أصبح AI-RAN أحد أكثر الموضوعات نقاشًا في قطاع الاتصالات. يرى البعض أنه المرحلة التالية في تطور الشبكات اللاسلكية، بينما يرى آخرون أنه قد يكون مصطلحًا مبالغًا فيه قبل التحقق الكامل من نموذج العمل وبنية التكلفة والمعمارية التقنية. ولتفسيره بوضوح يجب تجاوز الاسم التسويقي وفهم كيفية تقارب شبكات النفاذ الراديوي والحوسبة بالذكاء الاصطناعي وبنية الشرائح والحوسبة الطرفية واستراتيجية 6G.

يرمز AI-RAN إلى Artificial Intelligence Radio Access Network، أي شبكة نفاذ راديوي مدعومة بالذكاء الاصطناعي. وببساطة، يعني تطبيق تقنيات الذكاء الاصطناعي على شبكة النفاذ الراديوي، أو بناء شبكة لاسلكية قادرة على معالجة أعباء الاتصال وأعباء الذكاء الاصطناعي بطريقة أكثر تكاملاً. ولا يقتصر الأمر على إضافة برنامج ذكاء اصطناعي إلى محطة قاعدة؛ فالفكرة الأعمق هي تحويل المحطة من عقدة اتصال أحادية الغرض إلى عقدة حوسبة طرفية ذكية.

تشرح هذه المقالة AI-RAN من منظور الحلول والهندسة، وتشمل تطور RAN التقليدية إلى Open RAN، ودور CPU وGPU وFPGA وASIC، ومعنى AI for RAN وAI and RAN وAI on RAN، والتقدم الصناعي الذي تقوده NVIDIA وSoftBank وNokia وEricsson وHuawei وZTE، إضافة إلى تحديات النشر الرئيسية التي يجب على المشغلين دراستها.

فهم RAN قبل فهم AI-RAN

تعني RAN Radio Access Network. في شبكة الاتصالات المتنقلة توجد ثلاثة أجزاء كبرى: الشبكة الأساسية، وشبكة النقل، وشبكة النفاذ الراديوي. وتعد RAN أول طبقة تربط أجهزة المستخدم مثل الهواتف الذكية والمحطات الصناعية والحساسات والمركبات وأجهزة إنترنت الأشياء بشبكة المشغل.

في عصر 4G كانت محطة القاعدة تتكون غالبًا من هوائيات ووحدات راديو بعيدة تسمى RRU ووحدات نطاق قاعدي تسمى BBU وروابط بينها. كان الهوائي ووحدة الراديو يتوليان إرسال واستقبال الإشارات، بينما كانت BBU تتولى التضمين وفك التضمين والترميز وفك الترميز وتقدير القناة وجدولة الموارد.

في عصر 5G تغيرت المعمارية. اندمجت الهوائيات وRRU بشكل أعمق وتطورت إلى AAU أو Active Antenna Unit. وفي الوقت نفسه قسمت وظائف BBU إلى CU وDU. تتعامل CU مع الوظائف غير الفورية، بينما تتعامل DU مع معالجة النطاق القاعدي في الزمن الحقيقي. هذا الفصل زاد المرونة لكنه زاد التعقيد أيضًا.

لماذا يصعب فتح RAN وافتراضها

كانت الشبكة الأساسية أسهل في الافتراضية لأن معظم وظائفها تتعلق بالتوجيه والتحويل والتحكم في الجلسات وإدارة الخدمات، مما أدى إلى ظهور NFV. أما RAN فهي أصعب بكثير لأن معالجة النطاق القاعدي تتطلب زمن تأخير منخفضًا وكثافة حوسبة عالية ودقة توقيت وأداءً فوريًا.

كانت المحطات التقليدية عادة أنظمة مغلقة من موردي معدات الاتصالات، باستخدام شرائح ASIC مخصصة وبرمجيات مملوكة. كان نموذج “الصندوق الأسود” فعالًا لأن ASIC مصمم لأعباء ثابتة، ويوفر لمعالجة RAN كثافة حوسبة عالية واستهلاكًا منخفضًا للطاقة وزمن تأخير مستقرًا.

دفع المشغلون لاحقًا نحو معماريات أكثر انفتاحًا وبيضاء الصندوق بهدف فصل العتاد عن البرمجيات وتوحيد الواجهات وتمكين الخوادم والشرائح العامة من دعم أعباء الاتصالات. ومن هنا ظهرت C-RAN وO-RAN وvRAN وxRAN وOpen RAN.

من C-RAN إلى Open RAN

في عصر 4G روجت China Mobile لـ C-RAN أو Centralized RAN. كانت الفكرة نقل عدة وحدات BBU موزعة إلى غرفة معدات مركزية وبناء تجمع للنطاق القاعدي يعالج الأعباء مركزيًا ويرسل الإشارات إلى وحدات الراديو البعيدة عبر الألياف.

ذهبت Open RAN أبعد من ذلك. فكرتها الأساسية هي المعمارية المعيارية والواجهات الموحدة، بحيث يمكن أن تأتي RU وDU وCU من مورّدين مختلفين عند توافق الواجهات. كما يمكن فصل برمجيات النطاق القاعدي عن الشرائح المخصصة وتشغيلها على منصات عامة مثل x86 أو ARM.

لكن Open RAN كشفت مشكلة هندسية كبيرة. فمع أن منصات CPU مرنة، فإنها قد تستهلك طاقة أكبر وتوفر كفاءة أقل وزمن تأخير أقل استقرارًا مقارنة بأنظمة ASIC المخصصة. لذلك واجهت كثير من عمليات نشر Open RAN صعوبات في التشغيل التجاري واسع النطاق. RAN ليست مسألة برمجيات فقط، بل مسألة حوسبة فورية وكفاءة طاقة.

لماذا تدخل GPU في نقاش RAN

يبدأ منطق AI-RAN من بنية الشرائح. تشمل شرائح الحوسبة المنطقية الرئيسية في الاتصالات والحوسبة CPU وGPU وFPGA وASIC. تمثل CPU الحوسبة العامة وترتبط غالبًا بـ Open RAN؛ وتمثل ASIC العتاد المتخصص؛ وتوفر FPGA مرونة للنماذج الأولية أو النشر المتخصص؛ أما GPU فهي القوة الجديدة وراء AI-RAN.

تعتمد استراتيجية NVIDIA في AI-RAN على إدخال حوسبة GPU إلى أنظمة محطات القاعدة. الهدف ليس استخدام GPU لمعالجة النطاق القاعدي فقط، بل تشغيل نماذج AI بالقرب من حافة الشبكة. وإذا استطاعت محطة القاعدة معالجة أعباء RAN وAI معًا فقد تصبح بنية تحتية جديدة للذكاء الاصطناعي الطرفي.

هذا مهم لأن سوق معدات الاتصالات ضخم، إذ يتجاوز الإنفاق العالمي السنوي على المعدات 100 مليار دولار أمريكي. وإذا أصبحت GPU جزءًا من بنية محطات القاعدة فقد تتحول شبكة الاتصالات إلى سوق حوسبة كبير جديد.

AI-RAN أكثر من محطة قاعدة مزودة بـ GPU

الفكرة الأهم في AI-RAN ليست مجرد “تركيب GPU في المحطات”. الفكرة الاستراتيجية هي جعل المحطة خادم ذكاء اصطناعي طرفي منخفض التأخير مع اتصال 5G و6G مستقبلًا. في هذا النموذج تعالج المحطة الإشارات اللاسلكية وتنفذ استدلال AI للمستخدمين والأجهزة والمركبات والكاميرات والروبوتات والأنظمة الصناعية القريبة.

يمكن للذكاء الاصطناعي أيضًا تحسين RAN نفسها. بفضل خوارزميات AI وتسريع GPU قد تنفذ الشبكة تنبؤًا ذكيًا بحالة القناة، وتعرفًا ديناميكيًا على تداخل المستخدمين، وتحسين حزم الموجات المليمترية، وتوقع حركة المرور، والتحكم في توفير الطاقة، وجدولة موارد الراديو. وقد يحسن ذلك الأداء ويقلل تعقيد التشغيل.

من منظور الحوسبة الطرفية يقع AI-RAN بين السحابة والجهاز. مراكز البيانات السحابية قوية لكنها بعيدة وتزيد التأخير. الأجهزة الطرفية قريبة لكنها محدودة القدرة. أما محطات القاعدة فهي أقرب من السحابة وأقوى من معظم الأجهزة، ولذلك تعد موقعًا طبيعيًا لذكاء اصطناعي منخفض التأخير.

الاتجاهات التقنية الثلاثة لـ AI-RAN

تقسم AI-RAN Alliance أبحاث AI-RAN إلى ثلاثة اتجاهات: AI for RAN وAI and RAN وAI on RAN. وهي اتجاهات مختلفة لكنها مترابطة.

AI for RAN

يعني استخدام AI لتحسين شبكة النفاذ الراديوي وجعلها أكثر كفاءة وذكاءً وسهولة في التشغيل. تشمل الاستخدامات توقع حركة المرور، الجدولة الذكية، تحسين توفير الطاقة، كشف الأعطال، إدارة التداخل وتحسين تشكيل الحزم.

هذا هو الاتجاه العملي المباشر لأنه يحسن الشبكة نفسها، ولذلك يهتم به المشغلون لتحسين الأداء وخفض تكلفة التشغيل.

AI and RAN

يعني تشغيل وظائف الاتصال ووظائف AI على البنية نفسها، بحيث تشارك أعباء RAN وAI موارد الحوسبة. التحدي هو العزل والجدولة وتحديد الأولويات والموازنة دون التأثير على أداء الاتصال الفوري.

هذا الاتجاه يحدد ما إذا كان AI-RAN منصة ذات جدوى اقتصادية. فإذا استطاع العتاد نفسه دعم الاتصال وخدمات AI فقد يحصل المشغلون على استخدام أعلى للموارد.

AI on RAN

يعني استخدام بنية RAN لدعم تطبيقات AI خارجية. يصبح موقع القاعدة عقدة ذكاء طرفية قابلة للبرمجة تدعم تحليل الفيديو، التموضع الصناعي، الأنظمة الذاتية، المدن الذكية، المركبات المتصلة، AR/VR وخدمات AI منخفضة التأخير.

هنا يرتبط AI-RAN بقوة مع 6G، إذ قد لا تنقل الشبكات المستقبلية البيانات فقط، بل تستشعر وتحسب وتحلل وتنسق الخدمات الذكية على الحافة.

تقدم الصناعة في AI-RAN

انتقل AI-RAN من مفهوم إلى عمل صناعي بسرعة. في فبراير 2024 خلال MWC برشلونة، أطلقت NVIDIA وSoftBank وEricsson وNokia وMicrosoft وأعضاء مؤسسون آخرون AI-RAN Alliance. بدأت بـ 11 عضوًا مؤسسًا ثم توسعت إلى أكثر من 100 مشغل ومورّد وشريك.

في نوفمبر 2024 أعلنت NVIDIA وSoftBank تجربة ما وصفوه بأول شبكة AI-RAN في العالم قادرة على معالجة أعباء AI و5G معًا. وفي 2025 استثمرت NVIDIA 1 مليار دولار أمريكي في Nokia، وأصبحت من أكبر المساهمين، وعززت التعاون في حلول 6G RAN وAI-RAN.

واصلت NVIDIA بناء حل AI-RAN كامل. في 2025 قدمت Aerial RAN Computer Pro أو ARC-Pro ومنصة AI Aerial، مع تقنيات GB200 وBlueField-3 وشبكات Spectrum-X ومكتبات CUDA-X لاستخدامات اتصالات بدرجة تشغيلية.

لاحقًا روجت NVIDIA وشركاؤها لمكدس “All-American AI-RAN” المصمم لتخصيص موارد الحوسبة ديناميكيًا داخل GPU أو بينها لنشر vRAN وتطبيقات AI وأبحاث 6G. وفي مارس 2026 قدمت NVIDIA رؤية AI Grid في GTC، حيث يعمل AI-RAN كطبقة حافة للشبكة والحوسبة، بينما توفر AI Grid السحابة الموزعة والتنظيم.

مساران صناعيان: الانضمام أو البناء المستقل

تظهر في الصناعة استجابتان عامتان. الأولى تبني AI-RAN القائم على GPU بالكامل. يهتم مشغلون مثل SoftBank وAT&T بذكاء الشبكة وخفض OPEX وابتكار خدمات جديدة والتموضع المبكر لعصر 6G. وتشير بعض التقديرات إلى أن الأتمتة والذكاء بأسلوب AI-RAN قد يخفضان OPEX بأكثر من 30% في بعض السيناريوهات.

Nokia من أبرز موردي المعدات في هذا المسار، إذ يمكن لبرنامج anyRAN لديها التكامل مع منصات NVIDIA GPU AI RAN. وفي مارس 2026 أعلنت اختبارات وظائف AI-RAN مع T-Mobile US وTelkom Indonesia وSoftBank.

المسار الثاني هو الاستكشاف المستقل. يوافق كثير من الموردين والمشغلين على أن AI سيغير بنية الاتصالات، لكنهم لا يريدون الارتباط العميق بمنظومة GPU واحدة. فقد اختبرت Ericsson برمجيات RAN على منصات NVIDIA AI، وفي الوقت نفسه دمجت مسرّع شبكة عصبية قابلًا للبرمجة في شرائح Ericsson Silicon لدفع الاستدلال أقرب إلى معدات AAU وRRU.

تستكشف Huawei وZTE أيضًا مساراتهما الخاصة لتقارب AI والاتصالات. طرحت Huawei مفهوم AI-Centric Network وقدمت ZTE AIR MAX. وهذا يوضح أن AI-RAN ليس حل مورّد واحد، بل اتجاه واسع بعدة مسارات تقنية.

لماذا يهتم المشغلون ولماذا يقلقون

يهتم المشغلون بـ AI-RAN لأنه قد يساعدهم على الخروج من مشكلة “الأنبوب الغبي”. فالمشغلون يبيعون الاتصال غالبًا، وقيمة الاتصال وحده تتعرض للضغط. إذا أصبحت المحطات عقد خدمات AI طرفية قابلة للبرمجة، فقد تظهر نماذج عمل جديدة مبنية على استدلال منخفض التأخير وتطبيقات صناعية وتعريض البيانات والشبكات الخاصة والحوسبة الطرفية.

يتحدث بعض المشغلين أيضًا عن الانتقال من تشغيل المرور إلى “تشغيل الرموز token”، أو من مزودي خدمة اتصالات إلى مزودي حوسبة. يناسب AI-RAN هذا الهدف لأنه يجمع الاتصال الراديوي والحوسبة الطرفية للذكاء الاصطناعي.

لكن القلق قائم. إذا ارتبطت معالجة النطاق القاعدي واستدلال AI بعمق بمنصة GPU واحدة فقد تنتقل السيطرة على بنية RAN إلى تلك المنظومة، مما يثير مخاوف الاحتكار التقني، السيادة التقنية، الاعتماد على سلسلة الإمداد، شفافية التكلفة وقوة التفاوض.

تحديات نشر AI-RAN

يواجه AI-RAN تحديات عملية قبل الانتشار الواسع. أولها التكلفة؛ إذ قد يكون CAPEX مرتفعًا بسبب مسرعات AI والخوادم ومعدات الشبكات وترقيات المواقع، كما قد يرتفع OPEX بسبب استهلاك الكهرباء والتبريد والصيانة والعمليات الجديدة.

التحدي الثاني هو نموذج العمل: كيف تقاس حوسبة AI الطرفية وتسعر وتباع وتدار؟ هل تباع سعة AI-RAN مثل موارد السحابة، أو شرائح الشبكة، أو الخدمات الصناعية، أم كفئة جديدة بالكامل؟

التحدي الثالث هو المعايير. تقود 3GPP عادة معايير الاتصالات، بينما يدفع AI-RAN Alliance واللاعبون المرتبطون به هذا المجال. لا يوجد بعد إطار موحد لدلالات البيانات وواجهات النماذج وتنظيم الخدمات وجدولة الأعباء والمسؤولية التجارية.

التحدي الرابع هو نضج المنظومة. على موردي الشرائح والمعدات والمشغلين والسحابة والأجهزة والتطبيقات ونماذج AI اختيار الطريق التقني المناسب. وما زالت شركات كثيرة تقيم حجم الاستثمار وكيف تتجنب الرهان على معمارية خاطئة.

لماذا قد تكون الحوسبة غير المتجانسة هي الحل الحقيقي

من المرجح أن يتطور AI-RAN، لكن المعمارية النهائية قد لا تكون GPU خالصة. الاتجاه الأكثر واقعية هو الحوسبة غير المتجانسة، بجمع ASIC + GPU + CPU، وفي بعض الحالات FPGA. لكل نوع من الشرائح دور خاص.

ASIC فعّالة للأعباء الثابتة في الاتصالات. CPU توفر تحكمًا عامًا ومعالجة خدمات مرنة. GPU قوية في الحوسبة المتوازية للذكاء الاصطناعي وبعض أعباء RAN المسرعة. FPGA توفر تسريعًا قابلًا للبرمجة في السيناريوهات المتخصصة. ويمكن للمشغلين المزج بينها حسب الأداء والكفاءة والتكلفة وحجم النشر والمنظومة.

تساعد هذه المعمارية الهجينة على تجنب الاعتماد على مسار واحد، كما تسمح بنشر AI-RAN تدريجيًا بدءًا من تحسين الشبكة وتحليل الفيديو الطرفي والتموضع الصناعي والشبكات الخاصة ومنصات أبحاث 6G.

بنية حل AI-RAN الموصى بها

ينبغي تصميم AI-RAN العملي كبنية طبقية لا كترقية عتاد بسيطة. طبقة الراديو تشمل RU وAAU وDU وCU. وطبقة الحوسبة تشمل ASIC وCPU وGPU وربما FPGA. وطبقة AI تشمل تشغيل النماذج ومحرك الاستدلال ومعالجة البيانات وخوارزميات التحسين. أما طبقة التنظيم فتدير جدولة الأعباء وتعريض الخدمات والمراقبة ودورة الحياة.

في هذه البنية يجب أن تحافظ أعباء الاتصالات على أداء حتمي دائمًا. أما أعباء AI فتجدول بحسب الأولوية والسعة المتاحة ومتطلبات التأخير. مثلًا يجب أن تكون معالجة RAN الفورية أعلى أولوية من استدلال AI غير الحرج، وتخصص تطبيقات الفيديو والتموضع والتحكم منخفض التأخير وفق SLA.

ينبغي للمشغلين أيضًا تصميم طبقة أمن وحوكمة تشمل خصوصية البيانات وأمن النماذج والتحكم في الوصول وسجلات التدقيق وعزل الخدمات واستعادة الأعطال، لأن AI-RAN يربط بنية الشبكة بتطبيقات AI ومتطلباته الأمنية أعقد من المحطات التقليدية.

حالات استخدام AI-RAN

تحسين الشبكة

يمكن للذكاء الاصطناعي توقع حركة المرور، تحديد التداخل، تحسين جدولة موارد الراديو، تحسين توفير الطاقة ودعم الضبط الآلي للشبكة. وينتمي هذا غالبًا إلى AI for RAN.

تحليل الفيديو على الحافة

يمكن لمحطة قاعدة مزودة بحوسبة AI طرفية معالجة تدفقات الفيديو القريبة للأمن العام والمراقبة الصناعية وإدارة المرور والحرم الذكي، مما يقلل الحاجة لإرسال كل البيانات إلى السحابة المركزية.

الشبكات الخاصة الصناعية

في المصانع والموانئ والمناجم ومواقع الطاقة والمناطق اللوجستية، يمكن لـ AI-RAN دمج 5G الخاص مع استدلال AI محلي لدعم الرؤية الآلية والتحكم بالروبوت وسلامة العمال وفحص المعدات ومراقبة الإنتاج منخفضة التأخير.

أبحاث 6G والشبكات الأصلية للذكاء الاصطناعي

قد يصبح AI-RAN أساسًا مهمًا لـ 6G، حيث يمكن للشبكات المستقبلية دمج الاتصال والاستشعار والحوسبة والذكاء، ويوفر AI-RAN مسارًا محتملًا لهذه المعمارية.

الخلاصة

AI-RAN أحد أهم الاتجاهات التقنية في الاتصالات. فهو يربط تطور RAN وحوسبة AI والبنية الطرفية وOpen RAN وتسريع GPU واستراتيجية 6G. هدفه ليس تحسين أداء المحطة فقط، بل تحويل شبكة النفاذ الراديوي إلى منصة حوسبة طرفية ذكية.

ومع ذلك ما زال AI-RAN في مرحلة مبكرة. حققت الصناعة تقدمًا سريعًا منذ إطلاق AI-RAN Alliance في 2024، لكن النجاح التجاري الواسع غير مضمون. ما زالت CAPEX وOPEX المرتفعة، واستهلاك الطاقة، وقفل المورد، ونماذج العمل غير المؤكدة، وفجوات المعايير، وعدم نضج المنظومة تحديات كبيرة.

المستقبل الأكثر احتمالًا ليس استبدال RAN التقليدي ببنية AI-RAN GPU بشكل بسيط، بل حوسبة غير متجانسة ونشر مرحلي وواجهات مفتوحة والتحقق من نموذج العمل والتطور نحو 6G. قد يصبح AI-RAN تقنية محورية في الثورة القادمة، لكنه يحتاج إلى وقت ونشر واقعي وإثبات تجاري.

FAQ

ماذا يعني AI-RAN؟

يعني Artificial Intelligence Radio Access Network، أي تطبيق AI على شبكة النفاذ الراديوي ودمج أعباء الاتصال اللاسلكي مع أعباء حوسبة AI.

هل AI-RAN مجرد وضع GPU في المحطات؟

لا. GPU جزء مهم من النقاش، لكن AI-RAN يشمل تحسين الشبكة بالذكاء الاصطناعي، وبنية مشتركة لـ AI وRAN، واستخدام RAN كمنصة AI طرفية.

ما الفرق بين AI for RAN وAI and RAN وAI on RAN؟

AI for RAN يحسن أداء الشبكة، وAI and RAN يشغل AI والاتصال على بنية مشتركة، وAI on RAN يستخدم RAN كمنصة طرفية لتطبيقات AI.

لماذا AI-RAN مهم لـ 6G؟

من المتوقع أن يدمج 6G الاتصال والاستشعار والحوسبة والذكاء. ويمكن لـ AI-RAN توفير أساس الحوسبة الطرفية والشبكات الأصلية للذكاء الاصطناعي لهذا التطور.

ما أكبر تحديات AI-RAN؟

تشمل CAPEX وOPEX المرتفعين، استهلاك الطاقة، خطر قفل المورد، نماذج العمل غير المؤكدة، نقص المعايير الموحدة وعدم نضج المنظومة.

ما بنية الحوسبة الأكثر احتمالًا لـ AI-RAN؟

من المرجح اعتماد بنية غير متجانسة تجمع ASIC وGPU وCPU وأحيانًا FPGA لموازنة الأداء والكفاءة والتكلفة والمرونة والسيطرة على المنظومة.