5G采用了大規模天線系統和超密集組網技術，并將引入頻譜共享、D2D等復雜的無線傳輸技術，與此前移動網絡技術相比，整體網絡架構也更加靈活，功能更加豐富，業務趨向多樣化，這一切都使得網絡的規劃、部署、管理、維護成為極具挑戰性的工作，并且5G網絡天生肩負著為用戶提供智能化的、最佳體驗的服務使命。因此，未來的5G網絡必將具備高度的自治能力和充分的靈活性。

經過60多年的演進，特別是在移動互聯網、大數據、超級計算、傳感網、腦科學等新理論、新技術以及經濟社會發展強烈需求的共同驅動下，人工智能技術也正在加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特征。受腦科學研究成果啟發的類腦智能蓄勢待發，芯片化、硬件化、平臺化趨勢更加明顯，人工智能發展進入新階段。當前，新一代人工智能相關學科的發展、理論建模、技術創新、軟硬件升級等正在整體推進，即將引發鏈式突破，推動經濟社會各領域從數字化、網絡化向智能化加速邁進。

5G擁抱AI的五點建議

在5G時代，網絡與人工智能的結合將成為必然命題，運營商應緊緊抓住國家人工智能發展規劃帶來的歷史性機遇，充分利用各方技術、產品、運營實力，促進通信行業向網絡智能化、業務個性化、行業應用智慧化和管理智能化轉型。運營商還應通過人工智能技術，提高網絡規劃、建設、維護等方面的效率，增強網絡智能組網、靈活運作、高效支撐業務等方面的能力，降低網絡建設、維護和管理成本，提升自身行業、個人、家庭業務的競爭力，實現網絡智能化轉型。在這個過程中，5G網絡應從以下五大方面入手，做好擁抱AI的準備。

網絡數據規范化

數據的獲取和處理是AI應用于5G網絡的一大挑戰。移動通信數據維度高、數據類型多、數據量大、缺失數據多、不同設備廠家數據格式不統一等，導致無線數據獲取和處理難。

針對AI應用于5G網絡的數據獲取和處理問題，整個通信行業需要聯動起來。首先要形成統一數據標準，針對無線網絡數據，由權威協會、聯盟或國家部門制定統一的數據標準，涵蓋數據格式、參數定義、計算方式等多個方面，降低數據處理的復雜度；其次是提取高價值數據，減少數據存儲和計算所需的硬件資源；再次是數據脫敏，對于含有用戶隱私或涉及信息安全的數據加密編碼，這將有效保護個人隱私，并且不影響AI算法對數據的分析；最后需要加強分布式并行處理，對于大體量的無線數據集，建立分布式系統，并行處理數據，提高處理效率。

能力開放融合

運營商在AI技術方面的積累比較薄弱，存在硬件部署、軟件開發、人才短缺、成本不足等問題。面對這些問題，運營商需要結合AI產業界的力量，一方面發揮自身在“云、管、端”和大數據應用等方面的優勢，另一方面積極與互聯網行業、AI產品公司等具有深厚技術積累的外界伙伴合作，不斷積累AI技術知識，學習互聯網行業在AI應用方面的經驗，以便更快、更好地將人工智能應用于5G網絡，推動網絡向智能化方向發展。

如果能將網絡相關能力開放，并引入AI技術進行融合，形成網絡+AI的能力開放平臺，那么AI與網絡將非常好地契合。網絡開放出來的數據、傳輸、信息等能力和資源，可以使AI技術快速地融入網絡，為運營商提升AI服務能力打下重要基礎，也是AI技術上補短板行之有效的方法。采用合作分享、“借兵打仗”的辦法，可以提升AI服務能力，同時建設電信行業自己的AI隊伍。

例如，當前中國聯通網絡技術研究院正在與AI“獨角獸”——第四范式進行合作，借助第四范式AutoML產品“升維”的特征處理思想，將用于互聯網行業的AI算法引入到運營商的網絡平臺中，同時將網絡傳輸、調度、路由等能力以及經過脫敏的網絡、用戶和業務數據通過能力開放平臺輸送給AI引擎，實現了通過“升維”算法找到網絡和用戶的個體特征、組合特征與目標結果的潛在聯系，從而提升網絡發展、用戶體驗和業務需求等方面預測結果的準確度。借鑒“升維”的思想，還可以解決網絡質量、用戶體驗評估、網絡故障定位、問題溯源等方面的難題。通過仿真測試，相比傳統移動通信網絡中使用的決策樹、專家系統等經典機器學習算法，“升維”這種互聯網行業所采用的新算法帶來了超出預期的效果，分析結果準確性從66%提升到79%，突破了傳統方法的準確性瓶頸。

引入技術的創新化

已有的AI算法在復雜的通信場景中不一定適用，需要根據通信網絡特點對AI算法進行改進或創新。例如，在應用AI技術解決業務體驗評估和網絡動態優化的問題方面，現有的一些AI方法可以很好地解決互聯網業務用戶體驗評估和APP功能優化，但是卻無法適應移動通信網絡的多因素關聯性和環境復雜性。

為了克服網絡狀態和服務的動態特性，應對多樣化的多媒體業務挑戰，中國聯通網研院聯合清華大學AI研究團隊，將現有AI算法進行改進創新，并且與人因工程、移動通信網絡力量相結合，提出一種基于強化學習的面向QoE的通信和服務協同優化方法，將用戶的心理、生理感知映射到移動業務體驗，再將移動通信的KPI與QoE建立關聯。通過強化學習及反饋學習機制建立模型來獲得高維空間中的最優解。同時，輸出端的實時網絡狀態和服務質量被反饋到輸入端，從而在當前服務需求下獲得最高的網絡資源利用率，使用戶體驗最佳，實現移動網絡中復雜業務的動態聯合優化及提升QoE的最終目標。

AI應用的邊緣化

5G網絡將面向豐富的垂直行業應用提供服務，帶來更多的邊緣服務需求。多接入邊緣計算（MEC）是5G的重要技術之一，通過在靠近移動用戶的位置上提供信息技術服務環境和云計算能力，可以更好地支持5G網絡中低時延和高帶寬的業務要求。同時，MEC天然具有與AI結合的基因，它更接近數據源和基站這樣的網絡神經末梢，因此可以和5G基站、邊緣大數據系統配合。AI技術在邊緣業務場景智能化、無線網絡的開放化等方面將發揮重要作用。

例如，針對通信網絡中視頻等媒體業務請求暴增、網絡擁塞、現網視頻內容分發響應延遲等問題，可以將人工智能技術應用在5G網絡MEC緩存決策中來提高用戶體驗質量，基于每個基站收集的網絡數據智能地確定高速緩存設備中的內容。基于深度學習的MEC緩存方案可以增強MEC緩存命中率，從而使視頻請求能夠得到快速響應。

網絡環境的模型化

傳統網絡的路損計算、覆蓋規劃、波束成型等都涉及到對網絡環境的計算，在5G復雜網絡環境的背景下，引入AI解決與網絡環境相關的規劃優化等問題是必經之路，這時需要將傳統代數計算的方法進行基于AI的建模，AI算法中的準確建模對算法的實際應用效果至關重要。

一方面，通信網絡具有場景多的特點，針對通信網絡中的不同場景，例如導頻功率調整、邊緣吞吐率提升、M-MIMO波束調整、D-MIMO智能簇分配、多天線特性增益等多種場景，需要分別進行精準化的建模。另一方面，通信網絡具有時變性強的特點，針對網絡發射的異常行為（如被惡意攻擊）或者外部環境變化（如惡劣天氣引發的信道突變）導致的突發性變化，需要建立動態學習、持續學習的算法模型，以應對通信場景中的突發問題。例如，建立準確的無線信道大尺度模型對于網絡設計至關重要，它可以確定小區的覆蓋大小，從而達到減少鄰區干擾、優化網絡的目的。

但目前信道建模的方法主要依賴于信道測量，基于無線信道的各種統計特性建立的信道模型，具有難以針對特定環境給出準確信道響應的缺點，具有一定局限性。利用人工智能方法，根據無線信道數據的特點，可將大小尺度衰落預測等任務進行抽象，將其歸類于機器學習擅長解決的回歸分類等問題，通過機器學習和數據挖掘，得到更精確的信道衰落預測和模擬方法。

AI在網絡中的應用尚處在起步階段

通信網絡正朝著多元化、寬帶化、綜合化、智能化的方向發展。無線傳輸采用越來越高的頻譜、越來越大的帶寬、越來越多的天線，因此傳統的通信方法復雜度太高且性能難以保證。同時，隨著智能終端和各種APP的爆發，無線通信網絡行為和性能因素比過去更加動態和不可預測。低成本、高效率地運營日益復雜的無線通信網絡是當前運營商面臨的一項挑戰。另外，社交媒體的活動可以影響到用戶的網絡行為，隨著網絡運營與優化的焦點從網絡性能轉變為用戶體驗，傳統的KPI優化方法和網絡規劃優化工具已經無法滿足5G網絡的需求。

網絡傳輸中有大量的測量信息，而通信網絡本身也有大量的終端、業務、用戶、網絡運維、無線傳輸性能等大數據，充分利用這些通信大數據，采用機器學習和深度學習等人工智能方法，進行深度挖掘，并實時進行動態重配置無線網絡，是提高網絡性能和用戶感受，減少人力成本投入，自適應各種新型應用的核心和關鍵。

但是，人工智能在通信領域的應用仍處于起步階段，5G網絡的智能化演進路線中挑戰與機遇并存，運營商需要結合網絡現狀、云化轉型進度、5G技術成熟度分階段推進二者融合，并與設備商、互聯網企業、研究機構等共筑智能新生態。