报告概况

本报告由 Cisco Systems, Inc. 主导研究，联合 Opanga Networks 共同完成，属年度系列报告首期，后续将逐年更新。研究基于三类数据源：Cisco Crosswork Assurance User Experience 真实流量分析、Cisco 实验室对 AI Agent 的受控测试、以及 Gartner、IBM、McKinsey、Morgan Stanley、Omdia 等第三方机构的行业数据。

报告作者：Johan Gustawsson、Javier Antich、Waris Sagheer（Cisco） 报告编号：C99-5828901-00 05/26

核心发现

AI 推理流量现状：体量较小但增速极快

OpenRouter 平台数据显示，2024 年 12 月至 2025 年 12 月期间，Token 消耗同比增长约 10 倍。两家服务提供商的 8 个月监测数据显示，AI 推理流量增长约 4 倍。若保持当前增速，预计 2035 年 AI 流量将占全网流量的 25%，成为重要组成部分。

传输层特征显著不同于传统 Web 流量

成因分析 AI 推理采用逐 Token 生成方式，相当于在数据流上施加"整形器"，导致流持续时间延长、速率更平滑。推理请求通常携带大量上下文，致使上行流量显著增加。Agentic AI 执行任务时持续积累上下文状态，进一步加剧上行增长。

网络影响

• 流感知网络系统（防火墙、入侵检测、DPI）面临流表状态规模与分散度双重增长，需向分布式架构演进（如 Cisco Hypershield）
• 中位速率与峰均比差异要求差异化 QoS 策略
• 无线接入网容量规划需重新评估上下行对称性假设

传输层协议分布

AI 推理服务同时使用 TCP 与 QUIC。按流数量计，两者接近 50% 对 50%；按数据量计，QUIC 占 57%。QUIC 的加密特性给 DPI 系统的应用层流量识别带来挑战。

网络延迟：当前非主要瓶颈

端到端 AI 推理延迟主要由模型处理时间决定，通常在数百毫秒至数秒范围。网络延迟目前仅占 20-50 ms，尚不足以证明大规模向边缘推理迁移的合理性。但随推理硬件加速发展，网络延迟重要性将上升。测量与保障 AI 推理体验已成服务质量感知关键。

延迟模型

1

延迟 = TTFT（首 Token 时间）+ TPOT（每 Token 生成时间）× 输出 Token 数

• OpenAI GPT-5.2：约 9 ms/Token → 100 Token 约 1 秒，600 Token 约 5.4 秒
• Anthropic Claude Opus 4.5：约 20 ms/Token

Agentic AI 流量模式

AI Agent 的三大数据源与目的地

• • Agent 本身 ：Agent 代码运行位置
• • AI 模型 ：推理发生位置
• • 工具/数据源 ：Agent 调用的外部工具与数据

实证测试结果（以 Langchain Open Deep Research Agent 为例）

测试任务：收集 Cisco 公开 IR、社交媒体、新闻、合作伙伴、高管信息等。

• Agent 触发总流量：26.8 MB
• 分析 Web 来源数：44 个
• Agent 驱动流量增长：450%（相较人工执行同任务）
• 其中 70% 为 AI 推理流量

Agent 的"脊髓"概念

Agent 代码与 AI 模型间的网络路径称为 Agent 的"脊髓"——关键依赖路径：

• • 任何网络降级直接损害 Agent 功能
• • 该路径需高弹性、可观测性与差异化处理（QoS、路径安全）
• • Agent 以软件速度而非人类速度运行，网络资源消耗呈数量级增长

Agentic AI 流量模式关键特征

• • Agent 是网络"超级用户"，以软件速度消耗云与网络资源
• • AI 推理流量不仅是流量主要组成，更是 Agent 运行的关键路径流量
• • Agent 部署位置灵活（端侧/本地/私有 DC/公有云），推理路径可能跨越多网络域
• • 工具调用通过 MCP 等协议与多外部系统交互

企业级 Agentic AI 采用预测与网络影响（2026-2035）

关键时间节点

企业流量增长预测

• 无 Agentic AI 场景：2026-2035 年企业流量增长约 2.5 倍
• 有 Agentic AI 场景：企业流量增长约 9 倍
• 核心驱动力：自主任务执行与推理密集型工作流

采用曲线特征

• 2024-2025 年：萌芽期（<5% 企业应用含 AI Agent）
• 026-2028 年：快速采用期（从实验走向战略）
• 2029-2032 年：爆发增长期（AI 推理流量 CAGR 约 25%）
• 2033-2035 年：成熟普及期（AI Agent 成企业运营标准组件）

消费者 AI 与 Agentic AI 采用预测与网络影响（2026-2035）

当前采用现状

• 2025 年中：61% 美国成年人过去 6 个月使用过 AI，约 19% 日活
• 全球约 17-18 亿人曾使用 AI 工具，其中 5-6 亿日活用户
• 2025 年底：约 23% 美国人过去一个月通过 AI 完成购买（Morgan Stanley）

关键预测

消费者流量增长预测

• 无 AI 影响场景：2025-2035 年网络流量增长约 4 倍
• 有 AI/Agentic AI 场景：流量增长约 6.6 倍（相较非 AI 场景增加 63%）
• AI 推理流量预计占 2035 年总流量 25%

设备生态扩展

智能手机仍为主力终端。AI 正渗透至家居、可穿戴设备、汽车与 AR 界面。多设备普及使 AI 几乎随时随地可用。

物理 AI 的潜在影响

随机器人技术发展，物理 AI 将对网络基础设施产生重大影响。多数系统将结合嵌入式实时推理（即时动作）与云端推理（复杂推理）。从网络视角看，机器人可视为配备物理工具的 Agent。预计总体影响与数字 Agent 相当，后续报告将持续跟踪。

对网络规划与运营的关键启示

流量特征的根本性变化

AI 与 Agentic AI 不仅增加流量总量，更改变流量的形态、对称性、持续时间与关键性：

网络架构演进方向

• AI 推理路径将成战略性网络资产，需高弹性、可观测性与差异化 QoS 保障
• 流感知网络系统需向分布式架构演进，应对流表规模增长
• 接入网规划需重新评估上下行对称性假设，增加上行容量
• 安全系统需适应 QUIC 加密流量与 AI 流量新特征
• 网络延迟将随推理硬件加速而变得更重要

持续测量与保障

• 需建立 AI 特定 KPI 的持续测量体系
• 可使用 Cisco Crosswork Assurance 等工具跨网络端点测量 AI 推理 KPI
• 自适应网络架构对维持性能与用户体验至关重要

规划建议

• 传统规划假设（突发性、下行主导、人类节奏）需调整
• 2029-2032 年为 AI 推理流量爆发增长期（CAGR 约 25%），需提前布局
• 企业网络需为 9 倍流量增长做准备
• 运营商网络需为 6.6 倍流量增长做准备，其中 AI 推理占 25%

报告方法论

数据来源

1. Cisco Crosswork Assurance User Experience 真实流量分析
2. Cisco 实验室 AI Agent 受控测试
3. 第三方行业报告（Gartner、IBM、McKinsey、Morgan Stanley、Omdia 等）

流量识别 通过实证测试训练模型，精确识别与追踪 AI 流量

预测模型 基于行业数据建立可重复测量框架与基线，逐年跟踪 AI 流量演进

报告周期 年度更新

关键数据汇总

来源：Cisco Systems, Inc. “AI Impact on Wide Area Networks: Cisco 2026 Report” 合作：Opanga Networks