在國(guó)內(nèi)，上至七十歲老太，下至上小學(xué)的小朋友，只要最近換過(guò)手機(jī)的人，都聽(tīng)說(shuō)過(guò)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(lǐng)域的這陣風(fēng)，也刮到了CT領(lǐng)域。面對(duì)運(yùn)營(yíng)商網(wǎng)絡(luò)龐大的數(shù)據(jù)負(fù)載、較高的技術(shù)要求以及占很大比例的運(yùn)維費(fèi)用，如果網(wǎng)絡(luò)自己能具備智能，那就把很多技術(shù)人員都解放出來(lái)了，而且還能提高效率、減少開(kāi)支。那么無(wú)人不知的AI能否在無(wú)線網(wǎng)側(cè)復(fù)制神奇，且聽(tīng)中國(guó)移動(dòng)專家怎么說(shuō)。
 

對(duì)人工智能的迫切需求
 

關(guān)于CT是否需要AI的問(wèn)題，中國(guó)移動(dòng)專家表示，電信網(wǎng)絡(luò)引入AI是趨勢(shì)。從需求方面看，在引入5G和切片技術(shù)之后，眾多業(yè)務(wù)對(duì)網(wǎng)絡(luò)的靈活性和個(gè)性化要求越來(lái)越高，倒逼網(wǎng)絡(luò)轉(zhuǎn)型。同時(shí)政府和民眾對(duì)提速降費(fèi)呼聲很高，運(yùn)營(yíng)商控制網(wǎng)絡(luò)運(yùn)維成本的壓力變大，所以智能化的引入是趨勢(shì)，從而降低網(wǎng)絡(luò)運(yùn)維的人工投入，提升網(wǎng)絡(luò)優(yōu)化效率。
 

從AI的技術(shù)能力方面來(lái)看，AI是通用技術(shù)，興起于上世紀(jì)50年代，那時(shí)提出了機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)。直到上世紀(jì)90年代，AI進(jìn)入快速發(fā)展階段。后來(lái)到2006年出現(xiàn)了深度學(xué)習(xí)，公眾對(duì)AI的關(guān)注度也越來(lái)越高，“深藍(lán)”和AlphaGo的出現(xiàn)讓人們對(duì)AI的能力有了新的認(rèn)識(shí)。
 

關(guān)于AI在通信領(lǐng)域的應(yīng)用進(jìn)展，中國(guó)移動(dòng)專家表示，目前還處在起步階段。目前AI商業(yè)化應(yīng)用規(guī)模比較廣的領(lǐng)域主要是自然語(yǔ)言處理和視頻圖像處理等方面，在通信行業(yè)目前還處于起步階段。AI(狹義的機(jī)器學(xué)習(xí))的應(yīng)用和普及需要解決一系列問(wèn)題，例如需要大量標(biāo)簽化的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，深度學(xué)習(xí)的模型對(duì)計(jì)算復(fù)雜度要求高，而且是黑盒模式可解釋性差等。
 

無(wú)線網(wǎng)引入AI有待突破
 

AI在通信領(lǐng)域的應(yīng)用是大勢(shì)所趨，但剛剛起步，那無(wú)線網(wǎng)絡(luò)能否成為通信領(lǐng)域的第一個(gè)突破口呢?中國(guó)移動(dòng)專家表示，無(wú)線網(wǎng)絡(luò)本身的特點(diǎn)決定了AI引入的難度。
 

首先無(wú)線網(wǎng)絡(luò)獲取標(biāo)簽化數(shù)據(jù)的手段較少，成本比較高，規(guī)模也有限。無(wú)線網(wǎng)常規(guī)的路測(cè)和其他人工標(biāo)注手段(例如基于專家?guī)鞂?duì)告警數(shù)據(jù)進(jìn)行根因標(biāo)注)雖然能獲取標(biāo)簽化數(shù)據(jù)，但需要投入大量的人力物力，數(shù)據(jù)獲取成本高，數(shù)據(jù)涵蓋的應(yīng)用場(chǎng)景和范圍也有限。
 

其次，無(wú)線網(wǎng)的分布式架構(gòu)也會(huì)影響數(shù)據(jù)的采集。無(wú)線網(wǎng)采用分布式架構(gòu)，基站或傳輸設(shè)備不像核心網(wǎng)一樣集中，如果把無(wú)線網(wǎng)產(chǎn)生的數(shù)據(jù)進(jìn)行集中再處理，則需要大量設(shè)備機(jī)及其接口具備數(shù)據(jù)采集能力，數(shù)據(jù)匯聚和關(guān)聯(lián)的難度也相應(yīng)增加。
 

另一方面，數(shù)據(jù)的集中化采集與分析和實(shí)時(shí)性需求還會(huì)存在矛盾。如果實(shí)時(shí)性要求較高時(shí)，數(shù)據(jù)從采集、匯聚、分析處理到?jīng)Q策下發(fā)，需要經(jīng)歷完整的閉環(huán)才能實(shí)現(xiàn)，實(shí)時(shí)性會(huì)降低。因此，為保證無(wú)線網(wǎng)AI處理實(shí)時(shí)性，將來(lái)無(wú)線網(wǎng)可能采用混合式架構(gòu)，即分布式和集中式架構(gòu)混合。其中基于單個(gè)網(wǎng)元自身能獲取的數(shù)據(jù)即可實(shí)現(xiàn)分析決策就應(yīng)用可以采用分布式架構(gòu)來(lái)保證實(shí)時(shí)性;僅依賴單個(gè)網(wǎng)元可獲取數(shù)據(jù)無(wú)法形成決策的應(yīng)用，則需要更高層的數(shù)據(jù)匯聚分析系統(tǒng)(例如網(wǎng)管系統(tǒng))進(jìn)行集中式架構(gòu)的分析處理決策。
 

再次，特定場(chǎng)景下訓(xùn)練出的AI模型可能難以泛化應(yīng)用到其他場(chǎng)景。無(wú)線網(wǎng)絡(luò)性能和參數(shù)配置與部署場(chǎng)景特征、地理地貌等相關(guān)性強(qiáng)，基于部分場(chǎng)景獲取數(shù)據(jù)訓(xùn)練出來(lái)的AI模型可能很難泛化適用與全部場(chǎng)景。此外，無(wú)線網(wǎng)絡(luò)維護(hù)優(yōu)化的專業(yè)性要求較強(qiáng)，需要一定的邏輯解釋輸入輸出的關(guān)系，而AI(尤其是深度學(xué)習(xí))的黑盒學(xué)習(xí)特征難以滿足該需求。
 

最后，目前無(wú)線網(wǎng)絡(luò)設(shè)備的虛擬化程度還不足，不利于AI的引入。AI對(duì)算力要求高，而無(wú)線網(wǎng)絡(luò)設(shè)備相比核心網(wǎng)的虛擬化程度低，難以自持彈性擴(kuò)容，設(shè)備預(yù)留的算力有限，支持軟件定義方式的算法靈活調(diào)整能力不足。
 

其實(shí)，廣義的AI(包含自動(dòng)化技術(shù))也曾在無(wú)線網(wǎng)絡(luò)中開(kāi)展過(guò)一些有益的嘗試，例如自組織網(wǎng)絡(luò)技術(shù)(SON)在3G和4G網(wǎng)絡(luò)中就已引入并完成了相關(guān)標(biāo)準(zhǔn)化工作，目標(biāo)是實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)設(shè)備的自啟動(dòng)、自優(yōu)化、自治愈等效果。雖然在部分應(yīng)用點(diǎn)上取得了一定效果，但遠(yuǎn)未取得變革性、突破性的進(jìn)展。
 

因此，未來(lái)還需要不斷探索并努力攻克難關(guān)，解決上述關(guān)鍵問(wèn)題，只有這樣，AI在無(wú)線網(wǎng)絡(luò)中的規(guī)?；瘧?yīng)用才能形成有效突破。此外，AI在未來(lái)無(wú)線網(wǎng)絡(luò)中的定位到底是作為主導(dǎo)還是作為輔助也是一個(gè)值得探討的問(wèn)題。
 

數(shù)據(jù)是燃料，算力是發(fā)動(dòng)機(jī)
 

面對(duì)AI在無(wú)線網(wǎng)中的重重挑戰(zhàn)，中國(guó)移動(dòng)專家總結(jié)道：要實(shí)現(xiàn)AI的成功應(yīng)用，需要解決兩大基礎(chǔ)問(wèn)題——數(shù)據(jù)和算力。數(shù)據(jù)是燃料，算力是發(fā)動(dòng)機(jī)，要想獲得前進(jìn)的動(dòng)力，兩者必不可少。
 

在算力方面，一方面是要根據(jù)所引用的AI算法成熟度和復(fù)雜度，優(yōu)化設(shè)計(jì)無(wú)線網(wǎng)絡(luò)設(shè)備硬件架構(gòu)，兼顧C(jī)PU、GPU、FPGA等通用計(jì)算芯片的靈活性和ASIC、SoC芯片的高性能優(yōu)勢(shì)，取長(zhǎng)補(bǔ)短;另一方面是要結(jié)合無(wú)線網(wǎng)絡(luò)智能化應(yīng)用功能的需求和特征，匹配選擇合適的AI算法并優(yōu)化設(shè)計(jì)特征工程和算法模型。
 

在數(shù)據(jù)方面，一方面是要研究低成本、高效率地獲取可持續(xù)的、大規(guī)模的標(biāo)簽化的數(shù)據(jù)的技術(shù)手段;另一方面是要研究和應(yīng)用能擺脫或弱化對(duì)標(biāo)簽化數(shù)據(jù)依賴的AI算法。
 

面向無(wú)線網(wǎng)絡(luò)，在人工智能的引入方面，目前國(guó)內(nèi)外研究方向也不盡相同。在移動(dòng)性管理、無(wú)限資源管理、無(wú)線參數(shù)優(yōu)化配置、無(wú)線網(wǎng)絡(luò)維護(hù)、網(wǎng)絡(luò)指標(biāo)監(jiān)控和告警管理等具體應(yīng)用方面，國(guó)內(nèi)外的研究進(jìn)展和研究重點(diǎn)各有不同。
 

總之，路在腳下，無(wú)線AI之路還任重道遠(yuǎn)。