1、構建萬物互聯的智能世界自動駕駛網絡邁向智能世界白皮書2024以智賦網，開啟高階自智新時代目 錄 CONTENTS憧憬智能時代的運營商趨勢洞察華為自動駕駛網絡0107383908趨勢一新型AI應用蓬勃發展，促進網絡流量增長，帶來用戶體驗變現新商機16趨勢三大模型激發智算中心擴張，智能故障處理和全域運營效率提升成為智算中心新挑戰29趨勢六網絡智能化需要組合應用大模型等多種AI能力，以解決不同場景的問題20趨勢四5G-A加速通感融合，使能運營商網絡延伸到感知領域，可能會給網絡運維智能化帶來新的難度34趨勢七多智能體協同將是運營商網絡邁向高階自治的新需求，已成為產業研究的技術新熱點12趨勢二大模型加速

2、企業數智化轉型，重塑企業網絡體驗和運維24趨勢五價值場景需求驅動自智等級提升，大模型加速開啟自智網絡L4新階段華為自動駕駛網絡，使能高階自智網絡，助力運營商邁向全面智能化0102031自動駕駛網絡憧憬智能時代的運營商01自動駕駛網絡2自動駕駛網絡AI 技術的持續進步正在推動各行業走向全面智能化，每一個企業都希望今天盡快利用 AI 創造出價值，同時也希望在未來的智能化競爭中實現領先。因此思考清楚智能化時代企業的未來方向，然后以終為始，來制定今天的戰略和行動是非常重要的。憧憬智能化時代的企業，我們認為應具備“六個 A”的特征：其中，Adaptive User Experience 自適應體驗、Au

3、to-evolving Products 自演進產品、Autonomous Operation 自治的運營、Augmented Workforce 增強的員工，這 4 個 A 表征的是智能化的效果，其中：Adaptive User Experience 自適應體驗是指感知并理解用戶的行為、需求、興趣、品味和環境變化，主動調整提供最符合用戶需求的服務，能夠適時和同時滿足海量個性化獨特需求的產品需要從一開始就是特別設計的，而不僅僅是裁剪。Auto-evolving Products 自演進產品是指智能化時代的產品將具備自主學習，持續迭代，適應變化的能力，能夠自優化和自演進。Autonomous O

4、peration 自治的運營是指從感知、規劃、決策到執行自主閉環，讓業務流實現高度自治運營。Augmented Workforce 增強的員工是指讓每個員工都有“懂我”的智能助手，高效、高質量完成每一件工作。Adaptive User Experience自適應體驗Intelligent Enterprises智能化企業Autonomous Operations自治的運營All-Connected Resources全量全要素全聯接AI-Native Infrastructure智能原生基礎設施Augmented Workforce增強的員工Auto-Evolving Products自演進產

5、品3自動駕駛網絡而 All Connected Resources 全量全要素全聯接、AI Native Infrastructure 智能原生基礎設施接，這 2 個，表征的是智能化的基礎，其中：All Connected Resources 全量全要素全聯接是指實現企業的資產、員工、客戶、伙伴、生態等全互聯，全量全要素全聯接與實時反饋，對象/過程/規則數字化，提升信息的量，改善信息的質，構建企業數據飛輪和信息優勢。AI Native Infrastructure 智能原生基礎設施是指，一方面，ICT 基礎設施要系統化構建，要能適應智能化應用的需要，即 ICT for Intelligence

6、，另一方面，基礎設施本身的運維管理和體驗保障要充分智能化，即 Intelligence for ICT。結合“六個 A”的特征憧憬智能時代的運營商1.Adaptive User Experience 自適應體驗，比如運營商給用戶帶來自適應的 MBB 體驗、自適應的 HBB 體驗、自適應的企業專線體驗、自適應的視頻業務體驗、自適應的新通話體驗、自適應的智慧家庭體驗等。以運營商面向家庭場景提供的產品服務為例：自適應的網絡：根據家庭各種應用需求（娛樂、辦公、物聯等），以及不同的房間位置，網絡自動調整保障最佳的應用體驗。自適應的助手：它就像一位貼心的“數字管家”，感知家庭的情況，理解家庭不同成員的需求

7、和情緒，主動為家庭成員提供其需要服務。自適應的健身：根據家庭不同成員、歷史鍛煉情況，主動調整健身課程內容主題和難題程度，保證每個家庭成員在不同時候都能獲得最適合自己的健身體驗。自適應的娛樂：根據家庭不同成員，推薦其喜愛的視頻和游戲，針對游戲主動調整情節和難度。自適應的家居：光線、照明、室溫、水溫等根據家庭用戶喜好、時間、天氣等自動調整，提供最適宜的家居環境。4自動駕駛網絡2.Auto-evolving Products 自演進產品，比如運營商給用戶提供自演進的 MBB、自演進的FBB、自演進的企業專線、自演進的視頻業務、自演進的新通話、自演進的智慧家庭等。以運營商給用戶提供新通話產品為例，新通

8、話的功能越來越豐富，每個功能的能力越來越強：個性形象：AIGC 形象類型越來越豐富，實時表情越來越一致 趣味通話：通話背景和特性越來越有創意、有趣 智能交互：交互方式越來越智能，場景越來越豐富 實時翻譯：支持語言種類越來越多，準確度越來越高 智能記錄：記錄信息越來越精準和全面 數字分身：支持越來越多的場景，比如智能代接、會議發言等3.Autonomous Operations 自治的運營，比如運營商通過打造無線網絡優化 Agent、故障監控和處理Agent、變更監控Agent、家寬體驗保障Agent、業務開通Agent實現網絡的自治運營。以無線網優 AI Agent 實踐為例，通過無線網優 A

9、I Agent 實現無線網絡優化自治運營，低速率小區指標減少了 20%，網絡優化周期從一天減少到一小時。AS-ISTO-BE基于人工制定的規則產生工單網絡優化范圍和目標網絡指標監控網絡異常分析網絡優化結果評估上站操作（可選）外線運維人員執行專家提供的優化策略通過專家和工具通過專家和工具通過專家和工具AI Agent自動完成AI Agent自動完成外線運維人員執行AI Agent提供的優化策略通過Copilot APP自動完成測試驗證AS-ISTO-BE家庭投訴、報障等工單裝維人員上門后，現場通過多個檢測步驟，使用多個系統工具定位故障裝維人員在上門前通過Copilot APP進行預診斷，獲取檢測

10、結果、故障定位以及處理建議入戶線質量檢測網線測速全屋WiFi掃描測試電視有線接入及測速網關配置檢測及測速投訴、報障定位故障修復業務驗證根據檢測結果，按照故障處理指導及經驗執行故障修復操作按照Copilot APP給出的建議執行故障修復操作按照指導步驟，使用多個系統工具完成測試驗證4.Augmented Workforce 增強的員工，比如運營商通過打造家寬裝維助手、外線維護助手、客服助手、開發助手等讓運營商員工擁有專屬的智慧助手。以家寬裝維助手實踐為例，通過家寬裝維助手裝維工程師平均入戶解決故障時間從 6090 分鐘減少到 30 分鐘，二次上門率從 1015%降低到 5%。5自動駕駛網絡5.A

11、ll-Connected Resources 全量全要素全聯接，比如運營商通過構建光網絡數字孿生、IP網絡數字孿生、無線網絡數字孿生、核心網數字孿生等，實現網絡全量全要素全聯接，以光網絡數字孿生為例，按纖纜層、光層、電層、業務層四層來構建光網絡數字孿生。業務層：包括帶寬/時延/可用率、帶寬利用率/丟包率/誤碼率、路徑等信息 電層：包括 ODU 狀態、路由、時延、誤碼、告警、共享風險鏈路組等信息 光層：包括波長資源和狀態，光信道路由、糾前誤碼、光功率、信噪比、告警等信息 纖纜層：包括光纖/光纜、光交箱/ODF/電桿/人井、光纜路由、纖芯連接關系等信息，以及光功率、光衰、健康狀態等信息6.AI-N

12、ative Infrastructure 智能原生基礎設施，比如運營商為適應智能時代價值創造（自適應體驗、自演進產品、自治的運營和增強的員工）而重新定義的基礎設施，并實現人工智能、網絡、計算、存儲等基礎設施和技術有機協同。寬帶是一切的基礎，包括萬兆接入網絡（移動、家庭、園區），超高速、低時延、智能彈性的城域和骨干。自動駕駛網絡 L4 是起點，基于大模型和數字孿生，打造基于價值場景的 AI Agent 和基于角色的 Copilot APP?？缬?O&M單域 O&M大模型數字孿生智能運維50G PON400/800GE400/800GE400/800G/400/800G/核心網UPF城域骨干接入萬

13、兆園區萬兆家庭萬兆移動數據中心互聯DCIDCDCDC6自動駕駛網絡AI 技術和應用在持續快速發展，“6A”運營商是我們對智能時代運營商的美好憧憬，也是走向全面智能化產業共同的努力方向。期待伴隨著更多的實踐探索，給運營商帶來更多的價值?！?A”運營商Adaptive User Experience自適應體驗Autonomous Operations自治的運營AI-Native Infrastructure智能原生基礎設施All-Connected Resources全量全要素全聯接AugmentedWorkforce增強的員工Auto-EvolvingProducts自演進產品自適應的MBB體驗

14、自適應的HBB體驗自適應的企業專線體驗自適應的視頻業務體驗自適應的新通話體驗自適應的智慧家庭體驗自演進的MBB自演進的FBB自演進的企業專線自演進的視頻業務自演進的新通話自演進的智慧家庭家寬裝維助手外線維護助手客服助手開發助手無線網絡優化AI Agent故障監控和處理AI Agent變更監控AI Agent家寬體驗保障AI Agent業務開通AI Agent光網絡數字孿生IP網絡數字孿生無線網絡數字孿生核心網數字孿生適應智能時代價值創造而重新定義人工智能、網絡、計算、存儲有機協同寬帶是一切的基礎，萬兆！自動駕駛網絡L4是起點7自動駕駛網絡趨勢洞察02自動駕駛網絡8自動駕駛網絡趨勢一新型AI應用

15、蓬勃發展，促進網絡流量增長，帶來用戶體驗變現新商機89自動駕駛網絡業務洞察AI 技術推動直播行業轉型和技術升級，數字人直播業務增長迅速，已在電商、游戲、科技、文旅、房地產等多個領域得到了廣泛運營，成為熱門風口和未來趨勢。全球新經濟產業第三方數據挖掘和分析機構 iMediaResearch（艾媒咨詢）于 2024 年 4 月 19 日發布的2024 年中國虛擬數字人產業發展白皮書顯示，2023 年中國虛擬人帶動的產業市場規模為 3334.7 億元，核心市場規模為 205.2 億元，預計 2025 年分別達 6402.7 億元和 480.6 億元，呈現強勁的增長態勢。2024年“618”京東500

16、0+數字人直播40萬小時500萬次互動1億人次觀看隨著娛樂需求的增加，AI 等技術不斷迭代，中國虛擬人產業高速發展，元宇宙的熱潮加速推動虛擬人產業升級，其中虛擬主播的受眾最為廣泛，占比達 81.40%.京東公布的 2024 年“618”大促數據顯示，京東云言犀數字人在超過 5000 個品牌直播間亮相，數字人直播的累計時長超過 40萬小時，吸引超過 1 億人次觀看，互動頻次高達 500 萬次。中國虛擬數字人產業規模3334.7產業市場核心市場2023年2025年205.26402.7480.610自動駕駛網絡數字人能還原真人80%以上的樣子，無論是外觀、動作還是聲音，都能像現實世界里一樣自然，例

17、如直播帶貨數字人主播可以幫助企業實現 24 小時與客戶無障礙溝通、銷售產品，增加企業收益。與此同時，通信網絡也越來越多地服務于人、車、物和企業的智能化聯接，帶來新的網絡流量的同時，用戶對網絡穩定接入、交互體驗、網絡帶寬和時延的要求也同步提高，例如：AI 助手實時多模態交互要達到“近人級”、”真人級”體驗，要求端到端網絡時延控制在 70ms 左右，且網絡上行速率大于 20Mbps;通過 APP 或者網頁展示物品的 AI 生成 3D 模型，如果需要達到即點即開的效果，則需要 80400Mbps 的網絡下行帶寬；Robotaxi 安全監控、遠程接管場景，需通過5G 網絡上傳 6 路攝像頭視頻(122

18、4Mbps)，網絡端到端時延如果大于 100ms 就會對操控精度帶來較大影響；AIGC 應用蓬勃發展，生成更多高質量視頻，通過 AI 推薦促進視頻的分發和觀看，提升視頻清晰度和觀看時長，且每個用戶視頻流量極具個性化，使得網絡帶寬難以收斂，也會導致網絡流量快速增長。中國互聯網絡信息中心發布的 第54次中國互聯網絡發展狀況統計報告 顯示，截至 2024 年 6 月，我國網絡直播用戶規模達 7.77 億人，占網民整體的 70.6%，移動互聯網接入流量達 1604 億 GB，同比增長 12.6%.Omdia 預測在 AI 驅動的應用影響下，包括 AI-upgraded應用和 Net new AI 應用

19、，未來全球網絡流量年復合增長率將達 25%.影響分析1.直播類應用體驗差，用戶出現“網速焦慮”5G 時代的到來，為全民直播熱潮提供了新動力。隨著數字人直播全面普及，互聯網真正迎來全民直播時代，但消費者卻出現了“網速焦慮”。據 iMediaResearch(艾媒咨詢)數據，有45.6%的消費者認為流量套餐的網速較差，這成為他們使用套餐的一大“痛點”。由于直播具有即時互動性、溝通性強、主觀感知性強等特點，畫面不清晰甚至時不時卡頓，都會給直播用戶帶來很大的困擾甚至是損失，所以無論是真人直播，還是數字人直播過程，對網絡穩定接入、實時畫面傳輸的清晰度和流暢性，以及網絡帶寬和時延等都提出了全新的要求。面向

20、網絡價值客戶，提供差異化的網絡質量自動化感知、分析和保障能力，越來越重要。2.生成式 AI 應用新商機，對網絡感知和體驗提出新要求AI 數字人在電商前端扮演主播的角色，與真人主播形成互補，拉長直播時長，可以持續提升品牌曝光率，抓住更多用戶觸達時間。數字人直播生產實時視頻，AIGC 情感陪伴/角色扮演生產實時文字和圖像，AI 助手帶來“近人級”、”真人級”體驗要求網絡端到端時延 70ms，Robotaxi安全監控和遠程接管要求端到端 100ms 時延和沉浸式視頻體驗等，都對網絡實時感知和交互體驗11自動駕駛網絡提出全新的要求。同時，隨著技術不斷進步，這些 AI 技術未來將逐漸升級為智能機器人，具

21、備更加強大的智能交互能力，在各個領域中為我們帶來更多沉浸感、陪伴感和歸屬感，網絡應用被拓寬和豐富的同時，也會對網絡產生更多的差異化實時感知和交互體驗訴求，是運營商未來的新商機和關鍵業務發展空間。3.新型 AI 應用改變流量消費習慣，促進運營商商業模式創新數字人直播打破了消費交易時間和空間的限制，帶熱電商“零點后”消費領域新增長點，也帶來了網絡流量的顯著增長，突顯網絡閑時流量價值。當賣流量模式見頂之時，運營商急需采用新的商用模式和商業創新方案，針對高價值應用和流量挖掘網絡價值來提升收入。例如，中國某運營商在北京推出的“全業務加速”產品，可以為用戶提供VIP網絡加速通道，上網速率平均提升4倍以上，

22、同時，在浙江嘗試通過 5G-A 差異化保障方案，通過分層分級為用戶提供重點業務保障，真正做到演唱賽事不卡頓、網紅直播不卡頓、移動辦公保流暢、特定場景仍流暢，推動通信體驗邁向全新層次。行動建議1.面向價值客戶和新型 AI 應用，提供差異化的網絡質量自動化感知、分析和保障能力，提升用戶體驗針對新型 AI 應用，提供差異化的網絡質量 KQI 和用戶體驗 CEI 自動化感知和分析運維能力，確保這類網絡價值客戶的網絡質量和畫面清晰度、卡頓等關鍵用戶體驗問題，快速、實時地被自動識別出來，并通過智能化手段自動閉環處理。同時，對于 KQI 和 CEI 不達標的網絡，通過定期主動檢查和修復等方法，解決網絡的堵點

23、和瓶頸問題。提升客戶體驗，徹底解決網絡用戶“網速焦慮”問題。同時面向未來，傳感器、語音、圖像、視頻、氣味等即時互動和實時感知技術將注入到這些業務中，給用戶帶來全新體驗，運營商需要考慮以這些 AI 新應用、新流量為契機，提升網絡即時互動、實時感知能力，引領新一輪網絡技術變革。2.針對高價值客戶和場景，設計新的商業模式，提升運營商收運營商充分利用電商數字人直播帶來的新商機，設計新的商業模式，如通過新計費模式、網絡直播 VIP 套餐等商業創新方法，滿足向網絡直播高價值客戶和場景提供流量和交互差異化訴求，挖掘網絡夜間等低價值時段的流量價值，帶動運營商收入提升。12自動駕駛網絡趨勢二大模型加速企業數智化

24、轉型，重塑企業網絡體驗和運維1213自動駕駛網絡業務洞察隨著大語言模型準確率的提升以及大模型使用成本的降低，IDC 今年發布的 2024AIGC 應用層十大趨勢報告中指出，截止目前已有 53%以上的企業啟動 AI 業務創新，這標志著企業數智化時代的到來。然而，隨著企業業務復雜度和需求指數級增長，企業運維的挑戰也接踵而至。在當今數字化轉型的浪潮中，企業運維正面臨著全無線化辦公，應用云化、視頻化、協作化、智能化的全新挑戰。這一趨勢不僅推動了企業辦公方式的變革，也對運維工作提出了新的要求。應用云化、視頻化、協作化和智能化對網絡的帶寬、延遲和穩定性提出了更高的要求，如視頻會議、在線協作等應用場景中，任

25、何網絡波動都可能導致會議中斷、協作不暢等問題，嚴重影響員工的辦公體驗。同樣，辦公場所也逐漸從單一的總部擴展到多個分支機構，甚至全球范圍；生產方式也從傳統模式向智能制造轉型；數據中心作為企業的信息心臟，不僅規模日益龐大，而且開始向云端遷移，形成混合云、多云架構，這一系列變化直接導致了企業網絡規模的急劇膨脹。與此同時，設備種類的增多也是不可忽視的趨勢。除了傳統的服務器、路由器、交換機外，物聯網（IoT）設備的接入，如云攝像頭、智能傳感器、自動化設備等，這種多樣性增加了運維的難度。因此，日常維護的范圍變得更為廣泛，復雜度也隨之提升。不僅需要確保所有設備的穩定運行，還要能夠快速響應各種突發事件，同時持

26、續優化網絡性能，以支持業務的連續性和增長。此外，隨著企業業務的不斷擴展和數字化轉型的深入，業務部署不再局限于單一的網絡環境或地理位置，而是需要跨越多個網絡域，包括內部網絡、外部網絡、云網絡、數據中心網絡以及物聯網（IoT）網絡等。這種跨域部署的需求，使得從業務設計、系統集成到驗證開通的整個過程變得異常復雜和漫長。網絡安全也同樣是一個熱門話題，隨著近年來技術的進步，惡意軟件的變異速度顯著加快，傳統基于特征碼的檢測方法已難以有效應對。病毒和惡意軟件通過不斷變異，能夠輕松繞過傳統的安全防御措施，進而滲透到企業的內部網絡中，造成數據泄露、系統癱瘓等嚴重后果。與此同時，攻擊者的智能化水平也在不斷提高。他

27、們利用先進的工具和技術，如惡意大預言模型、自動化攻擊工具等，對目標企業進行深入的情報收集和分析，從而制定出更為精準和隱蔽的攻擊策略。這些智能化攻擊往往能夠繞過傳統的安全監控和防御機制，實現長期潛伏和持續滲透，對企業的信息安全構成極大威脅。14自動駕駛網絡影響分析1.運維能力的不足可能制約企業的數字化轉型和創新步伐從運營效率角度看，網絡故障或設備性能下降會直接影響業務的正常運行，導致生產效率降低、客戶滿意度下降，甚至造成經濟損失。例如，生產線的停工、數據中心的宕機或關鍵業務系統的不可用，都可能給企業帶來重大損失。其次，為了應對日益復雜的運維需求，企業需要投入更多的人力、物力和財力，包括招聘專業運

28、維人員、采購先進的運維工具和技術服務等，導致運營成本的增加。在快速變化的市場環境中，企業需要靈活調整業務模式和運營策略，而強大的運維能力是支撐這一切的基礎。2.如何縮短業務部署周期，提高跨域部署的效率和質量，成為企業運維亟待解決的重要問題從業務敏捷性的角度來看，漫長的部署周期限制了企業快速響應市場變化的能力。在競爭激烈的市場環境中，企業往往需要迅速推出新產品或服務以搶占先機，而漫長的部署周期無疑會削弱企業的市場競爭力。從成本效益的角度來看，長時間的部署過程增加了企業的運營成本。除了直接的硬件和軟件成本外，還包括人力成本、時間成本以及因部署延遲而產生的潛在業務損失。從用戶體驗的角度來看，長時間的

29、部署周期可能導致服務中斷或延遲，影響用戶的滿意度和忠誠度。3.通過提升技術水平和優化安全運營策略，確保企業的信息安全和業務連續性從業務安全性的角度來看，這些挑戰直接威脅到企業的信息安全和業務連續性。一旦企業的信息系統被惡意軟件感染或遭受智能化攻擊，可能會導致敏感數據泄露、業務中斷等嚴重后果，進而影響企業的聲譽、客戶關系和業務競爭力。另外，從運營成本的角度來看，為了應對這些安全挑戰，企業需要投入更多的資源和資金來加強安全防護措施。包括采購先進的安全設備、軟件和服務，以及提升安全團隊的技術水平和應急響應能力，這些都極大增加了 OPEX 的投入。其次，安全挑戰還可能影響企業的服務質量和用戶滿意度。例

30、如，過于嚴格的安全控制措施可能會導致用戶操作不便或體驗下降，而安全漏洞的曝光則可能引發用戶的恐慌和不滿。這些因素都可能對企業的品牌形象和市場地位造成負面影響。15自動駕駛網絡行動建議基于數字孿生和大模型技術構建企業網絡智能運維能力，實現安全零風險、開通零等待、網絡零中斷、業務零卡頓：企業網絡需要以全棧管理系統互聯為主，對全域基礎設施資源進行統一數字孿生建模，實現終端+CT+IT+應用的全棧融合，構建統一入口，全棧拓撲、開箱即用等核心能力，實現全?？梢暱筛锌煞抡??；诖竽Ｐ偷?AI 先進技術，面向企業網絡運維的眾多典型場景，打造場景化智能體 Agent，實現流程和業務的自閉環；面向在流程中的各環

31、節人員和用戶，打造智能化數字助理Copilot，提升運維協作效率，降低維護成本。16自動駕駛網絡趨勢三大模型激發智算中心擴張，智能故障處理和全域運營效率提升成為智算中心新挑戰1617自動駕駛網絡業務洞察全球大模型發展迅速，截止 2024 年 Q1，全球大模型數量已達到 1328 個，其中中國和北美市場占據了 80%以上的份額。全球AI大模型分布數據來源:中國信通院美國中國其他36%20%44%以中國為例，2023 年 1 月 11 日，中國國家信息中心發布智能計算中心創新發展指南，對投資智算中心的經濟效益進行了測算。中國“十四五”期間，在智算中心實現 80%應用水平的情況下，城市對智算中心的投

32、資可帶動人工智能核心產業增長 2.9 倍至 3.4 倍，帶動相關產業增長36 倍至 42 倍。近兩年，AI 大模型發展對算力、算法平臺、數據提出全新要求，傳統以 CPU 為中心的云計算基礎設施已無法滿足大語言模型的 Scaling Law（規模定律）指數級算力需求，“百模大戰”變為 AI 產業專業化分工，以 GPU/NPU 為核心的智算逐步成為算力的主要發展方向。2023 年 10 月 8 日，中國工業和信息化部等六部門印發的算力基礎設施高質量發展行動計劃提出,到 2025 年算力規模超過 300EFLOPS、智能算力占比達到 35%，2025 年中國要建設 50個智算中心。據公開數據統計，目

33、前，中國“智算中心”建設及運營項目已經超過 100 個。18自動駕駛網絡通過中國市場，我們看到，獨占式、大規模、長時間大模型訓練對智算中心 AI 服務器集群穩定性提出更高要求。一方面，AI 集群服務器的穩定性遠低于傳統計算服務器，光模塊、供電、散熱、網絡連接等問題都會導致 AI 服務器不可用，同時，大模型訓練過程比傳統的分布式 AI 訓練復雜，訓練周期長達數周，甚至數月。當智算中心 AI 集群服務器規模增大到千卡或者萬卡容量時，AI 訓練過程中 AI 服務器集群故障就經常發生。根據經驗數據，在執行千卡訓練時，故障發生概率基本是每 13 天發生 1 次，且故障導致的訓練耗時，是無故障時的 3 倍

34、。另一方面，大模型訓練過程中，模型和優化器狀態是存在設備內存中的，如果有單個 AI 服務器故障，集群中所有 AI 服務器進程都會被阻塞，模型和優化器狀態也會丟失，迫使整個訓練中斷，且故障原因和位置難以迅速界定。進一步，在 AI 服務器集群計算效力低、故障頻發且處理復雜情況下，訓練中斷將不能得到及時恢復，會降低大模型訓練的成功概率，也使得大模型訓練成本居高不下。因此，AI 大模型訓練對智算中心AI 服務器集群的穩定性、故障檢測與訓練容錯能力要求更高，智算中心是否具備故障實時監測、斷點續訓、故障節點自動隔離等能力，以及在故障發生時能否快速定位、迅速恢復，越來越關鍵。同時，隨著 AI 應用的爆發式增

35、長，可能帶動 AI 推理算力需求激增至訓練算力的百倍。據IDC 此前預測數據，云端推理占算力的比重將逐步提升，預計到 2026 年推理占 62.2%，訓練占37.8%。未來，推理將成為 AI 產業的主戰場。從大模型的應用來說，推理面臨的核心挑戰是成本高的問題，因此，在一些垂直領域，應用效果較好的中等規模 AI 大模型，將會被規模鋪開使用，以減輕推理的算力訴求和成本。因此，面向智算中心的集群運維效率提升，包括算力、網絡、存儲融合全棧運維，以及面向故障的事前預測、分鐘級定界定位和快速閉環處理能力，成為智算中心實現最大算力價值的關鍵。影響分析1.面向 AI 集群服務器的智能化故障檢測、斷點續訓和故障

36、節點自動隔離能力，成為智算中心資源利用效率的關鍵首先，需要具備面向 AI 集群服務器的故障節點實時自動檢測和根因識別能力。通過實時采集AI 集群服務器的狀態和故障日志，識別 AI 集群服務器和網絡是否處于正常狀態，并能快速識別出錯的進程，快速定位錯誤原因，并排除和修復故障。比如，面向集群服務器的光鏈路等故障定位過程復雜，跨越算力、網絡和存儲，需要人工攜帶專業工具，進入機房近端檢測，單個光鏈路故障耗時 1 小時。AI 軟件類問題排查難度大，發生頻度大的 Notify wait 超時故障，平均分析耗時大于 3人天。其次，需要具備分鐘級 AI 斷點續訓能力，這是解決 AI 訓練故障中斷造成的算力可用

37、性差的19自動駕駛網絡關鍵。常規的斷點續訓，是訓練前備份，訓練中設 checkpoint 檢查點并更新備份，故障發生后，通過診斷、隔離或解決故障，恢復時間通常需要達到數小時，這會造成算力浪費嚴重。需要通過周期性地持久化 AI 模型和優化器的 checkpoint 檢查點，減少每次 checkpoint 耗時，進而將因故障中斷導致的額外 AI 訓練耗時降至最低。再次，需要具備主動式的智能化故障節點預測和快速自動隔離能力，不但減少故障發生概率，同時，也減少故障帶來的 AI 訓練影響。2.面向 AI 集群服務器的算力、網絡和存儲全域精準運營，是提升智算中心集群投資效益的關鍵從產業角度，面向 AI 集

38、群運維剛剛起步，大集群隱患排查方法業界無參考，如針對 NPU 芯片健康檢測、HCCL 帶寬測試、網絡閃斷檢查、光器件故障預測、高頻故障器件預測等。同時，智算集群涉及算力、網絡和存儲全域全棧軟硬件組合，傳統隱患排查方式效率低，萬卡集群，算網存器件數量超過 10 萬，全量軟硬件排查耗時大于 3 天。同時，慢節點慢網絡會導致算力損失超過 50%，同時，由于大模型訓練存在強同步特征，單點故障可導致整個作業嚴重劣化，故障擴散軌跡難串聯，這會導致排查點位多到萬級，憑借人工方式定界定位耗時為小時級，甚至達到數十小時，是智算中心運維面臨的關鍵挑戰。行動建議1.構建智能故障處理能力，提升運維效率運營商需要針對

39、AI 集群服務器，實現自動化和智能化的故障檢測、根因識別和快速修復能力，將故障帶來的訓練中斷時間降至最低。同時，通過分鐘級 AI 斷點續訓能力，優化 checkpoint 過程，減少 checkpoint 耗時，降低額外 AI 訓練耗時。同時，運營商需要發展主動式的智能化故障節點預測和快速自動隔離能力，減少意外故障發生概率和影響，快速恢復訓練過程。2.構建預測預防能力，提升全域全棧運營效率在執行 AI 訓練前，提供面向智算中心的全棧隱患排查能力和器件級的故障精準預測，確保和AI 集群服務器 AI 訓練正常，降低作業失敗概率，避免算力損失，且這樣的隱患排查和預測耗時，需要從目前的天級，降低到分鐘

40、級。同時，在 AI 訓練和 AI 推理執行過程中，針對慢節點慢網絡快速感知分析，提升AI集群算力利用率也非常關鍵。劣化感知能力，需要從小時級人工報單的被動模式，轉向分鐘級主動智能模式。定界定位效率，也需要從人工處理的數十小時，降低到 30 分鐘以內。20自動駕駛網絡趨勢四5G-A加速通感融合，使能運營商網絡延伸到感知領域，可能會給網絡運維智能化帶來新的難度。2021自動駕駛網絡業務洞察首先是以低空經濟為代表的無線領域空口感知。政策方面，2023 年 12 月，中國民航局發布國家空域基礎分類方法，將 G 類和 W 類空域劃為非管制空域類型，為 eVTOL、輕小型無人機和通用航空提供了合法的低空飛

41、行空間。2024 年 2 月 27 日，深圳市開通全球首條 eVTOL 跨?？绯强罩泻骄€，從深圳蛇口郵輪母港到珠海九洲港碼頭，將原來地面 2.53 小時的時間，縮短為空中 20 分鐘。6 月 28 日，“低空軌道”空鐵聯運項目在深圳北站樞紐東廣場正式開航，形成以深圳北站為中心聯通灣區的低空交通網絡，可實現 1 小時內到達粵港澳大灣區 90以上地區。在物流領域，截至 2023 年 11 月，美團無人機已在深圳、上海等城市 8 個商圈開通 22 條航線，服務覆蓋社區寫字樓、景區、醫院等多種場景，累計完成用戶訂單超 21 萬單；配送時長方面，無人機 2022 年期間平均配送時長約為 12 分鐘，較傳

42、統配送模式提效近 150%，為用戶節約近 3 萬小時等待時間。低空經濟的發展，可以為運營商帶來廣闊的商業空間。第一是增加了海量新聯接，對于無人機運營方，由于無人機飛行范圍超視距，需要通過視頻流的回傳來遠程控制無人機的運行情況，需要超大上行的視頻聯接，給運營商帶來新的業務空間。根據中國國家立體交通網絡規劃綱要，到2035 年中國低空經濟市場規模預期超 6 萬億元，同期，商用和工業級無人機預期達到 2600 萬架，無人機駕駛員也將增長到 63 萬名，可以為運營商帶來千萬級到億級的新聯接。第二是對于低空監管方的感知需求，由于需要確保低空航路的安全飛行，需要對黑飛等異常入侵進行實時感知，但是由于傳統的

43、雷達方案在低空部署面臨重新選站、遮擋等因素，在成本和可實施性上存在巨大挑戰，運營商可以利用已經部署的無線基礎設施，開展新的感知業務創新。第三，通感一體可以在提供通信聯接的同時，為運營商打開并拓展安防領域業務空間。在以WiFi 為代表的室內場景，可以利用廣泛覆蓋的家庭寬帶網絡，基于 WiFi 的感知能力，替代當前有隱私擔憂的攝像頭方案，提供智能看家、智能康養等創新業務。在以 5G-A 無線為代表的室外領域，可以基于無線感知，實現近海/河流航道入侵等創新服務，隨著更高頻段頻譜的應用，未來可以進一步拓展基于毫米波技術實現橋梁/道路微變形檢測等創新服務。在以光纖傳感為代表的行業感知22自動駕駛網絡領域

44、，IMT-2020(5G)推進組在 2024 年 9 月發布面向多場景應用的光網絡通感一體化架構和關鍵技術方案研究，提出基于光纖傳感實現光纜資源數字化管理的同時，可以拓展城市道路隱患、地質水文檢測、油氣管線入侵等環境感知和安全監測創新服務。影響分析1.低空經濟新業務需要構建通感一體網絡低空經濟對于網絡的需求帶來一個大的變化，面向地面通信覆蓋，到面向地面+低空的 3D 立體覆蓋與感知。首先需要對基礎網絡(如基站)進行升級，使基礎網絡具備通信+感知融合的服務能力；此外無人機的高速飛行，在整個運行期間跨多基站，對于感知到的無人機飛行數據進行高效、快速的處理，實現完整的感知服務，需要構建面向感知的網絡

45、管理系統，從感知數據的獲取、感知數據的分析、感知結果的精準度上構建能力。2.通感一體網絡需要新的運營模式和運維能力在3GPP關于ISAC的指標設計中，通信和感知的指標分別從兩個體系進行衡量。在通信領域，更關注的是信道容量、頻譜效率、信噪比等能力，而在感知方面更多關注的是感知精度、速度、檢測率和誤檢測率等指標。隨著業務的發展，不同的指標體系，帶來更高的網絡運維訴求、快速響應等能力。例如，圍繞連接服務，從網絡規劃、建設、維護和優化全生命周期構建運營 KPI 以及相關技術，而面向感知的創新服務，同樣需要構筑全生命周期的運營能力。在具體的運維能力方面，一個最明顯的變化是，無線網絡由傳統的地面網絡覆蓋，

46、逐漸走向地面+低空的 3D 立體覆蓋能力；第二個是對于低空網絡，由于飛行目標高度低、目標小、復雜的電磁環境以及障礙物遮擋等多方面因素，帶來無線環境的復雜性。這兩大變化對于網絡的規劃、維護都提出更高的要求，需要更加精確的仿真技術、更加智能和自動化的網絡優化技術。23自動駕駛網絡行動建議1.在無線網絡領域，以低空經濟為契機，開展低空通感一體的業務創新，拓展新的聯接服務，同時面向低空安全飛行方面，提供感知數據服務。2.在安防領域，參與行業研究以及聯合創新，基于家庭網絡、行業感知等方向開展業務創新。3.在網絡的規劃、仿真和優化等領域，開展面向通感一體網絡智能運維技術的聯合創新，以智能化的技術賦能 5G

47、-A 通感一體網絡的運維。24自動駕駛網絡趨勢五價值場景需求驅動自智等級提升，大模型加速開啟自智網絡L4新階段2425自動駕駛網絡產業洞察自智網絡旨在通過完全自動化的網絡和 ICT 的智能化基礎設施、敏捷運營和全場景服務，幫助運營商抓住新商機、改善客戶體驗、降低成本和提升收入等。近年來，自智網絡的蓬勃發展和快速演進，為 AIGC 業務、大模型應用、低空經濟等新型業務，提供了運營運維自動化和智能化的發展土壤。截止 2024 年 8 月，已有 61 家產業伙伴簽署自智網絡宣言（AN Manifesto），有 14 家領先運營商制定了在2025-2027年達到高階自智網絡（AN L4）的戰略目標，包

48、括中國移動、中國電信、中國聯通、MTN、泰國 AIS、德電、沃達豐等。在自智網絡上的商用實踐讓領先運營商獲得了顯著收益，從而堅定了他們往高階自智網絡（AN L4）推進的戰略。中國移動在 2024 年 6 月全球數字化轉型峰會(DTW)上明確表示，其自智網絡等級（ANL）在 2023 年已達到 L3.2，2024 年達到 L3.5，2025 年將達成 L4 目標，并將持續圍繞高價值場景，以端到端全自動化為基礎、以 AI+為核心特征，構建高度自動化和智能化的網絡運營能力，從而實現低成本高效運營。，當前，核心價值場景的自動化率達到 95%，并完成了 3000項 AI 基線能力打造，實現網絡配置、故障

49、整改、網絡優化等分鐘級處理，全年預計節省 5000 人力運維成本。網絡自智能力的提升，離不開人工智能技術（AI）的快速發展和與融合應用。特別是隨著生成式人工智能技術（GenAI）的突破性發展，其強大的文本、圖片、聲音、視頻和代碼等多模態內容生成能力，可以很好地應用在網絡運營運維上，比如配置、代碼自動生成，思維鏈的復雜問題分析推理等；在 2024 年巴塞羅那和上海的全球移動通信展上，以生成式 AI 為核心的通信大模型成為了通信領域最熱門的話題。AI 通過優化網絡性能、降低運營成本、推動創新應用和商業模式的發展，為通信行業提供了強大的支持和動力。Omdia 提出，GenAI 核心能力在通信行業最明

50、顯的應用是為聊天機器人生成更準確的響應，為客服代理生成更有用的腳本，為網絡維護提供更有效的推理，從而幫助運營商在多種服務上減少人工干預，甚至部分無人干預，實現運營運維效率的大幅提升。因而在最近一年的 DTW、巴展26自動駕駛網絡等全球性重磅產業活動中，業界普遍提出：以 GenAI 為核心的通信大模型是網絡邁向高階自治的關鍵使能技術；這項技術的革命性突破使得將高階自智網絡（AN L4）變為現實成為了可能。TM Forum 在 2023 年 12 月成立了 GenAI AN 標準工作組，CCSA 也發起了大模型先鋒計劃，以推進大模型/GenAI、智能體等 AN L4 使能技術的標準落地。TM Fo

51、rum表示：“自智網絡已成為TM Forum三大核心使命之一?！?024年6月DTW期間，TM Forum 攜手中國移動、Vodafone、Telefonica、華為、愛立信、亞信，以及 2007 年圖靈獎得主 Joseph Sifakis 教授等產業伙伴，共同發布了自智網絡 L4 產業藍圖與高價值場景報告。該報告首次向業界描繪了 L4 產業藍圖，包含愿景目標、價值場景、架構和演進路徑等重點內容，為運營商 AN L4 的規劃部署提供了參考。1.價值驅動場景選擇，分階段實現 AN L4面對通信業務和網絡眾多細分場景，運營商會優先考慮將資源和精力投入到商業價值較大的領域和場景，以實現投資和收益比最

52、大化。L4 產業藍圖中，將實現場景分成兩個階段：階段一（20252027）以單領域維護/優化類場景為主；階段二（20282030）以多領域 E2E 復雜場景為主。而基于運營價值和技術成熟度，TM Forum 將運營商場景分為高中低三個價值區間，并識別出“運營、維護和優化”三大類里的 15 個高價值場景（如下圖）。自智網絡L4高價值場景 2025-2027高價值場景面向業務網絡全生命周期業務營銷業務開通業務保障投訴處理運營網絡規劃規劃網絡部署監控排障建設維護優化網絡變更網絡優化能耗優化面向網絡核心網無線網固定接入網傳送網數通網.個人業務語音流量短信家庭業務寬帶IPTV.政企業務專線5G2B.27

53、自動駕駛網絡2.網絡各層引入 AI/GenAI，構建“應用級”Copilot/Agent 能力過去幾年，自智網絡的實踐以“點級方案”Use Case 為主，圍繞數十個運維任務，識別出幾百個能力點，實施過程和價值成效相對分散。而以 GenAI 為核心的大模型的技術突破，通過內容生成、思維鏈分析、多模態仿真等核心能力解決碎片化問題，使能獨立可部署的大顆粒新流程和新能力，為自智網絡的實踐帶來了“應用級”方案。L4 產業藍圖，在自智網絡的業務、服務和資源運營的三層四閉環架構中，首次明確引入全棧AI/Gen AI能力，構建基于角色的智能助手（Copilot）和基于場景的智能體（Agent）兩大類“應用級

54、”能力，實現單域高價值場景自治，并為跨域協同奠定基礎。影響分析AN L4 的開啟，標志著自智網絡發展到了全新的階段，是從機器輔助人到人輔助機器的重大升華。自智網絡 L4 產業藍圖與高價值場景報告為產業的發展提供了重要的參考方向。隨著 AN L4的持續深化，融合通信大模型、數字孿生等先進技術，突破現有能力局限，將給通信網絡帶來諸多影響：重塑運維模式：傳統基于 CLI/GUI 模式的運維效率低下，并對人員的技能要求較高。比如，在網絡維護場景中，需要維護人員在多個系統中找到相應的操作界面，并逐個打開分析、總成，得到自己想要的信息。面向角色的數字助手Copilot，通過自然語言交互，提供智能問答、智能

55、查詢、智能報表生成等智能化輔助運維方式，使能運維模式的轉變；而面向場景的智能體 Agent，能夠根據設定的目標進行自動閉環，實現少人或無人干擾。重塑系統能力：系統的感知、分析、決策及執行的自動化、智能化能力將會全面提升，從而更好地釋放通信大模型潛能。感知層次從有源到無源，感知維度從網絡性能到應用體驗，感知精度從分鐘級到毫秒級；分析從基于預定義規則到基于思維鏈的智能推理，解決非確定性的復雜問題；決策從傳統的機理仿真到 AI 仿真，突破仿真效率、精度以及泛化難題；執行從人工保障結果到自動驗證糾偏、可靠執行。重塑業務流程：L4 的目標態即是基于 AN MAP 高價值場景，打開每條流程，圍繞價值、賦能

56、、斷點等進行梳理，從面向人員管理的流程轉變為意圖驅動的自動化流程演進，打通業務斷點，簡化運維節點，減少人工干預，從而構建起業務和運維的 L4 新流程。重塑集成模式：現有系統集成模式下，當涉及到北向接口定制開發時，通常需要開發、測試、版本發布，長則數月。而利用大模型生成能力，可在線生成場景化 API，實現系統間接口松耦合、極簡集成，加速業務上線和商業變現。28自動駕駛網絡行動建議1.以 L4 為起點，圍繞高價值場景開展商用實踐：基于單領域“維優營”高價值場景的 Copilot/Agent 大顆粒應用已被陸續發布，在網實踐的價值也已顯現出來，但當前落地的局點不多，主要在中國市場的極少數先進省份。L

57、4 對所有運營商來說，都是全新的起點，因而建議更多有條件的運營商積極嘗試，體驗 L4 大顆粒方案的商業價值。2.啟動人才轉型和儲備，保障大模型能力被最大化發揮：AN L4產業藍圖表示，大模型的兩大應用Copilot和Agent將實現端到端的運維流程整合和簡化、打破組織邊界，從而重塑業務流程?，F有運維模式將從人人協同轉變為人機協同，甚至機機協同。這意味著運維人員必須具備使用好大模型應用的新能力。近年來隨著 ChatGPT 興起而出現的“提詞器工程師”技能將需要被逐漸賦能到通信行業，從而激發出通信大模型的最大作用。3.參與產業協作，共同完善 L4 產業藍圖的執行標準：以自智網絡 L4 產業藍圖與高

58、價值場景報告為框架，踐行 L4 發展五大原則，形成更廣泛的產業共識。同時，細化價值場景的目標、成效指標、場景設計，并圍繞價值場景制定和完善 L4 自智網絡的相關標準，包括測評標準、運營商需求、成效指標、關鍵使能技術、接口定義等，提供更完備的評估機制和工具。29自動駕駛網絡趨勢六網絡智能化需要組合應用大模型等多種AI能力，以解決不同場景的問題2930自動駕駛網絡技術洞察1.靈活應用多種 AI 能力，以滿足通信網絡對準確性、時效性、安全性的業務訴求。GenAI已成為通信網絡數字化的技術變革驅動力。GenAI落地網絡管理主要通過自動化事件響應、識別網絡故障與隱患、優化網絡事件處理方案等方式改變網絡運

59、維管理模式，提升自動化運維管理水平。據TMF估計，引入GenAI可以為運營商每年在網絡中斷和服務降級方面節省200億美元的費用支出。通信行業 GenAI 正從創新探索向應用落地轉變。例如：AT&T 推出基于 ChatGPT 的生成式 AI平臺“Ask AT&T”來賦能員工，讓GenAI用于問題輔導、代碼轉化等常規工作，讓員工專注于更復雜、更高價值的任務。但值得注意的是：人工智能的發展領域寬廣，GenAI是解決實際問題的技術手段之一，機器學習、圖計算、預測式、優化決策、啟發式規則等各種AI技術也是解決不同場景化問題的重要手段。GenAI與其它AI技術、非AI技術結合，才能解決通信網絡智能化的準確

60、性、時效性、可解釋性需求。用例類別生成式模型目前的實用性用例示例預測/預報較低風險預測、客戶流失預測、銷售/需求預測規劃較低運籌學、優化、路線規劃決策智能較低決策支持、增強、自動化自治系統較低自動駕駛汽車、高級機器人、無人機細分/分類中等集群劃分、客戶細分、對象分類推薦系統中等建議引擎、個性化建議、下一步最優行動感知中等目標檢測、識別、分析智能自動化中等智能文檔處理、對象字符識別、機器人流程自動化、超自動化異常檢測/監控中等事務異常檢測、離群點檢測、監控內容生成較高文本生成、圖像和視頻生成、合成數據會話式用戶界面較高虛擬助理、聊天機器人、數字工作者知識發現較高知識存儲、搜索、挖掘來源:Gart

61、ner(2024 年 3 月)31自動駕駛網絡在 GenAI 應用落地場景選擇過程中，Gartner 的 AI 棱鏡工具為運營商提供了應用場景預評估參考。該報告中指出：GenAI 模型更適合內容生成、會話交互、知識發現等應用場景，在預測、規劃、決策等場景中，往往不適宜單獨使用 GenAI 模型來解決問題。比如，在預測方面，目前直接使用 GenAI 模型來預測可能并不是一個最優選擇。在趨勢預測、流量預測、速率預測、網絡狀態時序預測等任務中，雖然 GenAI 生成功能在預測任務中也有嘗試性應用，但因為GenAI模型的設計目的不是針對給定輸入的網絡狀態數據進行統計和自回歸建模，更適合通過預測式 AI

62、 技術來完成。在網絡優化方面，網絡優化是當前 GenAI 模型中缺失的一項關鍵能力，這限制了 GenAI 在節能優化、路徑優化、多目標組合優化和配置策略優化等高價值網絡場景中的應用，這些網絡用例往往需要通過將優化策略下發到現網環境或者網絡仿真環境中，通過反饋迭代尋優來逼近最優解。所以，在網絡優化工程中，基于強化學習和自動控制技術的思路專門設計網絡優化算法仍然是合理適用的算法模型。而且，現實網絡優化場景往往需要綜合多種技術手段加以解決，嘗試通過將 GenAI模型嵌入到網絡優化任務流程中，擴展網優系統的規劃調度能力，可能是更合理的方案。在決策方面，網絡決策是一項復雜的系統工程，需要針對具體問題制定

63、方案、選擇行動，實現預期目標。當前 GenAI 模型的輸出仍然存在幻覺問題、缺乏可解釋性。運營商僅依賴 GenAI 模型輸出來直接做關鍵決策存在較大技術風險。面對復雜的網絡環境當前GenAI還無法實現自主決策，關鍵的感知、分析、決策、執行等關鍵策略選擇，還需要人類專家的經驗導入，還需要人的控制和指導。2.分析具體場景訴求，選取合適規模的模型。模型大小的選擇應基于業務場景具體需求評估。一個經過大量文本數據訓練的大模型可能非常有效。例如，OpenAI 的 GPT-4 在處理各種自然語言生成基準評測任務時表現出色，但并不意味著它適合所有類型的網絡業務需求。更大的模型通常意味著更高的訓練和運行成本。據

64、估算，訓練一個千億參數大語言模型的可能花費需要上億級的成本投入。大模型的表現很大程度上取決于訓練數據的質量，大模型在領域落地過程中需要基于高質量的領域數據進行針對性學習。對于資源受限的環境，采用過大的模型可能因過高的計算和存儲需求而讓方案不切實際。一個輕量級模型可能更加合適,以滿足性能與資源平衡：例如，對于需要實時反饋的客服系統，選擇一個響應速度快、資源消耗適中的大模型可能比一個準確率略高但響應慢的大模型更合適。GenAI大模型需要綜合考慮業務需求、成本效益、數據質量、部署環境和安全合規等多個因素。企業應該基于多維度分析，確保選擇最適合其業務場景的大模型。32自動駕駛網絡影響分析面向網絡維護、

65、優化、運營場景提效降本的業務需求，GenAI技術的應用將帶來更加便捷、零活、多樣化的方案選擇。1.GenAI 技術解決了網絡意圖分解難題，統一了人機意圖交互和機機意圖理解的范式。大語言模型在理解用戶意圖，準確生成和分發下游任務等任務中具備顯著優勢，語言交互界面已經成為智能化時代人機交互的一種事實標準。以工具學習、API 免訓注冊、準確調用為基礎，大模型已成為智能化系統集成新模式的一種基礎范式，按意圖零活調用 API、按目標零活編排 API，大模型為網絡領域意圖理解、目標分解、任務編排、執行、反思總結提供了基礎保障，人與系統的交互前所未有的順暢。2.GenAI 與其它 AI 技術組合可以在維護、

66、優化等網絡場景中提升完成任務的效率和效果。在故障診斷和隱患排查等維護類場景中，可以通過組合運用 GenAI 模型和網絡專業 AI 算法模型，自動分析告警、統計指標、運行日志等信息，檢測網絡故障事件，自動診斷故障根因，生成故障分析報告，快速匹配同類歷史案例，精準推薦故障修復方案，實現網絡故障和隱患自診斷，網絡運維工單自閉環，提高網絡運維效率。在網絡優化類場景應用功能中，GenAI 和傳統 Ai 算法模型的組合，可以輔助人提高工作效率，替代人不間斷值守，完成劣化自動檢測，優化策略自動生成，網絡配置自動生成自動核查，優化策略下發后自動模擬仿真、自動校驗，從而最終實現網絡在線自優化。通過網絡數字孿生仿

67、真和網絡狀態變化預測，對比優化策略變更前后網絡的負載和流量變化，保障網絡多目標優化效果達成，保障網絡帶寬、時延和速率，提高網絡資源利用率。3.GenAI 技術在運營商網絡落地，對網絡 AI 算力基礎設備提出了新要求。部分網絡管理控制類 AI 應用的業務實時性要求很高，往往需要秒級甚至毫秒級響應，這就需要網元側具備 AI 算力，能實時獲取高精網絡狀態數據，管控單元側具備 AI 算力，能實時分析海量網絡狀態數據，通過智能分析、近數計算，實現故障自診斷、網絡自優化、鏈路自適應、頻譜自感知、用戶體驗自保障、業務實時仿真等新能力，構筑創新競爭力。33自動駕駛網絡行動建議1.整理本行業本領域語料，為 Ge

68、nAI 大模型應用落地提供高質量的數據保障。治理領域數據：識別并收集與本行業或領域相關的可用數據源，包括內部數據庫、領域公開數據集、領域經驗知識文檔等。清洗數據，去重冗余數據，過濾無效、過時或不準確數據，確保領域數據質量。標注領域數據：進行適當數量的數據標注，利用行業專家的經驗知識對數據進行分類和標注，增加標注數據的可解釋性和準確性，以便 GenAI 模型能夠基于高質量的數據進行預訓練、后訓練或RAG 增強。數據安全合規：確保所有收集和使用的數據符合當地的數據和隱私保護法規、AI 監管法案。在必要情況下，實施數據加密、訪問控制和審計跟蹤等安全措施，以保護數據不被未授權訪問或泄露。2.根據具體場

69、景，選擇合理的 AI 技術形成系統性解決方案。針對網絡預測、網絡維護、網絡優化、自主決策等具體應用場景，應選擇使用合適的 GenAI 與經典 AI 技術方案系統化解決問題。對于相對明確具體的應用場景，利用經典 AI 算法模型往往會比只依賴 GenAI 模型的方案更可靠、可控、易理解，更節省資源，包括：使用機器學習模型用于確定性分類子任務、使用強化學習模型用于確定性優化子任務，使用基于邏輯規則和知識圖譜的推理系統用于確定性定界定位分析子任務等。GenAI作為功能集成與調度總接口，以LUI化的方式零活集成網絡開放接口和領域AI算法模型，構建更智能、更專業的網絡智能體，彌補 GenAI 模型自身局限

70、，提升整體 AI 解決方案的準確性、實時性、可解釋性和安全可控性。3.貼近業務運行側部署專用 AI 算力，匹配適當規模模型的性能需求。通信網絡管控單元和網元都需要通過 AI 服務器或 AI 智能板升級等形式提供實時 AI 算力，為網絡狀態融合感知、網絡故障根因分析、網絡故障恢復保障等業務提供高效、實時的智算能力，為網絡運維人員和裝維工程師提供專業的、24 小時在線的網絡運維專家級助手，為網絡用戶提供更智能、更優質的網絡零故障體驗?；?GenAI 的網絡智能助手和通信智能體在實現現實網絡落地過程中，生成部署的大模型以滿足場景化功能需求為宜，部署太大規模的 GenAI 模型勢必導致算力增加、資源

71、浪費、能耗增大，部署太小規模的 GenAI 模型可能會在處理復雜規劃和推理場景時產生能力缺口,一般建議網絡 GenAI大模型參數量介于 7B-38B 之間是比較合適的選擇。34自動駕駛網絡趨勢七多智能體協同將是運營商網絡邁向高階自治的新需求，已成為產業研究的技術新熱點3435自動駕駛網絡技術洞察隨著網絡日益復雜化，多智能體作為實現網絡分層自治和跨域端到端閉環的關鍵技術，成為學術與產業研究熱點。業界智能體研究持續火熱，在 2024 年 AI 頂會中(包括 AAAI,ICML,ICRL,IJCAI 等)，智能體/多智能體是熱門話題之一，關于多智能體協同方向的論文數量呈現增長趨勢。研究范圍涵蓋了多智

72、能體強化學習、協作機制、通信交互、競爭對礦、跨領域應用等多個子方向?；?LLM的多智能體研究興起，綜合多個 Agent 的優勢，通過協作解決復雜場景問題。2024 年Large Language Model based Multi-Agents:A survey of Progress and Challenges論文，對 81篇多 Agent 領域的論文進行了綜述性分析，提出了基于 LLM 的多 Agent 系統定義。另外，關于多智能體的開源框架開始涌現，包括 AutoGen(微軟開源的多智能體框架)，MetaGPT(多智能體元編程框架，被 ICLR 2024 收錄為 Oral 論文)，A

73、gents，Camel，ChatDev 等，推進了多智能體通信與協作的探索。多智能體協同技術為跨域故障定界定位提供了新的探索方向，綜合運營商跨域故障智能體和廠商單域故障智能體的各自優勢，探索跨域智能體與單域智能體的南北向協同(目標分解、協商、交互接口等)，實現跨域故障端到端閉環。以無線基站退服跨域故障定界為例，當前面臨停電或者末端傳輸問題難以準確定界、無線傳輸跨專業資源關聯不準等關鍵難題。根因派單成功率不高，無線和傳輸關聯場景存在工單雙派，日均匯聚以上傳輸故障引起基站退服派單約50+張。故障定界過程，依賴無線、移動承載兩個運維團隊多次交互，人工傳遞故障基站清單。運營商對于提升跨專業故障定界定位

74、能力、效率的需求強烈。2024 年 6 月 TMF 發布的自智網絡 L4 產業藍圖與高價值場景報告，向業界描繪基于多智能體協同實現復雜場景的端到端閉環自治，典型價值場景包括：端到端客訴處理，跨域故障定界，端到端業務保障，無線網絡協同優化等。中國聯通研究院、中國移動信息技術中心、中國信通院、中國電信研究院等聯合打造了“生成式 AI 賦能算力網絡（GenAI empowers computing force network）”Catalyst 項目，面向客戶個性化的算網業務需求，高效調度云邊端算網資源，提供一站式智能業務支持。E2E 算網業務開通中涉及多個 Agent 協作，探索基于 Master

75、 Agent 與其它Agent 間的目標分解與協商，利用多個 Agent 的各自優勢進行算網業務 E2E 編排。36自動駕駛網絡影響分析1.多智能體協同使能運營商網絡復雜場景 E2E 閉環：多智能體協同，可以突破單智能體的局限，綜合多個智能體的優勢，通過協作完成復雜任務，并具備良好的靈活性與擴展性。為電信領域網絡復雜場景端到端閉環提供了關鍵使能技術。從單智能體向多智能體協同演進是發展趨勢，通過多智能體協作與通信，貫穿運營商多個流程，覆蓋價值場景。多智能體協同還將重塑系統集成模式，傳統系統集成以原子 API 為顆粒度，一個新的功能上線需要多層多系統聯合設計方案，開發API，現場集成聯調測試，集成

76、TTM月級?；诙嘀悄荏w協同，將結構化 API 升級為自然語言 LPI，OSS 智能體與單域智能體通過自然語言接口進行意圖協商，完成目標分解和協同閉環，實現系統間免集成。2.多智能體可能成為新的網絡通信對象，激發通信網絡服務新動能：AI Agent 正在迅速發展，未來將涌現大量智能體，包括新型智能終端、具身智能(機器狗、智能服務機器人等)、虛擬智能助理、數字人等，智能體將成為未來網絡的新通信對象和服務場景。未來網絡需要為多種不同形態、不同能力的智能體提供數字身份認證接入、互聯互通、任務協作的新型連接服務。3.多智能體協同仍存在較大技術挑戰：1）當前通信產業關于多智能體協同存在兩條主流技術路線，

77、包括基于強化學習的多智能體協同，以及基于大語言模型的多智能體協同。兩條路線的未來演進以及技術互補的可能性，業界還處于研究探索階段。2）通信與協作是多智能體特有的能力要求和關鍵技術難點，當前還處于探索期，尚未形成一致的方法和框架。主要挑戰包括：協調機制挑戰，需要解決不同智能體之間的目標分解、協調與沖突問題，智能體之間的多級協作與消息傳遞，可能會逐級放大幻覺；多智能體通信挑戰，存在多種通信機制(去中心化通信、集中化通信、混合通信等)，各有優缺點，需要根據智能體應用場景特點，靈活選擇?；谧匀徽Z言的通信消息模型尚不成熟。3）多智能體標準研究處于前期階段，尚未形成統一的標準和規范，還在持續探索以實現不

78、同系統間的互操作性、語義傳遞準確性、兼容性等需求。37自動駕駛網絡行動建議從單智能體向多智能體協同演進，使能運營商網絡復雜場景端到端閉環，加速邁向高階自治，是熱點趨勢和演進目標。但目前仍存在諸多挑戰，包括關鍵價值場景不夠明確、產業標準處于前期階段、關鍵技術不成熟等。在邁向 AN L4 的第一階段，呼吁產業各方協同，加速圍繞高價值場景基于Agent 的單域自閉環。多智能體協同作為 AN L4 高階自治第二階段的關鍵技術，在電信領域商用落地還存在較大差距。呼吁電信產業和學術界共同努力、深度介入，攻克多智能體協同技術難題，推動多智能體協同技術在電信領域的深入發展和應用。行動建議 1：呼吁運營商貢獻多

79、智能體協同的商業場景、業務訴求，圍繞關鍵價值場景，產業各方開展技術研究、探索。行動建議 2：啟動多智能體協同在電信領域的標準規劃、課題研究論證，推動多智能體協同技術的標準化和規范化發展，是促進其在電信領域應用的重要方向。行動建議 3：呼吁高校等學術界的共同行動，圍繞多智能體協同的關鍵技術方向和難題(如協調機制、通信協議、交互接口等)探索研究。38自動駕駛網絡華為自動駕駛網絡03自動駕駛網絡39自動駕駛網絡華為自動駕駛網絡，使能高階自智網絡，助力運營商邁向全面智能化自智網絡在近年來已成為全行業共識，是支撐運營商實現全面智能化轉型的最佳選擇。自動駕駛網絡（ADN）是華為通信網絡 2030 的四大核

80、心戰略之一，也是華為在全球自智網絡產業的解決方案。旨在基于聯接+智能，打造一張自動、自愈、自優、自治的網絡?；趩斡蜃灾?、跨域協同、價值驅動、具象化、產品化五大原則，與運營商和企業共同構建網絡“自配置、自修復和自優化”能力，從而為消費者和政企客戶提供“零等待、零接觸、零故障”的極致體驗。圖.華為 ADN 解決方案全景概覽洞察協同數據上報策略下發即時性業務交付主動關懷體驗管理智能故障運維智慧綠色節能5類11個5類10個Mate系列CopilotSpirit系列AgentNOCMateFMEMateHCEMateHDEMateLinkHomeMateProvSpiritOperateSpiritO

81、ptimSpiritCompSpiritAssurSpirit數字化運營平臺無線接入傳送IP核心.智能基礎設施本地推理，實時感知&執行智能服務平臺AgentCopilotSmartCareAUTINADO 集中訓練，跨域策略編排第三方平臺NCEMAEAgentCopilot智能管控系統訓推一體，單域策略生成管控析通信大模型提升變現能力提升客戶體驗提升運維效率提升資源效率營收TTMNOC工程師現場維護工程師裝維工程師客戶服務家寬用戶業務使能網絡變更網絡優化故障管理投訴處理Wi-Fi 體驗工單自動化率多目標協同調優節能增益離網率MTTR商業價值智能體應用40自動駕駛網絡華為自動駕駛網絡解決方案，從

82、商業、體驗、效率、能效四個方面為運營商提供核心價值：變現能力+：通過提升網絡服務化能力助力客戶提升商業變現能力，使能 NaaS，實現零等待業務開通，提升產品 TTM，助力千行百業敏捷上線。例如在企業園區業務使能場景，實現免入園快速開通，開通時長縮短 75%以上，助力企業用戶快、準、穩的業務發放?？蛻趔w驗+：通過提升業務質量達標率、投訴處理的及時率等關鍵指標，提升客戶體驗和滿意度，實現全生命周期極致體驗。例如家寬體驗保障場景，上門率從 65%降低到 10%，用戶投訴降低 60%，差異化寬帶提升 ARPU。運維效率+：通過預測性維護、對話式運維等AI核心技術的深度應用，大幅減少人工作業量，降低單位

83、作業時長，實現人員效率提升。例如 IP 網絡故障管理場景，快速診斷故障根因，減少 90%的告警；工單處理時長從 3.5 小時縮短到 30 分鐘。資源效率+：通過多維協同等多種手段降低網絡設備的能耗；點亮網絡啞資源，提升啞資源數據準確性，保證網絡資源精準調配；優化網絡路徑，抑制網絡擁塞，提升網絡資源的利用率。例如無線網絡優化場景，實現網絡節能增益提升 35%，邊緣速率提升 20%。面向高階自智網絡的演進趨勢，基于通信大模型、融合感知、數字孿生等多項關鍵技術，華為圍繞高價值場景全面打造 ADN L4 解決方案，提供基于角色的 Copilots 和基于場景的 Agents 核心應用能力，幫助運營商和

84、企業賦能員工及提升用戶體驗，使能網絡數智生產力的價值躍升。華為使能典型場景達成高階自智網絡的 ADN 解決方案詳細描述如下：核心網投訴處理場景：CompSpirit重塑投訴處理流程，使能運營商高效運維隨著云原生和全融合的持續演進，核心網變得愈加復雜，管理對象和網絡風險成倍增加，問題處理的 SLA 要求逐年提升，傳統的核心網運維模式已經不能滿足業務發展的要求。以投訴處理場景為例，投訴分析可能會涉及到多個網元、接口、協議類型和信令消息的組合，其中信令分析的技術難度最大，單條信令里面就有 100 多條機器語言消息交互，一直以來主要依賴在核心網領域具備多年經驗的專家進行分析，技能要求高，且人工分析耗時

85、時間長。針對這種復雜的投訴問題處理，華為基于核心網運維多模態大模型推出投訴處理智能體CompSpirit，實現對投訴意圖的快速理解，復雜流程的快速定界，簡化作業流程，加速投訴處置全流程閉環。實現投訴工單前移比例平均增至 20%以上，投訴工單 E2E 處理時長 14.6H-5H，提效 64%。41自動駕駛網絡客服BeforeAfter客服投訴受理投訴受理基于結果自動填寫人工投訴分類投訴分類投訴基礎分析投訴信令分析人工查詢基礎分析核心網工作臺SEQ工單分派工單人工填寫問題修復&驗證問題修復&驗證回訪,關閉回訪,關閉人工投訴分析監控部監控部核心網運維多模態大模型核心網部核心網部基礎查詢核心網工作臺S

86、EQ用戶信令詳單華為自動駕駛網絡解決方案，從商業、體驗、效率、能效四個方面為運營商提供核心價值：投訴準確分類：使用大模型的數據預處理和參數提取能力，精準提取投訴工單中的關鍵字段，并通過 BERT 模型進行投訴分類，基于 7 大類高頻投訴場景，實現更精準的投訴分類，投訴問題分類準確率從 40%提升到 90%以上，打通投訴分類與投訴定界的流程斷點，自動調用投訴定界 API，自動完成工單回填，實現投訴分析工作從核心網室前移到監控室。信令自動解析：獨創信令大模型，通過信令行為三層建模，“教會”大模型理解業務邏輯，并結合信令和語義融合編碼，實現基于自然語言的問答式信令分析功能，降低了信令分析的門檻。能夠

87、讓系統像人類專家一樣，針對信令問題進行逐層分析，使普通員工也可以通過對話式問答 5 分鐘內輕松完成信令分析，并直接給出推薦根因和相關案例，相當于打造了具備5年以上經驗的核心網運維專家，信令分析單環節的耗時可以從4小時大幅降低至5分鐘。目前方案已進入浙江移動生產流程，相當于新增了 30+經驗豐富的“數字員工”，重塑已有投訴處理流程，實現了核心網運維轉型正循環。光接入質差體驗場景：CompSpirit智能識別，HCEMate精準上門維護，大幅提升用戶體驗在數字經濟高速發展的當下，優質業務體驗已成為家庭寬帶用戶的核心訴求，越來越多的用戶愿意為更好的寬帶體驗去額外付費，運營商也希望通過品質體驗運營來增

88、強用戶粘性和提升收入，42自動駕駛網絡打開新的市場空間，家寬業務進入了全新的體驗經營時代。每個家庭對數據和算力的需求與日俱增，豐富的終端與應用給光接入網絡提出了個性化訴求，傳統模式下以人工為主的運維模式難以有效滿足。華為全光接入 ADN 解決方案，通過打造裝維工程師 HCEMate、家寬用戶 LinkHomeMate和體驗保障 CompSpirit 智能體應用，實現對全光接入網絡體驗問題的自動識別、智能診斷及高效優化，保障家寬業務品質體驗，顯著提升運營、運維效率。NCE-FAN北向/GUI集成故障綜調支撐OSS故障投訴 用戶客服熱線裝維綜調/NOC派發工單Agent自動化診斷，減少交互調用故障

89、樹一鍵排障數字客服CopilotLinkHomeMate裝維CopilotHCEMateCompSpirit基于故障樹的自動化排障（無法上網、上網慢）管控品寬2.0（CEI/故障）HBB-Master（大模型）321圖：方案概述 體驗保障 CompSpirit:基于故障樹的自動定界定位。當家寬體驗質差時，CompSpirit 通過時空關聯分析，自動提取故障時刻的網絡 KPI 和 KQI 信息，基于故障樹的診斷算法，30s 內識別故障根因，生成解決方案。其中約 30%的故障可以通過遠程方式自閉環，其余問題由運營商 NOC 部門派單上門處理。該方案實現先于客戶投訴的問題處理閉環，上門率減少 30%

90、，故障診斷時間減少 80%，端到端排障效率提升 50%。裝維 HCEMate 協同 CompSpirit 實現自動排障：基于大模型的智能問答及輔助排障當裝維工程師進行上門服務時，一方面通過與 HCEMate APP 自動獲取裝維相關知識、經驗指導；另一方面，在故障定位場景下，可以自動調用 CompSpirit 能力，實現基于故障樹的快速故障定位和解決方案生成。通過智能體的高效協同，大幅提升裝維工程師的作業效率，減少 80%的家庭內問題處理時長。數字客服 LinkHomeMate 協同 CompSpirit 實現用戶自服務：使能用戶自排障自修復當用戶識別到寬帶網絡體驗問題時，可通過 LinkHo

91、meMate APP 進行一鍵診斷，自動調用CompSpirit 完成故障的快速定界定位，并自主判斷故障是否能免上門自主解決；如果判斷可以，則向用戶提供相應的處理方案，指導用戶快速故障處理閉環，從而實現 30%的故障攔截；如果判斷不可以，則由用戶主動向運營商報障，從而提升 50%的上門排障效率。43自動駕駛網絡IP故障運維場景：FMEMate與AssurSpirit協同，助力運營商提質增效IP 網絡層次多、協議復雜且路由動態變化，一次網絡故障往往會產生大量衍生告警。傳統運維模式下，從海量告警中識別出故障主要依賴于預定義規則，造成不少重復派單；故障定位階段，主要依賴維護人員的專業經驗與系統輔助進

92、行排查；并對于需要外線處理的故障工單，尚需現場維護工程師與 NOC 人員的遠程協作；整個故障處理過程自動化能力不足，運維效率低下。面對挑戰，ADN 解決方案基于數字孿生、通信大模型等關鍵技術，推出面向場景的故障處理智能體 AssurSpirit 及面向 NOC 及 FME（現場維護工程師）的數字助手 NOCMate和 FMEMate，賦能維護人員及自動故障分析，從而顯著提升故障處理效率。其中故障處理AssurSpirit：通過告警過濾、聚合、相關性智能分析，自動識別出根因告警；結合智能光模塊的毫秒光功率采集及大模型的思維鏈分析能力，自動拆解復雜問題及進行網管能力調用，定位出故障根因及給出修復建

93、議；并對于軟調類問題，自動調用工具或接口，完成修復閉環。同時，針對需要上站修復的問題，通過 NOCMate 與 FMEMate 數字助手，提供智能問答及輔助排障能力，實現免人員間協作與快速故障修復。一故障一工單、隱患預測預防99%+告警壓縮率專線CPE掉電/斷纖問題精準感知前后臺排障交互時長降低90%機器數據理解，故障根因分析95%工單自動診斷光路問題感知分析排障思維鏈精準故障診斷軟件故障遠程閉環、硬件故障一次上站故障識別故障診斷故障修復AlarmsIncident告警壓降告警聚合根因識別AI感知分析AssurSpirit智能光模塊NOCCopilot后臺運維人員FMECopilot現場上站人

94、員思維鏈ms級采集意圖理解故障識別根因分析修復建議該方案能力已在廣東移動成功應用，通過與上層故障處理、工單系統的集成，實現了故障識別、定位、修復及驗證閉環的故障處理全流程自動化，實現故障工單量壓降 15%、故障定位時長縮短89%及打造了 100+的數字員工。44自動駕駛網絡線網絡優化場景：OptimSpirit重塑日常網優流程，實時優化自閉環當今，運營商對于無線網絡性能的要求日益提升，而傳統的網優流程往往面臨諸多挑戰。例如，人力成本高、效率低下且依賴專家經驗、響應滯后且僅支持單目標優化等。隨著網絡規模的不斷擴大，網絡架構日益復雜，運維成本不斷攀升，運營商迫切需要更智能化的手段實現降本增效。因此

95、，針對日常網優場景，華為推出了基于無線智能體的網絡優化智能體 OptimSpirit，它集成了意圖開通、網絡超快感知、智能分析、自動化優化等功能，旨在重塑日常網優流程，從問題驅動以人為中心的處理流程，轉變到問題自發現、自分析、自閉環處理流程。實現網絡的實時動態調優，問題自閉環率達到 20%，從而幫助運營商提升效率、降低成本、增強網絡穩定性。不同類型工單指標規則網絡KPI質量要求指標規則制定意圖快速開通，工單規則導入網絡超快感知，趴網優化自閉環問題識別工單派發問題分析定位方案審核優化實施效果評估閉環網絡優化意圖文生規則OptimSpiritKPI 1KPI 2.KPI NAs Is:To Be:

96、問題感知1多目標尋優34.執行閉環2根因分析 網絡動態實時感知：基于網絡 KPI 變化的時序模型和網絡算力，可以在全網范圍內自動識別出偏離正常規律的突發話務或體驗劣化，識別結果可以及時通報給上層管控節點。相比傳統的網絡監控能力，新型智能架構下的網絡層與網元層資源能實現秒級融合感知協同。同時基于短時變化趨勢，可以對后續時間片的網絡 KPI 進行預測，提前預警網絡或體驗風險。趴網多目標尋優：基于在線迭代增強學習的 L2 參數決策尋優，共分為環境代理模型和在線決策模型。環境代理模型是基于現網數據預處理與特征處理后訓練輸入為目標 KPI 的模型。而在線決策模型是根據現網數據、仿真得到的增強數據集共同訓

97、練，輸出為推薦配置的模型。OptimSpirit 能自動根據用戶意圖推薦優化配置組合，選擇最優解進行下發。從而實現單目標到多目標協同尋優，實現弱覆蓋改善 10%，低速小區占比減少 20%，使能網絡優化自動化，提升業務體驗。45自動駕駛網絡園區網絡故障閉環場景：OptimSpirit 7*24小時守護用網體驗，先于用戶投訴解決問題校園網絡建設是推動素質教育、現代化教育的重要手段。在校園網絡中，特別是學生宿舍多人一間，以 Wi-Fi 接入為主，網課/視頻等多業務并行，需要重點保障 Wi-Fi 接入的用戶體驗。但由于宿舍分布緊湊、障礙物遮擋、人員密集及存在私接干擾源等原因，學生宿舍常出現 Wi-Fi

98、 相互干擾、信號不穩定及網速慢等問題，問題投訴驅動、被動定位、效率低下。針對高校宿舍 Wi-Fi 故障處理難問題，華為基于通信大模型及 Wi-Fi 多目標優化等專業算法，推出園區網絡優化 Agent。該 Agent 集園區場景識別、優化目標推薦、多目標優化策略生成、策略執行時機預測及策略下發執行于一體，為保障園區網絡的 Wi-Fi 上網體驗提供 7*24 小時在線不間斷守護，提前識別網絡隱患并實現主動優化，從而變被動故障處理為主動保障，大幅提升服務連續性與客戶滿意度。目前，該方案已在中國某頂尖學府進行試點部署，實現宿舍 Wi-Fi 網絡自動解決閉環非硬件類問題，故障攔截率超過 80%，顯著降低

99、了學生故障工單數量，提升了學生用網體驗和滿意度。場景智能識別優化目標推薦多目標優化策略生成策略執行時機預測策略下發與執行多維上網特征智能分析自動識別網絡場景：宿舍、教室、辦公室基于場景自動推薦優化目標（均衡/帶寬優先/）優化目標可調整策略自動生成：綜合考慮干擾/覆蓋/帶寬/漫游/全網、多目標協同優化閑時執行，業務“零”影響實時策略執行優化策略影響度評估預測+閑忙時段預測，推薦最佳策略執行時機7*24守護用戶體驗，先于客戶投訴優化Wi-Fi問題免責聲明本文檔可能含有預測信息，包括但不限于有關未來的財務、運營、產品系列、新技術等信息。由于實踐中存在很多不確定因素，可能導致實際結果與預測信息有很大的差別。因此，本文檔信息僅供參考，不構成任何要約或承諾，華為不對您在本文檔基礎上做出的任何行為承擔責任。華為可能不經通知修改上述信息，恕不另行通知。版權所有 華為技術有限公司 2024。保留一切權利。非經華為技術有限公司書面同意，任何單位和個人不得擅自摘抄、復制本手冊內容的部分或全部，并不得以任何形式傳播。華為技術有限公司深圳龍崗區坂田華為基地電話：+86-755-28780808郵編：商標聲明 ，是華為技術有限公司商標或者注冊商標，在本手冊中以及本手冊描述的產品中，出現的其他商標，產品名稱，服務名稱以及公司名稱，由其各自的所有人擁有。