上要求更多容量。

這在既有消費者流量模式與持續傳送資料作處理的應用程式之間，形成規劃上的矛盾。營運商必須決定哪些範疇值得投資增加上載容量，而企業買家則需要證據證明連接能力足以支援預期工作負載。

Cisco 與 Ericsson 同樣指出 AI 流量需求正在轉變，但其預測衡量的項目並不相同。這些報告共同凸顯一個實際問題：在 AI 部署擴大之前，哪些網絡假設需要更新，而哪些投資主張仍有待證明？

Nokia AI 流量預測實際衡量甚麼

Nokia 的 網絡流量展望預計，到 2035 年，每月流量將較 2026 年水平接近增加四倍。該公司根據應用程式使用情況、連接裝置及自動化工作流程，並結合外部研究、專家審閱和實驗室工作，建立其估算。

這項重點數字描述的是模型推算的未來，而非已在網絡中流動的實測流量。

這一點很重要，因為精確的終點數字聽來可能比背後的採用假設更確定。網絡投資決策需要考慮一系列合理的需求模式，特別是預測涵蓋應用程式、裝置及商業模式不斷變化的多年期間。

報告的範圍同樣值得留意。Nokia 把與 AI 應用程式直接相關的流量，與受 AI 推薦影響而產生的額外消費者活動分開計算。其總數包括接入流量及雲端 AI 工作流程交換，但不包括其他數類網絡活動。

接入流量是指用戶或裝置與所連接網絡之間交換的資料。雲端工作流程流量則涵蓋完成 AI 請求時，相關服務之間的交換。這些類別描述的是不同位置上的相關活動，因此讀者在比較預測前，應先檢視其界線。

例如，流量定義不包括留在裝置或場地內的活動，亦不包括 AI 運算平台內的通訊，以及若干與訓練、複製及備份相關的傳輸。

因此，這項重點數字不應被延伸為 Nokia 已計算每個電腦網絡中流動的每一個位元組。它描述的是該公司界定的預測範圍。只要引用其發現時保留這一定義，這便是一個有用的規劃框架。

同樣審慎的做法也適用於 AI 的預計佔比。雲端助理、由推薦驅動的觀看決定，以及工業機器所產生的流量，可能經由不同機制出現。把它們結合有助估算整體需求，但不代表其營運要求可以互換。

一名消費者多看一段影片，所需的服務體驗與等待指令的機器不同。兩者流量可共同計入總數，但會造成不同的擠塞模式、故障後果及投資優次。

因此，對營運商而言，有用的起點是需求的組成。較大的總量反映規模，但應用程式行為有助判斷哪個網絡環節需要關注。

對企業買家而言，這項區分可避免另一個常見錯誤：把全球預測直接轉化為個別連接需求。企業所需取決於其應用程式、營運地點、資料政策，以及對中斷的容忍程度。

這項公告透過把這些問題與容量重點數字並列，改變了規劃討論的方式。其價值取決於機構能否把宏觀預測連繫至自身網絡中可觀察的條件。

營運商在家庭寬頻增長以外，亦面對上載需求

即時壓力落在負責接入網絡的機構身上，因為裝置會先透過這些網絡連接至更廣泛的服務。它們必須在支援現有客戶的同時，為流量模式尚未明朗的應用程式作準備。

需求增加不代表已知正確的升級方向；營運商必須先了解流量在何處、何時及朝哪個方向出現。

Nokia 的 AI 流量預測把可透過多個步驟執行任務的代理式 AI，列為增長特別迅速的類別。該公司預計，到 2035 年，其流量將達到 2026 年水平的 160 倍。

實體 AI，即能夠感知並在物理世界中行動的系統，預計將達到起始水平的 105 倍。Nokia 預計，該類別逾 90% 的流量將來自上行鏈路，即把資訊由裝置傳出的連接。

這些都是由較小起始基數推算出的預測。其營運意義在於所代表的需求類型，而不僅是倍數本身。

把感測器資訊傳送至遠端處理的網絡，所面對的容量問題，與向螢幕傳送娛樂內容的網絡不同。增加下載容量，並不會自動解決上載限制。

地點令決策更為複雜。集中於工業場地周邊的需求，可能需要與分散於住宅區的需求不同的回應。營運商必須區分廣泛增長與集中於特定客戶或服務區域的壓力。

固定無線接入（FWA）透過流動網絡基建向固定地點提供寬頻，亦為規劃增加另一項變數。Nokia 預計，到 2035 年，它將產生超過三分之一的消費者流動網絡流量。

這項預測不應被理解為 AI 採用率估算。家庭寬頻增長可在不受自主代理或連接機器影響下，獨立推高流動網絡需求。重疊之處在於，多項服務可能依賴共用基建。

Ericsson 的 FWA 展望提供另一項比較。其 2026 年 6 月的預測指，到 2031 年，FWA 將佔全球流動網絡數據流量的 36%。

其日期及類別與 Nokia 的數字不同，因此不應把這些估算視為相符的衡量結果。不過，它們仍顯示為何家庭寬頻應與新興 AI 工作負載一同納入投資討論。

營運商評估容量時，必須考慮實際服務組合。即使共用網絡設備，住宅需求、商業連接及機器流量仍可能產生不同要求。

商業問題隨之而來。營運商需要願意為所要求服務特性付費的客戶，而買家則需要對效能作出清晰承諾。泛泛而談的 AI 就緒承諾，留下了太多未說明的內容。

因此，企業採購應區分可用容量與可靠的應用程式效能。一條連接在單獨示範中看似足夠，卻仍未回答有關擠塞、中斷及復原的問題。

Nokia AI 流量預測給予營運商重新檢視這些假設的理由。它並不能證明每個網絡都需要相同架構，或每項擬議升級都具備即時商業理據。

實際壓力在於使投資決策更具體。營運商必須把預期需求連繫至實際瓶頸，而客戶則必須說明哪些應用程式成果足以支持更強的連接承諾。

代理改變任務與流量之間的關係

代理需求增長的機制很直接：一項用戶指令可觸發用戶看不見的資料交換。可見的答案未能完整呈現產生該答案所需的網絡活動。

對自動化工作流程而言，相關的需求單位是完成的任務及其支援性資料交換。

以一個比較文件並準備簡報的研究助理為例。它可能擷取來源資料、要求模型分析、檢視另一項來源，並修訂答案。即使最終簡報很短，支援過程仍可能涉及大量資訊交換。

這個例子描述的是一種可能的工作流程，而非已量度的部署。其意義在於，用戶看到的內容量與結果背後的活動並不相同。

推論，即運行已訓練模型以產生輸出的過程，會成為這條鏈的一部分。推論在哪裡運行，決定哪些連接承載請求、支援資訊及回應。

Cisco 的 AI 網絡研究為這一機制提供證據。其測試發現，相比由人手驅動的執行方式，代理每項任務產生的總流量最多可高出 450%。

這一結果支持對自動化工作流程的重視，但「最多」限制了讀者可以得出的結論。它並非適用於每個助理、應用程式或機構的通用倍數。任務設計及實作方式仍是核心因素。

這項比較亦顯示，單靠 token 用量無法解決網絡規劃問題。Token 是模型處理文字或其他內容的單位，用於描述模型活動；而一個工作流程也可能擷取檔案、交換工具結果，或傳輸支援媒體。

因此，應用程式團隊需要掌握完整路徑的可見性。否則，它可能把延遲歸因於模型，然而真正值得調查的可能是另一項服務或連接。

Context，即用作引導模型回應的資訊，帶來另一項設計選擇。更多支援材料可有助完成任務，但不必要的傳輸可能增加工作量，卻不改善結果。

對知識工作者而言，這會把基建規劃與資訊組織連結起來。妥善維護的 AI 知識庫可支援更清晰的決策，決定助理應擷取哪些資訊。

這種聯繫並不能證明任何特定知識工具可減少網絡流量。它突顯一個應用程式層面的問題：哪些資訊需要傳輸，哪些材料與任務無關？

開發人員在評估重試及重複請求時，也面對相同問題。若一個工作流程反覆要求相似資訊，應先作調查，才把其流量視為無可避免的需求。

實體層面則呈現相關但不同的問題。機器可能因周遭環境持續變化而產生資訊，而非因為有人再次提交請求。

在此，實用的應用程式設計必須判斷哪些工作需要遙距分析，哪些可在本地處理。只有在應用程式仍能滿足其營運要求時，傳送較少資訊才有益。

兩類情況都不支持「自動化必然浪費頻寬」這種簡單說法。額外的資料交換可以伴隨有價值的工作。規劃上的問題在於，相關流量是否必要、是否被充分理解，以及是否有合適的連線能力支援。

正因如此，預測的增長值得電訊部門以外的人士關注。產品決策決定工作流程的行為，而工作流程行為決定網絡最終需要承載的需求。

更接近用戶的處理具備附帶條件的商業理據

Nokia 預期部分 AI 處理將變得更分散。邊緣運算是指在更接近用戶或裝置的位置進行處理，而都會網絡設施則是在接入連線與遙遠的雲端服務之間的另一個可能位置。

該公司預測，到 2035 年，邊緣及都會基礎設施將承載 36% 的 AI 原生流量。它同時預期大部分 AI 流量仍會留在中央雲端。

投資決策的關鍵在於每項工作負載應部署在哪裏，而效能、營運複雜性及資料要求將左右答案。

這是一項架構選擇，而非普遍遷移的時間表。將工作負載移近，會改變運算資源必須在哪裏安裝、維護、保護及更新。

對企業而言，在應用程式需求尚未釐清前，鄰近性聽起來或許很吸引。但若相關延遲源自工作流程的其他環節，本地設施的價值便有限。

Cisco 提供了一個有用的審慎比較。其研究指出，就其檢視的工作負載而言，模型處理目前主導端到端推論延遲。該公司認為，單憑網絡延遲暫時不足以支持大規模轉向邊緣推論的架構改變。

這項發現並未否定 Nokia 的長期預測。兩家公司處理的是不同的時間尺度和問題。Cisco 的觀察關乎目前效能，而 Nokia 則模擬未來應用程式及部署選擇如何發展。

不過，這項比較確實挑戰了基礎設施營銷中的一種捷徑思維。涉及 AI 的應用程式並不必然需要鄰近運算，而鄰近運算亦不必然改善用戶重視的結果。

買家需要識別實際需求。應用程式是在等待資訊傳輸、遙距處理、另一套業務系統，還是人手審批？每個答案都指向不同的介入方式。

資料主權，即規範資料儲存或處理位置的要求，也可能影響部署位置。這類要求應與效能分開處理，因為即使遙距服務表現足夠，合規限制仍可能適用。

營運韌性帶來另一項考量。分散式應用程式需要明確決定，當某個站點失去與支援服務的連線時會如何運作。地理上的鄰近本身並不能回答這個問題。

對開發者而言，合理的架構應從應用程式的依賴關係開始。若將推論移近，同時卻把關鍵工具留在其他地方，便可能保留原有對遙距連線的大部分依賴。

企業買家亦應審視由誰營運各個組件。當應用程式橫跨多個位置時，更新、監察、存取控制及事故應變的責任必須保持清晰。

若將其視為分配問題，這些考量會令預測更具實用價值。不同工作負載可支持不同部署位置，而同一機構也可同時採用多種方式。

當共享資源及集中營運適合應用程式時，中央雲端服務仍然重要。在有已證實需求支持的情況下，鄰近處理值得考慮。

最有力的商業理據，會將部署位置與可量度的結果連繫起來。部署應說明為何所選位置可改善效能、滿足資料要求或支援可靠運作。

若缺乏這種連繫，機構便有可能只是在購買一個架構標籤。Nokia 所預期的長期轉變，將取決於能在應用程式層面證明價值的實際部署決策。

預測的假設比其精確度更重要

長期預測有助機構作好準備，但表面上的數字精確度可能掩蓋不確定性。採用情況、應用程式設計、本地處理及服務經濟效益，都會影響新興類別走向全球總量的路徑。

最有力地解讀 Nokia 的預測，應保留其假設，並避免把預測需求視為保證的設備開支。

先從增長倍數開始。小型類別可以快速增長，但其最終貢獻仍取決於採用情況。單憑倍數無法顯示哪些用戶會加入、他們會做甚麼，或其流量會流向何處。

部署選擇同樣重要。主要在裝置上運行的工作流程，與依賴遙距資料交換的同類服務，對網絡有不同影響。預測必須對這些選擇如何演變作出假設。

效率帶來另一種不確定性。開發者可以改變應用程式完成特定任務時所傳送的資訊量。他們亦可以擴展應用程式嘗試完成的工作，即使個別操作有所改善，仍會產生額外需求。

最終的平衡是一個實證問題。不能透過假設效率會消除增長，或每項改進必然帶來更多流量來解決。

分類構成另一項挑戰。Nokia 的定義包括受 AI 推薦影響而增加的消費者流量。估算這項增量，需要對原本可能發生的活動作出反事實判斷。

因此，讀者應區分可直接觀察的類別，以及需要行為模型推算的類別。兩者均可為規劃提供參考，但提供的是不同類型的證據。

跨供應商比較亦需要同樣的嚴謹態度。Cisco 預測到 2035 年，AI 推論將佔網絡流量四分之一。這個數字不應被描述為與 Nokia 較廣義 AI 驅動流量佔比直接矛盾。

推論流量與 AI 驅動流量描述的是不同範圍。要作有意義的比較，應先對齊所涵蓋的應用程式、網絡邊界及計算方法，再解讀差異。

商業誘因同樣值得承認。Nokia、Cisco 及 Ericsson 都銷售可從網絡投資中受惠的基礎設施。其研究可以包含有價值的證據，同時服務於商業目標。

這並不代表應否定其發現，反而支持要求透明的方法、實地量度及客戶成果，並與供應商預測一同檢視。

現有證據亦未能證實網絡準備度出現普遍崩潰。壓力可能並不平均，限制可能在特定地點或應用程式出現，而非同時在各處發生。

全球總量本身無法識別這些地點。營運商在將全球趨勢轉化為個別建設或採購決策前，需要本地證據。

對企業買家而言，實際風險雙向存在。低估連線需求，可能令應用程式無法達到預期；高估其要求，則可能在需求或營運價值尚未清晰前投入資源。

將 Nokia 的 AI 流量預測視為一個結構化規劃情境，最具實用價值。它指出值得測試的假設，同時容許應用程式行為及部署選擇有所改變。

這種做法可讓新聞保持合適比例。該報告強化了量度 AI 工作負載的理據，而個別投資的時間與規模仍是需要更貼近證據的決策。

至 2027 年初值得留意的三個訊號

未來數月不會驗證一項於 2035 年結束的預測，但可提供證據，說明其基本機制是否正出現在商業網絡及企業部署之中。

短期觀察應按次序聚焦於已量度的流量行為、客戶採用情況及部署經濟效益。

第一個訊號是營運商披露可識別 AI 部署的上行需求。有用的證據應將流量模式與具體應用程式連繫，並將其與一般寬頻增長區分。

顯示持續上行限制的量度結果，將加強現有規劃假設需要調整的理據。顯示有足夠餘裕的報告，則支持更具選擇性的投資回應。

背景與結果同樣重要。讀者應留意部署環境、量度期、應用程式行為及網絡條件。沒有這些細節，單一效能數字只能提供有限指引。

第二個訊號是代理及連網機器的持續商業使用。試驗可揭示技術要求，但持續運作更能證明這些要求是否會轉化為長久需求。

最具參考價值的披露，應描述活躍使用、已完成任務、營運地點及客戶擴展情況。僅僅加入 AI 術語的公告，對評估流量預測幫助較少。

持續部署將支持 Nokia 的需求論點。採用緩慢、工作流程被放棄，或應用程式在本地完成更多工作，則會削弱依賴持續擴大遙距資料交換的假設。

第三個訊號是支持處理位置選擇的證據。客戶及供應商應說明，為何某項工作負載適合部署於中央雲端、都會設施、鄰近站點或裝置。

顯示應用程式效益的比較結果，將加強分散式處理的理據。若結果主要受模型執行或其他遙距依賴所主導，則支持更審慎的架構回應。

營運經濟效益應與效能一同納入這些比較。技術上成功的部署，仍需要一套可持續的安排，以維護設備、軟件、保安及服務支援。

投資者應避免將一般 AI 需求視為某個供應商未來業績的證明。營運商應將擴展計劃與實際網絡狀況連繫。企業買家應要求與應用程式成果掛鈎的承諾。

未來數月，應將 Nokia 的 AI 流量預測與你所依賴的網絡及應用程式證據一同閱讀。要求供應商說明資料在哪裏流動、哪一項連線限制影響效能，以及在持續使用下有何改變。將這些假設與部署紀錄一併保存，然後隨採用增長而與觀察到的行為作比較。對知識團隊而言，這意味着除了模型品質外，也要記錄檢索及處理選擇。對營運商而言，這意味着要把家庭寬頻增長與新興機器工作負載分開。擴展 AI 部署前，你的團隊能否識別它所產生的流量，以及該流量必須滿足的服務要求？