01 触发事件

诺基亚在11月4日发布《全球网络流量报告》：到2035年，AI将驱动全球近44%的网络流量，全球月度总流量将增长近四倍，达到约3,789艾字节。

报告还给出两条更激进的预测：agentic AI流量到2035年将达到2026年水平的160倍，physical AI流量将达到2026年水平的105倍。

固定无线接入（FWA）则可能贡献超过三分之一的消费者蜂窝网络流量。

这不只是网络设备厂商对带宽需求的常规展望。诺基亚实际上把AI从“应用负载”重新定义成未来网络流量的主要组织原则。

02 这事的真正含义

问题不在于AI会不会增加流量，而在于新增流量究竟由什么产生。

第一类是多模态生成。文本、图片、音频和视频模型消耗的是输入token与输出token，但传统互联网流量统计更接近传输字节。两者之间不能直接画等号。模型调用背后的数据搬运、缓存命中、跨区域同步和结果分发，最终都会落到网络上，只是未必以用户可见的流媒体形式呈现。

第二类是agentic AI。一个agent可能连续规划、检索、执行和验证任务。一次用户操作背后不是一次request，而是一串带上下文、工具调用和状态同步的request。这里真正扩张的不是单次响应大小，而是interaction depth。

第三类是physical AI。机器人、车载系统和工业设备需要持续传输感知数据、决策状态和遥测信息。physical AI的流量未必像agent那样集中，却可能更连续、更难压缩。

诺基亚把2026年作为基期，预测2035年agentic AI流量达到160倍。这个数字首先是一个infra投资叙事：如果软件层不断从“回答一次”转向“执行一个工作流”，网络负载会从请求规模转向任务持续时间。

AI网络流量的核心变量，可能不是用户发了多少prompt，而是agent在后台运行了多少步。

这才是诺基亚预测里值得AI builder注意的部分。

不过，160倍是远期预测，不是已经观测到的市场规模。报告也没有在摘要中披露AI流量如何折算为网络字节、agentic AI流量的具体口径。对模型API消费方而言，它更适合作为capacity planning的压力测试，而不是收入预测。

03 历史类比 / 结构对照

2007年iPhone发布时，没人准确预测出移动应用商店、移动互联网广告和移动办公会形成多大的产业。关键不是iPhone本身，而是它把网络连接、计算能力和分发平台合并成新的基础设施。

2014年AWS进入成熟期后，IT支出没有消失，而是从本地采购转向按需云资源。真正被重构的是预算的分配方式：固定capex被替换为持续usage。

2022年ChatGPT则展示了另一种aggregation：基础模型能力被集中到少数provider手里，再通过API分发。应用层开始围绕统一接口构建产品，但成本结构并未消失，只是从模型训练迁移到持续推理。

诺基亚这次预测，接近这三段历史的叠加：AI成为新流量源，agentic AI提高每次任务的计算密度，FWA与蜂窝网络则争夺最后一公里的distribution入口。

历史上的基础设施拐点通常先表现为“带宽不够”，随后才出现新的收费模式和服务层。2008年金融危机前，运营商也见过流量预测与实际需求脱节；但这轮不同，AI workload可能带来更高算力密度，而不是单纯更多视频字节。

我更愿意把它类比为2014年的cloud transition，而不是2007年的iPhone：前者影响的是成本结构和capacity planning，后者更偏用户入口与硬件体验。

04 对 AI builder 意味着什么

对模型API消费者，本月应做的是拆分真实成本，而不是追逐一张远期流量图。

先区分traffic、tokens与GPU time。下载一张图片会产生网络流量，却未必产生多少token；一个长上下文agent可能触发大量prefill，却不一定持续传输大量媒体数据。路由和caching带来的收益，也不能只按response size估算。

其次，agent产品应该按完整task建模。评估对象不是单次模型调用价格，而是完成一次任务的总token、tool calls、重试次数、上下文复用率与人工接管率。160倍流量的前提，是agent执行链真的变长，并且单位任务经济性仍然成立。

对AI startup，network infra并不是只有带宽成本。跨区域deployment、response streaming、实时语音、vision和后台agent，会共同影响latency与账单。model routing可以优化平均成本，但复杂的fallback链也可能增加缓存失效和重复计算。

这周可以做的具体动作有三个：

  • 对主要workflow记录每个成功任务的模型调用数、输入与输出tokens、工具调用数及端到端时延。
  • 把prompt caching、batch API与不同模型路由纳入单位任务成本模型，避免用单一input token价做预算。
  • 对长链路agent设置任务级预算和fallback机制，防止MoE路由或工具循环把成本失控藏进后台。

对opcx.ai这类model access平台，机会也不只是“多卖token”。真正有价值的是把调用量转成任务量：提供成本观测、provider切换、caching命中分析、budget control和跨模型routing。否则客户看到的是一个更便宜的token接口，而不是更低的完成任务成本。

诺基亚还预测FWA将产生超过三分之一的消费者蜂窝网络流量。这提醒infra不能只盯GPU：AI应用的最终形态会反过来影响最后一公里接入、edge inference与数据驻留。谁控制distribution，谁就更可能决定计算发生在哪里。

05 反方观点 / 风险

我可能高估了这份预测对AI infra决策的指示性。

首先，3,789艾字节和44%都是2035年的预测值，时间跨度接近十年。技术路径一变，流量结构就可能完全不同：端侧小模型可能减少云端请求；更高效的compression与稀疏MoE可能压低每单位任务的数据量；agent也可能从多步调用收敛为更少、更稳定的执行链。

其次，agentic AI流量增长160倍，不代表agent收入或模型provider利润增长160倍。任务可能被平台内部消化，也可能因模型效率提升而用更少inference完成。若新增流量主要来自低价值的遥测或重复数据同步，其infra价值会远低于叙事。

更关键的是，AI流量未必比传统流量更“贵”。GPU计算、KV cache驻留和数据库状态更新，可能比骨干网络传输更稀缺。诺基亚的视角天然偏网络设备，可能看见的是bytes，却低估compute与memory hierarchy的约束。

我没在诺基亚内部跑过这份模型，也没有看到其完整预测假设，因此不能确认agentic AI与physical AI的定义是否与API调用量可直接对应。这点我可能误判。

所以，诺基亚真正值得验证的不是“2035年会增长160倍”这个数字，而是三个可跟踪指标：AI流量占比是否持续上升，agentic workload是否从demo进入生产，以及单位AI任务带来的毛利能否覆盖增长后的inference与网络成本。

只有第三个条件成立，流量拐点才会成为产业拐点。否则，它更可能只是cloud厂商最愿意讲的故事。