https://blog.fallleaf.net/tags/%E6%B5%81%E9%87%8F/Recent content in 流量 on 红旗下的蛋Hugo -- gohugo.iozh-cnfallleafMon, 17 Aug 2026 15:00:00 +0000https://blog.fallleaf.net/p/ai-cisco-2026/Mon, 17 Aug 2026 15:00:00 +0000https://blog.fallleaf.net/p/ai-cisco-2026/<img src="https://blog.fallleaf.net/p/ai-cisco-2026/cover.webp" alt="Featured image of post AI 对广域网的影响——Cisco 2026 年度报告" /><h2 id="报告概况">报告概况 </h2><p>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。</p> <p>报告作者：Johan Gustawsson、Javier Antich、Waris Sagheer（Cisco） 报告编号：C99-5828901-00 05/26</p> <hr> <h2 id="核心发现">核心发现 </h2><h3 id="ai-推理流量现状体量较小但增速极快">AI 推理流量现状：体量较小但增速极快 </h3><p>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。</p> <h3 id="传输层特征显著不同于传统-web-流量">传输层特征显著不同于传统 Web 流量 </h3><table> <thead> <tr> <th>特征维度</th> <th>AI 推理流量</th> <th>传统 Web 流量</th> <th>差异倍数</th> </tr> </thead> <tbody> <tr> <td>流持续时间（中位数）</td> <td>1292 ms</td> <td>643 ms</td> <td>2 倍</td> </tr> <tr> <td>流速率（中位数）</td> <td>338 Kbps</td> <td>3803 Kbps</td> <td>Web 为 AI 的 10 倍</td> </tr> <tr> <td>上行主导流占比</td> <td>9%</td> <td>0.5%</td> <td>AI 高出 18 倍</td> </tr> </tbody> </table> <p><strong>成因分析</strong> AI 推理采用逐 Token 生成方式，相当于在数据流上施加&quot;整形器&quot;，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。</p> <p><strong>网络影响</strong></p> <ul> <li>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）</li> <li>中位速率与峰均比差异要求差异化 QoS 策略</li> <li>无线接入网容量规划需重新评估上下行对称性假设</li> </ul> <h3 id="传输层协议分布">传输层协议分布 </h3><p>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。</p> <h3 id="网络延迟当前非主要瓶颈">网络延迟：当前非主要瓶颈 </h3><p>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。</p> <p><strong>延迟模型</strong></p> <div class="highlight"><div class="chroma"> <table class="lntable"><tr><td class="lntd"> <pre tabindex="0" class="chroma"><code><span class="lnt">1 </span></code></pre></td> <td class="lntd"> <pre tabindex="0" class="chroma"><code class="language-fallback" data-lang="fallback"><span class="line"><span class="cl">延迟 = TTFT（首 Token 时间）+ TPOT（每 Token 生成时间）× 输出 Token 数 </span></span></code></pre></td></tr></table> </div> </div><ul> <li>OpenAI GPT-5.2：约 9 ms/Token → 100 Token 约 1 秒，600 Token 约 5.4 秒</li> <li>Anthropic Claude Opus 4.5：约 20 ms/Token</li> </ul> <hr> <h2 id="agentic-ai-流量模式">Agentic AI 流量模式 </h2><h3 id="ai-agent-的三大数据源与目的地">AI Agent 的三大数据源与目的地 </h3><ul> <li>• <strong>Agent 本身</strong> ：Agent 代码运行位置</li> <li>• <strong>AI 模型</strong> ：推理发生位置</li> <li>• <strong>工具/数据源</strong> ：Agent 调用的外部工具与数据</li> </ul> <h3 id="实证测试结果以-langchain-open-deep-research-agent-为例">实证测试结果（以 Langchain Open Deep Research Agent 为例） </h3><p>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。</p> <ul> <li>Agent 触发总流量：26.8 MB</li> <li>分析 Web 来源数：44 个</li> <li>Agent 驱动流量增长：450%（相较人工执行同任务）</li> <li>其中 70% 为 AI 推理流量</li> </ul> <h3 id="agent-的脊髓概念">Agent 的&quot;脊髓&quot;概念 </h3><p>Agent 代码与 AI 模型间的网络路径称为 Agent 的&quot;脊髓&quot;——关键依赖路径：</p> <ul> <li>• 任何网络降级直接损害 Agent 功能</li> <li>• 该路径需高弹性、可观测性与差异化处理（QoS、路径安全）</li> <li>• 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</li> </ul> <h3 id="agentic-ai-流量模式关键特征">Agentic AI 流量模式关键特征 </h3><ul> <li>• Agent 是网络&quot;超级用户&quot;，以软件速度消耗云与网络资源</li> <li>• 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</li> <li>• 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</li> <li>• 工具调用通过 MCP 等协议与多外部系统交互</li> </ul> <hr> <h2 id="企业级-agentic-ai-采用预测与网络影响2026-2035">企业级 Agentic AI 采用预测与网络影响（2026-2035） </h2><h3 id="关键时间节点">关键时间节点 </h3><table> <thead> <tr> <th>年份</th> <th>里程碑</th> <th>数据来源</th> </tr> </thead> <tbody> <tr> <td>2026</td> <td>40% 企业应用集成任务特定 AI Agent</td> <td>Gartner</td> </tr> <tr> <td>2027</td> <td>80% 高管认为 Agentic AI 关乎公司生存</td> <td>Cisco/Omdia</td> </tr> <tr> <td>2027</td> <td>67% 企业领导者预期 AI Agent 将自主决策</td> <td>IBM</td> </tr> <tr> <td>2028</td> <td>1/3 用户交互从传统应用转向 Agentic AI 界面</td> <td>Gartner</td> </tr> <tr> <td>2029</td> <td>80% 常规客服问题由 AI Agent 自主处理</td> <td>Gartner</td> </tr> <tr> <td>2035</td> <td>Agentic AI 驱动约 30% 企业应用软件收入（&gt;4500 亿美元）</td> <td>Gartner</td> </tr> </tbody> </table> <h3 id="企业流量增长预测">企业流量增长预测 </h3><ul> <li>无 Agentic AI 场景：2026-2035 年企业流量增长约 2.5 倍</li> <li>有 Agentic AI 场景：企业流量增长约 9 倍</li> <li>核心驱动力：自主任务执行与推理密集型工作流</li> </ul> <h3 id="采用曲线特征">采用曲线特征 </h3><ul> <li>2024-2025 年：萌芽期（&lt;5% 企业应用含 AI Agent）</li> <li>026-2028 年：快速采用期（从实验走向战略）</li> <li>2029-2032 年：爆发增长期（AI 推理流量 CAGR 约 25%）</li> <li>2033-2035 年：成熟普及期（AI Agent 成企业运营标准组件）</li> </ul> <hr> <h2 id="消费者-ai-与-agentic-ai-采用预测与网络影响2026-2035">消费者 AI 与 Agentic AI 采用预测与网络影响（2026-2035） </h2><h3 id="当前采用现状">当前采用现状 </h3><ul> <li>2025 年中：61% 美国成年人过去 6 个月使用过 AI，约 19% 日活</li> <li>全球约 17-18 亿人曾使用 AI 工具，其中 5-6 亿日活用户</li> <li>2025 年底：约 23% 美国人过去一个月通过 AI 完成购买（Morgan Stanley）</li> </ul> <h3 id="关键预测">关键预测 </h3><table> <thead> <tr> <th>年份</th> <th>预测</th> <th>数据来源</th> </tr> </thead> <tbody> <tr> <td>2030</td> <td>AI 驱动购买占美国消费者交易 46%</td> <td>Cognizant/Oxford Economics</td> </tr> <tr> <td>2030</td> <td>Agentic shoppers 占美国电商支出 10-20%</td> <td>Morgan Stanley</td> </tr> <tr> <td>2030</td> <td>AI Agent 协调全球零售收入 3-5 万亿美元</td> <td>McKinsey</td> </tr> <tr> <td>2030s 初</td> <td>大多数消费者日常使用 AI 助手，如同使用互联网</td> <td>综合预测</td> </tr> <tr> <td>2035</td> <td>AI 接近无处不在，覆盖 90-100% 互联网用户</td> <td>综合预测</td> </tr> </tbody> </table> <h3 id="消费者流量增长预测">消费者流量增长预测 </h3><ul> <li>无 AI 影响场景：2025-2035 年网络流量增长约 4 倍</li> <li>有 AI/Agentic AI 场景：流量增长约 6.6 倍（相较非 AI 场景增加 63%）</li> <li>AI 推理流量预计占 2035 年总流量 25%</li> </ul> <h3 id="设备生态扩展">设备生态扩展 </h3><p>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。</p> <hr> <h2 id="物理-ai-的潜在影响">物理 AI 的潜在影响 </h2><p>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。</p> <hr> <h2 id="对网络规划与运营的关键启示">对网络规划与运营的关键启示 </h2><h3 id="流量特征的根本性变化">流量特征的根本性变化 </h3><p>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：</p> <table> <thead> <tr> <th>维度</th> <th>传统假设</th> <th>AI 时代新现实</th> </tr> </thead> <tbody> <tr> <td>流量模式</td> <td>突发性、下行主导</td> <td>平滑持续、上行增加</td> </tr> <tr> <td>交互节奏</td> <td>人类速度</td> <td>软件速度</td> </tr> <tr> <td>关键路径</td> <td>无特定依赖</td> <td>Agent-模型路径为&quot;脊髓&quot;</td> </tr> <tr> <td>流持续时间</td> <td>短（~643 ms）</td> <td>长（~1292 ms）</td> </tr> <tr> <td>安全需求</td> <td>传统边界防护</td> <td>分布式、流感知安全</td> </tr> </tbody> </table> <h3 id="网络架构演进方向">网络架构演进方向 </h3><ul> <li>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</li> <li>流感知网络系统需向分布式架构演进，应对流表规模增长</li> <li>接入网规划需重新评估上下行对称性假设，增加上行容量</li> <li>安全系统需适应 QUIC 加密流量与 AI 流量新特征</li> <li>网络延迟将随推理硬件加速而变得更重要</li> </ul> <h3 id="持续测量与保障">持续测量与保障 </h3><ul> <li>需建立 AI 特定 KPI 的持续测量体系</li> <li>可使用 Cisco Crosswork Assurance 等工具跨网络端点测量 AI 推理 KPI</li> <li>自适应网络架构对维持性能与用户体验至关重要</li> </ul> <h3 id="规划建议">规划建议 </h3><ul> <li>传统规划假设（突发性、下行主导、人类节奏）需调整</li> <li>2029-2032 年为 AI 推理流量爆发增长期（CAGR 约 25%），需提前布局</li> <li>企业网络需为 9 倍流量增长做准备</li> <li>运营商网络需为 6.6 倍流量增长做准备，其中 AI 推理占 25%</li> </ul> <hr> <h2 id="报告方法论">报告方法论 </h2><p><strong>数据来源</strong></p> <ol> <li>Cisco Crosswork Assurance User Experience 真实流量分析</li> <li>Cisco 实验室 AI Agent 受控测试</li> <li>第三方行业报告（Gartner、IBM、McKinsey、Morgan Stanley、Omdia 等）</li> </ol> <p><strong>流量识别</strong> 通过实证测试训练模型，精确识别与追踪 AI 流量</p> <p><strong>预测模型</strong> 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</p> <p><strong>报告周期</strong> 年度更新</p> <hr> <h2 id="关键数据汇总">关键数据汇总 </h2><table> <thead> <tr> <th>指标</th> <th>数值</th> <th>时间节点</th> </tr> </thead> <tbody> <tr> <td>Token 消耗同比增长</td> <td>10x</td> <td>2024.12-2025.12</td> </tr> <tr> <td>服务商 AI 流量增长</td> <td>4x / 8 个月</td> <td>2025.04-2025.12</td> </tr> <tr> <td>AI 推理流持续时间</td> <td>2x 传统 Web</td> <td>当前</td> </tr> <tr> <td>AI 推理流速率</td> <td>1/10 传统 Web</td> <td>当前</td> </tr> <tr> <td>AI 上行主导流占比</td> <td>9%（vs Web 0.5%）</td> <td>当前</td> </tr> <tr> <td>Agent 流量增幅</td> <td>450%</td> <td>实证测试</td> </tr> <tr> <td>Agent 流量中 AI 推理占比</td> <td>70%</td> <td>实证测试</td> </tr> <tr> <td>企业流量增长（无 Agentic AI）</td> <td>2.5x</td> <td>2026-2035</td> </tr> <tr> <td>企业流量增长（有 Agentic AI）</td> <td>9x</td> <td>2026-2035</td> </tr> <tr> <td>消费者流量增长（无 AI）</td> <td>4x</td> <td>2025-2035</td> </tr> <tr> <td>消费者流量增长（有 AI）</td> <td>6.6x</td> <td>2025-2035</td> </tr> <tr> <td>AI 推理占全网流量</td> <td>25%</td> <td>2035 年</td> </tr> <tr> <td>AI 推理流量 CAGR（爆发期）</td> <td>~25%</td> <td>2029-2032</td> </tr> </tbody> </table> <hr> <p><em>来源：Cisco Systems, Inc. &ldquo;AI Impact on Wide Area Networks: Cisco 2026 Report&rdquo;</em> <em>合作：Opanga Networks</em></p>