AI與通信

毫無疑問，AI是目前最受關注的前沿科技，也是最熱門的研究方向。經過幾十年的探索和發展，AI在圖像識別、語言識別、智能控制等領域取得了重大突破。現在，越來越多的行業都開始研究AI，擁抱AI，希望借助AI，給自己賦能。通信行業也不例外。

這些年，包括設備商和運營商在內的很多通信企業，都加大了對AI的研究投入，希望能探索出“通信+AI”的未來場景，搶占先機。尤其是運營商，對AI簡直是“望眼欲穿”。

通信行業為什么需要AI？

通信行業對AI的迫切需求，是由網絡發展的現狀和未來決定的。

經過2/3/4G的發展，我們現在所面對的通信網絡，是一個空前復雜的異構多域網絡。各種技術混雜其中，網絡架構臃腫，業務流程繁瑣，給維護帶來了巨大的壓力。

如今，我們又要面臨5G的到來。

5G，作為新一代移動通信標準，帶來了網絡性能和靈活性的大幅提升。但是，它同樣也帶來了網絡復雜程度的進一步提升。

在空口方面，5G使用了更高的頻段，更靈活的空口資源劃分方式，而且引入了Massive MIMO天線陣列技術。波束賦形如何有效控制，空口效率如何優化提升，給工程師們出了難題。

圖1：Massive MIMO天線陣列

在網絡架構方面，因為SBA（微服務）、NFV/SDN和切片技術的引入，網絡變得靈活是沒錯，可是，維護的難度也變得更大了。虛擬機、切片資源的管理調度，網絡參數的修改調整，都是非常繁瑣的工作，風險也很大。

圖2：5G網絡架構

5G帶來的這些變化，如果繼續采用傳統的運維方式，繼續依賴人工，肯定無以為繼。

通信運營商，作為網絡經營的主體，一方面要承擔高昂的網絡運營成本，另一方面還要投資建設5G，資金壓力更大，面臨發展拐點。

因此，必須借助AI，構建新的通信網絡經營模式。

甚至，我們的網絡要進化到更高級的形態——智能自治網絡，才能應對挑戰。

通信行業適合AI生長嗎？

通信行業對于AI來說，是一塊肥沃的土壤。

AI的四大要素（數據、算力、算法、場景），通信全部可以提供完美的支持。數據

數據，是AI之源。我們說人工智能，機器學習、深度學習，學的是什么？就是數據。

換句話說，數據就是喂養AI的飼料。數據越多，AI越強。什么行業數據多？當然是IT和通信啊。我們的通信網絡，幾百萬設備，幾十億手機終端，將來還有幾百億物聯網終端，每天都在產生大量的數據。這些數據里面，既有用戶的數據，也有網絡自身的管理和運營數據。數據格式比較統一，顆粒度也比較小，非常適合作為學習樣本。

而且，我們通信網絡本身就具有連接屬性，可以很方便地將數據進行搬運采集。

算力

這個就更不用說了。運營商本身就有大量的數據中心（DC），有大量的云計算資源。這些資源，可以為AI提供強大的算力支撐。

除了云計算中心，未來還有大量的邊緣計算中心，也能夠提供靈活的算力。

哪怕是手機這樣的用戶終端設備，現在也擁有相當強的AI算力。

算法

通信行業在AI算法開發上也是有先天優勢的。

通信網絡的很多場景都有極強的規律性，也有很多現成的工作模型。這些都可以為AI算法模型提供參考依據。

哪些通信場景，可以使用AI？

前面說了數據、算力和算法。接下來，我們重點說說場景。

所謂場景，就是要搞明白——AI到底能幫助5G和傳統通信做哪些事情？

國內外各大標準組織對AI在通信領域的落地場景，都有各自不同的定義。

表1是ETSI ENI定義的場景：

表1

表2是GSMA的定義：

表2

整理后，大致包括以下幾個類別：

無線網絡優化

告警分析

流量預測

網絡切片管理

網絡能耗控制

網絡安全防護

我們分別來介紹一下。

無線網絡優化

移動通信網絡的網絡優化，直接影響到用戶的網絡體驗，一直是運營商的工作重點。

說白了，如何用最少的錢，讓大家擁有最好的信號，是運營商每天絞盡腦汁在做的事情。無線網絡的優化和固定網絡有很大的不同。電磁波在空間中傳播，存在很多的不確定性。無線場景復雜多樣，外部干擾千奇百怪，信道變化隨機性強。為了做好網絡優化，運營商不得不投入大量的資金和人力，聘用或租賃人數眾多的網優工程師，專門從事信號質量測試以及調參等網優工作。

采用AI的話，可以借助算力，在海量的網優數據中抽取隱含的關聯特征和規則，然后建立算法模型，優化參數調整策略，提高網絡資源利用率以及網絡容量。

圖3：設備商展示的AI無線網絡優化方案

AI不僅可以用于已建成網絡的質量優化，在網絡早期規劃建設階段，就可以引入AI，幫助提升規劃的合理性，降低后期成本。

圖4：目前，AI算法主要應用在多維智能分析和智能價值評估兩個流程中。智能規劃全流程（《智能自治網絡案例報告》，GSMA）

值得一提的是，無線網絡優化確實是比較復雜的場景，有時候甚至人類都難以辨別和歸類。所以，早期階段的傳統AI算法，建模準確率低，效果并不理想。

后來，隨著時間的推移，AI算法不斷改進和優化，才慢慢變得成熟和可靠。

由此可見，通信領域的AI算法，也是一個不斷打磨的過程。告警分析和故障處理

未來的網絡，雖然拓撲結構復雜，但一定是端到端網元全程可視的。

也就是說，整張網絡，所有網元，都會呈現在管理維護者的面前。同時，所有的告警數據、KPI關鍵指標異常，也都是可視化的。巨大的信息量，僅靠簡單規則過濾或人工識別，是非常困難的。真正有價值的信息，會被淹沒在海量數據中，遭到忽視，給網絡運行帶來隱患。引入AI，可以基于現有相對成熟的規則庫和經驗建立更智能更精準的算法，幫助進行更有效的告警過濾。

圖5：告警根因分析處理流程（《智能自治網絡案例報告》，GSMA）

AI智能告警分析還有一個很大的優勢，就是可以跨網元、跨地域、跨廠商進行關聯告警分析，提升故障判斷的準確率。

舉個例子，傳統方式下，當某項業務或功能異常，A設備的工程師會發現告警，然后進行基本排查。如果找不到原因，會通知對B設備的工程師排查。如果還未發現原因，再通知和業務關聯的C甚至D設備的工程師排查。

AI處理告警信息是聯動的。它通過對各個設備告警信息的統一分析，根據之前學習的結果，直接就判斷出最有可能的Top3原因。

這樣一來，故障處理的效率就會大幅提升。

圖6

未來真正的自治網絡，不僅能夠自主發現故障，更可以實現故障自愈。

也就是說，發現故障或異常后，AI在很短的時間內就可以進行類似VM（虛擬機）自動隔離，備份資源接管等操作，第一時間實現業務恢復，無需人為干預。

流量智能預測

通信業務流量趨勢，具有非常明顯的時間特點。每天不同時間、不同地點的業務量負荷，都有潛在的規律。

例如學校，就有很強的潮汐效應，白天宿舍區域流量小，教學區域流量大，晚上恰好相反。除了平時之外，法定節假日期間的用戶流量趨勢，也有明顯的特征。引入AI，對流量進行精準預測，可以幫助運營商提前對基站和承載網資源進行動態調整（擴容/縮容）。自治網絡下，AI可以自己完成調整動作。根據算法做出的預測，實際還是源于數據。一方面是當前實時的高顆粒度數據，另一方面，是往期的歷史數據。

AI可以根據這些數據，通過機器學習算法，學習出流量在時間和空間上的內在規律，從而得出預測結果，指導資源調整。

網絡切片管理

網絡切片，是5G帶來的一個重要概念。

簡單來說，它就是在物理網絡上，劃分出多個邏輯網絡，實現不同的服務質量等級。

網絡切片雖然好，但也帶來了部署和維護的工作量。

AI可以使用歷史流量數據進行訓練學習，從而預測各種場景下的資源需求，最終生成切片策略并下發。

在切片運行的過程中，AI同樣可以根據實時運行得到的數據，對模型和策略進行優化，讓它們更加完美。

引入AI，可以快速完成切片業務的部署，減少上線時間。在用戶業務關閉后，第一時間釋放切片以及對應的資源。網絡能耗控制

5G網絡的能耗一直都是一個大問題。在未來的網絡運營過程中，雖然可以通過液冷等被動方式控制能耗，但更主要的手段，應該是動態調整功率輸出的方式進行主動能耗控制。

這個和前文所說的AI性能動態調整場景有很大的關聯。根據AI流量預測，調整資源分配，設備輸出功率也隨之變化，從而達到最佳效率，不浪費。

網絡安全防護

目前通信網絡面臨前所未有的安全威脅。病毒、惡意攻擊、敲詐勒索每天都在發生，而且數量激增。

病毒的演變越來越快，攻擊類型也越來越復雜。傳統的防御，是以特征匹配的方式進行攻擊識別，在識別成功率和效率方面越來越吃力。即使是專家進行人工分析，也很難保證準確率。此外，萬物互聯時代，物聯網爆發，網絡會變得更加龐大復雜，被動防御的工作量和難度也會大幅增加。未來，安全防御逐漸從被動防御走向主動防御，從輔助安全走向內生安全。這些都離不開AI的幫助和支持。AI通過對網絡流量、終端行為、內容載荷以及系統日志等信息進行深度分析學習，識別異常行為、惡意代碼和風險操作，并建立更靈活的模型，可以挖掘出隱藏更深的威脅。此外，AI對垃圾短信防控、網絡合規掃描也有巨大的幫助。

AI落地，有哪些挑戰和困難？

前面吹了半天AI落地的好處，現在我們來看看AI落地的困難。

AI那么強，是不是我們現在就能拿起來用呢？

當然不是。

AI的落地應用，對運營商和設備商來說，難度很大。這個難度，不僅是資金和技術方面的，更是人才和文化方面的。

資金我們就不多說了，現在干什么都離不開錢。我們先說說技術。

前面我們說的AI四大要素，從技術層面來講，算力目前有專門的解決方案提供商，問題不太大。更多的問題，是集中在數據和算法上。

數據是發展AI的前提。沒有高質量的數據，在此基礎上建立的算法模型就沒有準確率可言。

目前數據最大的問題，是不夠“干凈”。

對于不同的運營商，或者同一運營商的不同省市公司，數據的采集和存儲缺乏統一的標準，也沒有進行規范要求。這就容易導致數據的缺失和失真。

為了讓數據能夠被AI消化，運營商需要花費大量的精力對數據進行規整和清洗。這無形中增加AI落地的難度和成本。

此外，數據也不是想用就可以用的。

現在世界各國法規對用戶數據的使用有越來越嚴格的要求，即使是運營商，也不能隨便采集和使用用戶的數據，必須符合合規的要求。

運營商握有數據，搞AI還比較方便。設備商就比較尷尬了，他們是沒有數據的。

運營商那邊不提供數據，設備商這邊的研發和建模就沒辦法進行。運營商如果給設備商提供數據，也必須進行脫敏。

再來看看人才。

任何技術的研究都離不開人才，AI也一樣。

傳統運營商和設備商，懂通信不懂AI。而AI企業，懂AI不懂通信。如此一來，既懂通信又懂AI的人才，就顯得非常寶貴。

尤其是運營商這邊，作為AI落地的主要戰場，AI人才缺口更大。就算AI解決方案提供出來，基層沒有AI工程師去駕馭，顯然也是不行的。

除了人才之外，還有制度和文化。

AI不是一項獨立的技術，它需要整個運維工作流程和管理制度做出調整、配合，才能發揮威力。

各個崗位的員工，是否愿意接納AI，是否有AI意識，也是AI能夠成功落地的關鍵。

總而言之，AI不是一日建成的。整個通信行業的各個環節，都需要持續投入大量的時間、金錢、人力，去培養和孵化它。

“通信+AI”的未來

根據研究機構Tractica/Ovum的報告，電信行業中，AI應用帶來的年收入，將從2016年的3.157億美元，增長至2025年的113億美元。年復合增長率將達到48.8%。同時，報告還預測，到2025年，全球電信行業對人工智能軟硬件和服務的投資將達到367億美元。另一家咨詢機構Analysis Mason的調研報告也聲稱，80%的運營商預期在2025年之前實現40%以上的網絡運營自動化，其中約有三分之一的運營商預期網絡自動化將達到80%以上。通信+AI，是大勢所趨。目前，國內三大運營商和主流設備商都在AI方面有很大的投入，也有了可喜的成果。

中國移動的九天人工智能平臺、中國電信的CTNet2025 2.0，中國聯通的智立方CUBE-NET2.0+，都是針對AI的生態平臺。他們希望通過平臺賦能，吸引更多開發者使用他們的AI引擎，從而形成生態。

運營商的重點在于平臺和生態，而設備商的重點在于場景化的解決方案。

前面我們介紹的場景，設備商都處于積極的開發階段。算法模型在不斷的打磨中，逐漸從低級走向高級。算法的效率，也在顯著的提升。

按照目前的發展態勢，待到5G成熟之日，也是AI全面落地開花之時。

最后分享下AI對通信工程師職業發展的影響。

毫無疑問，通信網絡往智能化方向發展的趨勢是無法阻擋的，AI對部分人工崗位的取代也是無法避免的。

我們現在還不能確定AI的發展速度到底能有多快，也不知道具體什么時候才能真正威脅到我們的飯碗。但是，提前規劃，早做準備，是不會錯的。

還是那句老話，越是低級的、重復的、機械化的工作，越有可能被AI取代。

如前文所說，通信人，先想辦法成為通信+AI的復合型人才。

既然AI要替我們來管理和維護網絡，那么，我們干脆讓自己成為管理AI的人。畢竟，再好的AI，也必須在人類的管理之下工作。

通信工程師可以努力學習AI知識，成為一名AI專家，利用自身的網絡運維經驗，將通信專業知識和AI技能進行深度融合，可以設計出更好的AI模型算法，也能夠幫助AI進行更有效率的訓練優化。

總而言之，與其抗拒和排斥AI，不如積極擁抱AI，擁抱變化。能夠適應變化的人，才能在變革浪潮到來之時，屹立潮頭永不倒。
責任編輯:pj