无线网引入AI面临两大挑战:数据是燃料，算力是发动机

AI（人工智能）这个名词，在经历过国内几大互联网企业和手机企业的宣传之后，逐渐被国内的大多数消费者熟悉。在国内，上至七十岁老太，下至上小学的小朋友，只要最近换过手机的人，都听说过AI，他们也许不知道AI的具体性能，但是他们知道AI能使生活更美好。

如今，AI在IT领域的这阵风，也刮到了CT领域。面对运营商网络庞大的数据负载、较高的技术要求以及占很大比例的运维费用，如果网络自己能具备智能，那就把很多技术人员都解放出来了，而且还能提高效率、减少开支。那么无人不知的AI能否在无线网侧复制神奇，且听中国移动专家怎么说。

人工智能是迫切需求

关于CT是否需要AI的问题，中国移动专家表示，电信网络引入AI是趋势。从需求方面看，在引入5G和切片技术之后，众多业务对网络的灵活性和个性化要求越来越高，倒逼网络转型。同时政府和民众对提速降费呼声很高，运营商控制网络运维成本的压力变大，所以智能化的引入是趋势，从而降低网络运维的人工投入，提升网络优化效率。

从AI的技术能力方面来看，AI是通用技术，兴起于上世纪50年代，那时提出了机器学习和神经网络。直到上世纪90年代，AI进入快速发展阶段。后来到2006年出现了深度学习，公众对AI的关注度也越来越高，“深蓝”和AlphaGo的出现让人们对AI的能力有了新的认识。

关于AI在通信领域的应用进展，中国移动专家表示，目前还处在起步阶段。目前AI商业化应用规模比较广的领域主要是自然语言处理和视频图像处理等方面，在通信行业目前还处于起步阶段。AI（狭义的机器学习）的应用和普及需要解决一系列问题，例如需要大量标签化的训练数据和验证数据，深度学习的模型对计算复杂度要求高，而且是黑盒模式可解释性差等。

无线网引入AI有待突破

AI在通信领域的应用是大势所趋，但刚刚起步，那无线网络能否成为通信领域的第一个突破口呢？中国移动专家表示，无线网络本身的特点决定了AI引入的难度。

首先无线网络获取标签化数据的手段较少，成本比较高，规模也有限。无线网常规的路测和其他人工标注手段（例如基于专家库对告警数据进行根因标注）虽然能获取标签化数据，但需要投入大量的人力物力，数据获取成本高，数据涵盖的应用场景和范围也有限。

其次，无线网的分布式架构也会影响数据的采集。无线网采用分布式架构，基站或传输设备不像核心网一样集中，如果把无线网产生的数据进行集中再处理，则需要大量设备机及其接口具备数据采集能力，数据汇聚和关联的难度也相应增加。另一方面，数据的集中化采集与分析和实时性需求还会存在矛盾。如果实时性要求较高时，数据从采集、汇聚、分析处理到决策下发，需要经历完整的闭环才能实现，实时性会降低。因此，为保证无线网AI处理实时性，将来无线网可能采用混合式架构，即分布式和集中式架构混合。其中基于单个网元自身能获取的数据即可实现分析决策就应用可以采用分布式架构来保证实时性；仅依赖单个网元可获取数据无法形成决策的应用，则需要更高层的数据汇聚分析系统（例如网管系统）进行集中式架构的分析处理决策。

再次，特定场景下训练出的AI模型可能难以泛化应用到其他场景。无线网络性能和参数配置与部署场景特征、地理地貌等相关性强，基于部分场景获取数据训练出来的AI模型可能很难泛化适用与全部场景。此外，无线网络维护优化的专业性要求较强，需要一定的逻辑解释输入输出的关系，而AI（尤其是深度学习）的黑盒学习特征难以满足该需求。

最后，目前无线网络设备的虚拟化程度还不足，不利于AI的引入。AI对算力要求高，而无线网络设备相比核心网的虚拟化程度低，难以自持弹性扩容，设备预留的算力有限，支持软件定义方式的算法灵活调整能力不足。

其实，广义的AI（包含自动化技术）也曾在无线网络中开展过一些有益的尝试，例如自组织网络技术（SON）在3G和4G网络中就已引入并完成了相关标准化工作，目标是实现无线网络设备的自启动、自优化、自治愈等效果。虽然在部分应用点上取得了一定效果，但远未取得变革性、突破性的进展。

因此，未来还需要不断探索并努力攻克难关，解决上述关键问题，只有这样，AI在无线网络中的规模化应用才能形成有效突破。此外，AI在未来无线网络中的定位到底是作为主导还是作为辅助也是一个值得探讨的问题。

数据是燃料，算力是发动机

面对AI在无线网中的重重挑战，中国移动专家总结道：要实现AI的成功应用，需要解决两大基础问题——数据和算力。数据是燃料，算力是发动机，要想获得前进的动力，两者必不可少。

在算力方面，一方面是要根据所引用的AI算法成熟度和复杂度，优化设计无线网络设备硬件架构，兼顾CPU、GPU、FPGA等通用计算芯片的灵活性和ASIC、SoC芯片的高性能优势，取长补短；另一方面是要结合无线网络智能化应用功能的需求和特征，匹配选择合适的AI算法并优化设计特征工程和算法模型。

在数据方面，一方面是要研究低成本、高效率地获取可持续的、大规模的标签化的数据的技术手段；另一方面是要研究和应用能摆脱或弱化对标签化数据依赖的AI算法。

面向无线网络，在人工智能的引入方面，目前国内外研究方向也不尽相同。在移动性管理、无限资源管理、无线参数优化配置、无线网络维护、网络指标监控和告警管理等具体应用方面，国内外的研究进展和研究重点各有不同。总之，路在脚下，无线AI之路还任重道远。