5G已經照進現實。但5G時代，不斷增長的移動網絡復雜性，讓運營商面臨著前所未有的挑戰。具體挑戰是：

第一，2G/3G/4G/5G四世同堂，網絡管理復雜度非人力所能及。

第二，以Massive MIMO為代表的新技術應用給網絡性能提升帶來不小挑戰。

第三，多業務并行，做好多業務的管理挑戰大。

就這些挑戰，很多運營商呼吁借助當前越來越成熟的人工智能（AI）解決。其解決的過程，就會要求運營商必須打造一個運維管理效率極優、性能極好、業務敏捷的移動網絡，讓網絡走向“自動駕駛”。

在AI時代，自動駕駛足以徹底改變我們的交通出行方式，足以和此前汽車、飛機的普及相提并論。而5G+AI，也將實現網絡的自動駕駛，創造劃時代的意義：運營商成功解決上述挑戰，降低運營成本OPEX，快速發展新業務，讓更多企業與消費者受益。

但是，自動駕駛的汽車落地不容易，被分為多個階段逐步實現，自動駕駛的移動網絡也是，需要分成5個級別。那么，運營商到底應該如何逐步實現移動網絡的自動駕駛？尤其是現在5G商用前夜，運營商應該做哪些準備？

運營商呼喚自動駕駛的移動網絡

據第三方咨詢公司調查顯示，全球超過80%的運營商認為，網絡的自動化是減少運營成本OPEX的關鍵。因此，他們希望到2025年，網絡的自動化駕駛水平超過60%。AI技術被認為是實現網絡自動駕駛的關鍵。

對運營商工程師而言，運營運維一張網絡還可以，運營幾張網絡就壓力很大，但倘若2G/3G/4G/5G網絡四世同堂，那壓力就不只是“大”可以形容。網絡管理復雜非人力所能及。這種挑戰不止體現在費用方面，更是體現在人才的培養上。

從技術角度，我們看到現在全球運營商都在大量部署Massive MIMO、異構組網等新技術與架構，但這些技術架構給網絡潛能的挖掘帶來巨大挑戰。比如Massive MIMO技術，雖然能夠很好的應對毫米波的信號衰減導致的接收天線接收到的信號功率減少問題。但是由于多天線陣列的大部分發射能量聚集在一個非常窄的區域，系統必須用非常復雜的算法來找到用戶的準確位置，否則就不能精準地將波束對準這個用戶。這也是非人力手工就能解決的問題。

從業務角度看，5G的到來擴展了移動網絡業務，除了語音、話音和流量業務，運營商還將要支撐面向教育、工業、交通等不同領域的業務，多業務并行發生，網絡模式估計要“切來切去”（基于切片技術）。可以預見，多業務網絡的用戶體驗管理也變得更為復雜。

這些挑戰將帶給運營商巨大運營和成本壓力。因此，全球運營商有識之士，都紛紛提出引入AI技術實現自動駕駛的移動網絡。

移動網絡應用AI有優勢，也有挑戰

過去，運營商要實現自動駕駛移動網絡很難，因為AI還不成熟。今天，AI技術進入成熟增長期，將開啟第四次工業革命。因為這幾年，諸多企業在發力AI。其中，華為在今年10月份發布了AI戰略及全棧全場景解決方案。

其實，作為深耕電信市場的華為，很早就感受到運營商面臨的上述移動網絡挑戰和壓力。因此，華為積極布局，投入資金和人力，試圖將AI引入到移動網絡中。

華為常務董事汪濤在最近的全球移動寬帶論壇上就提出華為的目標：力求打造一個運維管理效率極優、性能極好、業務敏捷的移動網絡，讓網絡走向“自動駕駛”。

在汪濤看來，移動網絡在應用AI方面有其自身優勢。

首先，AI離不開有效的數據獲取，移動網絡結構化數據占比高；

其次，AI離不開算力，而基站本身的算力強，以一個1萬站規模的網絡為例，全網的基站算力可與8000臺高性能計算服務器相媲美；

最后，AI發展要有人才。移動網絡30年的專家經驗，也為網絡應用智能化提供有力保障與支撐。

當然，在移動網絡應用AI，運營商也要充分考慮移動網絡獨特的特點：

首先數據具有強時效性，

其次站點分布式結構，

另外還要考慮移動性帶來的場景多樣性。

值得一提的是，移動網絡的自動駕駛，也是要分階段的。自動駕駛分別為五個階段，對比看，“自動駕駛”網絡也可以分為五個階段。

根據汪濤的介紹，自動駕駛網絡從“解放雙手”到“解放雙眼”，再到“無人駕駛”，這一過程可以分為L1-L5 。5個等級分別是L1輔助運維，L2部分自治網絡，L3有條件自治網絡，L4高度自治網絡，L5完全自治網絡，其中L5是電信網絡發展的終極目標。

“自動駕駛”移動網絡如何建？

明確場景是實施網絡自動駕駛的關鍵。運營商在細分場景后，借助AI技術來逐步分級別實現自動駕駛。在從L1到L5的進程中，AI的作用不斷加大。比如L2級別，自適應的自動化取代了基于規則的自動化，多個工作流可以被有效串接；再比如L3級別，利用AI準確的識別各種場景，進行根因分析，為自動決策提供依據。

業界針對自動駕駛汽車定義了3層，包括Sensor、分析+控制，以及云平臺。與汽車逐步實現自動駕駛一樣，“自動駕駛”移動網絡的架構可分三層。

第一層，設備層面的智能芯片+Telemetry將面向網絡和業務級應用以分為的真實數據實時上報是基礎，本地智能分析找出網絡風險并給出優化建議。

第二層，通過自動化系統來進行本地優化閉環來實現網絡自治。

第三層，云端平臺將數據匯聚后進一步訓練提煉更精準的算法并推送到本地系統，達到更優的網絡自治效果。

對于移動網絡自動駕駛架構，汪濤認為，必須考慮移動網絡自身的獨特特點，從站點、網絡和云端三個層面構筑移動網絡的智能化能力。

首先，站點層面主要聚焦場景匹配、數據收集與提煉，以及低時延智能算法等能力的構筑，進行實時的數據分析與短時延的智能推斷。

汪濤介紹到，站點AI主要為網絡提供兩個重要能力，一方面，數據提煉，站點產生的海量數據提煉為有用的樣本數據。另一方面，嵌入式的AI框架支持在CPU、DSP或未來的AI芯片上進行實時的AI算法推斷。

其次，網絡層面通過采集移動網絡全域的數據和狀態，進行數據分析和推理，識別各種網絡場景，對未發生的情況進行預測預防，對已經發生的情況進行根因分析，最終給出決策，對網絡進行智能的控制。

再次，汪濤強調到，想要實現無線網絡的自動化，兩個轉變是關鍵，即從以網元為中心的運維轉變為以場景為中心的運維，以及單純的網絡管理到管理控制融合，從而獲得預測、智能識別等能力，實現移動網絡自動化管理和控制。

最后，云端層面落實智能模型和訓練能力，實現新一代智能服務。未來，華為全球化的網絡自動化管理經驗將為運營商提供AI模型開發與訓練服務，持續開發新AI服務和升級AI模型服務，提供在線的AaaS（AIas a Service）。

產業鏈正在如何助運營商？

對構建“自動駕駛”的移動網絡，華為面向整個電信網絡提出了“自動駕駛”SoftCOM AI 總體架構，移動網絡“自動駕駛”是總架構中一部分。

實現移動網絡自動化，華為憑什么？在筆者看來，華為服務于全球400多家電信運營商，有150多張電信網絡的運維經驗，有30年的深厚積累，有一支深度理解電信網絡的專家隊伍。這支專家團隊是華為實現移動網絡“自動駕駛”的核心競爭力之一。

據介紹，未來華為圍繞網絡規劃、網絡部署、網絡維護優化和業務發放四大工作場景，分步驟地構建“自動駕駛”的移動網絡。“華為將以更高效率、更優性能、更敏捷業務為目標，堅持把復雜留給自己，把簡單留給客戶，在5G時代實現移動網絡全場景自動化。”談及華為的目標，汪濤如此表示。

當然，移動網絡自動駕駛不是一蹴而就，要分場景、分級逐步釋放自動化價值。由于自動駕駛網絡不是單個產品的創新，而是系統架構和商業模式的創新，因此我們看到華為在呼吁：全產業要共同定義清晰的標準、牽引技術創新并指導落地。

一個好消息是，在近期全球移動寬帶論壇期間，華為發布了《自動駕駛移動網絡》白皮書，闡述將從基站部署、網絡節能等7個子場景開始實施網絡自動化。與此同時，該白皮書首次公布了面向網絡自動化需要構建的5大關鍵能力（POBSI模型）：可編排（Programmable）、在線化(Online)、流程橋接(Bridging)、可感知(Sensibility)、智能(Intelligence)。

隨著研究的推進，華為將持續刷新應用場景并對外公布研究成果。在筆者看來，借助該白皮書，運營商與產業伙伴可以參考與匹配，結合現實痛點分場景的推動網絡自動化，逐步解決網絡復雜性帶來的OPEX問題。

CASE1：AI助力VoLTE部署

全球已有50%的網絡開通了VoLTE，為用戶提供高清語音，一些運營商也在積極行動中。

VoLTE相關的參數設計超過60個，且對于覆蓋質量要求更高，對于弱覆蓋非常敏感，VoLTE的E2E組網中節點數也多，對于問題定位帶來很大的難度。AI技術可以大大提升VoLTE的設計部署、網絡優化、故障定位的效率，使復雜的工作簡單化、自動化。

在初始規劃階段，運營商利用聚類算法，可以對多頻組網場景、多特性互操作場景進行識別和匯聚，自動匹配生成VoLTE初始參數策略配置。在運營階段，系統實施監控和分析網絡覆蓋質量，發現弱覆蓋區域，利用梯度下降決策樹算法（GBDT）進行RF參數的自動尋優，找到最佳參數值組合，解決弱覆蓋問題。在故障定位過程中，系統通過根因分析（RCA）找到影響語音質量的問題，利用Q-learning（強化學習的一種算法）給出問題修復建議。

可見，通過AI和數據分析技術，可以大幅提升VoLTE業務運行維護的效率和準確性，為高質量的語音業務提供保障。

CASE2：AI助力Massive MIMO建設

眾所周知，Massive MIMO是5G網絡中最重要的解決方案，為Massive MIMO帶來智能是5G自治網絡的基礎。MM波束成形為網絡帶來了靈活性，但也是管理的復雜性。華為正在計劃關鍵工作場景中的智能MM解決方案，嘗試利用AI和MM波束成形特性來達到過去不可能實現的自治網絡。

據悉，華為推出的Smart Massive MIMO解決方案將提供最強大的傳感器功能，包括天線GPS信息，這種邊緣智能將在第一時間實現全自動站點配置。設備測量信息將用于增強傳統的駕駛測試，大數據將實現準確的傳播模型，覆蓋預測模型和網絡流量模型訓練，這將是自動網絡規劃，覆蓋調整和節能的推動者。中性網絡推理能力將建立在站點處理器中，這使得MM波束成形模式推斷的時間小于0.1毫秒，這為自動性能優化奠定了基礎。