观点 on 红旗下的蛋

“管道”焦虑三十年

Thu, 24 Sep 2026 07:15:00 +0800

其实这个焦虑不新鲜。我在运营商下游干了三十多年，管道焦虑每隔十年重演一次，深刻体会到每次传递给我们，都是更重的焦虑。

这里说的"管道"，不是指通信管道、光缆或承载网具体的一个网络，而是指整张庞大的电信网。

每次我都以为这次不一样，结果回头看，总有几分熟悉，但也总有几分不同。

互联网时代，运营商做过门户，做过信息港，起初是培育，后来是追赶。移动互联网时代，微信把短信和语音打没了，运营商喊管道化，于是做流量经营，做基地，做应用商店。云时代，怕被云厂商架空，三家都做云，天翼云、移动云，还有联通云。现在 AI 时代，怕被模型厂商和路由平台架空，于是做 Token 经营。

但每一次真正留下来的，还是那张网。 流量经营是管道焦虑的产物，最后成了运营商最赚钱的业务之一，可那只是把管道本身经营好了，人还在管道里。

第一幕，互联网时代，先是培育，后是追赶

九十年代中期，中国接入国际互联网。拨号上网的年代，163、169 是上网的号码，上网费加电话费，运营商躺着收钱。那时候谈不上焦虑。互联网本身就是电信技术的延伸，拨号要电信的线路，计费要电信的账单，接入要电信的端口，业务和技术的耦合度极高，运营商是当然的主导者。

最早的互联网业务，大多是运营商培育的。BBS 是电信局搭的，信息港是电信局做的。上海热线、广州视窗、天府热线、商都信息港，每个城市一个本地门户，本地新闻、聊天室、BBS，热闹过一阵。

那时候做这些，是业务培育，跟管道焦虑不沾边。互联网是新生事物，运营商有网络、有用户、有计费、有营业厅，先天优势摆在那里，做信息港是顺理成章的事。

那时谁也没想到，后来会有管道焦虑症。

转折发生在互联网普及之后。用户多了，创新就跑到应用层去了。门户、搜索、IM、电商，一个接一个冒出来。

这些业务有一个共同点，和电信技术的耦合度越来越低。新浪不需要电信的技术，腾讯不需要电信的技术，它们只需要电信的管道。

运营商第一次发现，自己从互联网的培育者变成了互联网的通道，价值在通道之外产生。管道焦虑，从这里开始。

于是开始追赶。中国电信推出互联星空，聚合 SP 内容统一收费。中国移动推出移动梦网，短信彩信、WAP、手机游戏，SP/CP 分成，运营商收通道费，SP 拿大头。联通有联通在信，网通有网通资讯。

结果很有意思。 凡是和电信能力高度耦合的业务，运营商往往更具有优势。凡是能解耦的业务，运营商就越来越容易被推到管道的位置。

门户没做成，新浪、搜狐、网易、腾讯把门户和 IM 做成了。互联星空没做成平台，SP 乱象丛生，短信陷阱、强行扣费，后来被监管整治。

但移动梦网意外成功了。短信增值业务爆发，春节短信拜年成为现象，巅峰时梦网注册用户过亿。

为什么？因为短信增值业务和电信技术高度耦合，短信通道是电信的，话费计费是电信的，SP 想卖东西，绕不开运营商。

后来梦网主体业务逐步收缩，最终全网短彩正式下线，一个时代彻底落幕。

第一幕最讽刺的地方在这里。运营商搭台，SP 唱戏，钱没少赚，但被养大的，是台下的互联网公司。

那几年，几家后来家喻户晓的互联网公司，移动增值业务收入占比极高，是移动梦网的分成救了它们。网易、新浪、搜狐同样靠短信分成熬过了互联网泡沫。

十几年后，这孩子用微信把运营商的短信和语音打没了。

国际对照，戏码差不多。

AOL 与时代华纳合并，接入商加内容商的世纪联姻，几年后爆出巨额商誉减值，成为史上最失败的并购之一。德国电信做 T-Online，法国电信做 Wanadoo，欧洲运营商的门户梦，后来剥离的剥离、衰落的衰落。

唯一做得像样的是 NTT DoCoMo 的 i-mode，推出后用户快速增长，开创了 emoji，话费代收让内容商放心入驻，是运营商做平台的巅峰之作。

但它是个封闭花园，用户只能上 i-mode 版的互联网，而不是完整的互联网。iPhone 一来，花园的墙就塌了。i-mode 活了二十多年，比任何一次向上爬都久，也终究没逃过被开放生态取代的命。

第一幕的教训，落在耦合度上。业务和电信技术耦合度高的时候，运营商是主导者。耦合度一旦降低，运营商就变成管道。移动梦网的成功和门户的失败，分野就在耦合度。

这个道理，我们当时不懂，后来懂了，也晚了。

只是那时候说的耦合，更多是技术和计费上的耦合；后来才明白，耦合还有客户、监管、合规这些维度，有些业务技术上可以解耦，商业和监管上却绕不开运营商。

第二幕，移动互联网，流量经营

微信上线一年后，点对点短信发送量见顶，运营商传出要对微信收费，舆论哗然，最后不了了之。话音收入开始下滑，运营商喊管道化。

应对分两路。一路向上爬。中国移动有飞信、九大基地、MM 商城，电信有天翼空间，联通有沃商店。

飞信最可惜，它比微信早几年，巅峰时注册用户规模超过5亿，但只对移动用户开放，给联通、电信用户发消息要按条收短信费，功能迭代慢半拍。后来改名和飞信，想转企业市场，又撞上钉钉和企业微信，最终停服。

九个基地散落全国，后来内容类五大基地整合为咪咕文化。应用商店全军覆没，App Store 和安卓市场不是运营商能打的仗。

这些项目的宣传一个比一个漂亮，但上线一个比一个安静。

另一路是流量经营。不往上爬了，把管道本身卖好。4G 一开，流量收入几年内就成了运营商的第一收入来源。这一轮，运营商靠把管道经营好活了下来，而且活得不错。

流量为什么能成？因为流量本身就是电信产品，用户用多少、怎么用，都绕不开那张网。耦合度又回来了。

这一轮运营商算是学乖了，不折腾了，反而活下来了。

国际对照，AT&T 不信这个邪。宣布巨额收购时代华纳，要做管道加内容，几年后宣布剥离，再与 Discovery 完成合并。巨额买来的教训是，运营商做内容，主场不在自己手里。

这一轮也让人第一次清楚看到： 赚到钱和拿到话语权，完全是两码事。

流量经营在收入上无疑是成功的。但在产业控制力上，运营商仍然更多是管道，而平台和控制点，长在操作系统、应用商店和超级 App 手里。

第三幕，云时代，三家做云

数据中心建了一堆，云厂商在上面跑，运营商怕自己变成房东，租客赚大钱，自己收租金。于是三家都做云。

这一轮是向上爬最成功的一次。三家云收入连续多年高速增长，靠政务云、国资云冲进第一梯队。天翼云做到千亿级别，混合云市场份额靠前。

到了后来，增速集体踩了刹车。几家云的增速明显放缓，而互联网云厂商普遍保持较高增速。阿里云份额继续上升，华为云、腾讯云也稳步扩张。

原因不复杂。政企上云的红利逐渐见顶了，而 AI 原生云对模型、平台和开发生态的要求，也不是传统运营商的优势所在。

运营商云爬上了云这座山，发现山顶上还是靠资源吃饭，从通信管道变成了算力管道。 爬得越高，看得越清楚，山顶上还是那张网。

但这一轮和以前不一样。云不是单纯的应用，它离网络、离机房、离客户现场更近。

在通用公有云那一层，运营商确实更像资源型管道，连数据中心之间的干线（DCI）也被大厂商自建分流掉了不少；但在政务云、行业云，以及"专线 + 云 + 安全"一体化交付这些环节，运营商在接入侧的物理覆盖、国资背景信任和监管法规壁垒，又构成了极高的耦合深度。

收入上，云已经是运营商的重要支柱；话语权上，有些环节还在争夺之中，远没到盖棺定论的时候。

第四幕，AI 时代，Token 经营

剧本又来了，但背景已经不同。顶级通用大模型是别人的，入口是别人的，运营商手里只有算力和那张网。

于是做 Token 经营，做算力分发，做算力网络，建智算中心。三大运营商也陆续推出 Token 套餐，把自己的模型、第三方模型和算力资源放进统一的平台里。

这次手里多了一张牌，算力。以前运营商只有管道，现在管道两头还连着机房。

但模型厂商和路由平台也在往上爬，OpenRouter 们正在把模型路由做成新的入口。

Token 经营到底是流量经营的翻版，还是门户的翻版，要等三五年才知道。 反正剧本我熟，等就是了。

但这一次，有些环节可能不一样。

纯转售模型 API、简单打包 Token 套餐，这些很容易退化成资源型管道，拼价格、拼带宽，最后回到"算力管道"的老路。

跨数据中心的连接、算力调度、企业级模型服务，以及合规和数据主权，这些东西都离不开网络、机房和本地化服务。运营商手里的这些资源，也许会形成新的控制点。

Token 能不能真正变成运营商的业务，收入只是一个方面。更值得看的，是哪些环节最终绕不开运营商。

剧本有相似之处，也有本质不同

剧本有相似之处。新技术来了，价值往上游和下游跑，运营商被夹在中间，于是焦虑，于是向上爬，于是发现爬上去的地方不全是自己的主场。药方也似，还是做平台，做入口，做生态。

而这种焦虑，也一次次传递给我们。运营商担心被云厂商架空，我们就研究云、算力、DCI；到了 AI 时代，又开始研究 Token、算力调度和 AI 入口。

但每一次真正留下来的，还是那张网。

回头看三十多年，运营商有过一次不再向上爬的应对，就是流量经营。它承认自己就是管道，把管道本身经营好。短信、流量这些与网络高度耦合的业务，最终都成了运营商的重要收入来源。门户、基地、应用商店、很多爬上去却都没站稳；云、Token 经营，则还在路上。

但我渐渐明白：管道不是问题，管道能力才是。

把管道经营好，不再是简单地卖带宽、卖流量。政策法规、物理部署和本地化服务这些东西，恰恰是运营商不容易被绕开的地方。

下一次技术变革来的时候，运营商大概还是会焦虑，还是会向上爬，这没什么可耻的，焦虑是活着的证明。

只是三十多年看下来，我越来越觉得，运营商未必非要成为每一轮新技术的主角。把自己的网络真正变成别人绕不开的基础能力，也许就已经够了。

三十多年，四幕戏，我一场没落。下一场开演的时候，我大概已坐在台下，看年轻人再演一遍。

OLT 能不能成为算力边缘节点（二）？把 GPU 放到 OLT 旁边就行了吗？

Tue, 22 Sep 2026 07:45:00 +0800

上一篇文章最后留下了一个问题：

如果真的把 GPU 放到 OLT 旁边，用户到底怎么才能用上这份算力？

这问题比"能不能放"更值得琢磨。

算力部署过去，只说明那儿有了计算资源。用户要真用上，还得解决几个事：

AI 请求从哪进来？
网络咋知道这是 AI 请求？
用户面在哪？
业务怎么被引到合适的算力？
不同 AI 业务，该用哪儿的算力？

上一篇从地理、网络、服务三个维度看 Edge。这篇往下具体看，落在三个部署要素上：

算力放哪？（地理维度）
用户面在哪？（网络维度）
服务入口在哪？（服务维度）

这三个要素如果能协同一致，Edge 才有意义。否则 GPU 再近，也只是机房里的一堆铁疙瘩。

GPU 有了，用户从哪进门？

假设 OLT 机房真放了一组 GPU（算力资源）。物理距离上，它离用户很近。

但用户不会因为 OLT 旁边多了几台 GPU，就知道这儿有 AI 服务。用户访问的是 AI 服务，不是 GPU。

一份能被用户用的 AI 服务，除了 GPU，还得有模型、推理服务、数据、服务入口。这个入口，可以叫 AI Gateway。

它负责接用户的 AI 请求，再把请求送到合适的 AI 服务和算力节点。

简单说就是：

用户请求 → AI Gateway → 服务选择 → Edge GPU

GPU 是底层算力。AI Gateway 更像用户进 AI 服务的一扇门。没这扇门，GPU 就算在用户隔壁，也只是机房里一组计算设备。

AI Gateway 不一定是台单独设备，也不一定非得部署在 OLT 上。它可以集中，也可以分层。比如部署在核心管全局调度，部署在区域或接入侧管本地服务发现。

问题就变成了：用户的请求，怎么找到这扇门？

从部署三要素来看，AI Gateway 主要解决服务入口的事：

用户请求从哪进入AI 服务
服务怎么被发现和选
请求怎么被引到合适的算力节点

网络怎么知道这是 AI 请求？

这事儿比想的复杂。

现在大量业务跑在 HTTPS 上。网络通常看不到应用层内容，也就不能简单通过读报文判断：“这是个 AI 请求。”

这里要分两种情况。

运营商自己的 AI 服务，相对简单。AI Gateway 本身就是入口，用户访问这入口，请求自然进运营商自己的 AI 服务体系。

第三方 AI 服务就不一样了。运营商通常没第三方服务的 DNS 控制权，也看不见 HTTPS 里面的具体内容。这时候只能用 SNI、IP 地址、流量特征判断是否是AI请求，但最好是能跟服务商合作拿到更明确的业务信息。

所以 AI 业务识别，不只是网络设备加个"AI 识别功能"这么简单。有效正确的识别，往往要应用、DNS、服务入口、网络策略一起配合。

应用知道自己在调什么服务。网络负责把请求引向合适入口。AI Gateway 再根据用户、业务、资源情况选具体服务和算力。

网络其实不需要知道用户给大模型输的每句话。它要解决的是：这个请求该去哪。

但这儿有个容易被忽略的问题。

AI Gateway 解决的是"业务该去哪"，网络还得解决"报文怎么来的"。

AI业务的HTTP/HTTPS 请求最终还是承载在用户的 IP 会话上，在运营商广泛采用 PPPoE 宽带接入方式下，如果要在用户接入侧完成三层业务分流，得先由用户面完成 PPPoE 会话终结，建立相应的三层业务上下文。

这就引出下一个问题： 用户面到底在哪？

GPU 在 OLT 旁边，BNC-UP 还在核心，咋办？

以固网宽带为例。传统 PPPoE 接入下，用户 PPP 会话在 BNG/BRAS 终结。联通 BNC 架构里，由 BNC-UP 承担用户面功能。

典型业务路径：

用户 → ONU/ONT → OLT → 承载网 → BNC-UP → Internet/云

AI Gateway 和 GPU 都部署在 OLT 局所，但 BNC-UP 还在远端本地核心，这就有问题了。

用户的 AI 请求虽然从 OLT 进了网，但还得先到核心的 BNC-UP 完成用户面处理，再被转发回 OLT 附近的 AI Gateway 和 GPU。

也就是说： GPU 已经很近了，用户面却还在远处。流量走的路反而变长了。

一个完整的交互路径成了这样：

用户 → OLT → 核心 BNC-UP → OLT 附近 AI Gateway / GPU → 核心 BNC-UP → 用户

这就是典型的流量折返（Trombone），也可以叫"迂回路由"“折返路由"或"流量绕行”。

GPU 本来是为了靠近用户而下沉的。如果用户面留在核心，业务流量却要先上核心、再回接入侧，GPU 位置带来的低时延优势，就可能被网络路径上的折返抵消。

从部署三要素来看：

地理上，GPU 已在 OLT 附近，离用户很近
网络上，用户面（BNC-UP）仍在远端核心，流量路径没真下沉
服务上，AI Gateway 和 AI 服务逻辑虽在 OLT 侧，但得等流量从核心绕回来才能发挥作用

三要素没协同，地理上的"近"，很难变成真正的 Edge 体验。

所以我越来越觉得： 算力离用户近，不等于 AI 服务离用户近。用户面的位置同样重要。

如果用户面不能和算力、服务入口在路径上对齐，“算力下沉"很容易变成"资源下去了，业务路径没下去”。

BNC-UP 到底该在哪？

现在 BNC-UP 主要集中部署在本地核心。对传统互联网业务，这有合理性——大量的流量是访问IDC的，IDC一般位于本地的核心位置或本地外的互联网其他位置，总体来说是个南北汇聚性业务，用户面在核心，距离业务近，建设运维也方便。

但后期大概会有越来越多 AI 服务向边缘靠近，新问题出来了：用户面是不是也该有更灵活的部署方式？是否像之前的IP城域网将BNG部署在汇聚节点就可以了？

但别简单理解成"以前在核心，现在退回汇聚"。这不是回到过去的问题。

不同业务，对位置要求不一样。

普通互联网业务、一般大模型问答，对极低时延不敏感。用户面集中在本地核心，没大问题。

区域性 AI 业务，比如区域视频分析、智慧城市，算力可能在区域节点。这时候用户面也可以考虑更靠近区域侧。

再往下，工业视觉、实时云渲染、车路协同这类对时延敏感的业务，算力可能就在接入局所或附近。那用户面也得考虑能不能再靠近。

还有一类是企业自己的 AI。企业可能希望数据和模型留在园区或内部。这时候用户面、AI Gateway、算力的位置，可能围绕企业自身业务位置来设计。

与其说 BNC-UP 要"下沉"，不如说： BNC-UP 的位置不该永远只有一个答案。面向不同业务，它可能需要更灵活的分布式部署能力。

这也是 AI 时代网络架构变化里，我觉得值得继续研究的点。从工程三要素来看，这是在调整网络维度（用户面位置）来协同地理维度（算力位置）和服务维度（业务类型）的差异。

用户面下沉了，也不等于 AI 服务就近了

假设 BNC-UP 真下沉到 OLT 附近。Edge AI 就自然成立了？还是不一定。

比如用户面下沉了，但 AI Gateway 和 GPU 还在核心：

用户 → OLT → Edge BNC-UP → 核心 AI Gateway → 核心 GPU

用户面近了，AI 服务本身没下沉。

反过来，算力下沉了，用户面还在核心：

用户 → OLT → 核心 BNC-UP → OLT 附近 GPU → 核心 BNC-UP → 用户

又是前面说的流量折返。

真正值得关注的不是"哪个设备一定要下沉"，而是： 业务路径上的几个关键环节，能不能形成合理的配合。

回到 PPPoE。为什么不能让 OLT 看到 AI 流量后，直接扔给旁边的 GPU？因为传统 PPPoE 架构下，OLT 主要管接入和二层转发。PPPoE 会话终结、用户地址分配、用户业务处理，都在用户面完成。OLT 本身没有完整的用户三层业务上下文。

所以如果想在接入侧真完成三层业务分流，分流位置得具备相应的用户面功能。这正是分布式 BNG 解决的问题之一：控制面可以集中，用户面根据业务需要向边缘部署。它不是绕过用户面，而是把用户面放到更合适的位置。

从三要素来看，这在强调：

地理层：算力可部署在 OLT 附近或区域节点
网络层：用户面需能根据业务类型，在核心、区域或接入侧灵活终结
服务层：AI Gateway 和服务编排要能和用户面、算力形成一致的业务路径

再往下，还得考虑两个问题：服务怎么选、流量怎么过。AI Gateway 不只是找台 GPU，还得找到合适的服务和算力。用户面得能把相应业务真正送到那个服务和算力节点。

这样看，Edge 不是把某个设备搬到用户身边就完了，而是要让用户面、服务入口、算力之间形成一条合理的业务路径。

Edge 不是某台设备的位置，而是一条由服务入口、用户面、算力共同构成的业务路径。

只有这条路径在地理、网络、服务三个要素都"对得上"，用户才能真感受到"算力就在身边"。

算力不一定跟着用户走，服务应该按需下沉

一路追求"离用户越近越好"，容易得出简单结论：给每个 OLT 都放 GPU。

不现实。GPU 不只是买台服务器的事。还有电力、散热、空间、运维，更重要的是算力利用率。一个 OLT 覆盖的用户很多，不意味着这些用户会持续产生足够多的 AI 请求。

我更倾向这样理解： 算力适度集中，服务按需下沉，流量精细引导。

核心的云池仍承担大量通用 AI 服务。汇聚节点的Edge 承担一些对时延和数据位置敏感的业务。更靠近接入侧的算力，服务于少数真正需要本地处理的场景。

重点不是让每个 OLT 都拥有一份算力，而是：用户请求到来后，网络能找到距离、能力、负载都合适的算力。这可能比"每个 OLT 放多少 GPU"更重要。

这就是地理、网络、服务三个要素协同后的结果。

从 OLT 到 Cloud CO：接入局所会发生什么变化？

再回头看 OLT，觉得它的角色会变得有些不同。

OLT 仍是接入设备。计算可以放在附近的通用服务器上。用户面根据业务需要部署。AI Gateway 负责服务入口和业务引导。再往上，还有统一的服务、算力及资源管理。

真正变的可能不是 OLT 本身，而是： OLT 所在的这个局所，未来能不能承载更多东西？

类似思路早有人探索过。CORD 就是代表项目之一。它提出把传统 Central Office（端局）重新改造成能承载数据中心能力的环境，通过虚拟化承载包括 vOLT 在内的网络功能。后来 ONF 又发展出 SEBA 等方案。具体技术路线变了，但有个思路今天仍值得回头看：

传统端局不一定永远只是放网络设备的地方。

如果未来一个接入局所同时具备网络接入、用户面、一定计算能力、服务编排能力，它就可能在地理、网络、服务维度上都具备 Edge 特征。如果未来一个接入局所同时具备这些，它就可能逐渐成为连接用户、网络、算力的近端基础设施。

至于 GPU 是放在 OLT 旁边，还是同机房服务器机柜，甚至附近的小型 Edge DC，反而只是具体实现方式。

回到最初的问题

现在再看最开始的问题：把 GPU 放到 OLT 旁边，用户就能用上算力了吗？

答案显然没这么简单。

用户首先需要一个服务入口。网络需要知道请求该去哪。用户面需要能把业务送到合适的地方。AI Gateway 还得找到合适的服务和算力。最后，算力才真正完成 AI 处理。

上一篇从地理、网络、服务三个维度讨论 Edge，这篇思考到现在，可以得到个比较简单的认识：

Edge 不是某台设备的位置，而是一条业务路径。

这条路径能不能真正靠近用户，取决于服务入口、用户面、算力之间能不能配合起来。

也正因为如此，我现在越来越觉得：“OLT + GPU"只是个设备部署问题。真正值得研究的，是运营商这些遍布用户身边的接入局所，未来能不能逐步成为连接用户、网络、算力和 AI 服务的近端基础设施。

过去，接入网络主要解决：用户怎么接入网络。

以后可能还要继续解决：

用户的 AI 请求怎么找到合适的服务
服务怎么找到合适的算力
算力怎么真正通过网络被用户使用

这样再回头看"OLT 能不能成为算力边缘节点”，答案似乎变了点。

也许真正值得讨论的，不是"要不要给 OLT 旁边放块 GPU？“而是： 当算力进入网络以后，原来的接入网络，会不会逐渐变成连接用户、服务和算力的一部分？

换句话说，接入网络是不是也能在地理、网络、服务维度上，一起向 Edge 演进？

这个问题，可能比 OLT 本身是不是个"算力节点”，更值得继续往下想。

至此，《OLT 能不能成为算力边缘节点》系列文章告一段落，片面之见，欢迎讨论指正。随着 AI 应用的逐渐普及深入，AI所带来的业务和流量的变化对本地网络的发展会产生什么样的影响，也是值得下一步研究。

OLT 能不能成为算力边缘节点（一）？离用户这么近，为什么不行？

Sun, 20 Sep 2026 08:40:00 +0800

最近旁听了几次会议，领导提出了一个问题：“OLT 能不能成为算力边缘节点？”

现场一时没人能给出清晰、系统的回答。为了避免下次遇到类似汇报时一问三不知，我抽空把相关标准、网络架构与业务逻辑梳理了一遍，边查边学边思考，初步形成了以下理解，一点浅见，难免有错，欢迎指正。

AI 越来越需要靠近用户。特别是一些实时交互、视频处理、工业控制之类的业务，算力如果离用户太远，网络时延和数据传输本身就可能成为瓶颈。

既然运营商的 OLT、BBU 等接入节点及其所在的机房本来就离用户很近，为什么不直接在这些位置部署 GPU，把它们变成边缘算力节点？

从物理位置看，这似乎是最直接的办法。

但仔细想了一下，事情没有这么简单。

我们真正需要思考的，可能不是“OLT 能不能放 GPU”，而是：

这些设备和位置，适不适合作为边缘算力服务节点？

直觉上的边缘（Edge）：仅仅是距离近吗？

我们通常很容易把 Edge 理解为“离用户近”。

这个理解不能说错，但它其实只说了一部分。

如果只是从地理位置看，OLT 确实非常接近家庭和企业用户；基站 BBU 更不用说，手机就在其覆盖范围内。

但实现一个业务——例如一个 AI 请求，从用户信息产生到获得结果，中间会经过很多环节：用户在哪里接入、用户面数据在哪里被还原、流量如何被引导、服务从哪里进入、模型在哪里被调用、算力在哪里执行。

真正影响体验的，并不是单一的“距离”，而是整个业务链路在什么位置完成处理。

在查阅 Edge Computing 相关资料时发现，标准和业界讨论的重点，其实也并不是简单定义一个“离用户最近的节点”。从实际业务来看，我更愿意把 Edge 理解成三个层面：物理位置要足够接近，网络连接要足够方便，最重要的是服务和计算资源真的部署在那里。

因此，真正决定 AI 体验的不是“GPU 离用户多少公里”，而是业务处理在地理、网络、服务三个维度的协同位置。

也就是说， Edge真正要解决的，是让计算、网络和服务在合适的位置形成协同 。

经过 OLT，不等于业务就能在 OLT 处理

再来看看 OLT，问题就变得清楚了一些。

以传统PPPoE接入为例，PPPoE会话通常在BNG/BRAS等用户面功能处终止。用户的数据流转路径大致是： 用户终端 → ONU/ONT（PPPoE封装） → OLT → 承载网络 → BNG/BRAS/BNC-UP（PPPoE解封） → Internet 或云

OLT 离用户很近，但 PPPoE 会话通常是在 BNG/BRAS 等用户面功能处终止，OLT 本身并不是用户 IP 业务的终止点。

当然，现在宽带接入中也有 IPoE 等不同方式，具体的认证和用户面处理并不完全一样。但这里真正想说明的并不是 PPPoE 本身，而是一个更关键的问题：

数据经过那里，不等于业务在那里终止。

这是一个非常重要的认知前提。

一个非常容易产生的误解是：用户的数据经过 OLT，因此 OLT 就天然知道用户在访问什么服务。

假设我们真的在 OLT 旁边放了一台 GPU 服务器，或者做成了 OLT 设备上的算力板卡。

用户的业务怎么知道那里有这份算力？网络又怎么把这个业务流量送过去？

数据虽然经过 OLT，但 OLT 并不因此就承担用户 IP 业务的终止和 AI 服务处理。这时候，“OLT 很近”本身就不够了。

OLT通常不是用户IP业务的终止和服务处理点。

从“地理—网络—服务”的视角看：

地理上，GPU 可能已经靠近用户；
网络上，用户面仍然在较远的 BNG 终止，流量路径没有真正下沉；
服务上，AI 服务入口和调度逻辑也不在 OLT 侧。

三者没有协同，单有“近”的地理条件，很难形成真正的 Edge 体验。

有了 GPU，就真的有 AI 服务了吗？

还有一个容易混淆的问题：我们很容易把“算力资源”和“AI 服务”看成一回事。

例如，在 OLT 机房的设备上插了算力板卡，或放了几台 GPU 服务器。从资源角度说，那个节点当然有了计算能力。

但用户并不能因为附近有 GPU，就自动获得一个 AI 服务。

GPU只是提供了计算能力。

用户真正能够使用的，却是一项完整的服务：要有模型，要有服务入口，要知道请求应该送到哪里，还要有相应的网络和调度机制。

换句话说，把GPU放到OLT旁边，只是把“计算资源”搬近了，并没有自动把“AI服务”搬近。

GPU 或算力板卡只是资源，AI 服务才是面向用户的一套完整能力。

这两者之间还有很长的一段距离。

还存在一个更复杂的问题：网络并不一定天然知道用户正在访问一个 AI 服务。

如果AI业务采用HTTPS等加密方式，网络设备通常无法仅靠读取应用层明文内容来判断具体请求是不是一次AI调用。因此，要实现精细的AI业务识别和引流，往往还需要应用、DNS、服务入口、策略或其他显式机制配合。

所以，所谓“把 AI 请求引导到附近的 GPU”，本身就需要一套业务和网络机制。

这时候，问题已经从“GPU 放在哪里”，变成了：

用户的 AI 请求到底从哪里进入这个服务体系？

我觉得这是理解 Edge AI 很关键的一步。

所以，Edge 到底应该放在哪里？

如果不再单纯按照物理距离判断，那么一个 Edge 的位置，实际上是由多个维度共同决定的。

首先是业务对时延的要求。

有些 AI 业务对时延并不敏感。用户发一个请求，等待几百毫秒甚至更长时间，并不会明显影响体验。这类业务没有必要为了追求“更近”而把算力一直往接入侧搬。

另外一些业务则不同。例如实时视频分析、工业控制、部分强交互式业务，数据量大、交互频繁，对时延和稳定性的要求更高，靠近用户部署才更有价值。

其次是用户面在哪里。

如果用户流量还需要绕很远的网络才能进入业务处理环节，那么即使把 GPU 放在用户附近，也未必能够真正获得低时延。

再就是数据在哪里产生。

视频、工业传感器、车辆等场景，会产生大量需要实时处理的数据。如果所有数据都先送到很远的中心云，再把结果返回，网络带宽和响应时间都会成为问题。

最后还有一个很现实的因素：算力资源的经济性。

GPU 并不是一台交换机。把大量算力分散到本地成百上千个 OLT 机房，除了服务器本身，还要考虑供电、散热、机房空间、网络、运维、资源利用率以及故障处理。

如果一个小区附近的算力大部分时间没有业务，所谓“离用户最近”的优势，很可能抵不过资源利用率下降带来的成本。

所以，Edge到底应该放在哪里，并没有一个固定答案。真正需要看的，是业务对时延的要求、用户数据在哪里、用户面在哪里，以及把算力部署到这个位置是否划算。

对普通大模型问答而言，算力放在中心云可能完全够用；而对于实时视频、工业控制等业务，几十毫秒甚至更低的时延要求，就可能使更靠近用户的计算资源变得有意义。

而不是简单的一条：用户在哪里，算力就放在哪里。

固网真正值得思考的，可能不是“OLT 加 GPU”

想到这里，我反而觉得，“OLT 能不能成为算力节点”这个问题，可能问得还不够准确。

OLT 本身当然可以旁挂服务器，技术上没有什么神秘之处。

真正值得研究的是： 运营商的 OLT 接入节点附近，能不能逐步形成一个能够提供网络、计算和服务的 Edge 环境？

这时候，Cloud CO 的思路就有些意思了。

所谓 Cloud CO，并不是简单地把一个传统机房变成“OLT 机房 + GPU”，而是把原本以接入设备为主的OLT机房，逐步演变成能够承载接入网络功能、用户面、云化资源以及各种边缘服务的平台。

OLT 仍然可以是 OLT，计算资源也可以是独立的计算资源，二者没有必要强行合并成一台设备。

从这个角度看，“OLT 是不是算力节点”反而没有那么重要。

更重要的问题是：OLT 所在的接入环境，能不能成为 Edge Cloud 的一个承载位置。

这相当于在问：

地理上，接入站点是否具备部署算力的条件；
网络上，用户面能否在本地或近端终止；
服务上，AI Gateway 和服务编排能否在本地落地。

如果这三点可以逐步实现，那么 OLT 旁边有没有“贴着 OLT 的 GPU”，反而只是实现细节。

如果用户面也能下沉，事情就不一样了

不过，到这里还有一个绕不开的问题。

假设 Edge 算力真就在 OLT 节点，但用户业务还是按照传统方式一路向上到 BNG 进入业务网络，那么这份算力虽然下沉了，用户业务却没有真正跟着下沉。

所以，算力下沉的背后，其实还有一个网络问题： 用户面在哪里？

这里就自然碰到了 BNG 解耦。

一些电信标准组织提出了解耦BNG的框架，一个重要思路就是通过控制面与用户面的解耦，让用户面能够根据业务需求进行更加灵活的部署。而运营商的网络也在朝这个方向发展，例如中国联通的BNC建设，这给 Edge 服务进一步靠近用户创造了条件。

BNC-UP 高挂： 路径为 用户 → OLT → 本地承载 → BNC-UP（核心） → AI 服务 。此时 Edge 的地理位置、用户面和服务面都在核心。
BNC-UP/BNG 部署在汇聚节点： 路径为 用户 → OLT → BNC-UP/BNG（汇聚节点） → AI 服务（汇聚/核心节点） 。此时 Edge 的地理位置、用户面在汇聚节点，但服务面在汇聚或核心。
BNC-UP 下沉到 OLT 节点： 路径为 用户 → OLT → BNC-UP(OLT节点) → AI 服务（OLT节点） 。此时 Edge 的地理位置、用户面和服务面都在 OLT 节点。

用户面下沉只是让业务路径具备进一步靠近Edge的条件，并不意味着Edge服务自然就形成了。

真正“Edge 下沉”应该是： 用户面、业务入口和服务能力一起协同考虑。

这也正是“算力下沉”这个词容易让人产生误解的地方——真正需要下沉的，不能仅是计算资源本身。

现在的BNC-UP的建设，主要还是集中部署在本地的核心，之前IP城域网时期部署在汇聚节点的BNG，将会慢慢退网。这个建设思路适合传统的以南北流量为主的互联网访问业务，但在AI时代下，是否仍和IP城域网一样，将BNC-UP部署在汇聚节点，还需要进一步研究。

移动网络也是一样。BBU离用户很近，但并不意味着基站本身就是MEC。真正决定业务能不能使用附近计算资源的，同样涉及UPF的位置、业务引流以及服务部署位置。

所以，“BBU很近”和“业务可以使用附近算力”之间，同样不是一回事。

不同 AI 业务，需要的 Edge 其实并不一样

再仔细思考一下，就会发现另外一个问题：并不是所有算力服务都值得下沉。

对普通的大模型交互，中心云往往已经能够满足需求。

对企业私有数据、数据本地处理等场景，本地或专属Edge可能更有价值。

对实时视频、工业控制等对时延和确定性要求较高的业务，更靠近用户的Edge才可能体现价值。

所以，Edge并不是越靠近用户越好，而是要看业务到底需要什么样的计算位置。

甚至还有一类 AI，很可能天然就在网络设备附近：网络故障预测、ONU 异常识别、QoE 分析、流量预测、无线参数优化、网络节能等。

这种 AI 本身就是 网络 AI（AI for Network） 。

它和“向客户提供 GPU 算力”（Network for AI）并不是一回事。一个是网络自身使用 AI，另一个是运营商向客户提供 AI 算力或 AI 服务。

把这两类事情区分开以后，OLT 上到底要不要有 AI 能力，也会容易判断很多。

所以，OLT 到底能不能成为算力节点？

如果现在再回头看最开始领导提出的问题：“OLT 能不能成为 Edge 算力节点？”

如果仅从算力资源部署的位置来看，

OLT 当然可以成为一个算力部署位置。

但如果问题是：“把 GPU 放到 OLT 旁边，是不是就自然形成了一个面向用户的 AI Edge？”

答案显然没有那么简单。

因为真正决定一个 Edge 服务是否成立的，并不是算力距离用户有多近，而是：业务能不能到达它，服务能不能找到它，网络能不能把流量引导到它。

相比于纠结“OLT 能不能加 GPU”，我更愿意将这个问题演进为：

运营商能不能把 OLT 所在的接入环境，逐步变成一个可以提供网络、计算和 AI 服务的 Edge Cloud？

如果答案是可以，那么 OLT 当然可以成为其中的一部分。但它未必需要变成一台“带 GPU 的 OLT”。

这可能就是我目前对这个问题的一个阶段性理解。

这自然引出了下一个更具体的问题：

如果真的把 GPU 放到 OLT 旁边，用户到底怎么才能用上这份算力？

从“承载”到“服务”：我对传输网络业务化的一点理解

Wed, 16 Sep 2026 16:54:00 +0800

最近参与一个材料的编写，反反复复被灌输“业务网”、“承载”、“客户需求”、“产品”、“能力”这些概念。同一个词，对不同的领导来说，或者概念不同，或者范围不同，搞得拼命去理解一个本以为了解的词的真正含义。不同的章节，用词也随意：有时“能力”和“产品”混着用，有时“承载”一会儿指网络、一会儿指网络干的事。材料改了好几轮，我也被绕了好几轮。刚好有个空隙，索性停下来，先把这些词的定义自己梳理一遍、理解一遍。

先看“承载”。这个词含义应该很清楚：连接业务网元。5G 基站连BBU，OLT 连 BRAS，专线节点之间互联，IDC 之间打通。业务网在上面，传输网在下面；业务负责功能，传输负责连接。传输网回答的问题是：“业务网元之间怎么连？”这就是承载。

网络能力：网络本身能做什么

如果先不管上面的业务，只看传输网自己，会发现它其实有很多“本事”：能建端到端连接，能给不同带宽，能做小颗粒承载，能动态调带宽，能选低时延路径，能做保护和恢复，能给 QoS 保障，还能在光层、电层之间协同调度。

过去习惯把这些叫“传输网的功能”。但换个角度，它们其实是网络自身的能力。承载说的是网络承担什么角色，能力是说这个网络本身到底能做什么？

我暂时把网络能力理解成：网络在技术和资源层面能够执行的基本功能单元，可以被网管系统配置。

网络产品：把能力打包成什么

单个网络域还好，一旦跨域、跨厂商、跨层次，事情就复杂了。比如有人要一条“跨区域 100G 端到端连接”，底层可能经过多个省份、多个网络域、多个厂家。如果每个网络都按自己的方式配，上层系统就得懂下面所有细节，显然不现实。

更合理的方式是：上层只说“我要一条 100G 跨域连接”，下面的编排系统自己去算路径、协同资源、配置设备、开通业务。对上层来说，原来一堆复杂的能力，被打包成了一个简单的东西。

这就是我理解的“网络产品”：把一个或多个网络域中的网络能力组合、抽象、封装，形成一个标准化、可被调用的能力单元。

这里有个有意思的现象：能力和产品的定义，其实是被网络边界决定的。如果整条链路就在同一个厂家、同一个网络域内，网管开一条电路，能力几乎就是产品，两者基本等同。只有跨省、跨域、跨厂商，封装和抽象才真正显示出价值。所以这两个概念有时一样有时不同。

TM Forum：一个可以参照的现成框架

查了些资料才知道，这个思路在 TM Forum（电信管理论坛）那里已经有成熟的框架。

它的核心是把网络世界分成三层：

• Resource（资源） ：物理/逻辑的设备、波道、连接
• Service（服务） ：对资源的技术性配置组合，面向网络的技术视角
• Product（产品） ：面向客户的销售视角，含价格、SLA、合同条款

每一层又分规格和实例：规格进目录、可以定价上架，实例才是真正交付和运行的东西。

配套的运营架构叫 ODA，由老的 eTOM（流程）、SID（信息）、TAM（应用）三大框架收敛而来，思路是把运营系统拆成标准化“积木块”，块之间用统一编号的 Open API 通信——比如 TMF620 产品目录、TMF633 服务目录、TMF641 服务订单、TMF622 产品订单。

我的理解和 TMF 的对应

对照下来，大致是这样：

我的理解	含义	TMF 对应
承载	网络承担的角色	Resource（资源层）
能力	网络能做什么	分散在 Resource 和 Service 之中
网络产品	把能力打包成什么	Service 规格（进服务目录）
网络服务/商品	客户可以买到什么	Product 规格 + 定价（进产品目录）

TMF 的 “Service” 对应我说的“网络产品”，TMF 的 “Product” 对应我说的“网络服务/商品”，正好错位半层，不过知道就行了，我也不必改正我的说法。

至于“能力”，TMF 没有单独设一层。这让我意识到，“能力”更像一个视角而不是层级——同一个网络功能，站在网络侧看是能力，被参数化、封装之后，就是产品。一句话概括三层的“用户”： 能力是给系统调的，产品是给订单用的，服务是给客户签的 。

网络服务：客户最终买到的是什么

有了“跨域 100G 连接”，是不是就已经是业务了？我觉得还不能这么简单说。客户真正买的，通常不是抽象的“能力”，而是一条可以签合同的专线。

专线要成为可销售的商品，还需要很多网络之外的东西：客户受理、订单、资源确认、开通、交付、SLA、计费、故障处理、运维保障。这正是 TMF 里 Service 和 Product 的分界：技术规格在服务目录里，加上定价和商务条款进入产品目录，才真正进入运营商的业务体系。

承载并没有消失

写到这里，有一点我觉得特别重要：这并不是说“承载不重要了”。

无论能力、产品还是服务，最底层仍然是传输网的连接和承载能力。没有这些，后面的东西都不存在。真正变化的不是“传输网不再承载”，而是：传输网除了承载，自身的能力开始被显性化、抽象化和产品化。

过去的关系是：业务提出连接需求 → 传输网负责承载。现在可能逐渐变成：业务提出意图 → 网络提供能力 → 能力组合成产品 → 产品再变成服务。

所以我更愿意把“传输网络业务化”理解成：在继续做好承载的基础上，网络自身的连接、调度和保障能力开始被抽象、封装、编排，并逐渐以产品和服务的形式向上提供。

只是我目前的一个理解

说到底，这篇文章不是要给这几个概念下标准定义。同一个词，不同人理解本来就不一样，不同企业、不同系统、不同业务体系里更是如此。

我现在暂时把它们理解成：

• 承载：网络承担的角色（TMF 的 Resource）
• 能力：网络能做什么（视角，而非独立层级）
• 产品：把能力打包成什么（TMF 的 Service）
• 服务：让客户可以买到什么（TMF 的 Product）

也许还不够严谨，但把这几个概念分开、再挂到 TMF 的框架上，以后读相关文档、想传输网怎么建、怎么开放、怎么支撑新业务，好像都比以前清楚了一些。

顺带记一笔：GSMA / Linux Foundation 的 CAMARA 项目（TM Forum 参与 API 规范）正在做网络能力开放，比如应用按需申请时延/带宽等级的 QoD API，算是“能力产品化”的最新实践，闲了可以去看看。

从 Anthropic 报告谈起，一个不容忽视的安全问题

Sun, 13 Sep 2026 07:40:00 +0800

云端 AI 服务的可见性

近日，Anthropic 发布了关于模型输入风险、凭据滥用、供应链攻击、越权访问以及 AI 应用安全的研究和威胁情报报告，再次引发了业界对大模型安全问题的关注。

报告本身当然值得关注。但从另一个视角看，更值得关注的其实是报告背后的一个问题：为什么 AI 服务商能够发现、分析和还原这些攻击行为？

一个重要原因是，在现有主流云端 AI 服务架构中，用户与 AI 的交互发生在服务商控制的计算和服务环境中。用户请求最终需要进入服务端的计算链路，由模型完成 Tokenization、推理以及必要的工具调用；与此同时，服务侧还可能产生与请求相关的安全检测、会话信息、调用记录和其他遥测数据。具体哪些数据会被记录、保留多久、是否用于模型改进，取决于各服务商的产品策略、企业协议和合规要求；但从架构上看，服务侧至少需要获得足够的明文或明文派生数据，才能完成推理和基础的安全检测。

这些信息使服务商具备了对 AI 交互过程进行观测、关联和分析的能力，从而能够在一定条件下识别异常行为、分析攻击链条，甚至还原部分攻击过程。

当然，这并不意味着服务商可以任意查看所有用户数据，也不意味着所有请求都会被完整保存。具体能够看到什么、记录什么、保存多久，取决于具体服务的架构、产品策略和安全机制。

但从架构层面看，一个基本事实是明确的：只要 AI 推理发生在服务商控制的计算环境中，用户数据就必须进入一种能够被该计算环境处理和理解的状态。对于文本、代码、文档等数据而言，这通常意味着数据本身以人类可理解的形式进入服务端，或者经过 Tokenization 等处理后，仍然保留能够被模型解析和推理的信息，而不是像端到端加密那样始终保持为服务端无法理解的密文。

这与传统意义上的端到端加密通信存在一个根本区别。

在端到端加密场景中，服务提供者可以负责传输和转发数据，但通常无法获得应用层的明文内容；而在云端 AI 推理场景中，模型本身必须对用户输入进行计算，因此服务端计算环境必须能够获得并处理相应的数据。

这就带来了一个过去并不那么突出的安全问题：当数据进入计算环境之后，如何保护它？

这个问题对于企业用户尤其重要。

当企业把源代码、内部文档、客户资料、业务数据甚至核心知识交给 AI 进行分析时，安全边界已经不再只是“数据在网络上传输时是否被窃取”，而进一步涉及：

数据进入 AI 服务后的处理过程；
模型推理过程中的数据保护；
上下文、缓存和中间数据的安全；
AI Gateway、日志和监控等服务环节；
第三方代理、插件以及工具调用形成的新数据链路。

因此，AI 时代的数据安全边界正在发生一个重要变化：传统网络安全关注数据如何安全地传输和存储，而 AI 进一步提出了一个问题，数据如何在计算过程中保持安全。

这也是为什么 Confidential AI、可信执行环境、Confidential GPU、私有化 AI 以及安全 AI Gateway 等技术开始受到关注。

对于运营商而言，这意味着需要重新审视 AI 基础设施的安全边界，以及自己在这一新的安全边界中能够承担什么样的角色。

AI时代的数据安全边界正在发生结构性变化

在传统互联网体系中，数据安全的核心边界相对明确：

确保数据在网络传输过程中不被第三方获取。

因此形成了 HTTPS、TLS、VPN、IPSec 等成熟的网络安全体系。用户发送数据之前进行加密，数据通过网络传输，服务器收到以后再解密处理。对于中间网络而言，看到的主要是一段不可理解的密文。这种安全模型在过去几十年中非常有效。

但生成式 AI 改变了数据的使用方式。

企业今天交给 AI 的，往往已经不是普通的互联网信息，而是越来越有价值的生产数据：

源代码、内部文档、客户信息、网络配置、业务流程、生产数据以及企业知识库。

这些数据进入 AI 服务以后，不再只是“经过网络”。它们还要被：

理解、转换、计算、缓存和生成。

一次典型的 AI 请求，大致会经历：

用户 → API 网关 → 应用服务 → Token 化 → 模型推理 → GPU 计算 → 返回结果

用户请求通过 HTTPS 加密（TLS）传输到云端后，需要在服务端完成解密、解析和后续计算。文本经过 Tokenization 等处理后，进一步转换为模型可以计算的数值表示，进入推理引擎和 GPU 完成计算。

当企业应用的信息通过加密进入AI服务的入口后，转换成可被大模型计算的数据，之后的每一个环节都可能形成新的数据安全隐患。因此，AI 时代安全与传统网络的主要变化就在于：过去主要关注 数据在网络中是否安全 ，而现在还必须关注： 数据在计算过程中是否安全。

为什么数据到了 AI 服务端必须被“看见”？

LLM 的数据处理流程决定了这一点

大模型推理并不是简单地把一段文本送进一个“黑盒”。

一次典型的文本LLM 交互大致经历以下环节：

用户客户端通过 HTTPS（TLS）将文本请求发送到云端 API 网关；
TLS 在网关或负载均衡处终止，被解密为明文数据（包含 Prompt、上下文、参数等）；
服务将文本送入分词器（Tokenizer）转换为 Token ID 序列，再映射为高维向量（Embedding）；
这些向量以浮点数矩阵形式进入 GPU 显存，参与大模型计算。

在这个过程中： TLS 只保护“网络传输阶段” ，一旦到达云端网关就被解密，后续在应用层、推理引擎和显存中均以明文或明文派生形式（Token ID，向量等）存在；拥有服务器权限的运维人员、被攻破的服务进程、以及拿到日志/追踪数据的攻击者，都有能力读取这些内容。

这就是传统传输加密与 AI 计算之间的边界。

澄清误区：Token 化与向量不是加密

部分人存在一个误解：认为文本进入大模型前被分词并转成 Token ID（如把 “Hello” 转成

\[9906\]

），或者转成高维向量（Embedding），就相当于完成了“加密”，这种认识是错误的。

Token化（分词）是公开编码，而非加密，原因是分词只是基于公开词表（如 BPE 算法）进行的确切语义映射与离散化编码，类似将英文字母转为 ASCII 码。任何人拿着公开词表调用 decode() 函数，都能无损还原原始文本。

而向量则是保留明文语义，Embedding 是为模型计算设计的语义表示，保留了高精度的空间与语义关联。研究显示，在特定攻击模型和假设条件下，攻击者有可能从这些向量中部分反推原始文本或推断敏感属性，因此不能把向量化理解为“安全转换”。

所以Token化和向量依然属于“明文数据（plaintext）”的派生表示。只要数据以这种形式在服务侧流转或在显存中计算，数据泄露风险就依然存在。

为什么不能即时通信那样做“端到端加密”？

传统即时通讯的端到端加密（E2EE）要求服务器只做中转，不理解内容：客户端 A 加密，客户端 B 解密，中间服务器看到的只是一堆无意义的密文。

但大模型推理的基本条件就是“ 服务商的大模型必须深度理解文本 ”，总结下来，主要有两点制约了采用加密数据进行大模型计算。

• 语义破坏 ：现代加密算法（如 AES-256）的目标之一，是让不知道密钥的观察者无法从密文中识别原始数据的结构和规律，理想情况下，密文在统计上应呈现接近随机的特征。对于没有密钥的大模型而言，加密后的文本表现为近似随机的序列，其中原有的词汇、句法、语义和上下文关系都不可直接获得。将这样的密文直接用于普通大模型训练，模型无法从中学习原始数据所包含的语言和知识规律，因此无法训练出具有相应语义能力的模型。
• 计算局限 ：普通大模型的推理需要将输入转换为 Token，并进一步形成模型可以进行数值计算的表示，再通过 Transformer 的矩阵运算完成推理。AES 等传统加密产生的密文不能直接作为具有原始语义的输入参与这一过程；在没有专门隐私计算机制的情况下，数据需要先在受信任的计算环境中解密，再转换为模型可以处理的表示。

大模型要能工作，就必须“看懂”原始内容，这本身就决定了它在服务侧不可能处于传统意义上的加密保护状态 。问题也由此发生了变化，过去需要解决的是“ 传输过程中的数据保密 ” ，现在需要进一步解决" 计算过程中的数据保密 ”。这就是所谓的 计算安全 。

从传输安全走向计算安全：两条技术路线

如果希望 AI 在处理数据的同时，又尽可能减少计算环境对数据的暴露，目前大致存在两条技术路线。

全同态加密：密码学上的长期方向

全同态加密（FHE）的核心思想非常直接：允许直接在密文上进行加减乘除等运算，解密后的结果与在明文中计算完全一致。这是一个非常理想的方案。但问题在于计算效率。

现代大模型涉及巨量矩阵运算，同时还包含注意力机制和各种非线性计算。在这些复杂计算场景下，FHE 仍然面临较大的性能和工程成本。在当下，用 FHE 运行大模型生成一个词可能需要数十分钟，暂不具备商业实用性。因此现阶段更适合把它看成： 值得长期关注的密码学技术方向，而不是当前大规模通用 LLM 推理的主流工程方案 。

硬件机密计算（TEE / Confidential AI）：工程上的最佳现实解法

另一种思路完全不同。利用现代芯片（如 Intel TDX、AMD SEV-SNP、NVIDIA H100/B200、远程证明 + 密钥管理）在 GPU 和 CPU 内部搭建硬件级物理隔离的“黑盒飞地（Enclave）”。它并不试图让 AI 永远看不到数据。而是基于一个现实： AI 必须看到数据才能计算。 那么需要解决的就是： 能不能让只有可信计算环境看到这些数据？

这就是 Confidential Computing 和 Confidential AI 的核心思想。其原理就是：数据在用户端通过密钥加密；密文通过加密通道（如 attested TLS）进入芯片内部的硬件安全区；仅在飞地内部解密并计算，计算结果加密后再输出。这种方式的优势在于： 在 TEE 实现本身未被攻破、远程证明可信的前提下 ，哪怕云服务商的运维人员或操作系统被彻底攻破，也无法读取 TEE 内部的内存明文。其性能损耗通常仅在 2%–7% ，多数场景低于 5%，是目前较为可行的“硬件级安全计算端到端保护”方案。

需要强调的是，真正的“机密推理”不是简单打开某个 GPU 的安全功能，而是要把 CPU、GPU 和两者之间的数据传输一起保护起来，并在计算开始前确认整个环境是可信的。

防患于未然：应用部署层面的安全防护措施

在计算安全技术没有大规模应用普及之前，企业在部署 LLM 应用时，可以根据数据敏感程度采取分层防护措施。

客户端与网关侧：动态数据脱敏（Masking & Redaction）

在数据离开企业内网之前部署 AI 网关或脱敏中间件，利用规则和模型识别 API Key、身份证号、客户信息、财务数据等敏感内容，并用占位符（如 [USER_1] ）替换后再发送给公网大模型，返回结果后在企业内部完成还原。

这种方式对结构化敏感信息比较有效，但对于上下文中隐含的敏感信息，以及通过多轮对话逐步暴露的信息，仍然存在识别遗漏的风险。

云端服务侧：严格控制数据留存（Zero Data Retention）

对于需要使用公网大模型、但又不希望数据长期留存在服务商侧的场景，应优先选择具有明确数据留存和训练使用策略的企业级 API 服务，并通过合同、配置和审计等方式进行约束。

需要注意， ZDR 的核心是“不留存”或尽量减少留存，并不意味着数据在 GPU 中推理时就自动处于不可见状态 。如果对计算过程本身也有较高的安全要求，则需要进一步采用机密计算等技术。

部署形态侧：敏感场景采用本地私有化部署（Local LLM）

对于核心代码、重要内部资料以及高度敏感的业务数据，可以将模型直接部署在企业私有云或内部计算节点中，使用 Ollama、vLLM 等推理框架运行开源模型。

这种方式的核心优势是 数据不需要离开企业控制范围 。但本地部署并不意味着“天然安全”，企业仍需负责模型更新、系统安全、访问控制、数据管理以及 GPU 资源和运行成本。

因此，实际部署中可以根据数据敏感程度形成简单的选择：

一般数据 → 云端 AI

敏感数据 → 脱敏后使用云端 AI

核心数据 → 企业私有化部署

这比试图用一种技术解决所有 AI 数据安全问题，更符合目前的实际情况。

对电信运营商的深刻启示

作为拥有庞大网络基础设施、海量高价值用户数据以及承接大量政企信息化建设的运营商（如中国联通、中国移动、中国电信）来说，Anthropic 的报告提供了极具战略价值的启示。AI 时代，运营商参与 AI 安全，不能理解为增加一个新的安全产品，而应充分发挥自身在 网络、云、算力和边缘资源 方面的优势，逐步从“提供连接”向“提供可信的 AI 基础设施”延伸。AI 数据安全将成为运营商进入这一领域的重要切入点。过去运营商解决的是 “企业如何连接云” ，AI 时代可以解决 “企业如何安全地连接 AI” ，再进一步则是 “企业如何获得可信的 AI 计算环境” 。

从连接安全向 AI 使用安全延伸

通过增强AI智能网关能力，将 AI 访问纳入运营商现有的政企网络和安全服务体系。

重点不是运营商自己去做一个大模型，而是帮助企业解决AI 可以访问什么、数据能不能出去、应该使用什么模型，以及整个使用过程如何管理。将 AI 安全与政企专线、云联网、SD-WAN 等现有业务结合，逐步形成面向企业的 AI 安全接入能力。

从提供算力向提供可信 AI 计算环境发展

随着 GPU 算力逐步成为基础资源，单纯提供 GPU 的差异化空间将大大压缩。

运营商可以进一步强化 AIDC 的 可信计算和安全保障能力 ，面向金融、政务、能源、工业以及大型企业等高敏感客户，提供从网络连接到 AI 计算的一体化可信环境。

发展方向可以概括为： 从“卖算力”向“提供可信的 AI 计算服务”转变 。

发挥网络和边缘资源优势，发展分布式 AI

AI 的计算位置将不再全部集中于少数大型数据中心。

运营商应利用现有的省、市、县、园区和企业节点资源，根据业务对时延、数据安全和算力的不同要求，推动 AI 能力向网络边缘延伸。形成 中心算力负责通用 AI，边缘算力支撑低时延场景，本地算力承载高敏感业务 。通过云边协同，使运营商广泛分布的网络和机房资源转化为 AI 基础设施优势。

从单点能力建设走向云—网—边—算一体化

运营商最大的优势并不是掌握某一项 AI 安全技术，而是能同时掌握 网络连接、数据传输、计算资源和分布式节点 ，形成系统级的可信 AI 基础设施解决方案。通过逐步打通 AI 接入、网络连接、算力部署和安全管理，形成统一的 AI 基础设施服务体系，最终实现： 让数据去合适的地方、让 AI 在合适的位置计算，并让整个过程可控、可管、可信。

结语：AI时代的安全边界正在进入“计算内部”

AI 的发展正在改变数据安全的边界。

过去，重点是保护数据在网络传输和存储过程中的安全；现在，企业越来越多地将代码、文档、客户信息和业务数据交给 AI 处理，安全问题进一步延伸到了 数据进入计算环境之后 。因此，AI 时代的数据安全正在从： 传输安全 → 计算安全 → 全生命周期安全。

对运营商而言，在 AI 安全领域的演进可以归纳为一条主线： 从“保障网络连接安全”，向“保障 AI 使用安全”，进一步向“提供可信 AI 基础设施”演进。 其核心不是与专业 AI 厂商竞争模型和算法，而是发挥运营商 网络、云、算力和边缘资源的综合优势 ，成为企业 AI 应用与算力基础设施之间可信赖的连接者、服务者和安全保障者。

最终需要解决的核心问题其实也很简单： 让数据安全地到达 AI，让 AI 在可信的环境中计算。

中国电信智传网 AI Flow：极低速率“感官无差别传输”到底有多可信？

Wed, 02 Sep 2026 08:05:00 +0800

中国电信“智传网（AI Flow）”提出的生成式智能传输，并非单纯概念包装：其核心技术路线和部分极低码率实验结果具有较充分依据。但“0.02% 压缩率”和“感官无差别”不能理解为任意视频的 5000 倍无损压缩，而是面向感知与任务有效的生成式通信。

智传网（AI Flow）到底是什么

智传网是中国电信人工智能研究院（TeleAI）提出的生成式智能传输体系，其核心不是继续“把传统视频编码压得更狠”，而是 改变通信系统传输的信息对象 。

传统视频通信基本遵循：

原始视频 → H.264 / H.265 / H.266 等编码 → 比特流 → 网络传输 → 解码 → 视频

AI Flow 则更接近：

原始视频 → 语义 / 特征 / 运动信息提取 → Token / 紧凑表示 → 低码率网络传输 → 生成式模型 → 重建视频

也就是说，它利用 AI 模型的先验知识，在接收端“补全”大量没有显式传输的信息。

所谓“比特流向词元流转变”，真正含义是： 通信系统从传输完整数据，逐渐转向传输能够支撑目标任务的高价值信息。

从这个角度看，AI Flow 更接近“ 语义通信 + 生成式模型 + 通信系统 ”的融合。

“极低速率、感知近似无差异”的技术依据

目前公开资料中已经有几组代表性指标。

中国电信公开资料显示，在卫星等弱网环境下，AI Flow 视频传输带宽可控制在 14–144 Kbps 区间；
在相关应急通信测试中，展示了约 110 Kbps、720P 视频实时传输 的能力，并强调重建视频在清晰度、流畅度和业务效果上与原视频接近；
TeleAI 的生成式视频压缩（GVC）论文进一步给出更极端实验结果：在特定视频和实验条件下，码率可达 0.005 bpp ，主要实验结果约为 0.008 bpp ；部分视频序列上，相对传统方法达到相近感知质量所需码率可大幅降低；
公开资料中还出现了 0.02% 压缩率 等极端指标。

这些数据共同说明：

在特定视频内容、特定模型和特定感知目标下，生成式视频传输确实能够进入传统视频编码难以达到的极低码率区间。

但必须明确区分：

“0.02% 的极端实验码率”与“14–144 Kbps 的实际弱网测试”是两个不同层次的指标。

前者主要证明技术的理论和实验潜力，后者更接近完整通信系统的工程验证。

因此，目前更有工程意义的证据是 百 Kbps 级视频传输 ，而不是简单强调“5000 倍压缩”。

为什么如此低的速率在技术上是可能的？

关键不在于 AI 找到了一个“违反信息论”的新压缩算法，而在于：

接收端已经拥有大量信息。

以固定摄像机持续拍摄一条道路为例。

传统编码器需要不断编码：车辆、道路、建筑、天空、光照、纹理、人物、运动……虽然 H.265 等编码器能利用帧间相关性减少重复数据，但仍需通过码流表达足够多的像素信息。

生成式传输则可以进一步利用：

固定摄像机＋固定背景＋历史帧＋场景模型＋生成模型

那么网络真正需要传输的主要是：

车辆出现 → 位置变化 → 速度变化 → 人物运动 → 局部视觉特征

接收端利用已有模型和历史状态，将这些信息重新生成完整画面。

因此：

传输信息量＜最终呈现信息量

并不是系统“凭空创造信息”，而是：

📌 大量信息已经由模型、历史状态和共享先验承担

这正是生成式通信能够突破传统像素级编码码率限制的核心原因。

“0.02% 压缩率”究竟应该怎样理解？

如果把一段视频从 100 MB 变成 20 KB，却仍要求接收端逐像素、逐帧恢复原始视频，那么这种意义上的“5000 倍无损压缩”显然不成立。

AI Flow 的逻辑实际上是：

原始视频 ├─ 人眼真正需要的信息 ├─ 机器真正需要的信息 └─ 可以由模型预测的信息 ↓ 只传输前两类 → 接收端生成第三类

因此：

AI Flow 压缩的不是“原始信息本身”，而是“为了获得目标感知结果而必须通过网络显式传输的信息”。

这一区别非常关键。

如果目标是 人眼观看 ，某些像素级差异可以接受；
如果目标是 目标检测 ，只要目标位置、类别和运动状态准确即可；
如果目标是 事件识别 ，甚至不需要完整恢复视频，只需让接收端准确理解“发生了什么”。

因此，生成式通信的码率实际上与 任务目标 高度相关。

“感官无差别”是否意味着真的没有区别？

严格来说，不应理解为“无损”。

更准确的说法是：

主观感知近似无差异，或者感知质量接近原始视频。

例如原视频中一个人物拿着一个杯子。

AI 模型可能生成：

“一个人拿着一个杯子。”

在人眼看来，两幅画面可能几乎没有区别。但如果逐像素比较：

原始视频 ≠ AI 重建视频

甚至可能出现一些细节偏差，例如：

人脸细节变化
文字发生变化
Logo 被重新生成
细小纹理变化
物体边缘发生变化
快速运动时出现生成误差

因此：

📌 感知等效 ≠ 数据等价

这也是 AI Flow 与 H.265 / H.266 等传统视频编码体系之间最根本的区别之一。

真正值得关注的是“模型先验成为通信系统的一部分”

传统通信系统可以简单描述为：

Source → Encoder → Bits → Network → Bits → Decoder → Source

而生成式通信则变成：

发送端：视频 → Semantic Encoder → Token / Feature → 网络

接收端： Token / Feature → Generative Decoder ＋历史状态＋模型先验 → 视频

因此，通信系统实际上增加了一个过去没有的重要组成部分：

生成模型及其先验知识。

从这个意义上讲，AI Flow 并不是简单地“压缩得更厉害”，而是 把一部分原本需要由通信网络承担的信息传输任务，转移到了计算和存储上 。

可以表示为：

📌 Bandwidth ↔ Computation ↔ Memory

这也是生成式通信真正具有研究价值的地方。

这是否突破了 Shannon 信息论？

不能这样理解。

Token 最终仍然需要通过网络编码成 Bit：

Token → Binary Representation → Modulation → Physical Channel

因此 AI Flow 并没有从物理层面消除 Bit，也没有违反 Shannon 信道容量理论。

它真正改变的是：

通信系统究竟需要传输什么。

传统通信关注： 如何准确恢复数据

语义通信关注： 如何准确恢复信息含义

生成式通信进一步关注： 如何用最少通信资源获得有效感知或完成任务

因此更准确的说法不是：

“AI Flow 突破了信息论极限。”

而是：

AI Flow 突破了传统像素保真型视频传输模式的应用边界。

这两种表述的技术含义完全不同。

为什么监控、卫星和应急通信特别适合 AI Flow？

AI Flow 并不是对所有视频都同样有效。其优势最大的场景通常具有以下特征：

① 场景具有高度稳定性

例如：

固定摄像机 → 固定背景 → 有限运动目标

模型非常容易预测大量未变化的信息。

② 带宽非常昂贵

例如：

卫星通信
远洋通信
应急通信
空天地一体化通信
偏远地区通信

如果传统视频需要 1 Mbps，而生成式传输只需要 100 Kbps，那么牺牲一定计算资源换取 90% 的带宽节省，可能具有很高的经济价值。

③ 用户更关心“发生了什么”

监控视频往往不是为了逐像素分析，而是为了：

看清楚人、车、事件和运动。

这恰好与生成式通信的目标一致。

因此，AI Flow 目前最值得关注的商业价值，并不是马上替代互联网视频编码，而是：

在极端弱网条件下，把原本无法传输的视频变成“可用的视频”。

目前最大的工程限制是什么？

AI Flow 目前真正需要继续验证的，不是“能不能把码率做到很低”，而是能否同时满足：

📌 低带宽＋低延迟＋低功耗高质量＋高鲁棒性

这五个指标之间存在明显的 Trade-off。

① 计算成本

生成式视频重建显著依赖 AI 推理能力。

传统 H.265 解码可以在大量低功耗芯片上完成，而生成式视频解码需要更强的 AI 算力。

因此：

节省的是网络带宽，但增加的是计算资源。

② 实时性

生成式模型需要进行推理和生成，这可能增加端到端时延。

对于视频监控，问题可能不大；但对于远程操控、机器人、无人驾驶、实时互动等场景，则需要严格控制延迟。

③ 生成错误

传统视频解码的错误通常来自“数据损坏”。

生成式通信还可能出现“模型理解错了”，例如：

• 原始：红色车辆 → 生成：黑色车辆
• 原始：ABC123 → 生成：ABC128

对普通观看而言可能没有影响，但对于取证、工业检测、医学影像和高精度机器视觉而言，这种错误可能是不可接受的。

因此不能简单说 AI Flow 将取代 H.265/H.266

至少目前没有充分证据支持这一判断。

更可能出现的未来形态是：

AI Flow ├─ 极弱网 → 生成式传输 └─ 正常网络 → H.265 / H.266 ↓ 自适应选择

也就是说：

生成式传输更可能首先成为传统视频编码体系之外的一种新模式，而不是立即取代传统编码器。

特别是在正常宽带、移动互联网和视频平台场景中，H.265 / H.266 / AV1 等技术仍具有成熟的生态、硬件加速和确定性优势。

从运营商角度看，AI Flow 真正重要的不是“压缩率”

如果站在通信运营商的角度，AI Flow 真正值得关注的战略意义其实更深。

传统通信网络：

📌 传输数据

AI 通信网络：

📌 传输语义、Token、状态和任务信息

这意味着网络可能出现一个新的优化目标：

📌 Utility / Bit

即：

每一个 Bit 能够产生多少有效感知或智能价值。

未来甚至可以进一步演化为：

Bit/s → Token/s → Task/s → Inference/s → Intelligence/s

这意味着通信网络的价值评价体系可能从：

“能够传多少数据”

逐渐转向：

“能够以多低的通信成本产生多少有效智能。”

这可能比单纯的视频压缩技术本身更值得运营商关注。

对 AI Flow 的综合可信度评价

① AI Flow 是真实技术体系 ｜★★★★★
已有中国电信官方资料和论文支撑

② 采用生成式/语义传输 ｜★★★★★
技术路线明确

③ 通过计算换带宽 ｜★★★★★
核心机制成立

④ 14–144 Kbps 弱网视频 ｜★★★★☆
已有公开工程测试

⑤ 约 110 Kbps 传输 720P ｜★★★★☆
有实际演示/测试依据

⑥ ＜100 Kbps 传输 1080P ｜★★★☆☆
需要更多独立、可复现数据

⑦ 0.02% 极端压缩率 ｜★★★★☆
有论文实验依据，但属于特定条件

⑧ 普遍 5000 倍压缩 ｜★☆☆☆☆
不应由公开数据推导

⑨ 感知上接近原视频 ｜★★★★☆
与生成式通信目标一致

⑩ 像素级无损 ｜☆☆☆☆☆
技术目标本身就不是这个

⑪ 任意视频均适用 ｜★☆☆☆☆
泛化能力仍是主要问题

⑫ 已全面替代 H.265/H.266 ｜★☆☆☆☆
目前没有充分证据

⑬ 卫星/应急/监控应用价值 ｜★★★★★
与技术特点高度匹配

⑭ 成为未来通信新范式 ｜★★★★☆
技术方向具有较高战略价值

结论｜可信，但必须重新定义“压缩”

综合来看，中国电信智传网 AI Flow 的核心技术并不是“AI 把视频无损压缩了 5000 倍”，而是：

通过语义提取、紧凑表示、模型先验和生成式重建，把“传输完整视频”转变为“传输足以生成目标感知结果的信息”。

因此，0.02% 等极端码率具有实验技术依据，14–144 Kbps 的百 Kbps 级弱网视频传输也已经具有公开工程验证基础；但这些结果不能简单推广为所有视频均可实现数千倍压缩。

从技术成熟度看，AI Flow 已经越过“纯概念验证”的阶段，但距离成为面向任意视频、任意网络和任意终端的通用通信技术仍有明显距离。

其近期最现实的价值，是在卫星、应急、远洋、监控、空天地一体化等带宽极度稀缺的场景中， 以计算和存储换取通信带宽 。

更值得关注的是其背后的范式变化：

📌 从“传输数据” → “传输信息” → “传输语义” → “传输任务所需的信息”

如果这一方向持续成熟，那么 AI Flow 对运营商的意义将不再只是“又一种视频压缩技术”，而可能意味着通信网络开始从面向比特的网络，逐步向面向语义、状态和智能任务的网络演进。

参考资料

[1] 智传网（AI Flow）赋能视联网，破解空天地海弱网场景高清视频传输难题

[2] 从“光改”“云改”走向“智改”：WAIC 2026 透视中国电信 AI 范式革命

[3] 小耳朵·听世界 68：超神奇！不用传视频，屏幕也能变出高清画面？

[4] 中国电信人工智能研究院（TeleAI）发布智传网（AI Flow）关键突破

[5] 中国电信“翼锋·智传网（AI Flow）应急系统”为应急救援提供坚实保障

AI时代运营商光缆基础设施商业模式重构——从光传输服务到光纤资源与网络控制权开放

Mon, 31 Aug 2026 07:45:00 +0800

摘要

人工智能大模型的发展对数据中心互联（Data Center Interconnect，DCI）的传输容量、时延、可靠性和扩展能力提出了更高的要求。与传统企业专线和云连接业务相比，AI 训练、推理以及多数据中心协同对高通量的传输带宽持续占用程度更高，网络成本在整体基础设施成本中的重要性也随之上升。在这一背景下，当长期稳定的 DCI 容量需求达到一定规模后，持续向运营商租用高速电路的经济性可能下降，而租用暗光纤、采用托管光网络（MOFN）、长期 IRU，乃至参与建设专用光网络的经济性则可能逐渐显现。

因此，AI 对运营商网络商业模式产生的真正影响，并不是简单地把市场从"电路出租"推向"光纤出租"，而是使 网络基础设施的控制权开始具有独立的商业价值 。客户可以根据自身的规模和技术能力，在电路、波长、托管光网络、暗光纤、长期使用权以及联合建设等不同层级之间进行选择。运营商则需要从单纯销售带宽，转向对光纤、光层、路由、机房、电力以及运维能力等基础设施资源进行分层产品化和定价。

值得注意的是，光缆租用模式的成功不仅取决于"是否率先推出"，更取决于 运营商自身的光缆资源禀赋 。资源占优的运营商可能通过光缆租用进一步巩固市场地位，而资源薄弱的运营商可能面临"起个大早，干个晚集"的风险。

同时，结合三大运营商当前均具备自研模块化波分（电信叫DCI-BOX，移动叫极简OTN）设备的软硬件能力，运营商完全可以将“自研波分硬件 + 物理纤芯”进行深度打包。这种“软硬一体”的组合模式，既为客户大幅降低了自建光网络的设备采购门槛与技术对接成本，又避免了运营商陷入纯纤芯出租的“管道化”陷阱，为网络控制权分层开放探索出一条兼具毛利与粘性的中国特色演进路径。

国际市场已经出现这一趋势的不同形态。Verizon 与 Google 的大额暗光纤协议、Zayo 与 NVIDIA 以锚定客户推动长途光纤建设，以及香港电讯提供的 3.2Tbps AI DCI Superhighway，分别代表了物理光纤开放、基础设施投资前置以及高等级托管网络三种不同路径。与此同时，2026 年 ACG Research 对 Wavelength、MOFN 和 Dark Fiber 的 TCO 比较进一步表明，在较低带宽水平下波长服务具有成本优势，而进入多 Tbps 规模后，MOFN 和 Dark Fiber 的经济性开始增强。

由此可以认为，AI 时代运营商面临的核心问题并非是否放弃电路业务，而是如何识别不同客户的经济性拐点，并将网络控制权设计为具有不同价格、责任和服务边界的产品体系。运营商未来的角色，也可能由传统的"网络服务提供者"进一步演变为"网络基础设施资产运营者"。

关键词： 人工智能；数据中心互联；DCI；暗光纤；MOFN；光网络；TCO；网络控制权；电信运营商；基础设施资产

问题的提出：AI 正在改变 DCI 的价值结构

人工智能基础设施的发展正在使数据中心从相互独立的计算设施逐步演变为由高速网络连接起来的分布式计算系统。大模型训练需要在多个计算节点之间持续交换模型参数、梯度和中间状态；训练数据集、检查点以及模型副本也可能在不同数据中心之间进行传输；在推理阶段，模型部署又可能从单一数据中心扩展到多个区域和多个计算资源池。因此，AI 基础设施的计算能力与网络连接能力正在形成越来越紧密的耦合关系。

需要指出的是，AI 对网络的要求并不能简单概括为"必须使用微秒级网络"或者"必须实现绝对无损传输"。不同 AI 工作负载、不同网络架构以及不同训练并行方式对网络的要求存在明显差异。更准确的说法是，AI 集群通常更加敏感于网络吞吐、尾部时延、抖动、丢包以及拥塞，并且在大规模分布式训练中，网络性能下降可能转化为 GPU 利用率下降。因此，当计算集群规模不断扩大以后，网络已经从传统意义上的连接资源逐渐成为影响算力利用率的重要基础设施。

传统运营商提供的电路、专线和波长服务，本质上是将复杂的网络基础设施封装成一种标准化服务。客户购买的是一定的带宽、时延和可用性，而无需承担光纤、传输设备、线路维护以及光层故障处理等责任。这种商业模式的优势在于简单、稳定和可管理，也使运营商能够持续通过带宽升级获取增量收入。

然而，随着单个客户长期占用的 DCI 容量不断提高，这种模式可能出现一个重要的经济性变化。客户如果长期购买大量固定带宽，其累计支付的服务费用可能逐渐接近甚至超过直接控制底层光网络所需要承担的光纤租金、传输设备、运维以及冗余成本。在这种情况下，客户就有动力把网络控制边界向下移动，从购买"网络服务"转向购买"网络资源"。

这就是本文所讨论的 DCI 经济性拐点 。

因此，本文的核心问题不是"AI 是否需要更多光纤"，而是：

当 DCI 容量达到什么规模以后，客户购买运营商封装好的带宽服务将不再是最优解？

进一步的问题则是：

当客户开始愿意承担部分光层和网络运维责任以后，运营商应该开放多少控制权，以及如何对不同层级的控制权进行定价？

以及：

在三大运营商具备自研模块化波分设备的前提下，“自研硬件 + 纤芯”打包的融合模式如何重构 DCI 的商业边界与价值分配？

DCI 的经济性拐点：从"带宽价格"到"基础设施 TCO"

在传统网络业务中，客户通常根据所需带宽直接购买电路。例如企业需要 10G、100G 或 400G 连接，其主要决策变量是带宽价格、SLA 和服务商覆盖范围。对于一般企业而言，网络设备和光纤基础设施的规模相对有限，因此自行建设光传输系统所增加的资本开支和运维复杂度往往无法通过节省电路费用得到补偿。

但是，AI DCI 的经济性具有明显不同的特征。

假设客户需要长期维持一条高容量 DCI，传统电路模式的总拥有成本可以近似表示为：

电路 TCO = 带宽单价 × 带宽 × 租期 + 初装成本 + 其他服务成本

而暗光纤模式则可以近似表示为：

暗光纤 TCO = 光纤租金 + DWDM/相干光设备 + 光模块 + 机房及配套 + 运维成本 + 冗余成本 + 设备折旧

当 暗光纤 TCO < 电路 TCO ，并且这种成本优势能够持续覆盖客户承担的技术风险和资本成本时，客户才具有从电路转向暗光纤的经济动力。

因此，决定产品选择的并不是"AI"这个标签本身，而是几个更加具体的变量：长期带宽规模、线路距离、容量利用率、租期、设备成本、线路冗余要求、运维能力以及资本成本。

2026 年 ACG Research 对 AI DCI 光传输方案进行的 TCO 分析正是沿着这一逻辑展开。该研究比较了 Wavelength、Dark Fiber 和 MOFN 三种模式，认为较低带宽水平下 Wavelength 的 TCO 更具优势，而在多 Tbps 规模下，MOFN 和 Dark Fiber 的经济性开始增强；具体选择则受到带宽、距离、运营能力和增长需求等因素共同影响。

这意味着不存在一个适用于所有客户的"暗光纤拐点"。对于一条较短距离、长期高利用率的超大容量 DCI，客户自行建设光传输系统可能很快形成成本优势；对于距离较长、利用率较低或者需求存在较大不确定性的线路，即使带宽较高，运营商提供的托管服务仍可能具有更好的 TCO。

因此，所谓"AI 时代从电路转向光纤"，准确地说应该是：

当客户的长期容量需求、利用率和持续时间使底层基础设施的固定成本能够被充分摊薄时，网络控制权开始具有独立的经济价值。

这也是本文最重要的经济学基础。

技术推手：模块化波分加速拐点到来

传统的 DWDM（密集波分复用）系统通常是高度封闭、一体化的黑盒系统。电信运营商与企业客户必须绑定单一厂商的“WDM + OTN + 统一网管”。这种封闭体系不仅设备 CapEx 高昂、机房占用大、功耗高，且扩容与软件定义能力极差。如果客户在传统架构下尝试自建光网络或选择暗光纤模式，必须配备极其专业且庞大的光通信运维团队，成本与技术门槛极高。

然而， 模块化波分（Compact Modular Boxes） 的成熟，彻底打破了这一壁垒：

1. 软硬件解耦与开放光线路系统（OOLS）

解耦架构将“物理光缆+放大器/复用器（光层）”与“终端相干光模块/业务板卡（电层）”剥离。

业务层（Transponder） ：超大规模 AI 客户或云厂商可以直接在自研路由器/交换机上插拔标准的 800G/1.6T ZR+ 相干光模块 ，或者采购第三方白盒转接设备。
线路层（Line System） ：仅需租用运营商的物理光纤或点对点 OOLS 线路。
商业意义 ：客户不再需要为了升级带宽而整体更换昂贵的传统 DWDM 传输子架，从而 大幅降低了暗光纤模式下的 DWDM 设备 CapEx 与后续折旧成本 。

2.“自研波分 + 纤芯打包”：运营商提效防管道化的杀手锏

三大运营商当前在自研模块化波分/开放光传输设备上已具备成熟的技术沉淀（如自主定义的 Open-OTN 架构、DCI 盒式白盒设备与管控 API）。将“自研模块化波分硬件”与“暗光纤/专有光路”打包销售给 AI 客户，带来了三重商业赋能：

对客户：免去了向异构设备商采购昂贵传输子架的 CapEx，实现“开箱即用”；同时获得对外开放的自研 API（如 RESTconf/OpenCONFIG），可灵活进行光层监控与自配自调。
对运营商：摆脱了传统暗光纤出租“卖哑管道、低毛利”的困局，通过硬件销售/租赁+光路托管软件服务（SaaS/PaaS）提升了产品附加值，锁定了客户的生命周期价值（LTV）。
对生态：将原本黑盒的 DWDM 简化为标准化“网络基础设施积木”，降低了多 Tbps 规模下 DCI 基础设施的部署门槛。

3. 模块化波分（Compact Modular）降低运维与空间门槛

面向数据中心场景设计的模块化波分设备（如 1U/2U 盒式 DCI 设备）具备高密度、低功耗、标准 API（如 OpenCONFIG、NETCONF/YANG）以及“即插即用”的特点。

传统的波分系统需要复杂的人工光路调试与调纤，而模块化波分支持全自动的光层自适应调整与端到端可视化。
这使得 AI 企业的软件工程师能够像管理 IP 路由器或服务器一样，通过软件代码（NetOps/DevOps）直接调度光层波长与参数， 极大降低了客户接管光网络控制权所需的运维成本（OpEx） 。

4. 对 DCI 经济性拐点的直接影响

DWDM 解耦与模块化波分直接改变了暗光纤与托管网络（MOFN）的 TCO 计算公式：

由于设备资本开支（CapEx）与专业光网络运维门槛（OpEx）的双重下降， 的交叉点（拐点）被大幅左移 。

传统的 DCI 经济性拐点：

100G/400G 级 ——————–> 多 Tbps 级 (拐点) —> 客户转向暗光纤

设备解耦与模块化波分普及后： 100G/400G 级 —-> 800G/1.6T 级 (拐点提前) —————–> 客户转向暗光纤/MOFN

这解释了为什么超大规模 AI 客户不仅“想”要底层网络控制权，而且“能够”以极高的 ROI（投资回报率）接管光层。模块化波分使“控制权开放”从一种理论上的商业假设，变成了技术上高可行、经济上极具吸引力的现实选择。

为什么 SLA 保障服务不够？

一个不可避免的反驳是：如果运营商提供严格的 SLA 保障服务（如 99.999% 可用性、低时延、快速故障恢复），客户还有必要自建光网络吗？

对于大多数客户而言，运营商的 SLA 保障服务确实能够满足需求。但对于部分超大规模客户，即使运营商提供严格的 SLA 保障，其长期 TCO 仍可能高于自建光网络。此时， 网络控制权本身的经济价值开始显现 。

具体而言，超大规模客户自建光网络的额外收益包括：

自定义调制格式和 FEC ：根据训练任务特点优化光层参数；
快速扩容 ：无需等待运营商审批，自行增加波长或升级设备；
光层可观测性 ：实时监控光层性能，快速定位故障；
路由灵活性 ：根据计算拓扑优化光路选择。

而额外成本包括：

DWDM 设备投资 ：一次性资本开支；
运维团队建设 ：需要专业光网络工程师；
故障处理责任 ：需要自行承担光层故障修复。

当客户规模足够大、长期容量需求足够高时，自建光网络的额外收益可能超过额外成本，此时网络控制权开始具有独立的经济价值。

因此， SLA 保障服务与自建光网络并非简单的替代关系，而是适用于不同客户规模和经济性的两种模式 。

网络控制权分层产品体系

如果将网络控制权作为商业产品，可以构建一个从服务控制到基础设施控制逐步下沉的产品体系。

层级	产品	客户控制程度	典型客户	商业逻辑
L1	电路/OTN 专线	低	普通企业	购买封装后的网络服务
L2	波长服务	较低	中型云/AI 客户	购买独立波长容量
L3	自研波分 + 纤芯打包/托管光网络（MOFN）	中高	大型 /大中型AI 客户	租/购运营商自研波分（DCI-BOX/极简OTN）+纤芯，获得开放 API 控制权，运维双方分担/获得专用光网络能力，同时减少运维负担
L4	暗光纤	高	超大 AI 客户	客户自行建设光传输系统
L5	IRU/私有光网络	很高	超大规模云厂商	长期锁定物理网络资源
L6	联合建设/锚定客户	共同参与	超大 AI 基础设施客户	以长期需求支撑新增网络投资

第一层仍然是传统电路/OTN 专线 。客户购买的是封装后的网络容量和 SLA，运营商承担全部网络建设、设备配置和运维责任。这一模式最适合普通企业以及没有专业网络团队的客户。

第二层是波长服务 。运营商仍然负责光网络，但客户获得更加明确的独立波长资源。对于中型云客户和 AI 客户而言，这一模式能够在不增加大量运维负担的情况下提供较高的带宽扩展能力。

第三层是托管光网络（MOFN） 。客户开始获得一定的光层控制能力，而运营商继续承担相当部分的光传输运维责任。这一层适合已经具有较强网络能力，但又不希望完全承担光网络建设和运维责任的大型 AI 客户。

关于自研波分打包模式（L3）的商业定位与实践优势：在实际商业实践中，“自研波分 + 纤芯打包”填补了 L2（波长）与 L4（纯暗光纤）之间的巨大断层：

定位优势 ：相比纯暗光纤（L4），客户无需组建庞大的光传输硬件运维团队，也无需支付异构厂商的高昂设备溢价；相比纯波长（L2），客户获得了基于运营商自研设备开放 API 的“分钟级自动化开通”与“高精细度光层自观测”能力。
财务灵活性 ：可灵活采用“硬件一次性销售 + 纤芯月租”或“硬件与纤芯按月全打包（As-a-Service）”模式，极大适应了 AI 创业公司或中型算力集群的财务偏好。
责任边界清晰 ：运营商保障物理光纤与自研硬件底座的物理可用性，客户掌控业务调度与波长分配，实现了软硬件解耦下的最佳 SLA 平衡。

第四层是暗光纤 。客户租用物理光纤，自行部署 DWDM 或相干光传输系统。此时运营商的收入主要来自物理基础设施资源，而客户承担设备投资和光层运维责任。L4 与 L5 的区别在于租期和合同性质：暗光纤通常为短期或中期租赁（1-5 年），客户可提前终止；IRU 为长期不可撤销使用权（10-30 年），合同期内不可单方面终止，具有更强的资产属性。在实际商业实践中， 合同期限（如 5 年 vs 15 年）已不再是区分两者的绝对标准

第五层是 IRU 或私有光网络 。客户通过长期不可撤销使用权锁定物理网络资源，网络控制权进一步向客户侧转移。这种模式更加适合长期容量需求确定、网络价值较高的超大规模云厂商或超大规模 AI 基础设施客户。

第六层则是联合建设或锚定客户建设 。客户的长期容量需求成为网络建设的投资依据，运营商负责建设和运营网络，客户通过长期承诺获得容量保障，同时运营商可以利用剩余资源服务其他客户。

由此可以形成如下关系：

控制权越高，客户承担的 CapEx 和运维责任越大；控制权越低，运营商承担的基础设施成本越高，但可以获得持续性的网络服务收入。

因此，网络控制权本身实际上可以成为一种定价变量。

国际市场已经出现不同层级的商业实践

国际市场目前并没有形成"电路最终必然被暗光纤取代"的单一路线，而是正在形成包括 Wavelength、MOFN、Dark Fiber、IRU 以及 Anchor Build 在内的多层次商业实践。

2026 年 7 月，Verizon 宣布与 Google 达成价值超过 10 亿美元的多年期协议，为 Google 数据中心提供 Dark Fiber 连接。Reuters 报道称，Verizon CEO Dan Schulman 在公司业绩发布相关会议中表示，公司正在看到更多类似机会，并预计未来可能形成数十亿美元规模的相关业务。

这一案例的价值不在于合同金额本身，而在于运营商向超大规模客户开放了比传统电路更底层的物理网络资源。对于具有强大网络技术能力的 Hyperscaler 而言，Dark Fiber 允许其自行决定光传输设备和容量演进方式，从而将网络控制边界从运营商提供的"电路层"进一步下移到光层。

Verizon—Google 因而代表了一种典型的 Dark Fiber + 客户光层控制 模式。

与此同时，Zayo 的实践进一步体现了网络基础设施商业模式的变化。2026 年 4 月，Zayo 宣布已经获得一个 Anchor Customer，并据此推动超过 8,000 route miles 的新建和 Overbuild 网络。Zayo 当时明确表示，这些线路将由其建设、拥有和运营，而锚定客户的长期承诺为基础设施投资提供了需求支撑。

2026 年 8 月 6 日，Zayo 进一步宣布与 NVIDIA 合作建设超过 8,000 英里的新长途光纤，并扩展现有网络容量。Zayo 同时表示，其过去 18 个月已经推动超过 15,000 route miles 的 AI 相关建设和扩容。8 月 20 日，Zayo 又宣布扩大与 Corning 的长期光纤供应协议，以支持到 2030 年增加约 15,000 route miles 的网络建设计划，其中超过 8,000 英里的新长途光纤与 NVIDIA 的合作直接相关。

Zayo 的案例与 Dark Fiber 存在明显区别。Dark Fiber 主要解决的是"客户是否应该控制已有物理资源"的问题，而 Anchor Build 解决的是"当客户需求足够大时，谁来承担新增网络建设投资"的问题。

其商业逻辑可以概括为：

客户长期需求锁定 → 运营商获得投资确定性 → 运营商建设并拥有网络 → 客户获得长期容量保障 → 剩余资源继续服务其他客户。

因此，AI 客户不一定需要成为光纤资产所有者，也可以通过成为锚定客户影响运营商的网络建设方向。

香港电讯则代表了第三种路径。2026 年 7 月，HKT 宣布计划推出 3.2Tbps AI Data Centre Inter-connect Superhighway，用于连接香港多个数据中心，使 AI 基础设施提供商、大学和科研机构能够共享分布式计算资源。HKT 表示，该服务针对 AI 训练和推理等下一代工作负载，并采用面向 AI 的网络技术。

HKT 的模式并不是向客户出售 Dark Fiber，而是由运营商继续承担网络建设和运维责任，通过高容量光网络、低时延能力以及面向 AI 的网络技术，把复杂的底层基础设施重新封装成高等级 DCI 服务。

因此，HKT 所代表的并不是"客户控制权下沉"，而是另一种竞争策略：

如果客户愿意为高性能、低运维负担的网络服务付费，运营商仍然可以通过技术升级维持网络控制权，并提高托管网络的价值。

在 Verizon—Google、Zayo—NVIDIA 和 HKT 三个案例之外，MOFN 则构成了传统波长与 Dark Fiber 之间的重要中间层。2026 年 ACG Research 对 Wavelength、MOFN 和 Dark Fiber 的 TCO 分析显示，低带宽水平下 Wavelength 具有成本优势，而随着带宽进入多 Tbps 规模，MOFN 和 Dark Fiber 的经济性逐渐增强。

MOFN 的价值恰恰在于把"网络控制权"和"运维责任"拆分开来。客户可以获得专用光网络所带来的容量、隔离和一定程度的灵活性，但不需要承担完整 Dark Fiber 模式下的光传输设备建设和运维责任。

因此，国际市场实际上已经出现一个连续的商业体系：

产品形态	客户控制程度	典型经济逻辑
Circuit / OTN	低	购买封装后的网络服务
Wavelength	较低	购买独立波长容量
模块化波分+光纤/MOFN / Managed Optical	中等	获得专用光网络能力，同时减少运维负担
Dark Fiber	高	客户自行建设光传输系统
IRU / Private Optical Network	很高	长期锁定物理网络资源
Anchor Build / Joint Build	共同参与	以长期需求支撑新增网络投资

因此，国际市场真正出现的变化并不是"Dark Fiber 取代 Circuit"，而是网络控制权正在形成连续谱，并逐渐成为可以被单独定价的商业资源。

中国三大运营商所处的阶段：网络资源仍然高度封装

与美国等市场相比，中国基础电信运营商拥有更加庞大的光纤、管道、机房和传送网络基础设施，同时也拥有大量政企客户、云客户和移动用户。因此，中国运营商并不存在网络资源不足的问题，其核心问题更多是如何将庞大的基础设施资产转化为适应 AI 时代需求的新型商业模式。

尽管光纤出租是运营商一项常规业务，但运营商从商业本能出发， 更倾向于通过租用电路、专线等“主动服务”来获取更高利润、维持客户关系并避免自身被“管道化” 。目前，中国运营商仍然主要通过 OTN、专线、SD-WAN、算力网络和全光网络等方式向客户提供网络服务。也就是说，底层光纤和光传输能力仍然高度封装在运营商自己的网络体系之中。

这种模式在过去具有充分合理性。运营商承担网络建设和运维成本，同时通过专线、带宽升级和网络增值服务持续回收投资。客户则避免了自行建设光传输系统的资本开支和运维复杂性。

但是，AI 的发展可能改变这种平衡。

随着单个 AI 客户的 DCI 容量从数百 Gbps 向 Tbps 甚至更高水平发展，客户对网络的长期支付能力和对底层网络资源的控制需求都可能提高。对于部分超大客户而言，运营商继续按照传统带宽方式销售网络，可能使双方都无法获得最优的经济结果。

运营商需要面对的因此不是"是否出租光纤"这一单一问题，而是：

哪些客户已经跨过 TCO 拐点？哪些客户仍然适合购买托管网络？哪些客户应该获得更底层的物理资源控制权？

这实际上要求运营商从过去以产品为中心的销售方式，转向以客户 TCO 为中心的产品设计方式。

运营商的博弈处境：为什么必须开放控制权？

一个关键问题是：卖电路通常比租光纤更赚钱，运营商为何要主动开放导致自身收入摊薄的产品？

答案在于 客户自建光缆的外部选择 和 同业竞争压力 。

如果运营商坚持将所有网络资源封装成电路，而客户已经跨过 TCO 拐点，那么客户可能选择：

自建光缆 ：超大规模客户（如 Meta、Google 等）已有自建长距离光缆的实践；
第三方光纤提供商 ：如 Zayo、Lumen、Crown Castle 等专业光纤基础设施公司；
其他运营商 ：如果竞争对手提供更底层的光纤资源，客户可能转向竞争对手。

因此，运营商面临的选择不是"是否放弃电路收入"，而是：

在客户已经跨过 TCO 拐点后，如何避免将长期基础设施价值让渡给客户自建网络？

如果客户可以通过自建光缆、第三方光纤提供商或其他运营商获得更底层的资源，那么坚持将所有网络资源封装成电路，反而可能导致长期收入流失。

这也意味着，光缆租用模式的成功不仅取决于"是否率先推出"，更取决于运营商自身的光缆资源禀赋。

在电信市场，当某一运营商率先提出光缆租用业务时，其他运营商往往会迅速跟进。但这种"跟随策略"能否成功，取决于以下关键因素：

1. 光缆资源的数量和质量

如果运营商拥有更丰富的骨干光缆、城域光缆和本地接入光缆资源，特别是覆盖重要 AI 数据中心集群、算力枢纽节点的光缆路由，那么即使竞争对手后来跟进，客户在比较可用纤芯数量、路由多样性、物理隔离程度后，仍可能选择该运营商；
反之，如果运营商的光缆资源并不占优，即使率先推出光缆租用业务，客户在比较后仍可能选择资源更丰富的竞争对手，或者转向第三方光纤提供商。

2. 响应速度和交付能力

光缆租用业务对运营商的响应速度提出了更高要求。客户可能需要快速勘查路由、确认纤芯可用性、完成光纤跳接等；
如果运营商的资源管理系统（如 GIS 系统、纤芯资源管理系统）不够完善，导致响应速度慢、交付周期长，即使率先推出业务，也可能在客户体验上落后于竞争对手。

3. 维护质量和故障处理能力

光缆租用模式下，运营商仍需负责物理光纤的维护（如光缆故障修复、路由保护等）；
如果运营商的维护团队响应慢、故障修复时间长、路由保护能力弱，客户即使选择了光缆租用，也可能在后续使用中体验不佳，转而选择其他运营商或自建光缆。

4. 网络覆盖的地理优势

对于 AI 数据中心而言，光缆的价值不仅在于"有没有"，更在于"在哪里"；
如果运营商的光缆经过重要 AI 数据中心集群、算力枢纽节点、电力充裕区域，那么其光缆资源的战略价值会显著提升；
反之，如果光缆路由远离 AI 数据中心集中区域，即使价格便宜，客户也可能因为需要额外建设"最后一公里"而放弃选择。

因此，运营商在决定是否推出光缆租用业务时，需要首先评估自身的光缆资源禀赋：

如果自身光缆资源在数量、质量、覆盖范围上具有明显优势，那么率先推出光缆租用业务可能形成"先发优势 + 资源优势"的双重壁垒；
如果自身光缆资源并不占优，那么盲目跟进可能导致"起个大早，干个晚集"——率先推出业务，但客户在比较后仍选择竞争对手。

这也意味着，光缆租用模式可能加速运营商之间的分化：

光缆资源丰富的运营商（如拥有"新八纵八横"骨干网、城域光缆覆盖广、接入能力强的运营商）可能通过光缆租用业务进一步巩固市场地位；
光缆资源相对薄弱的运营商可能面临两难选择：不推出光缆租用可能流失超大客户，推出后可能因资源劣势而难以形成竞争力。

对于中国运营商而言，这一竞争动态尤为重要。三大运营商均拥有庞大的光缆网络，但在具体区域、具体路由上的资源禀赋可能存在差异。未来，运营商可能需要：

首先盘点自身的光缆资源禀赋，识别具有竞争优势的路由和区域；
在资源占优的区域率先推出光缆租用业务，形成局部优势；
在资源不占优的区域，谨慎评估是否跟进，避免"起个大早，干个晚集"。

对于弱势运营商，在光纤租用领域的最大困境并非创新不足，而是同质化竞争下的护城河缺失。

由于干线光缆通过共建共享实现了高度同质化，物理网络资源本身难以构成壁垒。弱势运营商若率先推出创新的商业模式，极易被拥有更强规模优势和政企关系的强势跟随者快速模仿，并可能通过价格战或捆绑策略实现“后发先至”式的反噬。因此，弱势运营商不缺创新的点子，缺的是 将创新根植于自身不可复制的资源禀赋之中 。弱势运营商应放弃纯纤芯价格战，转向“自研模块化波分（DCI-BOX/极简OTN）+ 纤芯 + 算力 + 安全”深度捆绑方案。通过提供贴合 AI 客户需求的标准化盒式设备与开放 API 服务，将安全增值与自研开放设备融合，向“智能基础设施资产运营商”演进。

真正的护城河不在于“租光纤”这一动作本身，而在于“光纤+算力+安全”的深度捆绑能力。 弱势运营商可以效仿Zayo与NVIDIA的“锚定客户”模式，为头部AI客户提供定制化的“光纤+算力”一体化方案，而非简单的纤芯出租。可以考虑将“安全”等其他增值服务作为核心卖点嵌入光纤服务，提供对手难以在短期内复制的增值体验。此外，还可探索与行业外企业合作获取优势路由，以较低成本扩充资源池，构建差异化的网络覆盖。弱势运营商而应致力于成为“智能基础设施资产运营商”。唯有将光纤资源与算力、安全、定制化服务等能力融合，提供高价值的整体解决方案，才能在同质化的竞争中，真正构筑起一道让对手难以逾越的护城河。

监管边界：网络控制权开放的约束条件

在中国市场，网络控制权向客户开放还需要考虑电信业务、网络安全、数据安全以及跨境数据等监管要求。

需要特别区分的是，AI 企业租用暗光纤并自行部署 DWDM，本身并不当然构成电信业务经营行为。是否涉及电信业务经营许可，关键仍在于实际业务模式以及是否利用相关网络向第三方提供属于电信业务范畴的服务。因此，不能简单地因为企业"拥有光纤"或者"自行建设 DCI"就认定其需要取得 IDC 或 ISP 许可证。

如果 AI 企业仅连接自有数据中心，网络主要用于自身业务，并不向公众或者第三方提供电信连接服务，其法律性质与利用网络开展对外经营性电信业务存在明显区别。

与此同时，如果相关数据中心或网络设施涉及关键信息基础设施、重要数据处理、数据跨境等场景，则需要根据实际主体、数据类别和业务性质适用相应的网络安全和数据安全监管要求。

因此，监管因素更适合被视为网络控制权商业模式的 边界条件 ，而不是决定商业模式经济性的核心变量。

对于运营商而言，未来如果开放 Dark Fiber、Spectrum 或 Private Optical Network，需要通过合同明确资源使用范围、设备责任、故障责任、网络安全责任和禁止转售等事项，但也应避免把普通的企业自用网络建设简单等同于电信业务经营。

从"网络服务商"到"网络基础设施资产运营商"

AI 对运营商最大的影响，并不是使网络价值下降，而是使网络价值的构成发生变化。

过去，运营商主要通过带宽、专线、OTN 和 IP 网络向客户出售连接服务。网络的价值主要体现在"能够提供多少带宽"和"能够提供什么 SLA"。

未来，网络价值可能进一步向更加底层的基础设施迁移，包括光纤资源、物理路由、光层资源、机房、电力以及跨数据中心的地理位置关系。

特别是在 AI 基础设施时代，网络的价值越来越与"在哪里拥有网络"联系在一起。

一条经过重要 AI 数据中心集群、拥有多条物理路由、具备充足纤芯资源并连接多个电力和算力节点的光纤基础设施，其价值已经不再只是传统意义上的"传输管道"。它实际上成为 AI 基础设施体系的一部分。

因此，运营商未来可能形成一种新的商业逻辑：

机房 + 电力 + 光纤 + 路由 + 光传输 + 网络运维 → AI Infrastructure Connectivity（AI 基础设施连接服务）。

这种产品不再简单出售某一条 100G 或 400G 电路，而是向 AI 数据中心提供一套能够长期支撑算力部署的基础设施连接能力。

在这一模式下，运营商最大的竞争优势恰恰不是某一项单独技术，而是其同时拥有光纤、管道、机房、电力接入、网络运营和全国性基础设施组织能力。

结论：AI 改变的不是网络需求，而是网络价值的分配方式

AI 时代，运营商面对的并不是一个简单的"电路出租还是光纤出租"的二选一问题。

真正发生变化的是，当 DCI 的容量规模、利用率和持续时间达到一定水平以后，客户开始发现：继续购买运营商封装好的带宽服务，未必是长期 TCO 最优方案。此时，物理光纤、光层、频谱、路由以及长期使用权本身开始具有独立的经济价值。

国际市场已经出现这一变化的不同表现。Verizon 与 Google 的 Dark Fiber 合作表明，超大规模客户正在直接购买更底层的物理网络资源；Zayo 与 NVIDIA 的合作表明，AI 客户的长期需求甚至可以成为运营商新建网络的投资锚点；HKT 的 3.2Tbps AI DCI Superhighway 则说明，运营商仍然可以通过提高托管网络的技术能力，在不开放底层物理控制权的情况下满足 AI 客户需求。

因此，未来网络商业模式更可能表现为一种连续演进，而不是简单替代：

Circuit → Wavelength → MOFN → Dark Fiber → IRU / Private Optical Network → Anchor Build。

其中不存在一个对所有客户都适用的最优模式。真正决定产品选择的是客户的长期容量、线路距离、利用率、租期、资本成本、技术能力和运维能力。

由此可以形成全文最核心的判断：

AI 并不会简单地把运营商从"卖带宽"推向"卖光纤"；真正发生的变化，是当 DCI 长期容量需求跨过经济性拐点后，客户开始有动力购买更底层的物理资源和网络控制权。

三大运营商自研模块化波分（DCI-BOX / 极简 OTN）设备的成熟，为这种控制权转移提供了一种理想的中间态——“设备 + 纤芯”打包模式。它既让客户享受到了接近暗光纤的自主性与低成本，又让运营商保留了硬件与服务价值链。

对于运营商而言，正确的战略并不是拒绝这种变化，也不是简单地把光纤租出去，而是 把网络控制权本身产品化、分层化和定价化 。

在这一过程中，运营商的角色并非由"网络服务商"退化为"光纤出租商"，而是进一步向 网络基础设施资产运营商 演进。其核心资产也将从单纯的带宽能力，扩展为光纤、路由、光层、机房、电力以及跨数据中心的基础设施连接能力。

从这个意义上说，AI 对运营商网络商业模式最深刻的影响，不是让运营商卖更多带宽，也不是简单地让运营商出租更多光纤，而是 推动网络价值从"服务层"向"基础设施层"重新分配 。

运营商真正需要出售的，最终不是某一个固定的网络产品，而是 不同等级的网络控制权 。

中英文对照

英文	中文	说明
Circuit / OTN	电路/OTN 专线	传统封装好的网络服务
Wavelength	波长服务	独立波长资源
MOFN / Managed Optical	托管光网络	专用光网络 + 运营商托管运维
Dark Fiber	暗光纤	客户租用物理光纤，自行部署设备
IRU	长期不可撤销使用权	10-20 年长期锁定物理资源
Private Optical Network	私有光网络	客户专属的光网络
Joint Build / Anchor Build	联合建设/锚定客户建设	客户长期需求支撑网络投资
Hyperscaler	超大规模云厂商	AWS、Google、Microsoft、Meta 等

参考资料

Reuters, Verizon lifts annual forecasts, signs $1 billion fiber deal with Google, 24 July 2026.
Zayo, Zayo Secures Anchor Customer to Accelerate Network Expansion Across Critical AI Corridors, 16 April 2026.
Zayo, Zayo Teams with NVIDIA to Scale Critical Network Capacity for AI Factories, 6 August 2026.
Zayo, Zayo Stays Ahead of AI Infrastructure Demand Through Long-Term Fiber Supply Agreement with Corning, 20 August 2026.
HKT, HKT to launch ultra-low latency 3.2Tbps AI Data Centre Inter-connect Superhighway to support Hong Kong’s AI development, 17 July 2026.
ACG Research, Choosing the Right Optical Transport for the AI Era: A TCO-driven decision framework for AI Data Center Interconnect, 12 June 2026.
Zayo, The 2026 Bandwidth Report.

从 OpenRouter 到运营商 AI 服务网络系列三：运营商 AI 转型的最大瓶颈是什么？

Wed, 26 Aug 2026 07:45:00 +0800

【导语】

上篇回顾：AISN 框架与四层演进路径。运营商目前所处的困境就是AI 系统开发能力不足。如何平衡重资产投入与系统开发投入？本文是"从 OpenRouter 到运营商 AI 服务网络"系列推文之三（终章）。

Token 经营的本质：从资源计量到 AI 价值经营

Token 究竟是什么

Token 究竟是新的计费单位、AI 能力的计量单位，还是未来 AI 任务价值结算的中间单位。在 AISN 战略中，Token 被视为智能服务的统一计量单位，其意义远超技术层面的 Token 计算。Token 经营的提出，标志着运营商计量体系从传输量向智能处理量的根本性转变。若将 Token 简单类比为 AI 时代的流量，则运营商确实难以摆脱管道角色，因为这意味着仍然以传输逻辑理解智能服务。然而，Token 的本质并非网络数据传输量，而是模型处理、生成和计量过程中的基本资源单位。它可以作为 AI 模型调用的重要计量与结算基础，但不能直接等同于 AI 服务的商业价值。相同数量的 Token，在不同模型、不同任务和不同业务场景下可能产生完全不同的价值。因此，Token 更准确的定位是 AI 服务的资源计量单位和商业计价基础，而不是最终的价值单位。随着 AI 服务从模型调用向 Agent 和任务执行演进，Token 可能逐渐成为后台资源结算单位，而用户前台购买的则是 AI 能力、任务执行和最终结果。因此，Token 经营不是流量经营的延伸，而是智能经营的起点。

竞争不是谁的 Token 套餐便宜

如果只是九块九买一千万 Token，运营商很容易陷入 Token 价格竞争。随着模型效率提升、推理成本下降和模型供给增加，单位 Token 的市场价格可能持续下降。因此，如果运营商仅以 Token 数量和价格作为竞争核心，容易陷入同质化的价格竞争。更重要的竞争方向应是扩大 AI 任务需求，并提高单位 Token 所支撑的业务价值。真正应该竞争的是谁能创造更多 Token 需求，以及谁能让单位 Token 产生更高的业务价值。

Token 是不是终极经营单位

初级阶段可能表现为"用户—Token—计费"，但随着 AI 服务向 Agent 和任务执行演进，经营关系可能逐步转向"用户—Agent—任务—结果—价值"。在这一过程中，Token 并不会消失，而更可能退居后台，承担模型调用、算力消耗和服务结算的统一计量功能。用户真正购买的则可能从 Token 数量逐渐转向客服任务、代码开发、合同审核、数据分析等具体 AI 服务。因此，Token 更可能成为 AI 服务体系的后台统一计量与结算层，而不是长期面向用户的最终商品；真正的前台经营对象将随着 AI 服务成熟度提高，从 Token 逐步转向 AI 能力、AI 任务和业务结果。如果运营商长期以Token作为业务的计费单位，那恐怕还逃不脱”管道“的命运。

关键制约：AI 系统开发能力的短板与平衡策略

运营商的能力结构失衡

运营商现有的能力结构呈现明显的偏科特征。在强项方面，运营商拥有算力基础设施、网络基础设施、用户接入、云和企业级计费结算体系等重资产及基础运营能力；在相对薄弱的方面，则主要表现为 AI 业务系统开发、互联网产品设计、开发者生态运营、模型与 Provider 生态 BD、AI 应用孵化和快速产品迭代能力。OpenRouter 的强项在于 AI 系统开发、开发者生态运营、互联网产品迭代和模型生态组织能力；其相对弱项则在于不拥有运营商意义上的大规模自建算力基础设施、全国性通信网络以及移动、固网和政企渠道体系。

AI 系统开发能力的战略价值

AI 业务系统与生态能力不是锦上添花，而是将运营商重资产转化为业务价值的关键能力。没有统一 API、智能路由、计量计费、开发者平台和运行数据闭环，算力难以形成规模化调用；没有开发者生态和 AI 应用生态，用户接入资源难以转化为持续 AI 需求；没有任务编排和服务质量保障，模型、算力和网络资源也难以进一步形成面向任务结果的产品。因此，运营商真正需要补齐的不是单一的软件开发能力，而是将基础设施、AI 资源和用户需求连接起来的业务系统与生态运营能力。

核心矛盾：重资产投入与系统开发投入的资源平衡难题

运营商面临的核心问题并非重资产投入与系统开发投入之间简单的零和博弈，而是如何在资本投入、研发投入和业务收益尚未完全确定的情况下优化能力建设节奏。过度倾向重资产，可能导致算力供给增长快于 AI 需求增长；过度强调软件能力，又可能削弱运营商已有基础设施的差异化优势。因此，真正需要解决的是资本性基础设施建设与业务能力建设之间的动态平衡，以及两者如何形成协同效应。

基于上述分析，本文提出以下可能的能力建设路径。需要说明的是，这些路径属于战略推演和建议，而非对运营商实际组织和投资决策的事实判断。

四项平衡策略

平衡策略一：分阶段投入，推动重资产与系统能力协同演进

运营商不宜试图在短期内同时完成大规模基础设施建设和完整的 AI 系统能力建设，而应根据 AI 需求增长、模型成本变化、算力利用率和业务成熟度，分阶段推进两类能力建设。这里的"分阶段"并不意味着重资产投入逐步退出、软件能力取而代之，而是指随着业务成熟度提高，投入重点由单纯扩大资源规模逐步转向资源效率提升、系统能力增强以及二者的协同优化。

第一阶段为能力验证期（1-2 年） 。核心目标是验证 Token 经营和模型聚合模式。重资产投入重点是 AIDC、智算中心和算力网络建设。系统能力建设重点不追求全面铺开，而是优先建设统一 API 入口、模型接入、基础计量计费、Token 结算和运行监控等最小可行能力，打通"模型—算力—调用—计量—结算"的基本闭环。该阶段的核心目标不是形成完整的 AI 服务生态，而是验证 Token 经营和模型聚合模式，形成可持续的 AI 服务调用需求，并观察算力供给与实际需求之间的匹配关系。

第二阶段为协同发展期（2-4 年） 。核心目标是提升算力、网络与 AI 系统的协同效率。随着 AI 服务调用规模扩大，运营商应继续完善算力网络和异构算力资源，同时明显加强智能路由、开发者平台、模型与 Provider 生态、运行数据分析以及 AI 应用孵化等系统能力建设。在这一阶段，竞争重点逐步从"拥有多少算力"转向"如何更有效地组织和使用算力"，通过模型路由、算力调度和网络感知等机制提高资源利用率、服务稳定性和单位 Token 的业务价值，逐步形成"重资产基础设施 + AI 系统能力"的组合竞争力。

第三阶段为价值经营期（4 年以上） 。核心目标是从资源规模扩张转向资源效率和任务服务能力提升。当 AI 服务形成较大规模的稳定需求后，算力基础设施仍然是运营商的重要战略资产，但投入重点可以逐步从单纯规模扩张转向异构算力优化、资源利用率提升、节点布局优化和网络协同。同时，更多系统能力应向 AI 任务编排、Agent 协同、行业知识服务、服务质量保障和结果评价体系延伸，使运营商能够从提供模型和算力资源进一步转向提供 AI 能力、AI 任务乃至业务结果。

因此，三个阶段并不是简单的"重资产优先、软件优先、重资产退出"的线性过程，而是重资产能力持续存在、系统能力持续增强、二者协同程度不断提高的演进过程。其基本变化可以概括为：第一阶段解决"有没有 AI 服务能力"的问题；第二阶段解决"能不能高效组织 AI 资源"的问题；第三阶段解决"能不能围绕用户任务和业务结果创造更高价值"的问题。

上述阶段划分属于本文提出的战略分析框架，而非对运营商实际投资节奏的预测。实际推进速度取决于 AI 需求增长、模型推理成本下降速度、算力利用率、市场竞争格局、监管环境以及运营商自身资本和研发投入能力。

平衡策略二：借力外部生态，避免全部自建

建议运营商不要试图全部自建 AI 系统开发能力，而应该借力外部生态。与互联网公司合作，引入互联网公司的 AI 系统开发能力，运营商提供算力、网络、用户接入，互联网公司负责系统开发、开发者生态、应用运营，通过调用量、服务收入或项目收益等方式建立利益共享机制。与 OpenRouter 及类似 AI Gateway、模型路由平台开展合作，借鉴其模型聚合、智能路由、开发者服务和运营机制，结合运营商本地算力、网络及政企渠道，快速验证相关业务模式。更好的方式是投资或收购具有 AI 系统开发能力的创业公司，快速获得技术团队和产品能力，避免从零开始自建的高成本和时间成本。这种AI系统开发的核心能力运营商必须自己掌握。开源加自研结合，核心系统如智能路由、计量计费自研，非核心系统如 API 网关、监控系统采用开源方案，降低系统开发成本和时间。

平衡策略三：组织变革，建立互联网化的研发体系

运营商的传统研发体系不适合 AI 系统开发，需要进行组织变革。建议建立独立的 AI 产品研发部门/子公司，独立于传统网络与 IT 部门，采用互联网公司的研发模式，包括敏捷开发、快速迭代，独立的预算和考核机制。引入互联网人才，从互联网公司引进 AI 产品、系统开发、开发者运营人才，提供有竞争力的薪酬和激励机制，建立技术与业务的复合型团队。建立试错文化，允许快速试错、快速失败、快速迭代，不追求一次性完美，而是小步快跑，建立数据驱动的产品优化机制。需要指出的是，运营商作为央企在组织变革中面临的体制性障碍，如薪酬体系、考核机制、决策流程等与互联网公司的根本差异，本研究未充分讨论，这是局限之一。

平衡策略四：聚焦核心场景，避免全面开花

运营商不应该试图在所有 AI 场景上都自建系统开发能力，而应该聚焦核心场景。聚焦政企市场，政企客户是运营商的传统优势市场，政务、医疗、工业、金融等行业具有较强的数字化基础和专业 AI 需求，在满足合规、安全和 ROI 要求的情况下具有较明确的商业化空间，集中资源打造政企 AI 服务能力，避免与互联网公司在 C 端市场正面竞争。聚焦网络加算力协同场景，发挥运营商网络加算力的独特优势，开发网络感知型 AI 服务，如低时延推理、边缘 AI，避免与互联网公司在纯软件领域竞争。聚焦任务结果而非技术实现，从用户视角设计产品，聚焦任务结果，如合同审核、代码生成、数据分析等具体场景，避免陷入技术自嗨，开发用户不关心的功能。

研究局限与后续方向

研究局限

本研究在以下维度存在局限。第一，缺乏对转型财务可行性的量化分析。文章提出了分阶段投入策略，但没有估算各阶段的投入规模、预期回报和投资回收期。运营商高层决策需要财务数据支撑，这一缺失降低了建议的可操作性。第二，未充分讨论监管合规和组织变革的体制性障碍。运营商作为央企，在 AI 服务中面临数据安全、模型合规、内容审核等监管要求，这些既是约束也可能是差异化优势。同时，运营商在组织变革中面临的薪酬体系、考核机制、决策流程等体制性障碍，本研究着墨甚少。第三，对 Stripe 收购 OpenRouter 后竞争格局的变化评估不足。Stripe 收购 OpenRouter 后，OpenRouter 获得了全球最大的支付基础设施能力，其 Token 计量与结算能力将大幅增强，这可能对运营商的 Token 经营构成直接竞争，本研究未对此展开分析。第四，缺少对市场时间窗口的判断。文章提出了分阶段演进路径，但没有评估市场留给运营商的时间窗口有多长。如果互联网公司或 Stripe/OpenRouter 提前占据 AI 服务网络的生态位，运营商的转型窗口可能关闭。第五，本文对运营商用户接入优势向 AI 用户入口转化的机制讨论仍不充分。运营商拥有庞大的移动、固网和政企客户基础，但用户规模并不自动等同于 AI 服务使用规模，二者之间还存在产品入口、用户习惯、应用生态和服务体验等转化环节。第六，本文对网络资源在 AI 推理调度中的实际价值缺乏量化分析。不同 AI 任务对网络时延、带宽和节点位置的敏感程度存在显著差异，网络是否能够形成可持续的 AI 业务溢价，需要结合实际业务场景进一步验证。

后续研究方向

后续研究可在以下维度进一步深入。第一，补充财务可行性量化分析，估算各阶段投入规模、预期回报和投资回收期，为运营商高层决策提供数据支撑。第二，深入讨论监管合规与组织变革的体制性障碍，分析运营商作为央企在数据安全、模型合规、内容审核等方面的约束与差异化优势，以及薪酬体系、考核机制、决策流程等与互联网公司的根本差异。第三，评估 Stripe 收购 OpenRouter 后竞争格局的变化，分析 OpenRouter 获得支付基础设施能力后对运营商 Token 经营的潜在冲击。第四，判断市场时间窗口，评估互联网公司或 Stripe/OpenRouter 提前占据 AI 服务网络生态位的可能性，为运营商转型提供时间维度的参考。

【终章结语】

OpenRouter 获 Stripe 超 80 亿美元收购，验证了 AI 资源编排中间层的商业价值。对运营商而言，简单算力堆叠与粗放 Token 转售均非长久之计，真正难以复制的优势在于海量终端接入、全国性网络、梯次化智算布局、企业级计费体系与政企渠道资源的综合整合能力。

本文提出，运营商应从 Token 经营向 AI 能力、AI 任务与价值经营演进，通过分阶段投入、借力外部生态、组织变革与聚焦核心场景，形成重资产与系统开发的组合竞争力。关键制约并非软件开发人员数量不足，而是 AI 业务系统、产品运营和生态组织能力相对不足。

当前，运营商正站在 AI 转型的关键十字路口。若仅将 Token 经营视为终极目标，而忽视向 AI 能力、AI 任务与价值经营的演进，未能真正形成以 AI 服务为核心、以业务结果为导向的运营模式，则即便拥有海量算力、网络与用户接入资源，最终仍可能陷入"新管道化"困境——从"流量管道"演变为"Token 管道"，难以摆脱价值传递者而非价值创造者的角色定位。反之，若能将重资产优势与系统开发能力有机结合，从"卖资源"转向"卖服务"、从"卖 Token"转向"卖结果"，运营商有望在 AI 时代重塑自身生态位，真正成为 AI 服务网络的价值创造者与主导者。

最终，运营商的成功在于是否形成重资产与系统开发的组合竞争力。运营商能否从 Token 经营走向 AI 能力与任务经营，取决于能否将算力、网络、用户接入和软件生态组织成面向用户价值的 AI 服务体系。

这才是 AI 时代运营商真正的护城河。

数据来源说明 ：本文涉及 OpenRouter 的数据主要来源于 OpenRouter 官方文档与博客、公开行业报道；涉及三大运营商的数据主要来源于公司公开披露及行业媒体报道。部分战略概念，如 AISN、Token 经营、AI 能力经营、AI 任务与价值经营，为本文提出的战略构想。本研究在财务可行性量化分析、监管合规与组织变革体制性障碍、Stripe 收购 OpenRouter 后竞争格局变化、市场时间窗口判断等维度存在局限，后续研究需进一步补充完善。

从 OpenRouter 到运营商 AI 服务网络系列二：运营商如何从"卖 Token"走向"卖 AI 价值"？

Tue, 25 Aug 2026 08:34:00 +0800

【导语】

上篇回顾：OpenRouter 获 Stripe 超 80 亿美元收购，验证了 AI 资源编排中间层的商业价值。运营商不能简单复制 OpenRouter，而应将重资产优势与系统开发能力结合。本文提出 AISN（AI 服务网络）框架，分析运营商如何从 Token 经营向 AI 能力、AI 任务与价值经营演进。本文是"从 OpenRouter 到运营商 AI 服务网络"系列推文之二。

AISN 战略框架：运营商 AI 转型的理论基础

AISN 的概念提出

AI Service Network（AISN，AI 服务网络）是本文提出的用于描述电信运营商在 AI 时代战略转型的理论框架。AISN 的核心理念是，运营商不应仅仅停留在"卖算力"或"卖 Token"的层面，而应构建一个贯穿"用户接入—网络传输—算力调度—模型路由—智能服务"的全链路 AI 服务网络，实现从"连接运营商"向"AI 服务网络运营者"的战略跨越。

AISN 概念的提出基于三个关键判断。第一，AI 时代的价值创造不再局限于单一资源（如算力、模型、网络），而在于资源的智能编排与协同。第二，用户关心的不是后台使用了哪个算力节点或哪个模型，而是任务是否快速、准确、稳定地完成。第三，运营商的真正优势不在于拥有多少 GPU 或带宽，而在于能够将海量终端接入、全国性高品质网络、梯次化智算布局、成熟的企业级计费体系与全域政企渠道进行多维融合。

AISN 与 OpenRouter 的关系

AISN 概念受到 OpenRouter 运营模式的启发，但两者存在本质差异。OpenRouter 是轻资产的 AI 模型聚合与路由平台，其核心能力在于模型聚合、API 网关、智能路由、统一计量计费、开发者生态与应用生态。而 AISN 是重资产的 AI 服务网络，运营商在 OpenRouter 式的能力基础上，进一步整合算力基础设施、网络基础设施、用户接入资源、政企渠道等重资产优势，形成"AI 能力平台 + 算力网络 + 用户入口"的新型运营模式。

简言之，AISN 与传统算力网络的区别在于其核心调度对象不同。算力网络主要解决算力资源的发现、调度和供需匹配问题，其核心对象是算力资源；AISN 则进一步将 AI 任务作为调度对象，将任务需求、模型能力、算力状态、网络状态、服务质量和用户需求纳入统一决策。因此，算力网络主要解决算力资源的发现、状态感知、供需匹配和资源调度问题，其核心关注对象是算力资源，而 AISN 进一步试图回答"一个 AI 任务应该由什么模型、在哪个算力节点、经过什么网络路径，以什么成本和服务质量完成"。OpenRouter 的优势是轻资产地组织 AI 能力，而 AISN 的目标是利用重资产优势，再补上 OpenRouter 式的业务开发和生态组织能力，形成差异化竞争力。

AISN 的核心能力

AISN 的核心能力包括五个维度。第一是统一 API 入口，提供兼容行业标准的接口，屏蔽底层算力、模型、网络的差异，降低开发者集成成本。第二是任务感知与智能路由引擎，根据任务类型、模型能力、算力状态、网络状态、成本和服务等级要求，在具备相应资源控制能力和实时状态数据的前提下，实现模型路由、算力路由和网络路径的协同优化。其核心并非简单选择最快或最便宜的资源，而是针对具体 AI 任务寻找满足质量、时延、成本和可靠性约束的最优执行路径。第三是计量计费体系，以 Token 为基本计量单位，支持按任务、按能力、按结果等多种计费模式，实现从"传输量"向"智能处理量"的计量转变。第四是开发者生态，提供完善的文档、SDK、示例代码，降低开发者集成成本，形成需求侧飞轮。第五是任务编排与结果保障，从"卖资源"转向"卖任务结果"，承诺响应时间、准确率、成本等业务指标，实现从技术语言向用户语言的转换。

AISN 的四层演进路径

AISN 的经营对象可以进一步划分为四个层级，体现运营商从资源计量向价值交付的逐步升级。

第一层是 Token 经营 。以 Token 作为统一计量和结算单位，建立不同模型、算力和 AI 服务之间相对统一的计量、计价和结算体系，使 AI 资源能够进入标准化商业运营。

第二层是 AI 能力经营 。将模型、Token、算力和 Agent 等资源进行组合，形成可以直接调用和购买的标准化 AI 能力，如文本生成、代码生成、知识问答等。

第三层是 AI 任务经营 。围绕合同审核、代码开发、数据分析、客服处理等具体任务提供端到端服务，用户购买的不再是某个模型或 Token 数量，而是能够直接完成的 AI 任务。

第四层是 AI 价值经营 。在具备行业 Know-how、业务数据和结果评价能力的场景中，从任务交付走向业务结果和价值交付，如合同风险识别、审核效率提升和合规风险降低等综合服务。

这一演进路径的核心变化可以概括为：Token 解决"如何计量"，AI 能力解决"提供什么"，AI 任务解决"完成什么"，AI 价值解决"产生什么结果"。Token 并不是这一体系的终点，而更可能是 AI 服务商业化的基础计量层。随着 AI 模型、Agent 和行业应用不断成熟，运营商的经营对象有可能逐步从 Token 向 AI 能力、AI 任务和业务价值迁移。

四层经营对象：从用户视角的演进路径

运营商最终应该经营什么，可以从四个层级理解。这四个层级并不是相互替代的关系，而是逐层叠加的关系：Token 是计量与结算基础，AI 能力是标准化产品，AI 任务是服务化产品，AI 价值是结果化产品。因此，运营商未来并不是放弃 Token 经营，而是在 Token 经营基础上进一步向更高层级延伸。Token 可以继续作为后台统一计量和结算机制，而前台经营对象则逐渐从 Token 转向 AI 能力、AI 任务和最终业务价值。

从用户视角看，四层经营对象对应着不同的产品形态和价值感知。随着经营层级提高，用户与底层技术资源之间的距离逐渐增加，用户购买的对象也从资源使用量逐步转向 AI 能力、具体任务和最终业务结果。

第一层是 Token 经营 。经营对象是 Token 及其计量、计价和结算服务。用户感知的是"我购买了一定数量的 Token"或者"按照 Token 使用量付费"，运营商提供的是模型调用、计量、计费和结算能力。这一层的产品逻辑仍然比较接近传统通信行业的资源计量模式，用户需要理解 Token 是什么以及不同模型的 Token 价格，产品差异化主要来自价格、模型供给、稳定性和服务能力。

第二层是 AI 能力经营 。经营对象是由模型、Token、算力和 Agent 等资源组合形成的标准化 AI 能力。用户不再需要直接关心使用多少 Token 或者后台使用了什么算力，而是购买一个可以直接调用的 AI 能力，例如文本生成、代码生成、知识问答、图像理解或多模态分析。运营商后台负责模型选择、算力调度、Token 计量和服务保障，用户前台感知的是 AI 能力本身。

第三层是 AI 任务经营 。经营对象进一步从通用 AI 能力转向具体业务任务。用户不再购买某一个模型或者某一种 AI 能力，而是直接提出"帮我完成什么"。例如，用户提出合同审核、代码开发、数据分析、客服处理等任务，由 Agent 自动选择和组合相应的模型、工具、算力和业务流程完成任务。此时运营商的核心能力从模型和算力资源管理进一步转向任务编排、过程控制和结果保障。

第四层是 AI 价值经营 。经营对象进一步从"完成任务"转向"产生业务价值"。用户关注的不再是调用了多少 Token、使用了什么模型，甚至也不只是任务是否完成，而是任务最终为业务带来了什么结果。例如，合同审核服务最终关注的是风险识别和审核效率提升，客服服务最终关注的是客户满意度、人工成本和问题解决率，数据分析服务最终关注的是决策效率和业务收益。此时运营商提供的已经不只是 AI 技术服务，而是围绕业务目标提供结果和价值交付。

因此，从用户视角看，四层经营对象可以概括为：Token 层——我买多少 AI 资源？能力层——我能获得什么 AI 能力？任务层——AI 能帮我完成什么？价值层——AI 最终为我创造什么结果？

这四个层级并不是相互替代，而是逐步叠加。Token 仍然可以作为后台统一计量和结算机制，AI 能力则构成标准化产品，AI 任务构成服务化产品，而 AI 价值则代表更高层次的结果化服务。用户越向上层迁移，对底层技术的直接感知越弱，对任务完成质量和业务结果的关注越强。

因此，运营商在产品设计中应遵循一个基本原则： 后台经营资源，前台经营能力；后台调度模型、算力和网络，前台交付任务和结果。 这也意味着，运营商的技术能力越强，理论上越不应该让用户承担理解底层复杂性的成本。真正优秀的 AI 服务网络，应当将模型、算力、网络和 Token 等复杂资源隐藏在后台，通过统一的产品和服务界面向用户提供简单、稳定、可预期的 AI 能力和业务结果。

用户视角下的产品设计逻辑：从技术语言到用户语言

用户真实决策逻辑：质量、时延、可靠性与综合成本

从用户角度看，一个关键判断完全成立，即用户不关心哪个算力节点，用户关心的是任务有没有快速、准确、稳定地完成。在价格可接受范围内，用户会优先选择更强的模型能力、更低的延迟、更高的成功率、更好的上下文理解。用户通常不会单独以算力节点作为 AI 服务的选择依据，而更关注任务质量、响应速度、稳定性和综合成本。对于高价值任务，质量和可靠性通常具有更高权重；对于大规模、低价值或成本敏感型任务，价格因素的重要性则会显著提高。因此，运营商的 AI 产品不应将后台算力节点作为主要卖点，而应将资源调度能力转化为用户可以感知的质量、时延、可靠性和成本优势。算力节点是后台实现，不是前台卖点。用户不会问我的请求是在张家口 AIDC 跑的还是在长三角 AIDC 跑的，用户关心的是我的任务有没有快速、准确、稳定地完成。需要指出的是，对于政务、金融、医疗等对数据主权、数据驻留、安全合规或专属算力有明确要求的场景，算力位置本身可能成为用户可感知的产品属性。因此，“算力节点不可见"主要适用于一般性的 AI 服务消费场景，而不是所有企业级和行业级 AI 场景。

运营商不能把算力节点选择当成产品卖点

如果运营商在产品设计中强调"我们的 AI 服务调度了张家口 AIDC 的 GPU 资源，通过低时延网络实现资源协同”，这种产品表达容易陷入技术导向，自以为是的理解了用户的真实需求。用户其实真正关心的是 AI 能否完成任务、响应速度如何、结果质量如何以及综合成本是多少。因此，运营商的产品设计应该从算力节点转向任务结果，不是我们调度了哪个 AIDC，而是我们帮你完成了什么任务，花了多少时间，多少钱，输出的质量如何。

运营商的算力调度能力应该藏在后台，而不是推到前台

运营商的真正优势是可以把用户请求调度到最优算力节点，可以通过网络感知选择最佳路径，可以通过边缘节点降低端到端延迟。但这些能力应该作为后台优化机制，而不是前台产品卖点。前台产品应该聚焦于任务类型、服务质量、价格透明度。后台优化才是运营商的差异化竞争力，同样的任务，运营商可以通过智能调度实现更低成本、更高稳定性，但用户感知到的是更快、更稳、更便宜，而不是调度了哪个 AIDC。

运营商应该学习 OpenRouter 的用户语言，而不是坚持技术语言

OpenRouter 的成功在于它不跟用户讲 Provider 路由、负载均衡、边缘节点，它跟用户讲一个 API 访问所有模型、自动选择最优模型、失败自动切换。这是典型的用户语言，用户听得懂、用户关心、用户愿意为此付费。运营商应该学习这种语言转换，从算力节点调度转向任务结果保障，从网络时延优化转向响应速度提升，从异构算力混训转向模型能力更强。

【结语】

AISN 是运营商 AI 转型的目标框架，但运营商面临关键制约：AI 系统开发能力短板。运营商真正缺的不是基础设施，而是互联网 AI 业务开发能力。

当前，运营商正站在 AI 转型的关键十字路口。若仅将 Token 经营视为终极目标，而忽视向 AI 能力、AI 任务与价值经营的演进，未能真正形成以 AI 服务为核心、以业务结果为导向的运营模式，则即便拥有海量算力、网络与用户接入资源，最终仍可能陷入"新管道化"困境。反之，若能将重资产优势与系统开发能力有机结合，运营商有望在 AI 时代重塑自身生态位。

数据来源说明 ：本文涉及 OpenRouter 的数据主要来源于 OpenRouter 官方文档与博客、公开行业报道；涉及三大运营商的数据主要来源于公司公开披露及行业媒体报道。部分战略概念，如 AISN、Token 经营、AI 能力经营、AI 任务与价值经营，为本文提出的战略构想。

从 OpenRouter 到运营商 AI 服务网络系列一：Stripe 80 亿美元收购 OpenRouter，运营商能学到什么？

Mon, 24 Aug 2026 09:54:00 +0800

【导语】

2026 年 8 月，支付巨头 Stripe 宣布以超 80 亿美元收购 AI 模型聚合平台 OpenRouter，验证了 AI 资源编排中间层的商业价值。与此同时，中国电信、中国移动、中国联通相继推出 TokenHub、MoMA、元景 MaaS 等 Token 服务平台。运营商是在简单复制 OpenRouter，还是在探索差异化路径？本文是"从 OpenRouter 到运营商 AI 服务网络"系列推文之一。

OpenRouter 是什么？

OpenRouter 是一个 AI 模型聚合与智能路由平台。截至 2026 年 8 月，OpenRouter 已连接 500 多个模型和 80 多个 Provider，服务超过 1000 万用户，每日处理 Token 规模超过 10 万亿。

OpenRouter 通过统一 API、智能路由、透明计费与生态飞轮机制，成为开发者与企业连接多家模型的重要入口。开发者只需接入一个 API，就能调用全球 500 多个模型，无需分别对接 OpenAI、Anthropic、Google 等不同厂商。

2026 年 5 月，OpenRouter 完成 1.13 亿美元 B 轮融资，当时估值约 13 亿美元。2026 年 8 月，Stripe 正式宣布收购 OpenRouter，交易对价据公开报道超过 80 亿美元。上述变化表明，AI 模型聚合、智能路由、统一计量与结算正在形成具有独立商业价值的基础服务层。

OpenRouter 的核心能力：不止是多模型 API

OpenRouter 的核心能力并不只是多模型 API，而是模型聚合、API 网关、模型路由、统一计量计费、开发者生态与应用生态的综合体。

统一 API 抽象机制 ：OpenRouter 通过统一 API 抽象机制屏蔽不同模型厂商的接口差异，使开发者能够以 OpenAI Chat Completions 格式调用全球五百余个模型。智能路由引擎通过对模型能力、延迟、成本、可用性等多维度的实时评估，实现动态模型选择与自动回退机制。

透明计费模式 ：在计量体系方面，OpenRouter 以 Token 为主要计量单位，但并非所有模型和模态均仅按 Token 计费，部分服务还存在按请求、图像等计费方式。对于模型推理本身，OpenRouter 通常采用 Provider 价格透传机制，不对底层推理价格加价；其公开披露的商业化机制包括用户购买平台 Credits 时的平台服务费，以及部分 BYOK 场景的平台费用。因此，OpenRouter 的商业模式并不是简单的 Token 差价销售，而是围绕模型聚合、路由、计量、结算和开发者服务形成的平台化商业模式。

数据飞轮 ：OpenRouter 的竞争壁垒不仅来自模型和 Provider 数量，更来自调用规模形成的数据反馈机制。大量真实请求能够产生模型性能、价格、延迟、稳定性和任务表现等运行数据，这些数据反过来改善模型选择和路由策略，并进一步提升平台的用户体验。因此，其生态优势不仅表现为双边市场效应，也表现为"调用规模—运行数据—路由优化—用户增长"的数据飞轮。

OpenRouter 的生态定位：模型、Provider 与应用之间的中间层

OpenRouter 在生态中的定位是模型、Provider 与应用之间的中间层。对模型厂商与 Provider 而言，OpenRouter 降低获客成本、触达长尾用户、获得真实使用数据，性能更好的 Provider 会获得更多流量。对开发者而言，OpenRouter 降低集成成本、获得更优性价比、避免单一厂商锁定。对 OpenRouter 自身而言，双边平台效应显著，模型与 Provider 越多则开发者越多，路由数据越多则路由越优。

OpenRouter 的模式本质上是一种资源编排型运营模式，其核心竞争力不在于持有大规模算力，而在于对模型、Provider 和服务路径进行智能选择与调度。这一模式为运营商 AISN（AI Service Network，AI 服务网络）战略提供了重要参照，但也揭示了一个关键问题，即 OpenRouter 的轻资产模式与运营商的重资产模式存在本质差异，运营商不能简单复制 OpenRouter 的路径。

三大运营商 Token 模式比较：中国版 OpenRouter 还是 AI 能力交易平台？

中国电信 TokenHub：Token 服务与 AI 服务平台

中国电信推出 TokenHub，定位为 Token 服务与 AI 服务平台。其核心能力包括天翼云算力分发网络平台息壤、智算基础设施平台云骁和一站式智算服务平台慧聚。中国电信 2026 年中期业绩公告显示，星辰 TokenHub 汇聚了 142 个大模型，息壤平台 2.0 已支持超 20 款异构芯片算力，自有加接入智算总规模超过 118.8 EFLOPS。从公开披露的产品构成来看，TokenHub 与息壤、云骁、慧聚等平台形成较强的算力与 AI 能力协同关系，因此其业务形态不仅包含模型聚合，也具有较强的算力聚合、资源调度和 AI 能力分发属性。与 OpenRouter 相比，其突出特征在于能够将模型服务与运营商自有及接入的智算基础设施结合起来。

中国移动 MoMA：模型聚合与路由平台

中国移动推出 MoMA，定位为模型聚合与路由平台。其在 WAIC 等场合对外展示了模型服务网 IoM、数联网 IoD、智能分发网 IDN、智能体互联网 IoA 等布局，目标是围绕模型、数据、智能体全链路提供可信供给和泛在互联服务。中国移动于 2026 年 5 月 8 日在移动云大会主论坛上正式发布移动模型服务平台 MoMA，集成超 300 款 AI 模型，首创智能路由引擎，支持成本优先、效果优先、均衡优先三种策略，可实现单位 Token 成本压降约 30%。MoMA 的意义并不只是模型数量超过 300 款，而在于其已经公开体现出"模型聚合—统一接口—智能路由—成本优化"的平台化特征，这使其在业务形态上已经明显接近模型聚合与 AI 路由平台，而不再只是传统意义上的模型资源目录。与 OpenRouter 相比，MoMA 的表述更偏智能网基础设施，但底层逻辑同样是把 AI 资源网络化、标准化、服务化。

中国联通元景 MaaS 加 Token 超市：AI 能力与 Token 价值运营平台

中国联通推出元景 MaaS 加 Token 超市，定位为 AI 能力与 Token 价值运营平台。其核心产品包括联通元景 MaaS 平台、万象数据工程平台、万悟智能体平台、联通魔方套餐、联通云犀、CubeAI 算网模一体化平台等。中国联通 2026 年中期业绩公告披露，其升级了联通元景 MaaS 平台，搭建了规模化"Token 超市"，汇聚 200 多款主流大模型，积累超过 500TB 高质量数据集。元景 MaaS 更接近 AI 能力交易平台，强调将算、网、智打包为一体化服务，转化为可计量的 Token，用户按需付费。与 OpenRouter 相比，元景 MaaS 更强调运营商的网络、算力和政企渠道优势。值得注意的是，Token 超市本身并不意味着 Token 将长期成为最终商品。其更重要的战略意义在于建立统一的 AI 能力计量、组合和结算体系，使不同模型和 AI 能力能够以相对统一的方式进入运营商的商业体系。随着 Agent 和场景化 AI 服务发展，Token 有可能逐渐退居后台，成为能力和任务服务的资源结算单位。

三大运营商与 OpenRouter 的关系：不是简单复制，而是差异化演进

从公开产品形态来看，三大运营商的平台已经表现出与 OpenRouter 相似的模型聚合、统一接口、Token 计量和智能路由特征，但其建设目标和资源基础并不完全相同。因此，更准确的判断是三大运营商并不是在简单复制 OpenRouter，而是正在吸收模型聚合与路由平台的部分机制，并尝试将其与运营商自身的算力、网络、接入、云和政企渠道结合起来。OpenRouter 的核心是模型市场与模型路由，而运营商可能发展为 AI 能力市场与 AI 基础设施路由。运营商与 OpenRouter 的关键差异在于，OpenRouter 采用轻资产加模型聚合加 API 加开发者生态模式，而运营商拥有算力、AIDC、IDC、云、网络、移动接入、固网接入、政企客户、渠道、边缘节点等重资产优势，但相对缺乏开发者生态、AI 应用生态、模型生态 BD（Business Development，商务拓展/生态拓展）、API 产品能力、开发者关系、AI 产品运营、用户增长、Agent 生态、快速互联网产品迭代能力。因此，核心矛盾是供给能力很强，但需求组织能力不足。运营商真正缺的不是基础设施，而是互联网 AI 业务开发能力。

运营商的真正优势：重资产如何转化为 AI 业务竞争优势

为什么不能简单复制 OpenRouter 的轻资产模式

OpenRouter 采用轻资产加模型聚合加 API 加开发者生态模式，而运营商不能也不应该简单复制。因为运营商最大的竞争优势恰恰是算力、网络与接入资源。因此，运营商应该研究如何把重资产优势转化为 AI 业务竞争优势，而不是试图把自己变成一个纯粹的轻资产模型中介。

运营商的三层差异化优势

运营商的真正优势可归纳为三层。第一层是算力，运营商可以掌握 GPU、AIDC、云、边缘算力，因此可以实现从模型路由到算力路由的升级，即不仅选择哪个模型，还选择哪个算力节点执行。第二层是网络。运营商可以将网络时延、带宽、网络负载、数据中心位置等网络和拓扑状态，与模型推理性能指标如 TTFT、TPOT 以及业务 SLA 共同纳入 AI 任务调度，从而形成网络感知的 AI 路由与资源编排能力。第三层是用户接入，这是运营商区别于多数 AI 基础设施平台的重要潜在优势。运营商同时拥有移动、固网、企业和政企客户等广泛的用户触点，因此具备将通信用户和政企客户转化为 AI 服务用户的潜在入口。但需要指出，用户接入资源并不会自动形成 AI 需求，运营商仍需要通过产品设计、应用生态和开发者服务将网络接入优势转化为实际 AI 使用规模。但网络感知调度的业务价值具有明显的场景依赖性。对于实时交互、边缘 AI、多轮 Agent 和多模态服务等对端到端时延敏感的任务，网络状态可能成为重要的调度变量；对于大量离线、批处理或异步推理任务，网络因素的重要性则相对有限。

真正缺的是需求侧飞轮

运营商目前已经具备较强的算力、网络、云和用户接入资源，但这些资源不会自动产生 Token 需求。真正需要建立的是"开发者—AI 应用—AI 用户—模型调用—Token 消费—算力消费—网络消费—收入—更多开发者"的需求侧飞轮。运营商需要解决的核心问题，不只是扩大 AI 供给，而是将已有基础设施转化为持续增长的 AI 服务需求。

【结语】

OpenRouter 获 Stripe 超 80 亿美元收购，验证了 AI 资源编排中间层的商业价值。对运营商而言，简单算力堆叠与粗放 Token 转售均非长久之计。运营商有重资产优势，如何转化为 AI 业务竞争优势？

数据来源说明 ：本文涉及 OpenRouter 的数据主要来源于 OpenRouter 官方文档与博客、公开行业报道；涉及三大运营商的数据主要来源于公司公开披露及行业媒体报道。部分战略概念为本文提出的战略构想。

Token运营时代：三大运营商的战略分野、共识与迷思

Tue, 26 May 2026 12:57:00 +0800

当AI的认知能力开始像电力一样流动，谁来铺设新的电网？这不是未来学问题，而是正在发生的产业变局。

国家数据局局长刘烈宏3月24日披露，截至2026年3月，我国日均Token调用量已超过140万亿，相比2024年初的1000亿增长了1000多倍，比2025年底的100万亿又增长了40%多。面对这场数据洪流，中国电信、中国移动、中国联通已集体转向——它们试图将“Token”确立为AI时代的基础交换单元，从传统的“流量管道”向“认知服务的智能调度平台”跃迁。

观察它们的战略落子，可以清晰地看到三条截然不同的路径：联通重构网络、移动夯实算力、电信聚合生态。而这背后藏着一个根本性的认知分歧——Token，究竟是标准化的“电”，还是异质性的“认知服务”？

联通：网络架构的重构者

联通是三家之中最早、最系统地将Token提升至网络架构核心的玩家。2026年5月，在2026年世界电信和信息社会日大会的技术研讨会上，中国联通研究院副院长、首席科学家唐雄燕发表了《面向Token运营的互联网基础设施演进》的主题演讲，首次提出“Token Net”技术理念，推动算力智联网AINet向面向Token运营的智能互联网基础设施全面升级。

联通的战略重心落在“以网补算”上。其重点攻坚的TDN（Token分发网络）、PD分离推理架构与KV Cache广域分发调度，意在通过网络的智能路由能力，实现Token的低成本、高吞吐传输。在四川、上海、湖北等地，联通已推出Token Plan产品，提供600万、1200万、1800万Tokens三档可选，融合套餐价格从7.5元/月至359元/月不等。目前，中国联通智算规模已达45 EFLOPS，2026年算力投资占比超过35%。

联通想做的事很明确：成为Token时代基础协议的定义者。

移动：算力底座上的“商品”逻辑

中国移动的Token运营逻辑根植于其“算力网络”战略。2025年12月，陈忠岳从中国联通调任中国移动董事长；在其领导下，移动加速推进AI战略。5月8日，在苏州举行的2026移动云大会上，中国移动正式发布移动模型服务平台MoMA，接入DeepSeek、千问等超300款主流AI模型，首创Token集约化运营模式，通过统一API网关和智能路由机制，实现单位Token成本压降约30%。

移动的底气来自规模。根据2025年全年业绩，中国移动智算总规模已达92.5 EFLOPS（FP16）。其“算网大脑”已迭代至4.0版本，实现百万亿级Token的日调度能力，具备800GB高吞吐能力，建成1ms-5ms-20ms三级时延圈，已完成1500个边缘智算中心升级。

移动的打法本质上是一种“算力批发与零售”模式：用超大规模的算力底座压低Token的生产成本，再用MoMA平台统一分销。它的定位是AI时代的超级算力供应商。

电信：务实敏锐的MaaS聚合商

中国电信在战略表述上最为直白。董事长柯瑞文曾公开表态：“智能云体系就是Token经营体系”，“Token经营的本质就是为用户提供AI服务”。

依托天翼云的深厚积累，中国电信构建了从IaaS到MaaS的五层智能云体系，自有及接入智算总规模超过91 EFLOPS。其路径的核心是“星辰·MaaS平台”——这个类似“模型大卖场”的平台不仅提供自研的星辰大模型（已入选2025年度央企十大国之重器），还接入数十家主流模型，让用户统一按Token计费调用。

5月17日，中国电信正式推出全国Token套餐，个人及家庭用户最低9.9元/月可获得1000万Tokens，开发者及中小企业39.9元/月起。

更为重磅的是，今年4月，中国电信宁夏分公司发布《2026年“Token工厂”生成能力服务集中采购项目》，整体预估含税规模174.38亿元，划分11个标包，建设词元生成、算力归集、模型适配和智能调度底座。这是三大运营商中首个以“Token工厂”命名的百亿级集采项目，标志着Token运营从战略口号走向了规模化落地。

共识：不甘只做“机房房东”

尽管路径各异，但三大运营商在核心战略上高度一致：它们集体拒绝在AI产业链中被锁定在IaaS层——就是那个只提供机柜、电力和散热的角色。向上游的MaaS层、甚至更靠近应用的智能服务层攀爬，是它们共同的方向。

Token的计费颗粒度远小于云计算时代的“核·小时”或“GB·月”。这种细颗粒度的计费模式，让运营商有机会切入模型评测、服务路由、费用结算、生态聚合等高附加值环节，而不仅仅是收机柜租金。

从资本开支动向来看，三大运营商都在缩减传统网络投资，加注算力。中国电信2026年算力基础设施投资255亿元，同比增长26%，占总投资的35%；中国联通算力投资占比同样超过35%；中国移动也在持续扩大智算投入。资源重心的倾斜，已经不是信号，是事实。

“电网幻觉”：被忽视的认知陷阱

但这里有一个被普遍忽略的矛盾。不妨把它叫作运营商的“电网幻觉”。

第一个错觉：Token可以像“度电”一样标准化计费。

三大运营商的战略论述中，都暗含了一个前提——Token是同质化的、可标准计量的单元。这是典型的基础设施思维，可惜算力不像水电气那样，有一致的质量标准。现实是，GPT-4生成的1000个Token与Llama-3-8B生成的1000个Token，在认知价值、准确性和可靠性上差距悬殊。强制统一度量，就像要求名家手笔与印刷品按纸张面积付费，头部的品牌溢价会被抹掉。这恰恰是MoMA平台推行智能路由、压缩30%成本时必须面对的问题：成本压降的背后，谁来定义、谁来交付不同模型的认知质量？

第二个错觉：网络调度可以抹平模型能力的差异。

无论是联通的TDN，还是移动的算网大脑，技术逻辑都是同一套：通过智能路由、KV Cache缓存和算网协同，在广域网上实现Token的最优分发。延迟和吞吐量当然可以优化，但问题在于：当用户需要高价值认知服务时，“选对模型”远比“就近接入一个模型”重要得多。网络的低延迟救不了模型的认知低智商。用户对“数字专家”的指名购买意愿，天然强于对底层网络调度的感知。

第三个错觉：运营商天然具备互联网平台的运营基因。

三大运营商的底色，说到底还是“建机房、拉光纤、做调度”。Token运营看似时髦，但组织能力、人才结构和决策流程，和需要快速迭代、打造爆款、运营用户社区的互联网产品逻辑，存在明显的错配。喊出“Token运营”口号不难，但要在2C市场真正做好模型选品、用户体验设计、内容生态运营，这条路远比铺设光纤更考验功力。

破局：从“AI电网”到“AI超级应用市场”

看清陷阱，是为了找到真正的方向。运营商不该是强行缓存和路由Token的“国家电网”，而应该是聚合全网最聪明大脑、提供统一消费体验的“AI超级应用市场与证券交易所”。

在这个定位下，运营商的核心价值落在三个维度：

第一，信任中枢。由运营商对入驻模型进行分级、认证和评测，用自身的央企公信力替用户解决“选模难”的问题，让不同质量的模型获得差异化的定价与推荐位。

第二，交易平台。提供统一的计费、对账与结算服务——比如话费代扣，让用户无障碍地在不同模型间切换，让模型厂商专注于提升认知水平，不必自建复杂的商业系统。

第三，服务枢纽。将Token服务与通信、云、安全、边缘等多重能力深度整合——这是互联网大厂不具备的独特优势。

中国移动的MoMA平台、中国电信的星辰MaaS平台，已经具备了“模型大卖场”的雏形；中国电信174亿元Token工厂集采、中国联通Token Plan产品的推出，则意味着Token运营正在从概念走向市场。但真正的考验在于，运营商是否敢于放弃标准化计费带来的简单叙事，转而去经营远比管道复杂得多的“认知服务质量”。承认Token不是电，而是认知服务的度量衡，这是所有战略得以成立的前提。

Token运营的大幕刚刚拉开。正视“电网幻觉”，将重心从“传输”转向“服务”，从“调度”转向“信任”——如果能做到，它们完全有可能在AI时代定义一种全新的商业基础设施。反之，如果仍然沿着“度电”式的旧地图寻找新大陆，这场声势浩大的转型，或将止步于又一轮智算设备集采的狂欢。

建设郊县第二汇聚点，值吗？

Tue, 27 Jan 2026 00:00:00 +0800

一个不好明说的问题

“郊县第二汇聚点建设，值吗？”这个问题在投资决策会上很少被直接提出，却常常是决策者心中真实的疑问。

当前，信息通信已深度融入社会运行的各个层面。一旦县域通信因单点故障导致整体中断，影响不仅涉及基础通信业务，也将迅速波及政务、医疗、应急、金融等关键领域，其后果远超一般网络事故。从这个角度看，通过新建第二汇聚点，提高网络整体的可靠性，是提升县域通信韧性的必要举措。

没人会说提升网络可靠性的项目不重要，但现实矛盾也是非常突出。建设投资总盘子日趋下降，5G覆盖、政企专线、算力下沉等项目普遍具备明确的收入预期或合同支撑，在资源竞争中占据优势。相比之下，这些不能直接拉动用户及营收增长的安全类项目，其价值更多体现在“避免问题发生”上，短期内价值难以显性呈现，加之多数郊县近年来未发生重大中断事件，“低概率”又进一步强化了“可缓投”的心理预期。因此，在没有政策或考核红线的情况下，这些建设需求被要求反复论证方案合理性、经济性，一次次在投资排序时被悄然后移。

更关键的是，传统项目论证多依赖“可靠性提升”“平均无故障时间（MTBF）延长”等技术指标，难以与收益类项目在同一评价体系下比较。当预算收紧时，这类项目往往首当其冲被调整。问题的核心，不是“要不要安全”，而是在有限资金下，“它是否是一项有效益的投资”，是否能和那些效益类项目同台竞争。

解决思路：把“安全”量化为“收益”

投资决策的本质，是在不确定性中配置资源。既然收益类项目以“能增加多少收入”为衡量标准，那么这些提升安全类的项目对应的，则是“可以减少多少潜在损失”。两者在逻辑上并不冲突，只是长期以来缺乏统一。

基于这一逻辑，可引入$ROSI$（Return on Security Investment，安全投资回报率）模型，将“避免的潜在损失”视为一种可量化的投资收益。该模型的基本表达式为：

$\text{ROSI} = \frac{ALE_{\text{before}} - ALE_{\text{after}} - \text{Cost}}{\text{Cost}}$

其中：

$ALE$ （Annualized Loss Expectancy，年度预期损失）等于单次事故损失与年发生概率的乘积，即：$ALE = \text{单次事故综合损失} \times \text{年事故发生概率}$
单次事故综合损失，不仅仅计算网络故障带来的移动、宽带以及政企业务的收入损失，还应包括红线溢价，主要含：
- 合规风险： 监管部门（通管局等）的罚金、服务评级下调导致的准入受限。
- 管理成本： 绩效考核中的“一票否决”权重，以及重大事故后的应急处置、品牌修复成本。
$Cost$为项目的年化成本，包括CAPEX折旧与OPEX运维支出。

该模型并不追求精确预测事故，而是提供一个逻辑一致、可横向比较的决策标尺。在这些安全类项目中，ROSI并不追求高倍数回报，其核心意义在于判断项目是否实现了“以可控成本换取显著风险下降”。一般而言：

ROSI > 0，说明项目所规避的潜在损失已超过其投入成本，具备财务合理性；
ROSI 接近 0，是否实施需结合战略重要性、监管要求或客户敏感度综合判断；
ROSI < 0，则应考虑优化方案或暂缓推进。

这一方法的关键价值在于，它使提升安全类项目首次能够与5G、政企等收益类项目置于同一张投资评估表中，实现公平排序。

上述模型，本质和可行性研究报告中要求的“盈利能力分析”逻辑是一致的，仅在收益口径上进行了适应性调整。

在传统可研中，效益通常体现为 直接收入增加（如新增用户、带宽销售）或 成本节约（如运维效率提升、能耗降低）。而在网络安全类项目中，主要效益表现为“避免的损失”（Avoided Loss），即因风险事件未发生或影响减轻而节省的支出。这种“负向收益”在会计上虽不计入营业收入，但在投资决策中具有同等经济价值。

示例分析：郊县第二汇聚点建设，到底值不值

回到开头的问题，假设某郊县，现网采用单汇聚节点架构，计划新建第二汇聚点，两节点分设于不同局址。

结合行业运行经验及历史故障统计，此类区域在单汇聚架构下发生全县级重大节点失效的年概率通常处于较低水平，按保守估计约为每年0.2次。单次事故的综合经济损失测算为200万元，由两部分构成：公众接入网（移动业务、宽带业务）阻断损失依据《公用电信设施损坏经济损失计算方法》（工信部联电管〔2014〕372号）进行核算，按“阻断用户数 × 单用户日均通信收入 × 阻断时长（日）”计算；政企专线部分则包括SLA违约赔偿、客户维系成本及潜在续约影响。

由此可得改造前的年度预期损失：

$ALE_{\text{before}} = 0.2 \times 200 \text{万元} = 40 \text{万元/年}$

实施双汇聚后，由于两节点独立部署，仅当两者在修复窗口期内同时失效才会导致全县中断。结合平均修复时间（MTTR）估算，年发生概率可降至约0.001次（千年一遇），对应：

$ALE_{\text{after}} \approx 0.001 \times 200 \text{万元} = 0.2 \text{万元/年}$

在投资成本方面，假设第二汇聚点建设总投资为 200 万元，折旧周期 10 年，加上必要的运维费用，年化成本约25 万元/年。代入ROSI公式：

$\text{ROSI} = \frac{40 - 0.2 - 25}{25} \approx 0.6$

从结果可以看出，该项目通过风险下降所带来的“隐性收益”，在经济上已经明显覆盖了投入成本。若将其与一个年新增收入约 30 万元的5G覆盖收益类项目进行比较，其风险对冲收益并不逊色，理应在投资排序中获得相应位置。

这个示例并未考虑红线溢价的预期损失，当红线因素存在时，ROSI不再是决策门槛，而是方案优选工具，模型只不过提供了一个可量化的选项。

现实中，未必所有郊县都必须建设第二汇聚点。可能存在更经济的中间方案，如：

利用现有综合业务接入点做逃生通道备份；
采用单局双设备+出局多路由+提升机房等级等方式。

不算账，本身就是高风险决策

“郊县第二汇聚点建设，值吗？”这一问题，并不适合用经验或直觉来回答，而应建立在可验证的经济分析之上。

通过引入 ROSI 模型，将安全投入视为一种风险对冲投资，可以把原本抽象的“安全性提升”，转化为清晰的经济量化结果，使安全类项目能够与收益类项目在同一投资池中进行比较和排序。更重要的是，它让安全的投入从“政治正确但难量化”的模糊地带，走向“可比、可排、可辩”的理性轨道。这种方法同样适合用与二平面建设、多路由等项目上。

在这个意义上，真正的风险或许并不在于是否建设第二汇聚点，而在于面对重大安全投入时，选择不去算这笔账。在投资约束日益严格的今天，这种基于数据的审慎权衡，正是实现安全与效益动态平衡的务实路径。

从“搬设备”到“优网络”：OLT回撤如何真正实现极简网络的价值？

Wed, 21 Jan 2026 00:00:00 +0800

OLT回撤的本质

推动网络架构极简化、实现设备集中部署，是运营商在投资约束趋紧、运维压力持续上升以及技术快速演进背景下的必然选择。将分散部署于非架构机房的 OLT 设备回撤至机房条件更优、配套保障更完善的架构机房，已成为接入网优化中的一项重要战略举措。

但必须清醒认识到，OLT回撤的目标绝不应止步于设备位置的物理迁移或机房数量的简单减少。从接入网长周期演进的角度看，这一过程本质上是一项难得的网络结构优化重构契机。如果仅停留在“设备搬迁”层面，回撤工作即使完成，也难以实现网络极简化应有的系统性价值。

因此，OLT 回撤必须实现从“搬设备”向“优网络”的认知转变：以目标架构为牵引，以终为始，对接入网的拓扑结构、ODN 层级和资源布局进行系统性优化重构，引导网络向结构更清晰、运行更稳健、演进更具弹性的方向持续发展。

风险剖析：OLT回撤的两大误区

在实际推进过程中，受限于 KPI 压力、建设周期约束以及资源掌控能力不足等多重因素，OLT 回撤工作如果缺乏明确的目标规划和闭环管控，极易偏离其初衷，形成两类典型误区：一是在实施层面，将回撤简化为以“业务割通”为目标的设备搬迁工程；二是在布局层面，对农村及边缘节点撤并决策缺乏前瞻性的考虑。

这两类问题虽表现不同，但其本质却高度一致：以短期工程效率或局部成本优化，替代了对接入网整体结构质量和长期演进能力的系统规划。结果往往是，回撤工作在形式上推进了，网络在实质上却并未得到优化，甚至进一步固化了原有的历史问题。

误区一：以“连通”为目标的简单搬迁割接

在当前实践中，部分 OLT 回撤方案采用一种“最少工作量”的实施思路，仅以完成设备搬迁和业务割通为目标，其典型模式可概括为“原址设交、直连跳通”。

具体做法是：以地理邻近为唯一依据，选择最近的架构机房作为回撤局点，从该局点敷设一条光缆直达原 OLT 机房附近，新建光交接箱，将进入原机房的配线光缆整体入光交，并通过跳纤方式联通光路，完成业务迁移。该模式施工路径清晰、组织简单，能够在较短时间内完成回撤工作，因此是首选方案。

但从网络结构视角看，这种做法的局限性同样明显。它并未对既有驻地网结构进行重新审视和优化，原有驻地网的缺点被原样继承，甚至因新增光缆路由增加而进一步拉长光路、压缩光功率裕量。同时，新建光缆往往仅服务于“搬迁需求”，未能与沿途驻地网配线光缆形成结构性整合，错失了重构和利旧的机会。

其结果是：回撤在工程意义上完成了，但网络在结构意义上并未“变好”。短期内实现了连通，长期却增加了运维复杂度，削弱了网络的可管理性与技术演进弹性，为后续升级埋下隐患。

误区二：以“减量”为目标的盲目农村撤点

在农村及边缘区域，OLT 回撤工作更容易滑向另一类误区，即在缺乏OLT局点整体目标规划的前提下，对业务量低的非架构节点进行简单撤并。此类决策往往以单点运营成本或当前用户规模及覆盖为主要依据：机房租金高、维护困难、用户数量少，因而被视为“应当回撤”的对象，统一集中至距离更远的乡镇或县级局点。

单从现状来看，这种决策具有一定的合理性，能够在短期内降低机房数量，减少电费、租金及现场维护支出。但问题在于，这类回撤的出发点仅考虑了当前的情况，是在缺乏OLT目标局点布局规划条件下，以静态的数据支撑一次性判断，并未考虑近期乃至中远期的发展。

首先，过度回撤带来的光缆距离的增加将不可避免地带来光功率裕量持续压缩，使边远村落长期处于网络性能边缘，网络质量对线路老化、环境变化的敏感性显著增强。其次，一旦原区域出现新增人口聚集、产业引入或政策性建设需求或覆盖区域向外延伸，基于配线光缆建设成本以及光功率预算的考虑，只能通过重新下沉建设OLT局点来弥补，形成了“建—撤—建”的重复投资循环。

归根结底，农村OLT节点的取舍问题，本质不是“留与不留”的工程判断，而是该节点在OLT目标节点布局中处于何种角色的规划问题。只有在明确OLT节点目标布局蓝图的前提下，对节点功能进行分层定位，回撤与保留才能成为有方向、有边界的结构性优化行为，而非零散、短视的被动调整。

解决方法

上面两类误区，一个发生在实施层面，一个发生在布局层面。尽管其表现形式不同，但在具体工作中，二者往往交织出现，最终导致 OLT 回撤偏离网络结构优化的初衷。

OLT目标局点布局规划本身是一个系统性、长期性的规划议题，值得另行展开深入论述。这里基于一个前提假设：区域内已具备明确的目标布局或基本规划原则。在此基础上，主要考虑在具体回撤工作中，如何通过方法论和流程设计，避免两类典型误区的再次发生。

针对误区一：避免 OLT 回撤退化为“简单搬迁割接”的方法

误区一的典型场景是：在回撤任务压力下，以“最近架构机房 + 新设光交 + 原路跳接”为最省事方案，只追求业务快速恢复，用连通性替代结构合理性。

针对这一场景，需要在考虑回撤方案的时候，引入结构性思考顺序。

在设计回撤方案前，首先要回答一个基础问题：该局点的回撤，是否具备同步优化驻地网结构的条件：原驻地网是否存在明显的结构混乱，周边是否已有稳定、清晰的主干光交，原有的配线光缆是否具备割接整合空间？只有在具备上述条件之一时，回撤应该包含着一次结构性调整机会；若完全不具备，则应明确认定为“过渡性回撤”，并在方案中予以标注，而非默认等同对待。这一判断的目的，是避免所有回撤“一刀切”，同时防止本应重构的场景被简化处理。
以“回撤后网络形态”为设计起点，而非以单纯割接为起点。误区一的方案往往从“怎么把光路接通”开始设计，结果自然导向直连跳接。要从方案设计思路上进行纠偏，方法就是强制反向设计：先设想回撤完成后，驻地网应有的合理的网络结构，再来思考按这种结构，回撤方案该怎么做。哪怕只是一个简化的拓扑草图，也必须回答：原有的配线回局路由是否最优，配线光缆是否和新增回局光缆合理衔接等。
对于确实因条件限制无法同步重构的回撤方案，并非一味否定，而是要求问题显性化。如在方案中明确标注“结构无明显优化”，同时列出可能带来的后果，如光路延长、管理复杂度上升等。该类方案需经过更高一层级的确认，而非默认通过。

这种方法的意义在于给出了有章可循的流程，防止“省事方案”在无意识中成为主流做法。

针对误区二：避免农村节点盲目撤并的方法

误区二的典型场景是：
以降低租金、电费和维护成本为直接目标，对农村或边远局点采取简单撤并策略，却忽视其在区域网络中的结构性作用。

针对这一场景，关键是在于先弄清这个节点在未来的网络里的到底起到什么作用。

基本上每一个农村 OLT 节点，在网络中都至少承担以下三种角色之一：覆盖作用，保障当前用户接入；延伸作用，支撑未来覆盖或业务下沉；过渡节点，历史遗留、可被替代的。在任何撤并决策前，必须明确其角色属性。只有被明确判定为“过渡节点”的局点，才适合直接撤并；其余两类，则需要更谨慎的处理方式。
要用发展的眼光，考虑近期甚至中期，该区域业务发展或依托该区域扩大覆盖范围的情况下，该节点所起的作用。这一判定过程本身，并不依赖复杂模型，而依赖对区域网络结构、业务发展的基本认知。
将“短期节省”与“中期代价”同时呈现。误区二往往源于只看到当前账面节省，而看不到未来支出。在制定方案时，同时呈现两本账：一是当前撤并带来的成本下降，二是若未来延伸覆盖，新增业务，所需新增投资的大致量级。哪怕是粗略估算，也足以让决策从单维度转为双维度，避免在局部最优中反复试错。

将OLT回撤定义为网络能力的进阶

OLT回撤不应再被视作一次被动的、以成本削减为单一目标的“减法”操作，应该是一个积极的、创造长期网络价值的 “战略性重构” 与 “能力进阶”。

其成功的标尺，绝非仅仅是减少了几个机房或维护费用，而在于是否通过这次行动，使我们所运营的网络结构更清晰、资源更可视、演进更敏捷、韧性更强大。这要求我们告别“回撤就是割接，割接即完工”的旧有思维，坚定地走向“规划先行、重构为本”的新的网络发展思路。

前面多次提到的OLT目标局点布局规划，其实应该在接入网大建设时就该及早规划，等网络基本成型，再想优化调整，已经很难了，最大的可能就是针对原有的缺陷修修补补了。

业务电路承载：光纤直驱 vs. 传输系统？一个可靠性排序的分析

Fri, 12 Dec 2025 09:35:00 +0800

承载关键业务电路时，选择何种方式是一个涉及技术、成本与风险的重大决策。是采用 简单直接的光纤直驱 ，还是选择 具备冗余保护的传输系统承载 呢？大概大部分人都会选择最“ 安全 ”的方式，就是上传输系统。

但是，是否真是这样呢？

核心问题：如何实现高可靠性？

我们对两种主要的承载方式进行可靠性分析，其中，可靠性（Reliability）用$R$来表示，它代表系统在给定时间内无故障运行的概率。

我们假设：

光缆的可靠性为$p$
传输设备的可靠性为$q$

方式 1：光纤直驱

graph TD;
A[业务输入] --> B(光缆 $$p$$);
B --> C[业务输出];
style B fill:#f9f,stroke:#333,stroke-width:2px;

这是最简洁的方式，电路直接通过一根光缆承载。

方式 2：传输系统承载

我们简化模型为： 一个传输设备 与 两条并联的光缆 串联组成。

graph TD
D[业务输入] --> E{传输设备 $$q$$};
E --> F;
F --> G([光缆 $$p$$]);
F --> H([光缆 $$p$$]);
G --> I;
H --> I;
I --> J[业务输出];
subgraph 并联光缆组
F(分路)
G
H
I(合路)
end
style E fill:#ccf,stroke:#333,stroke-width:2px
style G fill:#f9f,stroke:#333,stroke-width:2px
style H fill:#f9f,stroke:#333,stroke-width:2px

并联光缆的可靠性： 两条光缆并联，只有当两条光缆同时失效时，光缆承载才失效。

$$ R_{光缆并联} = 1 - (1-p)(1-p) = 2p - p^2$$
系统总可靠性： 将光缆并联体与传输设备 $q$ 串联起来。

$$ R_{方式2} = R_{光缆并联} \times q = (2p - p^2) \times q$$

可靠性的“决胜局”：谁更优？

通过数学比较 $R_{方式2}$ 和 $R_{方式1}$ 的大小，我们得出了一个关键的临界值，它决定了你的选择：

临界条件	可靠性比较	决策建议
当 $q > \frac{1}{2-p}$ 时	$R_{方式2} > R_{方式1}$	传输系统承载更优
当 $q < \frac{1}{2-p}$ 时	$R_{方式1} > R_{方式2}$	光纤直驱更优
当 $q = \frac{1}{2-p}$ 时	$R_{方式1} \approx R_{方式2}$	两者可靠性相当

临界值 $Q_{临界} = \frac{1}{2-p}$ 的分析

1. 当光缆 $p$ 极高时（接近完美）

假设你的光缆质量非常好， $p = 0.99$。

$$Q_{临界} = \frac{1}{2 - 0.99} = \frac{1}{1.01} \approx 0.9901$$

这意味着，除非你的传输设备 $q$ 的可靠性高于 99.01%，否则方式1（直驱）的可靠性反而更高！

解读： 当基础的光缆本身已经足够可靠时，再引入高昂的传输设备，其带来的故障风险 ($1-q$) 甚至可能超过两条并联光缆带来的冗余收益。额外的投资换来的可能是可靠性的下降。

2. 当光缆 $p$ 较低时

假设你的光缆环境较差， $p = 0.8$。

$$Q_{临界} = \frac{1}{2 - 0.8} = \frac{1}{1.2} \approx 0.833$$

在这种情况下，只要你的传输设备 $q$ 的可靠性高于 83.3%，方式2就会优于方式1。

解读： 当基础链路可靠性不足时，冗余的光缆并联结构（方式2的核心优势）可以显著提升整体可靠性，即便引入的设备风险较大，也是值得的。

工程抉择：投资与安全的平衡

分析结果清晰地告诉我们： 业务电路承载的可靠性选择，绝不能一概而论。

方式2（传输系统承载）固然提供了强大的光缆冗余保护，但也带来了 巨大的投资增加 和 新的故障点（传输设备） 。

结论：最贵的，不一定就是最好的

构建高可靠性的通信网络，需要从 “可靠性” 和 “投资有效性” 两个维度进行评估。

我们应该避免用巨大的、不经济的投资，去换取微量的安全提升。只有通过精确的数学模型分析和对具体工程环境（$p$ 和 $q$ 的实际值）的深入理解，才能找到真正符合业务需求、且最具成本效益的承载方案。

最可靠的方案，是平衡了成本与风险的方案。

AI时代的真正壁垒，不是技术，而是判断

Fri, 31 Oct 2025 07:36:00 +0800

年长者的逆袭

在人工智能的使用方式上，年轻人与年长者之间出现了一种有趣的分化：年轻人更喜欢把LLM当成生活顾问，频繁提问；而年长者则倾向于将其用作知识验证的工具，提问更精准。这种差异揭示了一个重要事实——在AI时代，使用频率并不代表掌握程度。

过去的每一次技术革命几乎都属于年轻人，他们学习快、敢尝试、没有心理包袱。然而这一次的AI浪潮，规律似乎正在反转。AI并不是一个简单的工具升级，而是一个 “垃圾进、垃圾出” 的黑箱系统，输入的质量决定了输出的价值。

在这样的体系中，经验第一次成为决定性的筹码。AI不提供真理，它只是模仿逻辑的镜像。输入者如果缺乏判断力，再先进的模型也只能制造幻觉。

经验的价值与“噪声过滤器”

年轻人擅长掌握操作技巧，懂得提示词、插件、脚本的使用，却往往缺乏对输出真伪的识别力。他们容易将AI的回答视为权威，而忘记那只是概率语言模型的产物，它没有理解，只有统计。

相较之下，那些经过多年训练、熟悉事实与逻辑的年长者，更能看穿AI的幻觉。他们的经验像是一种 “噪声过滤器” ，能在表面合理的回答中辨认出不合逻辑的部分。

这意味着，AI不仅没有削弱经验的价值，反而让经验成为一种新的算力。判断力正在成为稀缺资源，而判断力的来源正是被时间沉淀下来的经验。

逆转的格局与提问力

“长江后浪拍前浪”的格局在这场变革中出现了逆转。年轻人依旧敏捷，但真正的掌舵人，却往往是那些懂得观察与质疑、能在潮流中保持冷静的“前浪”。

对于他们来说，AI不再是万能的救世主，而是一种理性合作的伙伴。他们不会盲信模型，而是利用AI去验证思路、拓展论据、节省资料整理的时间。AI对他们而言，是效率的放大器；但对缺乏判断力的人而言，却成为思维的稀释器。

AI使用中最关键的能力其实是 “提问” 。然而提问的质量取决于是否理解问题的上下文。一个没有清晰背景意识的提问者，只能得到模糊的答案。

比如问“为什么长时间看手机眼睛会疲劳”，AI的回答大多停留在“因为用眼过度”这样的表层；但若补充条件“是否与蓝光刺激、眨眼频率降低有关”，模型才会给出涉及视疲劳机制的深入解释。差距不在AI，而在于提问者是否清楚自己在问什么。

知识的壁垒与认知的不可取代性

AI能让新手的产出迅速达到八十分的水准，实现“合格”的普遍化，却无法凭空创造卓越。真正的卓越来自非结构化的经验——那些长期积累的判断、人脉、直觉和行业理解。

例如记者如果能获得如黄仁勋这样的企业家的私下见解，其报道的价值将立刻脱颖而出。AI无法触及这种基于信任和真实互动形成的 “隐性知识” ，而这恰恰是经验者的核心优势。

AI提高了效率，却无法取代认知。没有先验知识的支撑，AI生成的内容就像无根之水——它能写，却不懂。真正决定AI价值的，不是操作技巧，而是使用者的世界观。

AI的支持者常说“AI会让人人平等”，这是一个美好的幻觉。AI的确降低了信息的门槛，但并没有降低理解的门槛。信息越容易获取，判断反而越重要。AI的普及让 “思考”和“复制思考” 变成了两种截然不同的能力：前者属于人，后者属于机器。

那些缺乏思维框架的人，用AI写得再多，也只是文字的堆砌；而拥有知识体系和逻辑秩序的人，即便使用同样的工具，也能写出结构清晰、推理严谨的成果。区别不在AI，而在人。

经验不是数据的堆叠，而是对因果关系的认知。它来自真实世界中一次次的失败与修正。机器可以预测，却不能犯错；而人类的智慧恰恰源自 “犯错之后的反思” 。AI能模仿智慧，但永远无法生成智慧。

许多人以为AI是捷径，结果走得更慢。因为他们省略了思考，只留下操作。经验的价值正在于此——它迫使人重新审视问题的结构，而不是依赖答案的速度。

弯道超车的核心逻辑

AI时代的弯道超车，不在于谁掌握了更多工具，而在于谁能把经验转化为提问力。懂得如何提问、为什么提问的人，才真正掌握了AI的核心逻辑。

经验不是时代的包袱，而是认知的资本。

AI 时代，真正珍贵的，不是信息，而是判断。

终结“下载思维”：付费上传，才是宽带服务的未来

Thu, 23 Oct 2025 07:45:00 +0800

在《别被宽带数字忽悠了：上传速度，才是未来的分水岭》中，我们说明了用户上网行为的变化，促使运营商要在上行速率业务上多做文章，才能实现差异化服务。

目前一个核心问题是当用户的上网行为逐渐从 “看”（消费） 转向 “发”（生产、交互、AI训练） 的时候，付费模式仍是上个时代的固定订阅制，没有做改变，这将束缚住新时代的 上传潜力 。

目前主流的宽带付费方式是 融合套餐制 ，本质上是一种“固定订阅”。这种模式在内容消费时代运行良好，但面对直播、远程办公、AI数据上传等场景，上传需求呈现出 突发性、非连续性和高带宽瞬时需求 的特征。 用固定的“大水管”去满足不规律的“水枪式”爆发需求，注定是低效的。

必须要采用一种新的计费方式与新兴的上行业务适配了。

想象一下，如果上传带宽能像云计算服务一样， 按需、实时、微付费 ，你的宽带体验会发生怎样的质变？

今天，我们要设想的，就是结合 x402 互联网原生支付协议 ，推出的全新宽带服务模式： 「按流量计费」的付费高速上传通道。

x402 支付，如何解锁上传的潜力？

x402 是由Coinbase开发，一种基于 HTTP 协议的 互联网原生开源支付标准 。它的名字来源于 HTTP 状态码 402（Payment Required，要求付费） 。简单来说，它允许服务器在收到客户端请求时，回复一个“请付费”的状态码，并附带支付细节（金额、支付方式），而客户端则可以在同一个 HTTP 请求头中完成支付验证。这使得交易可以直接嵌入到网页和 API 调用中，实现了 无摩擦、实时、极小额的支付 。官网：(https://www.x402.org/)

x402 协议的引入，并不是要替代现有的融合套餐，而是作为一种 补充机制 ，为上传场景提供更细粒度、更即时的付费能力：

极度微支付： x402 支持低至千分之一美分的实时结算。这使得 “按比特付费” 成为可能。
HTTP 原生嵌入： x402 直接利用 HTTP 协议（Status Code 402），支付无需跳转、无需信用卡、无需注册。支付动作与数据请求 同步完成 。
无摩擦、无需账户： 用户或 AI 代理可以直接用数字资产支付，无需预先与运营商建立复杂的账户体系。

总结：x402 提供的，是像水龙头一样“即开即用、用多少付多少”的上传能力， 补足传统套餐在弹性上的不足 。

业务设想：「Ascent Link | 价值宽带专线」

我们设想的这项新业务，是一条 独立的高速、低时延上传通道 ，名为： 「Ascent Link | 价值宽带专线」 。

它的高带宽、高优先级通道， 只在你真正需要高保障、高并发上传时出现 ，并在你上传完成后，实时结算费用并自动关闭。

场景痛点	传统宽带（订阅制）	Ascent Link（x402 驱动）
4K 直播推流	频繁卡顿、码率告警。为保障稳定，用户需购买更高套餐或企业专线。	首次推流时，App自动调用“ x402 支付请求 ” 。支付 0.05/小时，即时获得对称 500M 上传保障。
网红视频剪辑与发布	4K素材动辄几十GB，低上行速率几乎无法作业。上传一部片子耗费数小时。	剪辑软件后台通过 x402 自动支付 0.1/小时，临时启用 1G 对称带宽。实现 “分钟级” 素材上传与发布，赢得热度先机。
直播带货与多机位推流	多路视频并发上传，带宽波动造成掉帧和画质降级，影响商业转化。	实时推流引擎通过 x402 支付 0.08/小时，获取 “直播保障带宽” 。运营商承诺极低时延与带宽无波动，确保多机位画面稳定。
家庭安防数据备份	摄像头高清数据上传慢，高峰期堵塞，导致云端备份滞后。	摄像头AI代理通过 x402 自动支付 0.0001/GB，将关键视频流瞬间推送到云端。
AI 训练数据上传	个人开发者需上传 500GB 数据集，但上传速度只有 50M，耗时数天。	开发者工具调用 API，一次性支付 0.5，临时启用 2G 对称带宽，数小时内完成上传。
AI内容协作推理	模型训练、素材上传、参数更新，全依赖稳定上行，但易被家庭其他设备抢占带宽。	AI代理（Agent）自动支付 0.0002/MB，进行协作推理时的素材上传或参数更新。确保机器学习任务的实时性和稳定性。
旅游视觉孪生体验	实时传输VR画面到家庭，体验卡顿、画面失真。	旅游地VR设备通过 x402 按时延等级支付 0.15/分钟，获取 “低时延保障通道” ，将实时、高清、沉浸式的视觉流稳定传给远方的家人。

核心体验：支付即加速，加速即结算。

当你需要高带宽上行时，你的终端（无论是电脑、直播推流盒还是 AI 代理）将自动执行以下流程：

终端发起高优先级请求。
服务器响应 402： “当前高保障上传服务需要 X 费用，指定稳定币/网络。”
终端自动支付： 用户的数字钱包在 HTTP 头中完成签名支付。
服务器返回 200： 运营商网络 实时调整 QoS 策略 ，给予请求者最高的上传优先级和时延保障。

全程用户 无感、秒级完成 。这才是真正符合互联网效率的交易！

终结“上传的智商税”

这项业务的推出，将彻底终结“下载思维”对宽带服务的绑架：

公平计费： 普通用户无需为他们根本用不到的高速上传买单。只有真正的创作者、远程工作者、AI 代理，才为他们消耗的 “实时价值” 付费。
加速 AI 经济： AI 代理将成为新型宽带服务的最大客户。它们可以自主、实时地为数据交换、模型上传付费，开启 “机器间的微交易” 。
驱动技术对称化： 运营商终于有了一个 明确的营收驱动力 ，来投入资源将 50G PON 等新技术中的 对称带宽潜力 彻底释放出来。因为 “上传” 开始直接带来高精度、高价值的收入。

上传，不再是套餐里的“添头”，而是一项高价值、高精度计费的稀缺服务。

让带宽像空气一样自由流动

宽带服务的未来，不应该是一张僵硬的月度账单，而应该是一个 灵活、实时、可编程的价值交换网络 。

x402 协议让我们有机会将宽带的 “上行价值” 精确到每一个字节、每一秒钟。

当上传的价值被量化并实时交易，我们才能真正迈入一个数据双向流动、创新无处不在的“对称宽带时代”。

别被宽带数字忽悠了：上传速度，才是未来的分水岭

Wed, 22 Oct 2025 00:00:00 +0800

宽带升级的下一个关键：上行能力不容忽视

过去十年，宽带行业在下行速率上取得了显著进展。从百兆到千兆，再到如今的万兆接入，用户的下载体验不断提升，高清视频、大型文件传输、在线娱乐都变得更加流畅。

但与此同时，用户的使用模式也在发生深刻变化。用户上网，不再是被动的接受信息，而是主动参与到互联网流量的生产中。

远程办公、视频会议、直播创作、智能安防等新兴应用，对上传能力提出了更高要求。但受制上传带宽的限制，部分业务体验不佳， 上行带宽，正逐步成为影响用户体验的重要因素。

下行速率的“边际效益”正在递减

2024年底，千兆及以上宽带用户数已达到2.07亿户，占固定宽带总用户数的30.9%，固定宽带网络的平均下载速率（用户体验）达到99.14 Mbit/s。这一数据表明，主流宽带服务的下行能力已普遍迈入千兆门槛，足以覆盖绝大多数日常应用场景。

对于网页浏览、高清/4K视频点播、大型软件下载甚至云游戏等主流需求，100 Mbit/s以上的下行速率已绰绰有余。用户在实际使用中，往往难以感知从500M到1000M、甚至2000M带来的体验跃升——下行速率的“边际效益”正在显著递减。

这意味着，继续单一强调“下行速率翻倍”或“万兆入户”的营销叙事，可能无法显著提升用户的整体满意度。行业亟需跳出“唯下载速度论”，在“速率升级”之外，探索“体验升级”的新路径——而突破口，正藏在被长期忽视的上行能力之中。

上行能力：新场景下的关键支撑

最新的YD/T 3328-2023《公众固定宽带接入业务上下行速率配置要求》中规定，在签约下行速率大于200M时，上行速率最低为40Mb/s，小于200M时，上行速率最低按1：5配置，运营商上行速率也基本按这个要求，或根据宽带业务的资费情况向上一定范围内配置。总之，还是和下载速率或资费绑定的关系。

但随着用户行为从“内容消费”向“内容生产与互动”转变，上传能力的重要性日益凸显：

远程办公与教育： 多人视频会议、屏幕共享等场景对实时上传要求较高。
家庭安防： 智能摄像头需持续上传高清视频流至云端。
内容创作与直播： 高质量直播对上传码率和稳定性要求极高。
AI与边缘计算： 智能终端需将数据实时上传至云端进行分析处理。
网红视频剪辑与发布： 4K素材动辄几十GB，低上行速率几乎无法作业。
直播带货与多机位推流： 多路视频并发上传，任何带宽波动都会造成掉帧。
AI内容训练与协作推理： 模型训练、素材上传、参数更新，全依赖稳定上行。
旅游视觉孪生体验： 实时传输VR画面，让家人远程“身临其境”地共享旅途；未来的“沉浸式旅行分享”，将完全取决于上传通道的稳定与时延。

这些场景对上传速率、时延和稳定性提出了更高要求， 也为运营商提供了差异化服务的新机会。

认知错位：50G PON仍被“下载”绑架

虽然新一代接入技术如50G PON已经开始试点应用，但宣传的叙事口径仍被“ 下行营销 ”所绑架，这是对技术的浪费，更是未来创新的盲点所在。当前的“50G PON提速”，本质上仍是延续老思路来寻找新的收入增长点—— 由下行带宽的提升带动资费的增加，只是顺带“捎上了”上传能力的改善。

这种思路错在哪？它依然停留在“下载越快越好”的旧框架里，根本没有意识到互联网业务结构已经从消费向生产、从下载向上传的 迁移趋势 。

目前，运营商普遍采用XG-PON（非对称）接入，仅对商企用户采用XGS-PON（对称），如果全改成对称的，改造起来投资太大，这也是制约宽带上行产品百花齐放的一个因素。但在50G PON时代，是否可以利用上行速率的增加，来提供不同的上行带宽业务，而非继续玩“更大的下载速率”游戏，是需要认真考虑的。

服务创新：从“下载管道”到“互动平台”

未来的宽带服务，不再只是比谁下载更快，而是比谁能更好地支撑用户的双向互动和内容生产。

运营商可以探索：

针对远程办公、直播创作者等群体，推出 高上行定制套餐 。
在服务承诺中，强化 低时延 + 高上传 的体验指标。
结合AI、边缘计算等趋势，打造 面向未来场景的宽带解决方案 。

体验升级，从“上传”开始

随着用户需求的演进，上传能力正从“配角”走向“舞台中央”。运营商在继续夯实下行速率的同时， 也应主动布局上传性能的提升与服务创新 。

在“万兆时代”的新阶段， 上传体验应该成为用户评估宽带服务的新标准 ，这也是行业实现差异化竞争的新方向。

批判“可复制的成功学”：为何模仿只是幻觉

Sun, 12 Oct 2025 00:00:00 +0800

伪装成通往成功的“通用秘籍”

当前的传媒，无论是视频平台、公众号还是付费课程，普遍热衷于推销“ 可操作的成功学” 。它们将成功简化为一套流程：学会某个工具即能提高效率，掌握某个概念即能实现自律。这种叙事模式的核心是承诺结果可复制，使听众产生一种错觉，以为自己已掌握了通往成功的钥匙，只待执行力就能登顶。

然而，现实是大多数人照搬这些方法后并未成功，甚至无法准确找出失败的原因。这并非因为执行力不足，而是因为模仿的基础是错误的—— 你模仿的不是方法，而是幻觉。

传媒商业逻辑下的成功神话

传媒偏爱成功故事，其根本原因在于 商业和传播的逻辑 。成功可以被高度简化、剪辑成短平快的内容，便于贴标签和市场化。失败的叙事则成本高昂，它涉及复杂的背景变量、随机性、情绪波动和多重归因的混乱，难以标准化为“可销售的产品”，因此被媒体系统性地忽略。这导致成功被包装成一种清晰的、可付费学习的神话，而失败的复杂教训则被悄悄隐去。

但必须知道， 成功没有公式 。它仅仅是某个人在 特定经济周期、行业壁垒、资源投入和偶然因素 交织下的临时性方式。你所见是最终的结果，却看不见支撑结果的复杂环境。如果盲目照搬他人的路径，而忽略了自身的资源禀赋、所处的时间点和市场环境差异，那么模仿的就不是可复制的经验，而是“成功”的假象。

真正的知识增量：复盘失败

真正有价值的知识增量，是来自于对 失败的复盘 。在科学史和工程史上，重大突破往往源于对 错误和漏洞的持续修正 。例如， 爱迪生团队对数千种灯丝材料失败原因的分析 ，远比第一次成功点亮更有价值。成功只能证明“这在特定条件下有效”，而失败则提供了 负向知识 ，它告诉你“它为什么有效、在哪些地方会失效”，并划定了方法的 适用边界和潜在风险 。

模仿成功无法奏效，其原因可归纳为以下几点：

环境差异（时间差）： 当某种成功方法被广泛传播时，它对应的外部环境（如市场竞争、技术红利）往往已发生根本性变化。
认知差异（理解差）： 模仿者通常只看到方法的表面操作，却未能理解其 底层逻辑或产生背景 。他们知道“怎么做”，却不知道“为什么这么做”。
目的混淆（动机差）： 原创者是为了解决一个真实而紧迫的问题才创造出方法，以结果为导向；而模仿者只是以“模仿”本身为目的，缺乏对核心问题的洞察与真正的驱动力。

放弃模仿，聚焦复盘

因此，不要对成功光环的盲目崇拜。面对任何一个所谓成功的理念或方法，我们应采取 控制变量的思维 进行分析。首先追问：它最初是为了解决什么问题而产生的？其次，去思考它在哪些外部情境下会失效？最后，对照自身的资源和环境，识别在哪些关键环节上存在风险或决策失误的可能。

“失败是成功之母”是一种正确的常识，但少有人去深入分析这位“母亲”的教育价值。一个成熟的学习者不应追求成功的表象，而应通过 系统性分析失败过程 来获取更深层次的负向知识。因为成功只是在特定条件下偶发的结果，而失败揭示了方法的 边界条件和机制 ，这才是我们在不同情境下做出合理判断和调整的依据。

当那些“成功学大师”继续兜售他们的通用的“成功秘籍”时，应当明白，你购买的并非通往巅峰的钥匙，而是一张 失败游戏的入场券 。只有拆解和复盘自己和别人的失败，才能看清方法的适用机制。 放弃模仿，复盘失败 ，才是通往更少失败、更大概率成功的唯一途径。

效率幻觉：为什么 AI 让我们看似更快，实则更慢？

Wed, 01 Oct 2025 00:00:00 +0800

AI 生产力陷阱：为什么团队越用 AI，效率反而越低？

过去两年，AI 工具的应用呈现出爆发式增长。从撰写邮件、起草报告，到生成代码和设计初稿，AI 已经快速进入了日常工作流程。

然而， 一项由麻省理工学院（MIT）与德克萨斯大学奥斯汀分校联合开展的研究 提醒我们：AI 并非天然的效率加速器。在许多情况下，它可能制造出一种新的低效形式—— “无效产出”（Workslop） ，并逐步削弱团队的协作质量与整体生产力。

什么是“无效产出”（Workslop）？

研究人员观察到，AI 的高产出特性带来了大量内容的快速生成，但其中不少缺乏深度、准确性或应用价值。他们将这类内容定义为 Workslop ，即“无效产出”或“虚假工作泡沫”。

其主要表现包括：

形式完整但缺乏实质 ：结构清晰、语言流畅，但逻辑和价值不足。
言之凿凿但事实失真 ：看似专业，实则缺乏可靠的依据或数据支持。
内容过剩但信息稀缺 ：重复、模板化和冗余内容堆积，导致有用信息匮乏。

这些内容往往让人误以为工作已经完成，但团队在处理时需要投入额外的时间与精力来筛选和修正，从而延长了实际工作周期。

为什么“无效产出”会降低效率？

研究指出，AI 生成内容在以下几个方面对组织效率造成负面影响：

信息过载 AI 生成的内容量过大，超出人类的处理能力，反而使得决策过程被拖慢。
二次加工成本增加 由于缺乏事实核查和上下文理解，团队成员需要反复验证和修改，抵消了原本节省的时间。
协作信任下降 当员工怀疑同事提交的成果未经审慎处理而直接来自 AI，跨团队合作的信任度会明显降低。
思维依赖性增强 长期依赖 AI 完成常规工作，可能导致主动思考和创造性解决问题的能力下降。

如何更有效地使用 AI？

研究并未否认 AI 的价值，而是提出了更合理的使用路径：

划定应用范围 适合 AI 的是结构化、标准化的工作，例如初稿撰写、数据整理或格式处理。涉及战略判断、客户沟通或创意构思的任务应仍由人主导。
建立复核机制 将 AI 输出视为“草稿”，必须经过事实核查和逻辑验证后，才能作为正式成果使用。
强调质量而非数量 应将 AI 用作提升分析、整合与创新的辅助工具，而不是依赖它生成大量表面完整的内容。

结语

AI 是工具，而非答案。它能否提升生产力，取决于使用者如何设定边界和制定流程。研究者指出： AI 不会自动创造效率，它更可能放大既有的习惯——好的更高效，差的更低效。

对于个人和组织而言，真正的效率提升，不在于 AI 的使用范围，而在于如何在人机协同中保持专业判断和清晰分工。

参考文章：

(https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity)

别让“智能依赖”吞噬你！LLM 带来的高效，代价是独立思考的退化

Sat, 27 Sep 2025 00:00:00 +0800

引子

网络段子：

使用了AI后，共情了领导:

聪明但不干活的工贼deepseek ，

愚蠢但勤劳的牛马豆包，

不加预算请不起的留子chatgpt，

裁不掉的关系户文心一言，

而我成为了那个一分钟改五版的领导。

从“助手”到“主宰”：你真的还在独立思考吗？

你有没有这样的瞬间：打开空白文档，不是自己列提纲，而是本能地问AI“怎么写”？

自从 LLM（大语言模型）出现，我们的工作效率确实被拉满。它能帮你列提纲、做总结、提炼标题，像一个万能的智能副驾。但我们正面临一个深刻的悖论：我们以为在用工具，工具却在重塑我们的大脑。

这种“ 智能依赖 ”正在悄悄侵蚀我们最核心的几项能力：

耐心的丧失 ：我们习惯了AI的“ 丝滑输出 ”，不再愿意忍受信息获取和逻辑梳理的“ 延迟 ”。
批判的退化 ：当LLM给出的答案过于完整和流畅时，我们放弃了深度质疑和查证的动力。
创造力的固化 ：我们将“ 思考 ”降级为“ 提示词 ”，从亲手创造者退化为发号施令的“ 提示工程师 ”。

这不是进步，而是一种“ 快捷键取代思考键 ”的被动适应。我们正用对速度的追求，交换对思维的掌控。

效率的“甜蜜毒药”：LLM如何重塑我们的行为模式

技术的本质是放大器。LLM极大地放大了个体的产出速度，但同时也放大了一个“ 浅尝辄止 ”的巨大趋势。

在一个内容爆炸的时代，数量正在压倒质量。当AI可以无限、批量地生成内容时，我们对价值的衡量标准发生了变化：我们开始追求“ AI卷出来的数量 ”，而非“ 人类打磨的洞察 ”。

一个残酷的例子或许能说明问题：在某些内容创作平台，有研究显示，AI生成内容的比例已急剧上升，但其用户互动率和转发深度却在下降。因为机器可以模仿逻辑，但无法模拟共情、情感和独一无二的生命体验。

如果人人都问AI相同的问题，得到的答案也将趋向平庸和同质化。这种“集体无意识”的平庸，正在模糊我们作为个体独特性和价值创造的边界。我们以为自己掌握着方向盘，却发现车速和方向都被“ 高效 ”的牵引绳所控制。

人是目的，AI是手段：如何守住我们不可替代的核心竞争力？

LLM可以是最好的助手，但绝不能成为我们思考的主人。它能帮你跑得更快，但无法取代人类的判断力、情感表达和价值创造。

真正的进步，是人与工具的深度协作，而非人的全面退让。面对这股浪潮，我们必须清醒地给自己设置思维“ 防火墙 行动 ”：

反思区行动 ：

目的：找回批判性思维。

行动：每次使用 AI 辅助产出后，强制自己写一段人工总结： AI的输出里，哪句话是你的原创洞察？

独特性坚守 ：

目的：摆脱同质化平庸。

行动：每周进行一次“ 无AI创作练习 ”：刻意选择一个主题，从零开始自己动手列大纲、找论据，用“费力”的方式激活你的思考肌肉。

主导权回归 ：

目的：将LLM视为工具，而非终点。

行动：倒置工作流：先由你思考并完成30%的初稿和核心论点，再用AI来优化表达、补充素材；绝不从一个空白提示词开始你的工作。

AI时代，我们不拒绝智能，但我们更需要清醒地保有对真理的求索欲，对世界的情感共鸣。

请不要让你的大脑，成为被机器淘汰的第一个器官。

社交媒体的“最后时刻”：喧嚣退潮，新的开始？

Sat, 27 Sep 2025 00:00:00 +0800

导语

每天刷着信息流，你是不是也有这样的感觉： 内容越来越多，但真正值得停留的越来越少？

近日，Noema 杂志刊登了一篇文章《 The Last Days of Social Media 》，作者 James O’Sullivan 提出一个大胆观点： 社交媒体正在走向“最后时刻” 。这不是某个平台马上倒下，而是整个模式正遭遇瓶颈。

社交媒体怎么了？

O’Sullivan 指出：

真实性稀薄 ：朋友圈里曾是生活点滴，如今却被 AI 合成、标题党和重复内容淹没。
算法绑架 ：平台更关心你能停留多久，而不是你能收获什么。
虚拟亲密陷阱 ：“Bot-girl 经济”让真人和机器界限模糊，虚假的互动被包装成“真实的陪伴”。

结果？我们刷得越多，越感到空虚。点赞和评论在减少，信任感也在消失。

退潮的迹象

用户疲惫 ：刷屏成了机械动作，年轻人开始尝试“数字排毒”。
解捆绑趋势 ：更多人逃离大平台，去往 Discord、Substack、Patreon 等小圈子。
平台自救 ：大公司也在推小群组、订阅社群，想把人重新拉回来。

未来的可能

O’Sullivan 并不悲观，他看到了几条新路：

小而美社群 —— 真实互动比规模更重要。
公共服务化治理 —— 平台像公共广播一样运作，更透明、更负责任。
用户可控算法 —— 让你决定信息如何排序，不再被动“被推荐”。
数字素养教育 —— 从小培养对算法和注意力经济的认知。

给我们的启示

社交媒体的退潮，或许并不是坏事。

它提醒我们：

真正的连接，往往来自小圈子的深度交流；
我们要学会管理自己的注意力，而不是被平台牵着走；
未来的互联网，也许不再是一个“大广场”，而是无数个“温暖小岛”。

结语

社交媒体的“最后时刻”，不是终结，而是一场转型。

当注意力经济走到尽头，我们也许能重新找回互联网最初的价值： 让人和人更好地连接，而不是被信息淹没。

原文链接: https://www.noemamag.com/the-last-days-of-social-media/

一场事关未来的“大考”：新规下的电信运营商，如何谋划“十五五”？

Wed, 24 Sep 2025 00:00:00 +0800

2025年，一个特殊的年份。它既是“十四五”规划的收官之年，也是“十五五”战略布局的开局之年。对于中国电信、中国移动、中国联通这三大央企运营商来说，这一刻尤为关键。

过去五年，三大运营商在千兆光网、5G、算力网络等新型基础设施建设上成果斐然，不仅巩固了全球领先的网络优势，更肩负起“东数西算”、算网融合等国家数字化战略的重任。

然而，新的挑战也接踵而至：AI、6G等前沿技术的酝酿突破，产业数字化需求井喷，以及复杂多变的国际环境。运营商们不仅要守住基础网络的“主阵地”，更要在算力、平台、应用和安全等新赛道上实现突破。

就在这个关键节点，国务院国资委印发了新版《中央企业发展规划管理办法》（以下简称“《办法》”）。这不只是一份文件，更是指导运营商谋划“十五五”大计、实现战略转型的制度利器。

本文结合运营商的发展重点对《办法》进行初步解读。

《办法》核心：运营商的“战略施工图”

新版《办法》构建了一套三级规划体系 + 闭环管理机制，其核心要点直指运营商未来的发展模式：

1. 三级规划体系，从集团到一线

总体发展规划：集团层面需将算力网络、6G前瞻、光传输升级、人工智能赋能等核心要素，清晰地纳入整体战略蓝图。
重点任务规划：针对专项任务，如“东数西算”枢纽工程、工业互联网平台、量子通信试点、IPv6规模部署等，需制定详细的执行方案。
企业子层级规划：各省公司、专业子公司要将集团的规划细化为可执行的落地路径，确保战略自上而下、一脉相承。这意味着，“十五五”的规划不再是躺在总部的“一份文件”，而是贯穿集团、省分、子公司、甚至每个项目团队的战略执行链条。

2. 闭环管理，确保“战略-投资-考核”三位一体

编制环节：集团层面的发展战略必须经过专家论证和党委会/董事会的严格把关，杜绝“空心化”规划。
执行环节：年度投资和建设预算必须与发展规划紧密挂钩，避免盲目投资或低效扩张。
评估环节：中期（如十五五第三年）将进行强制性评估，如检验5G用户普及率、千兆/万兆光网覆盖率、算力部署规模等关键指标完成情况。
调整环节：面对外部技术突破（如AI、6G）或环境变化，规划需建立“ 动态修正 ”机制。

3. 刚性约束：规划成为考核的“硬指标”

国资委将规划执行情况与负责人任期考核、投资监管、资本运作审批直接挂钩。对于那些规划滞后或偏离主业的行为（如非核心资产投资、低效多元扩张），将面临通报批评或约谈。新规明确，运营商董事长为规划执行的第一责任人，集团党委/董事会负有前置研究和决策责任。这大大提升了规划的严肃性和执行力。

从“软指导”到“硬约束”：新规新在哪？

维度	2004年“十号令”	2025年新版《办法》	对运营商的影响
规划层级	单一战略规划	总体 + 重点 + 三级体系	战略从总部落地到一线，形成闭环
考核机制	约束较弱	纳入预算、投资、绩效考核	与经营指标强绑定，考核更严
评估调整	制度较弱	明确中期评估+调整机制	可在6G研发、算力部署中灵活调整
责任追究	操作性弱	偏离主业/盲目投资可追责	对多元化和资本运作设“紧箍咒”
监管方式	以报送为主	全过程、全链条监督	数据化、透明化、强制化

由此可见，新《办法》对运营商的影响，是从“ 文件式规划 ”转向“ 执行型规划 ”，从“ 软指导 ”转向“ 硬约束 ”。

挑战与机遇：戴上“紧箍咒”，找到“定盘星”

新规的到来，对运营商而言既是挑战，更是机遇。

机遇：方向更聚焦，执行力更强

国家战略地位强化：算力网络、6G研发、AI基础设施等将明确写入“十五五”任务，运营商的战略定位更加清晰，也获得了更多政策支持。
投资方向更聚焦：资源不再“撒胡椒面”，而是集中在主责主业，有效避免了资源分散和低效扩张。
战略执行力显著提升：通过与预算、绩效、考核的深度绑定，规划不再停留在纸面，而是真正转化为实实在在的行动。

挑战：平衡与取舍的艺术

“刚性规划”与行业不确定性的张力：电信行业技术迭代迅速，6G、AI算力、卫星通信等随时可能出现颠覆性突破。如何在新规的刚性约束下，保留足够的“ 战略弹性 ”，是摆在运营商面前的一道难题。
考核压力加大：集团高层，特别是董事长、总经理的任期考核，将直接与规划完成度挂钩，责任更重，压力更大。
中长期目标与短期市场压力的矛盾：资本市场关注短期财报和股东回报，而规划强调长期战略。运营商需要巧妙地平衡两者，找到可持续的发展路径。

结语

在“十四五”收官、“十五五”开局的关键时刻，新版《中央企业发展规划管理办法》为运营商行业提供了制度红线与发展方向。对三大运营商而言，这既是战略执行的“ 紧箍咒 ”，更是引领转型升级、保障长期竞争力的“定盘星”。未来五年，谁能在这套“ 规划—执行—评估 ”闭环中跑得更快、做得更实，谁就将在算力网络、6G、数字中国建设的宏伟蓝图中占据制高点。

中央企业发展规划管理办法：

http://www.sasac.gov.cn/n2588035/c33689673/content.html

搅动一池春水：模块化波分如何重塑光传输江湖

Tue, 16 Sep 2025 07:35:00 +0800

在光传输这个看似平静的江湖里，一股新的力量正在悄然崛起。它就是—— 模块化波分 。

电信称为“DCI-BOX”，移动称为“极简OTN”，联通称为“模块化波分”，个人认为联通的叫法最准确。

与传统设备的封闭“黑盒”不同，模块化波分主打 标准化接口 和 解耦架构 。它的出现，并不是要把老牌厂商彻底挤出局，而是像一条“鲇鱼”，在池水中激起涟漪，让僵化的市场重新活跃起来。

三方博弈：谁是变革的主角？

当下的模块化波分市场，可以说是一场“三国演义”。

新兴的模块化厂家 这些新玩家是搅动局面的急先锋。依靠开放灵活的设计和更具竞争力的价格，他们迅速赢得运营商的关注，直接挑战传统格局。
老牌设备厂商 并非没有相关产品，但这些产品大多卖给政企或海外客户，而不提供给国内的运营商。面对运营商引入“鲇鱼”的策略，他们有点尴尬：是坚守高利润的封闭模式，还是顺应趋势，把模块化波分真正引入国内运营商市场？
运营商的研究机构 商业化目的较弱，但积极投身研发。他们要掌握核心技术、引领标准，确保市场不会被单一阵营垄断。某种意义上，这些研究机构像一个“稳定器”，既不追求做大，却能保持市场活力。

三方角色互相牵制：新兴厂商不断进攻，研究机构推动开放，传统厂商则左右为难。整个生态因此处在动态博弈之中。

运营商的考量：不仅是“省钱”

很多人以为，运营商引入模块化波分是为了压缩成本。诚然，但背后有着更深层的逻辑。

摆脱被锁定的风险 传统设备的绑定效应太强，而模块化波分能让运营商自由的选择光层和电层，告别“一家独大”的局面。
优化全生命周期成本 不只是买设备便宜。更重要的是，模块化波分支持按需组合、快速升级，长期看能大幅降低运维成本。
平衡创新与稳健 新兴厂家带来灵活与低价，但运营商仍看重老牌厂商的技术积累和运维保障。理想的状态，是老牌厂商也能提供更开放的产品，让创新与稳定兼得。

模块化波分的进击

老牌设备厂商固守自身领域，面对运营商的需求毫不退让。这为模块化波分新兴厂家带来了天赐良机。与此同时，上层网络业务需求转向以大颗粒的点到点业务为主，电层交叉需求锐减，网络承载特点随之改变，这都为模块化波分的应用提供了良好契机。

模块化波分正逐步蚕食老牌厂商的领域。从最初的本地网内点到点应用，到环形组网，再到干线热点分流；从IDC互连，到承载业务网络互连，直至核心局/关口局互连，模块化波分的应用场景不断扩展。更有甚者，直接利用了老牌厂商的光层，通过模块化波分的电层开通本地及省内的大颗粒电路。模块化波分开放解耦的特点，让运营商通过自研的管控系统，用模块化波分搭建统一管控的光层底座，成为了一种可能。

结语：开放才是未来

模块化波分的崛起并不是一场颠覆，而是一场 赛道重构 。它通过“鲇鱼效应”，让市场更开放、更灵活，逼着所有玩家都必须参与进来。

未来的光传输产业，必然走向一个更加多元化、更具竞争力的新格局。对老牌厂商来说，这既是挑战，也是机会：谁能顺势而为，谁就能在新的游戏规则里继续占据核心。当年的光传输江湖，也曾有过“屠龙少年”，他们用创新打破旧的藩篱，创造了今天的高速网络。然而，当年的少年，是否已在岁月流转中，成为了自己曾经挑战的巨龙？

开放虽痛，却是未来唯一的船票。

极简主义：联通极简网络与50+人群健康的共同革命

Sun, 14 Sep 2025 20:10:00 +0800

当最后一处3G基站退网完成，本地网内GPON、IPRAN、SDH、RNC四张网络设备全部退网下电，辽宁朝阳联通不仅打造了首个完成“极简网络”的本地网，更向我们展示了“真正的极简，不是简单的减少，而是通过系统思考实现复杂问题的简单化”这一深刻理念。这并非仅是技术升级，而是中国联通将“极简”列为“一号工程”，以核心理念驱动的系统性重构。

这一理念，与50岁以上人群的健康管理有着惊人的相似性。当大多数50+人群还在被各种花哨的健身方法和器械所困扰时，将“极简”理念应用于健身，不仅能有效避免运动伤害，更能实现长期、可持续的健康收益。

一、去繁就简：精简网络节点，聚焦核心训练

联通通过“理、强、迁、退、评”五步流程，系统性地精简网络架构，将非必要的网络节点有效整合。同样，50+人群的健身也应遵循这一原则—— 不是盲目堆砌训练动作，而是抓住核心、高效的训练 。

如同联通将复杂的通信网络精简为清晰明了的网络，50+人群也应将健身重点放在最能带来回报的基础训练上，而非被眼花缭乱的器械和动作所迷惑。这些核心动作能同时调动多组肌肉，高效提升整体健康水平。

高脚杯深蹲 ：双手托一个哑铃或壶铃在胸前，完成深蹲。这个动作不仅能强化下肢肌肉，还能有效锻炼核心，是安全又高效的选择。
基础重量训练 ：使用哑铃或弹力带进行推、拉、举等复合动作，事半功倍，帮助你建立全身力量。

二、强化底座：升级网络架构，夯实身体“骨架”

联通通过机房能力提升、设备整合、退网老旧设备，优化了网络架构的“底座”。50+人群的身体“底座”——骨骼与肌肉，同样需要通过“升级”来增强承载力。

骨骼与肌肉健康危机 ：

美国运动医学会（ACSM） 研究表明，50岁以上女性每年骨密度流失约2-3%；男性约为1-2%。
70%的50+人群存在肌肉流失问题，这直接影响日常生活质量。

深蹲和重量训练，正是为身体“补钙”和“升级”的有效手段。 哈佛大学研究表明，50岁以上人群进行规律的力量训练，可将骨质疏松风险降低40% 。这就像联通的“渐进超负荷”策略，通过循序渐进地增加负重，迫使身体不断适应，变得更强。

训练要点 ：
从轻重量开始（女性2-5kg，男性5-8kg）。
每2-4周微调重量或次数（增加5-10%），持续给身体新的挑战。
始终保持动作标准，避免因追求重量而牺牲形式。

三、保持灵活：优化传输路径，润滑身体关节

联通通过创新技术优化网络架构，提升了承载的灵活性和效率。50+人群的身体灵活性则体现在关节的润滑和活动范围上，这是维持独立生活质量的关键。

关节健康挑战 ：

50%的50+人群有关节疼痛问题。
关节活动范围随年龄增长而减少，影响日常活动。

深蹲这个动作，如同为关节进行“润滑保养”。在保持背部挺直的前提下，尽量完成全幅度的深蹲，能有效促进髋、膝、踝关节的滑液循环，让关节在正确的轨迹上运行。这种控制与稳定，能有效避免关节磨损，保持身体架构的“通畅”。

训练要点 ：
深蹲时保持脚尖与膝盖方向一致，避免膝盖内扣。
下蹲过程中保持背部挺直，避免圆背。
如果有膝关节问题，可先从椅子辅助深蹲开始，逐步建立力量和信心。

四、长期坚持：从“一号工程”到“健康资产”

联通将极简网络作为“一号工程”，坚持三年专项行动计划。同样，50+的健康管理也绝非一蹴而就，而是一种“运营即优化”的长期主义文化。

“50+的健身不是与年轻人赛跑，而是与昨天的自己比进步。” 通过规律的训练，让身体有节奏地接受刺激并恢复成长。将安全放在首位，专注于动作模式而非重量大小。最重要的是，要将健身视为一种对未来的投资，如同联通为未来网络架构铺路一样，我们是在为未来十年的独立、高质量生活累积“健康资产”。

50+极简健身的“五步法”

借鉴联通的成功经验，50+人群可以建立自己的极简健身体系：

理：理清现状，明确目标。 评估身体状况，设定“能轻松抱起孙子”而非“减肥20斤”的现实目标。
强：强化基础，安全起步。 从自重深蹲开始，逐步引入轻量级训练，专注于核心肌群和下肢力量。
迁：迁移习惯，融入生活。 将训练融入日常生活，与志同道合的伙伴互相鼓励，让健身成为一种习惯。
退：适时调整，避免过度。 倾听身体信号，遇到不适及时调整或暂停，记录进步，但不急于求成。
评：定期评估，持续优化。 每月评估身体变化，调整训练计划，保持挑战性，并与专业人士定期沟通。

结语：极简健康，长期主义的智慧

联通的极简网络实践告诉我们：当冗余被移除，核心被强化，系统才能真正绽放价值。同样，当50+人群坚持将深蹲与重量训练融入生活，当骨骼更强健、肌肉更有力、关节更灵活，真正的健康人生才刚刚开始。

去繁就简，保持专注；强化底座，延缓老化；持续优化，积累韧性 ——这不仅是联通的极简网络哲学，更是50+人群应有的健康生活智慧。

记住：50+不是衰老的开始，而是智慧健康的起点。从今天开始，用极简的方式，为自己打造一个更健康、更有活力的未来。

不争“一时之快”，要谋“长久之道”，一个宽带后发者的破局逻辑

Thu, 11 Sep 2025 00:39:23 +0800

在这个言必称“万兆”的时代，我们选择了一条更为沉静的道路——不追逐表面的技术光环，而是俯身深耕，致力于为每一个小区、每一栋楼宇，铺设一条足以支撑20年演进的光纤网络。因为我们深信： 真正的宽带竞争力，不在于今日速度的巅峰，而在于明日能否持续稳健地奔跑。

引言：当万兆成为潮流，我们应去向何方？

2025年，“万兆小区”、“万兆工厂”、“50G PON”已成为行业热点。主流运营商争相展示技术实力，似乎不提“万兆”便落后于时代。

然而，作为一家后发运营商，资源有限，我们更需要冷静思考： 是否必须即刻追随“万兆”？用户最核心的需求究竟是什么？又该如何在技术迭代中稳健立足？

答案可能出乎意料： 当前最紧迫的，并非提速，而是重构底层逻辑。

我们选择了一条逆向路径—— 不求最快，但求最稳 。将焦点从“当下能提供多高的速率”转向“未来20年能否持续支撑技术演进”。这不仅是务实之举，更是战略上的清醒。

困境：一线营销为何难以回应客户？

“你们宽带什么时候能覆盖我们小区？” “有千兆吗？支持全屋Wi-Fi（FTTR）吗？” “别人都万兆了，你们才千兆，是不是太慢了？”

客户的日常询问，不断考验着一线营销人员的应变能力与专业素养。他们身处 用户高期望 与 网络现状 的夹缝之中，常常陷入两难：

承诺“有”，担心实际体验不佳，影响品牌信誉；
回答“没有”，则可能失去客户，错失市场机会。

压力由此传导：市场需要订单 → 销售需要资源 → 网络需要建设 → 工程追赶进度。最终形成“需求驱动、被动响应”的建设模式。

表面是“以市场为导向”，实则落入 战略陷阱 ：不断为短期需求投入，却忽视了长期能力的构建；忙于更换“电梯”，却未夯实“大楼地基”。

这不仅是执行层面的问题，更是战略方向的偏差。

本质思考：固定宽带的核心价值是什么？

要突破困局，必须回归本质： 固定宽带的根本价值何在？

我们认为其价值可分为三层，层层递进：

覆盖：可用性是服务的基石

没有覆盖，一切无从谈起。用户若无法接入，再快的速率也只是空谈。尤其在家庭市场， “有无”永远先于“快慢” 。

服务：良好体验决定用户留存

宽带与移动网络不同，承载的是家庭全天候连接、远程办公、在线教育及智能设备互联等刚性需求。用户对安装效率、故障响应、网络稳定性抱有极高期望。 服务即口碑，即留存率，即ARPU值的保障。

速率：重要但非决定性因素

速率是基础能力，但对大多数家庭用户，500M与1000M的实际体验差异并不明显。据宽带发展联盟2024年第四季度报告，固定宽带平均下载速率（用户体验）仅为99.14Mbit/s。过度追求“万兆”乃至“千兆”，犹如为家用车配备F1引擎——成本高昂而利用率低。

更关键的是，速率发挥依赖于底层网络架构。若根基不固，再强的OLT也难以施展全力。

结论：作为后发者，宽带发展应遵循——覆盖优先，服务并重，速率适度。

现实挑战：我们具备足够的实力吗？

必须正视现实，从基础数据看，我们仍处明显劣势：

指标	我方现状	行业头部
宽带用户占比	<5%	>30%
千兆用户占比	<1%	>15%
住宅覆盖率	刚达及格线	接近99%
OLT端口规模	不足行业1/10	大规模部署

更严峻的是， 宽带端口利用率偏低 ，表明当前投资尚未形成有效产出。与此同时，头部运营商已大规模推进FTTR、50G PON试点，通过融合套餐构建“网络+内容+服务”生态壁垒。

我们面临三重压力：

外部：技术代差扩大，市场份额遭受挤压；
内部：资源有限，建设易受短期需求干扰；
战略：若继续“按需建设”，将陷入“布局分散、投资低效”的恶性循环。

我们并非输在当下，而是输在过去的布局。而今天的选择，将决定我们能否拥有未来。

战略选择：双线并行，缺一不可

或许有人提议：既然差距显著，是否应放弃固网，专注移动？

答案明确： 不可偏废。

运营商的可持续发展需依靠“双轮驱动”：

移动网络 ：支撑泛在连接与万物互联；
固网宽带 ：承载家庭数字化、企业上云及算力调度。

缺失任一，都如在5G-A、6G、边缘计算及家庭AI终端爆发的时代独脚前行，必然失衡。

固网不仅是管道，更是 数字家庭入口、智慧城市底座、算力网络锚点 。未来的“云宽带”、“AI宽带”及“确定性网络”皆需以高质量光纤接入为基础。

因此，我们必须坚定投入固网，但 绝非盲目投入，而是战略性的精准投入 。

启示：何谓真正的“地基”？

将宽带建设比作盖楼，则：

光纤配线网（ODN） 如同楼的 钢筋结构 ，深埋地下，穿墙入户，一旦建成可使用15-20年，决定了楼的稳固性与未来扩展性。
光线路终端（OLT） 如同楼的“ 电梯 ”与“ 空调 ”，提供当前速度与服务，但可能因技术迭代每3-5年更换。

厘清这一点，战略便豁然开朗： 与其斥资频繁更换“电梯”，不如先筑牢“大楼地基”。

今日投入1元建设ODN，未来可支撑10G、50G乃至100G PON平滑升级；而今日投入1元于OLT，数年后或面临淘汰。

最好的技术升级，是让升级本身变得简单。 而让升级简单的前提，是拥有面向未来的物理网络底座。

破局战略：面向未来，构建可持续光网

基于以上思考，我们提出后发者的破局战略： “覆盖先行、服务驱动、弹性演进”

覆盖先行：确保用户“随时接入”

1.聚焦高需求区域

将有限资源集中于城市区域，这些地区需求密集，利于快速形成规模覆盖，积累用户基础与市场口碑。

连片建设，形成局部优势

采取“集中开荒”策略，在选定的区域实现连续、完整覆盖，避免零散投入。此举可提升资源效率，降低运营成本，并快速建立区域品牌影响力。

完善覆盖，保障快速接入

确保用户提出需求时能够迅速响应与安装，缩短等待时间。 “即插即用” 的体验对于获取新用户、提升满意度至关重要。

高标准建设，奠定长远基础

ODN是宽带网络的“地基”，按最高标准建设，确保低故障率、高稳定性及未来升级能力。虽初期投入增加，但长期看可降低维护成本，避免重复建设，实现 “一次投入，长期受益” 。

服务驱动：以“用心”赢得用户

1. 精细化运营，化覆盖为口碑

在覆盖区域重点确保用户“用得好”：

高效维护 ：建立定期巡检机制，保障网络稳定，最大限度降低故障率。
快速响应 ：优化安装与维修流程，及时响应用户需求，打造“随时在身边”的服务体验。
主动服务 ：定期回访，了解使用情况，提供个性化建议，变“一锤子买卖”为“长期关系”。

2. 差异化宣传：强调可靠性而非速率

在“万兆”喧哗中，独树一帜：

调整重心 ：宣传从“速率领先”转向 “覆盖全面、服务优质、价格实惠” ，突出可靠性。
理性引导 ：倡导 “够用即可，按需升级” ，传递“我们优先保障您能接入”的理念。

3. 灵活定价，抢占市场入口

不参与速率竞赛，意味着可投入更多资源至 更具竞争力的资费 ：

核心是“接入权” ：以优惠价格提供可靠网络，快速获取用户，夯实基础。
扩大用户规模 ：在速率感知差异不大的当下，价格成为重要选择因素，优惠资费是拓展市场的有效方式。

4. 突出长期价值：一张光网，支撑未来

宣传聚焦网络基础设施的持久价值：

彰显ODN优势 ：告诉用户我们打造的是 “百年基业” ，是高标准、可升级的物理网络。
描绘演进蓝图 ：清晰展示网络潜力—— “今日百兆，明日千兆，未来万兆，皆为可能” ，既体现价值，也管理预期，同时传递发展信心。

弹性演进：以“智慧”规划未来

1. 优化OLT布局：集中部署，提升效率

不追求OLT数量，而是构建 “广覆盖、少局点、高效率” 的网络：

集中化逻辑 ：借鉴“精耕细作”思路，依托优质ODN，将OLT集中部署，通过主干光缆连接，OLT局点覆盖更广区域，提升效率。
精简架构 ：集中部署减少局点数量，带来：
降低设备成本 ：采购与维护费用下降。
- 提高端口利用率 ：避免资源闲置。
- 简化运维 ：集中管理，提升效率。
逐步整合 ：对现有OLT局点，逐步实施 拆并割接 ，迁移用户至新局点，淘汰老旧设备，避免运维负担，确保架构统一。仅在无法割接时，评估后作为过渡部署。

2. 需求导向的设备采购：兼顾现状与未来

采购原则是 “按需购买，前瞻布局” ：

充分利用现有GPON ：在不再强调极致速率的策略下， 现有GPON设备可充分满足需求 ，显著减轻投资压力，同时ODN为未来升级预留空间。
新购设备标准：支持向50G演进 ：确需新购OLT时， 必须选择具备50G PON升级能力的10G PON设备 （可通过更换模块或“50G Ready”设计实现）。确保未来50G PON规模应用时，能以低成本升级，避免重复投资。

总结：从“速度追赶”到“战略突围”

在这个人人谈论“万兆”的时代，我们选择了一条不同的路—— 不急于炫技，而是沉下心来，为每一个小区、每一栋楼宇，铺设一条能用20年的光纤之路。

因为我们相信：

真正的宽带竞争力，不在于今天跑多快，而在于明天是否还能持续跑下去。

我们的破局之道，归结为三大战略支柱：

战略维度	核心理念	关键举措
覆盖先行	先筑最稳的地基	聚焦城区、连片建设、高标准ODN、“即插即用”
服务驱动	用“用心”赢下用户	精细化运维、快速响应、差异化宣传、价格优势
弹性演进	用“智慧”赢得未来	少而精OLT布局、利旧整合、采购支持50G升级的10G设备

最终目标： 通过 “覆盖、服务、演进” 三步走，在宽带市场走出一条 差异化、低成本、可持续 的突围之路。

我们不求一步登天，但求步步为营。只要地基打得牢，服务做得细，未来的“万兆”之路，我们才能走得更远、更稳。

后记：坚持就是胜利

宽带建设，从来不是一场短跑。

它会遭遇指标压力、投资限制、短期诱惑。有人质疑：“你们还在搞千兆？有人催促：“别家都万兆了！”

但我们知道， 快，不一定赢；稳，才能赢到最后。

前人种树，后人乘凉。吃水不忘挖井人。

只要方向正确，重要的就是—— 坚持走下去 。

我们铺设的不只是光纤，更是一条通往未来的路。 ——致每一位默默耕耘的宽带建设者

浅谈接入网的薄覆盖

Thu, 01 Jan 2015 00:00:00 +0800

在宽带接入网工程中，常常会出现关于覆盖的几种说法，如“全覆盖”，“深覆盖”，“薄覆盖”等，其概念各不相同，各自的理解也不同，依据目前我的经验，谈谈一点看法。

在很多资料里，“全覆盖”和“薄覆盖”是相对出现，是从工程建设界面的角度来定义的。

“全覆盖”是指在宽带接入工程中，建设的网络末端为用户家中的光纤插座或多媒体箱，是工程做到了入户，而“薄覆盖”，是指网络末端只做到单元、楼宇或小区，工程没有做到入户，不能给用户提供一个全程端到端的连接。现在宽带接入建设，大多要求按照薄覆盖来建设，究其原因，主要是由于宽带运营商竞争的加剧，小区的宽带用户渗透率以及各运营商的宽带市场份额也不可能百分百，这两方面因素共同导致了在用户不明确的情况下，若采用全覆盖方式来进行宽带接入建设，会导致网络利用率不高、建设的端口浪费、投资大，在投资受限的情况下，进而会导致覆盖小区数量减少，覆盖率下降。

但以这种接入覆盖的深度（到用户的距离）来定义薄覆盖，与它所倡导的一种建设思路上来比，还是有些缺陷。若全覆盖和薄覆盖只是入不入户的差别，那么不可避免建设的网络存在容量利用率不高，端口浪费的情况，因为若薄覆盖是按照1户1线这种思路去做，也就是小区的用户渗透率及市场份额都是百分百考虑，并没有达到薄覆盖的真实目的。

在联通2014-2016年的宽带规划编制原则中，提出：

薄覆盖是指在建设中降低建设端口和覆盖住户的比例，无论南北方均应按照目标用户数来确定分光器端口和配线光缆规模实现薄覆盖。对于自建方式，新建区域要求目标实占率大于70%，北方改造区域要考虑现有用户转网和后期发展端口需求，由于用户明确，目标实占率应大于80%。在薄覆盖建设中，除分光器端口外，接入配线光缆也要按照薄覆盖的要求进行建设，从而降低建设规模，减少投资，提高资源利用率。”

这里，薄覆盖强调了另一个含义，就是接入网络的容量，应按照预测的目标用户数来确定，而这个目标用户数，又和市场策略，营销力度有关，这样，就把市场需求和建设通过“薄覆盖”联系到一起了，市场提需求，网络依据需求来建设，力求避免那种有需求没建设、没需求有建设局面。

薄覆盖的建设方式，就是以业务预测的目标用户数为基础，按照一定的目标实占率要求，确定PON口数量以及ODN网各部分的规模（主干光缆规模、配线光缆规模、分光器端口数量）的一种建设方式。对于自建方式，新建区域要求目标实占率（目标用户数/建设的FTTH端口）不低于70%，对于改造区域，由于用户明确，目标实占率可不低于80%。

在网络建设中，又出现了一种超薄覆盖概念，主要是指在建设中，只建设到配线区光交接箱；配线光缆、分线盒及用户皮线光缆待用户装机时再布放。这种“点到为止”的方式，只能适合目标用户极不确定以及某些特殊的情况。它是把一个完整的接入工程拆成两部分来做，看似接入工程造价极低，实际是把大量工作拖到后期完成，这对整个网络建设、维护、开户都会产生一些问题，应在工程中尽量避免。这种方式，从本质上说，就是目标用户不明确，市场目标不明确，是这种“这个小区，我知道可能有用户，用户能预计发展多少我不知道，什么时候发展我不知道，先占个地再说”的心态。是一种市场和建设脱节的无奈之举。

从目前市场格局来看，除了独家进线的、目标用户渗透率70%以上（这时按薄覆盖的话，端口渗透率也就是100%了），改造网络等情况可按全覆盖来进行建设，其他情况均可按薄覆盖进行建设。而薄覆盖的定义，应从覆盖深度及建设规模上来进行阐述，这里，试图给薄覆盖一个定义：

薄覆盖，是指在宽带接入网网络建设中，网络末端只建设到分光器、分纤箱，入户线在装机时进行敷设，并以业务预测的稳定期用户数（目标用户数）为基础，按照一定的目标实占率要求，确定PON口数量以及ODN网各部分的规模（主干光缆规模、配线光缆规模、分光器端口数量）的一种建设方式。

宗教和逻辑

Thu, 08 Jul 2010 16:37:27 +0800

对于基督、穆斯林信徒来说，必须回答“神是存在的。”，倘若回答了不存在，那就是无神论者。但佛教信徒则不同，即便回答“佛不存在”，“哪里会有佛”，“佛不过是草芥”，也可能是地地道道的佛教徒。

引自《给讨厌数学的人：数学的奥秘和生活》

通信设计院杂谈

Thu, 07 Dec 2006 15:03:09 +0800

在TelReading的BBS 上，网友shejiyuan 写了一片关于设计院间比较的文章，挺不错的，摘录给大家阅读。

原文链接地址为http://bbs.telreading.com/thread-3820-1-1.html 。

因为在设计行业里面干了一些日子，对各个设计院有一些浅显的了解，有不当之处也请各位弟兄们海涵。

国内现在设计院基本上有这么几大类：原邮电部直属，原电总直属（就是电信局），由通信相关行业转来。

现说说原邮电部直属的设计院吧。

邮电部直属设计院原来其实只有一家，就是现在位于郑州的中讯邮电咨询设计院（以下简称郑州院）。郑州院于1952年成立，分别隶属邮电部、信息产业部、国务院大型国有企业工作委员会，中央企业工委，国资委，今年与中国联通合并，现定名为中国联通集团设计研究院。至于部属设计院怎么会跑到郑州，这个问题说来话长。郑州院1952年在北京成立，1965年的时候林彪搞三线建设把一大批重要企业迁往内地，所以设计院就辗转来到了郑州。纵观各个设计院，郑州院无论在专业配备和人才培养机制上都是处于前列，但是，老国企的通病在它身上也是比较明显，离退休人员比较多，体制比较死。最近和中国联通两个企业进行了合并，设计院的院长[[韩志刚]]担任了联通的总裁助理。郑州院的上升空间还是比较大的，以前邮电部时期就不说了，最近从设计院调走并且在位的就有国际电联唯一华裔高官赵厚麟，中国联通总工张范，中国移动副总工程师兼技术部部长杨志强，中国移动管理学院单位书记石德安，中国电信总工办主任候春雨，中国电信原计划部部长现技术部部长董晓庄，中国网通集团公司移动事业部副总经理窦笠，邮电部原规划司司长江少滨，等等。因为本人也非郑州院人士所以更多情况也不是很了解，不过在郑州院应该不愁没有上升空间。整体介绍了企业的概况，说一说大家比较关心的薪水问题吧，单位内部各个专业还是不太一样的，如果要是去了三大处（有线，无线，交换）一般第一年能有个3－5W，前三年能达到7－10W，5年之后分化比较大那就要看个人了，至于其他的处前2年应该大家差距不是很大，但是3、5年后和三大处就有些差距了。

从北京搬走后，有一部分人不愿意离开北京，就留下来了，这就是我要介绍的第二个部属设计院，邮电部北京设计院（现名中国移动通信集团设计院有限公司，省略名北京院）。北京院在文革前成立了邮电部设计院北京所，文化大革命后全部下放五七干校，所以真正步入正规是改革开放以后的事情。84年前后，郑州院一些处室分配到北京院一部分职工，这就是现在北京院真正的缔造者，也就是在当时，北京院和郑州院从财务上正式分开，各自经营。不得不承认，朝中有人好办事儿，北京院的地理优势让他在艰难的经营几年后，于1991年正式脱离郑州院的直属管理，并且归属邮电部也成为了一个厅级单位。90年代的北京院整体经营情况并不是很好，移动通信还没有真正红火，干线光缆绝大部分还是由郑州院承包，所以，说是在夹缝中生存一点儿不为过。98年后随着移动通信的兴起，北京院终于有了自己的一片天地，在2002年政企分开后，郑州院归属了中央企业工委，由于技术类企业一个行业只能有一个加入工委，所以，当时的北京院只有两条路，一个是归属北京市科委，原来一个正厅级单位便沦落为处级；还有一个就是中国移动，当时的中国移动从电总分出来的时间不长，急需一批专业人才的支撑，所以两方一拍即合，这部棋应该是走的非常正确。北京院也出了不少高人，象现在现大唐老总（原中国移动计划部部长）真才基，北京邮电大学原党委书记孙鸿志，等等。至于薪水问题，我想移动的薪水就不用多说了，关键问题是同志们能不能进去。

下面说说原电总直属设计院。

现在所有的某某省邮电设计院，无论是中国电信还是中国网通的其实都是原来电总各省公司的直属企业。虽然级别只有处级，不过在市场经济年代级别已经非常淡化了。各个省设计院虽然隶属于电信口，但是由于从90年代初模拟移动通信时就开始作，所以，和各个省移动、联通公司也保持了良好的关系。近期中国电信下属所有设计院全部从公司母体剥离成立通信服务公司正准备打包上市，究竟是好是坏还需要时间来证明，中国网通下属设计院和电信情况比较类似，但是是整体打包上市还是其他股份制方式还不明了。

由于各个省都有自己的设计院，所以，挑3个比较牛一些的设计院说一下，其他设计院虽然规模没有这三家大，但是在自己的省内也都算高收入企业了。哪3家呢，华信邮电咨询设计有限公司（浙江省设计院），广东电信设计院，北京网通设计院。

华信应该是全国规模最大的设计院了，机制比较活，所以随便一个职工出去都是经理，其实，这也是市场经济的一种营销策略是其他设计院应该学习的。与各省运营商保持了良好的关系，尤其是华信院的老总和广东移动老总据说是大学上下铺，抓住了中国最大的通信市场。规模大，机制活，当然收入也不会差，比前两个院有些许差距，应该不大。

广东电信设计院，没有办法全国最大的通信市场的设计院，近水楼台先得月是肯定得了，垄断广东市场10余年，2000年前应该叫富得流油吧，现在虽然有所下降不过在全国所有得设计院里面应该是相当高的了。

北京网通设计院，这个设计院比较特殊，不知道为什么占着北京这么大的市场，但是移动通信技术力量不是很好，是从华通（下文将讲到）设计院挖了一批人成立起无线处，不过长期隶属电总，他们在传输交换上的水平那肯定是没得说。凭借老院长[[沙跃家]]在北京移动的余威和现任中国移动通信集团副总的职位，企业前景也应该比较看好。薪水方面在设计行业属中上游。

第三类非传统设计院或者其他相近行业转行过来的。

全国这类设计院大大小小不下上千家，我也无法全部了解，就说说几个比较重要的吧。杰赛设计院（电子部七所）、中国通信建设总公司设计院。

杰赛设计院虽是后起之秀但发展还是蛮快的，毕竟依托原电子部唯一一个移动通信研究所还是有一些技术的。但是，在2000年前后，原先联通的工程被郑州院、北京院蚕食过多所以经济不是很景气，但是近几年走出国门到东南亚很多国家总承包电信工程，业务量暴涨。薪水方面老职工应该不错，不过新职工就比较难说了。

中国通信建设总公司设计院，这个设计院成立时间不是特别长，主要是老副总从郑州院带来了几个骨干，所以业务和薪水不是很可观。

第三类设计院本人了解不多，所以只作简要说明，没有调查就没有发言权嘛。

关于通信设计的思考

Tue, 14 Feb 2006 12:03:09 +0800

经常上一些通信的BBS，也看看了不少帖子。谈论起设计院，似乎有这样的观点，就是设计院无用，设计院只有盖章的功能，设计院迟早要被厂家替代等等言论，附和的人不少，维护设计院的人寥寥无几，在孤军奋战。到底设计院的作用是什么呢？我想，这是每个设计人员，尤其是初入此门的设计人员的最为关心的。

通信设计到底是什么概念呢？由于我是做传输设计的，就从我的视角上来说一说。通信设计，也就是设计人员根据对通信网络的理解，采用自己所掌握的专业知识，完成某一需求所做的能够指导工程实施的一系列工作，最终的产品就是设计文件。通信设计到底包括哪些方面呢？很多人的观念中好像搞设计的就是画画平面图，确定一下设备位置，安排一下走线路由，仅此而已，而这些工作好象设备厂家都可完成，比如华为公司，在设备发货前一般都要他的第三方去工勘，收集一些数据，比如安装方式、线缆长度等以便下料发货，但有些设备厂家，大多是国外厂家，往往要根据设计院的图纸进行下料。这些工作，实际上是设计工作的一小部分，设计的内容应该包括方案设计和安装设计两方面的内容。方案设计，在设计工作中最重要也是最有技术含量的，设计人员对网络的理解，对专业技术的掌握，对网络现状的熟悉，对业务需求的分析，会出现不同的设计思路和方案，这对运营商的网络及其发展会带来很大的影响。

目前设计院所做的方案设计，感觉定性的东西多，定量的东西少，各种能够比较的方案不多，这些都是设计人员今后要改进的地方。这个阶段一般是在可研阶段，但对于一些不大的工程，也有做一阶段设计的。这个阶段的设计，是指导网络建设，设备选型、设备配置的，一般也都是运营商的计划发展部门以及设备厂商的售前参与。这对设计人员水平的要求很高，需要洞察各厂家设备及方案的优缺点以及一些隐藏的条件。

设备安装设计阶段就相对简单些，主要是根据已制定好的组网方案，根据所采用的设备，进行设备的安装设计，这方案虽然简单，想要做好，也不容易，主要是一些配套的东西，如电源端子、DDF/ODF端子的安排，电缆路由的确定等，这要求设计人员熟悉设备的连接关系，机房的情况，还要对工程施工过程有所了解，这个阶段，牵扯的方方面面的细节很多，对于厂家的工勘，就他们就不需了解更多的情况了，实际按正常的流程，设备厂商应该从设计中获得数据，以便下料。这一阶段的设计，需要细致，应该考虑如何让设计图纸让施工单位能够按图施工。在这个阶段，运营商的维护人员、厂家的督导、施工人员以及监理，都碰面了，如果设计上有什么不清楚以及漏洞，难免会让这些人对设计的作用产生怀疑，对设计颇有微词。

设计人员还有一个工作，就是编制阶段的工程费用，可研叫估算，初设叫概算，一阶段或施工图叫预算。

设计人员的角色，怎么说呢，两面性，加在运营商和设备商中间，对于运营商，我们是乙方，对于设备商，我们又相当于半个甲方。

经常有人说，设计单位迟早要没有了，今后，也许会没有单纯的一个设计院或设计所了，但设计的这一个作用，是会一直存在下去的，会以不同的形式出现。比如设备厂家的工勘，也属于设计工作的一部分。在比如设备厂家的TURNKEY工程，从前期的方案制定，到后期的工程实施，无时无刻会有设计工作的影子，只不过改了另外一种名称罢了。