毫无疑问，AI 是目前最受关注的前沿科技，也是最热门的研究方向。
经过几十年的探索和发展，AI 在图像识别、语言识别、智能控制等领域取得了重大突破。现在，越来越多的行业都开始研究 AI，拥抱 AI，希望借助 AI，给自己赋能。
通信行业也不例外。
这些年，包括设备商和运营商在内的很多通信企业，都加大了对 AI 的研究投入，希望能探索出「通信+AI」的未来场景，抢占先机。
尤其是运营商，对 AI 简直是「望眼欲穿」。
一：通信行业为什么需要 AI？
通信行业对 AI 的迫切需求，是由网络发展的现状和未来决定的。
经过 2/3/4G 的发展，我们现在所面对的通信网络，是一个空前复杂的异构多域网络。各种技术混杂其中，网络架构臃肿，业务流程繁琐，给维护带来了巨大的压力。
如今，我们又要面临 5G 的到来。
5G，作为新一代移动通信标准，带来了网络性能和灵活性的大幅提升。但是，它同样也带来了网络复杂程度的进一步提升。
在空口方面，5G 使用了更高的频段，更灵活的空口资源划分方式，而且引入了 Massive MIMO 天线阵列技术。波束赋形如何有效控制，空口效率如何优化提升，给工程师们出了难题。
Massive MIMO 天线阵列
在网络架构方面，因为 SBA（微服务）、NFV/SDN 和切片技术的引入，网络变得灵活是没错，可是，维护的难度也变得更大了。虚拟机、切片资源的管理调度，网络参数的修改调整，都是非常繁琐的工作，风险也很大。
5G 网络架构
5G 带来的这些变化，如果继续采用传统的运维方式，继续依赖人工，肯定无以为继。
通信运营商，作为网络经营的主体，一方面要承担高昂的网络运营成本，另一方面还要投资建设 5G，资金压力更大，面临发展拐点。
因此，必须借助 AI，构建新的通信网络经营模式。
甚至，我们的网络要进化到更高级的形态——智能自治网络，才能应对挑战。
二：通信行业适合 AI 生长吗？
通信行业对于 AI 来说，是一块肥沃的土壤。
AI 的四大要素（数据、算力、算法、场景），通信全部可以提供完美的支持。
数据
数据，是 AI 之源。我们说人工智能，机器学习、深度学习，学的是什么？就是数据。
换句话说，数据就是喂养 AI 的饲料。数据越多，AI 越强。
什么行业数据多？当然是 IT 和通信啊。
我们的通信网络，几百万设备，几十亿手机终端，将来还有几百亿物联网终端，每天都在产生大量的数据。
这些数据里面，既有用户的数据，也有网络自身的管理和运营数据。数据格式比较统一，颗粒度也比较小，非常适合作为学习样本。
而且，我们通信网络本身就具有连接属性，可以很方便地将数据进行搬运采集。
算力
这个就更不用说了。运营商本身就有大量的数据中心（DC），有大量的云计算资源。这些资源，可以为 AI 提供强大的算力支撑。
除了云计算中心，未来还有大量的边缘计算中心，也能够提供灵活的算力。
哪怕是手机这样的用户终端设备，现在也拥有相当强的 AI 算力。
算法
通信行业在 AI 算法开发上也是有先天优势的。
通信网络的很多场景都有极强的规律性，也有很多现成的工作模型。这些都可以为 AI 算法模型提供参考依据。
三：哪些通信场景，可以使用 AI？
前面说了数据、算力和算法。接下来，我们重点说说场景。
所谓场景，就是要搞明白——AI 到底能帮助 5G 和传统通信做哪些事情？
国内外各大标准组织对 AI 在通信领域的落地场景，都有各自不同的定义。
下面这个，是 ETSI ENI 定义的场景：
这个，是 GSMA 的定义：
看着有点多，小枣君稍微整理了一下，大概包括以下几个类别：
无线网络优化
告警分析
流量预测
网络切片管理
网络能耗控制
网络安全防护
我们分别来介绍一下。
无线网络优化
移动通信网络的网络优化，直接影响到用户的网络体验，一直是运营商的工作重点。
说白了，如何用最少的钱，让大家拥有最好的信号，是运营商每天绞尽脑汁在做的事情。
无线网络的优化和固定网络有很大的不同。电磁波在空间中传播，存在很多的不确定性。无线场景复杂多样，外部干扰千奇百怪，信道变化随机性强。
为了做好网络优化，运营商不得不投入大量的资金和人力，聘用或租赁人数众多的网优工程师，专门从事信号质量测试以及调参等网优工作。
采用 AI 的话，可以借助算力，在海量的网优数据中抽取隐含的关联特征和规则，然后建立算法模型，优化参数调整策略，提高网络资源利用率以及网络容量。
设备商展示的 AI 无线网络优化方案
AI 不仅可以用于已建成网络的质量优化，在网络早期规划建设阶段，就可以引入 AI，帮助提升规划的合理性，降低后期成本。
目前，AI 算法主要应用在多维智能分析和智能价值评估两个流程中。
智能规划全流程（《智能自治网络案例报告》，GSMA）
值得一提的是，无线网络优化确实是比较复杂的场景，有时候甚至人类都难以辨别和归类。所以，早期阶段的传统 AI 算法，建模准确率低，效果并不理想。
后来，随着时间的推移，AI 算法不断改进和优化，才慢慢变得成熟和可靠。
由此可见，通信领域的 AI 算法，也是一个不断打磨的过程。
告警分析和故障处理
未来的网络，虽然拓扑结构复杂，但一定是端到端网元全程可视的。
也就是说，整张网络，所有网元，都会呈现在管理维护者的面前。同时，所有的告警数据、KPI 关键指标异常，也都是可视化的。
巨大的信息量，仅靠简单规则过滤或人工识别，是非常困难的。
真正有价值的信息，会被淹没在海量数据中，遭到忽视，给网络运行带来隐患。
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。
四：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。
五：「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。
六：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。
（文章来源：鲜枣课堂）
