生成式AI正在加速电信行业转型,成为自主网络和AI原生无线基础设施的核心支撑。同时,该技术为电信运营商在消费者、企业和国家层面加速AI采用的过程中,释放了新的商业和收入机会。
NVIDIA第四届年度"电信行业AI现状"调研报告揭示了这些趋势,突显了该行业在AI采用、影响和投资方面的强劲表现。
报告要点包括:
90%的受访者表示AI正在帮助增加年收入并降低成本。
77%的受访者预计AI原生网络将在6G部署之前推出。
65%的电信运营商表示网络自动化正由AI驱动。
60%的受访者表示其组织正在使用或评估生成式AI,高于2024年的49%。
89%的受访者表示开源模型和软件对其AI战略很重要。
89%的电信公司计划在2026年增加AI支出,高于一年前的65%。
新加坡电信服务提供商Circles的董事总经理Sebastian Barros表示:"电信行业正在经历由AI驱动的根本性变革。通信服务提供商正在形成新的共识,即他们在社会中的作用已经从在网络中传输数据扩展到在本地和受监管的基础设施中传输智能。这一转变定义了从电信公司向'AICO'——在网络邻近处运营的AI基础设施公司,而非运行在顶层的应用供应商——的转变。"
以下是报告的更多关键发现。
AI投资回报率强劲推动预算增长
电信行业从AI应用中看到了明确的收入影响。总体而言,约90%的受访者表示AI正在帮助增加收入和降低成本。在调研的1000个回复中,电信运营商约占四分之一,他们也看到了这一好处,其中90%表示AI对收入和成本产生了积极影响。
在投资回报率方面,被引用最多的AI应用案例是自主网络AI(50%),其次是改善客户服务(41%)和内部流程优化(33%)。
Barros表示:"自主网络通过消除重复、被动工作流程中的人工参与,立即带来投资回报率。最快的影响领域是能源管理、故障预测、配置偏差纠正和容量规划。"
这种对收入和投资回报率的强劲影响促使电信公司增加其2026年的AI预算。总体而言,89%的受访者表示其AI预算将在未来12个月内增加,高于去年调研的65%,其中35%表示其预算将比今年增加超过10%。
网络自动化超越客户体验成为主要投资重点
网络自动化已超越客户体验,成为投资、部署和投资回报率影响的主要应用案例。这标志着向自主网络迈出的大胆一步——AI驱动的自我管理系统,可以在最少人工干预的情况下实现自我配置、自我修复和自我优化。88%的组织报告称其正处于TM Forum定义的1-3级自主水平之间,预计生成式AI和智能体AI的使用将加速向5级自主网络的转变。
咨询公司Chetan Sharma Consulting的CEO Chetan Sharma表示:"自主网络比任何其他AI应用案例都能更快地带来投资回报,因为它们直接减少了停机、能耗和人工干预。智能体AI通过实时协调跨域决策来加速这一进程。"
边缘计算投资激增正在重塑电信网络架构,通过分布式计算基础设施将AI推理功能更靠近用户。电信公司正在加大对AI原生RAN和6G的投资——这预示着行业在传统6G部署周期之前的重大拦截,77%的受访者预计这种新的AI原生无线网络架构的部署时间将大大缩短。
投资的主要驱动因素是使用AI提高频谱效率,改善支持边缘AI应用的无线接入网性能,以及加速6G的研发。
生成式AI和智能体推动员工生产力提升
电信领域的AI正在推进自主网络和商业机会,同时改善内部运营。调研中几乎所有受访者都表示AI正在提升员工生产力,其中26%的受访者认为AI在帮助他们在更短时间内以更高质量完成更多任务方面有重大到显著的改善。
生产力提升来自于在从后台办公到网络等运营环节部署的生成式AI和智能体AI解决方案。
Sharma表示:"生成式AI带来了快速的生产力提升,但智能体AI是电信公司开始看到结构性投资回报率的地方。自主智能体可以跨网络、IT和客户旅程采取行动,将洞察转化为决策,无需人工延迟。"
Q&A
Q1:什么是自主网络?它如何帮助电信公司提高收入?
A:自主网络是AI驱动的自我管理系统,可以在最少人工干预的情况下实现自我配置、自我修复和自我优化。它通过消除重复、被动工作流程中的人工参与立即带来投资回报率,主要影响领域包括能源管理、故障预测、配置偏差纠正和容量规划。
Q2:生成式AI在电信行业的应用现状如何?
A:目前60%的电信组织正在使用或评估生成式AI,这一比例比2024年的49%有所上升。生成式AI主要部署在从后台办公到网络等运营环节,为电信公司带来快速的生产力提升。
Q3:电信公司为什么要投资AI原生网络和6G技术?
A:77%的受访者预计AI原生网络将在6G部署之前推出,投资的主要驱动因素是使用AI提高频谱效率,改善支持边缘AI应用的无线接入网性能,以及加速6G的研发。这标志着行业在传统6G部署周期之前的重大技术拦截。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。