老少皆知的AI，能否在無線網中複製神奇？

AI（人工智慧）這個名詞，在經歷過國內幾大互聯網企業和手機企業的宣傳之後，逐漸被國內的大多數消費者熟悉。

在國內，上至七十歲老太，下至上小學的小朋友，只要最近換過手機的人，都聽說過AI，他們也許不知道AI的具體性能，但是他們知道AI能使生活更美好。

如今，AI在IT領域的這陣風，也刮到了CT領域。面對運營商網路龐大的數據負載、較高的技術要求以及占很大比例的運維費用，如果網路自己能具備智能，那就把很多技術人員都解放出來了，而且還能提高效率、減少開支。那麼無人不知的AI能否在無線網側複製神奇，且聽中國移動專家怎麼說。

對人工智慧的迫切需求

關於CT是否需要AI的問題，中國移動專家表示，電信網路引入AI是趨勢。從需求方面看，在引入5G和切片技術之後，眾多業務對網路的靈活性和個性化要求越來越高，倒逼網路轉型。同時政府和民眾對提速降費呼聲很高，運營商控制網路運維成本的壓力變大，所以智能化的引入是趨勢，從而降低網路運維的人工投入，提升網路優化效率。

從AI的技術能力方面來看，AI是通用技術，興起於上世紀50年代，那時提出了機器學習和神經網路。直到上世紀90年代，AI進入快速發展階段。後來到2006年出現了深度學習，公眾對AI的關注度也越來越高，「深藍」和AlphaGo的出現讓人們對AI的能力有了新的認識。

關於AI在通信領域的應用進展，中國移動專家表示，目前還處在起步階段。目前AI商業化應用規模比較廣的領域主要是自然語言處理和視頻圖像處理等方面，在通信行業目前還處於起步階段。AI（狹義的機器學習）的應用和普及需要解決一系列問題，例如需要大量標籤化的訓練數據和驗證數據，深度學習的模型對計算複雜度要求高，而且是黑盒模式可解釋性差等。

無線網引入AI有待突破

AI在通信領域的應用是大勢所趨，但剛剛起步，那無線網路能否成為通信領域的第一個突破口呢？中國移動專家表示，無線網路本身的特點決定了AI引入的難度。

首先無線網路獲取標籤化數據的手段較少，成本比較高，規模也有限。無線網常規的路測和其他人工標註手段（例如基於專家庫對告警數據進行根因標註）雖然能獲取標籤化數據，但需要投入大量的人力物力，數據獲取成本高，數據涵蓋的應用場景和範圍也有限。

其次，無線網的分散式架構也會影響數據的採集。無線網採用分散式架構，基站或傳輸設備不像核心網一樣集中，如果把無線網產生的數據進行集中再處理，則需要大量設備機及其介面具備數據採集能力，數據匯聚和關聯的難度也相應增加。

另一方面，數據的集中化採集與分析和實時性需求還會存在矛盾。如果實時性要求較高時，數據從採集、匯聚、分析處理到決策下發，需要經歷完整的閉環才能實現，實時性會降低。因此，為保證無線網AI處理實時性，將來無線網可能採用混合式架構，即分散式和集中式架構混合。其中基於單個網元自身能獲取的數據即可實現分析決策就應用可以採用分散式架構來保證實時性；僅依賴單個網元可獲取數據無法形成決策的應用，則需要更高層的數據匯聚分析系統（例如網管系統）進行集中式架構的分析處理決策。

再次，特定場景下訓練出的AI模型可能難以泛化應用到其他場景。無線網路性能和參數配置與部署場景特徵、地理地貌等相關性強，基於部分場景獲取數據訓練出來的AI模型可能很難泛化適用與全部場景。此外，無線網路維護優化的專業性要求較強，需要一定的邏輯解釋輸入輸出的關係，而AI（尤其是深度學習）的黑盒學習特徵難以滿足該需求。

最後，目前無線網路設備的虛擬化程度還不足，不利於AI的引入。AI對算力要求高，而無線網路設備相比核心網的虛擬化程度低，難以自持彈性擴容，設備預留的算力有限，支持軟體定義方式的演算法靈活調整能力不足。

其實，廣義的AI（包含自動化技術）也曾在無線網路中開展過一些有益的嘗試，例如自組織網路技術（SON）在3G和4G網路中就已引入並完成了相關標準化工作，目標是實現無線網路設備的自啟動、自優化、自治癒等效果。雖然在部分應用點上取得了一定效果，但遠未取得變革性、突破性的進展。

因此，未來還需要不斷探索並努力攻克難關，解決上述關鍵問題，只有這樣，AI在無線網路中的規模化應用才能形成有效突破。此外，AI在未來無線網路中的定位到底是作為主導還是作為輔助也是一個值得探討的問題。

數據是燃料，算力是發動機

面對AI在無線網中的重重挑戰，中國移動專家總結道：要實現AI的成功應用，需要解決兩大基礎問題——數據和算力。數據是燃料，算力是發動機，要想獲得前進的動力，兩者必不可少。

在算力方面，一方面是要根據所引用的AI演算法成熟度和複雜度，優化設計無線網路設備硬體架構，兼顧CPU、GPU、FPGA等通用計算晶元的靈活性和ASIC、SoC晶元的高性能優勢，取長補短；另一方面是要結合無線網路智能化應用功能的需求和特徵，匹配選擇合適的AI演算法並優化設計特徵工程和演算法模型。

在數據方面，一方面是要研究低成本、高效率地獲取可持續的、大規模的標籤化的數據的技術手段；另一方面是要研究和應用能擺脫或弱化對標籤化數據依賴的AI演算法。

面向無線網路，在人工智慧的引入方面，目前國內外研究方向也不盡相同。在移動性管理、無限資源管理、無線參數優化配置、無線網路維護、網路指標監控和告警管理等具體應用方面，國內外的研究進展和研究重點各有不同。

總之，路在腳下，無線AI之路還任重道遠。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！