Agentic AI 正在重塑全球网络基础设施

一个典型的 AI 代理工作流程可能包括：

• 不断向 AI 模型发送推理请求
• 从多个 API 与云服务拉取数据
• 在不同服务之间交换 token 和中间结果
• 触发链式工作流，调用更多模型或工具

由于这些持续交互的行为，思科估计，在相似的任务场景下，AI代理产生的网络流量可能比人类高约450%。

另一个重要差异是流量方向。传统互联网使用通常是 下载占主导（例如视频流或网页加载），而 AI 工作流程则更偏向 持续的双向通信：提示词、数据与中间结果不断上传到模型，再返回生成结果。

真正推动流量增长的是 AI 推理

公众讨论 AI 基础设施时，往往聚焦于训练大型模型。但从网络角度看，真正的流量来源是 AI 推理（inference）。

推理指的是使用已训练模型执行实时任务，例如回答问题、生成内容或分析数据。思科表示，其研究基于 服务提供商网络中实际测量到的推理流量，显示这些实时工作负载是 WAN 需求增长的主要驱动力。

报告估计，仅推理流量就可能使网络增长 比没有 Agentic AI 的预测高出约63%。

到2035年，AI可能占全球流量四分之一

如果 Agentic AI 的采用趋势符合思科预测，未来十年其网络影响将显著扩大。

主要预测包括：

• 到2035年，AI推理可能占全球网络流量约25%。
• 最大的增长窗口预计在 2029年至2032年，企业部署 AI 代理的速度将显著加快。

这意味着网络负载模式将发生变化：从用户偶尔查询模型产生的流量峰值，转变为 全天候持续运行的AI工作负载。

企业网络流量为何可能增长9倍

思科还对企业网络需求进行了建模。

在没有 Agentic AI 的情况下，从2026到2035年，企业网络流量预计大约增长 2.5倍，主要来自云计算、SaaS和数字化转型。

但如果 AI 代理被广泛采用，同一时期企业流量可能达到 当前水平的约9倍。

原因在于：一个人类任务往往会触发 多个自动化交互——AI代理不断访问数据、调用模型并与服务之间通信，从而放大网络活动规模。

AI 流量如何改变网络行为

思科强调，AI 并不是简单地增加流量，而是改变流量特性。

与传统 Web 或 SaaS 流量相比，AI 工作负载通常具有以下特点：

• 更动态： AI代理会触发分布式任务与突发请求
• 更依赖低延迟： 推理延迟会直接影响应用体验
• 更强双向通信： 上行流量明显增加
• 更复杂： 工作流程常跨越多云、API 与多个推理端点

这使得基于传统用户行为的网络容量规划变得不再可靠。

面向 AI 的新型网络架构需求

由于 AI 推理路径会直接影响应用质量，思科认为这些路径应被视为 关键基础设施，而不是普通网络流量。

未来网络架构可能需要关注几个关键能力：

AI感知的流量工程

推理流量可能需要优先路径、延迟保证以及动态路由，以维持稳定性能。

分布式计算与边缘部署

将推理基础设施部署在更接近用户或数据的位置，可以减少延迟并缓解 WAN 拥塞。

实时可观测性（Observability）

AI 工作负载变化快速且复杂，需要 端到端实时可视化能力 来提前发现拥塞或性能下降。

更强的网络韧性

思科研究指出，网络故障已经给企业带来巨大成本，常见原因包括拥塞、网络攻击或配置错误，而 AI 工作负载将进一步提高网络可靠性的要求。

总结

思科的 WAN 研究表明，Agentic AI 带来的变化远不只是带宽需求增长。它引入的是 持续运行、以推理为核心的网络负载，其流量模式与传统互联网应用明显不同。

如果预测成立，未来十年的网络将需要同时支持：

• 频繁运行的 AI 代理
• 大规模实时推理流量
• 更对称且更低延迟的通信模式

这意味着网络设计将逐渐围绕 AI感知架构 展开——包括更高容量、分布式计算、先进遥测技术，以及专门针对推理流量的服务质量（QoS）机制。

需要注意的是，这些预测主要基于思科当前的测量数据和模型推演。Agentic AI 的普及速度以及企业实际部署规模，仍将决定未来网络流量增长的真实幅度。