通信人工智能的下一个十年
欧阳晔1, 王立磊1, 杨爱东1, 马利克·萨哈2, 大卫·贝兰格3,4, 高同庆5, 韦乐平6, 张亚勤7
1 亚信科技（中国）有限公司，北京 100193
2 美国威瑞森电信公司，美国 纽约 10036
3 美国电话电报公司，美国 得克萨斯 达拉斯75202
4 美国斯蒂文斯理工学院，美国 新泽西 霍博肯 07030
5 中国移动通信集团公司，北京 100032
6 中国电信集团公司，北京 100033
7 清华大学，北京100084
【摘 要】移动通信技术走过了37年的发展历程，人工智能技术也已走过了64年的发展历程。从早期的各自独立演进，到5G与人工智能开始深度融合发展，“5G与人工智能”已被业界视为一组最新的通用目的技术组合，对垂直行业的发展起到提振生产力与赋能的作用。首先介绍了早期移动通信和人工智能各自的发展路线，并重点回顾了人工智能与通信技术在3G到5G阶段开始融合发展。针对通信人工智能，详细阐述了当前人工智能技术在移动通信生态系统中各领域的发展情况，包括通信网络基础设施、网络管理与运营、电信业务管理、跨领域融合智能化、垂直行业与专网等，并总结了通信国际标准组织对人工智能技术在移动通信系统中的分级定义与演进路线。
面向下一个十年，展望了通信人工智能未来的发展路线与演进趋势，并结合 3GPP与ITU-R的5G/6G时间表，前瞻性探索了基于3GPP和O-RAN路线的网络智能化、基于体验感知与意图的网络管理与运营系统的发展、网络AI信令体系、面向智慧中台演进的电信业务与支撑体系、跨领域融合的智能化体验管理与策略管理、从SLA向ELA的演进以及面向垂直行业的智能专网等。最后建议行业达成共识，在下一个十年中全面加速推进人工智能在通信生态领域的发展。
【关键词】人工智能 ; 移动通信 ; 5G ; 通用目的技术 ; 网络智能化 ; 随愿网络/意图网络 ; 网络AI信令体系
【Abstract】It has been an exciting journey since the mobile communications and AI were conceived 37 years and 64 years ago.While both fields evolved independently and profoundly changed communications and computing industries, the rapid convergence of 5G and AI is beginning to significantly transform the core communication infrastructure, network management and vertical applications.The individual roadmaps of mobile communications and artificial intelligence in the early stage were firstly outlined, with a concentration to review the era from 3G to 5G when AI and mobile communications started to converge.With regard to telecommunications artificial intelligence, the progress of AI in the ecosystem of mobile communications was further introduced in detail, including network infrastructure, network operation and management, business operation and management, intelligent applications towards BSS ＆amp; OSS convergence, verticals and private networks etc.Then the classifications of AI in telecom ecosystems were summarized along with its evolution paths specified by various international telecommunications standardization bodies.Towards the next decade, the prospective roadmap of telecommunications artificial intelligence was forecasted.In line with 3GPP and ITU-R’s timeline of 5G ＆amp; 6G, the network intelligence following 3GPP and O-RAN routes, experience and intention driven network management and operation, network AI signaling system, intelligent middle-office based BSS, intelligent customer experience management and policy control driven by BSS＆amp; OSS convergence, evolution from SLA to ELA, and intelligent private network for verticals were further explored.It concludes that with the vision AI will reshape the future B5G/6G landscape, and we need fully take the unprecedented opportunities.
【key words】AI ; mobile communication ; 5G ; GPT ; network intelligence ; intent based network ; network AI signaling system
1 移动通信与人工智能
移动通信技术的商用发展已经历了37年的岁月。从1983年10月贝尔实验室与摩托罗拉大规模商用第一代模拟语音通信技术AMPS（advanced mobile phone system）作为发展原点，到1991年世界主流的2G技术GSM（global system for mobile communication）实现全数字化语音，以及演进到2001 年的第三代 UMTS（universal mobile telecommunications system）通信技术支持语音与移动数据业务，到2008年至今全球大规模商用的4G技术LTE支持全IP（all internet protocol）化的高清语音与高速移动数据业务，最终发展到2018年开始5G技术逐渐在全世界范围商用。
这30余年，在移动通信 5 个代际的发展历程中，移动通信实现了从模拟到数字、从语音到语音与数据业务并重、从电路交换到IP化、从封闭通信生态系统到赋能垂直行业的技术与生态发展演进。在移动通信发展的早期，尤其是从1G到3G发展的初期阶段，移动通信网络与业务的生态体系还在不断地进行完整性构建。直到4G生态系统基本实现了网络系统全IP化、支持语音与数据业务，并开始向垂直行业赋能的尝试后，业界开始提出移动通信网络自动化与智能化的需求与发展理念。
随着移动通信网络变得日益复杂化以及通信业务生态变得日益多样化，通信网络基础设施和业务系统需要面对诸多复杂场景，例如无法用仿真模型模拟的极其复杂的无线环境、指数级的IP交换与路由控制选择、主动性的网络支撑与业务保障、“一客一策”与“一刻一策”的网络个性化服务等，远超传统的人工规则预定义与执行的处理与管理能力，因此当前的通信系统中需要有一套自动化、智能化的体系和手段保障网络与业务的运行与发展。
自2001年3G商用到2020年5G的广泛商用，在这20年中，移动互联网与数据业务得到蓬勃发展，通信生态系统中产生海量的大数据，为人工智能（artificial intelligence，AI）在通信领域的发展和应用提供了天然的、高质量的数据源。2006年Hinton等提出深度学习，标志着人工智能发展的第三次浪潮的兴起。传统机器学习中的监督学习、非监督学习、增强学习以及人工智能中的神经网络以深度学习的形式在通信领域各种场景中都有所应用。通过在IEEE Explore数据库中查找通信人工智能领域的学术成果，用“Artificial Intelligence” “Machine Learning”“Deep Learning”等关键词搜索的学术论文，从2006年至今的15年的学术论文数量是2006年之前15年的6.42倍。由此可见，自2006年开始的第三次发展浪潮，人工智能与移动通信行业的融合应用进入了一个飞速发展的阶段。
通用目的技术（general purpose technology， GPT）通常指那些可以对全球或者国家经济体产生影响的技术。GPT 有希望通过影响既有经济和社会结构显著地改变社会。经济学家 Richard Lipsey和Kenneth Carlaw早在2005年就把人工智能等24种技术定义为通用目的技术。从2018年至今，各国政府与学术组织逐渐开始将5G视为新一代的通用目的技术。通用目的技术的显著特征在于对各种行业具有技术扩散性与赋能，并为垂直行业的研发与创新提振了生产力。5G与人工智能很明显具备这样的特征，因此，5G与人工智能普遍被各国和工业界视为21世纪最新的一组通用目的技术被采纳。
自从2018年5G逐渐商用以来，有不少参考文献以调研或者实证研究的形式探索人工智能在5G的应用，大多以AI从5G物理层、MAC （medium access control）层、网络层、应用层的应用案例做综述，或以某一研究问题做仿真或者数据分析进行田野实验或者实证研究。然而，目前业界仍然缺乏并需要从5G以及B5G（beyond 5G）生态系统发展的角度，对移动通信和人工智能技术的融合发展做整体的综述和前瞻性的展望。笔者希望将 5G 与人工智能技术作为一组通用目的技术的融合应用发展作为主线，对人工智能在当前5G国际技术标准、5G网络与业务生态系统的“注智”与“融智”做系统性综述，并对未来10年移动通信与人工智能技术的融合演进做前瞻性论述。
2 移动通信与人工智能的发展路线
移动通信技术与人工智能在各自的早期阶段有着鲜明的、各自独立的发展路线。移动通信技术从2G到5G的发展，工业界基本以3GPP（The 3rd Generation Partnership Project）作为事实技术标准的一条主线进行演进，以 ETSI（European Telecommunications Standards Institute）、ITU （International Telecommunication Union）、 O-RAN （Open RAN Alliance）等其他技术标准作为旁线补充。从2008年，以自组织网络（self-organizing network，SON）技术作为一个显著标志，3GPP开始逐渐将人工智能理念引入移动通信网络的技术标准。
2.1 人工智能的历史发展路线
人工智能技术的雏形最早出现在1956年，美国达特茅斯会议上提出了“人工智能”一词，同年Arthur Samuel提出了机器学习理论，如图1所示。20世纪70年代中期，以仿生学为基础的研究学派逐渐火热，专家系统、神经网络等技术获得了高速发展。此后，人们开始尝试研究具有通用性的人工智能程序，却遇到严重的阻碍，陷入停滞而进入发展的“寒冬”期。
1997年，“深蓝”的成功让人工智能的发展又提上日程。随着算力的增加以及互联网普及带来的海量数据，人工智能的瓶颈被打破，为基于大数据的深度学习与增强学习提供了发展的可能。21世纪初期，人工智能技术的发展从“感知”走向“认知”，特别在语音处理、本文分析、视频处理等深度学习技术方面取得重要进展。
2012 年，Hinton 发表了一个设计精巧的卷积网络AlexNet，在传统的卷积网络中加入了ReLU、Dropout处理方法，并将网络结构拓展到更大规模，极大降低了图像识别的错误率。自然语言处理（natural language processing，NLP）技术在2013年取得了重大进展，Hinton使用了RNN（recurrent neural network）做语音识别的工作，图灵奖获得者Yoshua Bengio在同一年提出了一种基于神经网络的语言模型word2vec用于文本分析，两种技术识别效果相比传统方法显著提高。
2014年诞生的生成对抗网络（generative adversarial network，GAN）技术受到学术界、工业界的格外关注，最新的 GAN 算法在图像生成领域的逼真效果已经达到人眼难以分辨的程度。深度强化学习模型 DQN（deep Q-network）于2015年发表在Nature上，标志着强化学习与深度学习的里程碑。
2016年，结合了深度神经网络、强化学习、蒙特卡洛树搜索树的AlphaGo由谷歌DeepMind开发成功，并成功战胜多名围棋冠军。2018年年底，谷歌发布一种双向语言模型——BERT（bidirectional encoder representations from transformers），这打开了深度学习在 NLP 应用的“潘多拉魔盒”，在业界引起了极大的关注和广泛的应用，成为NLP技术发展的一个重要阶段。
2020 年，Open-AI 在 GPT （generative pre-trained transformer）体系下，开发出拥有1 750亿参数量的预训练模型GPT-3，成为目前NLP领域最强的通用语言模型，在翻译、问答、文本填空等应用任务中表现出接近人类的能力。近5年，数据隐私安全逐渐引起了全球的重视，“数据孤岛”效应成为阻碍大数据融合和人工智能发展的“绊脚石”，为了重建行业数据生态，2017年年底，“联邦学习”技术由谷歌率先提出，以一种分布式加密机器学习的思想打破“数据孤岛”僵局。2018年，为了满足工业数据联合需求，微众银行提出了一种工业级的联邦学习框架——FATE，实现了工业联邦学习的新范式。2020 年年底，工业联邦学习国际标准 IEEE P3652.1发布，标志着行业“融智生态联盟”正式落地开启。
图1 通信技术演进路线和A I技术演进路线对比
2.2 通信人工智能的历史发展路线
受算法、算力、需求等方面的影响，早期的移动通信系统（例如AMPS、GSM等）未涉及人工智能应用。但基于数据模型和仿真的分析方法已经用于网络规划与优化。1968 年，Yoshihisa Okumura提出Okumura模型，基于实测数据对真实的无线信道进行数据建模与仿真，可以看作移动通信系统早期应用数据科学算法的雏形。1980 年，Masaharu Hata 提出 Hata 模型，对Okumura模型进行优化。
图1中，1999 年 3GPP 正式把 COST Walfish-Ikegami等信道模型纳入3G射频系统场景的规范中。后期，随着无线蜂窝技术的发展，涌现出更多的无线信道建模与仿真算法。
3GPP于2008年开始定义SON功能，随后通信界开始探索各种人工智能算法对SON的应用。初期主要利用遗传算法、进化算法、多目标优化算法等分布式优化算法对网络的覆盖和容量进行优化。机器学习已被SON领域广为接纳用于网络实现自组织、自配置、自优化、自治愈的关键方法。然而，通信人工智能真正的飞跃性发展始于2017年。
2017年2月，3GPP 服务和系统第二工作组（Service ＆ System Aspects Working Group 2，SA2）开始研究 5G 核心网的智能化网元——网络数据分析功能（network data analytics function， NWDAF），例如用户设备（user equipment， UE）级的移动性管理，如寻呼增强和基于UE 移动性模式预测的连接管理增强等；5G 服务质量（quality of service，QoS）增强，如用户QoS 参数配置优化；网络负载优化，如基于网络性能预测的用户面功能（user plane function，UPF）选择等。同月，欧洲电信标准化协会（ETSI）成立了经验式网络智能（Experiential Network Intelligence， ENI）工作组，专门研究体验式感知网络管理架构、用例、术语等。
2017年6月，中国通信标准化协会（China Communications Standards Association，CCSA）启动了人工智能在电信网络中的应用课题研究。2018年2月，开放无线接入网络联盟（Open Radio Access Network Alliance， O-RAN Alliance）成立，开始制定无线人工智能的框架、用例、流程和接口规范。2018年6月， 3GPP 无线接入网第三工作组（Radio Access Network Working Group 3，RAN3）开始研究无线侧的数据采集机制。电信管理论坛（Telecom Management Forum，TMF）也开始了与人工智能相关的催化剂工作。2018年8月，3GPP SA5开始与5G SON相关的课题研究。2018年10月， 3GPP SA5开始对人工智能的研究，定义了一个新的管理面功能：管理数据分析功能（management data analytic function ，MDAF）。
2019年6月，国际电信联盟电信标准化部门第13研究组（ITU Telecommunication Standardization Sector Study Group 13，ITU-T SG13）启动了机器学习用例的研究。同月，全球移动通信系统协会（Global System for Mobile Communications Association， GSMA）开始了智能自治网络案例的白皮书工作。2020年6月，3GPP SA5开始启动网络自动化分级的研究课题。同月，中国移动联合亚信科技首次在3GPP R17标准中正式引入联邦学习概念，形成联邦学习在5G领域的第一个全球国际标准。2020 年 7 月，3GPP R16 正式冻结之后，3GPP RAN3、SA2、SA5针对新的R17版本将继续推进与人工智能相关的NWDAF、MDAF、QoE（quality of experience）等标准化课题研究。
3 通信人工智能的发展
通信的本质，在于通过各种通信技术（例如移动通信、卫星通信、固定网络通信等）将信号中封装的信息从出发点传到目的地。衡量通信质量的标准是信息从发送端到接收端是否可以精确、完美地复现。人工智能，相对于由人和动物表现的自然智能，使计算机或机器能模拟人类思维与认知，例如“学习”与“解决问题”的能力，同时去感知环境，并采取相应的行动，以概率最大化的期望成功实现预设的目标。
通信与信号处理系统基于精密的数学模型进行构建。而人工智能中的深度学习使人工智能从数据中吸收知识并做出决策，无须进行明确的数学建模与分析。如果过于精巧和优雅的数学假设，通信系统在现实应用中容易脱离实际。而人工智能或深度学习如果应用于通信系统，其过于黑盒化的学习过程，又容易使得通信与信息模型的构建缺乏物理意义。好在通信系统的一个典型特征是层级自治并通过标准化定义的接口实现互联互通形成完整的系统。
例如信号处理系统的发射机和接收机可分解成为不同处理单元，负责各自的功能，例如信号编解码，信道编解码，调制、解调、除噪等，非常类似今天IT系统中的微服务概念。尽管这种系统架构不是全局最优，但其优点在于将各子系统进行独立分析和优化，从而形成整体稳定的系统。现代移动通信系统经过30多年的发展，效率和性能已经非常优秀，已逼近香农极限。区别于传统的分层自治方式，如果利用人工智能、深度学习将通信系统考虑为一个整体模型进行分析与优化，有可能将通信系统智能化的发展推向一个新的阶段。本节将介绍人工智能在通信生态系统里各个领域的发展和应用，以及通信国际标准组织对当前通信人工智能发展定义的分级体系。
3.1 通信人工智能在移动网络基础设施领域的发展
人工智能在通信网络基础设施的发展，从无线接入网、核心网、传输网、终端 4 个方面进行阐述。
（1）无线接入网
无线接入网的物理载体是基站。5G基站分为中央单元（central unit，CU）和分布式单元（distributed unit，DU），类似传统的基带单元（base band unit，BBU），通过光纤与有源天线单元（active antenna unit，AAU）连接。AAU包含传统的射频拉远单元（remote radio unit，RRU）和天线功能，即有源射频部分与无源天线整合为一体。人工智能面向无线接入网中的CU、DU、AAU，目前在物理层、MAC层、网络层都有所应用。
其中，在物理层与数据链路层，典型的 AI应用包括利用深度学习或强化学习算法评估与预测信道质量、OFDM（orthogonal frequency division multiplexing）符号在接收端的检测、信道编解码、动态频谱随机接入等功能。其中信道质量评估利用例如DNN（deep neural network）算法对有限导频信号做分析，帮助大规模MIMO系统推测出完整、准确的信道状态信息（channel state information，CSI）。OFDM符号在接收端的检测通常依赖于接收器利用最大似然估计进行评估，但该方法对CSI误差和模型本身的准确性非常敏感。因此参考文献尝试了DNN算法，结果表明超越了传统的 MIMO 符号检测方法。
5G 信道编解码中，数据信道使用LDPC（low-density parity-check）码，控制信道使用Polar码。其中Polar码需要耗费多重的迭代收敛后到达优化性能，而LDPC 码在大块 Block 或者噪音恶劣情况下解码的复杂度较高。因此各种基于 CNN、DNN 以及强化学习的解码算法，呈现优秀的性能、质量以及较小的计算代价。动态频谱随机接入领域以后也可以尝试基于强化学习的DSA 策略（learning-based random access and dynamic spectrum access）保证大规模终端的动态频谱接入。
面向无线接入网的应用层，3GPP定义了SON的标准体系，旨在实现无线网络的自配置、自优化、自治愈。3GPP虽然没有指定或建议任何统计或者数据科学算法，但建议了一系列智能化的 SON 应用场景：网络覆盖与性能优化（coverage and capacity optimization，CCO）、节能管理（energy saving management，ESM）、天线角度远程控制（remote control of electrical tilting antennas，RET）、干扰减轻（interference reduction，IR）、小区ID自动配置（automated configuration of physical cell identity，ACPCI）、移动性稳健性/切换优化（mobility robustness/handover optimization， MRO/MHO）、移动性负载均衡（mobility load balancing，MLB）、随机接入优化（RACH optimization）、邻区关系自动化（automatic neighbor relation，ANR）、跨小区干扰优化（inter-cell interference coordination，ICIC ）、随机接入信道优化（random access channel optimization，RACO）、负载均衡优化（load balancing optimization）、自治愈（self-healing functions）、小区停服检测及补救（cell outage detection ＆ compensation）以及路测最小化（minimization of drive-tests，MDT）等。
从2008年第一个3GPP SON标准至今，业界的科学家们尝试了多种数据科学算法，旨在利用人工智能方法来实现上述多个 SON 的应用场景。SON在3G到5G时代发展的12年整体发展得较为平淡。通信标准制订者的美好愿望在于通过SON，把自动化、智能化的基因注入移动通信网络架构本身，无论通过分布式部署 SON （distributed-SON，D-SON）、集中式部署 SON （centralized-SON，C-SON），还是混合部署 SON （hybrid-SON，H-SON）的方式。传统通信设备商更希望SON变成自己网络基础设施紧耦合的一部分，因此传统设备商的SON大多支持自身DE 无线网络设备。通信运营商更希望在自己的无线接入网中部署一套厂商中立、技术中立的智能化SON 系统。新兴的 SON 初创公司愿意与通信运营商站在一起致力于发展网络中立的SON技术，但又苦于无线设备厂商在功能接口、数据接口设置的封闭性和非标准性，在商业化进程中很难实现3GPP SON的愿景。
产业界比较标志性的事件是美国Cisco（思科）在2013年2月以4.75亿美元收购了以色列的Intucell，后者当时是一家专注于SON的电信软件明星公司。经过7年的惨淡发展， Cisco在2020年6月仅以当时收购价的10%，即5 000万美元卖给了印度的HCL。世界排名第一的电信软件公司Amdocs在2013年11月以1.29亿美元收购了美国的SON初创公司Celcite，但在随后美国排名前二的移动运营商Verizon和AT＆T的SON商用进程中，也没有取得预期的商用市场份额。美国移动通信运营商在近5年也逐渐采取自研的模式在无线接入网的智能化领域进行尝试，例如Verizon在2015年与Cisco和Ericsson（爱立信）联合部署的SON系统逐渐被自有的V-SON系统所取代。
（2）核心网
人工智能在移动通信核心网领域的发展在5G时代取得了重大进展。3GPP SA2在2017年2月定义了网络人工智能网元（NWDAF），这是移动通信从1G到5G以来第一次在核心网络架构里定义、标准化，并要求部署网络人工智能网元。NWDAF架构如图2（a）所示，该网元旨在利用人工智能算法与通信技术协议相融合，对5G核心网络的移动性管理、网络服务质量（QoS）以及5G核心网其他网元（例如UPF等）进行智能化的管理、优化与提升网络质量与体验。目前，中美运营商正在对NWDAF在5G SA的商用进行功能测试。
图2 NWDAF 和 RIC架构
相对于 3GPP，O-RAN 是另一条新兴技术赛道。2018年开始O-RAN联盟制定基于AI的无线智能控制器（AI-enabled RAN intelligent controller，RIC），并与核心网管理与编排（management＆ orchestration，MANO）功能紧耦合，因此笔者把RIC放在核心网部分阐述。RIC架构如图2（b）所示，RIC分为非实时Non-RT RIC（non-real time RIC）和准实时Near-RT RIC（near-real time RIC）。
准实时 RIC 下沉在无线接入网侧通过 E2 接口与CU/DU相连。准实时RIC的功能包括利用AI的能力进行无线资源管理、移动性管理、无线连接管理、切换管理以及无线QoS管理等。非实时RIC则定义在核心网MANO体系中，通过A1接口与准实时RIC连接。其主要功能在于基于AI的业务与策略管理，高层业务流程优化以及帮助准实时RIC离线训练AI模型等。O-RAN的RIC目前还正在标准完善和早期试验中。相对于 3GPP NWDAF，O-RAN RIC离成熟商用还有较大差距。
（3）传输网
传输网是通信网络的基础，负责在物理上连接各个网络节点，将数据传送到目的地。由于光通信具有大带宽、稳定、损耗低等特点，目前主流的传输技术通过光网络这样的载体进行通信。光传输网络的发展经历了准同步数字传输体制（plesiochronous digital hierarchy，PDH）、同步数字体制（synchronous digital hierarchy，SDH）、多业务传送平台（multi-service transport platform， MSTP）、波分多路复用（wavelength division mulplexing，WDM）、自动交换光网络（automatically switched optical network，ASON）、光传送网（optical transport network，OTN）技术的发展和革新。为了实现网络流量的灵活控制，更好地支持业务传输需要，近几年业界又开始探索将SDN引入光网络，实现软件定义光网络（software defined optical networking，SDON）。
SDON继承了ASON动态恢复业务中断的特点，但同时也致力于保障网络容量和业务可靠性。另外，由于降低运营成本的需要，提供光网络组网的自动化及智能化水平，光网络需要与大数据、人工智能、云网融合等技术结合，实现光网络的智能化管理。这也引入了认知光网络（cognitive optical network， CON）的概念以及业界的探索。按照欧盟资助的CHRON（cognitive heterogeneous reconfigurable optical network）的项目目标，认知光网络的核心是认知决策系统（cognition and decision system，CDS），负责管理传输要求和网络事件。控制和管理系统（control and management system， CMS）负责控制和传播相关指令，如图3所示。目前，SDON/CON与人工智能的结合也出现了一些研究成果，例如预测故障、缩短恢复时间、改进光的信噪比等。
图3 认知光网络的系统结构
另一方面，第 4 版互联网协议（internet protocol version 4，IPv4）向第 6 版互联网协议（internet protocol version 6，IPv6）的演进重点解决地址空间、网络传输的QoS保障等诸多问题。为了满足5G场景的需要，构建基于IPv6的智能IP 网络也是承载网的发展趋势。如何实现灵活的网络路由、保障承载网的网络切片 SLA （service level agreement）、确定性网络传输，需要利用人工智能技术进行保障。例如，可基于人工智能技术对 IP 网络的意图进行识别和判断，针对性保障网络体验。
但总体而言，目前IPv6 网络和人工智能的结合还处于初始探索阶段，业界希望可以利用人工智能技术对全网的运行状态进行监测，及时发现网络的问题和风险，智能化地识别网络异常；可针对发现问题进行故障的根因定位并且产生相关的最优策略。为更好地实现智能化IP网络，还需要引入分段路由IPv6、SRv6（segment routing IPv6）、随流检测等技术，对网络进行感知和灵活的路由配置，将 IPv6 技术升级到 IPv6 。目前业界相关的研究还处于探索阶段。
目前，云网边端的资源分配和存储算力资源使用相对独立，例如在云服务器进行复杂的人工智能应用，在终端进行简单、轻量化的人工智能应用。随着SDN、IPv6、IPv6 等技术的发展，业界致力于实现算力网络与IP网络的融合、云网融合等全新的架构。目前，在这个过程中还存在许多技术难题，例如如何实现最优的路由、如何最优地分布算力、如何保障算力的服务质量，这需要借助人工智能等技术克服难题。目前相关研究还处于初级阶段。
（4）终端
基于终端的人工智能包括终端和芯片的智能化。终端操作系统本身和应用层的App已有一些智能化应用发展，而笔者重点关注的基于终端的人工智能对于网络基础设施的赋能目前还在早期发展阶段。比较典型应用是终端芯片采集的性能数据汇报给 SON 系统或者运维支撑系统（operation supporting system，OSS），利用这两个部件的网络人工智能分析引擎，进行无线网络智能优化。在3GPP标准里，由3GPP SON中的最路测小化（MDT）体现。
总体上，人工智能在通信网络基础设施领域的发展在3G/4G时代较为平淡，而在5G时代实现了加速发展。随着 3GPP 的 NWDAF、ORAN的RIC和欧盟5G-MoNArch（5G Mobile Network Architecture）项目组的 RAN-DAF（RAN data analytics function）的逐渐成熟以及商用进展加快，人工智能将进一步深度融入5G及B5G的网络架构，且以独立网元和网络功能实体的形式存在并长期演进。同时也看到人工智能的数学模型和移动通信领域知识还相对独立，当前很多数学模型结果还缺乏在通信层面有物理意义的解释，两者需要进一步做深度融合增强人工智能在通信物理网络应用上的可解释性。传统通信设备商也需打开数据接口黑盒，进一步开放与标准化数据接口，帮助运营商构建中立（vendor agnostic）的智能化网络基础设施。
3.2 通信人工智能在网络管理领域的发展
人工智能在网络管理领域的发展，从MDAF、ETSI、ENI引擎和OSS这3部分描述。
（1）MDAF
3GPP R16定义的MDAF以及服务对象如图4（a）所示，3GPP SA5在R16开始定义网管智能化功能，例如MDAF通过进行数据分析，帮助管理系统设置合理的网络拓扑参数进行网络配置，保障服务质量。网络根据MDAF提供的分析结果进行合理配置后，控制面和用户面可做进一步参数调整，提高用户体验。对于OAM（operation administration and maintenance）管理系统，关键的步骤为业务需求分析提供什么信息给 MDAF。例如网络切片的通信服务管理功能（communication service management function， CSMF）将客户的SLA翻译成通信服务需求，利用MDAF的分析能力判断此需求是否与现有的切片实例匹配，通过选择最优的切片实例进行切片SLA保障。
图4 3GPP R16定义的MDAF以及服务对象和3GPP R17定义的MDAF架构
MDAF在管理面也可以为SON赋能，如图（4 a）所示。MDAF利用采集的管理面和网络数据，进行相关的分析，实现第3.1节中描述的各种SON功能。但是MDAF在R16的标准（例如接口、采集的数据信息定义、流程等定义）均不完善，较难在当前的5G网络中应用及部署。针对R16的问题以及新场景，3GPP开始在R17对MDAF进行增强，除了完善R16的功能外，对覆盖增强、资源优化、故障检测、移动性管理、节能、寻呼性能管理、SON协作等场景也进行定义与完善。R17中定义的 MDAF 与服务对象关系如图4（b）所示。MDAF在R17中的服务架构更复杂，并且与NWDAF 如何协作也还没有最终确定，其 R17的技术标准还在进行中。MDAF目前在中美运营商的 5G 网络管理系统中都还没有实现商用部署。
（2）ETSI ENI
ETSI 于2017年定义了ENI系统，作为一个独立的人工智能引擎为网络运维、网络保障、设备管理、业务编排与管理等应用提供智能化的服务。ENI功能架构如图5所示，ENI包含上下文感知、知识管理、认知处理、情境感知、模型驱动和策略管理等与人工智能相关的知识管理、模型管理、策略管理模块。通过数据处理和正则化（input processing and normalization），对原始数据进行清理和特征处理，然后通过内部的AI模块处理后，向 OSS、BSS、用户、系统应用、编排器、基础设施等服务对象提供相关的策略或者指令。去正则化和输出形成等模块将ENI产生的策略或者指令进行翻译，输出服务对象能够理解的语言。
图5 ENI功能架构
目前，ETSI ENI还在持续演进ENI的功能，定义更多高级的应用，例如基于意图网络的节能、数据机制、ENI与运营商系统的匹配等。目前相关的工作还在继续中。针对ENI定义的功能和应用场景，国内外运营商尝试了相关的试点项目，在切片管理、用户体验优化、无线能量优化等方面取得了良好的效果。例如在参考文献展示的试点报告中，UC3M、三星和意大利电信等公司展开合作，通过 ENI 对切片资源进行弹性管控，可以很好地控制端对端时延、服务创建时间、系统容量等性能。在参考文献展示的报告中，中国电信、亚信科技、北京邮电大学等进行合作，将 ENI 用于基于意图的用户体验优化，提高用户体验管理。目前，ENI尚未作为一个单独的人工智能系统或者网元在5G网络或者网管系统中部署，但其定义的很多功能以解耦的形式在全球运营商的网管体系内开始应用。
（3）网络运维支撑系统（OSS）
网络运维支撑系统（OSS）通常被定义成一种软件功能使得通信运营商能够对其网络及其应用进行管理。一个OSS通常至少具有如下功能：网络管理系统（network management system）、业务交付（service delivery）、业务执行（service fulfillment），其中包括网络资源（network inventory）、网络激活与开通（network activation and provisioning）、服务保障（service assurance）、客户服务（customer care）。人工智能在OSS领域的早期发展也非常缓慢。在20世纪70年代， OSS 的绝大多数工作还通过手工与人工干预进行；到了80年代，随着UNIX系统和C语言的兴起，贝尔体系开始开发OSS，早期较有名的OSS包括 AMATPS（automatic message accounting tele-processing system）、CSOBS（centralized service order bureau system）、EADAS（engineering and administrative data acquisition system）、SCCS （switching control center system）以及SES（service evaluation system）等。
人工智能在这些早期系统里没有任何应用。到了20世纪90年代，国际电信联盟电信标准化部门（ITU-Telecommunication Standardization Sector，ITU-T）在其电信管理网络（telecommunications management network，TMN）模型中定义了OSS的4层新架构：商业管理水平（business management level，BML）、业务管理水平（service management level，SML）、网络管理水平（network management level，NML）以及网元管理水平（element management level，EML）。随后 FCAPS（fault, configuration, accounting, performance, security）作为一个新模型被引入，以对这4个层次进行管理。在TMN的商用进程中，人工智能也鲜见身影。2000年后，随着TMForum的NGOSS（new generation operations systems and software）项目和eTOM（enhanced telecom operation map）架构的发展，通信运营商的 OSS架构体系相对来说有了相对较为标准化的指导标准。人工智能的应用也有了相对稳定的框架和载体，尤其是对FCAPS中的故障管理（fault，F）和性能管理（performance，P），人工智能在故障诊断、根因分析、性能预测等领域开始有所尝试和应用。
TMF定义的OSS属性如图6所示，2019年TMF在Future OSS的研究报告中定义了未来OSS由“数据驱动”，必须依赖人工智能、机器学习、自动化、微服务、业务优化紧耦合，必须具备敏捷、自动化、主动性、预测性、可编程性的特征。在定义未来OSS最重要的10个因素中，其中有 4 个因素和人工智能紧密相关：自动闭环服务开通与保障、自动闭环网络优化、AI驱动的客户参与、AI驱动的网络优化。因此，主流通信运营商也在面向 5G 演进的 OSS 中逐渐嵌入了AI平台或者功能模块以期待OSS实现智能化演进。AT＆T的ECOMP（enhanced control, orchestration, management ＆ policy）体系中在设计态定义了基于 AI 分析的业务设计工作室（Analytic Application Design Studio）功能，如图7所示。运行执行态中ECOMP也定义了DCAE（data collection, analytics and events）功能。DCAE提供基于AI的实时FCAPS功能，通过智能分析管理与编排业务、网络、资源，并实现自动化闭环。Verizon 也把人工智能当作 BSS/OSS 的必选功能，尤其在用户网络与业务体验中得到了深入的应用。
图6 TMF定义的OSS属性
图7 AT＆T定义的ECOMP
中国的运营商在面向5G OSS的系统构建中，在数据中台与OSS核心功能模块之间插入一个新的平台或组件，命名为网络 AI 中台或者智能中台，用来承担网络人工智能的功能。在图8（a）中，笔者将中国三大通信运营商的5G OSS网络中台体系抽象得到了一张技术中立的 5G OSS网络中台架构图，其中数据中台主要负责网络侧数据采集、数据存储、数据治理、数据共享等功能。网络人工智能中台为满足5G网络、业务、服务管理的智能化要求，以数据中台的网络大数据为主要燃料，围绕网络生命周期中的规划、建设、优化、运维等场景，不断构建、推理、发布、沉淀出网络AI算法模型，为4G/5G网络提供包括异常检测、容量预测、网络优化、根因分析、告警预测、故障自愈、业务编排、感知优化等网络 AI功能，全面提升5G网络自动化与智能化能力。
图8 5G网络运维支撑系统和 5G业务支撑系统
3.3 通信人工智能在电信业务领域的发展
通信业务支撑系统BSS提供了客户运营及服务的能力。TMF的Frameworx体系中，BSS功能主要面向客户的市场与销售、产品、客户、服务、资源、供应商与合作伙伴等多个领域，如图8（b）所示。BSS领域的核心生产系统包括客户关系管理（customer relationship management， CRM）、计费账务系统（billing）、经营分析系统（business intelligence，BI）、呼叫中心系统（call center，CC）等。全球主流运营商的BSS均已非常完善，多数已完成集中化、平台化建设。其中，中国运营商在BSS领域正引领基于智慧中台的技术演进，即通过能力运营协同业务中台、数据中台、技术中台、AI中台等中台系统完成面向最终用户与合作伙伴的IT服务与交互。其中，AI中台以人工智能算法为基础，通过场景化服务能力封装，为业务过程注智赋能。截至目前，人工智能技术通过 AI 中台体系已经在 BSS 域的营销、销售、客户服务、计费等多个业务领域及相应场景得到较好的应用。
（1）市场营销
该领域典型人工智能应用是客户营销智能推荐及运营决策辅助。通过人工智能各类推荐算法模型和专家经验规则，形成有针对性的推荐策略模型，依据客户特征输出最佳匹配策略。并在此基础上，借助人工智能决策相关算法，汇集产品匹配度、价值度、公司效益等因素构建综合决策模型，生成最佳运营决策，帮助企业提高效益。适用场景包括：热门产品推荐、相关产品推荐、个性化套餐推荐、合约推荐、数字化内容推荐等。
（2）客户销售
该领域典型人工智能应用是利用人脸识别、OCR（optical character recognition）等技术支持客户在营业厅业务受理的身份认证稽核、销售协议签字认证、真实人物业务办理确认等场景。而在政企客户的销售过程中，利用人工智能的OCR、图像识别技术，支持业务录单环节企业信息自动化识别、政企业务印章识别实现事前认证稽核、销售合同自动起草等场景，实现业务销售的智能化、自动化，提升客户经理工作效率。
（3）客户服务
该领域典型人工智能应用是基于语音识别、意图识别、多模态问答匹配、语音合成、语义处理、用户情感分析、标签多分类预测、OCR等技术实现客户与智能机器人进行的语音交互、客户情感实时监控；预测客户诉求，有效分配服务坐席；实时监听客户问题，进行自动分类识别，自动检索知识库，辅助坐席回复问题；基于客户语音声纹的身份认证；潜在投诉预测；客户服务过程中的语音质量检查，进行智能量化评分；根据工单文本信息的智能派单；知识库知识的自动生成；智能客户服务排班等。
（4）计费
该领域典型人工智能的典型应用是通过引用智能运维AIOP（artificial intelligence for IT operation）支撑计费系统应用流程升级和配置修改上线的灰度发布，实现计费系统的故障发现、故障诊断、故障自愈、故障预防等；结合机器人流程自动化RPA（robotic process automation）能力，支持计费系统日出账的自动化。另外，基于多量纲的定价因子（带宽、时延、可靠性、精度、连接数、容量、网络功能实例数等）与客户资料，利用AI算法可以实现智能定价，确定最优价格，以帮助B2C企业获取最大利益。
3.4 通信人工智能在跨领域的融合智能化发展
任何一种电信业务都无法在OSS或BSS单一系统中孤立运营或运维。一体化贯穿的电信业务流程、演进中的技术中台体系架构特征以及业务与网络数据的融合分析运营，是驱动BSS与OSS进行深度融合的三大主要因素。通信人工智能在跨领域的融合智能化发展也催生了多种应用场景与案例。
（1）客户体验管理（customer experience management，CEM）
通信运营商的组织结构中，网络运维支撑与业务运营支撑通常是相对独立的领域，其对应的生产系统OSS与BSS也相对独立运营与演进。网络领域重点关注网络、网元的各项关键性能指标（key performance indicator，KPI），业务领域负责面向市场发展新客户与新业务以及存量客户服务。通信运营商通常采纳ITU和ISO（International Organization for Standardization）制定的QoS体系用于其与客户签订的服务质量协议（SLA）。传统的QoS以技术为驱动，以网络KPI来定义服务质量，无法真实体现用户在使用网络业务的体验与感受，因此网络领域中基于QoS体系的网络性能质量和和业务运营领域关注的客户满意度、感知体验之间形成了一条“数字鸿沟”，如图9所示。CEM 作为网络与业务跨领域融合的一个新领域，借助人工智能技术，将运营商的 QoS服务质量体系向以用户为中心的体验质量 QoE体系演进，实现从以网络 KPI 为中心到以客户体验为中心的网络业务服务转型。
图9 性能与体验之间的鸿沟
CEM 的核心在于利用人工智能结合心理学建立一套能准确反映客户对通信网络与业务使用感知体验的算法模型体系，称之为电信心理学算法，将网络体系的QoS与用户体验的QoE体系进行量化映射，从而弥合网络质量与用户真实体验之间的鸿沟。目前，常见的评估用户体验感知的方法有两种：净推荐值（net promoter score，NPS）和情感连接度评分（emotional connection score， ECS），如图10所示，NPS用来度量客户是否推荐某个公司、产品、业务的可能性。NPS 基于客户反馈构建评分指标体系，通过电话或问卷采访调研用户对某个公司、某个产品或服务的满意度，量化在0～10分。NPS相对来说是一种被动、基于客户长期印象、静态的量化评估机制。当前全球运营商中约有 7%使用 NPS 度量客户满意度。
图10 指标体系对比：净推荐值与情感连接度评分
随着机器学习融合心理学的情感连接度评分（ECS）模型出现，传统NPS指标体系已过时。大量研究表明客户的情感连接度评分是最接近衡量真实体验质量的指标体系。不同于NPS，ECS是主动和持续性的，如图11所示，通过汇聚接入跨网络和业务领域的多方面数据，并使用ECS电信心理学算法不断学习可量化的客户体验和各项指标之间的联系，并将事件结果映射到ECS分数中，从而及时发掘客户体验产生问题的根因，指导改进网络与业务质量，达到提升用户体验的目标。亚信科技提出一套电信心理学体验感知算法以及可量化用户感知体验的指数集，通过对通信领域用户级主观数据（例如NPS调研、客户投诉、主动拨测等）和客观数据（例如语音通话、上网、高清视频业务、VR业务等质量指标）进行海量数据机器学习，比对和校验各地区之间的用户数据差异性，进行ECS参数优化，再结合用户级通信、消费、服务等多方面行为进行画像分析，最终生成ECS电信心理学模型，用于即时性评价客户旅程中任何一刻、任何一地、任何一种业务的瞬时体验质量。
图11 ECS 电信心理学模型
通信人工智能在CEM的应用，客户的全生命周期旅程中，如图12所示，以用户体验提升为收敛目标，评估用户的业务瞬时体验质量，对体验下降的问题进行快速定位与诊断，把主动感知与关怀的用户个性化策略贯穿其中，从而洞悉每一个用户在网络旅程的体验指标，并通过网络和业务系统向用户并通过网络和业务系统向用户提供个性化服务，从而实现 5G 网络个性化（network personalization，NP）。
图12 客户体验全生命周期视图
（2）PCF （policy control function ）
网络策略控制主要基于规则定义，在4G LTE中网络策略控制由策略和计费规则功能（policy and charging rules function，PCRF）实现[112]。3GPP从 R7 开始引入 PCRF 网元，对用户和业务 QoS进行控制，为用户提供差异化的服务。并且能为用户提供业务流承载资源保障以及流计费策略，实现基于业务和用户分类的更精细化的业务控制和计费方式，以合理利用网络资源。PCRF包含策略控制决策和基于流计费控制的功能，提供数据流检测、门控、流计费的网络控制功能，能够以业务、用户、位置、累计使用量、接入类型、时间等多个维度为触发条件，生成管控规则。人工智能在PCRF没有得到应用，PCRF的策略规则都以规则配置为主。PCRF 架构如图13（a）所示，通过Gx 参考点与策略与计费执行功能（policy and charging enforcement function，PCEF）等网元交互，执行策略和计费功能。
3GPP 只是面向网络侧定义了策略控制功能PCF，但仍需要结合BO（BSS and OSS）域的融合在功能上进行增强，原因在于随着5G业务的丰富，用户对5G服务差异化需求的增加，运营商除了对网络资源的使用和网络控制有更高的要求外，还需要具备更细致的结合业务策略的分析能力，而这分析能力往往要求掌握业务领域的用户属性特征或者事件信息。这就要求对PCF的作用范围进行扩展，不仅要在OSS域收集数据，还要在BSS域收集数据，应用的对象也要从网络域扩展到业务域。基于以上考虑，PCF 需要演进到PCF ，以提供全新的服务模式、业务场景或者商业模式，如图13（b）所示。
另外，由于人工智能/大数据能力在5GC（5G core）的引入，策略管控变得更加智能化，而不是像以前 PCRF 基于专家系统或者规则配置功能。例如通过 NWDAF 和 PCF/PCF 的融合，可以很容易地实现智能化的切片体验管理、智能化 SLA保障等功能。另外，PCF 利用网络域/业务域融合的数据（从网络域获取小区拥塞状况，从BSS域获取用户的等级和套餐使用情况），结合人工智能技术动态调整用户套餐设置或者推荐最优套餐，进行用户的QoS保障，提升用户的满意度。
图13 3GPP PCRF架构和基于BO域融合的PCF
3.5 通信人工智能在专网的发展案例
5G面向垂直行业除了提供公网服务，也可提供专网服务。通信人工智能在5G专网中可提供一系列智能化专有服务与安全保障。按照网络资源的共享模式，5G专网的部署分为3种类型：虚拟专网、混合专网和独立专网，如图14所示，其中虚拟专网以现有 5G 公网为基础，以切片方式实现专业用户的业务承载，并且有如下特点：
●虚拟专网与公网享用 UPF 网元；
●结合客户需求，专网可以通过现有虚拟连接至企业。
混合专网以 5G 公网的核心控制面及无线接入部分为基础，承载专网业务，其特点为：
●支持用户面数据私有化，独立UPF和多接入边缘计算（multi-access edge computing， MEC），设备建在园区内；
●以切片标识对用户进行接入鉴权。
独立专网与运营商 5G 公网完全隔离，其特点为：
●采用精简化的核心网，结合UPF及无线基站实现独立组网；
●专用基站保证覆盖无死角，UPF/MEC保障专网数据下沉，保证网络独立性。
图14 5G专网的3种模式
在上述 3 种模式中，通信人工智能可以在任何一种专网模式中应用，例如可以用于虚拟专网中的网络切片SLA保障，进行通信传输性能、质量和资源的优化。对独立专网，人工智能体验感知算法可以对用户的感知体验进行实时或准实时评估，提供精准的QoS组合保障服务质量，实现差异化的智能运维服务。在专网中，也可以利用联邦学习、迁移学习等人工智能技术，完成5G切片异常诊断模型的云化管理和持续学习优化。另外，人工智能技术也可以对专网中的无线网络性能进行实时评估，通过与垂直行业应用平台的交互，自适应调整应用层的参数设置，用于提升应用层的视频质量或者进行游戏加速。
3.6 国际标准组织对通信人工智能的发展分级定义
鉴于人工智能技术在 5G 商用以来的飞速发展，通信国际标准组织也开始对通信人工智能的发展成熟度进行初步的分级。智能化自治无法一蹴而就，需循序渐进。完全的智能自治网络是终极目标，但也需从自动化的重复操作手段开始，先初步实现网络运维的自动化；再对网络环境与状态进行主动感知，利用机器学习进行不断优化的决策；再从网络感知向认知发展，认知用户意图，构建闭环的认知学习网络，最终实现从感知，到认知再到预知的闭环自治网络体，并不断自我优化与演进。具体的通信网络智能化分级体系，GSMA、ETSI、TMF等都做出了相关定义与建议，各自分级标准对比见表1。
根据第3.1节～第3.5节中通信人工智能在各通信生态系统的综述，结合L0～L5的分级体系，对通信人工智能目前在网络基础设施领域、网络管理领域、通信业务领域、跨领域融合以及垂直行业领域的应用做出等级评估，见表2。
整体上，通信人工智能在各通信生态系统的发展与应用还处于初级阶段。在网络管理领域和业务支撑领域的某些应用，人工智能已到达了第三级别，即部分自治。例如SON在网络领域的自由化与自治愈以及 AIOP 在网络运维领域的业务流程自动编排与灰度发布等。网络管理与运维本身具有大数据采集能力，算力可通过服务器集群得到保障，智能化应用场景比较明晰，例如无线节能、故障检测等，先天具备通信人工智能应用较好的基础与平台，发展相对较快。电信业务领域涉及的智能客服、智能营销等人工智能服务能力可很好地横向借鉴其他行业类似的应用经验，发展也比较快。其他生态领域的智能化进程还多处于L0和L1阶段。网络基础设施的人工智能发展还有待NWDAF、MDAF、RIC等实际商用效果检验，也依赖于3GPP、O-RAN、ETSI 等国际通信标准组织未来对 AI 融入网络基础设施架构的开放程度。人工智能在跨领域的融合发展前景，也有待于人工智能与CEM、PCF等核心系统或网元紧耦合后发挥的效果而决定。
[作者简介]
欧阳晔，博士，亚信科技（中国）有限公司首席技术官。
王立磊，博士，亚信科技（中国）有限公司技术总监。
杨爱东，博士，亚信科技（中国）有限公司首席数据科学家。
马利克·萨哈，美国威瑞森电信公司就职。
大卫·贝兰格，博士，美国电报电话公司就职，美国斯蒂文斯理工学院教授。
高同庆，中国移动通信集团公司副总经理。
韦乐平，中国电信集团公司总工程师，科学技术委员会主任，首席科学家。
张亚勤，博士，清华大学智能产业研究院院长，美国艺术与科学院院士，澳大利亚国家工程院院士。
电信科学
《电信科学》于1956年创刊，是由中国通信学会、人民邮电出版社主办的信息通信学术期刊，是中国科技核心期刊、RCCSE中国核心学术期刊，EBSCO数据库收录期刊。办刊宗旨：聚焦自主创新，推动信息通信发展。
