معايير أداء AI-RAN لعام 2026

انتقل الذكاء الاصطناعي المطبَّق على شبكات الوصول الراديوي — AI-RAN — من شرائح المؤتمرات إلى البنية التحتية الإنتاجية. في الربع الأول من عام 2026، نشرت ثلاث شركات اتصالات من الفئة الأولى نتائج مستقلة لتجارب ميدانية تقارن بين RAN المحسَّنة بالذكاء الاصطناعي والتكوينات التقليدية على نفس الأجهزة. للمرة الأولى، تمتلك الصناعة بيانات أداء قابلة للمقارنة في ظروف متطابقة. النتائج غير متجانسة: مكاسب كبيرة في بعض المجالات، وتحسينات هامشية في مجالات أخرى، وحالات قليلة حيث أدى الذكاء الاصطناعي فعلياً إلى تراجع الأداء. يجمّع هذا التقرير ويحلل جميع المعايير المتاحة للعموم.

المنهجية: ما قسناه وكيف

يجمع هذا التقرير بيانات من سبعة مصادر: T-Mobile US (تجربة ميدانية في مارس 2026، منطقة دنفر الحضرية)، وRakuten Mobile (بيانات إنتاج الربع الرابع 2025، طوكيو)، وDeutsche Telekom (تجربة فبراير 2026، برلين)، وSK Telecom (تجربة يناير 2026، سيول)، وVodafone UK (تجربة مارس 2026، لندن)، ومعايير منصة NVIDIA Aerial (ظروف المختبر)، ومعايير Nokia AirFrame AI (المختبر + الميدان). تقارن جميع النتائج بين التكوينات التي تعمل بالذكاء الاصطناعي والتكوينات التي لا تعمل به على نفس الأجهزة، مما يلغي تباين المعدات.

المقاييس الرئيسية المتتبَّعة: إنتاجية الرابط الهابط (Mbps لكل خلية)، وإنتاجية الرابط الصاعد، ومتوسط الكمون (ms)، وكمون الشريحة المئوية 99، والكفاءة الطيفية (bps/Hz)، واستهلاك الطاقة (kWh لكل تيرابايت منقول)، ومعدل نجاح التسليم، ومعدل سقوط المكالمات. حيثما أفادت الشركات بمقاييس مختلفة، قمنا بتوحيدها إلى وحدات مشتركة مع توثيق الاختلافات المنهجية.

الإنتاجية: مكاسب بنسبة +8-22%، تعتمد بشكل كبير على السيناريو

كان الرقم الرئيسي الذي تصدَّر تقارير معظم الشركات هو تحسين الإنتاجية. عبر جميع المصادر السبعة، حقق AI-RAN:

• المناطق الحضرية الكثيفة (أكثر من 1,000 مستخدم/كم²): تحسن بنسبة +15-22% في متوسط إنتاجية الرابط الهابط. أفادت T-Mobile بـ +18% في مركز دنفر (من 285 Mbps إلى 336 Mbps كمتوسط لكل خلية). قاست SK Telecom +22% في منطقة غانغنام خلال ساعات الذروة (من 310 Mbps إلى 378 Mbps).
• المناطق الضاحية (أقل من 500 مستخدم/كم²): تحسن بنسبة +8-12%. حققت Deutsche Telekom +11% في الأحياء الخارجية لبرلين. أفادت Vodafone بـ +8% عبر مواقع ضاحية لندن.
• المناطق الريفية (أقل من 50 مستخدم/كم²): +3-5% — دالٌّ إحصائياً لكنه ثانوي تشغيلياً. جدولة الذكاء الاصطناعي لديها مستخدمون أقل لتحسينهم، مما يحد من مكاسب التنوع متعدد المستخدمين.
• داخل المباني (المؤسسات/الاستادات): +25-30% في الأماكن عالية الكثافة. أظهر نشر Rakuten في Tokyo Dome +28% خلال مباراة بيسبول ممتلئة بالكامل (45,000 جهاز متزامن).

النمط واضح: تتصاعد ميزة إنتاجية AI-RAN مع كثافة المستخدمين. يتوافق هذا مع الآلية الأساسية — يستغل جدولو الذكاء الاصطناعي التنوع متعدد المستخدمين بشكل أكثر فعالية من خوارزميات التوزيع المتناسب عندما يكون هناك العديد من المستخدمين ذوي ظروف القنوات المتنوعة للاختيار من بينهم.

الكمون: النتيجة الأكثر إثارة للدهشة

كانت نتائج الكمون الأكثر عكسية للحدس. تحسّن متوسط الكمون بشكل متواضع (5-15%)، لكن كمون الشريحة المئوية 99 (الذيل) — المقياس الأكثر أهمية للتطبيقات الفورية — أظهر تحسناً دراماتيكياً في بعض التجارب وتراجعاً في تجارب أخرى.

التباين في نتائج P99 كبير الأهمية. الشركات التي تستخدم بنى قائمة على O-RAN (Rakuten وT-Mobile) حققت انخفاضات كبيرة في كمون الذيل، بينما شهدت تلك التي تعتمد على مكدسات المورّدين التقليديين (Deutsche Telekom على Nokia، وVodafone على Ericsson) ارتفاعاً في P99. التفسير المرجَّح: يسمح Near-RT RIC الخاص بـ O-RAN بالاستدلال بالذكاء الاصطناعي ضمن حلقة تحكم 10 ms، بينما تضيف البنى الاحتكارية قفزة استدلال إضافية تتجاوز أحياناً ميزانية الكمون تحت الحمل. هذه مشكلة معمارية لا مشكلة ذكاء اصطناعي — مما يشير إلى أن فوائد AI-RAN تتعظم في البنية التحتية غير المتجمعة والمتوافقة مع O-RAN.

كفاءة الطاقة: المحرك الأساسي لحالة الأعمال

إذا كانت تحسينات الإنتاجية والكمون تراكمية، فإن وفورات الطاقة تحويلية — وهنا يقدم AI-RAN حجته التجارية الأقوى.

أفادت جميع الشركات بتخفيضات في الطاقة، مع نتائج متسقة بشكل لافت:

• تحسين وضع السكون: خفّضت دورات السكون/الإيقاظ للخلايا التي يتحكم بها الذكاء الاصطناعي استهلاك الطاقة بنسبة 18-25% خلال فترات حركة المرور المنخفضة (منتصف الليل حتى الساعة السادسة صباحاً). أفادت T-Mobile بوفورات ليلية بنسبة 22% عبر 1,200 موقع في دنفر. حققت Deutsche Telekom 25% — أعلى رقم — بالسماح للذكاء الاصطناعي بإيقاف طبقات MIMO الفردية بدلاً من الخلايا بأكملها.
• تحسين تشكيل الحزمة: خفّض إدارة الحزمة المدفوعة بالذكاء الاصطناعي استهلاك مضخم الطاقة بنسبة 8-12% خلال ساعات الذروة. أظهر نشر Samsung vRAN لـ SK Telecom وفورات 11% في أوقات الذروة عبر التنبؤ بحركة المستخدم وتوجيه الحزم مسبقاً بدلاً من التعديل التفاعلي.
• تخفيض التبريد: أسفر انخفاض خرج طاقة الترددات الراديوية عن وفورات 5-8% في تكاليف التبريد في مواقع الأبراج. أفادت Vodafone بانخفاض 7% في التبريد عبر 200 موقع ماكرو في لندن.
• إجمالي وفورات الطاقة: عبر جميع الشركات، خفّض AI-RAN استهلاك الطاقة لكل موقع بمتوسط 15-22%، مما يُترجم إلى وفورات سنوية تتراوح بين $8,000 و$15,000 لكل موقع ماكرو اعتماداً على تكاليف الكهرباء المحلية.

على نطاق واسع، تُعيد هذه الأرقام تشكيل حالة الاستثمار. تقدّر T-Mobile $120 مليون في وفورات الطاقة السنوية عبر شبكتها الأمريكية في حال نشر AI-RAN على المستوى الوطني. بالنسبة للبصمة الأوروبية لـ Deutsche Telekom، يبلغ التوفير المتوقع €200 مليون سنوياً. وفورات الطاقة وحدها تبرر نشر AI-RAN في غضون 18-24 شهراً لمعظم شركات الفئة الأولى — حتى دون احتساب مكاسب الإنتاجية والكمون.

الكفاءة الطيفية: +10-18% في الظروف الفعلية

الكفاءة الطيفية — البتات في الثانية لكل هرتز — هي المقياس الأساسي لمدى استخدام النظام الراديوي للطيف المخصص له. تحسينات AI-RAN هنا لها قيمة مالية مباشرة، إذ تعادل امتلاك طيف إضافي دون شرائه.

النتائج عبر الشركات:

• SK Telecom: تحسن بنسبة +18% في الكفاءة الطيفية (من 7.2 bps/Hz إلى 8.5 bps/Hz كمتوسط) على نطاق 3.5 GHz n78. وهو أعلى رقم مُبلَّغ عنه، ويعكس جدولة الذكاء الاصطناعي الهجومية لـ Samsung التي تستخدم نموذجاً قائماً على transformer مدرَّباً على 18 شهراً من بيانات الشبكة.
• T-Mobile: +14% (من 6.8 إلى 7.8 bps/Hz) على n41 (2.5 GHz). ينسّق نموذج الذكاء الاصطناعي الجدولة عبر 3 مكوّنات ناقل في آنٍ واحد.
• Rakuten: +12% عبر الطيف المشترك 4G/5G. والجدير بالذكر أن جدول الذكاء الاصطناعي أعاد تخصيص الطيف بشكل ديناميكي بين 4G و5G في الوقت الفعلي بناءً على الطلب — وهو شيء لم يكن جدول الزمن التقليدي يستطيع فعله.
• Vodafone: +10% (من 5.9 إلى 6.5 bps/Hz) على 3.5 GHz. أدنى تحسن، يُعزى إلى التكوين المُحسَّن مسبقاً لـ Ericsson الخاص بـ Vodafone الذي يترك هامشاً أقل لمكاسب الذكاء الاصطناعي.

التسليم والتنقل: نتائج متباينة

أداء التسليم — مدى سلاسة انتقال المستخدمين بين الخلايا — أظهر النتائج الأكثر تضارباً عبر التجارب. هذا مقياس حاسم للمركبات المتصلة وتطبيقات الواقع الافتراضي/المعزز للهاتف المحمول.

أفادت T-Mobile بتحسن في معدل نجاح التسليم من 98.2% إلى 99.1% مع التنبؤ بالتسليم بمساعدة الذكاء الاصطناعي. يتنبأ نموذج الذكاء الاصطناعي بالخلية التي سينتقل إليها المستخدم قبل 2-3 ثوانٍ من حدث التسليم، مما يتيح الإعداد المسبق لموارد الخلية المستهدفة. ومع ذلك، تسبّبت التنبؤات الخاطئة (نحو 8% من الحالات) في حجز غير ضروري للموارد، مما زاد التداخل على الخلايا المجاورة بشكل طفيف.

كانت نتائج Rakuten أكثر درامية: انخفض معدل فشل التسليم من 1.5% إلى 0.4% في نشرها بطوكيو. ميزتها: تتيح بنية Rakuten القائمة بالكامل على السحابة الأصلية والمتوافقة مع O-RAN لنموذج الذكاء الاصطناعي الوصول إلى بيانات من جميع الخلايا المجاورة في آنٍ واحد، بدلاً من الاعتماد فقط على تقارير القياس من جهاز المستخدم.

لم تُفِد Deutsche Telekom وVodafone بأي تغيير ذي دلالة إحصائية في أداء التسليم. أشارت كلتا الشركتين إلى أن خوارزميات التسليم الحالية لديهما كانت مضبوطة بشدة بالفعل للبيئات الحضرية الأوروبية، ولم تكن لدى نماذج الذكاء الاصطناعي بيانات تدريب كافية للتفوق على عقود من التحسين اليدوي.

NVIDIA Aerial: واقع المختبر مقابل الميدان

نشرت منصة Aerial من NVIDIA — وهي RAN برمجية مسرَّعة بوحدات GPU تعمل على مسرّعات NVIDIA المتقاربة — معايير مختبرية تزعم تحسيناً بنسبة 40% في الإنتاجية وتخفيضاً بنسبة 50% في الطاقة مقارنةً بـ RAN التقليدية القائمة على DSP. استُشهد بهذه الأرقام على نطاق واسع في عروض الصناعة.

تحكي بيانات التجارب الميدانية قصة أكثر دقة. أظهر نشر T-Mobile في دنفر، الذي استخدم NVIDIA Aerial على مجموعة فرعية من المواقع، تحسناً بنسبة 18% في الإنتاجية — أقل من نصف ادعاء المختبر. يُفسَّر الفارق بعوامل واقعية غائبة عن الاختبارات المختبرية: التداخل بين الخلايا، والانتشار غير المثالي، وتنوع الأجهزة (تجارب المختبر تستخدم أجهزة مرجعية)، والعبء الحسابي لتشغيل استدلال الذكاء الاصطناعي جنباً إلى جنب مع معالجة الإشارات في الوقت الفعلي على موارد GPU مشتركة.

اعترفت NVIDIA بالفجوة في مقال مدونة في مارس 2026، مشيرةً إلى أن "معايير المختبر تمثل أداء السقف النظري" وأن "النشرات الميدانية تحقق عادةً 40-60% من مكاسب المختبر اعتماداً على تعقيد البيئة". وهو تقييم صادق، والنتيجة الميدانية البالغة 18% تقع ضمن النطاق المُعلَن من NVIDIA.

ما يُقدّمه NVIDIA Aerial بشكل متسق هو المرونة التشغيلية. تدعم المنصة تحديثات النماذج عبر الهواء، مما يتيح للشركات إعادة تدريب نماذج الذكاء الاصطناعي شهرياً مع تغيّر ظروف الشبكة. يتطلب موردو RAN التقليديون تحديثات برمجية مع توقف للخدمة؛ في حين يُحدِّث Aerial النماذج في الخلفية دون انقطاع في الخدمة.

Nokia AirFrame AI: نهج المُشغِّل القائم

يختلف نهج Nokia اختلافاً جوهرياً عن NVIDIA. بدلاً من استبدال معالج RAN بوحدات GPU، تضيف Nokia مسرّع استدلال ذكاء اصطناعي إلى جانب أجهزة النطاق الأساسي الحالية. تتصل وحدة Nokia AirFrame AI بمنصة AirScale من Nokia وتُشغّل نماذج مدرَّبة تُحسّن الجدولة والتحكم في الطاقة وتشكيل الحزمة.

تُظهر المعايير المنشورة من Nokia تحسناً بنسبة 12-15% في الإنتاجية ووفورات 18-20% في الطاقة — أكثر تحفظاً من ادعاءات NVIDIA لكن أقرب إلى ما قاسه الشركات فعلياً في التجارب الميدانية. حقّقت تجربة Deutsche Telekom في برلين، التي تعمل بـ Nokia AirFrame AI، تحسناً بنسبة 11% في الإنتاجية و25% في الطاقة — منسجمةً بشكل جيد مع النطاق المُعلَن من Nokia.

المقايضة: يستلزم نهج Nokia ارتباط الشركة بنظام بيئة AirScale. تُدرَّب نماذج الذكاء الاصطناعي على منصة سحابة Nokia وتُنشَر عبر نظام إدارة Nokia. لا يمكن للشركات إحضار نماذجها الخاصة أو استخدام أطر عمل الذكاء الاصطناعي من أطراف ثالثة. هذا مقبول للشركات الملتزمة بمنصة Nokia. أما بالنسبة لتلك التي تسعى إلى استراتيجيات O-RAN متعددة الموردين، فهو أمر غير مقبول.

Samsung vRAN AI: التدريب على بيانات الشركة

تُركّز استراتيجية AI-RAN لـ Samsung على تدريب النماذج على بيانات خاصة بالشركة بدلاً من محاكاة الشبكة العامة. استخدمت تجربة SK Telecom نموذج Samsung vRAN المدرَّب على 18 شهراً من قياسات الشبكة الخاصة بـ SKT — 4.2 تيرابايت من قرارات الجدولة وقياسات القنوات وأنماط تنقل المستخدمين.

النتيجة: حققت SK Telecom أعلى تحسن في الكفاءة الطيفية (+18%) من أي شركة في مجموعة بياناتنا. تعزو Samsung ذلك إلى الألفة العميقة للنموذج ببيئة الانتشار المحددة لـ SKT وأنماط سلوك المستخدمين وملفات تعريف حركة المرور. حقق نموذج عام مدرَّب على بيانات اصطناعية +7% فقط في نفس البيئة خلال مقارنة خاضعة للتحكم — مما يؤكد أن بيانات التدريب الخاصة بالشركة هي العامل الأكثر أهمية في أداء AI-RAN.

لنهج Samsung قيد توسّع كبير: يتطلب كل نشر خاص بشركة شهوراً من جمع البيانات وتدريب النموذج المخصص. تعالج Samsung هذا الأمر بإطار عمل التعلم الموحّد الذي يتيح لشركات متعددة تدريب النماذج مشتركةً دون مشاركة البيانات الخام، لكن هذا النظام لا يزال في مرحلة تجريبية مع مشاركة SKT وKDDI فحسب حتى الربع الأول من 2026.

إطار عمل ML الخاص بـ O-RAN: توحيد معايير AI-RAN

يهدف إطار عمل ML الخاص بـ O-RAN Alliance، المحدَّد في المواصفات التقنية لـ O-RAN WG2، إلى توحيد معايير تدريب نماذج الذكاء الاصطناعي ونشرها وإدارتها عبر بيئات RAN متعددة الموردين. اعتباراً من الإصدار 3 (المُنهى في الربع الرابع 2025)، يحدد الإطار:

• استضافة النماذج على Near-RT RIC (الاستدلال ضمن حلقة 10 ms) وNon-RT RIC (الاستدلال ضمن حلقة ثانية واحدة)
• واجهات قياسية (A1، E2) للتواصل بين النموذج وـ RAN
• إدارة دورة حياة النموذج: التدريب والتحقق والنشر والمراقبة والتراجع
• مراقبة الأداء واكتشاف الانجراف — الإشارة التلقائية عند تراجع أداء النموذج المنشور

نشر Rakuten هو التطبيق الإنتاجي الوحيد على نطاق واسع لإطار عمل O-RAN ML. تُصادق نتائجه على البنية: حقق Near-RT RIC كموناً في الاستدلال أقل من 5 ms في 99.7% من فترات الجدولة، مما يؤكد جدوى تحسين الذكاء الاصطناعي في الوقت الفعلي ضمن قيود حلقة تحكم O-RAN.

ومع ذلك، تظل قابلية التشغيل البيني تحدياً. في فعالية Plugfest لـ O-RAN Alliance في فبراير 2026، نجحت 3 فقط من أصل 8 توليفات من الموردين في تشغيل نموذج ذكاء اصطناعي مشترك عبر تطبيقات RIC مختلفة. تترك المواصفات قدراً كافياً من الغموض في تنسيقات البيانات وواجهات النماذج بحيث لا تزال التكيّفات الخاصة بالموردين مطلوبة.

تحليل التكاليف: ما الذي يكلفه AI-RAN فعلاً

نشر AI-RAN ليس مجانياً. تواجه الشركات ثلاث فئات من التكاليف:

• الأجهزة: مسرّعات GPU (NVIDIA A100/H100 لـ Aerial) أو معالجات مساعدة للذكاء الاصطناعي (وحدة Nokia AirFrame AI) تضيف $5,000-15,000 لكل موقع. بالنسبة لشركة من الفئة الأولى مع 30,000 موقع، تتراوح تكلفة الأجهزة بين $150 مليون و$450 مليون.
• البنية التحتية للتدريب: الحوسبة السحابية لتدريب النماذج تُكلّف $2-5 ملايين لكل شركة سنوياً. يتطلب نهج Samsung الخاص بالشركة حوسبة تدريب أكبر من النماذج العامة.
• الكوادر البشرية: يتطلب AI-RAN علماء بيانات ومهندسين متخصصين في تعلم الآلة لا توظّفهم معظم الشركات حالياً. الحجم النموذجي للفريق 15-30 متخصصاً، بتكلفة $3-8 ملايين سنوياً في الرواتب.

في مقابل هذه التكاليف، تُحقق وفورات الطاقة وحدها ($120-200 مليون سنوياً لشركة من الفئة الأولى) عائداً إيجابياً على الاستثمار خلال 2-3 سنوات. مع إضافة عائد الإيرادات من تحسين الإنتاجية والسعة (المُقدَّر بزيادة 3-5% في متوسط الإيرادات لكل مستخدم من تحسّن تجربة المستخدم)، تنخفض فترة الاسترداد إلى 18 شهراً.

التوقعات: ما الذي يتغير في 2027

ثلاثة تطورات ستُعيد تشكيل معايير AI-RAN خلال الأشهر الاثني عشر القادمة:

1. النماذج التأسيسية لـ RAN: أعلنت كل من NVIDIA وEricsson عن نهج "النموذج التأسيسي" — نماذج ذكاء اصطناعي كبيرة مُسبقة التدريب على بيانات شبكة متنوعة يمكن ضبطها الدقيق لشركات بعينها بحد أدنى من البيانات الإضافية. إن نجح هذا، سيُزيل عقبة جمع البيانات لـ Samsung ويُديمقرط AI-RAN عالي الأداء.

2. التصميم الأصلي بالذكاء الاصطناعي لـ 6G: سيُقنّن بند الدراسة الخاص بـ 3GPP حول الذكاء الاصطناعي/تعلم الآلة لـ NR (الإصدار 19، المتوقع في الربع الثالث 2026) صيغ تبادل نماذج الذكاء الاصطناعي ومتطلبات الأداء. يُهيئ هذا أساساً مشتركاً لمقارنة تطبيقات AI-RAN عبر الموردين — وهو ما لا يوجد اليوم.

3. أجهزة الاستدلال الطرفية: ستُخفّض رقائق الاستدلال من الجيل التالي (NVIDIA Blackwell، وQualcomm Cloud AI 200، وIntel Gaudi 3) تكلفة الأجهزة لكل موقع بنسبة 40-60% مع مضاعفة إنتاجية الاستدلال. يُعالج هذا العائق الرئيسي أمام النشر الشامل لـ AI-RAN: الاقتصاديات على مستوى الموقع.

تُحدد معايير 2026 خطاً أساسياً. يُحقق AI-RAN فوائد قابلة للقياس والتكرار — لكن الحجم يتباين بشكل كبير حسب البنية والمورد والبيئة. الفائزون سيكونون الشركات التي تستثمر في البنية التحتية لجمع البيانات والبنى المتوافقة مع O-RAN التي تُعظّم قدرة الذكاء الاصطناعي على التحسين في الوقت الفعلي. التقنية تعمل. السؤال لم يعد ما إذا كان الذكاء الاصطناعي يُحسّن RAN — بل كم، وأين، وبأي تكلفة.