banner.jpg)
前言
通用人工智能一直是人工智能領域產(chǎn)業(yè)界和學術界關注和努力的方向。深度神經(jīng)網(wǎng)絡在學習范式和網(wǎng)絡結構上的不斷迭代極大的提升了人工智能算法的學習能力，隨著針對特定場景下基于海量數(shù)據(jù)訓練機器學習模型的日益演進和成熟，在強算法、大數(shù)據(jù)、大算力等關鍵技術的共同推動下，大模型進入爆發(fā)期。深度學習的發(fā)展推動了人工智能邁向新階段，在國際范圍內(nèi)掀起“大數(shù)據(jù)+深度模型”的熱潮。未來當前5G/6G與AI的全面融合需要結合AI領域最新進展，支持相關成果的更好使用。
小模型聚焦精細化場景用例，解決碎片化問題，大模型具有良好的通用性、泛化性，以及顯著降低人工智能應用門檻的優(yōu)勢，可以利用少量數(shù)據(jù)進行微調(diào)或不進行微調(diào)就能完成多個場景的任務。現(xiàn)有無線AI的研究中均是利用小模型為模塊化的小問題提供解決方案，然而引入泛化性較強的預訓練大模型以及引入大模型后對網(wǎng)絡設計帶來怎樣的影響需要展開針對性的研究。
AI/ML in Network
技術發(fā)展，標準先行。目前3GPP有四個工作組在進行AI/ML標準化方面的研究工作，分別包括AI/ML for Air Interface、AI/ML for NG-RAN、AI/ML for 5GS以及AI/ML for OAM。
具體來看，在目前R18的AI/ML for Air Interface研究項目中，在網(wǎng)絡側和終端側有三種主要的訓練協(xié)作類型，一種是互相沒有協(xié)作（level x），一種是基于信令的協(xié)作但沒有模型傳輸（level y），還有一種是有模型傳輸?shù)幕谛帕畹膮f(xié)作（level z）。同時，引入AI以后，很重要的一個工作是研究生命周期管理（LCM））的通用框架。此外，目前3GPP在R18空口這個項目里面重點研究了三個用例：分別為CSI、波束管理和定位的增強。
AI/ML for NG-RAN在R18項目中的研究更為明確一點，因為在R17階段就已經(jīng)把三個用例（負載平衡、移動性優(yōu)化和網(wǎng)絡節(jié)能）以及功能框架等研究得比較清楚明白了。所以在這個項目中，R18的主要任務是在現(xiàn)有的無線網(wǎng)絡的架構基礎上去具體實現(xiàn)數(shù)據(jù)采集的增強以及信令的增強。
AI/ML for 5GS主要是AI引入之后核心網(wǎng)的一些增強工作，在這個項目中R18主要包括三方面的工作，第一個是進一步研究基于NWDAF的系統(tǒng)增強功能，以允許5GS支持網(wǎng)絡自動化；第二個是進一步聚焦在5GC的網(wǎng)元功能之間的一些增強，主要目標是支持決策制定；第三個是進一步研究圍繞NWDAF的必要Iuputs和Outputs以及潛在的架構增強、新的場景等。
AI/ML for OAM是3GPP比較早開展AI相關的標準化研究工作的，主要是基于MDAS的管理數(shù)據(jù)分析服務，一些主要的項目包括閉環(huán)控制、意圖驅動管理、自智網(wǎng)絡水平等。
當AI模型引入移動通信網(wǎng)絡
“數(shù)據(jù)、算力、模型是實現(xiàn)AI三個必不可少的要素，而通信網(wǎng)絡是天然的很標準的能夠提供這三個要素的一個場景，所以說AI在通信領域的應用從一開始就有，只是程度好不好的問題。
在大模型出現(xiàn)之前，機器學習很多首先是基于規(guī)則的，其次需要大量的數(shù)據(jù)標記，同時很多都是單領域、單數(shù)據(jù)源的訓練，因此跨領域多模態(tài)的能力不足，這樣就會導致很多東西聯(lián)合不起來，從而使其很難解決復雜的、系統(tǒng)的工程。另外，基于人類的認知經(jīng)驗積累的東西很難引入到模型訓練里面，知識突破的出現(xiàn)實際上一定程度解決了專家經(jīng)驗的積累，但它在一定時間段內(nèi)是靜態(tài)的，不能做到實時的更新。而大模型出現(xiàn)后真正出現(xiàn)了智能，它會進行自主學習，并且能夠做到跨領域多模態(tài)，因此顛覆了原來很多東西。
AI大模型引入到移動通信網(wǎng)絡之后，會帶來更低的門檻和更高的效率，一個個數(shù)據(jù)的斷點會被打通；同時，專家經(jīng)驗長期的積累會注入到網(wǎng)絡當中；此外，未來的網(wǎng)絡的維護，包括運營以及適配用戶場景化動態(tài)化的需求，會變得人機不分。會在移動通信網(wǎng)絡中發(fā)揮多種作用，包括：
網(wǎng)絡優(yōu)化：AI大模型可以分析移動通信網(wǎng)絡的大量數(shù)據(jù)，識別網(wǎng)絡擁塞、性能瓶頸和故障等問題，并提供優(yōu)化建議。它可以通過學習歷史數(shù)據(jù)和實時監(jiān)測，預測網(wǎng)絡流量需求，并幫助網(wǎng)絡運營商調(diào)整網(wǎng)絡資源分配，以提供更好的用戶體驗和服務質量。
無線資源管理：AI大模型可以協(xié)助移動通信網(wǎng)絡中的資源管理，包括頻譜資源、天線配置和能量分配等。它可以根據(jù)實時環(huán)境和網(wǎng)絡條件，優(yōu)化資源利用效率，提高網(wǎng)絡容量和覆蓋范圍。
網(wǎng)絡故障診斷和預測：AI大模型可以監(jiān)測移動通信網(wǎng)絡的運行狀態(tài)，并識別潛在的故障和問題。它可以分析網(wǎng)絡設備的性能指標、日志數(shù)據(jù)和告警信息，及時發(fā)現(xiàn)異常情況，并進行故障診斷和預測，以便采取相應的維護和修復措施，提高網(wǎng)絡的可靠性和穩(wěn)定性。
用戶行為分析：AI大模型可以對移動通信網(wǎng)絡中的用戶行為進行分析和預測。它可以根據(jù)用戶的位置、移動模式、通信行為等數(shù)據(jù)，提供個性化的服務推薦和營銷策略。例如，根據(jù)用戶的偏好和需求，向其推薦相關的應用、服務和內(nèi)容，提高用戶滿意度和粘性。
安全保障：AI大模型可以協(xié)助移動通信網(wǎng)絡中的安全保障工作。它可以監(jiān)測網(wǎng)絡流量，識別潛在的安全威脅和攻擊行為，并采取相應的防御措施。AI大模型還可以應用于用戶身份驗證、欺詐檢測和數(shù)據(jù)加密等方面，保護用戶的通信隱私和數(shù)據(jù)安全。
AI大模型給通信運營商帶來的機遇
目前，生成式AI已經(jīng)在營銷、設計、建筑和內(nèi)容等領域催生了許多創(chuàng)新應用，同時在生命科學、醫(yī)療、制造、材料科學、媒體、娛樂、汽車、航空航天等領域也展現(xiàn)出了巨大的潛力。各個行業(yè)紛紛結合自身領域，切入這一賽道。眾多的入局者中，通信運營商具有天然的優(yōu)勢。其實不難理解，生成式AI依賴于大模型的訓練和運行，而這需要算力和網(wǎng)絡支撐。通信運營商作為新型云、網(wǎng)、算力等信息基礎設施服務的運營者，自身擁有優(yōu)質網(wǎng)絡、算力和云服務能力，同時具備產(chǎn)業(yè)鏈優(yōu)勢。對于運營商來說，既可以自身應用大模型，提升服務能力與產(chǎn)業(yè)效率，也可以為企業(yè)訓練大模型提供算力支持。大模型給運營商帶來的機遇，主要有三方面：
第一，提升自身服務水平。運營商可以利用大模型改進信息通信服務能力，例如其在自然語言上的能力可用于提升智能客服等運營服務功能。將大模型和云網(wǎng)運營深度結合，用于網(wǎng)絡故障處理、工單識別流轉、人員降本增效等場景。
第二，網(wǎng)絡優(yōu)化。運營商可以利用通信網(wǎng)絡的巨量數(shù)據(jù)量來訓練通信網(wǎng)絡大模型，實現(xiàn)網(wǎng)絡的智能分析、實時預測和自動化運維�；谏墒酱竽Ｐ妥詣由纱a和漏洞掃描，提升網(wǎng)絡安全水平。
第三，面向政企客戶提供AI即服務（AIaaS）和數(shù)據(jù)服務。運營商可以利用其新型信息基礎設施來承載ChatGPT等大模型訓練和推理服務，幫助大模型進行跨地域訓練，完成算力資源適配等。此外，運營商數(shù)據(jù)優(yōu)勢明顯，可以為模型訓練提供數(shù)據(jù)服務，實現(xiàn)數(shù)據(jù)價值變現(xiàn)。
在此背景下，國內(nèi)外的運營商們紛紛加速對生成式AI的布局。中國電信的TeleChat、中國聯(lián)通的鴻湖，中國移動重金押注算力，官宣了建設中的”人工智能大平臺“。韓國運營商SKT也在財報電話會上公布了公司的AIGC版圖。
寫在最后
AI大模型是工業(yè)革命級的生產(chǎn)力工具，將會帶來一場新工業(yè)革命，會對科研、辦公、工業(yè)互聯(lián)網(wǎng)帶來全新的顛覆和全新的機遇，大模型下的我們應該學會用人工智能解決問題。但需要指出的是，AI大模型在移動通信網(wǎng)絡中應用需要考慮實時性、效率和可擴展性等因素。同時，數(shù)據(jù)隱私和安全也是非常重要的問題，必須采取適當?shù)碾[私保護措施，確保用戶的個人信息得到充分保護。 
