我们的世界充满了激动人心的技术，这些技术有望为企业开启新的可能性。 在某些情况下，两种新兴技术的融合会放大两者的优势，而 AI 和 5G 就是此类互补技术的完美示例。

我们的世界充满了激动人心的技术，这些技术有望为企业开启新的可能性。 在某些情况下，两种新兴技术的融合会放大两者的优势，而 AI 和 5G就是此类互补技术的完美示例。

(相关资料图)

每一种都有巨大的潜力，但一起使用时效果会更好。

为什么位置对 AI 很重要

AI 工作流程涉及从多个来源获取大量数据来训练模型，然后使用这些模型生成自动化的、数据驱动的结果。 随着越来越多的数据在边缘生成，AI工作流中的不同步骤(工作负载)将根据性能、隐私、灵活性和成本要求在不同位置执行，这被称为分布式 AI。 许多企业现在都在与分布式 AI 协调器合作，帮助他们将AI 训练和推理工作负载转移到适当的位置。

模型推理和模型训练的要求截然不同。 模型训练需要更多资源，因此通常在大型数据中心或公共云中运行。相比之下，模型推理对延迟更敏感，通常在数字边缘运行，它更接近数据源。

为什么位置对 5G 很重要

5G 的成功取决于在正确的地方拥有正确的基础设施，而它的承诺就是实现企业级无线服务。 在启用这些服务时，用户平面功能 (UPF) 是 5G网络基础设施中最重要的组件之一，负责解封装 5G 用户流量，以便它可以离开无线网络并转移到外部网络，例如 互联网或云生态系统。

由于 5G 用户想要访问的应用程序在这些外部网络上运行，因此在 UPF 所在的位置拥有可靠、低延迟的连接至关重要。 因此，将 UPF从核心网络转移到数字边缘是电信运营商可以采取的释放其 5G 基础设施全部价值的最重要步骤之一。

5G 帮助 AI 摆脱设备和本地基础设施

许多人工智能用例都有严格的性能要求; 满足这些要求的一种方法是在设备本身上执行推理或使用非常靠近设备存储的本地服务器。这些类型的服务器通常位于体育场、零售店、机场和其他任何需要快速处理 AI 数据的地方。这种方法有其局限性：在设备上进行复杂的人工智能推理处理会很快耗尽电池电量，而且设备上的人工智能硬件通常不够强大，无法完成所需的处理。

此外，许多人工智能用例需要从多个来源聚合数据，而且设备上通常没有足够的内存/存储空间来托管不同的数据集。 同样，在本地机柜中进行 AI推理存在物理安全、物理空间限制、无法提供所需功率以及维护硬件的更高 OPEX 等问题。 由于 5G 网络提供高带宽连接，现在可以托管 AI推理基础设施，并将所需的数据集缓存在靠近数据生成位置的 5G 基础设施中。 因此，AI 推理任务可以从设备和本地位置转移到同一城域中附近网络服务提供商(NSP) 5G 基础设施的 5G 多路访问边缘计算 (MEC) 位置。

与 5G 网络位于同一地点有助于满足应用程序的延迟和带宽要求，同时还允许企业将其 AI 基础设施从设备或本地壁橱中移开。 根据运营商 5G部署架构和应用延迟要求，5G MEC 基础设施可以位于微数据中心(例如基站)、云 5G 区域(例如 AWS Wavelength)或宏数据中心，例如Equinix IBX。

AI使能5G网络更好的切片和维护

5G 最强大的方面之一是它允许 NSP 执行网络切片，本质上是为不同类别的用户和应用程序提供不同类别的网络服务。 今天的 NSP 可以应用由 AI模型支持的预测分析来实现更智能的网络切片，为此，他们可以收集不同应用程序的元数据，包括这些应用程序在特定网络条件下的表现。 当 5G基础设施和人工智能模型都位于边缘时，很容易获得关于不同应用程序可能需要什么样的服务质量的预测性见解，并将它们相应地分类到不同的网络切片中。

此外，NSP 可以提取网络的日志和使用数据，并使用它来训练支持主动维护和管理的 AI 模型。 这些模型可以帮助检测指示可能的服务中断或用户流量激增的情况。然后网络可以自动做出反应以防止中断或提供额外的容量。 同样，在数字边缘同时拥有 5G 和 AI 基础设施是充分利用此功能的关键。