通信人工智能的下一個十年

歐陽曄，王立磊，楊愛東，馬利克·薩哈，大衛·貝蘭格 ，高同慶，韋樂平，張亞勤

（1. 亞信科技（中國）有限公司，北京 100193；2. 美國威瑞森電信公司，美國 紐約 10036；3. 美國電話電報公司，美國 得克薩斯 達拉斯75202；4. 美國斯蒂文斯理工學院，美國 新澤西 霍博肯 07030；5. 中國移動通信集團公司，北京 100032；6. 中國電信集團公司，北京 100033；7. 清華大學，北京100084）

1 移動通信與人工智能

移動通信技術的商用發展已經歷了37年的歲月。從1983年10月貝爾實驗室與摩托羅拉大規模商用第一代模擬語音通信技術AMPS（advanced mobile phone system）作為發展原點，到1991年世界主流的2G技術GSM（global system for mobile communication）實現全數字化語音，以及演進到2001年的第三代UMTS（universal mobile telecommunications system）通信技術支持語音與移動數據業務，到2008年至今全球大規模商用的4G技術LTE支持全IP（all internet protocol）化的高清語音與高速移動數據業務，最終發展到2018年開始5G技術逐漸在全世界范圍商用[1]。這30余年，在移動通信5個代際的發展歷程中，移動通信實現了從模擬到數字、從語音到語音與數據業務并重、從電路交換到IP化、從封閉通信生態系統到賦能垂直行業的技術與生態發展演進。在移動通信發展的早期，尤其是從1G到3G發展的初期階段，移動通信網絡與業務的生態體系還在不斷地進行完整性構建。直到4G生態系統基本實現了網絡系統全IP化、支持語音與數據業務，并開始向垂直行業賦能的嘗試后，業界開始提出移動通信網絡自動化與智能化的需求與發展理念。隨著移動通信網絡變得日益復雜化以及通信業務生態變得日益多樣化，通信網絡基礎設施和業務系統需要面對諸多復雜場景，例如無法用仿真模型模擬的極其復雜的無線環境、指數級的IP交換與路由控制選擇、主動性的網絡支撐與業務保障、“一客一策”與“一刻一策”的網絡個性化服務等，遠超傳統的人工規則預定義與執行的處理與管理能力，因此當前的通信系統中需要有一套自動化、智能化的體系和手段保障網絡與業務的運行與發展。

自2001年3G商用到2020年5G的廣泛商用，在這20年中，移動互聯網與數據業務得到蓬勃發展，通信生態系統中產生海量的大數據，為人工智能（artificial intelligence，AI）在通信領域的發展和應用提供了天然的、高質量的數據源。2006年Hinton等[2]提出深度學習，標志著人工智能發展的第三次浪潮的興起。傳統機器學習中的監督學習、非監督學習、增強學習以及人工智能中的神經網絡以深度學習的形式在通信領域各種場景中都有所應用。通過在IEEE Explore數據庫中查找通信人工智能領域的學術成果，用“Artificial Intelligence” “Machine Learning”“Deep Learning”等關鍵詞搜索的學術論文，從2006年至今的15年的學術論文數量是2006年之前15年的6.42倍。由此可見，自2006年開始的第三次發展浪潮，人工智能與移動通信行業的融合應用進入了一個飛速發展的階段。

通用目的技術（general purpose technology，GPT）通常指那些可以對全球或者國家經濟體產生影響的技術。GPT有希望通過影響既有經濟和社會結構顯著地改變社會[3-5]。經濟學家Richard Lipsey和Kenneth Carlaw早在2005年就把人工智能等24種技術定義為通用目的技術[6]。從2018年至今，各國政府與學術組織逐漸開始將5G視為新一代的通用目的技術[6-10]。通用目的技術的顯著特征在于對各種行業具有技術擴散性與賦能，并為垂直行業的研發與創新提振了生產力[4]。5G與人工智能很明顯具備這樣的特征，因此，5G與人工智能普遍被各國和工業界視為21世紀最新的一組通用目的技術被采納。

自從2018年5G逐漸商用以來，有不少參考文獻[1,11-12]以調研或者實證研究的形式探索人工智能在5G的應用，大多以AI從5G物理層、MAC（medium access control）層、網絡層、應用層的應用案例做綜述，或以某一研究問題做仿真或者數據分析進行田野實驗或者實證研究。然而，目前業界仍然缺乏并需要從5G以及B5G（beyond 5G）生態系統發展的角度，對移動通信和人工智能技術的融合發展做整體的綜述和前瞻性的展望。筆者希望將5G與人工智能技術作為一組通用目的技術的融合應用發展作為主線，對人工智能在當前5G國際技術標準、5G網絡與業務生態系統的“注智”與“融智”做系統性綜述，并對未來10年移動通信與人工智能技術的融合演進做前瞻性論述。

2 移動通信與人工智能的發展路線

移動通信技術與人工智能在各自的早期階段有著鮮明的、各自獨立的發展路線。移動通信技術從2G到5G的發展，工業界基本以3GPP（The 3rd Generation Partnership Project）作為事實技術標準的一條主線進行演進，以ETSI（European Telecommunications Standards Institute）、ITU（International Telecommunication Union）、 O-RAN（Open RAN Alliance）等其他技術標準作為旁線補充。從2008年，以自組織網絡（self-organizing network，SON）技術作為一個顯著標志，3GPP開始逐漸將人工智能理念引入移動通信網絡的技術標準。

2.1 人工智能的歷史發展路線

人工智能技術的雛形最早出現在1956年，美國達特茅斯會議上提出了“人工智能”一詞[13]，同年Arthur Samuel提出了機器學習理論，如圖1所示。20世紀70年代中期，以仿生學為基礎的研究學派逐漸火熱，專家系統、神經網絡等技術獲得了高速發展[14]。此后，人們開始嘗試研究具有通用性的人工智能程序，卻遇到嚴重的阻礙，陷入停滯而進入發展的“寒冬”期[15]。1997年，“深藍”的成功讓人工智能的發展又提上日程。隨著算力的增加以及互聯網普及帶來的海量數據，人工智能的瓶頸被打破，為基于大數據的深度學習與增強學習提供了發展的可能。21世紀初期，人工智能技術的發展從“感知”走向“認知”，特別在語音處理、本文分析、視頻處理等深度學習技術方面取得重要進展。 2012年，Hinton發表了一個設計精巧的卷積網絡AlexNet[16]，在傳統的卷積網絡中加入了ReLU、Dropout處理方法，并將網絡結構拓展到更大規模，極大降低了圖像識別的錯誤率。自然語言處理（natural language processing，NLP）技術在2013年取得了重大進展，Hinton使用了RNN（recurrent neural network）做語音識別的工作，圖靈獎獲得者Yoshua Bengio在同一年提出了一種基于神經網絡的語言模型word2vec用于文本分析，兩種技術識別效果相比傳統方法顯著提高。2014年誕生的生成對抗網絡（generative adversarial network，GAN）技術受到學術界、工業界的格外關注[17]，最新的GAN算法在圖像生成領域的逼真效果已經達到人眼難以分辨的程度。深度強化學習模型DQN（deep Q-network）于2015年發表在Nature上，標志著強化學習與深度學習的里程碑[18]。2016年，結合了深度神經網絡、強化學習、蒙特卡洛樹搜索樹的AlphaGo由谷歌DeepMind開發成功，并成功戰勝多名圍棋冠軍。2018年年底，谷歌發布一種雙向語言模型——BERT（bidirectional encoder representations from transformers）[19]，這打開了深度學習在 NLP 應用的“潘多拉魔盒”，在業界引起了極大的關注和廣泛的應用，成為NLP技術發展的一個重要階段。2020年，Open-AI在GPT（generative pre-trained transformer）體系下，開發出擁有1 750億參數量的預訓練模型GPT-3，成為目前NLP領域最強的通用語言模型，在翻譯、問答、文本填空等應用任務中表現出接近人類的能力[20]。近5年，數據隱私安全逐漸引起了全球的重視[21]，“數據孤島”效應成為阻礙大數據融合和人工智能發展的“絆腳石”，為了重建行業數據生態，2017年年底，“聯邦學習”技術由谷歌率先提出[22]，以一種分布式加密機器學習的思想打破“數據孤島”僵局。2018年，為了滿足工業數據聯合需求，微眾銀行提出了一種工業級的聯邦學習框架——FATE，實現了工業聯邦學習的新范式。2020年年底，工業聯邦學習國際標準IEEE P3652.1發布，標志著行業“融智生態聯盟”正式落地開啟。

2.2 通信人工智能的歷史發展路線

受算法、算力、需求等方面的影響，早期的移動通信系統（例如AMPS、GSM等）未涉及人工智能應用。但基于數據模型和仿真的分析方法已經用于網絡規劃與優化。1968年，Yoshihisa Okumura提出Okumura模型，基于實測數據對真實的無線信道進行數據建模與仿真，可以看作移動通信系統早期應用數據科學算法的雛形[23]。1980年，Masaharu Hata提出Hata模型，對Okumura模型進行優化[24]。

圖1中，1999年3GPP正式把COST Walfish-Ikegami等信道模型納入3G射頻系統場景的規范中[25]。后期，隨著無線蜂窩技術的發展，涌現出更多的無線信道建模與仿真算法[26-28]。

3GPP于2008年開始定義SON功能[29-30]，隨后通信界開始探索各種人工智能算法對SON的應用。初期主要利用遺傳算法、進化算法、多目標優化算法等分布式優化算法對網絡的覆蓋和容量進行優化[31-32]。機器學習已被SON領域廣為接納用于網絡實現自組織、自配置、自優化、自治愈的關鍵方法[33]。然而，通信人工智能真正的飛躍性發展始于2017年。

2017年2月，3GPP 服務和系統第二工作組（Service & System Aspects Working Group 2，SA2）開始研究5G核心網的智能化網元——網絡數據分析功能（network data analytics function，NWDAF）[34]，例如用戶設備（user equipment，UE）級的移動性管理，如尋呼增強和基于UE 移動性模式預測的連接管理增強等； 5G 服務質量（quality of service，QoS）增強，如用戶QoS 參數配置優化；網絡負載優化，如基于網絡性能預測的用戶面功能（user plane function，UPF）選擇等。同月，歐洲電信標準化協會（ETSI）成立了經驗式網絡智能（Experiential Network Intelligence，ENI）工作組，專門研究體驗式感知網絡管理架構、用例、術語等[35]。2017年6月，中國通信標準化協會（China Communications Standards Association，CCSA）啟動了人工智能在電信網絡中的應用課題研究[36]。2018年2月，開放無線接入網絡聯盟（Open Radio Access Network Alliance，O-RAN Alliance）成立，開始制定無線人工智能的框架、用例、流程和接口規范[37]。2018年6月，3GPP 無線接入網第三工作組（Radio Access Network Working Group 3，RAN3）開始研究無線側的數據采集機制[38]。電信管理論壇（Telecom Management Forum，TMF）也開始了與人工智能相關的催化劑工作。2018年8月，3GPP SA5開始與5G SON相關的課題研究[39]。2018年10月，3GPP SA5開始對人工智能的研究，定義了一個新的管理面功能：管理數據分析功能（management data analytic function ，MDAF）[40]。2019年6月，國際電信聯盟電信標準化部門第13研究組（ITU Telecommunication Standardization Sector Study Group 13，ITU-T SG13）啟動了機器學習用例的研究[41]。同月，全球移動通信系統協會（Global System for Mobile Communications Association，GSMA）開始了智能自治網絡案例的白皮書工作[42]。2020年6月，3GPP SA5開始啟動網絡自動化分級的研究課題[43]。同月，中國移動聯合亞信科技首次在3GPP R17標準中正式引入聯邦學習概念，形成聯邦學習在5G領域的第一個全球國際標準[44]。2020年7月，3GPP R16正式凍結之后，3GPP RAN3、SA2、SA5針對新的R17版本將繼續推進與人工智能相關的NWDAF、MDAF、QoE（quality of experience）等標準化課題研究。

3 通信人工智能的發展

通信的本質，在于通過各種通信技術（例如移動通信、衛星通信、固定網絡通信等）將信號中封裝的信息從出發點傳到目的地。衡量通信質量的標準是信息從發送端到接收端是否可以精確、完美地復現。人工智能，相對于由人和動物表現的自然智能，使計算機或機器能模擬人類思維與認知，例如“學習”與“解決問題”的能力，同時去感知環境，并采取相應的行動，以概率最大化的期望成功實現預設的目標[45-46]。通信與信號處理系統基于精密的數學模型進行構建。而人工智能中的深度學習使人工智能從數據中吸收知識并做出決策，無須進行明確的數學建模與分析。如果過于精巧和優雅的數學假設，通信系統在現實應用中容易脫離實際。而人工智能或深度學習如果應用于通信系統，其過于黑盒化的學習過程，又容易使得通信與信息模型的構建缺乏物理意義。好在通信系統的一個典型特征是層級自治并通過標準化定義的接口實現互聯互通形成完整的系統。例如信號處理系統的發射機和接收機可分解成為不同處理單元，負責各自的功能，例如信號編解碼，信道編解碼，調制、解調、除噪等，非常類似今天IT系統中的微服務概念。盡管這種系統架構不是全局最優，但其優點在于將各子系統進行獨立分析和優化，從而形成整體穩定的系統。現代移動通信系統經過30多年的發展，效率和性能已經非常優秀，已逼近香農極限。區別于傳統的分層自治方式，如果利用人工智能、深度學習將通信系統考慮為一個整體模型進行分析與優化，有可能將通信系統智能化的發展推向一個新的階段。本節將介紹人工智能在通信生態系統里各個領域的發展和應用，以及通信國際標準組織對當前通信人工智能發展定義的分級體系。

3.1 通信人工智能在移動網絡基礎設施領域的發展

人工智能在通信網絡基礎設施的發展，從無線接入網、核心網、傳輸網、終端4個方面進行闡述。

（1）無線接入網

無線接入網的物理載體是基站。5G基站分為中央單元（central unit，CU）和分布式單元（distributed unit，DU），類似傳統的基帶單元（base band unit，BBU），通過光纖與有源天線單元（active antenna unit，AAU）連接。AAU包含傳統的射頻拉遠單元（remote radio unit，RRU）和天線功能，即有源射頻部分與無源天線整合為一體。人工智能面向無線接入網中的CU、DU、AAU，目前在物理層、MAC層、網絡層都有所應用[12]。

其中，在物理層與數據鏈路層，典型的AI應用包括利用深度學習或強化學習算法評估與預測信道質量、OFDM（orthogonal frequency division multiplexing）符號在接收端的檢測、信道編解碼、動態頻譜隨機接入等功能。其中信道質量評估利用例如DNN（deep neural network）算法對有限導頻信號做分析，幫助大規模MIMO系統推測出完整、準確的信道狀態信息（channel state information，CSI）。OFDM符號在接收端的檢測通常依賴于接收器利用最大似然估計進行評估，但該方法對CSI誤差和模型本身的準確性非常敏感。因此參考文獻[47-48]嘗試了DNN算法，結果表明超越了傳統的MIMO符號檢測方法。5G信道編解碼中，數據信道使用LDPC（low-density parity-check）碼，控制信道使用Polar碼。其中Polar碼需要耗費多重的迭代收斂后到達優化性能，而LDPC碼在大塊Block或者噪音惡劣情況下解碼的復雜度較高。因此各種基于CNN、DNN以及強化學習的解碼算法[49-52]，呈現優秀的性能、質量以及較小的計算代價。動態頻譜隨機接入領域以后也可以嘗試基于強化學習的DSA 策略（learning-based random access and dynamic spectrum access）保證大規模終端的動態頻譜接入。

面向無線接入網的應用層，3GPP定義了SON的標準體系[29-30,53-61]，旨在實現無線網絡的自配置、自優化、自治愈。3GPP雖然沒有指定或建議任何統計或者數據科學算法，但建議了一系列智能化的SON應用場景：網絡覆蓋與性能優化（coverage and capacity optimization，CCO）、節能管理（energy saving management，ESM）、天線角度遠程控制（remote control of electrical tilting antennas，RET）、干擾減輕（interference reduction，IR）、小區ID自動配置（automated configuration of physical cell identity，ACPCI）、移動性穩健性/切換優化（mobility robustness/handover optimization，MRO/MHO）、移動性負載均衡（mobility load balancing，MLB）、隨機接入優化（RACH optimization）、鄰區關系自動化（automatic neighbor relation，ANR）、跨小區干擾優化（inter-cell interference coordination，ICIC ）、隨機接入信道優化（random access channel optimization，RACO）、負載均衡優化（load balancing optimization）、自治愈（self-healing functions）、小區停服檢測及補救（cell outage detection & compensation）以及路測最小化（minimization of drive-tests，MDT）等。從2008年第一個3GPP SON標準至今，業界的科學家們[62-79]嘗試了多種數據科學算法，旨在利用人工智能方法來實現上述多個SON的應用場景。SON在3G到5G時代發展的12年整體發展得較為平淡。通信標準制訂者的美好愿望在于通過SON，把自動化、智能化的基因注入移動通信網絡架構本身，無論通過分布式部署SON（distributed-SON，D-SON）、集中式部署SON（centralized-SON，C-SON），還是混合部署SON（hybrid-SON，H-SON）的方式。傳統通信設備商更希望SON變成自己網絡基礎設施緊耦合的一部分，因此傳統設備商的SON大多支持自身DE 無線網絡設備。通信運營商更希望在自己的無線接入網中部署一套廠商中立、技術中立的智能化SON系統。新興的SON 初創公司愿意與通信運營商站在一起致力于發展網絡中立的SON技術，但又苦于無線設備廠商在功能接口、數據接口設置的封閉性和非標準性，在商業化進程中很難實現3GPP SON的愿景。產業界比較標志性的事件是美國Cisco（思科）在2013年2月以4.75億美元收購了以色列的Intucell，后者當時是一家專注于SON的電信軟件明星公司。經過7年的慘淡發展，Cisco在2020年6月僅以當時收購價的10%，即5 000萬美元賣給了印度的HCL。世界排名第一的電信軟件公司Amdocs在2013年11月以1.29億美元收購了美國的SON初創公司Celcite，但在隨后美國排名前二的移動運營商Verizon和AT&T的SON商用進程中，也沒有取得預期的商用市場份額。美國移動通信運營商在近5年也逐漸采取自研的模式在無線接入網的智能化領域進行嘗試，例如Verizon在2015年與Cisco和Ericsson（愛立信）聯合部署的SON系統逐漸被自有的V-SON系統所取代。

（2）核心網

人工智能在移動通信核心網領域的發展在5G時代取得了重大進展。3GPP SA2在2017年2月定義了網絡人工智能網元（NWDAF），這是移動通信從1G到5G以來第一次在核心網絡架構里定義、標準化，并要求部署網絡人工智能網元。NWDAF架構如圖2（a）所示，該網元旨在利用人工智能算法與通信技術協議相融合，對5G核心網絡的移動性管理、網絡服務質量（QoS）以及5G核心網其他網元（例如UPF等）進行智能化的管理、優化與提升網絡質量與體驗。目前，中美運營商正在對NWDAF在5G SA的商用進行功能測試。

相對于3GPP，O-RAN是另一條新興技術賽道。2018年開始O-RAN聯盟制定基于AI的無線智能控制器（AI-enabled RAN intelligent controller，RIC），并與核心網管理與編排（management& orchestration，MANO）功能緊耦合，因此筆者把RIC放在核心網部分闡述。RIC架構如圖 2（b）所示，RIC分為非實時Non-RT RIC（non-real time RIC）和準實時Near-RT RIC（near-real time RIC）。準實時RIC下沉在無線接入網側通過E2接口與CU/DU相連。準實時RIC的功能包括利用AI的能力進行無線資源管理、移動性管理、無線連接管理、切換管理以及無線QoS管理等。非實時RIC則定義在核心網MANO體系中，通過A1接口與準實時RIC連接。其主要功能在于基于AI的業務與策略管理，高層業務流程優化以及幫助準實時RIC離線訓練AI模型等。O-RAN的RIC目前還正在標準完善和早期試驗中。相對于3GPP NWDAF，O-RAN RIC離成熟商用還有較大差距。

圖2 NWDAF 和 RIC架構

（3）傳輸網

傳輸網是通信網絡的基礎，負責在物理上連接各個網絡節點，將數據傳送到目的地。由于光通信具有大帶寬、穩定、損耗低等特點，目前主流的傳輸技術通過光網絡這樣的載體進行通信。光傳輸網絡的發展經歷了準同步數字傳輸體制（plesiochronous digital hierarchy，PDH）[80]、同步數字體制（synchronous digital hierarchy，SDH）[81]、多業務傳送平臺（multi-service transport platform，MSTP）[82]、波分多路復用（wavelength division mulplexing，WDM）[83]、自動交換光網絡（automatically switched optical network，ASON）[84]、光傳送網（optical transport network，OTN）[85]技術的發展和革新。為了實現網絡流量的靈活控制，更好地支持業務傳輸需要，近幾年業界又開始探索將SDN引入光網絡，實現軟件定義光網絡（software defined optical networking，SDON）[86]。SDON繼承了ASON動態恢復業務中斷的特點，但同時也致力于保障網絡容量和業務可靠性。另外，由于降低運營成本的需要，提供光網絡組網的自動化及智能化水平，光網絡需要與大數據、人工智能、云網融合等技術結合，實現光網絡的智能化管理。這也引入了認知光網絡（cognitive optical network，CON）的概念以及業界的探索[87]。按照歐盟資助的CHRON（cognitive heterogeneous reconfigurable optical network）的項目目標[88-89]，認知光網絡的核心是認知決策系統（cognition and decision system，CDS），負責管理傳輸要求和網絡事件。控制和管理系統（control and management system，CMS）負責控制和傳播相關指令，如圖3所示。目前，SDON/CON與人工智能的結合也出現了一些研究成果，例如預測故障、縮短恢復時間、改進光的信噪比等[90]。

圖3 認知光網絡的系統結構

另一方面，第4版互聯網協議（internet protocol version 4，IPv4）向第6版互聯網協議（internet protocol version 6，IPv6）的演進重點解決地址空間、網絡傳輸的QoS保障等諸多問題。為了滿足5G場景的需要，構建基于IPv6的智能IP網絡也是承載網的發展趨勢。如何實現靈活的網絡路由、保障承載網的網絡切片SLA（service level agreement）、確定性網絡傳輸，需要利用人工智能技術進行保障。例如，可基于人工智能技術對IP網絡的意圖進行識別和判斷，針對性保障網絡體驗。但總體而言，目前IPv6網絡和人工智能的結合還處于初始探索階段，業界希望可以利用人工智能技術對全網的運行狀態進行監測，及時發現網絡的問題和風險，智能化地識別網絡異常；可針對發現問題進行故障的根因定位并且產生相關的最優策略。為更好地實現智能化IP網絡，還需要引入分段路由IPv6、SRv6（segment routing IPv6）、隨流檢測等技術[91-92]，對網絡進行感知和靈活的路由配置，將IPv6技術升級到IPv6+。目前業界相關的研究還處于探索階段。

目前，云網邊端的資源分配和存儲算力資源使用相對獨立，例如在云服務器進行復雜的人工智能應用，在終端進行簡單、輕量化的人工智能應用。隨著SDN、IPv6、IPv6+等技術的發展，業界致力于實現算力網絡與IP網絡的融合、云網融合等全新的架構。目前，在這個過程中還存在許多技術難題，例如如何實現最優的路由、如何最優地分布算力、如何保障算力的服務質量，這需要借助人工智能等技術克服難題。目前相關研究還處于初級階段。

（4）終端

基于終端的人工智能包括終端和芯片的智能化。終端操作系統本身和應用層的App已有一些智能化應用發展，而筆者重點關注的基于終端的人工智能對于網絡基礎設施的賦能目前還在早期發展階段。比較典型應用是終端芯片采集的性能數據匯報給SON系統或者運維支撐系統（operation supporting system，OSS），利用這兩個部件的網絡人工智能分析引擎，進行無線網絡智能優化。在3GPP標準里，由3GPP SON中的最路測小化（MDT）體現。

總體上，人工智能在通信網絡基礎設施領域的發展在3G/4G時代較為平淡，而在5G時代實現了加速發展。隨著3GPP的NWDAF、ORAN的RIC和歐盟5G-MoNArch（5G Mobile Network Architecture）項目組的RAN-DAF（RAN data analytics function）[93]的逐漸成熟以及商用進展加快，人工智能將進一步深度融入5G及B5G的網絡架構，且以獨立網元和網絡功能實體的形式存在并長期演進。同時也看到人工智能的數學模型和移動通信領域知識還相對獨立，當前很多數學模型結果還缺乏在通信層面有物理意義的解釋，兩者需要進一步做深度融合增強人工智能在通信物理網絡應用上的可解釋性。傳統通信設備商也需打開數據接口黑盒，進一步開放與標準化數據接口，幫助運營商構建中立（vendor agnostic）的智能化網絡基礎設施。

3.2 通信人工智能在網絡管理領域的發展

人工智能在網絡管理領域的發展，從MDAF、ETSI、ENI引擎和OSS這3部分描述。

（1）MDAF

3GPP R16定義的MDAF以及服務對象如圖4（a）所示，3GPP SA5在R16開始定義網管智能化功能，例如MDAF通過進行數據分析，幫助管理系統設置合理的網絡拓撲參數進行網絡配置，保障服務質量。網絡根據MDAF提供的分析結果進行合理配置后，控制面和用戶面可做進一步參數調整，提高用戶體驗。對于OAM（operation administration and maintenance）管理系統，關鍵的步驟為業務需求分析提供什么信息給MDAF。例如網絡切片的通信服務管理功能（communication service management function，CSMF）將客戶的SLA翻譯成通信服務需求，利用MDAF的分析能力判斷此需求是否與現有的切片實例匹配，通過選擇最優的切片實例進行切片SLA保障[40]。

圖4 3GPP R16定義的MDAF以及服務對象[94]和3GPP R17定義的MDAF架構[94]

MDAF在管理面也可以為SON賦能，如圖4（a）所示。 MDAF利用采集的管理面和網絡數據，進行相關的分析，實現第3.1節中描述的各種SON功能。但是MDAF在R16的標準（例如接口、采集的數據信息定義、流程等定義）均不完善，較難在當前的5G網絡中應用及部署。針對R16的問題以及新場景，3GPP開始在R17對MDAF進行增強，除了完善R16的功能外，對覆蓋增強、資源優化、故障檢測、移動性管理、節能、尋呼性能管理、SON協作等場景也進行定義與完善[94]。R17中定義的MDAF與服務對象關系如圖 4（b）所示。MDAF在R17中的服務架構更復雜，并且與NWDAF如何協作也還沒有最終確定，其R17的技術標準還在進行中。MDAF目前在中美運營商的5G網絡管理系統中都還沒有實現商用部署。

（2）ETSI ENI

ETSI 于2017年定義了ENI系統，作為一個獨立的人工智能引擎為網絡運維、網絡保障、設備管理、業務編排與管理等應用提供智能化的服務[35]。ENI功能架構如圖 5所示，ENI包含上下文感知、知識管理、認知處理、情境感知、模型驅動和策略管理等與人工智能相關的知識管理、模型管理、策略管理模塊。通過數據處理和正則化（input processing and normalization），對原始數據進行清理和特征處理，然后通過內部的AI模塊處理后，向OSS、BSS、用戶、系統應用、編排器、基礎設施等服務對象提供相關的策略或者指令。去正則化和輸出形成等模塊將ENI產生的策略或者指令進行翻譯，輸出服務對象能夠理解的語言。

目前，ETSI ENI還在持續演進ENI的功能，定義更多高級的應用，例如基于意圖網絡的節能[95]、數據機制[96]、ENI與運營商系統的匹配[97]等。目前相關的工作還在繼續中。針對ENI定義的功能和應用場景，國內外運營商嘗試了相關的試點項目，在切片管理、用戶體驗優化、無線能量優化等方面取得了良好的效果[98]。例如在參考文獻[99]展示的試點報告中，UC3M、三星和意大利電信等公司展開合作，通過ENI對切片資源進行彈性管控，可以很好地控制端對端時延、服務創建時間、系統容量等性能。在參考文獻[100]展示的報告中，中國電信、亞信科技、北京郵電大學等進行合作，將ENI用于基于意圖的用戶體驗優化，提高用戶體驗管理。目前，ENI尚未作為一個單獨的人工智能系統或者網元在5G網絡或者網管系統中部署，但其定義的很多功能以解耦的形式在全球運營商的網管體系內開始應用。

圖5 ENI功能架構[95]

（3）網絡運維支撐系統（OSS）

網絡運維支撐系統（OSS）通常被定義成一種軟件功能使得通信運營商能夠對其網絡及其應用進行管理。一個OSS通常至少具有如下功能：網絡管理系統（network management system）、業務交付（service delivery）、業務執行（service fulfillment），其中包括網絡資源（network inventory）、網絡激活與開通（network activation and provisioning）、服務保障（service assurance）、客戶服務（customer care）[101]。人工智能在OSS領域的早期發展也非常緩慢。在20世紀70年代，OSS的絕大多數工作還通過手工與人工干預進行；到了80年代，隨著UNIX系統和C語言的興起，貝爾體系開始開發OSS，早期較有名的OSS包括AMATPS（automatic message accounting tele-processing system）、CSOBS（centralized service order bureau system）、EADAS（engineering and administrative data acquisition system）、SCCS（switching control center system）以及SES（service evaluation system）等。人工智能在這些早期系統里沒有任何應用。 到了20世紀90年代，國際電信聯盟電信標準化部門（ITU-Telecommunication Standardization Sector，ITU-T）在其電信管理網絡（telecommunications management network，TMN）模型中定義了OSS的4層新架構：商業管理水平（business management level，BML）、業務管理水平（service management level，SML）、網絡管理水平（network management level，NML）以及網元管理水平（element management level，EML）。隨后FCAPS（fault, configuration, accounting,performance, security）作為一個新模型被引入，以對這4個層次進行管理。在TMN的商用進程中，人工智能也鮮見身影。2000年后，隨著TMForum的NGOSS（new generation operations systems and software）項目和eTOM（enhanced telecom operation map）架構的發展，通信運營商的OSS架構體系相對來說有了相對較為標準化的指導標準。人工智能的應用也有了相對穩定的框架和載體，尤其是對FCAPS中的故障管理（fault，F）和性能管理（performance，P），人工智能在故障診斷、根因分析、性能預測等領域開始有所嘗試和應用[102]。

圖6 TMF定義的OSS屬性

TMF定義的OSS屬性如圖 6所示，2019年TMF在Future OSS的研究報告中定義了未來OSS由“數據驅動”，必須依賴人工智能、機器學習、自動化、微服務、業務優化緊耦合，必須具備敏捷、自動化、主動性、預測性、可編程性的特征[103]。在定義未來OSS最重要的10個因素中，其中有4個因素和人工智能緊密相關：自動閉環服務開通與保障、自動閉環網絡優化、AI驅動的客戶參與、AI驅動的網絡優化。因此，主流通信運營商也在面向5G演進的OSS中逐漸嵌入了AI平臺或者功能模塊以期待OSS實現智能化演進。AT&T的ECOMP（enhanced control,orchestration, management & policy）[104]體系中在設計態定義了基于AI分析的業務設計工作室（Analytic Application Design Studio）功能，如圖7所示。運行執行態中ECOMP也定義了DCAE（data collection, analytics and events）功能。DCAE提供基于AI的實時FCAPS功能，通過智能分析管理與編排業務、網絡、資源，并實現自動化閉環[105]。Verizon也把人工智能當作BSS/OSS的必選功能，尤其在用戶網絡與業務體驗中得到了深入的應用[103]。

中國的運營商在面向5G OSS的系統構建中，在數據中臺與OSS核心功能模塊之間插入一個新的平臺或組件，命名為網絡AI中臺或者智能中臺，用來承擔網絡人工智能的功能。在圖8（a）中，筆者將中國三大通信運營商的5G OSS網絡中臺體系抽象得到了一張技術中立的5G OSS網絡中臺架構圖，其中數據中臺主要負責網絡側數據采集、數據存儲、數據治理、數據共享等功能。網絡人工智能中臺為滿足5G網絡、業務、服務管理的智能化要求，以數據中臺的網絡大數據為主要燃料，圍繞網絡生命周期中的規劃、建設、優化、運維等場景，不斷構建、推理、發布、沉淀出網絡AI算法模型，為4G/5G網絡提供包括異常檢測、容量預測、網絡優化、根因分析、告警預測、故障自愈、業務編排、感知優化等網絡AI功能，全面提升5G網絡自動化與智能化能力。

圖7 AT&T定義的ECOMP

圖8 5G網絡運維支撐系統和 5G業務支撐系統

3.3 通信人工智能在電信業務領域的發展

通信業務支撐系統BSS提供了客戶運營及服務的能力。TMF的Frameworx體系中，BSS功能主要面向客戶的市場與銷售、產品、客戶、服務、資源、供應商與合作伙伴等多個領域[106]，如圖8（b）所示。BSS領域的核心生產系統包括客戶關系管理（customer relationship management，CRM）、計費賬務系統（billing）、經營分析系統（business intelligence，BI）、呼叫中心系統（call center，CC）等。全球主流運營商的BSS均已非常完善，多數已完成集中化、平臺化建設。其中，中國運營商在BSS領域正引領基于智慧中臺的技術演進，即通過能力運營協同業務中臺、數據中臺、技術中臺、AI中臺等中臺系統完成面向最終用戶與合作伙伴的IT服務與交互。其中，AI中臺以人工智能算法為基礎，通過場景化服務能力封裝，為業務過程注智賦能。截至目前，人工智能技術通過AI中臺體系已經在BSS域的營銷、銷售、客戶服務、計費等多個業務領域及相應場景得到較好的應用。

（1）市場營銷

該領域典型人工智能應用是客戶營銷智能推薦及運營決策輔助。通過人工智能各類推薦算法模型和專家經驗規則，形成有針對性的推薦策略模型，依據客戶特征輸出最佳匹配策略。并在此基礎上，借助人工智能決策相關算法，匯集產品匹配度、價值度、公司效益等因素構建綜合決策模型，生成最佳運營決策，幫助企業提高效益。適用場景包括：熱門產品推薦、相關產品推薦、個性化套餐推薦、合約推薦、數字化內容推薦等。

（2）客戶銷售

該領域典型人工智能應用是利用人臉識別、OCR（optical character recognition）等技術支持客戶在營業廳業務受理的身份認證稽核、銷售協議簽字認證、真實人物業務辦理確認等場景。而在政企客戶的銷售過程中，利用人工智能的OCR、圖像識別技術，支持業務錄單環節企業信息自動化識別、政企業務印章識別實現事前認證稽核、銷售合同自動起草等場景，實現業務銷售的智能化、自動化，提升客戶經理工作效率。

（3）客戶服務

該領域典型人工智能應用是基于語音識別、意圖識別、多模態問答匹配、語音合成、語義處理、用戶情感分析、標簽多分類預測、OCR等技術實現客戶與智能機器人進行的語音交互、客戶情感實時監控；預測客戶訴求，有效分配服務坐席；實時監聽客戶問題，進行自動分類識別，自動檢索知識庫，輔助坐席回復問題；基于客戶語音聲紋的身份認證；潛在投訴預測；客戶服務過程中的語音質量檢查，進行智能量化評分；根據工單文本信息的智能派單；知識庫知識的自動生成；智能客戶服務排班等。

（4）計費

該領域典型人工智能的典型應用是通過引用智能運維AIOP（artificial intelligence for IT operation）支撐計費系統應用流程升級和配置修改上線的灰度發布，實現計費系統的故障發現、故障診斷、故障自愈、故障預防等；結合機器人流程自動化RPA（robotic process automation）能力，支持計費系統日出賬的自動化。另外，基于多量綱的定價因子（帶寬、時延、可靠性、精度、連接數、容量、網絡功能實例數等）與客戶資料，利用AI算法可以實現智能定價，確定最優價格，以幫助B2C企業獲取最大利益。

3.4 通信人工智能在跨領域的融合智能化發展

任何一種電信業務都無法在OSS或BSS單一系統中孤立運營或運維。一體化貫穿的電信業務流程、演進中的技術中臺體系架構特征以及業務與網絡數據的融合分析運營，是驅動BSS與OSS進行深度融合的三大主要因素。通信人工智能在跨領域的融合智能化發展也催生了多種應用場景與案例。

（1）客戶體驗管理（customer experience management，CEM）

通信運營商的組織結構中，網絡運維支撐與業務運營支撐通常是相對獨立的領域，其對應的生產系統OSS與BSS也相對獨立運營與演進。網絡領域重點關注網絡、網元的各項關鍵性能指標（key performance indicator，KPI），業務領域負責面向市場發展新客戶與新業務以及存量客戶服務。通信運營商通常采納ITU和ISO（International Organization for Standardization）制定的QoS體系用于其與客戶簽訂的服務質量協議（SLA）。傳統的QoS以技術為驅動，以網絡KPI來定義服務質量，無法真實體現用戶在使用網絡業務的體驗與感受，因此網絡領域中基于QoS體系的網絡性能質量和和業務運營領域關注的客戶滿意度、感知體驗之間形成了一條“數字鴻溝”[107]，如圖9所示。CEM作為網絡與業務跨領域融合的一個新領域，借助人工智能技術，將運營商的QoS服務質量體系向以用戶為中心的體驗質量QoE體系演進，實現從以網絡KPI為中心到以客戶體驗為中心的網絡業務服務轉型[108]。

CEM的核心在于利用人工智能結合心理學建立一套能準確反映客戶對通信網絡與業務使用感知體驗的算法模型體系，稱之為電信心理學算法，將網絡體系的QoS與用戶體驗的QoE體系進行量化映射，從而彌合網絡質量與用戶真實體驗之間的鴻溝。目前，常見的評估用戶體驗感知的方法有兩種：凈推薦值（net promoter score，NPS）和情感連接度評分（emotional connection score，ECS）[108-109]，如圖10所示，NPS用來度量客戶是否推薦某個公司、產品、業務的可能性[109-110]。NPS基于客戶反饋構建評分指標體系，通過電話或問卷采訪調研用戶對某個公司、某個產品或服務的滿意度，量化在0～10分[109]。NPS相對來說是一種被動、基于客戶長期印象、靜態的量化評估機制。當前全球運營商中約有7%使用NPS度量客戶滿意度[111]。

圖9 性能與體驗之間的鴻溝

圖10 指標體系對比：凈推薦值與情感連接度評分

隨著機器學習融合心理學的情感連接度評分（ECS）模型出現，傳統NPS指標體系已過時。大量研究表明客戶的情感連接度評分是最接近衡量真實體驗質量的指標體系[108]。不同于NPS，ECS是主動和持續性的，如圖11所示，通過匯聚接入跨網絡和業務領域的多方面數據，并使用ECS電信心理學算法不斷學習可量化的客戶體驗和各項指標之間的聯系，并將事件結果映射到ECS分數中，從而及時發掘客戶體驗產生問題的根因，指導改進網絡與業務質量，達到提升用戶體驗的目標。亞信科技提出一套電信心理學體驗感知算法以及可量化用戶感知體驗的指數集[109]，通過對通信領域用戶級主觀數據（例如NPS調研、客戶投訴、主動撥測等）和客觀數據（例如語音通話、上網、高清視頻業務、VR業務等質量指標）進行海量數據機器學習，比對和校驗各地區之間的用戶數據差異性，進行ECS參數優化，再結合用戶級通信、消費、服務等多方面行為進行畫像分析，最終生成ECS電信心理學模型，用于即時性評價客戶旅程中任何一刻、任何一地、任何一種業務的瞬時體驗質量。

通信人工智能在CEM的應用，客戶的全生命周期旅程中，如圖12所示，以用戶體驗提升為收斂目標，評估用戶的業務瞬時體驗質量，對體驗下降的問題進行快速定位與診斷，把主動感知與關懷的用戶個性化策略貫穿其中，從而洞悉每一個用戶在網絡旅程的體驗指標，并通過網絡和業務系統向用戶并通過網絡和業務系統向用戶提供個性化服務，從而實現5G網絡個性化（network personalization，NP）。

圖11 ECS 電信心理學模型

圖12 客戶體驗全生命周期視圖

（2）PCF+（policy control function+）

網絡策略控制主要基于規則定義，在4G LTE中網絡策略控制由策略和計費規則功能（policy and charging rules function，PCRF）實現[112]。3GPP從R7開始引入PCRF網元，對用戶和業務QoS進行控制，為用戶提供差異化的服務。并且能為用戶提供業務流承載資源保障以及流計費策略，實現基于業務和用戶分類的更精細化的業務控制和計費方式，以合理利用網絡資源。PCRF包含策略控制決策和基于流計費控制的功能，提供數據流檢測、門控、流計費的網絡控制功能，能夠以業務、用戶、位置、累計使用量、接入類型、時間等多個維度為觸發條件，生成管控規則。人工智能在PCRF沒有得到應用，PCRF的策略規則都以規則配置為主。PCRF架構如圖13（a）所示，通過Gx 參考點與策略與計費執行功能（policy and charging enforcement function，PCEF）等網元交互，執行策略和計費功能。

3GPP只是面向網絡側定義了策略控制功能PCF，但仍需要結合BO（BSS and OSS）域的融合在功能上進行增強，原因在于隨著5G業務的豐富，用戶對5G服務差異化需求的增加，運營商除了對網絡資源的使用和網絡控制有更高的要求外，還需要具備更細致的結合業務策略的分析能力，而這分析能力往往要求掌握業務領域的用戶屬性特征或者事件信息。這就要求對PCF的作用范圍進行擴展，不僅要在OSS域收集數據，還要在BSS域收集數據，應用的對象也要從網絡域擴展到業務域。基于以上考慮，PCF需要演進到PCF+，以提供全新的服務模式、業務場景或者商業模式，如圖13（b）所示。

圖13 3GPP PCRF架構和基于BO域融合的PCF+

另外，由于人工智能/大數據能力在5GC（5G core）的引入，策略管控變得更加智能化，而不是像以前PCRF基于專家系統或者規則配置功能。例如通過NWDAF和PCF/PCF+的融合，可以很容易地實現智能化的切片體驗管理、智能化SLA保障等功能。另外，PCF+利用網絡域/業務域融合的數據（從網絡域獲取小區擁塞狀況，從BSS域獲取用戶的等級和套餐使用情況），結合人工智能技術動態調整用戶套餐設置或者推薦最優套餐，進行用戶的QoS保障，提升用戶的滿意度。

3.5 通信人工智能在專網的發展案例

5G面向垂直行業除了提供公網服務，也可提供專網服務。通信人工智能在5G專網中可提供一系列智能化專有服務與安全保障。按照網絡資源的共享模式，5G專網的部署分為3種類型：虛擬專網、混合專網和獨立專網，如圖 14所示，其中虛擬專網以現有 5G 公網為基礎，以切片方式實現專業用戶的業務承載，并且有如下特點：

· 虛擬專網與公網享用 UPF 網元；

· 結合客戶需求，專網可以通過現有虛擬連接至企業。

混合專網以 5G 公網的核心控制面及無線接入部分為基礎，承載專網業務，其特點為：

· 支持用戶面數據私有化，獨立UPF和多接入邊緣計算（multi-access edge computing，MEC），設備建在園區內；

· 以切片標識對用戶進行接入鑒權。

獨立專網與運營商 5G 公網完全隔離，其特點為：

· 采用精簡化的核心網，結合UPF及無線基站實現獨立組網；

· 專用基站保證覆蓋無死角，UPF/MEC保障專網數據下沉，保證網絡獨立性。

在上述3種模式中，通信人工智能可以在任何一種專網模式中應用，例如可以用于虛擬專網中的網絡切片SLA保障，進行通信傳輸性能、質量和資源的優化。對獨立專網，人工智能體驗感知算法可以對用戶的感知體驗進行實時或準實時評估，提供精準的QoS組合保障服務質量，實現差異化的智能運維服務。在專網中，也可以利用聯邦學習、遷移學習等人工智能技術，完成5G切片異常診斷模型的云化管理和持續學習優化。另外，人工智能技術也可以對專網中的無線網絡性能進行實時評估[37]，通過與垂直行業應用平臺的交互，自適應調整應用層的參數設置，用于提升應用層的視頻質量或者進行游戲加速。

3.6 國際標準組織對通信人工智能的發展分級定義

圖14 5G專網的3種模式

鑒于人工智能技術在5G商用以來的飛速發展，通信國際標準組織也開始對通信人工智能的發展成熟度進行初步的分級。智能化自治無法一蹴而就，需循序漸進。完全的智能自治網絡是終極目標，但也需從自動化的重復操作手段開始，先初步實現網絡運維的自動化；再對網絡環境與狀態進行主動感知，利用機器學習進行不斷優化的決策；再從網絡感知向認知發展，認知用戶意圖，構建閉環的認知學習網絡，最終實現從感知，到認知再到預知的閉環自治網絡體，并不斷自我優化與演進。具體的通信網絡智能化分級體系，GSMA、ETSI、TMF等都做出了相關定義與建議[42,113-114]，各自分級標準對比見表1。

根據第3.1節～第3.5節中通信人工智能在各通信生態系統的綜述，結合L0～L5的分級體系，對通信人工智能目前在網絡基礎設施領域、網絡管理領域、通信業務領域、跨領域融合以及垂直行業領域的應用做出等級評估，見表2。

表1 GSMA/ETSI/TMF定義的網絡智能化分級標準

表2 通信人工智能在各通信生態系統的應用等級

整體上，通信人工智能在各通信生態系統的發展與應用還處于初級階段。在網絡管理領域和業務支撐領域的某些應用，人工智能已到達了第三級別，即部分自治。例如SON在網絡領域的自由化與自治愈以及AIOP在網絡運維領域的業務流程自動編排與灰度發布等。網絡管理與運維本身具有大數據采集能力，算力可通過服務器集群得到保障，智能化應用場景比較明晰，例如無線節能、故障檢測等，先天具備通信人工智能應用較好的基礎與平臺，發展相對較快。電信業務領域涉及的智能客服、智能營銷等人工智能服務能力可很好地橫向借鑒其他行業類似的應用經驗，發展也比較快。其他生態領域的智能化進程還多處于L0和L1階段。網絡基礎設施的人工智能發展還有待NWDAF、MDAF、RIC等實際商用效果檢驗，也依賴于3GPP、O-RAN、ETSI 等國際通信標準組織未來對AI融入網絡基礎設施架構的開放程度。人工智能在跨領域的融合發展前景，也有待于人工智能與CEM、PCF等核心系統或網元緊耦合后發揮的效果而決定。

4 通信人工智能的下一個十年展望

移動通信的下一個十年，將全面向B5G和6G的標準演進, 也將是通信與人工智能深度融合的關鍵十年。結合當前3GPP、ITU-R、ETSI等通信技術標準的發展進程，可以預見通信生態系統中各領域通過與人工智能的深度融合，將分階段在未來逐步實現B5G與6G“完全自治”的愿景。

4.1 國際通信標準B5G到6G發展路線展望

2018年以來，歐盟、日韓、美國和我國均開始了6G預研工作, 例如歐盟在Nokia（諾基亞）的帶領下啟動了Hexa-X項目[115]，美國工業界例如Qualcomm（高通）、Microsoft（微軟）、Facebook（臉書）等聯合成立了NextG Alliance進行6G技術研究[116]。我國工業和信息化部已將原有的IMT-2020 推進組擴展到IMT-2030推進組。ITU也啟動6G工作組Network 2030[117]。2020年2月19日，在瑞士日內瓦召開的第34次國際電信聯盟無線電通信部門5D工作組（ITU-R WP5D）會議上，針對制定6G研究時間表和未來技術趨勢研究報告、未來技術愿景建議書的撰寫等工作進行了討論。

對于B5G/6G詳細的發展路線，各個通信標準組織還在規劃中。據白皮書[118]以及對3GPP和ITU 6G 標準工作路標的預測，2020—2023年，即3GPP R17-R18標準化階段，是6G技術趨勢和愿景的研究階段；2023—2027年，即3GPP R19-R20標準化階段，是6G頻譜、性能的研究階段；2027—2029年，即3GPP R21標準化階段，是各國向ITU提交6G評估結果的階段。

3GPP預計最早在2025年開始6G標準制定,并最快在2026—2027年即R20標準化窗口完成6G空口標準技術規范制定工作，并于2029—2030年，即3GPP R22標準化階段向ITU提交3GPP 6G標準。可預計B5G/6G將繼續在移動寬帶、固定無線接入、工業物聯網、車聯網、擴展現實（extended reality，XR）、大規模機器通信、無人機與衛星接入等用例進行空口協議演進與增強，并研究和制定更高頻段例如NR（new radio）52.6～71 GHz、太赫茲的相關標準。另外，6G通信標準的服務范圍將從陸地擴展到衛星、海底、地下，真正實現海、地、天三位一體通信。對工業物聯網等垂直行業，蜂窩窄帶物聯網絡、面向可穿戴與視頻監控等中檔終端、接入與回傳集成演進、5G 直傳空口及其演進功能、5G非許可頻段空口、定位增強、智能自組織網絡、通信傳感集成及其演進功能、網絡拓撲增強功能等標準研究工作也將繼續進行并且成熟。其中一些研究工作已經在3GPP SA1/SA2等工作組開展[119]。

4.2 通信人工智能在移動網絡基礎設施的未來展望

人工智能在通信網絡基礎設施的未來10年展望，從無線接入網、核心網、傳輸網、終端4方面進行闡述。

（1）無線接入網

在無線接入網中，SON的應用場景被3GPP定義得非常清晰，并且先前利用的機器學習算法在產業界已取得一定成效，筆者認為SON在B5G的無線接入網領域的發展會持續加速。神經網絡、增強學習等人工智能算法也將逐漸取代傳統機器學習的遺傳算法、進化算法、多目標優化算法等，在SON中自優化、自治愈的兩個領域會有很大發展的空間。3GPP SA5和RAN3也設立了2個研究課題“Study on SON for 5G”和“RAN-Centric Data Collection and Utilization for Long Term Evolution and NR”[120-121]。除了繼承了上一代SON的絕大多數場景用例，建議3GPP對SON的下一個關鍵行動是盡快定義好SON對NR、5GC、OAM和4G系統的接口與信令協議，使得SON盡快融入5G網絡基礎設施中。同時，目前3GPP RAN3正在研究SON獨立成為一個RAN邏輯實體或功能的可行性。如果SON以一個邏輯實體的形式實現，那么將有助于SON對無線側進行統一數據采集與分析，并實現無線側的參數自配置、性能自優化、故障自治愈的SON的三大核心功能。

除了3GPP在5G核心網側定義的NWDAF,歐盟5G-MoNArch項目組也建議在無線側可考慮設置一個獨立的人工智能分析網絡功能RAN-DAF對5G NR的CU面進行數據分析和決策[93]。因為無線側的實時性，例如無線資源調度管理等，無線側的智能分析需要實時或準實時決策，因此基于實時數據的AI分析需要盡在本地進行，以保證能夠實現即時和動態的性能優化。RAN-DAF將作為無線接入網的人工智能與數據分析網元，具備收集和監控無線側UE和RAN的數據，包括信道質量指標（channel quality indicator,CQI）、功率水平（power level）、路徑損失（path loss）、無線鏈路質量（radio link quality）、無線資源使用率（radio resource usage）、調制與編碼方案（modulation and coding scheme, MCS）、無線鏈路控制（radio link control, RLC）和緩沖狀態信息等。MoNArch建議RAN-DAF將這些信息送往RCA（ran controller agent）-MoNArch定義的RAN側控制器，相當于O-RAN定義的RIC，RAN-DAF與RCA共同決策對無線側質量進行優化，例如彈性無線資源控制、切片可感知的RAT（radio access technology）選擇、跨切片的無線資源管理等。由于RCA在3GPP里沒有相對應的功能，因此一個比較現實的選擇是在RAN側僅設置RAN-DAF，以SBA的形式，通過跨領域消息總線與核心網側互聯。RAN-DAF與NWDAF和MDAF的接口描述如圖 15所示。目前，5G-MoNArch RAN-DAF尚未形成3GPP標準網元定義, 未來是否承擔RAN的控制或管理功能，或承擔部分SON的功能，都還沒有確定。建議RAN-DAF或SON的獨立邏輯虛擬功能，取其一即可。

圖15 5G-MoNArch定義的數據分析框架

O-RAN的RIC將會持續演進與加強，尤其在面向不同App類型時的智能策略控制，用于幫助運營商在業務編排層實現基于App特征的業務編排。RIC將感知App類型，南向根據App特征，利用第三方的xApps進行相應App的無線資源管理，北向根據App類型通過網絡開放API（application program interface）與邊緣應用服務器進行交互，如圖16（a）所示。RIC的能力開放與增強的無線資源管理功能會包括，例如多個O- RAN設備之間的數據共享、無線切片的SLA保障、車聯網/無人機的無線資源優化、動態頻譜共享、與MEC 結合滿足垂直行業的業務需求[122]，如圖16（b）所示。對于O-RAN定義的SMO（service management and orchestration），在功能架構和接口逐漸成熟后，可支持更強大的無線云運維管理以及非實時RIC功能。

（2）核心網

NWDAF作為核心網的AI網元，在未來將具備增強的網絡性能優化與用戶體驗優化能力，在域內實現自治和智能化服務。隨著與核心網周邊網元接口全面互通（例如其他NF（network function）、AF（application function）和OAM等）以及數據軟采集能力實現，NWDAF將可以全面、實時地參與核心網控制面的決策控制[123]。例如NWDAF與NSSF和PCF合作，PCF可根據NWDAF的切片級分析結果做出策略執行決策，NSSF可根據NWDAF的負載分析做出切片選擇。

圖16 基于O-RAN RIC的業務編排和O-RAN RIC的能力開放

NWDAF一個新用例是“UE驅動的分析共享”。在這個用例中，UE端的信息（例如用戶定位信息、用戶畫像信息等）幫助NWDAF做網絡切片的智能決策。其關鍵功能是NWDAF如何收集UE級別的信息，以及NWDAF如何使用UE信息做分析后再將分析結果提供給其他NF。與NWDAF相關的研究項目還包括基于NWDAF協助的QoS保障、話務處理、個性化移動性管理、策略決定、QoS調整、5G邊緣計算、NF的負載均衡、切片SLA保障、可預測的網絡性能等。這些功能如果在NWDAF未來實現，將大大提升5G核心網智能化的程度。NWDAF的跨領域互動也是一個值得推進的方向。

3GPP SA5也在研究NWDAF如何將分析功能賦能給OAM或RAN。另外，NWDAF將參與與MEC的融合，通過MEC支持垂直行業的應用，為更多的垂直行業應用賦能。作為網絡領域關注的安全問題，可以期待NWDAF也將繼續增強相關功能，例如NWDAF會監控終端或者網絡的異常行為，發現異常會及時向相關NF或者OAM進行匯報，采取相應的保護策略或措施。NWDAF在一些關鍵信息傳輸上，例如AI算法模型，也可結合區塊鏈等技術進行溯源和安全保障。NWDAF與MDAF/RAN DAF的融合架構如圖17所示。

（3）傳輸網

未來10年，SDON/CON與人工智能結合更加緊密，將會逐漸實現“零接觸”的認知光網絡，實現光網絡的完全自動化管理和控制。基于光網絡的運維知識圖譜將逐漸成熟，可以通過它快速定位傳輸問題，預測傳輸性能，進行傳輸參數的優化。對于傳輸的具體指標，例如調制階數、誤差修正、波長容量等，可以利用人工智能技術進行最優配置，保障傳輸的性能。

基于IPv6的應用將逐漸走向成熟，人工智能在網絡路由、承載網的SLA保障、確定性網絡方面發揮關鍵作用，實現IPv6乃至IPv6+的智能IP網絡，滿足B5G/6G業務場景的個性化需求。

在云網融合方面，云網邊端的算力資源將實現完全分布式的架構，按照業務需要提供無縫、高質量的算力資源，為終端、邊緣的高階人工智能應用提供資源保障。彈性算力網絡/動態的云網融合成熟后，也會出現新的提供云計算服務的商業模式，可以利用區塊鏈的智能合約等進行安全保障，解決用戶的隱私問題，實現網絡和計算資源的可變現能力。

圖17 NWDAF與MD/RAN DAF的融合架構

另外，網絡切片是跨無線網、傳輸網和核心網等多領域的技術，需要各個領域高效合作。其中，傳輸網絡是連接各個領域的物理基礎，傳輸資源的合理編排與支持在切片的SLA保障中至關重要，可以預計未來人工智能在端對端切片SLA保障領域將逐漸成熟。

（4）終端

終端和網絡基礎設施的連接通過空中接口（air interface）與無線網絡進行交互。基于終端，面向未來網絡基礎設施的人工智能主要應用在終端和芯片的無線感知功能中，即通過基于終端和芯片的人工智能技術對無線環境和內容的感知來優化無線接入的開銷和時延等性能。通過基于終端的人工智能實現無線感知表現在以下3個方面[124]：頻譜與接入感知，即某一終端可以檢測其他終端的行為，可使5G系統性能擁有更好的接入和調度效率；內容感知，即從RF信號、傳感器或話務行為數據中推測與分析得到用戶的內容，例如位置、速率、移動性等用于優化終端的性能與使用體驗；無線環境感知，通過監控信號傳播與反射模式等來檢測姿勢、行動和某一物體等來催生新的場景案例。

基于終端的人工智能對未來5G網絡系統的賦能體現在以下3個方面：第一，增強終端體驗，智能化的波束成形和功耗管理可優化速率、穩健性和電池壽命；智能化的波束成形可利用深度增強學習來實現，通過對位置、速率和其他環境與應用參數的感知來提升網絡的穩健性與速率；能耗節省方面，利用終端基于人工智能的內容感知來權衡性能與功耗。第二，改善5G系統性能，主要表現在智能化的鏈路自適應，通過基于位置的無線干擾預測可使系統速率和頻譜效率得到改善；智能化的網絡負載優化，通過基于終端的人工智能推理可以使原始數據需要在全網傳輸的負荷降低；智能化的無縫移動性，以終端為中心的移動性管理通過終端人工智能和傳感器可以更好地預測網絡切換行為與時機。第三，改善無線安全性，利用終端的人工智能技術可以即時地在本地檢測和防御惡意的基站欺詐、惡意干擾等安全危害行為。

4.3 通信人工智能在網絡管理領域的未來展望

通信人工智能在網絡管理方面的發展將從多個方面進行，例如國際標準化組織定義的MDAF、ENI、隨愿網絡或者運營商的運維體系。另外，在網絡AI信令體系、網絡數字孿生、編排系統方面也會得到大力發展。

（1）MDAF

可以預計3GPP從標準角度在SA5工作組繼續MDAF的持續演進，對與運維相關的管理面智能化功能進行增強。在SON的注智方面，MDAF在覆蓋增強、資源優化、故障檢測、移動性管理、能量節省、尋呼性能管理、SON協作等多個場景方面的應用逐漸成熟。例如MDAF提供更精準的覆蓋分析能力，并且指出覆蓋問題產生的原因，從而指導基站調整參數，保證用戶的業務體驗不會降低。MDAF也會更精準地分析RAN用戶面的擁塞情況，指出導致擁塞的原因，并且提供相關的策略建議。MDAF會提供更精準的資源利用方面的分析報告，并且提供解決資源利用問題的策略建議。在SLA的關鍵參數上，例如時延、可靠性等，MDAF也會進行精準的分析和提供改善實驗性能的建議。在故障管理方面，MDAF會進行更精準的故障定位，提供相關的行動建議。MDAF也會在用戶的移動性管理上提供精準的策略建議，提高用戶的切換成功率和網絡效率。對于切片的管理提供更強大、更智能化的服務，可以精細地管理切片的各項性能指標，保障SLA的參數。另外，MDAF和網絡設備（例如NWDAF）交互方面也將得到完善。

（2）ETSI ENI

目前ENI系統定義了功能架構，但是對接口的具體定義尚未開始。可以預測ENI工作組將定義相關的接口，讓ENI在部署和應用方面更有參考意義。另外，數據的處理機制如何與ENI架構相結合、在運營商系統中如何部署ENI以及ENI和其他智能化網絡單元如何協同、意圖策略如何表達和管理、流信息遙測等方面，可以預計相關的工作也會逐漸展開，相關的場景/功能定義將變得逐漸完善。下一個版本的ENI將在智能化應用場景和落地方面進行相應的增強。

（3）隨愿網絡

目前，中國電信開展了隨愿網絡的研究。3GPP和ETSI等開始定義IBN（intent based networking）[97,125]，均旨在定義更智能的網絡自動化管理機制。3GPP TR28.812中描述意圖管理（intent driven management，IDM）消費者發送意圖請求給IDM的提供者（生產者），IDM提供者提供相關的網絡配置，如圖 18所示。同時，IDM的提供者會監控網絡狀態，監控消費者的意圖是否得到滿足。如果不滿足，將重新進行意圖評估和參數調整。

圖18 意圖管理

可以預計意圖驅動的管理服務將在今后10年持續演進和成熟，為運營商進一步減少管理復雜度和對底層設備的知識需求，同時在跨多廠商的場景增加網絡管理效率。3GPP SA5、ETSI ENI等標準化組織將持續這方面的工作，例如定義合理精準的意圖表達、自動化機制、意圖的生命周期管理等。關于應用場景，預計在網絡服務開通、切片資源利用優化、切片性能保障、網絡優化、網絡容量管理、網絡功能部署等方面會逐漸增強和完善。

（4）網絡AI信令體系

5G OSS網絡中臺體系的網絡人工智能平臺可認為是一個面向網絡管理與運維功能的AI平臺與引擎。網絡AI平臺需要和南向各數據采集網元或模塊及和北向5G OSS的各個業務系統（例如網絡編排、網絡性能、網絡資源、網絡故障）通過一種標準的命令體系進行互聯互通，定義為網絡AI信令體系。

和4G/5G網絡信令體系專注各網元的互聯互通與交互管理不同，網絡AI信令體系是網絡AI中臺或平臺與其南北向各接口及其相連接的各網元、OAM模塊、OSS各系統的一整套標準的互聯互通及AI交互管理命令體系，包括網絡人工智能管理命令的定義、網絡人工智能命令流在各接口之間的上傳、下發機制，網絡人工智能分析結果的執行機制，網絡人工智能鑒權、授權等機制，網絡人工智能算法的訓練、推理、發布、部署機制，網絡人工智能算法計算、存儲資源管理，網絡人工智能命令的監控、安全等。

典型的網絡AI信令接口如圖19所示，包括網絡AI中臺與3GPP SON系統、3GPP NWDAF、O-RAN RIC、ETSI ENI等系統的AI數據采集與AI命令執行接口，也包括網絡AI中臺面向5G OSS各個系統（例如網絡編排、網絡性能、網絡資源、網絡故障等）AI數據采集與AI命令執行接口。一個典型的小區話務量異常檢測的網絡AI信令流程示意圖以及相應的網絡AI信令包結構如圖20所示。

（5）網絡編排

圖19 網絡AI信令接口

圖20 典型的網絡AI信令包結構和小區話務量異常檢測網絡AI信令流程示意圖

網絡的軟件定義與云化趨勢下，網絡功能（NF）管理將由軟件定義的管理程序接管，并從面向專有硬件，向共享的計算與通信資源池的虛擬化管理轉型。因此，傳統上相對固態的OSS/BSS，除了管理功能，網絡的編排能力在未來網絡技術演進中也將發揮至關重要的作用。ETSI早在2014年初步發布了NFV（network functions virtualization）的管理與編排標準規范，初步定義了在NFV環境下管理與編排MANO的功能架構[126]。隨著通信人工智能面向網絡編排的嵌入（built-in），業界有必要將網絡編排在5G后續的演進路線出落清晰，同時明確人工智能功能與網絡編排功能的邏輯與物理連接關系。如第3.2節所示，網絡編排是運營商網絡管理體系中非常重要的功能。網絡的連接與構建、網絡資源調度編排、網絡工作流程以及業務需求轉譯這些主要功能，分別對應網絡（拓撲）編排、網絡資源編排、網絡業務編排3部分。在5G OSS中，網絡業務編排甚至可獨立成一個子系統，主要負責5G各個虛擬網絡功能（virtuali network function，VNF）構成的網絡切片業務的編排與管理。基于SLA的切片智能管理將是通信人工智能在網絡業務編排中的主要應用場景。而針對網絡業務，例如切片質量的保障與優化，又牽涉底層網絡資源對上層業務的即時性與智能化編排支持，此時網絡資源編排功能對于上層網絡業務編排功能起到保障與支撐作用。在這里，網絡資源的編排未來需要做到3個彈性（elasticity）：計算彈性，即在設計與規模化VNF做到計算彈性；通過靈活設置VNF實現基于編排驅動的彈性；通過跨切片資源供應機制實現切片可感知彈性[127]。基礎的網絡資源編排功能在ETSI MANO里已有定義，但未來如何基于SLA 或ELA（experience level agreement，體驗質量協議），實現網絡資源與網絡業務的聯合編排，并明確AI與網絡編排功能的邏輯與物理連接，ETSI ENI目前提供了一個參考架構，可供業界繼續推動演進[127]，如圖21所示。

圖21 ETSI ENI架構及其與ETSI NFV MANO框架的交互

與此同時，靈活性差、自動化能力弱的存量傳統網絡在被完全替換之前，與支持網絡拓撲、資源、業務智能化編排的新型網絡如何共存與協同工作，是業界需思考的一個問題并需盡快形成一致行動目標。例如，傳統網絡業務（例如專線）如何與實現自動化和相對標準化的編排規則流程，并與新型5G網絡編排系統統合。

目前，全球運營商的網絡自動化與智能化編排能力還處于初級階段，在技術和標準層面都需進一步完善。可以預計隨著通信人工智能和網絡編排系統深度融合，網絡（拓撲）編排、網絡資源編排、網絡業務編排三大能力將得到持續改進。尤其，以SLA或ELA最優化作為收斂條件，人工智能在網絡業務需求和網絡拓撲構建與資源保障之間的翻譯、轉譯和主動與彈性匹配上將扮演重要角色。標準層面，可預計3GPP、ETSI等標準化組織也將逐漸完善相關的場景、接口、流程定義。

4.4 通信人工智能在電信業務領域的未來展望

對于BSS智能化/管理財務領域，可以預計今后10年AI將在客戶管理、套餐推薦、財務智能管理領域全面賦能，并且實現從初級到高級的過渡。從面向客戶建立以人為本的全面客戶體驗，到面向電信運營企業建立更加運轉高效的業務運營過程，直至新業務、新模式、新技術的快速創新兌付，都將起到關鍵作用。下面將從客戶運營、業務運營、業務模式和運營模式3個角度進行說明。

（1）客戶運營

從客戶運營來看，電信運營企業已經完成從以客戶為中心發展到以客戶體驗為中心的全面客戶體驗階段。電信運營企業不僅關注面向客戶提供營銷、銷售、服務過程中的精細化運營和服務滿意度提升，更將客戶在網絡、業務使用過程中的體驗作為重要指標加入全面客戶體驗體系進行統一評估。通過收集、匯聚、關聯、挖掘客戶在渠道接觸、網絡服務、業務使用過程中的體驗，建立以客戶為中心的全面旅程體驗。在此基礎上，結合人工智能算法輔助，將進一步滿足客戶在更多細分場景的需求，同時進一步提升智能化、自動化互動能力，形成以客戶為中心的全面客戶體驗。

（2）業務運營

從面向電信運營企業業務運營來看，目前電信運營企業已經基本完成流程的端到端數字化升級，正在通過利用大數據、人工智能等植入現有流程中，完成業務處理過程的智能化，進一步提升業務運營效率。隨著機器流程自動化（RPA）、智能業務流程管理套件（intelligent business process management suite，IBPMS）等技術的引入，預計未來人工干預的業務過程將進一步減少，流程運轉效率進一步提高，同時成本進一步降低。隨著AI被引入運營商風控體系，收入保障能力進一步提升，欠費風險將進一步降低，運營商可以結合自身風控預期，開展更多的創新型業務。這將進一步推動電信運營企業更加健康向上的現金流。

（3）業務模式和運營模式

從目前電信運營企業業務模式和運營模式來看，針對大眾市場以重資產模式投入，采用按量計價的方式已經很難滿足高速發展的需要。而傳統的采用人工方式針對大眾市場采用大顆粒度細分客戶群的進行產品制定、計價模式制定的方式也很難滿足未來用戶場景化、個性化的要求。因此運營商需要充分利用AI能力，以虛擬專家/個人助手的方式進行針對更細力度的市場細分和業務運營，配合智能化工作流和智能化風控體系，面向客戶推動“一客一策”“千人千面”的業務產品和服務，進一步通過創新業務產品和運營模式提升創新。

4.5 通信人工智能在跨領域融合智能化的未來展望

對于跨網絡與業務領域的融合智能化, 預計未來10年CEM和PCF+的架構與功能會持續發展，客戶體驗感知體系會從SLA往ELA體系演進。

（1）用戶體驗感知的增強與SLA往ELA的演進

20世紀90年代以來，ITU、ISO等國際標準組織定義的服務質量（QoS）體系[128-129]被絕大多數通信運營商采納用于與其用戶簽訂的服務質量協議（SLA）中。傳統的QoS是以技術為驅動的，尤其以網絡與業務性能指標來定義服務質量[130-131]，即網絡中的指標被納入SLA中。由于傳統QoS無法真實體現用戶在使用網絡業務的體驗與感受，近些年服務質量體系逐漸向以用戶為中心的體驗質量（QoE）體系發展與演進。 ITU把QoE定義為被末端用戶可主觀感知到的某個應用或業務的總體可接受程度[131]。

當前的SLA體系下，通信運營商給用戶提供的服務級別是盡力而為（best effort）。例如帶寬100 Mbit/s通常指“在理想情況下速率最高達到100 Mbit/s”。這種盡力而為的服務以及技術視角的KPI 很難與用戶的體驗質量直接關聯起來。同時，當用戶為服務付費時，對服務的穩定性與質量總是由主觀認定的應大于或等于其支付成本的一個預期。隨著CEM的QoE的算法體系在未來逐漸成熟與完善，通信運營商將可以利用QoE算法體系來預測性評估和主動性管理用戶的體驗預期。因此，傳統面向用戶的SLA體系向基于QoE的ELA體系演進也勢在必行。將ELA 定義為“一種特殊的SLA，即在客戶清晰了解某種服務前提下，用戶對使用某服務的體驗形成的一種基于質量等級的共識”[124]。

圖22描述了通信運營商、內容提供商、toB用戶和toC用戶的服務質量保障對應關系[124]。ELA主要面向toC用戶與運營商和內容提供商。在當前的業務模式下，ELA主要是網絡服務加上基于內容質量的混合ELA模式。即一整套ELA體系中包含了網絡服務質量與應用層的體驗質量。當前，用戶很難界定清楚體驗的下降是在網絡側還是在應用側。而未來的ELA體系應該基于圖22（b），即構建toC用戶面向網絡側與應用側獨立的ELA體系。對于用戶來說，在QoE感知區域，打破一切歸結于“網絡不給力”的體驗質量黑盒，可以更加明晰不同服務提供方提供的體驗質量各自的優劣。同時，內容提供商為保障更好的QoE給toC客戶，也可更加清晰地定義與通信運營商ISP的SLA中各項QoS要求。

圖22 利用SLA和QoE概念構建ELA生態

（2）CEM的架構演進

由于CEM的數據來源自多個領域：網絡OSS域、業務BSS域以及應用層。“數據合規”和“數據孤島”讓CEM在多方面數據匯聚變得極具挑戰性[132]。為兼顧“隱私安全”和“數據融合”雙需求，基于跨區域構建CEM模型的思想被提出。實現跨區建模最常用的方法有兩種：遷移學習（transfer learning，TL）和聯邦學習（federated learning，FL）。通過對海量數據進行大規模訓練，獲得一個普適性強的預訓練模型（pre-trained model，PM），再將預訓練模型搬移小規模數據的應用場景，利用小規模數據對預訓練模型進行微調，從而實現模型性能的顯著提升[133]。這種思想可以用來構建CEM模型，如圖23（a）所示，通過某通信運營商企業的數據訓練得到CEM的基礎PM，再利用場景業務數據微調PM，從而獲得場景化的CEM，同時避免了數據的直接融合。

圖23 基于遷移學習和基于聯邦學習的CEM構建思想

2017年，一種專門針對碎片化數據的聯合建模方法聯邦學習被提出[22]，聯邦學習非常適合于CEM建模的場景。聯邦學習采用了“數據不動，模型動”的建模思想，很好地規避了用戶體驗數據的隱私安全問題，同時它還是一種多方安全計算技術，很好解決了用戶體驗建模的數據割裂問題，如圖 23（b）所示。整個聯合建模過程，各方的數據都不出庫，保留在了本地，因此，基于聯邦學習技術的用戶體驗感知方法是安全可控的和穩定的，大大提升聯合模型的準確性和評估的全面性。

（3）PCF+的演進

對于PCF+的后續演進版本，可以預計PCF+通過與OSS域和BSS域的交互，向用戶提供更精準、更實時、差異化的策略控制，如圖13所示。PCF+可以統一B域策略，并且在提供策略控制的過程中保證服務的可靠性和實時性。對于網絡側的策略控制，PCF+可以實時、動態地控制用戶QoS參數和進行會話管理，保證服務質量。由于PCF+有了O/B域拉通的能力，對用戶的策略控制變得更加個性化，可以進一步挖掘出有附加價值的場景，實現B5G/6G的業務愿景。

從PCF+的部署方式來講，可以部署在O域，也可以部署在B域，針對不同的領域進行服務。不同域之間的PCF+相互交互，獲取其他領域的數據信息。PCF+的部署也可以根據網絡實際情況，按照層次化的PCF+架構進行部署。

4.6 通信人工智能在專網應用的未來展望

5G的核心價值之一在于面向企業toB的專有應用，可預計，今后10年，在垂直領域（例如車聯網、智能制造、高清視頻/VR/AR、遠程醫療、智慧城市），通信人工智能將幫助企業實現高級智能乃至完全智能化的專網功能。

雖然，從目前來看，5G專網在工業互聯網領域已經有了一些部署案例，有效推動了5G在垂直行業的應用和生態建設，不同部署形態的專網也可以適用多樣化的網絡需求，但距離垂直行業的需求還存在較大差距。可以預計未來10年，通信人工智能通過與MEC、業務的結合以及算法的成熟，可以完全滿足垂直行業對于高質量通信和網絡安全的要求，例如聯邦學習、遷移學習等較前沿的人工智能技術將幫助專網解決數據安全隱私、數據量匱乏等問題，利用人工智能技術感知業務變化，優化無線網絡參數從而保障業務傳輸質量，將專網真正地變成高性能、安全可靠的專網。

5 未來可期：下一個十年，通信智能化的全面推進

面向6G的演進過程中，3GPP遵循2～3年一個Release的節奏，在未來10年將有望從R17演進到R21版本。當前，ITU-R也開始了6G技術趨勢與愿景的研究，有望在2027—2028年制訂6G的正式標準規范。在3GPP與ITU-R技術標準演進的過程中，移動通信各個功能領域（核心網、無線、傳輸、網絡管理、業務支撐、網絡應用等），通過與人工智能各自不同程度的耦合發展，將在未來10年分階段逐步到達通信生態系統中智能化的高階階段，如圖24所示，將最終實現B5G/6G愿景中的通信自治與全智能化的目標。

人工智能面向通信網絡基礎設施，在未來3～5年內，NWDAF將在5G核心網絡中逐漸成熟商用；無線與核心網絡優化也將借助SON實現以人工智能為驅動的智能網絡優化目標。SON的商用部署方式將有可能以獨立SON系統部署或融合進入5G OSS系統實現，RAN-DAF是否以獨立網元形式定義還未有定論。未來5～10年，隨著O-RAN的逐漸商用，RIC作為開放無線網絡的智能控制器也將實現商用部署。

人工智能面向網絡管理與運營，在未來3～4年中，MDAF實現網管層面的部分數據分析功能。隨著網絡中臺體系的建設，面向網絡人工智能的網絡AI中臺將會在部分運營商的5G OSS中實現商用部署。網絡AI信令體系作為人工智能與網絡交互的語言，將AI能力注入網絡生態系統中。未來5～10年，隨愿網絡和ETSI ENI網絡體驗與感知體系將逐漸成熟，會在5G中后期的網絡基礎設施架構中得到應用。數字孿生技術將與網絡仿真和人工智能相結合，將網絡全生命周期的規、建、優、維實現孿生化與智能化管理。

人工智能面向電信業務與支撐，部分通信運營商構建的技術中臺體系將在未來3～5年內全面商用與成熟。其中，人工智能平臺板塊將作為AI面向BSS領域注智與賦能的載體，全面推動客戶運營與業務運營的智能化。因為垂直行業中類似通用的應用經驗，電信業務涉及的某些細分領域（例如智能客服、智能營銷、智能推薦等）在未來的5～10年內會加速發展，可能提早實現到達L4或L5的高度智能化階段。

人工智能面向跨BSS與OSS領域的融合智能化，CEM與PCF會沿著BSS與OSS域融合的演進路線發展。其中，CEM將結合網絡與業務的數據，在客戶全生命周期旅程中實現對客戶的網絡與業務體驗感知的閉環管理。由于涉及跨領域數據使用，CEM未來架構可選擇聯邦學習來實現。客戶體驗與感知管理體系會從SLA往ELA體系演進。PCF通過與OSS域和BSS域的交互，可以面向網絡、業務、客戶提供精準、實時、個性化的策略與服務。

圖24 通信人工智能的未來10年展望

垂直行業專網在未來3～4年內屬于商用建設初期，主要部署模式以虛擬專網的形式實現。因此人工智能面向虛擬專網的應用將聚焦在5G專網切片的SLA保障、切片資源智能調度與優化以及無線專網覆蓋與性能優化等。在未來的5～10年，混合專網和獨立專網會逐漸部署并成熟。人工智能對獨立或混合專網的應用將會聚焦在toB業務精準QoS保障、toC業務感知體驗實時評估優化、智能網絡智能運維AIOP等。另外，人工智能技術通過與垂直行業的專網應用平臺MEP（multi-access edge platform）的交互，自適應調整應用層的參數設置，保障邊緣應用的服務質量。人工智能在行業專網的初級智能化階段主要面向性能、質量與運維保障的智能化，在中高級智能化階段更加面向高可靠、低時延、多并發連接的智能化控制與管理。

在未來，通信人工智能系統的應用在安全性、魯棒性、可解釋性等方面將進一步加強。尤其是人工智能中的聯邦學習、區塊鏈、隱私計算的技術組合，預計在通信生態各系統中會得以發展，用于解決通信生態系統與垂直行業之間的數據孤島和安全隱私問題：聯邦學習模型涉及多方數據的共享訓練，由聯邦中心負責秘鑰管理和模型梯度管理，需定期對聯邦中心進行審計；區塊鏈技術解決共識和可信問題；模型的訓練、推理、角色對齊均上鏈，通過智能合約、共識計算等實現多方合作的可信網絡，且能在多方聯邦情況下以區塊代替中心節點的作用。

面向6G，通信人工智能將促進空、天、地、海多維度的生態系統智能化融合。由于6G通信生態系統在空間維度的擴展，將催生更多場景。通信人工智能將解決多個生態子系統的跨層優化、聯合優化等多項式復雜程度的非確定性NP-hard（non-deterministic polynomial-time hard）問題。

當前，人工智能在通信生態系統中的架構融合與功能應用在3GPP、ITU-R、ETSI中均已標準化定義。通信人工智能在5G的商用進程正處于早期階段，尤其是通信人工智能相關的網元（例如3GPP NWDAF或O-RAN RIC）都在處于測試階段，極少在5G網絡中商用。目前，通信人工智能面向網絡管理、業務管理以及應用層的應用較多，也取得了階段性的成效。筆者呼吁通信行業建設者們進一步開放網絡標準化接口，給予人工智能對網絡基礎設施、網絡管理運維系統、業務支撐系統等全面賦能、注智的機會，將5G與AI作為通用目的技術組合的潛力在通信生態系統內與垂直應用中全面釋放。