信号一：AI数据中心升级把需求传导到1.6T光互联链条
现有材料显示，在数据中心长距离传输场景下，光目前是唯一可选介质。这意味着，只要AI集群继续扩张、跨机柜和跨区域互联需求继续增加，光模块就会随网络架构升级而被动增加。材料同时指出，在英伟达网络架构下，光模块与GPU配比约为6:1；随着GPU架构从Blackwell切换到Rubin、通信速率提升至1.6T，今年1.6T光模块存在快速放量预期，市场可能接近10倍增长。
这一点之所以重要，在于它提供了“云侧集群扩张—光互联升级”的中间传导变量。就现有证据边界看，材料没有提供云厂商财报、资本开支指引或项目级新增订单，因此不能把这条线直接表述为云厂商CAPEX已被上修；但可以确认的是，AI数据中心升级正在同时推动互联数量增加和速率代际升级。需求不只来自端口数扩张，也来自1.6T这一更高速率的切换预期。
对产业链的影响主要集中在高速光模块、光芯片和光纤。材料还指出，AI数据中心对光纤需求约为传统数据中心的10倍，而供给扩产较慢。由此可见，若1.6T放量预期逐步兑现，压力不会只停留在模块端，也可能向上游光纤和光芯片传导。
不确定性也很明确。现有证据支持的是“快速放量预期”和需求映射，并未给出实际出货、价格或客户结构验证；1.6T放量节奏仍取决于系统切换进度和新一代AI集群部署速度。下一步更有验证意义的信号，是1.6T光模块是否出现实际出货验证，以及上游光纤、光芯片供需是否进一步趋紧。
信号二：大模型训练推动算力网络从单点数据中心转向分布式集群
材料显示，随着大模型参数规模不断增长，训练需求已经从“千卡级”跨越至“十万卡级”，超大规模智算平台成为重要基础设施。截至2025年底，中国智能算力规模已经超过1590EFLOPS，并建成42个万卡级智算集群。对应到通信网络侧，材料明确指出，传统单点式数据中心架构已经无法满足AI时代需求，算力体系开始向大规模、分布式集群演进。
这一变化的重要性在于，网络在AI时代承担的角色正在变化。单点数据中心时代，网络更多承担接入和传输功能；分布式集群时代，网络需要承接跨区域算力调度、集群协同和更复杂的数据交互。材料中同时提到，“云网算安”正在加速融合，行业正从“传统云网”迈向“AI原生云网”阶段，其核心特征之一是以AI作为网络“大脑”，实现资源调度、智能运维和自动化运营。
从产业链角度看，受影响的环节不止数据中心互联硬件，还包括云网资源编排、算力调度、确定性承载和智能运维平台。对运营商而言，这一演进直接抬升了传输网、云网资源和算力网络的基础设施价值。材料还给出了商业模式方向：产业正从“流量经营”走向“Token经营”，运营商则从“连接管道”走向“智能服务提供者”。这说明行业试图把连接之外的算力、模型调用和智能服务纳入新的价值体系。
但现有证据也只支持方向判断，不支持收入兑现判断。材料证明了算力网络重要性上升，也证明了运营商商业模式正在尝试变化，但并未证明统一成熟的收费体系已经形成，也未给出大规模收入落地的数据。后续更有意义的验证信号，是运营商与云厂商、AI平台提供商和IT公司的合作，是否开始对应到明确商用项目和收入贡献。
信号三：网络云化与自动化在推进，但更接近中期底座演进
现有材料显示，Broadcom支持电信运营商采用横向网络云，并支持其推进网络自动化，且明确包括基于GitOps的自动化实施。就证据边界而言，这只能说明方案定位覆盖网络云架构采用与自动化实施两个层面，不能直接推导为行业范围内的资本开支上行，也不能外推为短期业绩弹性已经形成。
这一信号的现实意义，在于它对应了分布式算力网络和云网融合所需的底层能力。若网络功能继续云化、资源继续共享、运维继续自动化，那么传统按单一网元垂直建设的方式会逐步被更通用的云化底座替代。GitOps自动化所反映的，也是在网络配置与运维流程中引入更标准化、可持续交付的方法。
从受影响环节看，这条线主要关联运营商云平台、网络自动化平台以及云网一体化交付能力。它与前两条信号的关系是：前端是AI集群扩张和分布式算力网络，后端则需要更高效的资源编排和持续运维能力。也就是说，网络云化和自动化不是独立主题，而是承接更复杂AI基础设施的配套条件。
不确定性同样明显。材料没有给出部署时间、案例或量化成效，因此不能把横向网络云或GitOps自动化写成已被行业普遍验证的结果。下一步更有验证意义的信号，是这类平台能力是否开始对应到更明确的运营效率改善，或支撑更清晰的新业务承载场景。
信号四：AI与RAN共享基础设施仍偏中期方向，短期重点仍是PoC推进
与网络底座演进相关的另一条证据来自AI-RAN和共享基础设施。Red Hat判断，运营商将逐步走向AI与RAN共用基础设施，相关概念验证将在本十年剩余时间内加速推进，早于6G商业化。另有论文摘要指出，AI-RAN融合为网络运营商利用现有基础设施实现AI变现提供了机会；同一论文还指出，网络边缘的数据密集型AI应用正在推动RAN设计目标从“使用AI优化网络”转向“承载分布式AI工作负载”。
这组材料的重要性在于，它们把无线接入网的角色从“通信网络”进一步推向“AI工作负载承载平台”。如果这一方向成立，那么AI-RAN的意义就不仅是利用AI做网络优化，还包括在共享基础设施上统一编排通信与AI负载，并为运营商引入新的变现路径。对产业链而言，涉及的是RAN架构、边缘平台、统一编排和共享资源管理等环节。
但短期边界也必须保持克制。另一份材料明确指出，移动行业仍在等待5G SA、API、AI-RAN以及更远期的6G升级周期。这说明AI-RAN和共享基础设施虽然方向明确，但距离行业范围内的大规模部署仍有距离。现阶段更适合把它理解为中期网络架构演进，而不是当下已经形成普遍兑现的短期催化。
因此，这一信号对当前研判的意义主要在于校准节奏：AI-RAN提供的是未来网络与AI融合的结构性方向，但短期更应把重点放在PoC推进、共享基础设施验证和运营商是否具备统一编排能力，而不是提前把远期叙事折算为近端订单。
信号五：云厂商CAPEX：现阶段只能做间接链条解读
如果把以上几条信号放在一起，能够看到一条相对清晰的链条，但这条链条仍然是间接证据，而不是预算确认。现有材料没有给出云厂商财报、资本开支指引或项目级新增订单，因此不能直接确认“云厂商CAPEX上修”或“新一轮集中开支已经落地”。
能够确认的，是三类已经出现的基础设施信号。第一，AI数据中心升级正在把高速光互联推向1.6T，且需求同时受数量增长和代际升级驱动。第二，大模型训练正在推动算力组织方式从单点数据中心转向大规模分布式集群，这使网络、算力调度和云网协同的重要性上升。第三，运营商和相关技术提供方正在围绕横向网络云、自动化、AI与RAN共享基础设施等方向推进底座演进，并尝试把AI从内部效率工具延伸到商业化能力。
材料还显示，运营商正在从内部AI用例转向更关注收入创造，其中45%的运营商将AI变现视为战略优先事项；与超大规模云厂商、AI平台提供商和IT公司的合作，则被用于缩短上市时间、缓释资本风险并实现差异化服务交付。这个信息的含义不是收入已经兑现，而是商业模式正在变化：在AI基础设施持续演进的同时，运营商并不一定完全依赖单独重资产投入，也可能更多通过合作方式参与价值分配。
因此，围绕“云厂商CAPEX”的更稳妥表述应当是：当前证据支持产业链需求方向和中间变量变化，但不支持直接确认预算扩张。对通信行业而言，更容易被验证的观察点仍然是高速光模块是否出现实际出货验证、分布式集群建设是否持续推进、运营商与外部伙伴的合作是否落到商用项目，以及AI与RAN共享基础设施是否从概念验证逐步走向更明确部署。
参考来源
- https://stock.10jqka.com.cn/20260612/c677411083.shtml
- https://www.huxiu.com/article/4870891.html
- https://www.analysysmason.com/research/content/perspectives/broadcom-vmware-telco-cloud-rma16/
- https://www.rcrwireless.com/20260717/carriers/red-hat-outlines-ai-ran
- https://www.rcrwireless.com/20260715/network-infrastructure/telco-diary-ericsson-holds-the-line
- https://www.gsma.com/solutions-and-impact/connectivity-for-good/mobile-economy/mena/
- http://arxiv.org/abs/2507.06911v2