当5G-A“UPF外挂MEC”将机器人搬箱子的端到端时延压缩至55ms——视频编解码20ms、上行传输15ms、模型推理20ms——边缘计算似乎为具身智能的算力瓶颈找到了解决方案。但当信道质量下降时，无线资源调度与计算资源调度各为其政的“松耦合”架构，让端到端QoAIS保障成为一道未解的难题。这份白皮书以实测数据为锚点，清晰标定了5G-A边缘计算的能力边界与6G通算原生融合的演进方向。
5G-A边缘计算赋能具身智能的技术架构
“UPF外挂MEC”——当前的主流技术路线
当前5G-A网络通过控制面与用户面分离架构，将用户面功能（UPF）下沉至网络边缘，实现用户面与边缘计算平台的近端融合部署，即“UPF外挂MEC”架构。在这一架构下，机器人终端产生的多模态传感数据经由基站直接分流至边缘UPF，再由UPF本地卸载至MEC平台进行大模型推理与决策，无需绕经核心网，可以有效降低端到端时延。
相比终端本地计算或云计算，这一架构的核心优势在于：弥补终端算力不足（将大算力任务卸载至边缘）、缓解终端续航压力（降低本地计算负载）、降低终端成本（减少对高算力芯片的依赖）。
搬箱子场景的端到端时延实测
测试拓扑与业务模型
测试面向机器人搬箱子场景，对运营商“边缘小脑”控制下的端到端业务时延进行实测。双目摄像头采集视频数据，控制模块采集机器人的关节位置、角度、速度等姿态状态数据，通过5G终端模组和5G-A网络上传至MEC服务器。MEC服务器上预先部署了Action Chunking with Transformers（ACT）模型——一种基于Transformer架构的低成本、高精度VLA模型，通过模仿学习从人类示范中直接学习，使低成本硬件能够执行精细操作。ACT以机器人的双目视频数据和姿态状态数据为输入，输出机械臂下一步的动作决策，通过5G-A网络反馈给机器人终端。
实测结果：端到端55ms
视频编解码时延实测：在512×256分辨率、20fps、RGB三通道条件下，原始视频速率约62Mbps，CPU压缩后降至6.25Mbps，编解码时延约20ms，上行传输时延约15ms。边缘侧模型推理时延实测：ACT模型以双目视频数据和姿态状态数据为输入（约191Bytes数据量），在NVIDIA RTX4090上推理时延约20ms。下行控制指令数据量仅几KB，传输时延可忽略。综上，端到端时延约55ms，基本满足搬箱子任务的时延需求（≤100ms）。
5G-A边缘计算的局限——通算“松耦合”的三大短板
短板一：无线资源与计算资源缺乏协同调度
当前“网络传输”和“边缘计算”分属不同的管理系统，无线资源和计算资源之间缺乏相互感知与协同。空口时隙与计算容器调度周期之间尚未实现深度对齐。当信道质量下降时，网络无法主动调整计算资源配置来补偿传输时延损失。
短板二：QoAIS确定性保障机制缺失
面向具身智能差异化任务（实时目标追踪vs自然语言问答）的QoAIS确定性保障机制尚不成熟。不同任务对时延、准确度、可靠性的需求差异巨大，但当前网络无法根据应用需求动态调配通信与计算资源。
短板三：动态环境下的鲁棒性不足
当无线环境波动导致传输质量下降时，由于缺少无线资源调度和计算资源调度的实时置换机制，难以满足动态环境下的QoAIS保障。快速移动场景中，信道条件的快速变化使得静态的资源分配策略迅速失效。
从5G-A“松耦合”到6G“原生融合”的演进方向
6G通算原生融合的核心目标是：在5G-A的基础上，进一步具备通信与计算功能的灵活按需编排、算力与无线资源的融合调度能力。在信道环境感知的基础上，支持网内通信、计算、AI模型资源的协同调度和实时置换，通过“以算补通”（无线环境波动时增强边缘计算能力弥补传输时延）和“以通补算”（算力紧张时优化传输策略减轻计算负载），实现端到端QoAIS需求的确定性保障。
