为什么边缘计算终于有了它的杀手级应用?

过去十年，边缘计算一直是各种会议上的高频热词。

早期，行业探讨的重心在于“什么是边缘计算”和“为什么需要它”，行业陷入远边缘、近边缘、网络边缘等定义之争；而后，边缘计算开始与 5G、工业互联网、车联网绑定，核心关键词变成“实时性”和“本地决策”，运营商、设备厂商开始推动 MEC（多接入边缘计算）架构；再后来，随着概念逐渐明晰，AI 推理开始下沉到边缘侧，摄像头、机器人、工业设备不只是采集数据，而是能够本地分析、实时响应；如今，随着生成式 AI 和 Agent 兴起，行业讨论重点又从“算力下沉”转向“分布式智能协同”——许多过去停留在理论层面的边缘计算构想，正在真实产业场景中加速落地。

近期，在海外举行的一场专题讨论会上，来自仲量联行、英特尔、爱立信、高通和美国铁塔公司的多位专家，围绕边缘计算的最新趋势展开讨论。参与者横跨房地产、芯片、通信设备与铁塔基础设施等产业链多个环节，不少观点颇具启发性，本文借此进行梳理与分享。

“迟到的”杀手级应用：AI 推理

与会者并未试图给“边缘”下一个唯一标准定义，而是逐渐形成了一种“连续体（continuum）”的共识，即一个横跨中心云、区域边缘、本地边缘乃至企业边缘的灵活且可编程的执行环境。在这一体系中，工作负载会根据时延、隐私、安全与成本需求，被动态部署到不同位置。

在这场讨论中，最值得注意的一个观点是：AI 推理（AI Inferencing）正在成为边缘计算真正的“杀手级应用”。

美国铁塔公司的 Jim Poole 用一句颇为形象的话总结了过去十年的 MEC 发展：“MEC 像是在拿着钉子找锤子。”所谓多接入边缘计算 MEC，是一种网络架构，在网络边缘提供云计算功能和 IT 服务环境，目标是减少延迟，确保高效的网络运营和服务交付，并改善客户体验。

从 MEC 的定义来看，行业其实很早就预判到了未来需要一个分布式计算层，因此运营商与基础设施厂商提前布局了大量边缘节点。但问题在于，当时并没有真正需要这些节点的业务场景。换句话说，基础设施走在了需求前面。这一判断其实也解释了过去几年边缘计算为何长期“雷声大、雨点小”。无论是工业互联网、VR/AR，还是车联网，虽然都被视作边缘计算的重要方向，但这些场景始终没有形成足够规模、足够持续的算力需求。

如今的不同在于需求侧的根本性转变。随着生成式 AI 的普及，无论是用户需要何种想要的答案，都需要上行来提供请求与数据来源，本地产生的高清图像、音频及视频流等原始数据必须实时上传至云端进行处理，导致上行数据量在过去一年中大幅增加。高通的 Koymen 博士表示，用户行为正从以下行链路为主的视频消费，转向以上行链路为中心的 AI 生成流量，智能体数据（Agentic Data）将在未来几年内超过人类生成的数据。爱立信的 Joe Constantine 援引《爱立信移动市场报告》的数据进一步佐证：全球数据流量到 2029 年将增长两倍，而到 2035 年，上行链路流量将增长 10 倍。

这种以“上传-推理-响应”为特征的新模式，对网络延迟和带宽提出了前所未有的要求，这正是边缘计算的用武之地。仲量联行的 Sean Farney 给出了一句断言：“边缘 AI 推理正让基础设施领域重新变得性感起来。”在追逐这一目标 20 年后，行业终于迎来了真正的杀手级应用——AI 推理。它具备两个关键特性：计算密度足够高、对延迟足够敏感，这两者共同“迫使”计算能力不得不从集中的云数据中心向外扩散。

AI 正在迫使数据中心体系“重写一遍”

那么，一个真正面向 AI 时代的边缘节点，究竟会是什么样子？Poole 给出了一组极具冲击力的数据：过去 25 年里，全球约 95% 的数据中心，基本都是围绕每机柜 5-10kW 的功率密度设计的；而如今，新一代 AI 系统的功率密度已经达到每机柜 150 至 200kW，甚至谷歌已展示出单机柜 1MW 的配置方案。

这已经不是优化一下风道设计就能解决的问题。这背后直接带来了两个变化——首先，“企业自建数据中心”正在迅速失去可行性。Poole 表示，在过去二十年里，数据中心行业最大的竞争对手其实一直是企业内部自建机房；但如今，随着 AI 基础设施复杂度与功率密度急剧提升，自建模式已经越来越难成立。“你已经无法再像过去那样，自己建一个数据中心就解决问题了。”

其次，液冷正从“先进方案”变成行业标配，而现场发电（on-site power generation）在美国部分州甚至开始从“可选项”逐渐演变为一种监管要求。

与此同时，算力基础设施的地理分布也在发生巨大变化。如今，北美大部分算力资源仍集中于约 15 个核心都市圈，但 Poole 预测，未来行业将在远短于过去 25 年的发展周期内，迅速扩展至 30 至 50 个二线、三线市场。

真正悬而未决的问题，是未来边缘基础设施究竟会走向“集中化”还是“离散化”：未来会是全国分布着 300 个 10MW 级数据设施，还是在每座通信铁塔旁部署 2000 个 60kW 的边缘机柜？铁塔公司显然更倾向于后者。

作为芯片厂商代表，高通的观点补充了另一个视角：并非所有 AI 推理任务都必须依赖 GPU。Koymen 认为，GPU 非常适合模型训练，但在推理场景中，其成本与功耗都过于高昂；相比之下，部署在终端设备与远边缘侧、专门针对推理优化的 NPU，更适合承担边缘连续体中那些轻量化推理任务。

从某种意义上说，AI 正在把数据中心重新拉回“重工业”属性。而这也意味着，边缘计算的竞争，正在从软件能力逐渐转向能源、地产与基础设施能力，即谁能够更快拿到土地、电力、散热与部署资源——这也是为什么本次讨论中会出现房地产与铁塔基础设施企业。

2028—2029：行业将走向何处？

面对即将到来的变革，专家们也对 2028-2029 年的行业格局给出了具体预测。

高通的 Koymen 将预测与其 6G 路线图挂钩：2028 年出现预商用设备，2029 年与全球运营商同步实现商业化，届时边缘基础设施将支撑起 AI Recall、“所见即所得”的 AR 眼镜以及机器人分布式计算等应用场景。

爱立信的 Constantine 给出了三个更量化的判断：第一，到 2029 年，全球 75% 的数据流量将运行在 5G 网络上；第二，行业将不再争论“边缘是什么”，而是转向争论服务等级协议（SLA）和 TM Forum 四级/五级自动化——这是一个行业从草莽走向成熟的标志；第三，数据中心的可持续发展压力将成为首要的设计约束。

英特尔 Agarwal 的预测则更加偏向产业落地层面，他认为——到 2028 年，类似的行业讨论会将面目一新，台上分享的不再是设备商讨论架构，而是零售商、矿业公司和港口运营商讲述他们从部署中获得的实际投资回报率。他警告行业必须避免重蹈私有无线网络的覆辙：网络建起来了，但成功案例始终没能真正涌现。

Farney 的预测最为长远：人形机器人将开始出现在数据中心的运营中，以帮助填补巨大的劳动力缺口。这种“物理AI”的概念正在成为现实—— NVIDIA 与 T-Mobile 已宣布合作，在 5G 网络边缘部署 AI-RAN 基础设施，让 AI 代理能够在城市路口、工业设施中实时感知和响应，同时借助边缘算力大幅降低对终端设备的要求。

写在最后

不过，相比技术本身，这场讨论最后反而指出了几个更现实的问题：电力、人才与数据。

首先是电力，AI 推理正在让算力需求急剧爆炸，但全球电网建设速度却远远跟不上，Poole 甚至直言，美国电网并不是为这种局部高密度负载设计的；其次是人才，仅仲量联行一家公司，目前就存在上千个数据中心相关岗位缺口；最后则是数据，Constantine 提出了一个值得注意的判断——未来真正胜出的企业，未必是拥有最好模型的公司，而是拥有最高质量数据体系的公司。因为随着模型能力逐渐趋同，数据质量、数据结构与数据治理能力，很可能才是未来 AI 竞争真正的护城河。

综合来看，一幅清晰的图景浮出水面：边缘计算已经走过了“为什么需要它”的理论论证阶段，进入了“如何把它建好”的工程实施阶段。

参考资料：Why the edge finally has its killer use case——RCRWireless时代变了，“大上行”成为通信网络升级聚焦点——moomoo什么是多接入边缘计算（MEC）？——Redhat

本文来自微信公众号 “物联网智库”（ID：iot101），作者：Sophia，36氪经授权发布。