今天的互联网，准备好迎接下一波人工智能浪潮了吗？-中国教育和科研计算机网CERNET

资讯

校园信息化

技术

资源与应用

产品与装备

信息服务

首页 > 教育信息化 > 资　　讯 > 热点关注

今天的互联网，准备好迎接下一波人工智能浪潮了吗？

2026-06-26 ISOC

　　近日，国际互联网协会（Internet Society， ISOC）连续举办两场以“全球互联网基础设施是否已为AI做好准备？”为主题的热点议题研讨会。会议邀请来自互联网交换中心（IXP）、内容分发网络（CDN）、运营商及研究机构的代表，就当前AI浪潮下，互联网基础设施面临的压力和挑战展开讨论。

　　研讨会的主要结论是：当前尚未看到AI流量压垮互联网的明确迹象，但AI训练、推理和智能体应用，正在改变压力来源。这场讨论的关键，不是简单追问“AI 会不会压垮互联网”，而是要看清AI技术及大规模应用提出的新需求：训练需要集中算力，推理需要实时服务，智能体则会把一次请求扩展为持续多轮、有状态的任务流，使问题进一步复杂化。

背景：大模型时代AI应用的新需求

　　AI训练、推理和智能体应用产生的不是同一种模式的流量，而是三种迥异的工作负载，对互联网基础设施提出了不同要求。

　　AI训练（AI Training）：特点是计算集中，通常发生在少数大型数据中心或训练集群中。它较少直接压迫公共互联网，但会通过电力选址、专用光纤和数据中心互联重塑网络版图。

　　AI推理（AI Inference）：推理已经从模型训练之后的附属环节，变成基础设施规划中的核心需求。推理面向每一次用户请求，用户体验要求低时延；它的矛盾在于，服务体验希望“就近”，但模型规模、GPU和电力需求又使推理服务高度集中，同时模型输出高度个性化，难以像视频那样缓存复用。

　　AI智能体（Agentic AI）：2026年OpenClaw、Claude Code、Codex等应用的爆火，体现出一个趋势：AI正从一次性问答，走向能够调用工具、连接本地或企业环境、持续完成任务的智能体形态。它把大模型推理的问题进一步复杂化，网络承载的不是一次大模型推理请求，而是更长会话、更频繁API调用、更依赖跨区域链路的任务流。

　　因此，AI技术和应用的发展对互联网而言，并不只是多了一些“新流量”，而是带来一系列新的网络需求。研讨会的出发点正是在此：互联网最初建立，是在取代公共交换电话网（PSTN）的基础之上，传统互联网交换节点和对等节点并未面向指数级扩展需求设计，但现在必须承载面向AI推理和智能体应用的新特征。

　　近期一项对AI用户的统计估算表明，到2026年，生成式AI使用者约占全球总人口的16%，其中深度使用AI服务（如代码智能体）的用户不足1%。这提示了一个潜在趋势：当下AI的大规模应用仍处在早期，随着用户基数继续扩大，互联网将面对AI时代新的扩展压力。在这种背景下，与会者讨论的核心问题是：当前互联网基础设施的架构与容量，是否足以支撑AI技术的爆发式增长？

总体判断

　　综合来看，与会代表的基本判断是：短期看，当前互联网尚未出现被AI流量压垮的明确迹象，AI相关流量规模仍远低于视频等主导型应用。真正需要警惕的，不是一个马上到来的“互联网崩溃”时刻，而是AI正在改变互联网基础设施承压的方式。

　　中期看，AI带来的测量、规划和协同投资需求，正在变得更加紧迫。会议中反复提到，AI推理和智能体是最大的不确定性来源，尤其涉及时延敏感性、流量模式和经济激励；同时，AI平台大量隐藏在CDN和私有骨干网之后，也使公共互联网侧更难准确观察真实变化。

　　长期看，随着 AI 应用加速普及，互联网长期以来的设计原则——“本地连接、去中心化、互联网交换点”——仍是应当保留的重要优势，但AI也可能强化算力、云平台和私有骨干网的集中化趋势。由此带来的挑战不仅是网络容量问题，也包括开放互联、竞争环境、发展中国家基础设施能力和数字鸿沟风险。

第一次会议主题：基础设施容量、时延与扩展压力

　　在4月28日召开的会议上，参会各方在多个问题上达成共识，核心观点包括：

　　（1）AI训练与AI推理对网络存在差异化需求。AI训练业务负载高度依赖电力和数据中心互联（DCI），流量往往绕开公共互联网；而AI推理负载，也就是对AI系统发起的服务调用请求，则对低时延有严格要求，需采用接近终端用户的本地化传输路径。

　　（2）流量本地化仍是互联网扩展的核心支撑机制。参会的互联网交换中心、CDN厂商和科研领域人员指出，依托边缘节点部署、互联网交换中心互通和本地路由调度，实现流量本地承载，长期以来支撑了互联网规模的持续扩张，未来也很可能继续对AI推理起到关键支撑作用。

　　（3）大规模的资本投入不可避免。与会者一致认为，无论流量承载于公共互联网还是私有网络，AI规模落地都将要求在电力基础设施、光纤线路、光传输设备、路由设备以及机房设施等方面追加巨额新增投资。

　　（4）网络运营侧的AI可见性依然有限。运营商指出，大多数AI业务流量在网络二、三层难以区分，因此很难把AI流量与视频业务、机器人业务或一般互联网应用的流量隔离开来。

　　（5）电力供给是亟待解决的制约因素。电网容量、漫长的规划周期、项目审批许可流程是短期的突出瓶颈，它们对AI部署的限制，可能不亚于网络带宽资源，甚至影响更为严重。

　　此外，与会者也在部分观点上出现了分歧。

　　其一，如果不进行大规模架构重构并加快投资，大规模AI推理和未来AI智能体应用产生的海量流量，是否会压垮现有互联网架构？部分参会人员根据当下流量发展趋势，对该观点提出了质疑。

　　其二，针对“公共互联网是否会在某个明确的期限内崩溃”这一论断，多数与会者认为仅是主观推测，缺乏实际数据支持。

　　其三，关于调整BGP本地优先级、改变结算对等规则、重构路由激励机制等相关提议，因过于激进并未获得广泛认同。

　　其四，AI生成视频是否会成为新一代主流流量来源？这一观点也引发了争论；争议的焦点在于，AI生成的视频究竟属于新增的流量，还是仅仅替代了原有视频业务流量？

第二次会议主题：测量挑战、架构选择与全球影响

　　5月4日的讨论重点转向测量挑战、架构设计和全球影响。与会者形成的主要共识包括：

　　首先，目前尚未观测到明显的AI流量爆发。多位与会者结合网络实际运营情况和网络测量数据指出，和视频以及其他主流互联网应用相比，当前 AI 产生的流量占比依旧很低。

　　其次，AI平台大多隐藏在CDN和企业私有骨干网之后，公网侧感知有限。用户访问大语言模型这类 AI 服务基本都走 CDN 网络，而模型训练与内部推理产生的流量，则大多在私有网络中，外界基本不可见。

　　第三，AI带来的短期影响主要集中在应用层面。AI最直接的改变是用户使用互联网的方式（比如 AI 智能体逐步替代浏览器），而不会在短期内给物理网络设施带来巨大负载压力。

　　第四，全球发展中经济体群体面临的算力中心化风险值得关注。AI算力资源高度集中在少数地区、少数服务商手中，如果不通过配套政策、基础设施投资等加以平衡，现有的数字鸿沟会进一步扩大。

　　第五，AI群体与网络行业存在认知脱节。与会者普遍认为：AI开发者通常默认网络带宽无限、延迟极低；但网络工程师又无法精准掌握各类新型AI业务的流量负载特征，缺少可落地的参考依据。

　　出现分歧的观点聚焦以下几个方面。

　　其一，现有尽力而为（best effort）的网络是否适合AI？部分专家提出，某些AI场景可能需要确定性网络和原生安全机制，但是这些方案会对互联网的开放性带来怎样的影响，目前尚无定论。

　　其二，AI是否会驱动网内计算和去中心化？AI业务或许能推动算力下沉至网络内部、或是部署在离终端更近的位置，不过该方向目前大多还停留在实验阶段。

　　其三，未来，AI生成视频流量的规模和属性是什么样的？与前一场讨论一样，与会者对于AI生成影音内容是否会大幅增加全网流量，持不同看法。

　　其四，AI是否会导致互联网架构碎片化？部分专家对部分国家或地区可能会搭建专为 AI 优化、不具备开放性的网络体系表达了担忧，而这或将破坏全球网络互通能力。

　　与会者普遍认为，国际互联网协会未来应重点聚焦以下角色：加强全球互联网运行监测与数据分析，推动AI与网络领域的跨界协同，维护开放、全球互联的互联网架构，推动发展中国家基础设施能力建设，并在AI网络标准与治理层面进一步强化多方协调。

开放问题

　　研讨会列出的后续开放性问题，可以概括为三条主线。

　　第一，如何测量。互联网及行业各界应优先关注哪些先行观测指标，例如互联网交换中心数据、CDN 运营报表、机器人访问行为、网络时延分布等，以此识别由 AI 业务引发的实质性流量变化。

　　第二，如何扩展。观察AI推理发展至何种阶段，才会成为网络架构设计与资本投入决策的核心关键驱动因素。AI业务负载，会在多大程度上绕行公共互联网，是否暴露出现有路由激励和互联经济模型的结构性局限，会对互联网开放性、行业市场竞争以及行业长期可持续发展带来哪些影响。

　　第三，如何治理。如何避免AI驱动的算力和网络集中化，导致全球发展中经济体和服务不足地区的数字鸿沟加剧。若要维护全球多方利益协同参与的互联网治理模式，应以何种平台或机制，讨论新型确定性网络、原生安全机制等新技术标准。

　　注：讨论中引用的数据来源包括Cloudflare Radar的报告（机器人流量趋势与应用构成）、Kentik的网络可见性与流量分析，以及SIGCOMM研讨会、IETF的Agent-to-Agent邮件列表等学术与标准讨论。AI用户估算来自社区（https://global-ai-adoption.netlify.app/）

　　来源：ISOC

　　特别声明：本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。