通信网络正在被AI吞噬从“传输比特”到“提供智能”从“被动管道”到“主动计算平台”一个新范式正在形成。这几天关于英伟达 GTC 大会的讨论几乎被老黄的“token 经济学”刷屏了。“未来的数据中心不是存储仓库而是生产智能 Token 的工厂而每瓦性能就是这场竞赛里唯一的硬指标。”用这句话黄仁勋为企业描绘了一种全新的未来竞争范式。从算力成本到推理效率从 Token 价格到 AI 商业模式市场的注意力集中在一个熟悉的问题上如何更高效地生产与消耗“智能”但如果把视线从云端稍微下移会发现另一条同样来自英伟达的消息相对容易被忽略——3 月 16 日英伟达宣布联合 T-Mobile 与诺基亚将物理 AI 应用部署于分布式边缘 AI 网络上试图将无线通信网络升级为高性能边缘 AI 计算平台。相比“token 经济学”对效率与成本的再优化这条消息指向一个更底层的问题当 AI 不再只是生成内容而是要进入现实世界、参与每一次实时决策时我们赖以运行 AI 的网络和计算架构是否需要被重写黄仁勋对于这一问题的答案很直接“网络正在演变为人工智能基础设施使数十亿台设备——从视觉人工智能代理到机器人和自动驾驶汽车——能够实时地看、听和行动。通过与 T-Mobile 和诺基亚合作将 5G 网络转变为分布式人工智能计算机我们正在为全球边缘人工智能基础设施打造一个可扩展的蓝图。”对于一名长期关注物联网与边缘计算的从业者而言这或许才是这届 GTC 更值得关注的信号~打破物理 AI 规模化发展的关键瓶颈此前黄仁勋在多个场合的演讲中都曾介绍过对 AI 发展阶段的预测即 AI 经历了感知 AI、生成式 AI 阶段后现在进入了代理 AI 阶段未来将是物理 AI 时代。如果说生成式 AI 解决的是“理解与生成信息”的问题那么物理 AI 所要面对的则是一个更复杂的命题理解世界并在其中行动。按照英伟达给出的定义“物理 AI 是使用运动技能理解现实世界并与之进行交互的模型它通常以机器人、自动驾驶汽车等自主机器为载体”——我们知道诸如 GPT 和 Llama 等大语言模型在生成人类语言和抽象概念方面能力惊人但它们对物理世界了解有限并受其规则约束但物理 AI 能够理解我们居住的三维世界的空间关系和物理行为因而扩展了当前的生成式 AI。利用物理 AI自主机器能够感知、理解并在现实 (物理) 世界中执行复杂的操作例如自动驾驶汽车可使用传感器感知并理解周围环境以便在各种环境 (从开放式高速公路到城市景观) 中做出明智决策包括但不限于更准确地检测行人对交通或天气条件做出响应并自动变换车道在工业与物流场景中仓库中的自主移动机器人 (AMR) 利用来自机载传感器的直接反馈可以在复杂环境中导航并避开包括人类在内的障碍物机械手可以根据传送带上物体的位姿调整他们的抓力和位置实现精细操作而在城市空间中大量摄像头与传感器构成的系统正在尝试对环境变化进行实时理解与响应。也正是在这一转变中AI 对底层基础设施的要求被彻底改变——因为一旦进入物理世界延迟、可靠性与实时性都可能从“体验问题”变成“生死问题”。许多系统无法容忍高延迟也无法依赖“先上传云端再处理”的经典路径。正如当前行业实践所显示的自动驾驶、机器人和智能城市等场景都需要毫秒级响应与高度可靠的连接能力 。问题由此变得清晰物理 AI 规模化发展的一个关键瓶颈在于“缺乏低延迟、安全且无处不在的连接能力。”传统架构下这一问题有两种解法但都不理想——“全部上云”即终端设备采集数据后上传云端进行处理再返回结果这种模式的问题在于链路过长延迟与稳定性不可控在关键场景中几乎不可用。“全部在端侧完成”把算力尽可能堆叠在设备本身但这同样面临瓶颈终端设备在功耗、成本、体积上的限制使其无法承载复杂模型的持续运行同时设备的算力孤岛化也难以支撑模型的持续迭代与统一调度。也正是在这两种路径之间一个新的架构开始浮现即把计算能力从云端“下沉”但又不完全压在终端而是放在“网络之中”。这正是此次英伟达、T-Mobile 与诺基亚推动的 AI-RAN 架构的核心逻辑将 AI 推理能力部署在靠近终端的网络边缘节点使物理 AI 系统可以将大量计算任务从设备侧卸载到最近的基站或边缘数据中心完成。这一变化带来的直接结果是——开发者不再需要在每一个摄像头、机器人或终端设备上堆叠昂贵算力而是可以依赖网络侧的分布式计算资源以更低成本部署更复杂的 AI 能力。在这一架构下通信网络不再只是“传输数据”而成为承载智能的计算平台从而支撑数十亿设备规模的 AI 应用落地 。领先开发者将推理与视觉 AI 部署至边缘要将网络转变为分布式 AI 计算平台就需要在网络边缘为数十亿终端提供超低延迟和时空一致性而这正是此次英伟达的合作者 T-Mobile 的核心能力所在。不同于覆盖范围和安全性受限的 Wi-FiT-Mobile 的 5G 独立组网提供了广域覆盖和服务质量保障使复杂 AI 智能体能够在繁忙的城市路口、工业设施及偏远地区运行。根据官方发布的新闻稿T-Mobile 正与英伟达认证的物理 AI 开发商包括 Fogsphere、LinkerVision、Levatas、Vaidio 和西门子能源合作演示“基站和移动交换中心如何支持分布式边缘 AI 工作负载”并充分利用公共 5G 网络连接。他们将在该平台上集成英伟达的 Metropolis Blueprint用于视频搜索和摘要VSS功能。英伟达最新版 VSS (3) Blueprint 引入了多模态视觉理解和智能搜索功能并以模块化架构的形式提供可根据不同环境“从零售店到仓库”进行重构。英伟达表示全球有 15 亿个摄像头但只有不到 1% 的视频内容经过人工审核。VSS (3) Blueprint 能够“分解复杂的自然语言查询并在五秒内搜索视频片段以找到特定事件”并且“以比人工审核快 100 倍的速度概括长视频”。当前许多领先开发者正与英伟达和 T-Mobile 合作基于用于视频搜索与总结 (VSS) 的 NVIDIA Metropolis Blueprint将可驱动实时行动的物理 AI 智能体集成到 T-Mobile 的分布式边缘网络中试点应用场景包括智慧城市运营LinkerVision、Inchor 和 Voxelmaps 正在测试基于计算机视觉的集成“城市运营智能体”及数字孪生该系统能够感知、模拟并优化交通信号灯配时目标是将圣何塞的事故响应速度提升 5 倍。公用 (电力) 设施自动化巡检Levatas 正利用英伟达计算能力对数十万英里的输电线路进行 5G 网络自动化巡检以检测并快速处理电线杆倾斜、腐蚀及异常发热等问题且速度可提升至 5 倍。双方目前正在评估 AI-RAN 基础设施以进一步降低成本、缩短故障恢复时间并加速从被动维护转向预测性维护。基于视觉的设施管理Vaidio 等开发者正基于 VSS Blueprint 构建设施管理智能体进行威胁检测和故障预测并触发自动化工作流从而提升设施管理效率。实时工业安全Fogsphere 为 SAIPEM 提供安全 AI 智能体用于在高风险陆地上、海上及钻探施工环境中对危险事件实时检测与响应例如工人处于悬吊物下或发生碳氢化合物泄漏等情况。AI 如何重塑通信网络的角色站在更宏观的视角来看上文所述的变化同样意味着电信行业自身的角色正在发生根本性转变。长期以来通信网络一直被视为“连接基础设施”——其核心任务是高效地在设备之间传输数据。但事实上这一基础设施的规模之庞大足以比拟整个 IT 产业全球电信产业规模接近 2 万亿美元基站遍布城市与乡村是人类社会最广泛分布的技术系统之一。在过去它们承载的是信息流而在 AI-RAN 架构下这些原本主要负责“传输”的节点将被重新定义为分布式计算节点成为人工智能在边缘运行时的基础设施平台。而 AI 对整个通信网络角色的重塑其实早已悄然发生。此前笔者在《LoRa正在争夺物联网新一轮发展周期的”话语权”?》中就提及以 LoRa 联盟为代表的 LPWAN 阵营开始强调“物理 AI”和“行动闭环”等概念并非偶然。在过去的 LPWAN 竞争格局中无论是 NB-IoT、LTE-M还是卫星 IoT技术叙事长期围绕覆盖能力、功耗表现和成本优势展开。LoRaWAN 也曾以“低功耗、低成本、私网灵活、部署弹性强”被广泛认知。然而在 AI 时代它正在尝试重新定义自身角色不仅仅是数据连接协议而是 AI 的数据入口、行动出口以及物理AI的通信神经系统。这一趋势在未来网络架构中将更加明显。6G 的设计理念正在指向“为 AI 而生”而不仅仅是提升速率。2026 年 2 月3GPP SA2 #173 会议在印度果阿落下帷幕其 R20 架构全景报告释放出一个重要信号行业共识已经跨越了单纯的“连接管道”向“原生智慧平台”跃迁。在这一架构下核心网元 AIMFAI 管理功能改变了终端与网络的交互方式以往核心网只负责比特传输而 R20 架构开始提供 MaaS模型即服务。通过梯度拆分机制终端仅需计算底层梯度以保护隐私而核心网承担高层梯度计算。这意味着网络算力将直接参与用户侧大模型的训练与优化而不再只是被动传输信息的管道。放眼全局显而易见的是AI 正在吞噬通信网络而通信网络也正在重塑自己。无论是边缘计算、物理 AI 还是未来 6G 原生智慧网络都预示着一个新范式的形成从“传输比特”到“提供智能”从“被动管道”到“主动计算平台”。在这个新范式下AI 不仅是软件也将成为电信网络的内生属性网络也不仅是基础设施而是承载智能的实时生态系统。如今我们可能真的站在了一个“随处可触、无处不智”的智能世界起点。原文链接黄仁勋的物理AI野望将5G网络转变为分布式AI计算机-36氪
黄仁勋的物理AI野望：将5G网络转变为分布式AI计算机
发布时间：2026/7/5 6:24:18
通信网络正在被AI吞噬从“传输比特”到“提供智能”从“被动管道”到“主动计算平台”一个新范式正在形成。这几天关于英伟达 GTC 大会的讨论几乎被老黄的“token 经济学”刷屏了。“未来的数据中心不是存储仓库而是生产智能 Token 的工厂而每瓦性能就是这场竞赛里唯一的硬指标。”用这句话黄仁勋为企业描绘了一种全新的未来竞争范式。从算力成本到推理效率从 Token 价格到 AI 商业模式市场的注意力集中在一个熟悉的问题上如何更高效地生产与消耗“智能”但如果把视线从云端稍微下移会发现另一条同样来自英伟达的消息相对容易被忽略——3 月 16 日英伟达宣布联合 T-Mobile 与诺基亚将物理 AI 应用部署于分布式边缘 AI 网络上试图将无线通信网络升级为高性能边缘 AI 计算平台。相比“token 经济学”对效率与成本的再优化这条消息指向一个更底层的问题当 AI 不再只是生成内容而是要进入现实世界、参与每一次实时决策时我们赖以运行 AI 的网络和计算架构是否需要被重写黄仁勋对于这一问题的答案很直接“网络正在演变为人工智能基础设施使数十亿台设备——从视觉人工智能代理到机器人和自动驾驶汽车——能够实时地看、听和行动。通过与 T-Mobile 和诺基亚合作将 5G 网络转变为分布式人工智能计算机我们正在为全球边缘人工智能基础设施打造一个可扩展的蓝图。”对于一名长期关注物联网与边缘计算的从业者而言这或许才是这届 GTC 更值得关注的信号~打破物理 AI 规模化发展的关键瓶颈此前黄仁勋在多个场合的演讲中都曾介绍过对 AI 发展阶段的预测即 AI 经历了感知 AI、生成式 AI 阶段后现在进入了代理 AI 阶段未来将是物理 AI 时代。如果说生成式 AI 解决的是“理解与生成信息”的问题那么物理 AI 所要面对的则是一个更复杂的命题理解世界并在其中行动。按照英伟达给出的定义“物理 AI 是使用运动技能理解现实世界并与之进行交互的模型它通常以机器人、自动驾驶汽车等自主机器为载体”——我们知道诸如 GPT 和 Llama 等大语言模型在生成人类语言和抽象概念方面能力惊人但它们对物理世界了解有限并受其规则约束但物理 AI 能够理解我们居住的三维世界的空间关系和物理行为因而扩展了当前的生成式 AI。利用物理 AI自主机器能够感知、理解并在现实 (物理) 世界中执行复杂的操作例如自动驾驶汽车可使用传感器感知并理解周围环境以便在各种环境 (从开放式高速公路到城市景观) 中做出明智决策包括但不限于更准确地检测行人对交通或天气条件做出响应并自动变换车道在工业与物流场景中仓库中的自主移动机器人 (AMR) 利用来自机载传感器的直接反馈可以在复杂环境中导航并避开包括人类在内的障碍物机械手可以根据传送带上物体的位姿调整他们的抓力和位置实现精细操作而在城市空间中大量摄像头与传感器构成的系统正在尝试对环境变化进行实时理解与响应。也正是在这一转变中AI 对底层基础设施的要求被彻底改变——因为一旦进入物理世界延迟、可靠性与实时性都可能从“体验问题”变成“生死问题”。许多系统无法容忍高延迟也无法依赖“先上传云端再处理”的经典路径。正如当前行业实践所显示的自动驾驶、机器人和智能城市等场景都需要毫秒级响应与高度可靠的连接能力 。问题由此变得清晰物理 AI 规模化发展的一个关键瓶颈在于“缺乏低延迟、安全且无处不在的连接能力。”传统架构下这一问题有两种解法但都不理想——“全部上云”即终端设备采集数据后上传云端进行处理再返回结果这种模式的问题在于链路过长延迟与稳定性不可控在关键场景中几乎不可用。“全部在端侧完成”把算力尽可能堆叠在设备本身但这同样面临瓶颈终端设备在功耗、成本、体积上的限制使其无法承载复杂模型的持续运行同时设备的算力孤岛化也难以支撑模型的持续迭代与统一调度。也正是在这两种路径之间一个新的架构开始浮现即把计算能力从云端“下沉”但又不完全压在终端而是放在“网络之中”。这正是此次英伟达、T-Mobile 与诺基亚推动的 AI-RAN 架构的核心逻辑将 AI 推理能力部署在靠近终端的网络边缘节点使物理 AI 系统可以将大量计算任务从设备侧卸载到最近的基站或边缘数据中心完成。这一变化带来的直接结果是——开发者不再需要在每一个摄像头、机器人或终端设备上堆叠昂贵算力而是可以依赖网络侧的分布式计算资源以更低成本部署更复杂的 AI 能力。在这一架构下通信网络不再只是“传输数据”而成为承载智能的计算平台从而支撑数十亿设备规模的 AI 应用落地 。领先开发者将推理与视觉 AI 部署至边缘要将网络转变为分布式 AI 计算平台就需要在网络边缘为数十亿终端提供超低延迟和时空一致性而这正是此次英伟达的合作者 T-Mobile 的核心能力所在。不同于覆盖范围和安全性受限的 Wi-FiT-Mobile 的 5G 独立组网提供了广域覆盖和服务质量保障使复杂 AI 智能体能够在繁忙的城市路口、工业设施及偏远地区运行。根据官方发布的新闻稿T-Mobile 正与英伟达认证的物理 AI 开发商包括 Fogsphere、LinkerVision、Levatas、Vaidio 和西门子能源合作演示“基站和移动交换中心如何支持分布式边缘 AI 工作负载”并充分利用公共 5G 网络连接。他们将在该平台上集成英伟达的 Metropolis Blueprint用于视频搜索和摘要VSS功能。英伟达最新版 VSS (3) Blueprint 引入了多模态视觉理解和智能搜索功能并以模块化架构的形式提供可根据不同环境“从零售店到仓库”进行重构。英伟达表示全球有 15 亿个摄像头但只有不到 1% 的视频内容经过人工审核。VSS (3) Blueprint 能够“分解复杂的自然语言查询并在五秒内搜索视频片段以找到特定事件”并且“以比人工审核快 100 倍的速度概括长视频”。当前许多领先开发者正与英伟达和 T-Mobile 合作基于用于视频搜索与总结 (VSS) 的 NVIDIA Metropolis Blueprint将可驱动实时行动的物理 AI 智能体集成到 T-Mobile 的分布式边缘网络中试点应用场景包括智慧城市运营LinkerVision、Inchor 和 Voxelmaps 正在测试基于计算机视觉的集成“城市运营智能体”及数字孪生该系统能够感知、模拟并优化交通信号灯配时目标是将圣何塞的事故响应速度提升 5 倍。公用 (电力) 设施自动化巡检Levatas 正利用英伟达计算能力对数十万英里的输电线路进行 5G 网络自动化巡检以检测并快速处理电线杆倾斜、腐蚀及异常发热等问题且速度可提升至 5 倍。双方目前正在评估 AI-RAN 基础设施以进一步降低成本、缩短故障恢复时间并加速从被动维护转向预测性维护。基于视觉的设施管理Vaidio 等开发者正基于 VSS Blueprint 构建设施管理智能体进行威胁检测和故障预测并触发自动化工作流从而提升设施管理效率。实时工业安全Fogsphere 为 SAIPEM 提供安全 AI 智能体用于在高风险陆地上、海上及钻探施工环境中对危险事件实时检测与响应例如工人处于悬吊物下或发生碳氢化合物泄漏等情况。AI 如何重塑通信网络的角色站在更宏观的视角来看上文所述的变化同样意味着电信行业自身的角色正在发生根本性转变。长期以来通信网络一直被视为“连接基础设施”——其核心任务是高效地在设备之间传输数据。但事实上这一基础设施的规模之庞大足以比拟整个 IT 产业全球电信产业规模接近 2 万亿美元基站遍布城市与乡村是人类社会最广泛分布的技术系统之一。在过去它们承载的是信息流而在 AI-RAN 架构下这些原本主要负责“传输”的节点将被重新定义为分布式计算节点成为人工智能在边缘运行时的基础设施平台。而 AI 对整个通信网络角色的重塑其实早已悄然发生。此前笔者在《LoRa正在争夺物联网新一轮发展周期的”话语权”?》中就提及以 LoRa 联盟为代表的 LPWAN 阵营开始强调“物理 AI”和“行动闭环”等概念并非偶然。在过去的 LPWAN 竞争格局中无论是 NB-IoT、LTE-M还是卫星 IoT技术叙事长期围绕覆盖能力、功耗表现和成本优势展开。LoRaWAN 也曾以“低功耗、低成本、私网灵活、部署弹性强”被广泛认知。然而在 AI 时代它正在尝试重新定义自身角色不仅仅是数据连接协议而是 AI 的数据入口、行动出口以及物理AI的通信神经系统。这一趋势在未来网络架构中将更加明显。6G 的设计理念正在指向“为 AI 而生”而不仅仅是提升速率。2026 年 2 月3GPP SA2 #173 会议在印度果阿落下帷幕其 R20 架构全景报告释放出一个重要信号行业共识已经跨越了单纯的“连接管道”向“原生智慧平台”跃迁。在这一架构下核心网元 AIMFAI 管理功能改变了终端与网络的交互方式以往核心网只负责比特传输而 R20 架构开始提供 MaaS模型即服务。通过梯度拆分机制终端仅需计算底层梯度以保护隐私而核心网承担高层梯度计算。这意味着网络算力将直接参与用户侧大模型的训练与优化而不再只是被动传输信息的管道。放眼全局显而易见的是AI 正在吞噬通信网络而通信网络也正在重塑自己。无论是边缘计算、物理 AI 还是未来 6G 原生智慧网络都预示着一个新范式的形成从“传输比特”到“提供智能”从“被动管道”到“主动计算平台”。在这个新范式下AI 不仅是软件也将成为电信网络的内生属性网络也不仅是基础设施而是承载智能的实时生态系统。如今我们可能真的站在了一个“随处可触、无处不智”的智能世界起点。原文链接黄仁勋的物理AI野望将5G网络转变为分布式AI计算机-36氪
