今年的世界移动通信大会（MWC25）在巴塞罗那成功举办，在5G-A、6G和人工智能（AI）等前沿技术的光环下，边缘计算和边缘云正悄然成为本届大会的焦点。雷科技报道团队深入展会现场，带来第一手资讯，观察到这一重要趋势。
尽管中国移动带领的三大运营商、华为和中兴等国内通信巨头，以及国际厂商高通、联发科等，纷纷展示了激动人心的5G-A、6G及AI相关创新成果。但一个不容忽视的事实是，这些技术本身仅仅是“工具”，其真正的价值在于能否落地应用，解决实际问题。MWC25上，通信行业软硬件企业集体发力边缘计算技术，预示着这一领域正在成为新技术应用落地的关键推手。
边缘计算的崛起，离不开软硬件企业的积极布局，也预示着新型基础设施建设正加速推进。 中兴在MWC25上展示了其全栈智算基础设施，涵盖液冷数据中心、智算/通算服务器，以及高速无损交换设备，更值得关注的是其AiCube训练推理一体机，能够部署“满血版”DeepSeek大模型。AiCube以边缘数据中心的形式存在，兼具易部署性、数据私密性和灵活性，有效满足企业用户对分布式计算和数据安全的双重需求。这表明，边缘计算解决方案正朝着更集成、更易用的方向发展。
联想则凭借其强大的PC业务基础，在MWC25上推出了多款AI PC，同时发布了首款入门级AI推理服务器ThinkEdge SE100，旨在“重新定义AI的灵活性和效率”。与传统服务器相比，ThinkEdge SE100体积缩减85%，方便携带和部署，支持GPU，功耗仅为140W，即插即用。其低成本、抗震防尘设计，大大降低了部署门槛，尤其适合小型企业。ThinkEdge SE100支持混合云部署和机器学习，将计算、存储、网络等服务下沉到边缘节点，为用户提供接近本地化的云服务，并实现分布式计算，无疑将提升资源利用率。
虽然广和通面向普通消费者的知名度稍逊，但这家企业的实力同样不容小觑。 广和通在MWC25大会上发布了全矩阵AI模组及解决方案“星云”系列，算力覆盖1T-50T，支持运行通义千问、DeepSeek等主流大模型。尽管受限于成本和体积等因素，单纯的端侧AI难以完美运行参数量庞大的模型，但边缘计算的引入，能够有效缓解多人同时使用端侧AI时算力资源不足的问题，为企业用户提供更流畅的使用体验。
目前，边缘计算设备市场份额虽持续增长，但尚未真正迎来爆发式增长。 行业普遍认为，即将普及的5G-A技术以及已启动标准化进程的6G，将为边缘计算的爆发提供关键动力。 联想预测，到2030年，边缘市场将保持近37%的增长速率。 未来，边缘计算可能以小规模数据中心或云节点的形式部署在网络边缘，而非局限于独立的边缘设备进行AI训练和推理，从而为周边用户和设备提供更强大的云服务，支持更多应用和大模型的部署和推理。
AI大模型正在深刻地改变各行各业，但如何高效、安全、低成本地部署和使用AI大模型仍然是横亘在企业面前的一大难题。云侧AI大模型存在数据泄露风险和较高的延迟。端侧AI虽能避免数据上传，但部署成本高昂，且不利于算力资源的合理分配。边缘计算则凭借其靠近数据源或用户的优势，具备低延迟、快速响应的特性，能够承担对实时性要求较高的任务，同时也更好地保障了用户的数据安全。其分布式架构的特点，也使其能够更高效地利用资源，保证系统整体的稳定性。
边缘云是云计算能力向网络边缘的延伸，通过与中心云和物联网的协同，构成“云边端”三位一体的架构。 在保持边缘计算低延迟、快速响应特性的同时，边缘云还能够实现数据本地化、分布式计算，并提供极高的自由度。 边缘云本质上是一个集存储、网络、平台服务于一体的小型数据中心，有望在工业自动化、交通、智慧城市、自动驾驶等领域发挥重要作用。 当然，边缘云在处理海量数据时，对数据传输网络提出了更高的要求，而5G-A和6G等高速网络技术，则为其提供了坚实的基础保障。
在MWC25大会上，高通发布了支持5G-A的X85基带和第四代骁龙平台，并与IBM合作，将企业级生成式AI从云端扩展至边缘。 通过结合5G-A和AI技术，二者旨在为企业用户提供更强大的边缘计算解决方案。 联发科则认为，通过混合计算将设备云演变为边缘云，是6G时代的关键组成部分。 中国移动则通过引入上下行三载波聚合方案，显著提升了5G-A的传输速率和系统容量，并利用AI技术对数据传输进行智能感知和调控。 在5G-A技术的支持下，边缘计算将为边缘云提供本地化数据处理的核心技术支撑，而边缘云则通过云计算资源的整合，不断拓展边缘计算能力的边界，从而形成更强大的解决方案。
对于广大企业而言，部署靠近节点的边缘云能够显著提高数据交互和AI推理的效率，并保障信息安全。 在智慧城市、工业自动化、自动驾驶等对响应速度要求异常苛刻的应用场景中，边缘云无疑比传统云计算更具优势。 此外，AI大模型的开源也将加速边缘云的普及。 例如，DeepSeek-R1模型允许免费商用，企业无需支付巨额授权费用，还可以利用自身数据进行特定训练，从而提高模型的专业性。 这些大模型的出现，无疑将进一步降低中小型企业部署端侧AI、边缘计算和边缘云的成本，加速边缘计算的落地应用。
