【中国移动研究院】基于数字孪生和内生AI的网络自治

5G网络自动驾驶实践的启示

架构：集中式智能à多形态智能

•网管集中式数据采集和模型训练à网管/网元设备间数据和模型协同机制

•重塑网络数据和AI计算资源的分布架构，云边端多形态智能，提高模型训练和响应效率

场景：多样性发展需求

•以ToC业务为主的智能化应用相对成熟

•ToB场景业务智能化水平仍需提升，包括场景、数据、算法、效果，进一步增强网络切片差异化服务能力

效果：高度自治网络

•降本增效的运营智能à端到端高度服务智能

•响应速度：1小时/15分钟à秒/毫秒/微秒级

•优化提升维度：网元à用户、信道

•QoS级服务智能保障

环境：强大的模拟复现能力

•网络资源/参数的智能调度决策依赖精准的环境反馈

•缺乏可供智能体训练的试错环境，可依托海量历史数据建模，还原网络不同性能表现

数字孪生和内生AI实现6G网络高水平自治

6G网络以实现L5等级的自动驾驶网络为目标，面向消费者和垂直行业客户提供全自动、零等待、零接触、零故障的创新网络服务与ICT业务，打造自服务、自治愈、自优化、自演进的通信网络

通信网络大模型

网络智能化应用工作分散到不同厂家和领域，场景数据规范性不相通，存在数据重复采集、资源浪费等问题。

网络智能化应用的场景种类繁多导致场景碎片化。

网络智能化应用的应用分散，AI模型的通用性较低，各个应用之间缺少协同优化，模型无法复用和积累。

通信网络大模型：应用用例

网络直接调用封装的大模型服务，利用大模型多模态机器学习、语言理解与文本生成能力，提升网络的信息通信服务能力。

通信网络可以通过网络内部接口进行交互，大模型作为一种网络内部功能或者网元，协助智能运维AIOps助力运维人员快速处理系统故障。

无线信道建模：根据无线信道上输入的数据实现信道生成，利用多模态输入输出技术补充或完善已有的数据/图片/视频集，并可根据场景描述生成场景。语义通信：利用ChatGPT作为系统中的编码器（encoder）和解码器（decoder）模块来实现语义编码和解码。