报告：欧洲网络如何处理 AI 工作负载

AI 改变了人们对优秀移动网络的定义，而业界过去二十年来一直推崇的峰值下载速度指标如今已无法准确预测网络性能。下载速度最快的网络往往并非最适合应对 AI 流量的网络。AI 应用的流畅度和卡顿程度很大程度上取决于网络的上传能力、负载稳定性以及云端访问的稳定性，而这些因素决定了不同网络的性能表现。Ookla 的一份报告重新审视了业界以下载速度为主导的网络性能评分体系，并根据 AI 对网络的实际需求，揭示了当前 5G 移动网络的优势和不足之处。

Ookla解释说，AI流量并非单一类型。文本聊天、语音对话、多模态和AR视觉、生成视频以及智能体活动对网络的负载各不相同，而且它们大多依赖于从未经过下载速度测试的网络部分。AI带来的改变与其说是运营商多年来一直在扩容的原始容量，不如说是流量形态的改变——上传流量更大、始终在线且具有突发性，而非以下载为主且基于会话。

Ookla 提出疑问：如今的 5G 移动网络是否已准备好应对 AI 工作负载？结果发现，答案取决于一些指标，而这些指标远不如下载速度那样受到关注。

它利用 Speedtest Intelligence 2025 年覆盖北美、欧洲、亚太、中东和拉丁美洲 22 个市场和 86 家运营商的 5G 数据，测量上传容量、负载下的延迟以及到云的路径质量，并显示当前 5G 在哪些方面未能满足 AI 的实际需求。

要点总结：

AI 准备程度的顺序与下载速度的顺序不同

数据中最明显的发现是，下载速度并不能可靠地反映 AI 的就绪程度。不同市场在 AI 应用所依赖的延迟方面表现各异：新加坡、阿联酋、马来西亚、芬兰和澳大利亚在基础响应速度方面位居前列。印度的情况则截然不同，尽管其下载速度在所研究的22个市场中排名第九，但其 AI 文本延迟却高达51.6毫秒，未能达到目标值。决定 AI 性能的指标，比如上传速度、负载下的延迟以及云迁移路径排名顺序有所不同，而且随着应用场景转向对话式语音和多模态 AI 等更复杂的应用场景，这种差距还在不断扩大。

网络总体上已经为基于文本的AI 做好了准备，但还没有为接下来的发展做好准备。

以 AI 工作负载阈值衡量，目前的5G网络对于当前主流流量而言表现尚可，但对于未来的需求而言仍有差距。在22个市场中（见上图），有18个市场达到了多服务器延迟低于50毫秒的 AI 文本目标，13个市场达到了低于40毫秒的对话语音目标，其中新加坡以24.6毫秒位居榜首，阿联酋以31.1毫秒紧随其后。

未能达到 AI 文本目标的四个市场也略微超出目标范围：韩国为53毫秒，印度为51.6毫秒，美国为50.5毫秒，西班牙为50.2毫秒。增强现实（AR）和多模态视觉的挑战更大，目前没有一个市场达到低于10毫秒的目标，只有新加坡勉强达到了较为宽松的30毫秒最低标准。

总体而言，即使在最先进的部署中，目前5G网络仍无法满足对性能要求最高的模态的需求。

上传方面的差距最大，而且在大多数市场，这一差距还在扩大。

5G移动网络的部署基于一个稳妥的假设，即人们的消费远大于生产，而 AI 却颠覆了这一假设。AI 文本流量的上行/下行比例已大致达到29/71，而对话和智能体工作负载的上下行比例则接近50/50，但典型的运营商仍然只将约10%的吞吐量分配给上行链路。在超过一半的市场中，即使绝对上传速度有所提升，自2023年以来，这一比例仍然有所下降。

印尼的上传份额在数据集中最高，达到23.9%，但其降幅也最大；而德国则是个例外，是唯一一个上传份额上升的市场，在定向频谱、5G SA和载波聚合技术的推动下，上传份额上升了2.4个百分点。绝对上传速度的差距更大：阿联酋的e&公司以57.50 Mbps的上传速度中位数领跑整个数据集，是美国任何一家运营商的四倍多；而美国在带宽分配方面垫底，仅为5.1%，其中T-Mobile的13.94 Mbps上传速度在众多美国运营商中名列前茅。韩国则展现了单频段策略的局限性，其C频段TDD上传速度达到45.27 Mbps，位居市场第二，但其上传带宽分配比例却仅为7.5%，属于最低之列。

延迟在正常情况下可以保持稳定，但在负载较高时会发生变化。

大多数网络在静态条件下都能达到 AI 的基线水平。但在满负荷运行时，情况则有所不同，而且差异很大。性能下降率（即负载延迟超过基线的倍数）从英国的 3.7 倍到泰国的 11.4 倍不等，泰国的负载延迟中位数甚至高达 960.3 毫秒。

然而，仅凭性能下降率可能会产生误导：新加坡的基线延迟最低，仅为 24.6 毫秒，但其性能下降率却高达 9.2 倍，位列最高之列；而阿联酋的性能下降率处于中等水平，其负载延迟中位数却是所有市场中最低的，仅为 288.4 毫秒——在网络拥堵的情况下，决定 AI 响应速度的并非性能下降率，而是绝对值。同一市场内部的性能差异甚至可以与不同市场之间的差异相媲美。在英国，EE 的最佳负载延迟为 119 毫秒，而 O2 在同一环境下的负载延迟则高达 305 毫秒。

通往云端的路径本身已成为一种限制。

上传和延迟止于网络边缘。AI 的其余旅程从这里延伸到云端，模型在那里运行，而这一环节的重要性日益凸显。

在亚太地区的大部分地区，AI 部署最重要的选择并非选择哪个运营商，而是选择哪个云平台：在澳大利亚，同一市场内速度最快和最慢的云服务提供商之间的延迟差距为 96.6 毫秒，足以使语音和代理应用程序的延迟降至可察觉的程度。

欧洲的情况则截然相反，德国使用 AWS 的延迟为 42.2 毫秒，其速度最快和最慢的云服务提供商之间的延迟差距仅为 2.7 毫秒。巴西的情况则完全不同，所有四个云服务提供商的平均延迟为 149.7 至 163.6 毫秒，这与集中在圣保罗的基础设施和薄弱的直接对等互连有关。

抖动则带来了最终的变数。在平均延迟方面，各个市场的情况大致相同；在第90百分位，最坏情况下的抖动会高出三到六倍，而连接最稳定的国家（如韩国、挪威和新加坡）并非速度最快的，菲律宾和马来西亚的抖动幅度最大。速度和稳定性是通往云端路径的两个独立属性，最适合实时 AI 的市场是那些能够保持连接时间稳定的市场。