- 邊緣 AI 是在更接近資料產生來源的位置執行 AI 演算法與運算，例如攝影機、感測器、物聯網裝置或本地邊緣系統；雲端 AI 則將資料傳送至集中式雲端基礎架構進行處理。邊緣 AI 適合需要即時本地處理與資料過濾的任務，而雲端 AI 則適合複雜分析、集中式模型管理、歷史資料分析與多站點協調。
撰文 & 採訪 : 光寶科技 LITEON 編輯部 （企業品牌價值發展中心）
技術審稿 : 光寶科技 核心競爭力中心
傳統 RAN 系統（RAN systems）主要是為了提供穩定可靠的行動連線能力而建置，但在許多部署情境中，硬體、軟體與網路功能往往緊密綁定於單一供應商環境。這種模式讓電信營運商能夠大規模掌控網路效能，卻也降低了無線接取層（radio layer）的靈活性，尤其當新的 AI 引擎、邊緣應用或第三方控制功能需要直接存取網路資料時，封閉架構的限制便會更加明顯。AI-RAN 架構則將這種封閉式設計，轉化為開放、可程式化且軟體定義的基礎設施。
Open RAN 並不會讓所有部署案突然變得更便宜或更高效。其價值取決於整合品質、介面成熟度、系統驗證，以及實際營運與維運能力。透過開放無線電、分散式、集中式與管理功能中選定的介面，Open RAN 為 AI-RAN 邊緣運算（AI-RAN edge computing）與 AI 原生控制（AI-Native control）提供了必要的技術條件。ATIS、ETSI 與 TTA 也正逐步採納 O-RAN 標準，這顯示 Open RAN 正朝向更廣泛的區域標準化發展。未來，基地台不再只是連線端點。以Open RAN為基礎的AI-RAN 將讓無線網路成為一層智慧基礎設施，使資料、運算與政策驅動最佳化能夠更靠近使用者、裝置與企業應用運作。
AI-RAN 聯盟（AI-RAN Alliance）將 AI-RAN 的發展歸納為三個相互連結的方向。
這三個方向不應被視為彼此獨立的產品或部署選項，而是同一套 AI-RAN 架構中的不同層次，並且可能隨著網路變得更加開放、智慧化且具備服務感知能力（service-aware）而共同存在。
對電信營運商、私有網路業者與系統整合商而言，這項演進代表基礎設施正從以連線為優先，轉向 AI 原生平台。AI-RAN 邊緣運算能讓無線節點（radio nodes）不只是傳輸訊號，也能更快速地進行本地決策、提供更動態的資源配置，並支援仰賴低延遲網路智慧存取的新型企業服務。
在以雲端為中心的網路模式（cloud-centric network model）中，資料通常會從端點傳送至無線網路，再透過傳輸鏈路（transport links）回傳到遠端雲端環境，待決策完成後才返回。這樣的延遲對一般資料服務而言可以接受。然而，在 AGV 協調、工業控制、自主移動、智慧交通、定位（與即時安全監控等應用情境中，處理鏈中每多一個傳輸節點，都可能增加反應時間、消耗上行容量，並降低系統可預測性（system predictability）。在這樣的情境下，AI-RAN 架構將無線網路的角色，從單純的轉送層轉變為本地決策支援層。
ITU IMT-2020 要求（ITU IMT-2020 requirements）將使用者平面延遲（user-plane latency）的最低目標設定為 eMBB 4 ms、URLLC 1 ms，這也突顯了運算部署位置對於時間敏感型服務（time-sensitive services）的重要性。
在合適的部署情境中，將特定運算資源放置在更靠近無線邊緣（radio edge）的位置，相較於完全仰賴雲端處理，有助於降低延遲。根據內部討論所提及的案例研究，視工作負載類型（workload type）、網路設計、運算部署位置與部署條件而定，反應時間可從 15 ms 降至 3 ms。重點並不是每一個 AI-RAN 站點都能達到相同數字，而是 AI-RAN 邊緣運算為電信營運商與企業提供了一種可行方式，讓時間敏感型任務能夠在更靠近無線資料產生的位置被處理。
並非每一項 AI 任務都必須在網路中的同一個位置執行。
此混合式模型（hybrid model）是 AI 原生電信策略的核心，因為它能將工作負載配置到最高效的執行位置。這項決策應根據三個實務問題來判斷。
依循這樣的思路，光寶的角色在於實現這一層具備彈性的基礎設施，讓 AI 工作負載能夠分配至裝置、邊緣無線節點與雲端環境，而不必強迫每一種應用情境都套用同一種固定的運算模式。
光寶參與 AI-RAN 生態系的起點，始於無線電單元層（Radio Unit layer）。在這一層中，射頻行為、同步、前傳穩定性與軟體控制都會影響網路效能。光寶專注於 RU 層級工程，以及無線電硬體與軟體行為之間的緊密協調。這一點相當重要，因為有效的 AI-RAN 架構需要無線接取層能夠提供可用資料、可預測地回應控制邏輯，並在 Open RAN 環境中維持穩定運作。
光寶進一步透過最佳化並開放軟體 API 來強化這一定位，使 AI 引擎能夠存取相關的無線網路資訊，並進行更精準的調整。透過更完善的無線資料與控制參數存取能力，AI 應用可用於效能調校、服務品質管理與能源感知運作 。光寶的 RU 設計符合AI-RAN 生態系方向，並強化無線電單元（radio unit）作為經驗證、AI-ready 基礎設施層的角色，使其能夠跨多種 DU 平台運作，並支援更具彈性的多供應商 Open RAN 部署。
隨著 5G 網路部署於更高密度的私有網路、工業與城市環境中，挑戰已不再只是部署單一、孤立的基地台，而是如何將多個站點協調為一套完整的營運系統。光寶的 SMO (5G O-RAN Service Management and Orchestration , SMO) 提供遠端設定、監控、部署支援、故障排除與大規模營運所需的管理層。同時，RIC (RAN Intelligent Controller, RIC) 則透過標準介面呈現特定基地台資訊，以支援分析、第三方應用與政策驅動的網路行為，進而實現更智慧化的控制。
協調能力對 AI-RAN 邊緣運算至關重要，因為它需要在不陷入各站點分散營運的情況下管理本地智慧。光寶的方法並不只是單獨最佳化某一座基地台，而是能夠實現網路層級的能源解決方案（network-level energy solutions），例如在離峰時段關閉部分站點，並由鄰近站點補足服務覆蓋範圍。這正是 SMO 與 RIC 協助電信營運商邁向 AI 原生營運模式的方式，讓無線效能、應用需求與能源政策能夠在更大範圍的網路環境中統一管理。
AI-RAN 正逐步超越實驗室驗證階段，但其商業化導入仍取決於嚴謹的成本控管與分階段部署規劃。高階 GPU 基礎設施可能拉高導入門檻，尤其當電信營運商需要在新增運算能力、站點供電、空間、散熱與應用成熟度之間取得平衡時。因此，更廣泛的採用很可能會依序經歷驗證、受控場域部署與規模化擴展等階段。隨著更小型且更多元的 AI 運算平台進入市場，客戶可以先從特定應用情境著手，再將同一套 AI-RAN 架構延伸至更大規模的網路環境。
根據 GSMA 的資料，行動網路營運商（mobile operators）將在 2025 至 2030 年間投入 1.2 兆美元的資本支出（capex）。因此，AI-RAN 部署（AI-RAN deployment）必須圍繞階段性回報（phased returns）與具體應用情境（use cases）進行規劃。
光寶的發展藍圖相當重要，因為智慧基礎設施並不止於基地台。
這樣的產品邏輯透過串聯網路側智慧（network-side intelligence）與端點側接取（endpoint-side access），進一步強化光寶在 AI-RAN 邊緣運算中的定位。
邁向 6G 的道路是一場演進，而非對 5G 的取代。IMT-2030 標準的制定工作仍在進行中，而隨著電信營運商持續強化開放性、虛擬化、邊緣智慧與網路最佳化，5G 仍將是主要的商業基礎。未來網路可能需要支援更極端的應用情境，例如高移動性連線、密集感測（dense sensing）與應用感知資源控制（application-aware resource control）。在此情境下，AI-RAN 為電信營運商通往 AI 原生網路提供橋接，使網路能夠依據實際應用需求，調整無線行為、運算部署位置與服務品質。
ITU 的 IMT-2030 框架（IMT-2030 framework）提出的研究目標包括 50 至 200 Gbps 的峰值資料傳輸速率、0.1 至 1 ms 的無線網路延遲，以及 500 至 1,000 km/h 的移動性。考量到這些目標，未來網路顯然需要更具適應性的基礎設施。
AI-RAN 代表無線網路正從以連線為目的的架構，轉向能夠支援 AI 處理、邊緣服務與協調式網路控制（coordinated network control）的智慧基礎設施。Open RAN 則為這項轉型提供介面開放性。低延遲運算、自適應工作負載配置與跨站點協調，將決定 AI-RAN 對電信營運商與企業的實際價值。
同時，光寶憑藉其 RU 與 RF 專業能力、整合式軟硬體設計、開放 API、多供應商相容性、SMO、RIC，以及能源感知網路管理，支援這項技術突破，並定位為可擴展 AI-enabled 部署的務實基礎設施合作夥伴。隨著電信基礎設施邁向開放化、軟體定義與 AI 賦能，光寶協助客戶建構無線與邊緣基礎，支援具備快速回應能力的服務、高效率營運，以及面向未來的網路擴展。
了解更多光寶 5G AI-RAN 解決方案。