《中興通訊：2025年AICore技術體系白皮書（119頁）.pdf》由會員分享，可在線閱讀，更多相關《中興通訊：2025年AICore技術體系白皮書（119頁）.pdf（119頁珍藏版）》請在三個皮匠報告上搜索。

1、中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 1頁中興通訊中興通訊 AI Core 技術體系白皮技術體系白皮書書中興通訊中興通訊 AI Core 技術體系白皮書技術體系白皮書版本版本日期日期作者作者審核者審核者備注備注V1.02025.02.15陸光輝 10022349;陸紀文 10001607黃小兵 10019081;任祖軍 10001576何偉 10012990;陳曉鳳 00012695朱堃 10002747;于漾 00203527劉建華 10041769;牛嬌紅 00081825葉海洋 10022877;潘振春 10011840王衛斌 10002014陸光輝

2、 10022349柳勤 00013666 2025 ZTE Corporation.All rights reserved.2025 版權所有中興通訊股份有限公司保留所有權利版權聲明：本文檔著作權由中興通訊股份有限公司享有。文中涉及中興通訊股份有限公司的專有信息，未經中興通訊股份有限公司書面許可，任何單位和個人不得使用和泄漏該文檔以及該文檔包含的任何圖片、表格、數據及其他信息。本文檔中的信息隨著中興通訊股份有限公司產品和技術的進步將不斷更新，中興通訊股份有限公司不再通知此類信息的更新。中興通訊 AI Core 技術體系白皮書第 2頁中興通訊版權所有未經許可不得擴散目錄目錄1 引言引言.102

3、AI Core 發展現狀發展現狀.112.1 擁抱 AI+，業界積極推進核心網智能化.112.2 AI Core，機遇與挑戰并存.133 AI Core 技術體系技術體系架構和發展路徑架構和發展路徑.163.1 AI Core 技術體系架構.163.2 AI Core 發展路徑.174“AI+”業務：溝通無限可能業務：溝通無限可能.194.1“AI+”消息，打造可信多維智能服務.194.1.1 網絡詐騙風險凸顯.194.1.2 AI+消息帶來技術和價值升級.204.1.3 三層二面，“AI+”消息打造三類服務入口.214.1.4 多模態反詐大模型，護航可信消息通信.224.1.5 內生多維智能

4、體，開啟極智生活.254.1.6“AI+”消息未來，智驅世界.28中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 3頁4.2“AI+”新通話重塑語音網絡新價值.294.2.1 語音收入持續下滑，呼喚實時通信變革.294.2.2“四新一普”方案，打造“AI+”實時通信.324.2.3 雙向開放新架構，敏捷上新 AI 能力.334.2.4 兩大產業鏈，構建快速創新生態.434.2.5 三大智能新體驗，助力新通話商業閉環.454.2.6 六邊形新安全機制，打造盈利可信錨點.484.2.7 普適性新通話，加速實時通信價值重塑.504.2.8 下一代實時通信，挑戰及發展建議.

5、515“AI+”連接連接：挖掘數據價值挖掘數據價值.535.1 5G 進入平穩期，后繼發展乏力.535.2 三層架構四種能力，賦能智能連接.555.3 流量經營到體驗經營，創新連接商業模式.575.3.1 多維度跨層跨域畫像技術.595.3.2 智能軟硬協同業務識別技術.605.3.3 全息 KQI 體驗度量技術.625.4 賦能行業，拓展連接空間.63中興通訊 AI Core 技術體系白皮書第 4頁中興通訊版權所有未經許可不得擴散5.4.1 AI for 確定性，拓寬 OT 域服務廣度.645.4.2 網智融合，全面支撐邊緣應用.655.5 多技術融合，提升連接效率.665.5.1 AI+云

6、化技術，高效節能.665.5.2 AI+網絡技術，優化網絡信令負荷.675.6 安全內生，增加連接韌性.685.6.1 智能識別異常終端，預防信令風暴.685.6.2 基于數字孿生，生成信令風暴應對預案.695.7 場景化到全面 AI，面向 6G 持續演進.716“AI+”運維：重塑運維范式運維：重塑運維范式.726.1 網絡運維挑戰：三多、三新、三跨.736.2“四層一體”AI+運維新架構，邁入高階自智.746.3 大小模型協同，賦能高效運維.776.4 一體化數字孿生，構建高穩網絡.796.5 全閉環運維管理，降低運維成本.836.6 持續演進，目標“無人化”AI+運維.877“AI+”網

7、絡云：重塑算力底座網絡云：重塑算力底座.90中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 5頁7.1 資源池化技術，提升基礎設施資源利用率.917.2 智算存儲，滿足訓推任務高性能、高并發核心挑戰.957.3 開放高通道無損網絡，降低并行計算通信開銷.977.4 算力原生，打造異構算力解耦生態.997.5 分布式混池部署，滿足核心網應用綜合資源需求.1018 AI Core 部署關鍵要素部署關鍵要素.1028.1 360評估體系，選擇最優 AI 模型.1028.2 建改結合，構建層次化智算基礎設施.1048.3 層次化縱深防御安全體系，打造安全合規 AI.1069

8、 AI Core 實踐實踐.1089.1 全球首個組裝式”AI+”5G 新通話網絡.1089.2 業界首個分層分級 VIP 用戶保障商用.1099.3 網絡云自智網絡 L4 故障處理場景落地實踐.1109.4 消息反詐大模型助力涉詐短信案件量降低 64%.11310 未來未來核心核心網網智能化智能化演進展望演進展望.11511 縮略語縮略語.118中興通訊 AI Core 技術體系白皮書第 6頁中興通訊版權所有未經許可不得擴散圖目錄圖目錄圖 1-1ITU-R 定義的 IMT-2030 應用場景和關鍵能力.10圖 2-1Gartner“AI+”電信網絡應用場景.13圖 2-2Gartner 實現

9、“AI+”電信網絡主要挑戰.15圖 3-1“AI+”核心網技術體系架構.17圖 3-2“AI+”核心網技術路徑.18圖 4-1生成式 AI 發展趨勢.20圖 4-2三層二面架構.22圖 4-3多模態大模型架構.23圖 4-4多維智能體目標架構.26圖 4-5AI+消息未來發展.28圖 4-6不同區域選定運營商的語音使用量增減百分比.29圖 4-7全球 5G 連接占比趨勢（圖片來源:GSMA-The Mobile Economy 2024).30圖 4-8AI+新通話“四新一普”方案.32圖 4-9AI+新通話“四層五面”架構.34中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可

10、不得擴散第 7頁圖 4-10雙向開放架構.35圖 4-11插件化設備架構.36圖 4-12插件化框架.36圖 4-13插件動態編排.37圖 4-14插件化動態加載.38圖 4-15AI+新通話能力對外開放.39圖 4-16AI+新通話的控制層和媒體層智能內生.41圖 4-17AI+新通話的至簡網絡.43圖 4-18插件化產業鏈.44圖 4-19H5 產業鏈.45圖 4-20AIGC+個人語音驅動數字人應用.46圖 4-21AI 助理、AI 伴聊.47圖 4-22語音智能體入口和 APP 服務入口.48圖 4-23AI+新通話呼叫中心.48圖 4-24AI+新通話新安全六邊形.49圖 4-25A

11、I+新通話端到端安全架構.50圖 4-26下一代實時通信演進.52中興通訊 AI Core 技術體系白皮書第 8頁中興通訊版權所有未經許可不得擴散圖 5-120182023 年移動數據流量與收入發展情況（來源：工業和信息化部網站）.54圖 5-2AI+連接智能“3+4”架構.56圖 5-3體驗經營示意圖.58圖 5-4多維度畫像.59圖 5-5智能軟硬協同業務識別架構.61圖 5-6全息 KQI 體驗度量技術.63圖 5-7AI for 確定性網絡.65圖 5-8邊緣智算 UPF.66圖 5-9智能節電.67圖 5-10智能尋呼.68圖 5-11異動終端識別和防護.69圖 5-12基于數字孿生

12、的信令風暴模擬和防護.70圖 5-13從 5G 智能架構演進到 6G 智能架構.71圖 5-14網絡智能化演進.72圖 6-1網絡運維面臨的三跨挑戰.74圖 6-2“四層一體”核心網智能運維架構.75圖 6-3基于 LLM 大模型的高價值應用場景.78中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 9頁圖 6-4數字孿生模型目標方案.82圖 6-5全閉環運維管理的高價值場景流程和成效目標.84圖 6-6TM Forum 定義的自智網絡等級.88圖 7-1算力池化能力層級.92圖 7-2智算存儲需求及架構.96圖 7-3高通道無損網絡架構.97圖 7-4算力原生架構.

13、101圖 7-5AI+網絡云部署模式.101表目錄表目錄表 11-1縮略語.118中興通訊 AI Core 技術體系白皮書第 10頁中興通訊版權所有未經許可不得擴散1引言引言在數字化、網絡化和智能化轉型的今天，移動網絡和人工智能(Artificial Intelligence，AI)領域都在發生重大變革。在移動網絡領域，5G 已進入下半場，6G 開始啟動，5G應用發展正處于由技術驅動轉向價值牽引的關鍵窗口期，人工智能成為業務創新和提質增效的關鍵驅動力；而根據 ITU 和 3GPP 的時間表，6G 預計將在 2030 年具備商用能力，通信 AI 一體化作為 IMT-2030 愿景建議書中首次提及

14、的新場景，全球移動網絡研究者都在思考未來通信范式從“萬物互聯”向“萬物智聯”演進時網絡應該具有哪些新的特征。圖 1-1ITU-R 定義的 IMT-2030 應用場景和關鍵能力與此同時，人工智能領域也在發生著翻天覆地的變化。人工智能發展至今，已經經歷了三次高潮，兩次低谷時期。2022 年 11 月，OpenAI 公司發布的 ChatGPT 以及其采用 Transformer 算法和預訓練大模型的生成式 AI 技術，使得人工智能技術發展達到了中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 11頁前所未有的新高度，并由此迎來 AI 大模型技術拐點和炒作高峰。生成式 AI

15、技術，具有生成新內容、模仿人類創造力和創新性的能力，使其在眾多領域都能發揮重要作用，從而推動了人工智能領域的繁榮和進步。規模創造奇跡，更大的模型帶來更高的智能，隨著 AI 技術不斷發展，千行百業將可以利用 AI 更好地實現運營效率的提升和商業價值的創造，從“數字化”邁向“數智化”。因此，移動網絡和人工智能相互融合、相互促進、相互賦能，將成為今后幾年業界主旋律。一方面移動網絡可以利用 AI 助力網絡優化、異常檢測、能效改善、安全增強，多個維度推動移動網絡更加智能、創新和高效；另一方面可以通過移動網絡構建支持AI 業務的端到端高效網絡，實現云、邊和端全場景訓練和推理。本文通過分析核心網當前發展的挑

16、戰和機遇，通過引入 AI 技術實現 AI Core 來達成業務創新和降本提效，重點思考新一代 AI 技術在重塑核心網體系架構中的作用，并對核心網未來演進方向和挑戰進行了展望。2AI Core 發展現狀發展現狀2.1擁抱擁抱 AI+，業界積極推進核心網，業界積極推進核心網智能化智能化當前移動網絡正面臨著多重挑戰，第一個挑戰是用戶流失，主要體現在 OTT 以其靈活、快速業務創新、精準個性化服務和低廉費用大幅分流傳統移動網絡用戶；第二個挑戰是移動網絡業務應用單一和固化，無法滿足應用特征泛化、個性化的需求；第三個挑戰是移動網絡流量增長放緩，基于流量的營收模式遭遇瓶頸，運營商收入增長緩慢甚中興通訊 AI

17、 Core 技術體系白皮書第 12頁中興通訊版權所有未經許可不得擴散至下滑；第四個挑戰是自智網絡自主決策能力不足，主要體現在網絡優化成效和影響、變更影響、重大逃生操作影響等評估不足。如何通過利用人工智能技術打造 AI Core 應對當前移動網絡痛點，加速網絡范式轉變，業界正在積極行動，持續推進核心網智能化的發展。首先看一下宏觀政策。目前各國政府都在加大對人工智能領域的投資和政策支持，例如歐盟委員會通過了“數字歐洲計劃”2024 年工作計劃，將為包括人工智能和網絡安全在內的數字解決方案提供資金支持；中國在政府工作報告中提到深化大數據、人工智能等研發應用，開展“人工智能+”行動，打造具有國際競爭力

18、的數字產業集群。其次再看一下標準，在 3GPP 標準持續推進下，核心網智能化正在從外掛智能向分布式智能、原生智能演進。NWDAF 作為外掛智能，從 R15 到后續版本不斷發展。R15的 NWDAF 功能單一，僅支持網絡切片負載分析；在 R16 定義了集中式架構，能滿足基本數據分析要求；R17 實現了訓、推分離式架構，定義了分析邏輯功能（AnLF）和模型訓練邏輯功能（MTLF），還構建了支持多 NWDAF 協同的分層智能架構，并引入數據管理框架提升數據采集和分析效率。未來，NWDAF 可能會在分析能力、服務范圍等方面進一步拓展，以更好地適應不斷增長的業務需求。未來 6G，將在設計之初將 AI 融

19、入到架構、功能流程和協議，提供原生 AI 服務，即將其作為 6G 基本服務對內對外提供。最后再看一下運營商，全球運營商都在積極擁抱“AI+”。國內運營商積極推進 AI+戰略，以中移為例，實現全面 AI 戰略，從“5G+”邁向“AI+”，已發布 23 款 AI+產品中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 13頁及 20 個 AI+DICT 行業應用，5G 新通話成為中國移動 AI+戰略產品；國際運營商通過多方合作探索 AI 潛力。在同行合作方面，韓國 SK 電訊、德國電信、阿聯酋電信公司和新加坡電信等運營商簽署人工智能合作諒解備忘錄，組建“全球電信 AI 聯盟

20、”(GlobalTelco AI Alliance)旨在加速電信業務的AI轉型，借助AI驅動模型開發新的業務增長點。在云商合作方面，美國 AT&T 協同 Meta、微軟/OpenAI 共同推進基于人工智能的網絡優化和故障定位等場景，并已完成商用部署；澳大利亞 Telstra 協同微軟/OpenAI，開發基于 Microsoft Cloud 和 Azure OpenAI 自動生成電信網絡摘要、生成式問答知識庫，并已完成商用部署。Gartner 基于運營商 AI+實踐，總結出如下 20 大應用場景，包括體驗類如元宇宙業務分身等、效率類如故障檢測/網絡和資源優化等。如下圖所示。圖 2-1Gartne

21、r“AI+”電信網絡應用場景2.2AI Core，機遇與，機遇與挑戰挑戰并存并存通過引入 AI 技術，給核心網帶來了前所未有的機遇，例如可以幫助核心網催生新的應中興通訊 AI Core 技術體系白皮書第 14頁中興通訊版權所有未經許可不得擴散用場景和商業模式，提升網絡價值，也可以實現網絡的自感知與自優化，提升網絡的可靠性和用戶體驗；但是也會伴隨著一系列挑戰，包括如何確定高價值應用場景、如何獲取高質量的數據，以及數據安全和網絡安全等。機遇方面：業務升級：AI Core 推動了人工智能與網絡技術的深度融合，如語音、消息等，這種融合可以將傳統基礎短信、通話業務升級到內生智能的入口式業務，例如通過引入

22、“AI+”新通話實現視頻、數據交互、AIGC、智能體AI 入口、數智人等多種新通信能力，讓傳統語音業務具有了 OTT 社交軟件屬性，成為 APP 入口。運維變革：AI Core 可以借助 AI 大模型、數字孿生等技術，構建Copilot/Agent 協同的運維新范式，實現對網絡的智能運維和優化，提高網絡資源的利用率，降低新業務創新周期，提升運維運營效率。模式轉變：通過引入 AI 技術，不僅可以提升網絡智能感知能力，構建 5G差異化服務,還催生了新的商用模式，例如通過引入“AI+”連接來提升用戶體驗，實現流量經營到體驗經營的商業模式轉變。挑戰方面：根據 Gartner 報告分析，在電信網絡引入

23、AI 技術有如下挑戰，主要體現在如下幾個方面：中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 15頁圖 2-2Gartner 實現“AI+”電信網絡主要挑戰應用場景與商業閉環：引入 AI 技術的場景比較多，但是如何確定高價值應用場景并實現商業閉環成為比較大的挑戰，例如網絡優化、體驗提升等差異化場景帶來的價值大小不一。大模型不確定性：AI 大模型缺乏可解釋性、可控性，如何確保網絡中引入 AI 大模型能力確定和可控。必須有相應技術手段來實現高價值場景的可落地。高質量數據：大模型的能力提升依賴于高質量數據，但往往缺乏高質量數據，主要受限于數據隱私保護、數據獲取成本高、數據

24、稀缺性以及數據自身質量和數量不滿足需求。數據隱私與安全：AI Core 需要處理大量用戶數據，如何確保這些數據的安全和隱私成為了一大挑戰。必須采取有效的技術手段和管理措施，防止數據泄露和濫中興通訊 AI Core 技術體系白皮書第 16頁中興通訊版權所有未經許可不得擴散用。人才短缺與技能提升：AI Core 技術的快速發展對人才提出了更高的要求。然而，目前相關領域的人才儲備相對不足，且技能水平參差不齊。因此，需要加強人才培養和技能提升工作，以滿足技術發展的需求綜上所述，AI Core 在帶來機遇的同時，也伴隨著一系列挑戰。為了充分發揮其潛力并應對挑戰，需要各界共同努力，加強技術創新、完善法規政

25、策、培養專業人才，并推動相關標準和規范的制定與實施。3AI Core 技術體系技術體系架構和發展路徑架構和發展路徑3.1AI Core 技術體系架構技術體系架構結合 AI 技術的發展趨勢，以及當前核心網引入 AI 技術的機遇和挑戰分析，我們知道傳統的規模擴展方式逐漸放緩失效，核心網需要在業務、連接、運維、網絡云基礎設施四大領域進行系統化的重構，才能孵化更多業務場景，提升網絡價值，發揮網絡性能，降低管理運維難度和成本。為此，中興通訊結合自身轉型戰略和一線客戶需求，提出 AI Core 技術體系架構。AI Core 技術體系由“三層一域”構成（如下圖），分別是 AI+網絡云基礎設施層、“AI+”連

26、接層、“AI+”業務應用層和“AI+”運維域。其中“AI+”網絡云為核心網 AI 應用提供創新的 AI 算力底座，包括計算、存儲、網絡等硬件資源，以及資源管理和調度，提供裸金屬、虛機和容器等多樣化實例以及細粒度的資源池化能力，在此之上搭建訓中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 17頁推平臺提供應用 AI 使能能力；“AI+”連接提供 5GC 控制面和用戶面智能化，激發流量，增強體驗，挖掘數據價值；“AI+”業務提供消息和新通話的智能能力，為用戶帶來交互式、智能沉浸式新體驗，帶來無限溝通可能?！癆I+”運維通過重塑運維范式，支撐自智網絡向無人化演進。圖 3-

27、1“AI+”核心網技術體系架構3.2AI Core 發展路徑發展路徑AI 技術還在逐步發展中，移動網絡也在不斷變革，網絡建設也需要一個周期。為釋放AI 大模型極致潛力，同時結合網絡發展的節奏，我們認為 AI Core 的發展可以分為三個階段，如下圖所示：中興通訊 AI Core 技術體系白皮書第 18頁中興通訊版權所有未經許可不得擴散圖 3-2“AI+”核心網技術路徑階段一：“啟智”。這個時期最顯著的特征是人工智能正從“星星之火”走向“燎原之勢”。將 AI 大模型與網絡深度融合，不同運營商不同業務線條都有不同的需求，而且涉及到運營商的網絡規劃、建設、運維、運營與 IT 等眾多環節，每個環節的業

28、務場景對模型的精度要求也不同。要找到合適的技術應用場景成為關鍵，需要產業中的設備提供商與愿意探索創新的先鋒客戶共同努力。階段二：“強智”。當 AI 大模型邁進超十萬億參數量規模，模型能力再次升級，AI大模型可能真正進入到工業生產的每個環節。同時核心網經過啟智階段的積極探索，已經摸索出一整套經驗和方法，可以結合 AI 大模型能力，挖掘更多的網絡 AI 場景，實現 5G-A 網絡的更進一步變現和 AI 應用的進一步落地，為 6G 核心網內生智能奠定堅實基礎。階段三：“融智。這個階段是 6G 內生智能，目標是圍繞 AI 大模型和 AI agent 構建6G 內生智能核心網。該階段 AI Core 將

29、內生支持通信和 AI 一體化服務，實現自主環中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 19頁境感知、自主任務生成和自主執行任務的能力，賦能豐富多彩的新業務，支撐社會高效可持續發展。我們認為，AI Core 當前已處在“啟智”階段，國內外部分運營商正在按照分層思想構建 AI Core；面向中遠期，我們應重點攻關“強智和融智”的關鍵技術，盡快形成行業共識，加速相關核心技術和產業成熟。4“AI+”業務：溝通無限可能業務：溝通無限可能4.1“AI+”消息，打造可信多維智能服務消息，打造可信多維智能服務4.1.1網絡詐騙風險凸顯網絡詐騙風險凸顯根據全球反詐騙聯盟（GAS

30、A）2023 年的年度報告，網絡詐騙給全球消費者造成了約1.02 萬億美元的損失，相當于全球 GDP 的 1.05%。其次，根據全球經濟犯罪調查（GECS），51%的受訪組織在過去兩年中遭遇過欺詐，這是近 20 年來的最高水平。電信網絡業務，包括短信和語音/視頻通話，是全球使用最廣泛的通信手段，全球用戶數約為 93 億，成為網絡詐騙的主要目標。詐騙方通過頻繁變換欺詐內容和各種技術手段，使得欺詐不斷進化變得更加復雜，偽裝形式層出不窮，電信網絡詐騙進一步泛濫成災，不但造成群眾巨額經濟損失，還造成惡劣的社會影響。傳統治理系統主要基于靜態規則，無法動態調整和識別新變化，識別能力和效率低，人工成本大幅增

31、加，業務上線周期長，已遠遠無法滿足通信網絡的治理要求。中興通訊 AI Core 技術體系白皮書第 20頁中興通訊版權所有未經許可不得擴散4.1.2AI+消息帶來技術和價值升級消息帶來技術和價值升級對于電信網絡詐騙治理現狀及痛點，AI+消息多模態反詐大模型應用，開啟從傳統治理向 AI 治理模式的技術革新和升級，為新通信可信保駕護航，高效、準確和全面。根據 Gartner（全球權威咨詢公司）市場預測，對話式 AI 作為新興技術正在迎來廣闊前景，理想的情況下，如下圖：圖 4-1生成式 AI 發展趨勢到 2033 年，對話式 AI 平臺的營收將在生成式 AI（預生成模型）的驅動下增至848 億美元，而

32、 2022 年，這一數值僅為 69 億美元，年均復合年增長率達 25.5%。到 2027 年，在對話式交互解決方案中，生成式 AI 拉動的營收增長將超過傳統 AI方案創造的營收。技術供應商如果不在拐點到來之前采取行動，將面臨失去市場份額的風險。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 21頁到 2025 年，生成式 AI 將嵌入至 80%的對話式 AI 產品中，在 2023 這一比例僅為20%。5G 消息是對話式 AI 的重要入口，對于 ToC，構建高頻剛需入口、人人擁有一個專屬智能體成為主流發展趨勢，ToC 特點是以體驗優先，長期發展潛力大的業務。對于 To

33、B，Chatbot(應用號)是 5G 消息的殺手級應用，國內總數已達 130 萬+個，三年內將達數百萬至千萬個，千行百業 Chatbot 普遍具備強烈的 AI+能力集成和服務提供訴求，ToB行業 Chatbot 應用普遍付費意愿高，變現快，具備很大的經濟價值和發展空間；這些都給 AI+消息帶來重要發展機遇。4.1.3三層二面，三層二面，“AI+”消息打造三類服務入口消息打造三類服務入口網絡側消息平臺通過引入智能面與消息面無縫融合，形成三層二面的 AI+消息總體架構，如下圖。中興通訊 AI Core 技術體系白皮書第 22頁中興通訊版權所有未經許可不得擴散圖 4-2三層二面架構三層二面架構以智控

34、層意圖識別、能力編排為核心大腦，聚合調度各層、各面能力，構建 AI+消息服務入口，面向個人消費者（ToC）、行業與企業（ToB）、家庭（ToH）和其他（ToO）打造“AI+消息服務、AI+信息服務、AI+應用服務”三大類綜合服務。三層數據層：基于網絡、平臺或營帳日常運營，積累提供原始話單、數據和語料，經過數據處理、清洗為智能層提供核心和長期語料。智能層：包括大小模型和算法，利用語料訓練、精調或持續學習，內生各類 AI 大模型應用，與消息面緊密集成，完成業務服務流程。智控層：作為前置智慧大腦，具備目標用戶意圖識別、任務編排、任務分發、模板適配進和服務訂購，是 AI+消息綜合服務能力的核心控制和直

35、接供給層。二面消息面：移動通信消息業務和服務能力提供及通道，提供短信、彩信、5G消息和行業消息等服務。智能面：作為新增能力面，包括智控層、智能層和數據層，與消息面集成協同完成 AI+能力升級，提供最終用戶 AI+消息服務、信息服務和應用服務。4.1.4多模態反詐大模型，護航可信消息通信多模態反詐大模型，護航可信消息通信詐騙消息作為電信詐騙最常見的途徑之一，其內容、形式不斷變異和升級，以穿透電中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 23頁信運營商消息監控系統處理，如文本內容上通過組合變異、轉義字符、諧音、形近等種種手段突破關鍵詞規則；號碼監控策略上，通過海量號

36、碼池規避流量和關鍵字門限；發送方式上通過撥測等方法，一點突破，海量發送；媒體格式上，越來越多的通過圖片、音頻、視頻等方式替代文本發送。傳統反詐治理方案識別準確率差、效率低，響應和處理周期長，媒體內容識別困難、語言單一等嚴重局限性。AI+多模態大模型反詐治理，如下圖所示，以 AI 大語言模型、CV（機器視覺）大模型和多模態大模型為基礎，能夠識別和處理包括文本、圖像、圖文、音頻、視頻和文件等媒體類型，并具備強大的自然語言語義分析、情感識別、邏輯推理、歸納能力大幅提升準確性，多語種能力可識別國際主流語種和地區方言，如中文、英語、法語、廣東話、福建話、緬甸語等。圖 4-3多模態大模型架構多模態大模型反

37、詐有如下關鍵技術和特性：1.模型訓練：B+ZB 表示基礎預訓練大模型，Z 代表反詐消息監控適配層，預訓練大模型 B 通常十、百億級參數規模，具備較強的語義分析、情感識別、邏輯推理、歸納能力。中興通訊 AI Core 技術體系白皮書第 24頁中興通訊版權所有未經許可不得擴散在此基礎上，疊加 Z 的“反詐專用提示詞+反詐樣本微調”模型訓練方式，實現詐騙消息在數十萬級訓練樣本情況下，達到高水平的詐騙識別準確率和召回率。2.幻覺消除基于針對詐騙消息識別的“提示詞角色引導與輸出規約”技術，消除大模型常見的幻覺問題，提升大模型反詐識別的穩定性。提示詞（prompt）方法論框架為 CRISPE，CRISPE

38、 框架由五個部分組成，分別是Capacity and Role（角色）、Insight（洞察）、Statement（聲明）、Personality（個性）和 Experiment（實驗），按照 CRISPE 方法論構建反詐識別 prompt，使其能夠準確、可靠地執行特定任務，消除幻覺問題。3.MLOps基于 MLOps（Machine Learning Operations）機器學習運營，建立工作流程和自動化流程來提高大模型的自動化和運營能力，實現全工具化和任務工作流自動化，樣本數據自動導入、自動訓練精調、自動部署、自動推理，實現業務流閉環迭代，無需人工干預，保持系統能力的持續更新，大幅節省維

39、護成本和 OPEX。4.推理架構部署模式上可分為訓推合一和分布式推理兩種架構：(1)訓推合一架構，模型部署、訓練、精調和推理都在單個局點內部署，在節省算力和服務器的情況下，訓練和推理可共用算力資源；(2)分布式推理架構，可部署成中央訓練、分布推理的二級架構，即不需要在中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 25頁每個分布節點都部署訓練、精調模塊并進行訓練、精調，只需在中央節點一個點集中完成模型訓練、精調，再把完成的模型分發各分布節點直接部署和完成推理，可大大降低重復訓練、精調的資源、時間和成本。AI+多模態大模型反詐可達到高水平文本及多媒體識別準確率，遠遠超

40、過傳統方案，大幅降低人工審核成本、降低誤攔增加收入、降低用戶投訴，帶來綜合的經濟價值。社會價值方面，多模態大模型應用大幅提升用戶的通信體驗，打造可信、無憂通信服務，維護通信品牌形象和用戶滿意度，更多放心使用移動通信業務，在最大化減少人民群眾財產損失的同時，為維護社會穩定作出科技力量帶來的巨大貢獻。4.1.5內生多維智能體，開啟極智生活內生多維智能體，開啟極智生活作為 5G 消息殺手級應用的 Chatbot，對話是核心交互方式，目前 99%以上的 Chatbot不支持 AI 對話能力，除預先配置的菜單或固定關鍵詞外，無法識別用戶的任意輸入內容和要求，體驗嚴重不足。Chatbot 如通過自行升級方

41、式支持 AI 智能對話，方式一：自行開發，門檻高，周期長，成本非常高；方式二：調用第三方大模型接口和開放的能力，需要對 API 接口定制開發、聯調對接，API 收費，有一定研發成本和長期使用成本，QoS 質量依賴于公網無法保障。中興通訊 AI Core 技術體系白皮書第 26頁中興通訊版權所有未經許可不得擴散圖 4-4多維智能體目標架構網絡內生消息多維智能體，如上圖，面向 ToB 的 Chatbot 和領域智能體服務具備如下特點：無感開啟，無需作任何開發、改造；即時開通、可批量開通；QoS 保障，安全性高，數據不出網；成本最低。面向 ToC 方面，基于網絡、平臺語料和數據，長期積累和學習，提供

42、最懂用戶、千人千面、人人擁有專屬的個人智能體?；?AI+消息網絡內生多維智能體，有如下關鍵技術和特性：1.多種類型消息 AI 對話可支持短信、彩信和 5G 消息多維智能體能力對話。2.雙向多模態交互多模態大型模型是結合了大語言模型與對其他模態（如圖片、音、視頻等）數據的理解與生成能力的模型，整合文本、圖像、聲音、視頻等多種類型的輸入和輸出，提供更加豐富和自然的交互體驗。3.互聯網搜索生成在智能體對話中，經常會問到數據有實時性特點的問題，如天氣、股價等，這時候就中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 27頁需要智能體首先能聯網搜索獲實時更新的結果或最新刷新的

43、官方結果，再把搜索結果作為多模態大模型的輸入，補充提示詞后，生成得到最終結果。另一方面，生成式 AI 與搜索的深度結合，推動搜索引擎從“檢索”到“檢索+生成”的升級。生成式搜索，實現信息智能整合組織、內容創作、個性化內容體驗三個方面的體驗提升。4.文檔總結與歸納利用多模態大模型技術可對文檔內容進行自動分析和提煉，生成簡潔明了的總結或歸納報告。這種技術可以顯著提高文檔處理的效率和質量，幫助用戶快速把握文檔的核心內容，節省時間和精力。例如包括文檔關鍵信息提取、摘要生成、趨勢分析和數據可視化等。5.意圖識別意圖識別的目標是將用戶的自然語言輸入分類為具體的任務或操作，能夠為系統提供準確的上下文理解，顯

44、著提高問題解決的效率，減少用戶和系統之間的無效溝通，意圖識別技術需要支持對用戶多意圖的理解以及多輪對話管理。意圖識別也是智能體能力的入口和基礎，通過精準的意圖識別才能很好完成智能體及多智能體任務。AI+消息的重構和升級轉型，加速構建基于終端原生入口、碼號直達、安全可信的多模態智能體綜合入口服務，在商業模式方面，AI+消息實現商業模式升級，從傳統消息以按“條”和套餐收費為主的商業模式，疊加和新增差異化 AI 服務收費模式，為下一代消息通信帶來新的增長點。中興通訊 AI Core 技術體系白皮書第 28頁中興通訊版權所有未經許可不得擴散4.1.6“AI+”消息未來，智驅世界消息未來，智驅世界移動通

45、信消息業務經歷了過去 2/3/4G 網絡短信時代，現在 5G 網絡 5G 消息時代、AI+消息時代，并往未來 6G 網絡演進，AI+消息未來以消息智驅世界為目標和方向，以“消息萬聯、消息智聯、消息智驅”為核心發展理念與思路，如下圖：圖 4-5AI+消息未來發展意圖驅動、萬物智聯是未來網絡及 AI+發展的重要方向，而意圖驅動的本質是基于消息流的智能驅動，包括意圖識別、分解、執行和反饋，因此，消息智驅世界和智驅一切萬物是未來的必然發展趨勢。1.消息萬聯：未來消息通信將面向“人、萬物、應用與行業”等一切萬物消息流必達、可溝通、可理解和可執行，消息即服務，溝通人和一切萬物；2.消息智聯：消息與 AI

46、完全融合，AI+消息應用無處不在，消息即 AI，消息即 AI服務；3.消息智驅：以高準確意圖識別為基礎，基于終端原生消息統一入口、多維智能體能力，完成各類消息指令、實體事務和生活工作，消息即行動。消息智驅階段，以消息泛在、智能泛在、智驅泛在為主要特點，構建通信入口 3.0，支中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 29頁持泛在消息智能驅動一切服務和應用。4.2“AI+”新通話新通話重塑語音網絡新價值重塑語音網絡新價值4.2.1語音收入持續下滑，呼喚實時通信變革語音收入持續下滑，呼喚實時通信變革隨著 4G、5G 技術的普及、智能終端的廣泛應用和用戶通信體驗需求

47、的不斷升級，以市場定位精準、創新快、內容豐富著稱的 OTT 迎來了空前的發展，大幅分流著傳統通信用戶，已造成運營商的傳統語音業務量逐年下滑，此種現象在通信發達地區的表現更為明顯，見下圖。圖 4-6不同區域選定運營商的語音使用量增減百分比隨著 AI 元年到來，AI 技術呈現爆炸式發展，重塑著千行百業。AI 智能手機、OTT 憑中興通訊 AI Core 技術體系白皮書第 30頁中興通訊版權所有未經許可不得擴散借著各自的優勢，紛紛加入 AI 入口的爭奪，經營模式快速轉向智能化、個性化、虛實共生的體驗經營；運營商的傳統通信面臨著業務重塑、經營模式轉變和更大規模的用戶分流等多重挑戰。新通話的出現，為全球

48、運營商由用戶經營向體驗經營轉型提供了重要的發展機遇。新通話融合了 AI 與實時通信，催生了多樣化、智能化和個性化的應用，如點亮屏幕、明星來電、商務協同、數智人話務員、AI 代答、AI 伴聊、AI 生成數字人、智能體 AI 入口等，改變了人們對運營商的應用傳統、單調的形象。根據 GSMAThe Mobile Economy 2024報告預測，到 2030 年，全球 5G 連接平均采納率將達到 56%，通信發達地區此數值將超過 80%，見下圖；另外，隨著技術的發展和成本的降低，AI 眼鏡、AR 眼鏡等預計 2027 年將普適化、更適人等，為新通話的可持續發展帶來更多的機遇。圖 4-7全球 5G 連

49、接占比趨勢（圖片來源:GSMA-The Mobile Economy 2024)新通話具有廣闊的發展前景，目前還處在市場培育階段。移動運營商迎來重大發展機遇的同時，發展新通話也將面臨著如下諸多困難和挑戰：運營商當前新通話的生態創新能力低，與 AI 終端、OTT 競爭乏力中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 31頁新通話與 AI 終端、OTT 爭奪通信 AI 入口，呈鼎立之勢。新通話需要不斷地推出多元的智能化、個性化的新應用來滿足用戶體驗升級的需求，運營商的語音通信生態側重于網絡創新，應用創新能力明顯不及 OTT 和 AI 終端。VoNR 網絡封閉、架構復雜

50、、TTM 長，無法第一時間為用戶提供最新 AI 體驗VoNR 網絡是一個網元多、接口多、流程復雜的封閉的網絡，應用上線需要經過復雜的 FOA，無法動態加載和動態編排新能力快速生成新應用，不支持定制個性化應用和加載個人、企業的私有數字資產如私有數字人等，導致架構在 VoNR 網絡之上的新通話無法第一時間上線最新的 AI 應用。新通話處于發展初期，盈利模式還未形成，持續發展面臨商業閉環難題可視化、交互式、AI+、個性化的新通話的應用場景目前還在試驗、用戶群體正在培養，盈利模式需要繼續探索。同樣，AI 終端、OTT 廠商也進行著 AI 功能盈利模式的不同嘗試。AI+、可視化、交互式、個性化的新通話引

51、入新的安全、可信、隱私保護問題AI 對聲音、動作、形象的克隆，Data Channel 的 H5 小程序的頁面共享、白板等數據交互能力和可視的新通話給用戶帶來通信便利的同時也引入較大的安全風險。新通話終端普及和用戶習慣重新培養需要一個過程，制約著新通話的推廣進程交互式新通話和多模態 AI 入口需要終端支持 Data Channel（簡稱：DC）通信能力，目前部分品牌的終端已經支持 DC，但是 DC 終端由上市到普及還需要一個過程。智能、個性化、可視交互的新通話，豐富了體驗的同時，也在改變用戶在語音通信中中興通訊 AI Core 技術體系白皮書第 32頁中興通訊版權所有未經許可不得擴散養成的習慣

52、，需要時間去讓用戶適應。4.2.2“四新一普四新一普”方案，打造方案，打造“AI+”實時通信實時通信2023 年 OpenAI GPT 大語言模型拉開了人工智能的大幕，迎來 AI 元年；同年，中國移動正式商用全球首個新通話網絡。面對人工智能的爆炸式發展和上述新通話發展實踐中遇到的諸多困難與挑戰，中興通訊作為新通話解決方案的領先供應商，率先推出了基于開放生態的 AI+新通話。AI+新通話采用“四新一普”方案，打造“AI+”實時通信。新方案具有新架構、新生態、新體驗、新安全和普適性“四新一普”的特點，兼顧穩定與創新，提供智能、個性化的多元體驗，具有優秀的終端普適性、兼容性和網絡互通性，支持網絡開放

53、、可信安全和智能內生。圖 4-8AI+新通話“四新一普”方案中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 33頁4.2.3雙向開放新架構，敏捷上新雙向開放新架構，敏捷上新 AI 能力能力VoNR 網絡復雜，導致創新慢和上新周期長。VoNR 網元多、接口多、流程復雜、業務和媒體緊耦合等給新通話應用創新造成很大困難。開發一個新通話應用除了需要設計和研發業務邏輯，還需要進行復雜的流程、接口適配和測試，導致開發周期很長；業務和媒體緊耦合的缺點是消息多、流程和業務邏輯復雜，這些缺點在業務特征單一的語音通信中表現并不明顯，但是對于業務特征泛化的新通話，將是嚴重的；VoNR是一

54、個封閉的網絡，不支持動態加載新能力，增加新能力需要升級系統版本，FOA 過程復雜和耗時；這些問題不僅降低了 AI+新通話的創新速度，還延長了新功能上線的周期。因此，即便移動運營商擁有了與 OTT、AI 終端廠商抗衡的創新能力，也無法第一時間為用戶提供最新的 AI 業務體驗。VoNR 的多網元分設，增大了媒體時延和降低了網絡可靠性。VoNR 的媒體面與新通話的媒體網關分離、新通話媒體網關與 AI 服務器分設，導致新通話的媒體流需要在多個設備之間傳遞、拷貝和多次編解碼，既增大了時延和東西向帶寬，又不利于多模態媒體多流協同；同時還增加了組網的復雜度，不利于網絡穩定。另外，VoNR 網絡的封閉架構，阻

55、礙著新通話發展。運營商需要開放新通話網絡的能力助力行業開發可視、交互、智能的新通話應用，助力企業提升客戶服務質量和效率。AI+新通話采用“四層五面”架構設計，新架構至簡開放、智能自治，支持個性化定制，實現“零”等待、“零”風險的快速上新，賦能千行百業。中興通訊 AI Core 技術體系白皮書第 34頁中興通訊版權所有未經許可不得擴散圖 4-9AI+新通話“四層五面”架構智能媒體面：融合媒體和 AI，支持媒體能力、AI 能力的服務化和插件化。統一控制面：融合 CSCF/SSS 和能力開放平臺等，支持基本會話、路由等服務化。業務面：智能實現業務邏輯。統一數據面：融合用戶數據、數字資產、Agent

56、長短期記憶、鑒權認證、數字身份管理等。管理面：負責企業和個人數字資產上載、內容生成、內容審計、插件和 H5 小程序管理等。4.2.3.1雙向開放雙向開放新架構支持 AI+新通話網絡雙向開放。通過插件化架構向 AI 產業開放，打開封閉的傳統網絡，實現第三方 AI 為新通話網絡賦能；通過服務化架構將網絡能力和 AI 能力向開發者和應用開放，助力 AI+新通話網絡對外提供新通話業務、媒體和 AI 服務，為行業賦能。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 35頁圖 4-10 雙向開放架構1.動態可編排插件化技術賦能網絡插件化架構是一個設備和能力分離的開放框架，框架中

57、能力封裝為插件，插件與設備、插件與插件之間彼此解耦；通過插件化架構，網絡設備被拆分為底座設備和能力 AI 插件兩部分，能力插件運行在底座設備之中。底座設備由設備商提供，能力插件由專業的第三方供應商或設備商開發，分工協作。中興通訊 AI Core 技術體系白皮書第 36頁中興通訊版權所有未經許可不得擴散圖 4-11 插件化設備架構插件化架構分為四層：服務層、框架層、能力插件層和支撐層。服務層實現媒體能力服務化，為 AS 和能力開放提供媒體服務；框架層負責插件管理、編排和執行，形成插件流水線，組合出新的媒體能力；能力插件層是框架層加載到設備中的各種能力插件的集合，包括底座設備自有插件和第三方插件；

58、支撐層是插件的實時運行環境。圖 4-12插件化框架統一媒體面采用插件化框架，第三方的大模型、智能體、ASR、TTS、數字人驅動、音視頻編解碼、空間感知與計算、渲染、多語言翻譯和手勢識別等新通話能力都以插件的形式部署到媒體設備中，插件生態中的供應商強強聯合，推進 AI+新通話快速創新。插件化動態編排可以在線生成新媒體能力。插件遵循統一的接口標準，標準化的插件根據不同會話和不同應用的需要，在線編排出多樣化的媒體處理流水線。流水線支持中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 37頁多種執行模式，如：順序執行、復制并行、合并執行和流切換等?；谠硬寮?，通過動態編排，

59、實現“零”編碼動態生成新的媒體能力。另外，插件化流水線大幅簡化了媒體控制流程和 AS 業務邏輯。原先復雜的媒體調用流程，被媒體流水線替代；不同新通話應用的媒體邏輯被編排成相應的一條或多條媒體流水線，并分別服務化封裝，然后為每個服務分配全局唯一的服務編號（ServiceKey）供 AS 調用；省去了復雜媒體控制邏輯，實現 AS 邏輯輕量化。流程至簡和邏輯輕量化，讓 AS 新應用創新更加高效。圖 4-13 插件動態編排插件化支持插件動態加載，快速上載新能力。AI+新通話商用上線后，網絡增加新能力底座設備不需要升級系統版本，新能力插件通過框架層的插件管理在線動態加載、動態注冊到底座設備后實時運行，實

60、現“零”等待、“零”風險上線。插件動態加載兼顧了穩定與靈活，既保證了網絡穩定運行，又能快速上線新能力，既省去了復雜的 FOA，又大幅降低了 OPEX。中興通訊 AI Core 技術體系白皮書第 38頁中興通訊版權所有未經許可不得擴散圖 4-14 插件化動態加載2.多維度無感知能力開放技術，為行業賦能AI+新通話多維度無感知對外開放網絡能力，為行業賦能。AI+新通話通過 VoNR+能力平臺和行業網關實現多維度對外開放網絡能力，如業務能力和音視頻、Data Channel、數字人、AI 等媒體面能力。開放的能力用于行業敏捷開發 2B2C 新通話應用，為用戶提供可視、交互和智能的新通話服務，提升用戶

61、體驗和服務質量，如點亮屏幕、明星來電、新通話呼叫中心、數字人坐席等。應用與能力解耦實現接口和流程對能力變化無感。AI+新通話能力開放深度融合目標控制流程、服務化和 ServiceKey 媒體流水線技術，實現不同的 2B2C 應用的接口、調用流程的統一化和標準化；不同的 2B2C 應用采用相同的接口和流程調用業務和媒體能力。另外，企業基于新通話 API 開發新通話呼叫中心具有諸多優勢。呼叫中心使用 AI+新通話網絡的媒體能力，不用在企業部署媒體設備，媒體處理在運營商網內完成，不用中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 39頁迂回至企業，既降低了時延，又能幫助企

62、業節省至少 50%以上的傳輸線路租賃費用和避免呼叫中心媒體設備的一次性投資。圖 4-15 AI+新通話能力對外開放4.2.3.2智能內生智能內生智能內生讓設備具有了類人的大腦，實現設備智能自治。隨著人工智能的發展，通信特征逐漸泛化，不再局限在單一的語音通信、固定的業務流程，如意圖通信、XR 通信、數智人、生成式通信等。智能設備自動識別用戶意圖，自主完成能力插件的智能編排和調用，提供手工流水線無法預先定義的泛化服務。零訓練型意圖增強技術實現設備智能自治能力和低成本持續進化。智能體、大模型、RAG 和插件化構成一個零訓練型意圖引擎，基于此引擎的設備不需要頻繁訓練，只需要動態增量式增加新的 AI 能

63、力插件、知識庫，智能體就能通過高精度檢索學習快速找中興通訊 AI Core 技術體系白皮書第 40頁中興通訊版權所有未經許可不得擴散到解決問題的辦法，并調用新 AI 能力插件實現用戶意圖。另外，定期采用知識庫等語料精訓智能體、大模型，可以周期性提升意圖識別效率和臺階。多智能體協同與目標控制技術相結合，助力流程至簡。傳統通信網絡中的設備沒有智能體，無法自主完成決策；智能設備的智能體具有類腦能力，能夠自動識別多模態媒體、信令中顯性或隱性的意圖，自動完成決策、任務分解，自主調用各種工具插件，與其它設備智能體之間采用簡單的目標控制機制協同，不再需要傳統通信設備的過程控制、主從控制的復雜流程。AI 和媒

64、體智能編排技術，一體化處理多模態多流媒體，提升體驗。媒體加工和 AI 同一條流水線智能編排、執行，單點集中處理，媒體一次編解碼、存算一體，數據無需多次復制和遠距離傳輸，具有多流協同難度小、交互時延低、媒體無迂回、用戶體驗好和傳輸成本低的優點，大幅提升多模態通信、XR 通信的體驗。智能內生、訓推一體，隱私數據網內閉環，安全可信。意圖識別、語義提取等 AI 處理的私有數據資產不出網，在統一控制面、統一數據面、智能媒體面內完成推理，訓練和內容生成在管理面實現，可以有效防止用戶數據泄露和保護用戶的隱私。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 41頁圖 4-16 AI

65、+新通話的控制層和媒體層智能內生4.2.3.3網絡至簡網絡至簡AI+新通話采用多制式深度融合技術，實現網絡架構簡化、流程至簡。至簡新架構使得應用創新更加高效、網絡更加穩定。無狀態并發業務處理和 NFs 融合技術，實現控制面網元歸一和流程至簡。高頻業務 AS、控制面網元、能力開放網關等多網元通過 NFs 技術融合，簡化組網；網元歸一屏蔽了復雜的接口和調用關系，對外提供簡潔高效的路由、業務等能力服務。無狀態并發業務觸發、編排、沖突管理和調用等新技術，降低了多個業務之間的耦合度、簡化了流程?？刂泼娼y一，應用與網絡解耦，讓應用創新更加高效。智能一體機技術，融合了智能與媒體，實現媒體面集約化部署。高通量

66、、強計算、低中興通訊 AI Core 技術體系白皮書第 42頁中興通訊版權所有未經許可不得擴散時延、邊網協同的 XR、AI 等 AI+新通話應用需要 AI 和媒體設備邊緣部署，與終端之間的傳輸距離越短越好。智能媒體面采用一體機技術，融合裸金屬容器、插件化、服務化技術，實現 AI 網元、媒體網元集約化部署為一個網元，具有物理網元組網簡單和資源池擴展靈活的雙重優點。另外，智能媒體面設備內置 GPU，實現 AI 和媒體單點處理和深度融合。泛在數據管理技術，標準化和融合用戶數據、AI 數據和數字資產的管理與存儲。AI 數據和數字資產的管理、存儲的標準化，是 AI+新通話普適性、個性化的數據基礎，為數據

67、和新通話用戶在不同設備、不同地區、不同運營商網絡之間共享和遷移提供了保障。數據融合提供一站式數據服務。統一數據面采用分布式計算和存儲技術、向量數據庫等多模數據存儲技術和 RDMA、文件傳輸等多種傳輸技術，通過 SBI 控制總線、DCI 高速數據總線為網絡提供全網數據的生產、消費等全生命周期的管理、存儲和數據增值服務。數據管理提供用戶鑒權、數字身份認證和業務簽約等管理服務，數據存儲提供 AI 數據、數字資產、用戶信息等數據的采集、處理和存儲等服務。至簡新架構支持與現網兼容和互通。新架構引入融合、服務化的思想，來簡化網絡架構、流程、業務邏輯和減少接口數量。新架構實現網絡至簡的同時，支持與現有的傳統

68、網絡的兼容和互通。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 43頁圖 4-17 AI+新通話的至簡網絡4.2.4兩大產業鏈，構建快速創新生態兩大產業鏈，構建快速創新生態AI+新通話生態設計了兩條開放產業鏈，提升創新能力和效率。AI+新通話融合通信和智能，涉及媒體加工、ASR、TTS、多語言翻譯、智能體、NLP/CV/多模態大模型推理和訓練、聯邦學習、圖片/視頻/文本 AIGC、數字人驅動和生成、化身、3D 數字人、XR、裸眼 3D、渲染、AI 反詐、內容審計、分布式計算、H5 小程序等眾多高新技術領域；同時，AI+新通話打破了 CT 和 IT 的界限，除了提供

69、可視、交互式的通話功能外，還支持通過 AI 入口調用 IT 應用，提供導航、訂票、天氣、購物、檢索、咨詢等服務。目前的語音生態只是 AI+新通話生態的子集，龐大的新生態中體驗創新需要多個行業分工協作，高效的創新離不開科學機制的保障，為此 AI+新通話設計了兩條端到端開放產業鏈：插件化產業鏈和 H5 小程序產業鏈。另外，AI+新通話支持 CICD、灰度升級和提供數字孿生平臺，快速孵化新應用。1.插件化產業鏈生態圈中的不同廠家的 AI、數字人、XR、多語言翻譯、音視頻等能力以插件或容器的中興通訊 AI Core 技術體系白皮書第 44頁中興通訊版權所有未經許可不得擴散形式發布，通過插件工廠組裝測試

70、后發布到運營商的運管中心，按需部署到 AI+新通話的網絡，部署過程無需網絡設備版本升級。圖 4-18 插件化產業鏈2.H5 小程序產業鏈新通話無需終端安裝 APP，部分新應用需要終端和 AS 協同完成，終端側的新增功能以 H5 小程序的形式通過 Data Channel 自動下載到終端運行。H5 小程序、H5 新應用AS 開發商入駐 H5 生態，新產品通過 H5 工廠測試后發布上線。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 45頁圖 4-19 H5 產業鏈4.2.5三大智能新體驗，助力新通話商業閉環三大智能新體驗，助力新通話商業閉環AI+新通話基于插件化生態、

71、H5 生態和開放智能的新架構打造出“可視、交互、AI+、個性化”的 2B2C 新體驗。做實 VC/DC 通信，與數字人驅動、數字人生成、智能體、多語言翻譯等 AI 能力深度融合，推出“單向視頻+”、“AI 入口”、”AI+ToB 新通話”等端到端方案，構建內容變現、ToC 應用智能、ToB 智能體交互式商業通信閉環服務的盈利模式。另外，AI 翻譯、AI 商務速記、AI 手勢識別、趣味通話等 AI 應用，也為用戶提供了有趣、實用的體驗。4.2.5.1多要素融合單向視頻增強技術，智能變現視頻內容多要素融合單向視頻增強技術，智能變現視頻內容單向視頻+私有數字人、單向視頻+廣告，不改變用戶通信習慣的同

72、時，提升用戶可視體驗，并且保護用戶隱私。個人或企業通過 H5 portal 上傳的圖片等素材，由運營平臺的 AIGC 生成私有數字人、廣告素材，與單向視頻+流水線配合，推出通話前、通話中的個性化可視服務，實現視頻內容變現，如：企業名片、城市名片、企業數字人、個人語音驅動數字人等。中興通訊 AI Core 技術體系白皮書第 46頁中興通訊版權所有未經許可不得擴散圖 4-20 AIGC+個人語音驅動數字人應用4.2.5.2AI 入口多模態多入口多模態多 Agent 協同技術，業務智能重塑協同技術，業務智能重塑AI 入口智能重塑業務，拓展通信邊界，提供智能化、人性化通信應用，如：AI 助理、AI 伴

73、聊、語音智能體入口、APP 服務入口、企業呼叫中心入口等服務。AI 助理支持在用戶忙、不在線、免打擾時，代接電話和處理廣告、騷擾、快遞、詐騙等電話，提升 ARUP 值；AI 伴聊支持人與 AI 之間的通信，如明星來電，提供情緒價值，服務粉絲經濟、銀發經濟。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 47頁圖 4-21 AI 助理、AI 伴聊APP 服務入口提供一種 APP 使用的簡單模式。用戶輸入意圖，入口自動輸出結果，屏蔽 APP 復雜的操作，提供管家服務、高效服務，服務不愿意使用 APP 的人群，如銀發族。中興通訊 AI Core 技術體系白皮書第 48頁中

74、興通訊版權所有未經許可不得擴散圖 4-22 語音智能體入口和 APP 服務入口4.2.5.3AI+ToB 新通話數智化呼叫中心技術，提供智能體交互式商業服務新通話數智化呼叫中心技術，提供智能體交互式商業服務運營商在 B2C、工作、陌生人通信中占據主導地位，并且新通話 AI 能力全、普適性和互通性好，與 AI 終端、OTT 相比，新通話在 ToB 市場中占據絕對優勢。ToB 新通話具有“聽、視、觸、意圖、數字人”全方位能力，DC+H5 小程序通信觸摸式閉環，助力銷售和服務；數智人坐席 24 小時在線，降低服務成本；單向視頻，提升溝通效率、產品宣傳和保護用戶隱私等。圖 4-23 AI+新通話呼叫中

75、心4.2.6六邊形新安全機制，打造盈利可信錨點六邊形新安全機制，打造盈利可信錨點可信是新通話的錨點。新安全從可信空間、內容合規、通話安全、隱私保護、傳輸安全和運行安全六個方面打造端到端六邊形安全機制，守護 AI+新通話安全。AI+新通話的可視、交互、AI+和個性化的應用，相比語音通信，具有海量的私有數字資產需要保中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 49頁護，AI 生成和 AI 克隆讓用戶難辨真假，可能導致電詐數量上升，交互式 DC 新通話方便了通話中交易操作也讓電詐有了更多可乘之機，可視通話也可能會不經意泄露用戶隱私。ToB 應用是新通話的關鍵盈利模式，

76、可信是交易的前提，合同簽訂、開戶、簽名、支付等，都需要新通話提供端到端可信安全機制。圖 4-24 AI+新通話新安全六邊形AI+新通話提供端到端安全保障。新安全中，私有智能體、大模型、數字資產運行在專用的可信數字空間中，內容不出網，有效防止個人隱私泄露；數字身份認證、水印等為通信雙方提供可見的可信服務；單向視頻，保護用戶隱私；私有資產、會話信令、多模態媒體加密傳輸；內容審核平臺，負責對生成的內容、通過 H5 portal 上傳的個人或企業素材的內容進行合規審計；部署 AI 反詐大模型插件，提供守護寶應用，守護新通話通信安全。語音通信是運營商的基礎通信業務，AI+新通話提供 Bypass 方案、

77、智能流控、應用防火墻等容災安全機制，保障新通話安全運行的同時，確保不影響語音通信的穩定。中興通訊 AI Core 技術體系白皮書第 50頁中興通訊版權所有未經許可不得擴散圖 4-25 AI+新通話端到端安全架構4.2.7普適性新通話，加速實時通信價值重塑普適性新通話，加速實時通信價值重塑AI+新通話的不同應用對終端有不同的能力要求。視頻新通話、交互式新通話，分別需要終端支持單向或雙向視頻能力、Data Channel 能力。為了不改變“電信運營商應用不需要安裝 APP”的用戶習慣，交互式新通話普及需要等待支持 DC 能力的手機大量上市。全球通信市場發展不平衡，針對不同發展階段的通信市場、用戶習

78、慣、兩種能力終端的普及程度，我們設計了不同的發展策略和配套的普適性應用，加快新通話的發展，重塑實時通信價值。1.先視頻后交互、先單向后雙向為了不改變用戶的語音通信的習慣，可以通過“單向視頻+”多種應用，來培養用戶視頻通話的習慣，如點亮屏幕、主叫名片、視頻插播、趣味通話、ToB 視頻菜單式新通話呼叫中心等服務。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 51頁為了提升用戶使用視頻通話的粘性，單向視頻與 AI、內容生成融合，推出個性化數字人生成、語音驅動數字人、數字人坐席、明星來電（陪聊）、AI 代答等服務。2.先意圖交互，后 DC 交互DC手機普及需要時間，DC交

79、互新通話應用短時無法大范圍推廣。交互式新通話是ToB通信的重要需求，意圖新通話中通過語音 AI 入口的智能體來代替 DC，智能體根據用戶語音輸入的意圖自動完成各種 APP 調用，并把網頁等 APP 返回的結果轉換為單向視頻發給用戶，交互簡單高效，同時免去復雜的 APP 操作。DC 手機普及后，通過 DC 交互，可以提供拖拽、觸摸式應用，ToB 新通話商務操作將更加便利。另外，意圖和 DC 配合可以提供多模態超級智能體 AI 入口服務，多模態交互讓通信更加高效和隨心。4.2.8下一代實時通信，挑戰及發展建議下一代實時通信，挑戰及發展建議AI 和通信融合、沉浸多感、泛在連接、虛實共生已經成為 6G

80、 發展的共識。面向 6G的下一代實時通信是一個由數智人、化身、XR、意圖通信、AIGC 等智能應用和 AI眼鏡、AI 手機、XR 眼鏡、具身智能等智能設備組成的類人智能、沉浸、虛實共生的通信。下一代實時通信正處于市場培育期，面臨諸多挑戰；AI+新通話只是語音通信向下一代實時通信演進的一個中間階段。目前，數字人、意圖通信、AIGC、XR、具身智能的算力成本太高、產業鏈不成熟、技術分工界面不明確，DC 終端還未普及，XR終端的關鍵技術和人性化需要繼續攻關，XR、化身、AI+網絡、DC 終端 SDK 等標準正在制定，下一代實時通信需要定義新的架構和標準，智能應用盈利模式尚需探索，中興通訊 AI Co

81、re 技術體系白皮書第 52頁中興通訊版權所有未經許可不得擴散用戶新習慣培養需要一個過程等，制約著下一代實時通信的發展進程。根據當前標準現狀、產業鏈和技術成熟度、終端普適性和用戶習慣培養過程，下一代實時通信的演進可以大致劃分為三個階段：可視階段、意圖階段和泛在階段。2025年為可視新通話階段，重點發展單向視頻通信，不改變用戶語音通信操作模式，逐漸培養用戶視頻通信習慣；2026-2027 為意圖（AI+）新通話階段，打造智能體驗，重點發展 AI 入口、數智人等 AI 應用，重構語音價值；2028泛在實時通信階段，聚焦沉浸通信、泛在實時通信（URCN：Ubiquitous Real-time Co

82、mmunication）。圖 4-26 下一代實時通信演進下一代實時通信的可持續發展，離不開引領性的標準、端到端完整的產業鏈、開放的生態、明確的分工。通信的升級換代不可能一蹴而就，需要分階段進行；富集大量 CT/IT高新科技、產業鏈更長、生態圈更大，轉向體驗經營的下一代實時通信更需要標準先行，來協同生態圈中千行百業有序發展，打破目前 AI+高科技技術壁壘，打造普適性新通話；隨著 AI/XR、VC/DC 終端的普及，下一代實時通信將代替語音通信成為日常的基本通信。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 53頁5“AI+”連接連接：挖掘數據價值挖掘數據價值5.1

83、5G 進入平穩期，后繼發展乏力進入平穩期，后繼發展乏力自 2018 年 5G 建設啟動伊始，5G 建設已從高速發展期步入高質量穩定發展期。2024年二季度，全球 5G 用戶總數達到 18.7 億，東亞地區（中日韓）5G 用戶規模最大，達到 10.57 億，其中，中國 5G 用戶數達到 9.27 億。北美地區 5G 用戶數約 3.17億，歐洲地區 5G 用戶約 2.23 億，其他國家地區 5G 用 戶數約 2.81 億。然而，5G 帶來的純流量紅利消耗殆盡，并且隨著視頻技術的發展，單用戶 DOU 在未來不增反降，如視頻編解碼 H266 相對于 H265，碼率下降 49%，帶寬需求降低；1080P

84、高清業務受投資回報比影響，普及率被壓制。同時，5G 正邁入 5G-Advanced 階段，新技術的引入，將賦能低空經濟、車路協同等新興領域，拓展更廣闊的市場空間，但在敏捷性、可拓展性等方面也對網絡提出了更高的需求。此外，以 OpenAI 發布的ChatGPT 為標志，人工智能邁入新的階段，大模型的應用日益廣泛，深刻影響著包括電信行業在內的各行各業，既帶來了新的發展機遇，也提出了前所未有的挑戰。中興通訊 AI Core 技術體系白皮書第 54頁中興通訊版權所有未經許可不得擴散圖 5-1 20182023 年移動數據流量與收入發展情況（來源：工業和信息化部網站）收入增長停滯，需挖掘新的增長點流量增

85、長放緩，基于流量的營收模式遭遇瓶頸，運營商收入增長緩慢甚至下滑。新興業務未能為運營商帶來應有的商業價值。終端用戶消費模式固化，不利于新業務的推廣。管道差異化能力欠缺，精細化經營困難高價值用戶體驗缺乏針對性保障，業務差異化服務未能體現。運營商不了解用戶業務喜好，難以精準營銷，網絡價值降低。運營商缺乏用戶體驗數據，無法主動優化網絡。通用設備面向公網，無法契合行業多樣化需求中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 55頁工業領域需要專用工業 UPF，滿足確定性要求，并實現智能化編排。低空產業需要內置 AI 算法和算力的 UPF，實現通信和感知的融合。智慧交通領域需要

86、獨立的車聯網UPF，支持上行超大帶寬和下行超低時延，并實現 AI 動態編排。低時延、丟包敏感類業務在移動網絡中體驗差，阻礙 5G 向行業拓展。ICT 技術融合不足，亟需提效降耗資源利用率低，能耗高，不符合綠色發展路線，需要引入新技術節能降耗。云化技術和 AI 技術在移動網絡中的融合度不夠，資源編排和分配主要依賴靜態規劃。信令風暴頻發，構成巨大風險5G 網絡分層解耦，架構相對復雜；終端種類多、物聯網終端數量龐大；新業務、新應用層出不窮，信令消息激增。運營商雖已部署預防方案，但效果評估不足，應對效果不佳。5.2三層架構四種能力，賦能智能連接三層架構四種能力，賦能智能連接在 5G 核心網中引入 AI

87、，能夠有效應對當前的諸多挑戰，給連接注入新活力。通過引入 NWDAF 為大腦，PCF（AM、SM）為策略支撐點，各個網元內置的 AI Engine 為執行體，協同無線和終端，來構建端到端的 AI+連接。中興通訊 AI Core 技術體系白皮書第 56頁中興通訊版權所有未經許可不得擴散圖 5-2 AI+連接智能“3+4”架構AI+連接智能網絡采用 3 層架構：網絡內生層：對應核心網網元，在當前的核心網網元功能基礎上集成智能化處理單元/功能，并為功能業務應用場景部署獨立的工業 UPF；同時，采用數字孿生技術，孿生一個虛擬的數字網絡層。智能核心層：包含 NWDAF 和 NEF，NWDAF 作為智能面

88、大腦收集網絡內生層網元上報的數據，并基于 AI 算法執行預測以及策略決策，決策后的策略下發到網絡內生層執行，形成閉環；效果展示層：包含網絡運維展示界面，展示智能化執行效果。增強的 4 種能力包含：商業運營能力：從傳統的圍繞流量的經營模式，拓展到體驗經營模式；多行業支撐能力：網絡能力增強，可以提供更多的能力（比如確定性能力）和資中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 57頁源（比如算力資源），可以更好的為行業服務。多技術融合能力：各種技術結合 AI 后，更好的發揮各種技術的優勢；網絡安全能力：安全和 AI 結合，讓網絡變得更有韌性。5.3流量經營到體驗經營，創

89、新連接商業模式流量經營到體驗經營，創新連接商業模式一直以來移動網絡通過靜態簽約來為用戶提供不同等級的服務質量保障，然而，隨著技術的進步和各類應用的激增，一方面用戶需要更具針對性的業務體驗保障，并愿意為此付費，例如，直播用戶需要在熱門地點進行無卡頓的高清直播；電競用戶，需要降低時延，在競技時快人一步；商旅用戶為了高效的溝通，需要更好的通話效果和數據傳輸速度；另一方面運營商需要準確地感知不同場景的用戶需求和網絡狀況，動態調配網絡資源，實現價值變現。因此，針對網絡中不同等級的用戶，不同業務應用，不同的網絡場所提供差異化的體驗保障，包括：對于網絡中高價值用戶提供高等級的體驗；對于網絡中 Top N 的

90、體驗敏感應用（比如游戲，直播等）作為開展體驗保障的重點業務，推出各種保障套餐，供用戶選擇購買；對于用戶集中的特定場所（比如演唱會，體育館，高鐵等），提供針對特定用戶（比如安保，VIP 等）的保障；中興通訊 AI Core 技術體系白皮書第 58頁中興通訊版權所有未經許可不得擴散圖 5-3 體驗經營示意圖1.UPF 基于內置 AI 提供兩大關鍵能力：智能軟硬協同業務識別技術 和 全息 KQI體驗度量技術；2.NWDAF 基于收集的數據（比如來自智能 UPF 的用戶行為、體驗和質差數據，來自 RAN OAM 和網元的負荷），通過多維度跨層跨域畫像技術，實現如下能力：(1)業務畫像：幫助運營商發現網

91、絡中熱門應用以及各種應用的體驗數據，輔助運營進行業務套餐設計(2)用戶畫像：幫助運營商尋找目標客戶，精準向用戶推薦其喜好應用的體驗提升套餐(3)網絡畫像：幫助運營商分析網絡資源使用情況，尤其是重點場所（人員集中區域）的網絡擁塞情況，幫助運營商更好的運營體驗保障套餐；比如在重度擁塞區域部署多頻基站，通過 RFSP 將保障用戶分流到特定頻段，避免建立 GBR 專載進一步擠占普通用戶的資源。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 59頁5.3.1多維度跨層跨域畫像技術多維度跨層跨域畫像技術多維度畫像可以輔助運營商更好的開展體驗經營，比如運營商期望針對商旅人士開展一

92、個包含某種 Top 視頻業務的體驗提升套餐；則可以針對網絡中的用戶，基于移動性信息畫像發現經常大范圍移動的商旅人士，進一步分析用戶常使用的 Top 視頻業務，以及視頻業務使用體驗信息；精準發現某些商旅人士喜歡使用某一款視頻，且由于其經常出入人口集中的 CBD 區域導致出現了體驗不好；針對畫像出來的這部分用戶群，可以針對性的觸發邀約短信，邀請其簽約體驗提升套餐，提升其觀看視頻的體驗。圖 5-4 多維度畫像多維度跨層跨域畫像，包含了用戶維度+網絡維度+業務維度，畫像后的信息體現了特定用戶在特定場所下使用特定業務的體驗。為了完成精準的畫像以及基于畫像的體驗套餐運營，需要跨越跨層協同：無線和 NWDA

93、F 之間的數據采集，NWDAF 從無線側獲取到無線擁塞信息以輔助完成無線網忙閑維度的畫像；中興通訊 AI Core 技術體系白皮書第 60頁中興通訊版權所有未經許可不得擴散NF 和 NWDAF 之間的數據收集，NWDAF 從網絡層收集用戶使用業務的體驗數據以及用戶位置，移動性等數據，輔助完成用戶和業務維度的畫像NWDAF 和運營域的接口，NWDAF 基于畫像信息，向運營域推送信息，輔助體驗套餐運營，比如目標客戶，套餐體驗結果等等。5.3.2智能軟硬協同業務識別技術智能軟硬協同業務識別技術移動網絡中加密數據流占比越來越高，對于加密數據流需要基于報文的特征來識別，傳統的方法是從網絡中獲取數據流，離

94、線分析后生成特征庫，然后將生成的特征庫加載到網絡中完成對于加密數據流的識別；采用這種方式，從新應用出現到完成特征庫生成和加載需要較長的周期，對于爆款應用，可能錯過針對該應用開展體驗經營業務的最佳時間?；ヂ摼W各種應用的版本更新頻繁，采用特征庫識別方式，需要持續更新特征庫以匹配新版本應用，受限于特征庫從分析識別到完成加載的時間周期長，導致針對開展體驗經營應用的識別率下降，從而影響體驗經營的效果。面對移動網絡數據加密、應用版本易變等挑戰，傳統 SA 特征庫識別的方式在準確率和及時性有較大挑戰，無法滿足體驗經營的要求；需要引入基于 AI 的應用識別技術來匹配這種新需求。中興通訊 AI Core 技術體

95、系白皮書中興通訊版權所有未經許可不得擴散第 61頁圖 5-5 智能軟硬協同業務識別架構上述架構，借助 GPU 提供的超強算力，運行兩個關鍵智能組件：1.未知協議識別，具體包括：智能分析：業務流量自動分析，識別網絡新應用及已有應用更新，分析報文特征，進行流特征聚類智能標注：借助大語言模型，分析同類應用的不同業務流關聯性，實現業務的聚合及標注；特征生成：生成協議特征，并進行有效性驗證；生成的新特征庫在線加載到 UPF，實現特征庫在線更新，特征庫更新周期縮短到天。中興通訊 AI Core 技術體系白皮書第 62頁中興通訊版權所有未經許可不得擴散2.未應用細分，具體包括：離線訓練細分業務識別 AI 模

96、型在線完成數據流推理，識別業務流歸屬的細分應用，比如社交軟件中的語音通話，視頻通話，文本傳遞，文件傳遞等。開展體驗經營業務時，可以針對細分的應用，分配對應的 GBR 保障帶寬，實現精準的資源配置，最大化使用無線資源。5.3.3全息全息 KQI 體驗度量技術體驗度量技術在推進體驗經營套餐的過程中，精準衡量用戶業務體驗成為了關鍵所在，這要求我們采用一種能立體、真實地反映用戶體驗的度量技術全息 KQI 度量技術。該技術通過多維度的 KQI 指標，實現了對用戶體驗全方位、深層次的度量。以往，體驗度量主要依賴于傳輸數據、播放器消息數據和操作系統信息數據的綜合收集與分析。然而，在運營商開展的體驗經營場景中

97、，由于數據流加密等復雜因素，直接獲取播放器和操作系統等詳細數據變得極為困難。這一局限性在傳統的度量方式下構成了巨大的挑戰。全息 KQI 度量技術則打破了這一瓶頸。它采用 AI 算法，通過分析數據流，提取數據流的各種特征（比如包長分布，時延，流量等），通過建模的方式，生成各種不同用戶體驗的應用數據流對應的數據模型；后續網絡中的真實數據流，同樣提取數據流的特征，通過模型推理，獲取到數據流對應的各種真實體驗指標（KQI）。這相當于全方位提取數據流的特征，將這些特征投影到模型中，模型通過推理運算，還原用戶的真實中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 63頁體驗指標。

98、借助該技術，運營商可深入解析視頻、游戲等數據流，即便在數據加密的情況下，也能準確捕捉并提煉出對應的 KQI 體驗指標。這種技術不僅具備高度的精準性，而且將用戶體驗的多個細節都立體、真實地呈現出來，為運營商準確衡量并優化用戶體驗提供了有力的技術支持。圖 5-6 全息 KQI 體驗度量技術5.4賦能行業，拓展連接空間賦能行業，拓展連接空間無線連接取代有線連接，需要滿足千行百業的需求，總結起來，行業應用對于連接的主要訴求如下：中興通訊 AI Core 技術體系白皮書第 64頁中興通訊版權所有未經許可不得擴散1.行業應用需要連接提供確定性，比如保證工業生產過程中的指令按照預期有序執行；無線網絡提供確定

99、性連接有兩種方式，一是外置 TSN 網關保證數據傳輸的確定性，這會帶來更好的成本，二是內置 TSN 網關，提供內生確定性，這對于網絡的端到端編排提出了較高的要求，如果依賴于手工配置，會帶來大量的網絡配置和維護工作失去了引入無線連接提升網絡靈活性的價值，有必要引入 AI 實現智能編排。2.行業應用有低時延需求，比如工業生產，這要求 UPF 能夠下沉到工業園區，同時由于工業應用機房環境有限因此對于 UPF 設備提出了更多的環境等需求，需要部署適用于工業環境的工業 UPF，同時工業檢測等領域需要做圖像檢測等處理，這需要 AI 算力，因此在有限的工業機房中需要提供集成 AI 算力的工業 UPF。5.4

100、.1AI for 確定性，拓寬確定性，拓寬 OT 域服務廣度域服務廣度面對工業 4.0 時代對生產效率與精度的極致追求，傳統網絡架構已難以滿足工業生產中對于低時延、高可靠性和確定性傳輸的迫切需求。為解決這一難題，我們創新性地在工業生產現場部署了 OT-UPF，旨在為企業提供便捷的就近接入服務。通過內置 AI能力，OT-UPF 打破了傳統 5G 網絡“盡力而為”的傳輸局限，為工業生產量身定制了確定性傳輸通道。這一變革性舉措不僅避免了傳統 TSN 網絡配置復雜、運維繁瑣的困境，更以生產任務為導向，智能優化端到端轉發調度，確保整個傳輸路徑上的確定性，為工業生產的數字化轉型與效率提升奠定了堅實基礎。中

101、興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 65頁圖 5-7 AI for 確定性網絡1.在工業生產現場部署 OT-UPF，為企業提供就近接入；2.OT-UPF 內置 AI 能力為企業提供確定性傳輸通道；傳統的 5G 網絡是一種盡力而為的傳輸通道，滿足不了工業確定性需求，為了滿足工業確定性指標要求，需要引入 TSN 并進行端到端的配置規劃，這給網絡運維帶來了巨大的復雜性；引入AI 以后，以工業生產任務為主線，在每個主線條上自動進行轉發調度（設置門控調度規則），保障端到端的協同從而達到整個傳輸路徑上的確定性。5.4.2網智融合，全面支撐邊緣應用網智融合，全面支撐邊緣

102、應用面對邊緣應用中的算力分散、模型泛化不足及數據安全隱患，邊緣智算 UPF 應運而生。作為新一代網絡基礎設施，它集成 AI 算力，為智能業務和裝備提供一站式算網底座，吸引并壯大智能工業/園區等 5G 專網生態圈。從專用 AI 模型到通用大模型，邊緣智算UPF 的 AI 能力持續增強，且隨著 AI 板卡能力的提升，實現從離線到在線訓推一體，中興通訊 AI Core 技術體系白皮書第 66頁中興通訊版權所有未經許可不得擴散確保實時動態調整并避免數據外流，為園區智能化轉型提供堅實保障。圖 5-8 邊緣智算 UPF1.邊緣智算 UPF 集成 AI 算力，為智能業務和裝備 提供一站式算網底座，吸引并壯大

103、智能工業 5G 專網生態圈2.邊緣智算 UPF 從提供針對特定場景（比如機器視覺模型）的專用，逐步泛化到支持通用場景的 AI 大模型；AI 模型的泛化能力逐步增強。3.隨著嵌入的 AI 板卡能力的提升，邊緣智算 UPF 從離線訓練+在線推理，逐步增強到在線訓練+在線推理（訓推一體）實現實時動態調整，并有效避免數據離開園區。5.5多技術融合，提升連接效率多技術融合，提升連接效率5.5.1AI+云化技術，高效節能云化技術，高效節能核心網引入虛擬化技術后，可以通過降頻/休眠方式實現空閑時節能；進一步引入 AI后可以提升對于網絡空閑的預測準確度，實現動態的精準節能，提升節能效果。場景：NF 的負荷在不

104、同時間段存在波動，在低負荷區間可以通過降頻/休眠實現節能，在高負荷區間需要取消降頻/休眠：中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 67頁圖 5-9 智能節電AI 應用：AI 控制中心基于從 NF 收集的歷史負荷數據，使用 AI 算法推算在后續時間段內 NF 的負荷數據；當采用休眠方式時，將原來運行在多個 vCPU 上的線程，遷移到集中的少量線程中，由于不減少運行的線程數量，因此不改變原有的負荷分擔，業務基本不感知，用戶體驗不受影響。5.5.2AI+網絡技術，優化網絡信令負荷網絡技術，優化網絡信令負荷尋呼信令在網絡信令中占比很大，因此網絡發展過程中持續在做尋呼

105、信令的優化，過程中始終需要考慮減少尋呼信令和減少尋呼成功時間的平衡，通常情況下，大范圍尋呼可以減少尋呼成功時間，先小范圍尋呼再擴大范圍逐步尋呼可以減少尋呼的信令，因此減少尋呼信令和減少尋呼成功時間是一對矛盾，傳統采用固定策略的方式很難達到最優的平衡；引入 AI 技術，基于用戶軌跡畫像，可以實現最優平衡。智能尋呼方案，AMF 內置 AI，基于用戶的歷史活動軌跡推算出當前尋呼時間用戶最可中興通訊 AI Core 技術體系白皮書第 68頁中興通訊版權所有未經許可不得擴散能停留的基站，然后向幾率最高的一個或者幾個基站發起尋呼，達到尋呼效率和尋呼時間的最優平衡。圖 5-10 智能尋呼5.6安全內生，增加

106、連接韌性安全內生，增加連接韌性隨著移動網絡發展，連接規模越來越龐大，海量連接容易觸發信令風暴，給網絡安全帶來巨大的風險，例如，加拿大 R 運營商發生大規模網絡中斷，時長約 19 個小時；日本 K 運營商發生全網業務癱瘓，中斷時間長達 62 個小時。業務穩定是通信產業的根基，網絡癱瘓不僅會造成運營商直接收入損失和巨額賠償，還會影響到運營商的品牌聲譽乃至生存發展。因此預防并應對信令風暴成為運營商的共識，而借助 AI 技術能夠有效預防和高效應對信令風暴。5.6.1智能識別異常終端，預防信令風暴智能識別異常終端，預防信令風暴隨著 5G 網絡的快速發展，網絡攻擊手段日益復雜多變，異常終端的頻繁出現成為網

107、絡安全的重大隱患。因此，通過智能識別技術及時發現并隔離異常終端，有效預防網中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 69頁絡被攻擊，是確保網絡穩定運行、避免信令風暴發生的關鍵舉措。圖 5-11 異動終端識別和防護1.NWDAF 內置智能調度平臺，通過收集各個網元上報的控制面和用戶面數據，通過 AI 算法訓練并生成正常用戶的行為基線；2.NWDAF 基于行為基線進一步推理判斷當前活躍的用戶是否超越了基線，從而判定用戶為異動終端，對于判定的異動終端，基于預定義的處理策略對于用戶執行禁止接入一段時間（Parking 用戶），禁止用戶使用數據業務（服務禁止），分離用戶

108、等。5.6.2基于數字孿生，生成信令風暴應對預案基于數字孿生，生成信令風暴應對預案在人工智能技術的推動下，數字孿生網絡為我們提供了前所未有的網絡問題洞察與預防能力。數字孿生網絡通過精準復制生產網絡的信令處理能力，結合 AI 算法預測話務中興通訊 AI Core 技術體系白皮書第 70頁中興通訊版權所有未經許可不得擴散增長與信令變化，提前識別網絡瓶頸，模擬異常場景下的信令沖擊，為優化網絡性能、預防信令風暴提供科學依據，確保在面臨網絡壓力時，能夠迅速響應并給出針對性的優化建議。圖 5-12 基于數字孿生的信令風暴模擬和防護1.部署數字孿生網絡，網絡中各個孿生節點的信令處理能力遵從生產網絡中的各個節

109、點的能力2.從生產網絡中采集話務數據，并采用 AI 方法進行端到端信令增長預測，比如當5G 注冊增加時，相應的 UDM 側的交互信令也會同步增加；由此分析，隨著用戶數和話務模型的增長，生產網絡中率先出現瓶頸的節點和接口；針對性的提前部署應對措施；3.模擬網絡異常（比如某個節點發生故障）情況下的突發信令沖擊，模擬該信令沖擊下網絡的恢復時間和各個節點的恢復時間，對于收到沖擊最大的節點，給出優化建議；比如網絡出現故障時，由于大量用戶的重新注冊，導致 UDM 受到巨大沖擊，為了減緩沖擊，建議限制 AMF 向 UDM 發起的消息數量，并結合 UDM 的中興通訊 AI Core 技術體系白皮書中興通訊版權

110、所有未經許可不得擴散第 71頁能力給出具體的建議值。5.7場景化到全面場景化到全面 AI，面向，面向 6G 持續演進持續演進5G 在現有的網絡連接基礎上引入 AI，以應對一些當前網絡面臨的挑戰；采用這種疊加方式引入 AI 好處是：（1）針對具體的場景應用 AI，模型更有針對性，更高效；（2）對于現有架構和流程沖擊小，更容易部署；但是，采用疊加方式缺點也是很明顯的：（1）模型通用性/泛化能力差，每次出現新需求場景都需要重新開發模型，開通周期長；（2）模型數量多，模型管理復雜。因此，網絡演進到 6G 后，需要網絡內生 AI，從 6G 系統的各個單元收集數據并完成系統級的大模型訓練，將訓練出的通信大

111、模型應用到 6G 系統的各個決策點，從而使得網絡決策變得更智能、更高效，比如資源分配，比如負荷均衡，比如路徑選擇等等。圖 5-13 從 5G 智能架構演進到 6G 智能架構從 5G AI+連接演進到 6G 連接內生智能是一個持續演進的過程，演進過程中，AI 應用場景不斷擴大，比如從人網擴展到行業網；AI 技術的不斷增強，比如從簡單的機器學中興通訊 AI Core 技術體系白皮書第 72頁中興通訊版權所有未經許可不得擴散習到水平和垂直領域的聯邦學習，從離線訓練+在線推理到在線訓練+推理。圖 5-14 網絡智能化演進6“AI+”運維：重塑運維范式運維：重塑運維范式通信領域與千行百業的數字化轉型不斷

112、加速，新網絡、新業務和新技術持續涌現，網絡結構趨于復雜，業務應用多樣化，運維管理更為復雜，網絡安全與隱私保護的重要性也越發突顯。傳統人工運維方式受效率和能力的限制，已無法適應當前的運維需求。在此背景下，運維自動化和智能化成為業界的共識，智能運維成為保持競爭力的關鍵所在。意圖網絡、大模型、數字孿生等新興技術的問世為智能運維帶來新的契機。這些技術具有諸多優勢，如人性化的人機交互模式，可處理海量格式化數據，能進行高精度的分析與預測，還可實施高逼真度的仿真驗證等。引入 AI 大模型、意圖網絡和數字孿生等技術，構建“AI+”運維，可重塑核心網運維范式，推進運營商從 TMF 自智網絡的L3 級運維朝著 L

113、4+高階自智運維發展。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 73頁6.1網絡運維挑戰：三多、三新、三跨網絡運維挑戰：三多、三新、三跨隨著 5G 網絡的發展和虛擬化云化技術的引入，通信網絡愈發復雜，通信業務日益多樣，基礎設施和業務系統面臨多種復雜狀況，主要表現如下：三多：多接入、多類型、多網元，維護成本高。運營商大多存在 2G/3G/4G/5G多接入網絡、數據和語音網絡、運營商公網和專網并存，使得網元數量和接口數量成倍增加，導致運維難度增加，OPEX 成本上升。三跨：跨層、跨域、跨廠家，運維復雜，人工運維難以應對。虛擬化架構包含硬件層、虛擬層和網絡功能層，每

114、層的產品可以由多廠家提供；端到端網絡也存在無線域、承載域、傳輸域、核心網域等多域并存。如要實現端到端的運維和故障定界定位，需跨層、跨域、跨廠家相互協作，導致運維管理復雜度和難度指數級上升。人工操作周期長、效率低、出錯率高，難以應對復雜場景的運維。中興通訊 AI Core 技術體系白皮書第 74頁中興通訊版權所有未經許可不得擴散圖 6-1網絡運維面臨的三跨挑戰三新：新業務、新架構、新技術，需重塑運維范式。新業務：5G 網絡不斷涌現新業務，如新通話、XR、元宇宙、工業互聯、無人機等。這些業務上市時間緊，需求更新頻繁，還往往伴隨著海量數據，并且對實時性和可用性要求極高。此外，不同行業客戶的業務需求與

115、服務水平協議（SLA）要求也存在差異。因此，迫切需要智能運維對各個網絡進行精準管理，按照不同網絡的需求開展智能運維工作，保障高度穩定、安全，確保業務持續運行，提升用戶滿意度。新架構：SBA（基于服務的架構）的服務化將網絡功能拆分成多個獨立的服務，需要對每個服務單獨進行監控、管理和故障排查。當業務流程改變，例如新增一種業務場景需要不同服務組合時，能夠及時調整服務編排策略。傳統的手動監控方式無法滿足這些需求，需要自動化的監控手段實時獲取各個網元的狀態信息，如性能指標、故障告警等，同時還要借助智能化手段分析網元之間的關聯，便于出現問題時迅速確定故障根源。新技術：AI 大模型、意圖網絡、數字孿生等新興

116、技術出現后，行業標準組織和運營商都在積極探索如何將這些新技術應用到網絡運維領域，從而實現核心網的智能化運維。例如，可以利用 AI 大模型的強大分析能力預測網絡故障，也可運用數字孿生技術對網絡進行模擬和優化等。6.2“四層一體四層一體”AI+運維新架構，邁入高階自智運維新架構，邁入高階自智為積極應對核心網運維的諸多挑戰，同時兼顧業界對自動化和智能化的需求，需構建中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 75頁基于意圖網絡、大小模型和數字孿生體的“四層一體”核心網智能運維新架構，實現網絡、數據、模型和應用的全開放解耦，推進網絡邁入高階自智階段。如下圖所示，該架構通

117、過大小模型、異構模型的解耦協同與平滑演進，打造靈活編排的數智技術底座，賦能高效運維；通過數據、模型、應用一體化的數字孿生體為規劃、建設、運維和優化賦能，精準構建高穩網絡；通過涵蓋監控中心、排障中心、應急中心和變更中心的統一運維門戶，賦能全閉環網絡變更、全閉環監控排障、全閉環投訴處理等高價值運維場景，推動網絡運維從被動應急模式轉變為主動高效模式，持續削減 Opex 運維成本。圖 6-2“四層一體”核心網智能運維架構此系統架構包括四層一體：網絡層、數據層、模型層、應用層和數字孿生體。1.網絡層：涵蓋 2G/3G/4G/5G/IMS 的核心網現有原子網元，這些原子網元是構建整個核心網的基礎要素，為網

118、絡的運行提供了最基本的物理或邏輯實體支持。2.數據層：在整個架構中扮演著提供高質量語料數據的關鍵角色，其中包含通用知中興通訊 AI Core 技術體系白皮書第 76頁中興通訊版權所有未經許可不得擴散識庫、大數據、OMC、MANO 和 CHR/UDR 等網元。這些網元通過收集、整理和存儲各類數據，為上層的智能分析和運維決策提供了豐富的數據資源。3.模型層：是核心網智能運維架構的核心部分之一。它以大/小模型為強大智能引擎，致力于打造一個可組裝、可編排且能夠自主迭代的數智技術底座。通過引入大小模型構建起以大模型為基礎核心、小模型 Agent 為智能應用的新型使能運維系統。通過疊加各產品專家多年經驗沉

119、淀精調語料集，能夠提供面向交互、分析、生成等多方面的大模型服務。4.應用層：基于智能層構建的數智技術底座，能夠智能編排生成自智應用、AI Agents專家集群、Copilot 助手團隊等多應用能力。通過意圖交互、內容生成、多任務串接等功能相結合，能夠輕松應對核心網在規劃、建設、維護、優化、運營等多復雜運維場景下的能力要求。例如，在網絡規劃階段，可以根據業務需求和資源狀況智能編排網絡建設方案；在運維階段，可以快速定位故障并提供解決方案。5.數字孿生體:借助數字孿生仿真平臺，構建“業務模型+孿生應用”相結合的架構。這種架構有助于實現孿生應用的快速部署、業務的敏捷創新和高穩網絡的精準構建。例如可以在

120、數字孿生環境中仿真網元本體，構建網元孿生體，同時仿真業務流程，提前發現潛在問題并優化解決方案。依托“四層一體”架構，核心網智能運維系統支撐內生智能，具備基于 AI 大模型智能體的智能網絡感知與監控、智能網絡分析與診斷等能力；具備基于數字孿生體的智能網絡評估與決策、智能網絡變更與執行等能力，并形成全閉環控制機制，助力網絡實現自配置、自優化和自修復。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 77頁6.3大小模型協同，賦能高效運維大小模型協同，賦能高效運維AI 大模型，可基于海量數據進行高精度的數據分析與預測，以自然語言快速回答用戶的各種問題，提升工作學習效率，改善

121、人機交互體驗。還能高效處理文本，啟發創新方案，如文檔的生成與分析，在多方面為用戶創造便利和價值。隨著通訊網絡和業務變得越發復雜，核心網運維人員需要掌握多種產品的專業知識，并具備很強的故障分析與解決能力。但面對海量數據和眾多故障點時，人工運維就難以快速定位和排查故障。為降低運維人員的學習和運維成本，提升系統智能運維分析和方案生成能力，“四層一體”核心網智能運維系統依托通信領域大語言模型能力與 AI Agent 智能體服務，結合通訊通用知識和各產品專家多年經驗沉淀的精調語料集，構建智能交互、智能分析、智能生成等大模型服務，以滿足規、建、維、優、營等復雜運維場景的要求，推動網絡向 L4+高階自智演進

122、。此系統通過智能體協同的檢索增強生成技術（Agentic RAG）構建統一智能交互門戶，實現通訊知識問答和網絡運行狀況檢查等功能；通過泛化意圖理解與精準運維相結合的大小模型協同技術，實現快速、高效的智能分析，提供故障診斷、網絡優化和例行檢查等功能；通過基于強化學習的智能生成技術，提供高效的文本處理能力，能夠快速生成重大操作方案和觀察報告等文檔。中興通訊 AI Core 技術體系白皮書第 78頁中興通訊版權所有未經許可不得擴散圖 6-3基于 LLM 大模型的高價值應用場景智能體協同的檢索增強生成技術（Agentic RAG）首先，該技術通過通用 RAG 能力構建起統一的知識獲取門戶，憑借基于 L

123、LM 大模型的知識問答與解答，使用戶快速掌握 2G、3G、4G、5G 等各類產品的專業知識。其次，增強型 Agentic RAG 把 AI 智能體融入 RAG 流程，協調各組件以執行超出簡單信息檢索和生成的更多操作。這使得回答準確率可達 95%以上，并且答案內容在元素、圖片、文字等形式上更加豐富，既方便檢索又提高檢索效率，還降低了運維人員的學習成本。同時，采用 Agentic RAG 技術可自動識別運維人員對 KPI（關鍵績效指標）的診斷和分析意圖，自適應調用不同運維系統的應用程序接口（API），借助 NL2SQL（自然語言到結構化查詢語言）快速獲取數據。這種高效靈活且場景個性化的方式有助于打

124、造智能交互門戶，讓人人都能瞬間成為“通信專家”。泛化意圖理解與精準運維結合的大小模型協同技術中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 79頁通過提供輕量級算法引擎、迭代數據學習和業務體驗注入，構建可視知識地圖，提高運維事件關聯規則的建立效率。經實踐驗證，基于 AI 的迭代學習和專家經驗，可在 1小時內完成 100 萬告警或事件規則的挖掘；基于關聯告警事件聚合，可大大減少告警數量，告警聚合壓縮率達到 80%以上。大模型通常解決泛化的意圖理解，而小模型用于精準的解決實際運維斷點。通過大小模型協同，可實現故障檢測、故障定位、故障逃生與恢復的全閉環，并協助完成網絡優化

125、和例行檢查等操作。實踐證明，故障檢測時間可縮短為 1 分鐘，故障定位時間可減小 50%，故障恢復時間可減少 50%人力?；趶娀瘜W習的智能生成技術基于強化學習的智能生成技術為新手解決了文檔編輯的難題。對于新手來說，編輯諸如重大解決方案、智能報告等文檔是極為繁瑣且極具挑戰性的工作。該技術借助基于 LLM（大型語言模型）的生成能力，能夠把全球網絡規劃和建設方案歸檔到數據湖中。然后運用大模型學習歷史規劃數據，進而生成電信領域的規劃模型參數和解決方案等，可用于客戶現場交流，提升用戶體驗。經實踐驗證，利用該技術準確生成解決方案的時間能夠降低 70%，其生成的方案具有較高的準確性和可靠性。6.4一體化數字

126、孿生，構建高穩網絡一體化數字孿生，構建高穩網絡“四層一體”核心網智能運維系統，憑借數字孿生技術，融合大語言模型 LLM、智能中興通訊 AI Core 技術體系白皮書第 80頁中興通訊版權所有未經許可不得擴散體服務 AI Agent 與多模態大模型（MMLM），構建數字孿生體，提供核心網系統、設備和組件的數字孿生模型，具備跨廠家模型的管理能力。它可通過編排或低代碼開發構建孿生模型，依據廠家模型信息調用能力獲取計算結果，還具備呈現能力（以可視化方式在用戶門戶呈現孿生體計算結果）和北向能力（供運營支撐系統調用）；還可為運維提供可視、仿真、預測、策略反饋等能力，以低成本提供定性與定量分析能力，支撐從人

127、工決策向機器決策轉變，賦能高階自智演進，進而實現運維自動化閉環。同時，為構建高穩網絡，數字孿生體搭建了數據、模型、應用一體化的系統架構，為規劃、建設、運維、優化等應用場景賦能。在移動通信網絡中，核心網處于中樞位置，是終端與業務服務器連接的必經通道，其穩定性和可靠性直接影響網絡業務的可用性。若核心網出現信令風暴，必然致使網絡長時間無法使用，業務也會長期中斷，影響范圍廣泛。為增強核心網抵御信令風暴的能力，可運用數字孿生技術對核心網的狀態和網元行為進行孿生，開展網絡故障、事件模擬以及信令風暴過程的演練，進而發現并優化網絡薄弱之處，提升網絡的抗風險能力。多業務仿真驗證與優化數字孿生體利用構建的孿生體仿

128、真網絡，開展多業務場景與解決方案的仿真驗證工作。比如，模擬高流量業務場景下網絡的性能情況，或者驗證新的網絡優化方案是否可行。運用 AI 算法和統計方法對現網數據進行分析處理，獲取網元機理、網絡信令、網絡拓撲、路由權重、網絡話務、終端恢復行為、網元恢復行為等關鍵網絡信息模型。然后結合孿生技術，完成核心網組網狀態和配置的數字化仿真建模。通過靈活編排孿生核心網的網元運行狀態、網絡信令流量等故障事件，模擬多種異常中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 81頁場景引發的網絡信令風暴沖擊，分析并找出信令風暴和業務恢復過程中的網絡瓶頸點及其影響程度，從而實現核心網的孿生。

129、鑒于現網中不同廠商的網元、終端在運行機理和恢復行為方面存在差異，所以有必要針對現網各廠商的網絡信息進行個性化學習與建模。層次化模型構建與映射數字孿生模型是數字孿生網絡的重要組成部分。它以感知到的網絡數據為基礎，將物理實體的網絡映射到虛擬空間，構建出與物理實體相同的孿生數字網絡。數字孿生模型的構建，重點在于對多源異構數據進行分類與歸并。針對不同的網絡域構建相應網絡層級的數字孿生模型，這些模型包含基礎屬性信息和場景功能信息，并且具備接受指令與反饋事件的能力。為了適應不同場景下模型的共享性和差異性，采用了層次化模型構建與映射的方法。這種方法將數字孿生模型劃分為不同層次，每個層次有各自的功能和特點，它

130、們共同實現對物理世界全面的映射和模擬，有助于清晰地理解和構建數字孿生的各個部分。數字孿生模型構建包含基礎模型構建和業務模型構建兩部分，如下圖所示?；A模型層是針對單個物理網絡實體的模型定義，從多個維度構建數字孿生模型，如運行規則模型、屬性定義模型、數據模型等，這與物理網絡實體的類型密切相關；業務模型則是針對特定的孿生應用場景，對基礎模型進行組裝融合，利用采集到的網絡數據，從不同維度構建或擴展數字孿生模型。按照實現功能來劃分，可分為拓撲規則模型、流量擬真模型、網絡路徑模型、事件檢測模型、網絡質量模型、孿生體管控模型等。中興通訊 AI Core 技術體系白皮書第 82頁中興通訊版權所有未經許可不得

131、擴散圖 6-4數字孿生模型目標方案孿生體自主評估與決策機制數字孿生網絡目標的實現與落地并非一蹴而就，而是需要持續的目標牽引并不斷迭代推進。在數字孿生技術中，孿生體的自主決策與協同機制是數字孿生體系達到高級階段的重要標志，這體現了數字孿生在模擬、監控、分析的基礎上朝著更智能化的方向發展。對數字孿生網絡能力進行閉環評估時，構建量化評估指標體系并建立“評估-分析-提升-再評估”的閉環機制，是檢驗自身能力建設成效、推動數字孿生網絡能力提升以及確保系統規劃頂層設計得以執行落地的有效手段。在智能容災倒換、信令風暴仿真評估場景中，采用定性和定量相結合的方法，首先對數字孿生網絡信令沖擊仿真分級標準各級別特征和

132、能力、場景需求進行分解，梳理出客觀、可量化的關鍵成效關鍵指標，制定評價方法，然后分別對各場景的網絡沖擊孿中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 83頁生仿真能力的建設成效評價，再結合網絡智能運營場景覆蓋率，最終對運營商數字孿生網絡能力建設成效綜合評估。通過“評估-分析-提升-再評估”的閉環機制識別短板差距，建立問題清單并跟進問題解決，持續推進數字孿生網絡能力提升和全場景智慧化運營水平。6.5全閉環運維管理，降低運維成本全閉環運維管理，降低運維成本全閉環運維管理，是一種從問題發現、分析、解決到反饋優化的全方位、無死角管理模式。它不僅僅關注于故障的即時處理，更注

133、重通過數據分析與預測，提前識別潛在風險，實現運維工作的前置化、智能化。這一模式的核心價值是在于，通過集成監控、自動化工具、AI 算法等多維度技術手段，構建了一個自我學習、自我優化的運維生態系統。針對核心網網絡面臨的挑戰，綜合 TMF AN L4 推薦的關鍵價值場景與運營商實際生產需求，當前的全閉環運維管理主要包括全閉環網絡變更、全閉環監控排障、全閉環投訴處理三大高價值場景，其流程和成效目標如下圖所示：中興通訊 AI Core 技術體系白皮書第 84頁中興通訊版權所有未經許可不得擴散圖 6-5全閉環運維管理的高價值場景流程和成效目標全閉環網絡變更在通信設備的運維流程中，全閉環網絡變更是極為關鍵的

134、端到端場景，涉及網絡架構、設備、配置、安全等多方面的調整與優化。網絡變更從制定計劃開始，要歷經變更前、變更中、變更后的諸多步驟，包括方案制作、提交審核、發布操作、操作執行、業務驗證、值守分析，直至最后的變更工單歸檔等環節。在這個端到端的流程中，存在人工扭轉、審核等步驟，這會影響變更操作的時效性。而智能網絡變更與執行能夠實現流程可編排、操作自動化。例如：升級、割接、擴容等重大操作可實現全流程自動化，能進行分鐘級的模板設計，任務可定時、批量執行；各網元操作有監控大屏，流程可定義，過程可監控，業務指標能分鐘級展示，還能快速定制巡檢任務，實現一鍵式巡檢。借助智能網絡變更流程，整體操作的故障隱患可降為

135、0，操作步驟的自動化率能夠逐年遞增 15%以上。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 85頁全閉環監控排障全閉環監控排障涵蓋從源頭到終端的整個數據傳輸過程。在此過程中，通過監控系統實時追蹤通信設備運行狀態，收集與分析運行數據，及時發現潛在問題或故障并采取相應解決措施，確保通信設備穩定運行。網絡監控排障一般以監控流程開始，開展多維度、多層次健康監控，進行智能指標異常檢測與故障/隱患智能識別工作。并借助對指標波動性、周期性、趨勢性等數據的分析，自動構建指標異常識別模型，通過智能故障分析，提供告警聚合、KPI 異常分析等能力，實現網元多場景多維度智能分析定位故障

136、、網絡跨層故障診斷，并自動輸出診斷圖和根因?；诟婢竽Ｐ偷母婢酆戏桨?，提供輕量化算法引擎，數據 AI 迭代學習，業務經驗注入，建立關聯告警匯聚規則。通過聚合規則、空間關系聚合關聯告警，提升告警規則挖掘效率，大幅減少告警數量，提升故障定位效率?；?KPI 大模型的異常分析，自動理解運維人員 KPI 分析意圖，自動適配和調用不同運維系統 API，在數分鐘內輔助運維人員完成異常 KPI 異常分析，實現自助異常分析高效運維，效率可提升 50%。在個性化的異常分析場景可以任意調度任意串接，訴求覆蓋率提升 1 倍以上AI 安全生產方案，提供網元級、網絡級安全保護方案，建立內生安全機制，通過安全策略中

137、心實現資源智能微隔離、入侵主動檢測、病毒防護以及資產安全管理，實現智能化微隔離，對異常流量主機快速的安全隔離；內生安全對 5G 網絡入網、運行進行主動防御、主動檢測，增強安全策略自動部署，加強 VNF 內生安全能力。中興通訊 AI Core 技術體系白皮書第 86頁中興通訊版權所有未經許可不得擴散應急中心，一鍵故障逃生機制，可預置多種故障應急預案，統一管理、集中控制，自動化、可視化執行應急操作，縮短故障恢復時長。全閉環投訴處理在通信設備的運維流程中，投訴處理屬于重要的端到端場景。其通常包括投訴接收與分析、投訴問題分揀與派單、投訴內容分析、投訴結果回單等環節。在通訊領域，要對用戶投訴涉及的 XD

138、R 話單和相關信令進行提取分析，從而精準定位用戶投訴的問題。然而，由于這一過程步驟繁多、調用系統復雜、問題定位難度大，往往需要較長時間來完成問題分析，用戶體驗不佳。為改善這種情況，提高投訴處理效率，有必要在關鍵步驟引入更優的處理機制。以意圖驅動投訴處理工作，借助相關靜態經驗知識、投訴案例檢索、投訴關聯數據查詢、信令智能分析、單域原子能力調用以及大模型綜合推理，將專業室能力前移到監控室，突破專業室技能的限制，從而縮短投訴分析與處理的時長。以時間范圍、業務類型、具體接口、用戶號碼等作為查詢條件，檢查現網數據采集是否完整、時鐘是否同步等情況，確保數據質量達到可進行下一步分析的要求。依據 XDR 話單

139、，根據失敗的 XDR 關聯出失敗信令，解析出失敗原因碼，將失敗原因翻譯出來，進而給出解決方案。在上述典型的全閉環運維場景中，“四層一體”架構下的監控中心、排障中心、應急中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 87頁中心和變更中心這四個中心門戶系統被充分利用。這四個系統強有力地支撐核心網的AI+智能運維能力，實現智能網絡感知與監控、智能網絡分析與診斷、智能網絡評估與決策、智能網絡變更與執行這四項核心能力，推動網絡實現自愈、自優化和作業自動化，從而降低 Opex 運維成本。6.6持續演進，目標持續演進，目標“無人化無人化”AI+運維運維TM Forum 定義了自

140、智網絡等級，用于指導網絡和業務實現自動化與智能化，評估自智網絡業務的價值和增益，指導運營商和廠商的智能化升級，并詳細介紹了自智網絡分級評估方法和流程、任務評估標準、評分方法等，各運營商都在積極推進自智網絡的實踐。目標實現 L5 級全流程系統自動化，所有場景均將交由系統自動完成，實現理想的“無人化”智能運維新范式。然而，在實際應用中，“無人化”運維會遭遇技術復雜性、安全與隱私、人為干預的必要性以及監管與合規性等挑戰。因此，未來運維的演進可在多維智能體協作可編排、基于多模態大模型的自適應智能體協同、基于 AI 和數字孿生雙輪驅動的融合底座等關鍵技術方面持續增強，并使其有機融合，實現更加高效的運維，

141、打造更加高穩的網絡，不斷降低運維成本。中興通訊 AI Core 技術體系白皮書第 88頁中興通訊版權所有未經許可不得擴散圖 6-6TM Forum 定義的自智網絡等級多維智能體協作可編排技術，多維智能體協作可編排技術，是“無人化”運維應用的創新保障。智能普惠與連接智能是未來網絡的重要愿景。未來網絡除了作為連接基礎設施之外，在架構層還應基于原生設計支持 AI，為用戶提供 AIaaS 服務，其服務范圍不僅包含連接服務，還涉及內生的計算、數據、AI 等服務。在運維過程中，必然要將 AI、數字孿生、大模型等關鍵技術進行有機組合與編排。當多個智能體向網絡發出服務請求后，按照需求編排服務流程，將其部署到滿

142、足能力要求的網絡節點運行，最終輸出全局決策來指示智能體。這些技術能夠為智能運維應用場景中的大量多智體協同作業需求（例如故障自我發現、自愈修復、自動報告等）提供支持。在多維資源聯合尋優方面，引入強化學習技術感知生產網絡和資源的動態變化，實現與用戶需求的最優匹配，這也是實現“無人化”運維應用的創新保障?；诙嗄B大模型的自適應智能體協同技術，基于多模態大模型的自適應智能體協同技術，是“無人化”運維模型能力提升關鍵因素。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 89頁此技術融合了多模態大模型與自適應智能體協同控制。該技術借助多模態大模型的能力，讓智能體能夠理解并處理

143、多種模態的信息，依據這些信息以及環境的改變自動調整策略與行為，進而達成多個智能體間的協同工作。多模態大模型可處理和理解多種類型的信息，如文本、圖片、音頻、視頻等，在通信運維領域還涵蓋表格、日志、圖形碼流等模態數據。這種模型可以執行更為復雜和智能的任務，如視覺問答、圖文生成、語音識別與合成、視頻理解與生成等。與自適應智能體相結合后，智能體能夠根據環境變化自動調整策略和行為，實現更好的協同。在自適應協同控制中，每個智能體都有自己的目標和行為策略，當受到其他智能體影響時，可調整自身策略以適應新情況，這使得多智能體系統更具靈活性和適應性。該技術可應用于多個領域，如機器人控制、智能家居、智慧城市等。在這

144、些場景中，智能體需要理解和處理不同模態的信息，并根據信息和環境變化進行自適應調整與協同工作。在運維場景下，無論是網絡變更、故障處理還是投訴處理，多個智能體面臨的輸入輸出要求日益增多。采用多模態大模型與自適應智能體協作的技術，可以讓智能體更全面地理解運維場景中的不同環境和任務要求，并根據環境變化自動調整策略和行為，以實現更好的協同效果。然而，該技術也面臨諸多挑戰，如數據對齊和融合、模型選擇和訓練以及計算資源需求等，需要在系統底層技術不斷演進過程中逐步優化增強?；诨?AI 和數字孿生雙輪驅動的融合底座和數字孿生雙輪驅動的融合底座，是“無人化”運維的智能引擎。首先，單獨的 AI（如神經網絡）有一

145、定的局限性。神經網絡在使用時，要求訓練數據和測試數據遵循相同的分布，并且數據集合要全面、平衡，這種情況下它通常適用于中興通訊 AI Core 技術體系白皮書第 90頁中興通訊版權所有未經許可不得擴散單一指標預測、網絡異常檢測等場景。然而，一旦數據分布發生變化或者故障數據不充足時，神經網絡的有效性就會大幅降低。而數字孿生則可解決這一問題，通過在虛擬孿生空間創建高保真動態孿生模型，其高保真環境能夠產生仿真故障數據，且不會對實際網絡造成損壞。在網絡資源管理、容量優化等場景中，AI 與數字孿生有機結合的機制能夠讓仿真、驗證、預測等能力相互協作、彼此支撐。其次，在構建數字孿生的數字化表達時會涉及特征選取

146、。此時，可以運用無監督/自監督的深度學習方法，這種方法能夠在沒有先驗知識的情況下，從大量未標記數據中提取具有代表性的特征，而 AI 算法將對這一整體過程的運行實施起到輔助作用。未來網絡中，“無人化”運維演進的目標方向主要聚焦于智能化、自動化以及高效的數據處理與分析能力，以實現運維工作的全面優化和升級?！盁o人化”運維新范式旨在運用智能化與自動化手段，最大程度減少人工干預，以此提高運維效率、降低成本，提高系統的可靠性與穩定性，進而充分發揮其在提高效率、降低成本以及增強系統穩定性方面的巨大潛力。7“AI+”網絡云：重塑算力底座網絡云：重塑算力底座隨著 ChatGPT 橫空出世，人工智能（AI）技術在

147、短時間內呈現涌現態勢，核心網智能化轉型成為必然趨勢。作為核心網的算力基礎設施平臺，網絡云的智能化轉型是其中的關鍵環節。由于 AI 訓練任務以及推理應用對算力有著高性能、大規模并行、低時延互聯的要求，中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 91頁導致網絡云從傳統的 CPU 為中心的通用計算演進到 DPU/GPU/NPU 為中心的異構計算，支持算力池化編排調度、高性能并行存儲訪問及高通道無損網絡等技術，保障資源供應的高效和穩定成為關鍵。同時，屏蔽底層 GPU 異構資源細節，解耦上層 AI 框架應用和底層 GPU 類型的算力原生技術也是未來演進的方向。在部署形態方

148、面，由于核心網網元應用同時需要通算和智算資源，因此 AI+網絡云的智算和通算資源混池部署是一個重要的特性。另外，網絡云智算資源的中心預訓練、區域精調以及邊緣推理的分布式部署及協同模式，和傳統通算網絡云的中心+區域+邊緣分布式部署架構完全一致。因此，網絡云分布式架構智能化平滑升級，可完全滿足核心網智能化的需求。7.1資源池化技術資源池化技術，提升基礎設施資源利用率提升基礎設施資源利用率智算資源池化，主要是指算力、內存資源池化以及這些池化資源的連接訪問技術。智算資源池化是構建高效、靈活、可擴展的智算中心的關鍵。以下是對這些池化技術及其連接訪問技術的詳細解析：1.算力池化隨著 AI、大數據等技術的快

149、速發展，GPU 作為一種重要的計算資源，在數據中心中的應用越來越廣泛。然而，傳統的 GPU 使用方式存在資源利用率低、彈性擴展性差等問題。據公開數據統計，傳統模式下的智算中心 GPU 利用率平均數值低于 30%。除此之外，不同廠家 GPU 之間存在的軟硬件綁定豎井屏障，進一步加劇了 GPU 利用率低下的問題。中興通訊 AI Core 技術體系白皮書第 92頁中興通訊版權所有未經許可不得擴散因此 GPU 資源池池化技術應運而生，它本質是通過軟件定義硬件加速的方式，將多廠家物理 GPU 資源通過軟件抽象成一個統一的虛擬 GPU 資源池，通過 GPU 虛擬化、多卡聚合、遠程調用、動態釋放等多種能力，

150、實現更加高效靈活的聚合、調度以及釋放海量 AI 加速算力，精準保障 AI 模型開發、訓練、部署、測試、發布端到端算力配給，使能資源可被充分利用，降低碎片概率，提高總體有效算力，降低智算中心算力服務提供成本，提升智算中心整體效能。圖 7-1算力池化能力層級如上圖所示，從對異構算力使用的成熟度及靈活性角度出發，當前算力池化技術可劃分為以下能力層級：靜態管理：將單物理 GPU 按固定比例切分成多個虛擬 GPU，如 1/2 或 1/4，每個虛擬 GPU 的顯存相等，算力輪詢。該技術可以解決虛擬機共享和使用 GPU 資源的問題，典型的包括2021 年英偉達在部分Ampere系列GPU上提供了MIG 技術

151、，可以將 A100 切分成最多 7 份；動態管理：以單物理 GPU 為目標，支持物理 GPU 從算力和顯存兩個維度靈活切分，實現自定義大?。ㄍǔＫ懔ψ钚☆w粒度 1%，顯存最小顆粒度 1MB），滿足AI 應用差異化需求。同時，該技術可充分適應當前應用云原生化趨勢，實時響應上層應用對資源需求的變化，實現 vGPU 資源基于 Scale-Up/Scale-Down 的動態中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 93頁伸縮，并通過資源動態掛載動態釋放實現 GPU 資源超分；遠程調用：AI 應用與 GPU 服務器分離部署，支持通過高性能網絡遠程調用 GPU資源。AI

152、應用可以部署到數據中心的任意位置，無論應用部署節點上是否有 GPU，只要網絡可達，都可以調用 GPU 資源。此時資源納管范圍就從單個節點擴展到了整個數據中心；資源池化：支持 CPU 通用算力及 GPU 智能算力獨立成池，兩種資源池內匯聚的資源獨立按需調用、動態伸縮、用完釋放。借助池化能力，AI 應用可以根據負載需求調用任意大小的 GPU，甚至可以聚合多個物理節點的 GPU 資源。在容器或虛擬機創建后，仍然可以調整虛擬 GPU 的數量和大小。除此之外，池化管理技術可引入服務質量管理技術，按任務優先級，優先分配本地資源，次選遠程調用，任務資源不足時將 AI 任務進行隊列化管理，等待釋放出充足資源時

153、再運行；1.內存池化大模型訓練任務對內存和顯存帶來較大挑戰，數據需要在 Cache、顯存、內存設備之間頻繁移動，缺乏統一內存空間的尋址會導致編程模型變得復雜，也會限制設備之間的協作，必須通過手動管理數據傳輸和復制，因此增加了開發難度和錯誤率。同時，在內存和顯存之間數據需要多次轉換，不同的 CPU/GPU 異構設備既無法直接共享數據，也無法充分發揮各自的優勢，這些因素都限制了系統整體性能的提升。為了降低以上問題對 AI+網絡云整體運行效率的影響，需要引入基于計算總線協議的統一內存池化技術。通過構建統一內存池技術，實現一致性的內存語義和空間尋址能力，將多個物理顯存、內存設備及資源整合到一個邏輯內存

154、池中，可以實現對內存資中興通訊 AI Core 技術體系白皮書第 94頁中興通訊版權所有未經許可不得擴散源的統一調度、監控和管理。這種技術能夠動態地分配和釋放內存資源，根據應用需求進行靈活的調整，從而優化系統的響應速度和數據處理能力。CXL（Compute Express Link）是一種開放標準的高速互聯協議，專為高性能計算、數據中心和存儲應用而設計。CXL 技術通過高速通道連接多個處理器、加速器、存儲和其他設備，提供更高的帶寬和更低的延遲，以消除計算密集型工作負載的傳輸瓶頸。在智算中心中，CXL 技術可以用于構建內存池，實現 CPU 與加速器（如 GPU、FPGA）之間共享和一致性地訪問內

155、存，并保持內存的一致性，這意味著數據在不同設備之間傳輸時不需要頻繁復制或同步，從而提高了性能。但是目前看來，CXL 還需要重點在以下幾個方面進行增強及優化才能實現產業落地：完善滿足內存池化技術的計算總線協議及子協議實現。完整、高效地實現 CXL.io和 CXL.mem 協議，為設備之間的 I/O 通信和內存訪問提供通道，優化數據傳輸和復制機制，降低內存池化引入的額外性能損失，確保系統高效運行；加快 GPU 支持基于 CXL 實現內存一致性機制。引入內存池技術將減少數據在計算和存儲設備之間協議轉換頻度，通過實現內存一致性機制，優化內存、顯存、緩存之間的一致性算法，確保共享內存中的數據同步更新，使

156、得設備之間數據具有一致性和可用性。同時，實現健壯的糾錯機制，確保內存池系統穩定可靠運行；加快制定多異構設備與內存池之間的統一接口，并具備隔離保護能力。提供多異構設備之間的協同工作接口，聚焦設備間高效協作和共享計算能力，減少數據傳輸和復制所帶來的延遲和能耗。同時，強化安全措施，確保只有授權的處理器能訪問內存池，防止訪問沖突。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 95頁算力、內存資源池化技術，按照需求動態分配及回收資源，快速適應變化的工作負載，共享和復用資源，可以提升資源利用率、提升系統性能、降低硬件投資和維護成本。除此之外，還可以實現異構算力（如不同品牌、型

157、號的 GPU）的靈活、動態、高效調用和分配，這有助于打造多廠家算力的合作開放生態，構建更加靈活、可擴展的 AI 加速算力資源池，以適應不斷變化的技術演進、工作負載和應用需求。這些優勢使得資源池化技術成為人工智能領域中的重要技術之一。7.2智算存儲智算存儲，滿足訓推任務高性能、高并發核心挑戰滿足訓推任務高性能、高并發核心挑戰在大模型開發端到端的多個環節中，都對存儲提出了創新需求。具體包括：多元存儲：視頻、圖像、語音等多模態數據集帶來塊、文件、對象以及大數據等多元存儲以及協議互通的要求；海量存儲：為保證大模型訓練的精準性，數據集通常為參數量的 2-3 倍，在當前大模型從千億到萬億飛速發展的時代，存

158、儲的規模是一個重要的指標；并發高性能：大模型并行訓練場景下，多個訓練節點需要同時讀取數據集。在訓練過程中，訓練節點需要定時保存檢查點（CheckPoint）以保障系統的斷點續訓能力。這些讀寫操作的高性能能夠大大提升大模型訓練的效率。中興通訊 AI Core 技術體系白皮書第 96頁中興通訊版權所有未經許可不得擴散圖 7-2智算存儲需求及架構因此，如上圖所示，作為智算存儲需要具備以下能力：統一存儲：構建統一的存儲，滿足 AI 流水線不同階段的需求，提供多元數據存儲能力以及塊（iSCSI）/文件（NAS）/對象（S3）/大數據（HDFS）多協議互通能力；硬件加速：具體包括 DPU 卸載存儲接口協議

159、以及去重/壓縮/安全等操作，以及數據按熱度自動分級及分區存儲；軟件加速：具體包括分布式緩存、并行文件訪問系統/私有客戶端等技術。同時，采用 NFS over RDMA 以及 GPU 直接存儲（GDS）技術也能夠大大降低數據訪問的時延；降低數據熵：減少不必要的數據移動和復制，優化存儲和訪問策略，降低“數據熵稅”。通過去重、壓縮等技術，減少數據傳輸和存儲開銷。智算存儲通過提供高性能、高擴展性、多元統一的存儲解決方案，除了能夠輕松應對大規模數據處理的需求、提升 AI 模型訓練和推理效率、優化 AI 系統成本和功耗以及加速 AI 創新和應用落地之外，分布式智算存儲系統能夠完善地支持分布式 AI 架構的

160、部署和運行。例如，通過使用分布式存儲系統，可以實現數據的分布式存儲和訪問，提高跨域訓練任務數據處理的并行性和可擴展性。同時，智算存儲還可以提供跨節點的數據復制和備份功能，確保數據的安全性和可靠性。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 97頁7.3開放高通道無損網絡開放高通道無損網絡，降低并行計算通信開銷降低并行計算通信開銷隨著人工智能技術的飛速發展，AI 大模型的參數規模正以超越摩爾定律的速度急劇擴張，AI 大模型訓練對計算能力提出了前所未有的挑戰。為應對這一需求，企業紛紛構建智算集群，并引入并行計算技術，以加速模型訓練。然而，盡管并行計算提升了整體計算效

161、率，它也帶來了同步開銷和通信延遲的問題。在此背景下，探索如何在超大規模智算集群中實現服務器內 Scale Up 以及服務器間 Scale Out 的高速互聯，從而顯著提高 GPU 的利用率，已成為行業面臨的重要挑戰。圖 7-3高通道無損網絡架構2.Scale-Up 網絡互聯趨勢隨著大模型訓練對算力需求的不斷提升，傳統的機內 Scale-Up 網絡點對點 Full Mesh互聯架構逐漸暴露出其擴展性不足的弊端。Full Mesh 架構雖然能夠提供高帶寬和低延遲的通信能力，但其擴展能力有限，尤其是在 GPU 數量增加時，點對點的通信方式難以實現線性擴展。通常，Full Mesh 架構最多只能支持單

162、機 8 張 GPU 卡，這大大限制了大模型的訓練效率。為了突破硬件系統的擴展性，同時解決現有 GPU 互聯私有總線協議的封閉性，實現多廠家芯片互聯兼容性，我們創新性地提出了基于交換拓撲的 GPU 高速開放互聯 OLink中興通訊 AI Core 技術體系白皮書第 98頁中興通訊版權所有未經許可不得擴散技術。通過這種技術，GPU 之間的通信從傳統的點對點互聯模式轉向交換互聯模式，顯著提升了單機的擴展性和通信帶寬，突破單機 8 卡的限制。通過 OLink 技術，可以打造更大規模的高帶寬域(HBD)，從而大幅提升集群算力。同時，促進了多廠家生態的繁榮，還為企業提供了更加靈活的選擇。這一技術開放性為行

163、業帶來了更大的靈活性和可持續性，有助于推動智算技術的多元化發展。3.Scale-Out 網絡互聯趨勢超節點服務器之間的 Scale-Out 互聯網絡，對解決模型訓練中的通信帶寬和時延等技術瓶頸，提升模型訓練的整體效率同樣非常重要。當前業界主要有 IB 和 RoCE 兩大主流技術路線。其中 IB 網絡，即 Infiniband 網絡，是英偉達獨家提供的封閉網絡解決方案，性能優異但價格高昂，而 RoCE 是基于標準以太協議的開放解決方案，但是各廠家有自己的增強方案，不同廠家都錨定自身的交換設備做了擁塞控制、端網協同等優化，難以與網絡設備解耦。智算資源管理平臺和 RoCE 網絡管控系統間協同，完成參

164、數面網絡的自動化部署，以及基于開放的 RoCE 協議進行增強，提供通用、開放、高性價比的高性能無損方案，是解決上述困難的有效解決思路，但生態構建面臨極大的困難和挑戰，需要產業界共同長期努力推動?；?RoCE 提供一套開放、完善的 RoCE 解決方案是業界的目標。目前業界對于 RoCE的擁塞控制制定基礎協議外，解耦主要考慮的是網卡側和 RDMA 網絡側進行解耦，即服務器與網絡設備的解耦。目前 RoCE 組網解耦存在一定的困難，對于較大規模的組網，通常需要更復雜的擁塞控制算法或者流量調度策略，目前業界主要有兩類解決思中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 99

165、頁路：一類是通過增強端網協同來實現更精細化的擁塞控制，比如 HPCC 等擁塞控制算法，依賴于網卡側和交換機側協同才能完成；第二類是交換機網絡側提供更好的流量調度能力，從而盡量避免流量在交換網絡上發生擁塞。通常需要結合以上兩類解決方案才能更好的解決大規模無損網絡下的擁塞控制難題，目前 OLink 正在基于以上思路，推動業界共同努力實現標準化。7.4算力原生算力原生，打造異構算力解耦生態打造異構算力解耦生態隨著智算技術的發展以及新興應用的涌現，在 intel、NVIDIA、AMD 等傳統行業巨頭推出 AI 芯片的同時，一些創新芯片廠商也紛紛推出 AI 芯片解決方案。不同廠家圍繞自身芯片架構構筑各自

166、的軟件生態，導致了各廠家軟件生態的碎片化和豎井化。多廠家豎井化的封閉生態帶來了跨架構的應用優化部署開發成本高，異構算力的合理規劃和應用的動態遷移難度大等問題，從而導致資源利用率低以及難以構建良性發展的生態等問題。因此，基于多種基礎架構環境、多種 GPU 卡類型的異構開放環境是未來演進的方向。在初期，可以通過異構混池技術，提升資源利用率。同一資源池支持不同廠家的 GPU資源管理及編排，資源池將不同廠家的卡進行分類管理及編排。應用在申請 GPU 資源時，不同框架的應用按需調度到兼容的廠家 GPU 資源上。在下一個階段，可以通過構建標準統一的算力抽象模型及編程范式接口，打造開放靈活的開發及適配平臺，

167、實現各類異構硬件資源與計算任務有效對接、異構算力與業務應用按需適配、靈活遷移，充分釋放各類異構算力協同處理效力、加速智算應用業務中興通訊 AI Core 技術體系白皮書第 100頁中興通訊版權所有未經許可不得擴散創新，實現異構算力資源一體池化、應用跨架構無感遷移、產業生態融通發展的算力原生架構。此時，真正實現了底層 GPU 異構資源細節的屏蔽，上層 AI 框架應用和底層 GPU 類型完全的解耦分離。具體來說，算力原生包括了算力池化層和算力抽象層兩部分。算力池化層將各類硬件資源一體池化，并且通過構建底層異構硬件的統一抽象模型，重定向應用調用底層算力資源的請求，實現了通過統一定義的抽象智能算力度量

168、值申請算力，從而屏蔽了異構硬件的差異。同時為應對智算業務的潮汐效應，算力池化層可根據業務需求及算力負載情況提供算力資源彈性擴縮容的能力。算力抽象層由原生堆棧和原生接口組成，其中原生堆棧主要包括統一編程模型、跨架構編譯和原生運行時，統一編程模型、跨架構編譯可將基于特定芯片編程的應用程序轉譯為與底層硬件架構無關的算力原生中間表示（Intermediate Representation）；原生運行時可實現對底層算力資源的感知和控制，完成原生程序的加載、解析，保障計算任務與本地計算資源的即時互映射，按需執行。原生接口基于原生算力抽象接口及多?；旌喜⑿芯幊棠Ｐ?，構建原生算力統一 API、原生編程模型范式

169、及原生編譯優化部署工具，形成可嵌入式融入用戶業務的開發環境，輔助用戶生成可跨架構流轉、無感遷移與任務式映射執行的算力原生程序。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 101頁圖 7-4算力原生架構7.5分布式混池部署分布式混池部署，滿足核心網應用綜合資源需求滿足核心網應用綜合資源需求由于核心網網元對通算及智算基礎設施資源都有需求，同時訓推應用也存在分布式部署的要求。因此通算和智算的混池部署以及分布式部署，成為 AI+網絡云部署的特點。圖 7-5AI+網絡云部署模式網絡云由通算資源池平滑升級到智算資源池，同時通算智算混池編排管理是網絡云的一個重點特征。通常采用

170、集中的云平臺統一管理通/智算的算力、存儲以及網絡等基礎設施資源。在初期，通算資源由傳統通算網絡云管理平臺編排，智算資源由智算資源中興通訊 AI Core 技術體系白皮書第 102頁中興通訊版權所有未經許可不得擴散運維運營平臺編排。在系統成熟后，通算和智算資源由升級后的網絡云管理平臺統一編排。由于基礎大模型預訓練、行業大模型精調以及客戶場景大模型微調對算力特征及部署位置的要求均不同，結合運營商網絡云層次化分布的架構，AI+網絡云部署也呈現樞紐大模型訓練中心、區域訓推融合資源池、邊緣訓推一體機三級部署模式。其中樞紐大模型訓練中心為集中新建的超大規模 GPU 集群，滿足基礎大模型預訓練要求，提升大規

171、模集群算效及能效、提升訓練可靠性是其關鍵挑戰；區域訓推融合資源池通常以現網通算資源池按需擴展升級落地，滿足大模型精調、推理以及應用部署為主，需要重點關注提升多樣化資源管理效率和資源利用率、開放解耦能力和應用生態的挑戰；邊緣訓推一體機主要滿足企業私域數據的精調、以及推理及應用的部署，滿足政企客戶入駐場景快速部署，提供智算一體化服務是其主要特征。8AI Core 部署關鍵要素部署關鍵要素當前業界核心網主要采用云化建設方案，以中心、區域、邊緣三級數據中心為基礎的物理網絡架構，云化的核心網網元功能可按照場景部署在網絡相應的位置上。當核心網引入“AI+”之后，需要考慮大模型的選擇、場景化部署和端到端合規

172、安全等幾個關鍵要素。8.1360評估體系，選擇最優評估體系，選擇最優 AI 模型模型AI 大模型在在自然語言處理、圖像識別、語音識別等領域展現出了強大的能力，然而，對于運營商來說，大模型層出不窮，面對如此多的選擇，如何根據核心網需求選擇合中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 103頁適的大模型？建議建立 360 度大模型評估體系，分別從模型評價指標、大模型框架及平臺層面，以及大模型賦能應用場景等方面綜合評估，幫助運營商選擇合適的大模型進行部署。在模型評價指標方面，模型的復雜度、泛化能力、穩定性、可控性等要素是評價模型并選擇的主要指標。模型復雜度是模型前向的

173、計算量和參數總量，復雜度越高模型的表達能力及擬合能力越強。泛化能力是模型在訓練數據外的新數據上的性能表現，通常用泛化誤差來衡量；穩定性是指模型在數據異常數據下的表現能力，穩定的模型不會因輸入數據的波動而大幅波動；可控性是指模型的可解釋能力、人類意志對齊能力以及法律道德倫對齊能力。具體選擇時應基于任務的復雜度和實際需求來綜合考慮，此外，模型是否開源、是否可商用、支持的語言種類、公開的測評結果等也可作為評估指標。在大模型框架及平臺層面，需要引入高質量大模型預訓練及精調端到端流程，包括數據處理、預訓練、精調、評估及推理部署全流程。數據管理及標注平臺提供大模型預訓練數據高效清洗，精調數據標注、評估功能

174、；預訓練平臺提供一鍵創建多機多卡預訓練作業、3D 并行方案自動規劃能力；模型精調平臺提供數據處理、預置主流大模型、支持多種精調手段，一鍵啟動全流程自動化，大幅降低精調復雜度并縮短周期；模型評估平臺提供評測流水線平臺，內置多個基準測試數據集，建立大模型自動化評測體系，一鍵輸出評測報告；模型推理部署平臺，提供模型量化、模型稀疏手段降低推理成本提升推理速度，并兼容多種后端平臺，并支持大模型分布式推理部署。同時，通信領域核心網大模型應用層面，應賦能業務智能化、網絡智能化、運維智能中興通訊 AI Core 技術體系白皮書第 104頁中興通訊版權所有未經許可不得擴散化、云基礎設施智能化等各應用層次。在業務

175、智能化方面，消息業務反欺詐、消息業務多模態行業大模型，新通話趣味交互、商務助理等均可帶來創新的業務價值；在網絡智能化領域，大模型可應用在精準的業務識別、重點業務保障、業務運營支撐分析等方面；在核心網及網絡云資源基礎設施層面，大模型可重點賦能復雜運維場景，需要各個智能體 Agent 靈活編排、通過 LUI 的方式進行人機交互、利用規劃和工具調用能力，充分融合現網 AI 小模型能力及網絡原子能力，實現運維體系的平滑演進。8.2建改結合，構建層次化智算基礎設施建改結合，構建層次化智算基礎設施從人工智能應用場景來看，主要有訓練和推理場景。訓練和推理需要智算數據中心，智算數據中心與通算數據中心存在較大區

176、別。相對于通算數據中心來說，智算數據中心主要由基于 GPU、NPU、ASIC 等 AI 芯片的加速算力組成，需要配套大功率機架、風冷或液冷散熱，對網絡時延和丟包要求比較高，一般都要求無收斂組網，資源管理需要支持任務和集群等新型管理機制。因此核心網引入“AI+”后，需要考慮如何在現有中心、區域、邊緣三級通用算力數據中心布局架構下，如何將智算資源引入進來，支持核心網全場景的 AI 應用。為了滿足核心網 AI 引入需求，建議在核心網現有數據中心布局基礎上，建改結合，將智算中心融入到通算數據中心，構建層次化智算基礎設施。中心節點：該類型節點主要用于核心網大模型預訓練和推理，可以考慮新建和改造結合來支撐

177、智算的升級。針對大模型預訓練場景，采用新建智算數據中心方案，物理位置盡可能與通算數據中心共站址，即與核心網控制面部署位置相同；由于大模型預訓中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 105頁練對智算中心要求比較高，尤其是散熱模式、組網方案與通算數據中心不同，因此通過集中新建大規模智算集群，采用液冷散熱模式和 RoCE 組網，可快速低成本滿足核心網大模型預訓練使用。針對中心節點的推理場景，考慮到推理池和通算池在組網、存儲、管理等方案商差別不大，尤其是推理智能算力可以在現有通算服務器上增加PCIE 類型的 GPU 即可支持，因此可以通過改造現有通用算力數據中心，包

178、括通算池擴容、升級、新建并舉等方式，來支撐核心網控制面智能推理能力。區域節點：該類型節點主要用于核心網控制面的大模型精調和推理，其特點是分布式按需擴展，多樣化算力應用。因此可以通過改造現有通用算力數據中心，包括通算池擴容、升級、新建并舉等方式，來支撐核心網控制面的精調和推理能力，同時通過編排器實現靈活的網絡服務部署和動態的網絡資源協同，從容應對各式各樣的業務快速發展。邊緣節點：該類型節點主要為核心網用戶面/媒體面或者垂直應用提供網絡邊緣計算和推理能力。針對純核心網用戶面場景，當前通用算力提供采用專用硬件方式提供，因此在引入推理算力后，可以采用通算智算一體機，為核心網用戶面提供數據、模型、應用的

179、一體化服務；針對 MEC 場景，主要為行業客戶提供私域數據精調、推理和應用，因此可以為用戶提供訓推一體機，軟硬一體規格化配置，快速入駐政企客戶機房，端到端一體化服務，實現數據及行業大模型不出園區，提供差異化的體驗，提高運營商增值收入。中興通訊 AI Core 技術體系白皮書第 106頁中興通訊版權所有未經許可不得擴散8.3層次化層次化縱深防御安全體系縱深防御安全體系，打造，打造安全安全合規合規 AIAI 技術與核心網的深度融合和風險疊加，對 AI 安全性提出更高要求。隨著 AI 技術應用范圍不斷拓展，AI 本身的倫理道德風險、內容安全風險、隱私數據泄漏等威脅也日漸凸顯，安全性是 AI 技術部署

180、時的關注焦點；核心網作為關鍵基礎設施，承載重要公共通信和提供信息服務，一旦遭到破壞、喪失功能或者數據泄露，會對國家安全、國計民生、公共利益產生重大影響。通過構建以下層次化的縱深防御安全體系，可為 AI Core 體系提供防護能力：基礎設施層打造可信環境。針對多租戶共用智算資源的安全風險，可部署多個邊界安全設施，防止通用資源池中常見的安全攻擊，滿足法律法規中的安全防護能力要求；利用基于機密計算的隔離能力，構建智算能力所需的安全運行環境，確保智算關鍵信息可用不可見。數據層面確保全程合法合規。為防止出現知識產權或版權等糾紛、個人隱私或商業數據泄露、數據污染投毒危害訓練過程等安全風險，需構建完整的數據

181、安全檢查手段確保數據流轉全程合規：數據來源方面，進行合法性檢查，確保阻攔高風險數據，防止違規數據搜集；數據內容方面，通過專項內容核查，剔除違規、隱私和存在版權風險的數據；數據審計方面，對數據建立跟蹤溯源、完整性檢查機制，確保數據風險可審計可檢查，及時處置問題數據源。AI 模型本身提供安全保障。針對模型和算法本身存在的可解釋性差、竊取篡改和對抗樣本攻擊等風險，通過貫穿人工智能全過程的安全治理規范和風險控制措施進行安全防范：安全治理流程上，在設計、研發、部署、維護過程中建立并實施中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 107頁安全開發規范，盡可能消除模型算法存在

182、的安全缺陷、歧視性傾向；供應鏈安全管理上，跟蹤人工智能涉及的軟硬件產品漏洞、缺陷信息并及時采取修補加固措施，保證供應鏈安全性；模型風險管控上，為系統內部構造、推理邏輯、技術接口、輸出結果提供明確說明，正確反映系統產生結果的過程，不斷提高人工智能可解釋性、可預測性。內容安全保障輸入輸出合法。針對人工智能存在的非法查詢與生成、違規內容輸出等風險，利用多個安全機制確保內容合規合法：內容管控方面，建立圍欄機制，重點輸入和輸出兩個關鍵點，建立可定制化和持續更新的非法問法和非法內容集，確保用戶無法進行非法內容詢問和獲取危害性答復；內容檢測方面，具備文本、圖片、視頻等多種類型內容的檢測能力，并可檢測用戶多個

183、會話和同一會話上下文之間的內容安全，動態評估用戶安全信譽度防止持續危害發生。持續測評審計實戰增強安全力：為了對人工智能產品進行實際安全表現檢驗與度量，基于已有的中興通訊安全風險治理體系框架，利用 CEval、HumanEval 等數據集進行準確性和可靠性評估；基于 MITRE ALTA 等多種攻防模型和滲透性測試，對數據安全把控能力、算法模型攻擊對抗能力、內容輸入輸出檢測能力等多個方面進行安全性測試和度量，通過快速迭代改進實現默認安全能力的不斷增強。中興通訊 AI Core 技術體系白皮書第 108頁中興通訊版權所有未經許可不得擴散9AI Core 實踐實踐9.1全球首個組裝式全球首個組裝式”

184、AI+”5G 新通話網絡新通話網絡隨著 AI 技術的迅猛發展，終端廠商、OTT（Over-The-Top）服務商以及運營商紛紛加碼 AI 應用，爭奪智能化入口，推動產業價值重塑。運營商在這場競爭中，憑借龐大的用戶規模和海量通話量，具備了成為 AI 入口的獨特基礎。與 OTT 應用不同，通話業務作為一種傳統且普遍的通信方式，天然具備了不依賴 APP 安裝、實時互動、低延遲等顯著優勢，這使得通話業務在 AI 時代擁有巨大的潛力和創新空間。中興通訊通過與運營商的緊密合作，將 AI 技術與通話業務深度融合，成功部署了全球首個組裝式“AI+”新通話網絡。目前已經開通了翻譯、趣味通話等 6 種 AI+應用

185、，旨在為運營商和用戶提供更為智能、便捷的通信體驗，極大地豐富了通話業務的功能和場景。這些應用不僅提升了用戶的通話體驗，也為企業提供了更高效的智能化客服解決方案。項目已開通實時翻譯、字幕翻譯、AI 速記、手勢動效、表情語、背景替換、虛擬頭像等 AI 應用；語音驅動數字人、點亮屏幕、人像風格、新通話座席、AR 標記等將陸續開通。通過與運營商的深度合作，中興通訊在全球首個組裝式“AI+”5G 新通話網絡中實現了 AI 與通信業務的深度融合。憑借開放的生態架構、智能原生能力、智能編排與動態加載的創新機制，以及豐富的 AI 應用，運營商能夠在增強用戶體驗的同時，為企業和行業賦能，推動整個通信行業的智能化

186、發展。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 109頁9.2業界首個分層分級業界首個分層分級 VIP 用戶保障用戶保障商用商用隨著用戶需求的日益個性化和多樣化，傳統的流量經營模式已無法滿足現代運營商在激烈競爭中脫穎而出的要求。運營商不僅要關注流量的增長，還必須注重用戶體驗的保障，特別是在關鍵業務場景下（如直播、游戲、高鐵專網等），如何提升網絡服務的差異化和品質，成為決定運營商品牌價值和用戶滿意度的關鍵挑戰。中興通訊聯合運營商成功驗證了“AI+”連接的業務體驗保障方案，實現了直播業務保障試點、高鐵專網駐留保障試點，解決了現網中體驗保障不足、業務優先級調度不精細

187、等問題。高優先級用戶保障高優先級用戶保障：對于高價值、VIP 用戶，系統會自動提升其網絡保障等級，確保他們在任何時刻都能享受到最佳的網絡服務體驗。針對重點業務（如直播、游戲、視頻會議等），方案為每類業務設定了不同的 5QI 等級，以此實現速率保障、時延優化等針對性網絡調度。例如，速率要求高的直播類業務將被優先保障帶寬，而時延敏感的游戲業務則重點保障低時延。高鐵專網駐留保障高鐵專網駐留保障：針對高鐵場景，方案實現了低速區用戶畫像，識別高鐵 VIP 用戶，針對高鐵用戶下發無線保障策略，確保 VIP 用戶在高速移動中的專網駐留，保證其數據服務的穩定性。此外，在經停站臺場景、高速并線場景也進行了 VI

188、P 用戶的保障體驗。經停站臺場景：方案能夠自動識別 VIP 用戶在站臺的駐留，優先保障其數據和語音通信的高優先級調度，避免用戶體驗受到干擾；高速并線場景：確保高鐵專網內的VIP 用戶穩定駐留，快速識別并清除不必要的入侵用戶，保障高鐵專網的網絡資源不被浪費。中興通訊 AI Core 技術體系白皮書第 110頁中興通訊版權所有未經許可不得擴散9.3網絡云自智網絡網絡云自智網絡 L4 故障處理場景落地實踐故障處理場景落地實踐實踐 1：基于數字孿生的資源池倒換量化評估方案資源池或數據中心（DC）級別的容災備份機制在保障用戶業務連續性和網絡運行安全方面起著至關重要的作用。然而，當進行資源池或 DC 級別

189、的容災操作時，原資源池上的網元所服務的用戶必須迅速遷移到其他可用的資源池或 DC。在這一遷移過程中，大量用戶短時間內重新連接網絡，不可避免地會引發信令沖擊，從而導致 CPU 和網絡資源出現急劇的高負載。因此，中興通訊與運營商合作首次提出了基于數字孿生的資源池倒換量化評估體系，結合網元和資源池之間的關系，對資源池倒換過程進行仿真和量化分析。自動化數據采集與處理，評估速度快通過全面自動化的數據采集與分析處理流程，我們將容災評估時間壓縮至 10 分鐘以內。這一技術創新不僅大幅提高了決策響應速度，還有效減少了人工干預的復雜性，顯著提升了數據處理效率。特別是在緊急情況下，運維人員能夠迅速獲取評估結果并做

190、出決策，確保網絡能夠在最短時間內恢復正常，提升了網絡的穩定性和應急響應能力。秒級仿真粒度，容災精準決策引入秒級粒度的仿真計算，精準模擬網元與資源池的負荷沖擊。與傳統方法相比，這種仿真方法能夠更真實地還原網絡中實際沖擊波形，從而大幅提高了評估準確性，準確度達到 95%以上。通過這種高精度的仿真技術，我們提升了倒換過程的可靠性，為緊急故障恢復提供了更加精確的決策依據，增強了系統的容災能力。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 111頁高精度自適應模型，全程透明可解釋核心網和資源池沖擊聯動評估方案通過白盒仿真方式對網元層進行透明、可解釋的建模。該模型具備強大的擴

191、展性，可以根據不同倒換場景調整和優化評估方法，確保模型能夠適應多種網絡拓撲和流量變化。通過基于信令數量和拓撲映射的轉換資源池流量仿真算法，提升了故障評估的準確度和自適應能力，進一步提升了容災系統的智能化水平和應用范圍。借助理論模型與 AI 學習結合的方法，我們解決了核心網信令沖擊評估中的終端行為和省份業務差異問題，通過模型自適應調整，顯著提高了評估準確性，確保了網絡評估的精度高于 95%。這一方法不僅修正了傳統計算偏差，還提高了網絡在多變環境下的適應能力，為決策提供了可靠的數據支持。通過能力開放嵌入到生產流程中，構建“預防+感知+應急+溯源”的立體防御體系，具備了事前預防能力，事中問題快速洞察

192、恢復，事后精準溯源能力。本案例在運營商現網進行了部署驗證，通過 DC 容災倒換驗證，孿生系統從仿真計算的準確性，仿真評估時長均達到設計目標。孿生系統通過能力開放和上級網管對接，將能力嵌入生產流程。商用系統基于核心網標準信令交互沖擊流程以及云化資源池北向數據上報規范進行倒換模型以及框架開發，系統可推廣應用至各云化核心網容災倒換場景，具有良好的復制轉化能力。實踐 2：基于大模型與多智能體的網絡故障診斷現代電信網絡日益復雜，隨著 5G、AI 等技術的不斷發展，網絡云故障的預警、定位和處理也面臨了前所未有的挑戰?，F有的故障管理系統難以應對大規模、動態變化的網絡環境，導致了以下幾個主要運維痛點：中興通訊

193、 AI Core 技術體系白皮書第 112頁中興通訊版權所有未經許可不得擴散在電信網絡運維過程中，故障管理的效率和響應速度是關鍵因素。然而，目前的運維體系面臨著多方面的挑戰。首先，故障無法提前預警，大多數問題依賴客戶投訴或上報告警才能被發現，導致決策延遲，從而錯失了處理故障的最佳時機。其次，故障傳遞鏈路長，傳遞效率低，在復雜的網絡環境中，故障的定位需要經過多個環節，通常需要較長時間來分析和定位問題，這不僅增加了故障定位的耗時，也加大了重大業務故障的風險。即使是已知問題，現有系統依然需要依賴大量專家人力進行處理，造成 80%問題的重復勞動。由于缺乏智能化的人機交互式原因診斷功能，這些問題無法快速

194、形成閉環，導致大量的時間和精力浪費。與此同時，現網日常運維報告生成往往需要每個環境 2-3小時的人工操作，進一步加劇了人力資源的壓力，并影響了運維效率。在此基礎上，重大操作方案的編寫通常具有較強的專業性，涉及細節較多，且編寫和修改周期長。一旦在細節上有所疏漏，可能導致操作失敗，給網絡運營帶來嚴重影響。因此，整個故障管理流程面臨著預警不及時、定位效率低下、專家資源浪費和報告生成效率低等多重問題，亟需通過智能化的手段來提升整體的運維效率和準確性。為此我們提出了基于基于大模型與多智能體的網絡故障診斷解決方案，通過智能化手段提升整體的運維效率和準確性，確保能夠實時響應故障并進行快速修復。多層多維數據感

195、知，可視全息網絡狀態網絡云的運行狀態涉及到多個維度的數據，包括物理層、虛擬層。通過多層次、多維度的數據融合技術，大模型可以整合來自不同層次的數據源，形成一個更加精確和全面的網絡狀態視圖。中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 113頁故障根因快速診斷，精準生成修復建議在通用語言模型上通過混合生成領域語料與收集的推理語料進行 FT+SFT，訓練成領域大模型，對于領域下游任務準確率提升 6%?；诖竽Ｐ偷乃季S鏈智能分析能力，系統可以快速診斷出故障的根本原因，大幅減少了誤報和告警的數量，確保運維人員專注于真正的故障問題。通過中興星云大模型、多智能體技術及 RAG

196、增強，系統提供精準的故障信息和針對性修復建議，幫助站點工程師快速定位和解決問題，大大縮短了工單處理時長，提升了故障響應效率。故障自修復閉環，減少人工操作失誤基于中興運維智能體，通過自我學習和自適應調整，可以自主調用相關工具或接口，自動完成修復閉環。這一自修復機制不僅能夠在無人干預的情況下迅速恢復系統功能，還能確保修復過程的完整性和準確性，提升了網絡的自動化運維水平，減少了人工操作錯誤。業界首創多智能體能夠完成超過 70 次以上的任務動態分解，準確率 90%以上，解決了領域復雜任務智能，準確完成及落地。9.4消息反詐大模型助力涉詐短信案件量降低消息反詐大模型助力涉詐短信案件量降低 64%隨著電信

197、網絡詐騙形式的不斷變化，傳統的反詐治理方案已無法靈活應對新型詐騙手段，且在詐騙短信的攔截和識別效率方面存在較大瓶頸。詐騙短信的內容和形式日益復雜，使得傳統的基于關鍵詞匹配的技術難以滿足實時性和精準性要求。此外，許多反詐系統由于沒有足夠的智能化與自適應能力，導致對新型詐騙手段的識別較為滯后，攔截效果不盡人意。為了應對這一挑戰，亟需引入先進的人工智能技術，特別是大模中興通訊 AI Core 技術體系白皮書第 114頁中興通訊版權所有未經許可不得擴散型技術，以提高詐騙短信的識別準確率和攔截效率，從根源上減少詐騙信息對社會的危害。中興通訊與上海移動合作，提出并實施了以“反詐大模型”為核心的創新性短信反

198、詐治理方案。該方案通過引入泛化特征神經網絡、SNS 社交特征分析等先進技術，從詐騙短信的意圖、語義等深層次維度進行分析，為電信運營商提供了一種智能化、全方位的反詐治理解決方案。1.真實數據構建反詐大模型，模型可信反詐大模型的可信性首先源自于其訓練數據的質量和廣度。為了確保模型在實際應用中的高效性和準確性，中興通訊通過大量真實數據的采集和標注，構建了反詐大模型的核心數據集。這些數據包括了來自各個渠道的百萬級詐騙短信樣本，涵蓋了各種詐騙類型、話術及形式。通過對這些詐騙短信內容的深度分析，模型能夠學習并捕捉到詐騙短信的細微特征，并在此基礎上建立起精準的分類和識別能力。多樣性多渠道數據收集：為了確保數

199、據的代表性，所使用的詐騙短信樣本來源于多個渠道，包括真實用戶反饋、運營商反詐騙數據庫、公共舉報平臺等。這樣可以確保模型覆蓋到盡可能多的詐騙場景和手法。反詐大模型在開發過程中，通過交叉驗證和真實場景的測試來驗證其準確性。特別是對模型在不同運營商網絡、不同地區和文化背景下的表現進行了測試，確保模型能夠適應各種變異和地域性差異。實時反饋與優化：在實際應用中，反詐系統會持續從用戶和運營商的反饋中收集數據，動態優化模型，進一步提升其可信性。2.深度微調，減少大模型幻覺中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 115頁大規模預訓練的反詐大模型通常具備強大的語義理解和預測能

200、力，但在應用過程中，可能會出現一些“幻覺”現象，即模型根據其學習的模式錯誤地生成不準確或無關的判斷。為了減少這些幻覺現象，反詐大模型采用了深度微調技術，以提高其在特定反詐任務中的準確度。優化推理準確率與輸出格式，幻覺發生概率低于百萬分之一。3.語義挖掘，提升識別能力詐騙短信的文本內容和表達方式具有很強的變異性，這意味著傳統的基于關鍵詞匹配的反詐技術很容易被欺騙。因此，為了提高反詐系統的識別能力，反詐大模型利用語義挖掘技術，深入分析短信的深層語義，從而更準確地識別潛在的詐騙信息。自該系統上線后，境外涉詐案件數量明顯降低，為減少人們財產損失、維護社會和諧做出貢獻。未來，中興通訊將持續加強新技術研究

201、，深化合作和應用實踐，進一步增強反詐大模型能力，助力運營商構建智能化、高安全的通信網絡。10未來未來核心核心網網智能化智能化演進展望演進展望面向 6G，中興通訊堅持 AI+發展理念，以創新引領和降本增效為目標，聚焦業務、連接、運維和網絡云基礎設施等方面，持續不斷研究業務創新技術。一方面實現 AI Core助力運營商業務創新和降本增效；另一方面充當 AI 賦能者，滿足行業用戶智能化轉型需求，助力國家實現新質生產力目標。當前 AI 創新技術層出不窮，在 5G 網絡與 AI技術深度融合實現智能化的轉型過程中，需要產業界合作伙伴通力協作，探索智能化的平滑演進路徑，攜手促進智能化難題的解決：1.持續推進

202、 NWDAF 功能的演進中興通訊 AI Core 技術體系白皮書第 116頁中興通訊版權所有未經許可不得擴散在 3GPP 標準下，NWDAF 從 R15 到后續版本不斷發展。R15 的 NWDAF 功能單一，僅支持網絡切片負載分析。而 R16 及之后版本（R17、R18、R19）在不同層面進行了增強優化。例如，R16 定義了集中式架構，能滿足基本數據分析要求；R17 實現了訓-推分離式架構，定義了分析邏輯功能（AnLF）和模型訓練邏輯功能（MTLF），還構建了支持多 NWDAF 協同的分層智能架構，并引入數據管理框架提升數據采集和分析效率。未來，NWDAF 可能會在分析能力、服務范圍等方面進一

203、步拓展，以更好地適應不斷增長的業務需求。2.推進自智網絡進一步發展自智化運維通過運用大數據、人工智能等技術，實現網絡運維的智能化、自動化和高效化。目前已經能夠對網絡數據實時收集分析，利用機器學習算法進行模式識別和預測分析，未來可能會在提升運維效率、網絡穩定性等方面進一步優化。例如，在提升運維效率方面，可能會進一步減少人工操作依賴，更精準地自動執行運維任務；在提升網絡穩定性上，可能會采用更先進的實時監控和智能分析技術，更迅速地處理網絡故障。3.適應多樣化業務的智能化發展隨著業務場景不斷豐富，如不同的移動互聯網數據業務（視頻直播、視頻會議、游戲等）對網絡資源占用和體驗保障需求不同，核心網智能化需要

204、能夠精準識別并保障不同業務的需求。例如，在無線網絡資源負載較重時，核心網能夠實時精準了解保障業務的客戶體驗 QoE。未來可能會發展出更智能的資源分配和保障機制，以適應更多樣化的業務場景。核心網將加強與垂直行業的合作，滿足不同行業的需求，推動數字化中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 117頁轉型和社會進步。智能化的核心網能夠利用人工智能和大數據技術對海量數據進行處理和分析，挖掘潛在價值，優化資源配置和決策支持，未來可能會針對不同垂直行業的特殊需求，定制更智能化的網絡服務。4.6G 核心網內生智能演進6G 核心網連接平面將在 5G 核心網已有控制平面和用戶平

205、面基礎上進一步增強，實現可編程能力和 6G 原生的 AI 能力。其演進的控制平面將沿用服務化架構并進一步解耦網絡功能、實現網絡服務能力的靈活按需調用。同時，6G 網絡將支持分布式組網架構，網絡功能發現和選擇機制將進一步擴展，除網元級別外還將支持網絡間的發現和選擇能力。6G 核心網將在傳統連接平面基礎上引入新的數據平面和計算平面，以支撐 6G核心網能力內生的演進需求，實現面向數據、計算、智能等服務資源的多要素協同服務能力，從而滿足千行百業差異化需求和智算融合，促進云網邊端業協同和產業生態繁榮發展?？偨Y，未來 AI Core 將在 5G-A 核心網智能化發展成果的基礎上，朝著 6G 核心網內生智能

206、演進，在架構、功能、運維等多方面不斷發展，以滿足日益多樣化的業務需求和垂直行業需求，實現更高效、智能、靈活的網絡服務，為運營商帶來更多的價值空間。中興通訊 AI Core 技術體系白皮書第 118頁中興通訊版權所有未經許可不得擴散11縮略語縮略語表 11-1縮略語縮略語縮略語全稱全稱2BTo Business 面向行業2CTo Customer 面向消費者3GPP3rd Generation Partnership Project 第三代合作伙伴計劃5G5th Generation Mobile Communication Technology 第五代移動通信技術5GC5G Core 5G 核

207、心網6G6th Generation Mobile Communication Technology 第六代移動通信技術AIArtificial Intelligence 人工智能AIGCArtificial Intelligence Generated Content 人工智能生成內容AGVAutomated Guided Vehicle 自動導引車輛AMFAccess and Mobility Management FunctionAPIApplication Programming Interface 應用編程接口ARAugmented Reality 增強現實B2BBusiness-t

208、o-Business 企業對企業B2CBusiness-to-Customer 企業對消費者CIFSCommon Internet File System 公共互聯網文件系統CPUCentral Processing Unit 中央處理器CVComputer Vision 計算機視覺CXLCompute Express Link 計算快速鏈路DPUData Processing Unit 數據處理單元GPUGraphics Processing Unit 圖形處理器GSMAGlobal System for Mobile Communications Association 全球移動通信系統協

209、會FOAFirst Office Application 首次商用測試FPGAField-Programmable Gate Array 現場可編程門陣列FTPFile Transfer Protocol 文件傳輸協議GDSGPU Direct Storage GPU 直接存儲中興通訊 AI Core 技術體系白皮書中興通訊版權所有未經許可不得擴散第 119頁縮略語縮略語全稱全稱H5HTML5，HTML 第五代標準HBDHigh Band Domain 高帶寬域HDFSHadoop Distributed File System Hadoop 分布式文件系統IBInfiniBandIMT-20

210、30International Mobile Telecommunications for 2030 面向 2030 的國際移動通信I/OInput/Output 輸入/輸出iSCSIInternet Small Computer System Interface 互聯網小型計算機系統接口OTTOver The Top 視頻及數據服務業務POSIXPortable Operating System Interface for UNIX 可移植操作系統接口（UNIX）HPCCHigh Precision Congestion Control 高精度擁塞控制NFSNetwork File Syst

211、em 網絡文件系統NASNetwork-Attached Storage 網絡附屬存儲NPUNeural-Processing Unit 神經處理單元NWDAFNetWork Data Analytics Function 網絡數據分析功能MIGMulti-Instance GPU 多實例 GPURDMARemote Direct Memory Access 遠程直接內存訪問RoCERDMA over Converged EthernetToCTo Consumer 個人消費者ToBTo Business 行業與企業ToHTo Home 家庭ToOTo Other 其他vGPUVirtual GPU 虛擬 GPUVoNRVoice over New Radio 新空口語音通話VRVirtual Reality 虛擬現實