Red Hat ترسم مسار ترقية AI-RAN حول اقتصاديات المشغلين
ذكرت RCR Wireless News أن Red Hat تتوقع بدء تبني AI-RAN بمكاسب تشغيلية على شبكات الراديو الحالية قبل أن يختبر المشغلون بنية مشتركة للذكاء الاصطناعي وRAN نحو 2030.
تدفع Red Hat مشغلي شبكات الهاتف المحمول إلى التعامل مع AI-RAN كترقية شبكية على مراحل، لا كاستبدال شامل لكل موقع راديو بوحدات GPU. وذكرت RCR Wireless News أن التعليقات جاءت من Shujaur Mufti، مدير هندسة حلول منظومة الاتصالات لدى Red Hat، خلال منتدى Telco AI Forum.
ينصب التركيز القريب على AI for RAN، حيث يطبق المشغلون النماذج على شبكات الراديو القائمة لتحقيق مكاسب في تكلفة التشغيل والطاقة والكفاءة الطيفية واكتشاف الأعطال. وتضع حجة Mufti التبني المبكر حول إثبات تشغيلي قبل نقل أحمال الذكاء الاصطناعي ووظائف الراديو إلى بنية مشتركة.
Red Hat ترى AI for RAN في الصدارة حتى 2027
وصف Mufti ثلاث مراحل لـAI-RAN. تستخدم المرحلة الأولى الذكاء الاصطناعي لتحسين شبكات النفاذ الراديوي الحالية، وتضع الثانية أحمال الذكاء الاصطناعي وRAN على بنية مشتركة، بينما تجعل المرحلة الأخيرة RAN منصة لخدمات أصلية للذكاء الاصطناعي.
ومن المتوقع أن يبقى AI for RAN محور الصناعة الرئيسي حتى نحو 2027، وفقا لـMufti. وقال إن المشغلين يستطيعون استخدام بنية RAN الحالية في حالات مثل توفير الطاقة وكفاءة الشبكة والكفاءة الطيفية واكتشاف الأعطال، بدلا من البدء بترقيات راديوية كبيرة.
كما تتحول أنظمة الشبكات ذاتية التنظيم التقليدية نحو منصات SON معززة بالذكاء الاصطناعي. وتضيف أنظمة إدارة الخدمات والتنسيق في Open RAN تطبيقات xApps وrApps مدعومة بالذكاء الاصطناعي يمكنها إدارة Open RAN والشبكات الراديوية التقليدية.
اختبارات البنية المشتركة تتجه نحو 2030
بين 2027 و2030، يتوقع Mufti أن يوسع المشغلون تجارب إثبات المفهوم للبنية المشتركة بين الذكاء الاصطناعي وRAN مع تطور أبحاث 6G وظهور المعايير المبكرة. وسمى SoftBank وT-Mobile كمشغلين يستكشفان هذا النموذج.
أما المرحلة اللاحقة فستجعل الذكاء الاصطناعي جزءا أصيلا من شبكة الهاتف المحمول بالتوازي مع نشر 6G التجاري بعد 2030. وفي هذا النموذج، تصبح شبكة النفاذ الراديوي منصة لتطبيقات أصلية للذكاء الاصطناعي وخدمات إيراد محتملة، لا طبقة اتصال فقط.
واستشهد Mufti بعمل Red Hat مع SoftBank وFujitsu وNvidia كدليل مبكر على تجارب RAN المسرعة بوحدات GPU. وقال إن تلك التجارب أظهرت إمكانية تشغيل وظائف الراديو Layer 1 وLayer 2 من دون نواة زمن حقيقي، بينما توسع Red Hat مبادرة AI Grid كمنصة حافة جاهزة لـRAN.
نشر GPU يعتمد على اقتصاديات المشغلين
حذر Mufti من افتراض أن وحدات GPU ستظهر في كل مكان داخل RAN. وأشار بدلا من ذلك إلى مواقع مختارة يكون فيها استدلال الذكاء الاصطناعي على حافة الشبكة مدعوما بحالة عمل واضحة قبل إضافة أحمال الراديو.
ويبقى الحد الاقتصادي أساسيا في تسلسل النشر. وقال Mufti إن AI-RAN يجب أن يحسن جودة الشبكة ويخلق قيمة أعمال قابلة للقياس لمشغلي الهاتف المحمول قبل أن يصبح النشر الواسع منطقيا.
وهذا يجعل الحالة التجارية أضيق من الخريطة التقنية. ولم تسم Red Hat مواعيد نشر لدى المشغلين أو عدد مواقع GPU أو عقود RAN تجارية موقعة أو إيرادات مقاسة من خدمات الشبكات الأصلية للذكاء الاصطناعي.
Summary version for Medium
Red Hat Maps AI-RAN Upgrade Path Around Operator Economics
What the announcement means beyond the headline
Quick Summary: RCR Wireless News reported that Red Hat expects AI-RAN adoption to start with operational gains on existing radio networks before operators test shared AI and RAN infrastructure towards 2030.
Red Hat Sees AI For RAN Leading Through 2027
Mufti described three stages for AI-RAN. The first uses AI to improve current radio access networks, the second combines AI and RAN workloads on common infrastructure, and the final stage makes the RAN a platform for AI-native services.
Shared AI And RAN Tests Run Towards 2030
Between 2027 and 2030, Mufti expects operators to expand proof-of-concepts for shared AI and RAN infrastructure as 6G research develops and early standards emerge.
- Point 1: The central topic is telco-connectivity, with the announcement framed around concrete operating detail.
- Point 2: He named SoftBank and T-Mobile as operators already exploring the shared-infrastructure model.
AI deployments now depend on where models, data, approvals and operating teams meet.
GPU Rollout Depends On Operator Economics
Mufti cautioned that operators should not assume GPUs will appear everywhere in the RAN. He pointed instead to selected sites where AI inferencing at the network edge has a clear business case before radio workloads are added.
Read the Full Deep Dive
Want to explore the complete technical analysis, enterprise trade-offs, and detailed metrics?
Read the full article originally published at SendTech Times
