我們的世界充滿了激動人心的技術，這些技術有望為企業開啟新的可能性。 在某些情況下，兩種新興技術的融合會放大兩者的優勢，而 AI 和 5G 就是此類互補技術的完美示例。

每一種都有巨大的潛力，但一起使用時效果會更好。

為什么位置對 AI 很重要

AI 工作流程涉及從多個來源獲取大量數據來訓練模型，然后使用這些模型生成自動化的、數據驅動的結果。 隨著越來越多的數據在邊緣生成，AI 工作流中的不同步驟(工作負載)將根據性能、隱私、靈活性和成本要求在不同位置執行，這被稱為分布式 AI。 許多企業現在都在與分布式 AI 協調器合作，幫助他們將 AI 訓練和推理工作負載轉移到適當的位置。

模型推理和模型訓練的要求截然不同。 模型訓練需要更多資源，因此通常在大型數據中心或公共云中運行。 相比之下，模型推理對延遲更敏感，通常在數字邊緣運行，它更接近數據源。

為什么位置對 5G 很重要

5G 的成功取決于在正確的地方擁有正確的基礎設施，而它的承諾就是實現企業級無線服務。 在啟用這些服務時，用戶平面功能 (UPF) 是 5G 網絡基礎設施中最重要的組件之一，負責解封裝 5G 用戶流量，以便它可以離開無線網絡并轉移到外部網絡，例如 互聯網或云生態系統。

由于 5G 用戶想要訪問的應用程序在這些外部網絡上運行，因此在 UPF 所在的位置擁有可靠、低延遲的連接至關重要。 因此，將 UPF 從核心網絡轉移到數字邊緣是電信運營商可以采取的釋放其 5G 基礎設施全部價值的最重要步驟之一。

5G 幫助 AI 擺脫設備和本地基礎設施

許多人工智能用例都有嚴格的性能要求; 滿足這些要求的一種方法是在設備本身上執行推理或使用非常靠近設備存儲的本地服務器。 這些類型的服務器通常位于體育場、零售店、機場和其他任何需要快速處理 AI 數據的地方。 這種方法有其局限性：在設備上進行復雜的人工智能推理處理會很快耗盡電池電量，而且設備上的人工智能硬件通常不夠強大，無法完成所需的處理。

此外，許多人工智能用例需要從多個來源聚合數據，而且設備上通常沒有足夠的內存/存儲空間來托管不同的數據集。 同樣，在本地機柜中進行 AI 推理存在物理安全、物理空間限制、無法提供所需功率以及維護硬件的更高 OPEX 等問題。 由于 5G 網絡提供高帶寬連接，現在可以托管 AI 推理基礎設施，并將所需的數據集緩存在靠近數據生成位置的 5G 基礎設施中。 因此，AI 推理任務可以從設備和本地位置轉移到同一城域中附近網絡服務提供商 (NSP) 5G 基礎設施的 5G 多路訪問邊緣計算 (MEC) 位置。

與 5G 網絡位于同一地點有助于滿足應用程序的延遲和帶寬要求，同時還允許企業將其 AI 基礎設施從設備或本地壁櫥中移開。 根據運營商 5G 部署架構和應用延遲要求，5G MEC 基礎設施可以位于微數據中心(例如基站)、云 5G 區域(例如 AWS Wavelength)或宏數據中心，例如 Equinix IBX。

AI使能5G網絡更好的切片和維護

5G 最強大的方面之一是它允許 NSP 執行網絡切片，本質上是為不同類別的用戶和應用程序提供不同類別的網絡服務。 今天的 NSP 可以應用由 AI 模型支持的預測分析來實現更智能的網絡切片，為此，他們可以收集不同應用程序的元數據，包括這些應用程序在特定網絡條件下的表現。 當 5G 基礎設施和人工智能模型都位于邊緣時，很容易獲得關于不同應用程序可能需要什么樣的服務質量的預測性見解，并將它們相應地分類到不同的網絡切片中。

此外，NSP 可以提取網絡的日志和使用數據，并使用它來訓練支持主動維護和管理的 AI 模型。 這些模型可以幫助檢測指示可能的服務中斷或用戶流量激增的情況。 然后網絡可以自動做出反應以防止中斷或提供額外的容量。 同樣，在數字邊緣同時擁有 5G 和 AI 基礎設施是充分利用此功能的關鍵。