作为通信人，我们究竟该如何看待AI?

引入AI，可以基于现有相对成熟的规则库和经验建立更智能更精准的算法，帮助进行更有效的告警过滤。

告警根因分析处理流程(《智能自治网络案例报告》，GSMA)

AI智能告警分析还有一个很大的优势，就是可以跨网元、跨地域、跨厂商进行关联告警分析，提升故障判断的准确率。

举个例子，传统方式下，当某项业务或功能异常，A设备的工程师会发现告警，然后进行基本排查。如果找不到原因，会通知对端B设备的工程师排查。如果还未发现原因，再通知和业务关联的C甚至D设备的工程师排查。

AI处理告警信息是联动的。它通过对各个设备告警信息的统一分析，根据之前学习的结果，直接就判断出最有可能的Top3原因。

这样一来，故障处理的效率就会大幅提升。

未来真正的自治网络，不仅能够自主发现故障，更可以实现故障自愈。

也就是说，发现故障或异常后，AI在很短的时间内就可以进行类似VM(虚拟机)自动隔离，备份资源接管等操作，第一时间内实现业务恢复，无需人为干预。

流量智能预测

通信业务流量趋势，具有非常明显的时间特点。每天不同时间、不同地点的业务量负荷，都有潜在的规律。

例如学校，就有很强的潮汐效应，白天宿舍区域流量小，教学区域流量大，晚上恰好相反。

除了平时之外，法定节假日期间的用户流量趋势，也有明显的特征。

引入AI，对流量进行精准预测，可以帮助运营商提前对基站和承载网资源进行动态调整(扩容缩容)。自治网络下，AI可以自己完成调整动作。

根据算法做出的预测，实际还是源于数据。一方面是当前实时的高颗粒度数据，另一方面，是往期的历史数据。

AI可以根据这些数据，通过机器学习算法，学习出流量在时间和空间上的内在规律，从而得出预测结果，指导资源调整。

网络切片管理

网络切片，是5G带来的一个重要概念。

简单来说，它就是在物理网络上，划分出多个逻辑网络，实现不同的服务质量等级。

网络切片虽然好，但也带来了部署和维护的工作量。

AI可以使用历史流量数据进行训练学习，从而预测各种场景下的资源需求，最终生成切片策略并下发。

在切片运行的过程中，AI同样可以根据实时运行得到的数据，对模型和策略进行优化，让它们更加完美。

引入AI，可以快速完成切片业务的部署，减少上线时间。在用户业务关闭后，第一时间释放切片以及对应的资源。

网络能耗控制

5G网络的能耗一直都是一个大问题。在未来的网络运营过程中，虽然可以通过液冷等被动方式控制能耗，但更主要的手段，应该是动态调整功率输出的方式进行主动能耗控制。

这个和前文所说的AI性能动态调整场景有很大的关联。根据AI流量预测，调整资源分配，设备输出功率也随之变化，从而达到最佳效率，不浪费。

网络安全防护

目前通信网络面临前所未有的安全威胁。病毒、恶意攻击、敲诈勒索每天都在发生，而且数量激增。

病毒的演变越来越快，攻击类型也越来越复杂。传统的防御，是特征匹配的方式进行攻击识别，在识别成功率和效率方面越来越吃力。即使是专家进行人工分析，也很难保证准确率。

此外，万物互联时代，物联网爆发，网络会变得更加庞大复杂，被动防御的工作量和难度也会大幅增加。

未来，安全防御逐渐从被动防御走向主动防御，从辅助安全走向内生安全。这些都离不开AI的帮助和支持。

AI通过对网络流量、终端行为、内容载荷以及系统日志等信息进行深度分析学习，识别异常行为、恶意代码和风险操作，并建立更灵活的模型，可以挖掘出隐藏更深的威胁。

此外，AI对垃圾短信防控、网络合规扫描也有巨大的帮助。

4 AI落地，有哪些挑战和困难?

前面吹了半天AI落地的好处，现在我们来看看AI落地的困难。

AI那么强，是不是我们现在就能拿起来就用呢?

当然不是。

AI的落地应用，对运营商和设备商来说，难度很大。这个难度，不仅是资金和技术方面的，更是人才和文化方面的。

资金我们就不多说了，现在干什么都离不开钱。我们先说说技术。

前面我们说的AI四大要素，从技术层面来讲，算力目前有专门的解决方案提供商，问题不太大。更多的问题，是集中在数据和算法上。

数据是发展AI的前提。没有高质量的数据，在此基础上建立的算法模型就没有准确率可言。

目前数据最大的问题，是不够“干净”。

对于不同的运营商，或者同一运营商的不同省市公司，数据的采集和存储缺乏统一的标准，也没有进行规范要求。这就容易导致数据的缺失和失真。

为了让数据能够被AI消化，运营商需要花费大量的精力对数据进行规整和清洗。这无形中增加AI落地的难度和成本。

此外，数据也不是想用就可以用的。

现在世界各国法规对用户数据的使用有越来越严格的要求，即使是运营商，也不能随便采集和使用用户的数据，必须符合合规的要求。

运营商握有数据，搞AI还比较方便。设备商就比较尴尬了，他们是没有数据的。

运营商那边不提供数据，设备商这边的研发和建模就没办法进行。运营商如果给设备商提供数据，也必须进行脱敏。再来看看人才。

任何技术的研究都离不开人才，AI也一样。

传统运营商和设备商，懂通信不懂AI。而AI企业，懂AI不懂通信。如此一来，既懂通信又懂AI的人才，就显得非常宝贵。

尤其是运营商这边，作为AI落地的主要战场，AI人才缺口更大。就算AI解决方案提供出来，基层没有AI工程师去驾驭，显然也是不行的。

除了人才之外，还有制度和文化。

AI不是一项独立的技术，它需要整个运维工作流程和管理制度做出调整、配合，才能发挥威力。

各个岗位的员工，是否愿意接纳AI，是否有AI意识，也是AI能够成功落地的关键。

总而言之，AI不是一日建成的。整个通信行业的各个环节，都需要持续投入大量的时间、金钱、人力，去培养和孵化它。

5 “通信+AI”的未来

根据研究机构Tractica/Ovum的报告，电信行业中，AI应用带来的年收入，将从2016年的3.157亿美元，增长至2025年的113亿美元。年复合增长率将达到48.8%。

同时，报告还预测，到2025年，全球电信行业对人工智能软硬件和服务的投资将达到367亿美元。

另一家咨询机构Analysis Mason的调研报告也声称，80%的运营商预期在2025年之前实现40%以上的网络运营自动化，其中约有三分之一的运营商预期网络自动化将达到80%以上。

通信+AI，是大势所趋。

目前，国内三大运营商和主流设备商都在AI方面有很大的投入，也有了可喜的成果。

中国移动的九天人工智能平台、中国电信的CTNet2025 2.0，中国联通的智立方CUBE-NET2.0+，都是针对AI的生态平台。他们希望通过平台赋能，吸引更多开发者使用他们的AI引擎，从而形成生态。

运营商的重点在于平台和生态，而设备商的重点在于场景化的解决方案。

前面我们介绍的场景，设备商都处于积极的开发阶段。算法模型在不断的打磨中，逐渐从低级走向高级。算法的效率，也在显著的提升。

按照目前的发展态势，待到5G成熟之日，也是AI全面落地开花之时。

6 最后的话

最后，小枣君想说一下，AI对通信工程师职业发展的影响。

毫无疑问，通信网络往智能化方向发展的趋势是无法阻挡的，AI对部分人工岗位的取代也是无法避免的。

我们现在还不能确定AI的发展速度到底能有多快，也不知道具体什么时候才能真正威胁到我们的饭碗。但是，提前规划，早做准备，是不会错的。

还是那句老话，越是低级的、重复的、机械化的工作，越有可能被AI取代。

如前文所说，我们通信人，先想办法成为通信+AI的复合型人才。

既然AI要替我们来管理和维护网络，那么，我们干脆让自己成为管理AI的人。毕竟，再好的AI，也必须在人类的管理之下工作。

我们通信工程师可以努力学习AI知识，成为一名AI专家，利用自身的网络运维经验，将通信专业知识和AI技能进行深度融合，可以设计出更好的AI模型算法，也能够帮助AI进行更有效率的训练优化。

总而言之，与其抗拒和排斥AI，不如积极拥抱AI，拥抱变化。能够适应变化的人，才能在变革浪潮到来之时，屹立潮头永不倒。

好啦，以上就是今天的内容，感谢大家的耐心阅读!如果您喜欢这篇文章，请记得帮忙转发哟!谢谢!

（编辑：三明站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!