Il boom dei dispositivi basati sull’Ai rappresenta una sfida per le reti in termini di capacità uplink, ma le telco possono monetizzare questa opportunità con il network slicing e le Api: è questa la visione condivisa da Mathias Riback, vice president, head of Advanced technology US, Ericsson. Il passaggio a reti “uplink-heavy” può diventare una nuova fonte di ricavi.
“Ecco un dato che dovrebbe far perdere il sonno a ogni architetto di rete: 1:8”, scrive Riback. “Questo è il rapporto tra download e upload generato dai soli occhiali intelligenti di ultima generazione. Per ogni byte che questi dispositivi prelevano dalla rete, ne inviano quasi otto in upload. Ciò è dovuto a un flusso continuo di immagini provenienti da telecamere, dati audio e dati dei sensori che vengono inviati all’intelligenza artificiale (Ai) nel cloud per l’elaborazione in tempo reale”.
Ciò si traduce in un necessario cambio di paradigma. Le reti di telecomunicazione progettate per il consumo di contenuti, fortemente orientate al downlink e ottimizzate per inviare video e app a dispositivi passivi, non sono più adeguate all’era dei dispositivi attivi powered dall’Ai. La maggior parte delle reti gestisce volumi di traffico downlink-uplink pari a 10:1, ma ora non basta più.
Indice degli argomenti
Dispositivi Ai, le reti devono essere orientate all’uplink
I dispositivi indossabili con Ai, i dispositivi autonomi, la realtà aumentata (AR) e altre applicazioni interattive richiederanno una maggiore capacità di uplink e una migliore copertura, spostando gradualmente il rapporto downlink:uplink di 10:1 verso un traffico di rete meno sbilanciato in downlink.
Il cambiamento non avverrà dall’oggi al domani, ma, secondo Ericsson, si tratta di una tendenza fondamentale a cui il settore delle telecomunicazioni dovrebbe prestare attenzione.
Un esempio è quello dei citati occhiali intelligenti o smart glasses, la cui adozione globale sta accelerando rapidamente. La crescita complessiva del valore del mercato è stimata a un Cagr del 27% (da 1,93 miliardi di dollari nel 2025 a 8,26 miliardi alla fine del 2030). La base installata globale crescerà da circa cinque milioni di dispositivi nel 2025 a circa 180 milioni entro il 2030, il che implica un tasso di crescita medio superiore al 100% all’anno e una dimensione da mercato di massa, con implicazioni significative per i modelli di traffico delle reti mobili, sottolinea Riback.
L’arrivo degli smart glasses e dei visori AR/AI
“A differenza degli smartphone, che vengono utilizzati in modo intermittente e perlopiù consumano contenuti in download, gli occhiali intelligenti trasmettono in streaming i flussi video della fotocamera e del microfono per l’elaborazione Ai in modo continuo o su richiesta”, spiega Riback, portando alcuni esempi comuni di interazione come le interrogazioni Ai visive o la traduzione in tempo reale.
Micro-interruzioni comprometterebbero le prestazioni: l’impatto sulla rete è, quindi, fondamentale: “La comprensione visiva in tempo reale tramite modelli di intelligenza artificiale cloud di grandi dimensioni o la traduzione in tempo reale richiedono una solida capacità e copertura in uplink, una latenza bassa e limitata e una qualità del servizio (QoS) affidabile per ogni applicazione”, afferma il VP di Ericsson.
Un altro esempio sono i visori AR/AI, dove la sfida è nel rendering in cloud.
“Nel campo della realtà estesa (XR), la realtà virtuale (VR) tradizionale è fortemente dipendente dal downlink, in quanto dominata dal download di applicazioni VR e/o dalla trasmissione di video al visore. La realtà aumentata (AR) basata sul cloud con comprensione della scena in tempo reale, tuttavia, ribalta questa equazione”, nota Riback. “I futuri sistemi AR dipenderanno sempre più dalla trasmissione continua in upstream di dati provenienti da sensori ambientali e spaziali, spostando il collo di bottiglia delle reti dalla distribuzione dei contenuti multimediali al traffico bidirezionale guidato dalla percezione”.
Il terzo dispositivo core: l’AI in tasca
In Silicon Valley, intanto, si lavora su nuovi dispositivi Ai tascabili senza schermo con fotocamere e sensori ambientali integrati. Avranno capacità di apprendimento continuo del contesto tramite caricamento persistente dei dati ed Ai sempre attiva e altamente “intelligente”.
Questi dispositivi rappresentano quello che alcuni definiscono il “terzo dispositivo core“, accanto a laptop e smartphone. Hanno, tuttavia, un comportamento di rete fondamentalmente diverso. A differenza dell’utilizzo intermittente degli smartphone, i dispositivi di intelligenza artificiale operano in modo continuo. Generano un traffico uplink costante, perché i dati sensoriali grezzi fluiscono verso il cloud dell’Ai; le risposte elaborate poi ritornano al dispositivo.
Tutte queste applicazioni consumer emergenti si traducono per le reti “in un numero crescente di scambi di dati brevi e limitati, sensibili alla latenza”, ma anche, “come potenziale valore aggiunto, in una crescente necessità di esporre ulteriori funzionalità di rete – come posizionamento, rilevamento, affidabilità, sicurezza e così via – come fonti di dati per gli stessi sistemi di Ai“, scrive Riback.
Più capacità di uplink per le applicazioni aziendali
Nel segmento business le reti saranno sottoposte alle stesse pressioni sull’uplink. Sensori, macchine, telecamere e veicoli generano dati; l’Ai li interpreta, sempre più spesso all’edge, e le conseguenti azioni vengono eseguite tramite una connettività affidabile e a bassa latenza. Esempi tipici sono i veicoli autonomi, l’assistenza remota, i robot umanoidi e i droni per la prossima rivoluzione industriale.
Nell’assistenza remota, lo streaming video in diretta agli operatori umani per interventi in casi limite richiede diversi Mbps in uplink, latenze video e di controllo inferiori a 100 ms, e un’affidabilità estremamente elevata.
Quanto ai robot umanoidi, il mercato è previsto in crescita di sei volte, per un valore di 38 miliardi di dollari entro il 2035 e oltre 250.000 robot umanoidi industriali previsti entro il 2030.
I nuovi requisiti delle reti come “piattaforme di rilevamento”
“Ogni unità autonoma è un endpoint ad alta intensità di uplink!”, commenta Riback. “E, poiché i sistemi di intelligenza artificiale mirano a comprendere il mondo fisico, la rete stessa diventa un dato prezioso: posizionamento, temporizzazione e rilevamento basato su radio consentono ai sistemi di intelligenza artificiale di dedurre un contesto ambientale ricco, tra cui geometria spaziale, movimento degli oggetti, dinamiche situazionali e altro ancora”.
In questo paradigma, la rete si evolve da substrato di comunicazione a piattaforma di rilevamento distribuita, potenziando la percezione a bordo e consentendo un’intelligenza coordinata tra veicoli autonomi, robot e altri agenti autonomi. Queste capacità elevano la rete da livello di trasporto a fornitore di informazioni, integrandola ulteriormente nei flussi di lavoro di intelligenza artificiale.
È chiaro che con le nuove applicazioni Ai in tempo reale e interattive il nuovo collo di bottiglia diventa il collegamento in uplink. I requisiti imposti alle reti sono fondamentalmente diversi. La latenza non è più tollerabile e l’affidabilità diventa imprescindibile. I dispositivi autonomi dipendono sempre più dalla rete per l’offload della percezione, il coordinamento con altri agenti, la supervisione remota e altro ancora.
Questi casi d’uso richiedono pertanto: QoS coerente, osservabilità a livello di flusso QoS
e garanzie di livello SLA anziché prestazioni statistiche.
La più grande sfida architetturale della banda larga mobile
In conclusione, le reti ottimizzate per lo streaming video ai consumatori servono solo in modo subottimale i dispositivi nativi Ai che generano dati continui dai sensori per l’elaborazione cloud. Il cambio di paradigma va ben oltre i semplici aggiornamenti di capacità.
“Le reti intelligenti devono supportare scambi bidirezionali di dati Ai, in cui gli input grezzi fluiscono verso l’alto, le informazioni elaborate verso il basso e il tutto con latenze praticamente istantanee. Questa è una delle sfide architetturali più significative dell’era della banda larga mobile”, afferma Riback.
L’ottimizzazione dell’uplink è sempre più definita dalle funzionalità come il CoMP (Coordinated Multi-Point) in uplink, l’aggregazione di portanti, i miglioramenti Mimo e la commutazione dinamica della forma d’onda, che liberano capacità dallo spettro esistente.
Uplink e device AI, come devono evolvere le reti
“Laddove il software raggiunge i suoi limiti, i miglioramenti mirati del sito (radio Fdd avanzate, antenne per l’amplificazione del segnale in uplink, bande non ancora implementate) amplificano i vantaggi”, scrive Riback. “Le tecnologie di handover a bassa latenza, come la mobilità attivata da L1/L2, mantengono stabili le sessioni ad alta intensità di uplink durante gli spostamenti”.
Per ottenere un comportamento di rete adattivo è necessario il coordinamento tra più livelli di controllo, ciascuno dei quali opera su scale temporali distinte. La gestione delle risorse radio in tempo reale, come la pianificazione, il controllo della potenza e il beamforming, viene eseguita con una granularità inferiore a 10 ms e rimane integrata nella Ran. Il livello di gestione e orchestrazione dei servizi, al contrario, ospita rApp che ottimizzano le prestazioni di rete su scale temporali di un secondo o superiori.
“Per i carichi di lavoro Ai che fanno un uso intensivo del collegamento in uplink e presentano picchi di traffico, le rApp aggiungono valore correlando segnali che la Ran non è in grado di rilevare autonomamente“, prosegue Riback: “previsioni della domanda a livello applicativo, dati sulle prestazioni cross-domain e arricchimento contestuale proveniente da core e trasporto, tra gli altri. Questa visibilità consente regolazioni a ciclo chiuso sotto forma di offset individuali delle celle per il bilanciamento del carico, pianificazione delle funzionalità energetiche che preserva la capacità di uplink e altro ancora”.
Il risultato è un livello di gestione che anticipa le variazioni della domanda anziché limitarsi a reagire alla congestione, integrando l’intelligenza Ran che gestisce le decisioni sulle risorse per ogni TTI (Transmission Time Interval).
La trasformazione della monetizzazione: slicing e API
Ericsson ritiene che il settore della telefonia mobile debba allinearsi su alcuni livelli di prestazioni specifici, ovvero su specifiche di settore relative alle prestazioni che le applicazioni possono aspettarsi dalle reti, descritte in termini di throughput e latenza, obiettivo raggiungibile tramite lo slicing.
Il network slicing consente ai fornitori di servizi di offrire livelli di prestazioni mirati ad applicazioni ad alta intensità di uplink, ciascuno con il proprio SLA e prezzo. Ad esempio, alle flotte di veicoli a guida autonoma viene garantito l’upload dei dati di telemetria. Per i servizi nativi di GenAI in particolare, la capacità di garantire un throughput di uplink costante e una latenza limitata durante i picchi di inferenza diventa una funzionalità premium per la quale gli utenti potrebbero essere disposti a pagare.
Le Api programmabili portano questo concetto a un livello superiore, consentendo alle applicazioni Ai di interagire dinamicamente con la rete. Le Api possono, ad esempio, essere esposte direttamente agli agenti Ai tramite il Model Context Protocol (MCP), consentendo ai sistemi basati su Llm di orchestrare le funzioni di rete come parte del loro ciclo di ragionamento.
Di conseguenza, emergono tre potenziali opportunità di monetizzazione: premi episodici per l’affidabilità durante i momenti di picco della domanda (stadi ed eventi dal vivo); livelli differenziati continui con livelli di prestazioni garantiti; ricavi basati su Api che scalano con l’adozione da parte degli sviluppatori, man mano che gli agenti di Ai diventano client di rete autonomi.
Queste capacità, sottolinea Ericsson, sono già disponibili grazie alle funzionalità di rete 5G Standalone.
Quattro azioni da intraprendere subito
La strategia da intraprendere, conclude Riback, si articoli in questi punti.
Definire Kpi di uplink espliciti e prestazioni di base per occhiali con intelligenza artificiale, sistemi autonomi e altri dispositivi basati su sensori. L’attenzione deve essere focalizzata sulla rete periferica e, ove applicabile, sugli ambienti interni.
Condurre un‘audit delle risorse di spettro con capacità di uplink già a disposizione e sfruttarle al massimo, con particolare attenzione alla massimizzazione del valore delle partecipazioni Fdd a banda bassa e media attraverso l’implementazione di undeployed bands e sistemi radio e di antenne più avanzati.
Accelerare l’adozione di funzionalità di rete che ottimizzano l’uplink, sia a livello software che hardware, incluse radio Fed avanzate, sistemi di antenne che migliorano l’uplink e funzionalità Ran basate sull’Ai che migliorano la copertura, la capacità e l’affidabilità dell’uplink.
Introdurre e monetizzare la connettività differenziata, monetizzare i momenti critici di connettività e introdurre nuove offerte Api per conquistare nuovi mercati emergenti come quello degli agenti Ai.
