Nokia AI 流量预测：到 2035 年上传容量将面临压力
Nokia 于 11 月 4 日发布预测称，到 2035 年，AI 将推动全球网络流量的 44%。这份 Nokia AI 流量预测显示，月度总流量将接近 3,789 艾字节；1 艾字节相当于 10 亿 GB。其核心警示在于：主要为下载而设计的网络，将需要应对机器与自动化软件在相反方向上提出的更多容量需求。
这使传统消费者流量模式与持续发送信息以供处理的应用之间产生了规划冲突。运营商必须决定哪些上传容量扩充值得投资，而企业采购方则需要证据证明连接能力能够支撑其计划部署的工作负载。
Cisco 和 Ericsson 也指出，AI 流量需求正在变化，但它们的预测衡量对象不同。这些报告共同凸显了一个现实问题：在 AI 部署扩大之前，哪些网络假设需要更新，哪些投资主张仍有待验证？
Nokia AI 流量预测实际衡量了什么
Nokia 的网络流量展望预测，到 2035 年，月度流量将较 2026 年水平接近增长四倍。该公司的估算基于应用使用情况、联网设备和自动化工作流，并结合外部研究、专家评审及实验室工作。
这一标题描述的是经过建模的未来，而非已经在网络中流动的流量测量结果。
这一区别很重要，因为一个精确的终点数字听起来可能比其背后的采用假设更确定。网络投资决策需要考虑一系列合理的需求模式，尤其当预测横跨不断变化的应用、设备和商业模式时。
该报告的范围也值得关注。Nokia 将与 AI 应用直接相关的流量，与受 AI 推荐影响而产生的额外消费者活动区分开来。其总量包括接入流量和云端 AI 工作流交换，但不包括其他若干类网络活动。
接入流量是指用户或设备与其接入网络之间交换的数据。云端工作流流量涵盖完成一项 AI 请求所涉及服务之间的交换。这些类别描述的是不同位置的相关活动，因此读者在比较预测前应先审视其边界。
例如，流量定义排除了留在设备或场所内部的活动，也排除了 AI 计算平台内部的通信，以及与训练、复制和备份相关的某些传输。
因此，这一标题不应被解读为 Nokia 已统计了每个计算机网络中流动的每一个字节。它描述的是该公司所定义的预测范围。只要在转述发现时保留这一定义，它就是一个有用的规划框架。
对 AI 预测占比也应采取同样谨慎的态度。云端助手、由推荐驱动的观看决策以及工业机器所关联的流量，可能通过不同机制产生。将它们结合起来有助于估算总体需求，但并不意味着它们的运营要求可以互换。
观看更多视频的消费者，与等待指令的机器，需要截然不同的服务体验。它们的流量可以计入同一个总量，却会形成不同的拥塞模式、故障后果和投资优先级。
因此，对运营商而言，有用的起点是需求构成。更大的总量说明了规模，但应用行为有助于判断哪个网络环节需要关注。
对企业采购方而言，这一区别也能避免另一种常见错误：将全球预测直接转化为单个组织的连接需求。企业的需求取决于其应用、运营地点、数据政策以及对中断的容忍度。
这项公告将上述问题与容量标题并列，改变了规划讨论的重点。它的价值取决于组织能否将宏观预测与自身网络中可观察的条件联系起来。
在家庭宽带增长之外，运营商还将面对上传需求
直接压力落在负责接入网络的组织身上，因为设备首先通过这些网络连接到更广泛的服务。它们既要服务现有客户，也要为流量模式尚不确定的应用做好准备。
需求增加并不能指出正确的升级方向，除非运营商知道流量在何处、何时以及向哪个方向出现。
Nokia 的AI 流量预测将能够通过多个步骤执行任务的软件，即 agentic AI，列为增长尤其迅速的类别。该公司预计，到 2035 年，其流量将达到 2026 年水平的 160 倍。
Physical AI，即能够感知并在现实世界中采取行动的系统，预计将达到起始水平的 105 倍。Nokia 预计，该类别超过 90% 的流量将源自上行链路，即将信息从设备向外传输的连接。
这些预测的起点较小。其运营意义在于所代表的需求类型，而不只是倍数本身。
将传感器信息传送至远程处理系统的网络，与向屏幕提供娱乐内容的网络，面临的是不同的容量问题。额外的下载容量不会自动解决上传限制。
地点进一步增加了决策复杂性。集中在工业场址周边的需求，可能需要与分布在住宅区的需求不同的应对方案。运营商需要区分广泛增长与集中在特定客户或服务区域周边的压力。
固定无线接入，即 FWA，通过蜂窝基础设施向固定地点提供宽带，也增加了一个规划变量。Nokia 预计，到 2035 年，它将产生超过三分之一的消费者蜂窝流量。
这一预测不应被解读为 AI 采用率估计。家庭宽带增长可以独立于自主代理或联网机器而增加蜂窝需求。重叠之处很重要，因为多种服务可能依赖共享基础设施。
Ericsson 的FWA 展望提供了另一项对照。其 2026 年 6 月预测显示，到 2031 年，FWA 将占全球移动网络数据流量的 36%。
这些数字的日期和类别不同，因此不应被视为相互匹配的测量结果。不过，它们确实说明了为何家庭宽带应与新兴 AI 工作负载一同纳入投资讨论。
评估容量的运营商必须考虑其实际服务组合。住宅需求、商业连接和机器流量即便共享网络设备，也可能带来不同要求。
商业问题随之而来。运营商需要有客户愿意为其所要求的服务特性付费，而采购方则需要关于性能的明确承诺。笼统承诺“已为 AI 做好准备”留下了太多未说明之处。
因此，企业采购应区分可用容量与可靠的应用性能。一条连接在孤立演示中可能看似足够，却仍无法回答有关拥塞、中断和恢复的问题。
Nokia AI 流量预测让运营商有理由重新审视这些假设。它并未证明每张网络都需要相同架构，也未证明每项拟议升级都具备即时的商业理由。
实际压力在于让投资决策更加具体。运营商必须将预期需求与实际瓶颈联系起来，客户则必须说明哪些应用结果值得获得更强的连接承诺。
Agent 改变了任务与流量之间的关系
Agent 需求增长背后的机制很简单：用户的一条指令可能会触发用户看不见的信息交换。可见的答案无法完整反映生成它所需的网络活动。
对于自动化工作流，相关的需求单位是已完成的任务及其支撑性交换。
以一个比较文档并准备简报的研究助手为例。它可能会检索源材料、请求模型分析、检查另一份来源并修改答案。即使最终简报很短，支撑过程也可能涉及大量信息交换。
这个例子描述的是一种可能的工作流，而非经过测量的部署。其意义在于，用户看到的内容量与结果背后的活动量并不相同。
推理，即运行训练完成的模型以产生输出的过程，也成为这条链路的一部分。推理在何处运行，决定了哪些连接承载请求、支撑信息和响应。
Cisco 的AI 网络研究为这一机制提供了证据。其测试发现，Agent 每项任务产生的总流量最高可比人工驱动执行高出 450%。
这一结果支持关注自动化工作流，但“最高”一词限制了读者能够得出的结论。它并非适用于每一个助手、应用或组织的通用倍数。任务设计和实现方式仍然至关重要。
这一比较还表明，单靠 token 使用量无法解决网络规划问题。Token 是模型处理的文本或其他内容单位。它们描述模型活动，而一个工作流还可能检索文件、交换工具结果或传输支撑性媒体。
因此，应用团队需要了解完整路径。否则，它们可能将延迟归因于模型，而实际上另一个服务或连接才值得调查。
上下文，即为引导模型响应而提供的信息，也带来另一项设计选择。更多支撑材料可以帮助完成任务，但不必要的传输可能增加工作量，却不改善结果。
对于知识工作者而言，这将基础设施规划与信息组织联系起来。维护良好的 AI knowledge base 可以帮助更清晰地决定助手应检索哪些内容。
这种联系并不能证明任何特定知识工具都会减少网络流量。它突出了一个应用层问题：哪些信息需要传输，哪些材料与任务无关？
开发者在评估重试和重复请求时也会面临同样的问题。在将一个反复请求相似信息的工作流视为不可避免的流量需求之前，应当先进行调查。
物理层面则呈现出一个相关但不同的问题。机器产生信息，可能是因为其周围环境持续变化，而不是因为有人提交了另一项请求。
这里，有用的应用设计必须决定哪些工作需要远程分析，哪些可以在本地完成。只有在应用仍能满足其运行要求时，发送更少的信息才是有益的。
这两类情况都不能简单地证明自动化必然浪费带宽。额外的数据交换可能伴随有价值的工作。规划问题在于，由此产生的流量是否必要、是否被充分理解，以及是否有合适的连接能力支撑。
这就是为什么这一预测的增长值得电信部门以外的领域关注。产品决策决定工作流行为，而工作流行为决定网络最终需要承载的需求。
更靠近用户的处理具有附条件的商业价值
Nokia预计，部分 AI 处理将变得更加分布式。边缘计算意味着在更靠近用户或设备的位置处理数据，而都市网络设施则是在接入连接与远端云服务之间的另一种潜在部署位置。
该公司预测，到 2035 年，边缘和都市基础设施将承载 36% 的 AI 原生流量。它也预计，大多数 AI 流量仍将留在中央云端。
投资决策的关键在于每项工作负载应部署在哪里，答案取决于性能、运营复杂度和数据要求。
这是一项架构选择，而非普遍迁移时间表。将工作负载移近用户，会改变计算资源需要安装、维护、保护和更新的位置。
对企业而言，在应用需求尚未明确之前，近距离部署可能颇具吸引力。但如果相关延迟发生在工作流的其他环节，本地设施的价值就很有限。
Cisco提供了一个有价值的审慎比较。其研究指出，在所考察的工作负载中，模型处理目前主导端到端推理延迟。该公司认为，仅凭网络延迟尚不足以证明应广泛转向边缘推理架构。
这一发现并未否定 Nokia 的长期预测。两家公司讨论的是不同的时间跨度和问题。Cisco 的观察针对当前性能，而 Nokia 则模拟未来应用和部署选择的发展。
这一比较确实挑战了基础设施营销中的一种捷径思维。涉及 AI 的应用并不天然需要附近的计算能力，而附近的计算能力也不一定自动改善用户关心的结果。
采购方需要识别真正的需求。应用是在等待信息传输、远程处理、另一套业务系统，还是人工审批？每种答案都指向不同的干预方式。
数据主权，即关于数据存储或处理地点的要求，也可能影响部署位置。此类要求应与性能分开讨论，因为即使远程服务的性能足够，合规约束仍可能适用。
运营韧性带来了另一项考量。分布式应用需要明确决定，当某个站点失去对支撑服务的访问时应如何处理。地理上的接近本身并不能回答这个问题。
对开发者而言，合理的架构应从应用的依赖关系开始。若将推理移近用户，同时将关键工具留在其他位置，应用可能仍然保留对远程连接的大部分原始依赖。
企业采购方还应审视谁负责运营各个组件。当应用跨越多个位置时，更新、监控、访问控制和事件响应的责任必须保持清晰。
将这一预测视为分布问题时，这些考量会使其更具价值。不同工作负载可能适合不同部署位置，同一组织也可以同时运行多种方案。
当共享资源和集中式运营适合应用时，中央云服务仍然具有意义。当已证实的需求支持时，附近处理能力值得考虑。
最有力的商业论证应将部署位置与可衡量的结果联系起来。部署方案应说明，为何所选位置能够改善性能、满足数据要求，或支持可靠运行。
缺少这种联系，组织就可能只是在购买一个架构标签。Nokia 所预期的长期转变，将取决于那些能够在应用层面证明价值的实际部署决策。
预测的假设比其精确度更重要
长期预测有助于组织做好准备，但其表面上的数字精确度可能掩盖不确定性。采用情况、应用设计、本地处理和服务经济性，都会影响一个新兴类别走向全球总量的路径。
对 Nokia 预测最有力的解读，是保留其假设条件，避免将预测需求等同于有保证的设备支出。
先看增长倍数。一个规模较小的类别可以快速增长，但其最终贡献仍取决于采用情况。单靠倍数无法说明哪些用户会加入、他们会做什么，或其流量将流向何处。
部署选择同样重要。主要在设备上运行的工作流，与依赖远程交互的类似服务相比，对网络有不同影响。预测必须对这些选择将如何演变作出假设。
效率带来另一种不确定性。开发者可以改变应用完成某项任务时发送的信息量；他们也可以扩展应用试图完成的工作，即便单项操作有所改善，仍会产生额外需求。
最终的平衡是一个实证问题。不能通过假设效率会消除增长，或每一次改进必然带来更多流量来解决。
分类带来独立挑战。Nokia 的定义包括受 AI 推荐影响而增加的消费者流量。估算这部分增量，需要对原本可能发生的活动作出反事实判断。
因此，读者应区分可以直接观测的类别与需要行为建模的类别。两者都能为规划提供信息，但提供的是不同类型的证据。
跨厂商比较同样需要类似的严谨性。Cisco 预测，到 2035 年，AI 推理将占网络流量的四分之一。这个数字不应被表述为对 Nokia 更广义 AI 驱动流量份额的直接反驳。
推理流量和 AI 驱动流量描述的是不同范围。若要进行有意义的比较，应先统一纳入的应用、网络边界和统计方法，再解读差异。
商业激励也值得承认。Nokia、Cisco 和 Ericsson 都销售受益于网络投资的基础设施。它们的研究可以包含有价值的证据，同时也服务于商业目标。
这并不意味着应当否定其发现，而是支持要求其在供应商预测之外提供透明的方法、现场测量和客户成果。
现有证据同样无法证明网络就绪度将普遍崩溃。压力可能并不均衡，限制可能出现在特定地点或应用中，而非同时遍及所有地方。
仅凭全球总量无法识别这些地点。运营商在将全球趋势转化为具体建设或采购决策前，需要本地证据。
对企业采购方而言，实际风险存在于两个方向。低估连接能力，可能导致应用无法达到预期；高估其要求，则可能在需求或运营价值尚不明确前就投入资源。
Nokia 的 AI 流量预测最适合作为结构化规划情景。它识别出值得验证的假设，同时为应用行为和部署选择的变化留出空间。
这种做法能让新闻保持适当比例。该报告强化了测量 AI 工作负载的理由，而具体投资的时机和规模仍是需要更近距离证据支持的决策。
至 2027 年初值得关注的三个信号
未来几个月无法验证一项截至 2035 年的预测。但它们可以提供证据，说明其底层机制是否正出现在商业网络和企业部署中。
近期观察应依次聚焦于已测量的流量行为、客户采用情况和部署经济性。
第一个信号是运营商披露可识别 AI 部署中的上行需求。有效证据应将流量模式与具体应用联系起来，并将其与普通宽带增长区分开来。
显示持续上行限制的测量结果，将强化现有规划假设需要调整的理由。显示仍有充足余量的报告，则支持更具选择性的投资应对。
背景与结果同样重要。读者应关注部署环境、测量周期、应用行为和网络条件。脱离这些细节，孤立的性能数据能提供的指导有限。
第二个信号是智能体和互联机器的持续商业使用。试点可以揭示技术要求，但持续运行更能证明这些要求是否会转化为持久需求。
最具参考价值的披露应说明活跃使用情况、已完成任务、运营地点和客户扩张。仅仅增加 AI 术语的公告，对评估流量预测的帮助较小。
持续部署将支持 Nokia 的需求论点。采用缓慢、工作流被放弃，或应用更多工作在本地完成，则会削弱依赖远程交互扩张的假设。
第三个信号是支持处理位置选择的证据。客户和供应商应说明，为何某项工作负载适合部署在中央云、都市设施、附近站点或设备上。
显示应用收益的对比结果，将强化分布式处理的理由。若结果主要受模型执行或其他远程依赖主导，则支持更谨慎的架构应对。
在这些比较中，运营经济性应与性能并列考虑。技术上成功的部署，仍需要一套可持续的安排来维护设备、软件、安全和服务支持。
投资者不应将一般性的 AI 需求视为某一供应商未来业绩的证明。运营商应将扩张计划与实际网络状况相联系。企业采购方应要求与应用结果挂钩的承诺。
未来几个月，请将 Nokia 的 AI 流量预测与您依赖的网络和应用证据一并解读。要求供应商说明数据流向何处、哪种连接限制影响性能，以及在持续使用下会发生什么变化。将这些假设保存在部署记录中，然后随着采用率增长，将它们与观察到的行为进行比较。对于知识团队，这意味着应将检索和处理选择与模型质量一并记录。对于运营商，这意味着要将家庭宽带增长与新兴机器工作负载区分开来。在扩展 AI 部署之前，您的团队能否识别其产生的流量，以及该流量必须满足的服务要求？
