开放与可编程AI-RAN的成本建模与收入机会的技术经济框架

5G网络的大规模部署并未为移动网络运营商带来预期的投资回报，引发了对未来6G部署经济可行性的担忧。与此同时，对人工智能（AI）推理和训练工作负载的激增需求正在挤压全球计算能力。AI-RAN架构将图形处理器（GPU）加速的无线接入网（RAN）平台在非高峰时段与AI工作负载共享闲置容量，提供了一条改善资本效率的潜在途径。然而，此类系统的经济论证尚未得到证实。在本文中，我们通过将5G第一层处理在异构平台上的公开基准——从用于信道编码的x86服务器到现代GPU——与真实流量模型和大型语言模型（LLM）推理的AI服务需求特征相结合，呈现了AI-RAN部署的技术经济分析。我们构建了一个联合成本和收入模型，量化了基于GPU的RAN部署中可用的剩余计算容量，并评估了将其租赁给AI租户的回报。我们的结果表明，在涵盖令牌贬值、需求动态变化和多样化GPU服务密度的各种场景中，GPU密集型部署的额外资本和运营支出被AI-on-RAN收入所抵消，实现了高达8倍的投资回报。这些发现加强了加速器基础RAN架构和未来6G部署的长期经济论证。