Η Orange βγάζει το AI-RAN της Nokia από το εργαστήριο και το δοκιμάζει σε ζωντανό δίκτυο
Ο γαλλικός όμιλος ξεκινά δοκιμές της πλατφόρμας AI-RAN της Nokia σε πραγματικές συνθήκες, θέτοντας υπό εξέταση τα οφέλη σε φασματική απόδοση και ενέργεια — αλλά και το ευρύτερο στοίχημα του κοινόχρηστου υπολογιστικού πόρου για φορτία AI.
Η Orange ετοιμάζεται να μεταφέρει την πλατφόρμα AI-RAN της Nokia από το εργαστήριο στο ζωντανό της δίκτυο, όπως ανακοίνωσε στο Intelligent RAN Forum. Ο όμιλος θέτει σε εμπορική δοκιμή τις υποσχέσεις της Nokia για βελτιώσεις στη φασματική απόδοση και στην κατανάλωση ενέργειας, ενώ παράλληλα διερευνά αν η πλατφόρμα μπορεί να εξελιχθεί σε μηχανή για παράλληλα φορτία τεχνητής νοημοσύνης, πέρα από την απλή βελτιστοποίηση του RAN. Το ρεπορτάζ ανήκει στο RCR Wireless.
Ξεκίνημα σε μικρή κλίμακα
Η Orange δηλώνει ότι θα ξεκινήσει προσεκτικά, αξιολογώντας πρώτα την απόδοση, την ενεργειακή αποδοτικότητα, τις λειτουργικές επιπτώσεις και το συνολικό κόστος ιδιοκτησίας (TCO) πριν προχωρήσει σε κλιμάκωση. «Είμαστε έτοιμοι να δοκιμάσουμε σε πραγματικές συνθήκες, όχι μόνο στο εργαστήριό μας», ανέφερε ο Laurent Leboucher, group chief technology officer και εκτελεστικός αντιπρόεδρος δικτύων της Orange, κατά τη διάρκεια πάνελ στην εκδήλωση. «Ξεκινάμε από μικρή κλίμακα, ώστε να κατανοήσουμε πραγματικά την αξία που μπορεί να μας φέρει. Όταν πειστούμε και νιώσουμε πλήρως άνετα με όλες τις λειτουργικές πτυχές, θα αποφασίσουμε να προχωρήσουμε και να επεκταθούμε.»
Ο όμιλος αναμένεται να αναπτύξει και τα τρία μοντέλα υλοποίησης της Nokia, ξεκινώντας πιθανότατα με τα plug-ins για την υπάρχουσα υποδομή AirScale, επεκτεινόμενος σε νέους αυτόνομους κόμβους AI-RAN και, τέλος, σε cloud-native υλοποίηση.
Τα νούμερα της Nokia
Η Nokia, επίσης στο πάνελ, υποστηρίζει ότι έχει επιτύχει βελτιώσεις της τάξης του 20% στη φασματική απόδοση υπό δοκιμαστικές συνθήκες. Στόχος της είναι το 50% έως τα μέσα του 2027, με την πλήρη εμπορική διάθεση, και άνω του 100% το 2028. «Αυτά τα οφέλη είναι τεράστια· ο διπλασιασμός είναι πολύ σημαντικός», σχολίασε ο Leboucher. «Η πραγματική δοκιμασία είναι αν μπορούν να αποδοθούν σταθερά σε ζωντανό δίκτυο, σε διαφορετικά φορτία κίνησης και ραδιοσυνθήκες — με ένα πειστικό συνολικό κόστος ιδιοκτησίας. Αυτό θέλουμε να κατανοήσουμε, τη συνολική εικόνα.»
Πρόσθεσε ότι η Orange θέλει επίσης να δει πώς η τεχνολογία μπορεί να προετοιμάσει το δίκτυο για τη μελλοντική κίνηση, ιδίως για χρήσεις που οδηγούνται από την τεχνητή νοημοσύνη, τις οποίες αναμένει να είναι πιο απαιτητικές σε uplink και πιο ευαίσθητες στην καθυστέρηση (latency).
Η Nokia δοκιμάζει το AI-RAN και με άλλους παρόχους, μεταξύ των οποίων: T-Mobile στις ΗΠΑ, NTT Docomo και Softbank στην Ιαπωνία, Indosat Ooredoo Hutchison στην Ινδονησία, du και e& στα ΗΑΕ, Mobily, stc και Zain στη Σαουδική Αραβία, A1 Group στην Αυστρία, Chunghwa Telecom στην Ταϊβάν και TPG Telecom στην Αυστραλία.
Τρία μοντέλα, μία κοινή βάση λογισμικού
Η έννοια του AI-RAN χωρίζεται περίπου σε τρία σκέλη: «AI for RAN» για τη βελτιστοποίηση της ραδιοαπόδοσης, «AI on RAN» για την εκτέλεση φορτίων AI στο edge, και «AI and RAN» ως κοινόχρηστο υπολογιστικό υπόστρωμα ανάμεσα στα δύο. Με χρηματοδότηση 1 δισ. δολαρίων από την Nvidia, η Nokia επιδιώκει να ενσωματώσει επιταχυνόμενο υπολογισμό στην υποδομή 5G/6G των παρόχων, ώστε να υποστηρίζει τη διαχείριση του RAN και τις εφαρμογές edge AI.
«Μετατρέπουμε το RAN σε προγραμματιζόμενη πλατφόρμα τόσο για συνδεσιμότητα όσο και για υπολογισμό», ανέφερε η Pallavi Mahajan, chief technology officer και AI officer της Nokia. Τα τρία μοντέλα υλοποίησης —ένα plug-in χωρητικότητας AI-RAN για υπάρχοντες σταθμούς RAN, ένας αυτόνομος κόμβος AI-RAN και μια cloud-native υλοποίηση με τυποποιημένους (COTS) servers— σχεδιάζονται ώστε να ταιριάζουν με τις εγκατεστημένες υποδομές και τις στρατηγικές μετασχηματισμού των παρόχων. Και τα τρία μοιράζονται την ίδια υποκείμενη στοίβα λογισμικού, αντί να δημιουργούν ξεχωριστά τεχνολογικά σιλό.
Η Orange δίνει έμφαση σε αυτή την ευελιξία. Ο Leboucher σημείωσε ότι η αναβάθμιση της υπάρχουσας βάσης AirScale μπορεί να είναι η πιο πραγματιστική προσέγγιση σε πολλές τοποθεσίες, ενώ οι αποκλειστικοί κόμβοι AI-RAN μπορούν να καλύψουν απαιτήσεις πολύ υψηλής χωρητικότητας και το cloud-based AI-RAN ταιριάζει με τη γενικότερη cloud-native πορεία της εταιρείας. «Το κρίσιμο είναι ότι αυτά τα διαφορετικά μοντέλα είναι συνεπή μεταξύ τους. Πρέπει να συνυπάρχουν χωρίς να δημιουργούν λειτουργικό κατακερματισμό. Χρειαζόμαστε ένα κοινό υπόβαθρο λογισμικού», τόνισε.
Το «ανεκμετάλλευτο» υπολογιστικό απόθεμα
Η επιλογή αρχιτεκτονικής, ωστόσο, μπορεί να καθορίσει πόση χωρητικότητα θα είναι διαθέσιμη για φορτία AI πέρα από το ίδιο το RAN. Η Mahajan εξήγησε ότι οι πάροχοι θα πρέπει να λαμβάνουν υπόψη το φορτίο κίνησης, το αν μια υλοποίηση είναι αγροτική ή αστική, πόσος υπολογιστικός πόρος AI απαιτείται για τα οφέλη φασματικής απόδοσης και πόση επιπλέον χωρητικότητα απομένει για άλλες εφαρμογές. «Κάθε περίπτωση physical AI θα υπαγορεύει τι μπορείς να τρέξεις και πού», είπε. Ορισμένα φορτία θα εκτελούνται στον σταθμό βάσης, άλλα σε κεντρικό γραφείο ή στο cloud, ανάλογα με τις απαιτήσεις σε καθυστέρηση και υπολογισμό.
Η βελτιωμένη ραδιοαπόδοση έχει τη μεγαλύτερη σημασία σε βαριά φορτωμένους σταθμούς, όπου το φάσμα είναι περιορισμένο· ενδεχομένως να αναβάλλει μέρος της επέκτασης του δικτύου, είτε μέσω νέων σταθμών είτε νέου φάσματος. Το μεγάλο, όμως, στοίχημα του κλάδου είναι ότι ο επιταχυνόμενος υπολογισμός στην υποδομή RAN θα φιλοξενεί και μη τηλεπικοινωνιακά φορτία — ως μέρος της έννοιας του λεγόμενου «AI grid», που εντάσσει τους σταθμούς βάσης ως κατανεμημένα σημεία inference πιο κοντά στο edge και, τελικά, στον χρήστη. Η Nokia παρουσιάζει τη λύση AI-RAN ως ανοιχτή και προγραμματιζόμενη πλατφόρμα και για τα δύο είδη φορτίων.
«Πρέπει να είναι ανοιχτή, προγραμματιζόμενη, επεκτάσιμη και, φυσικά, ασφαλής», ανέφερε η Mahajan. Ωστόσο, οι πρώτες εφαρμογές θα παραμείνουν σταθερά εντός του τηλεπικοινωνιακού πεδίου. Ο Leboucher ανέδειξε ως άμεσους υποψηφίους τη διαχείριση φάσματος και παρεμβολών, καθώς και την πιο αυτοματοποιημένη διαμόρφωση ραδιοδικτύου — ιδίως εφαρμογές που απαιτούν άμεση πρόσβαση σε δεδομένα RAN και τοπική επεξεργασία σε πραγματικό χρόνο. Σε πιο μακροπρόθεσμο ορίζοντα, βλέπει ευκαιρίες στο sensing (ISAC), στην τοποθέτηση (positioning) και στην παρακολούθηση — για συντήρηση υποδομών, βιομηχανική ασφάλεια, εντοπισμό drones και άλλες εφαρμογές.
«Αυτές είναι οι περιπτώσεις όπου βλέπουμε αρκετά ξεκάθαρο επιχειρηματικό μοντέλο, ακόμη κι αν υπάρχουν πολλά να λυθούν με τη Nokia και με άλλους», είπε ο Leboucher. Η ακριβής τοποθεσία του υπολογιστικού πόρου θα αποκτά ολοένα μεγαλύτερη σημασία καθώς αναδύονται οι εφαρμογές. Δεν χρειάζεται κάθε φορτίο να τρέχει στον σταθμό βάσης· η αρχιτεκτονική AI-RAN θα εξαρτάται από τις απαιτήσεις καθυστέρησης, τα φορτία κίνησης και τον διαθέσιμο πλεονάζοντα υπολογιστικό πόρο. Τα διαφορετικά μοντέλα υλοποίησης της Nokia θα προσφέρουν διαφορετικές ποσότητες «ανεκμετάλλευτου» υπολογισμού (fallow compute) προς αξιοποίηση για πρόσθετα φορτία AI.
Το επενδυτικό ερώτημα
Έτσι, το επενδυτικό σκεπτικό —ακόμη σχετικά ρευστό— δεν αφορά μόνο το αν η τεχνητή νοημοσύνη βελτιώνει το RAN. Παίκτες όπως η Orange, και το υπόλοιπο «κλαμπ» παρόχων AI-RAN της Nokia, θα κάνουν αρχικούς υπολογισμούς για το πού θα τοποθετήσουν τον επιπλέον υπολογιστικό πόρο, για ποιον σκοπό και με τι είδους αποδόσεις. Η Mahajan σημείωσε ότι οι υλοποιήσεις AI-RAN θα πρέπει να αποδίδουν σωστό συνολικό κόστος ιδιοκτησίας για τους παρόχους, ενώ ταυτόχρονα θα ενεργοποιούν «νεότερα μοντέλα εμπορικής αξιοποίησης» πέρα από τη συνδεσιμότητα, δημιουργώντας νέες πηγές εσόδων.
Παραμένουν, ωστόσο, τα λειτουργικά εμπόδια. Η Orange θέλει να εισαγάγει πιθανοτική τεχνητή νοημοσύνη σε ένα ντετερμινιστικό, mission-critical περιβάλλον. Η ταχύτερη καινοτομία στο λογισμικό δεν μπορεί να έρθει σε βάρος της σταθερότητας του δικτύου, τόνισε ο Leboucher. Κάθε νέα δυνατότητα πρέπει να ανταποκρίνεται σε απαιτήσεις απόδοσης, ανθεκτικότητας, ασφάλειας και προβλεψιμότητας. Κρίσιμη θα είναι η ικανότητα να εισάγονται λειτουργίες επιλεκτικά, να μετράται η επίδρασή τους και να μπορούν να ανακληθούν.
Η Mahajan περιέγραψε τη μετάβαση από τη λογική του «black box» στην αρχή του «glass box» — για ιχνηλασιμότητα και επεξηγησιμότητα, καθώς και τη δυνατότητα επαναφοράς αν τα μοντέλα AI υπολειτουργήσουν, συμπεριφερθούν λανθασμένα ή αποτύχουν. Στοιχείο που καθιστά το AI-RAN εξίσου θέμα αλλαγής του λειτουργικού μοντέλου, όσο και αλλαγής της τεχνολογίας.
Πηγή: RCR Wireless