“凡事豫則立，不豫則廢。言前定則不跲，事前定則不困，行前定則不疚，道前定則不窮。”《禮記·中庸》中這樣寫道。

在亢奮與期盼中，5G的全球商用進程不斷加快，距離普羅大眾越來越近，甚至提前在一些行業應用領域開始創造價值。但在同時，緊隨5G而來的網絡復雜性激增和OPEX長期以來的居高不下，或將會給原本便身處變革旋渦中心的移動網絡帶來更大的挑戰，甚至影響到整個信息通信行業的未來發展。

5G前夜的當下，應該如何為此做好準備？打造一張基于用戶體驗的智能化、全自動的網絡成為諸多運營商的共同追求，而人工智能（AI）的日益成熟使之成為可能。在華為的構想中，這門近來大放異彩的技術將嵌入到移動網絡的架構與生命周期之中，成為驅動其邁向“無人駕駛、永無故障”的自動駕駛的重要組成部分。面對目標網絡如何踐行、自動化價值如何釋放，這家公司在呼吁全行業群力群策的同時也定義了階段性目標和五級演進標準，并發布了《自動駕駛移動網絡》白皮書以提供可借鑒的思路。

第一塊多米諾骨牌已經倒下，你是否已經行動起來？

5G：并非只有掌聲與鮮花

美國計劃2018年全面實現5G商用、俄羅斯在積極探索5G共建共享合作方式、韓國平昌冬奧會成為首個實現“5G網絡全覆蓋”的奧運會。而我國已經明確了2020年5G確保商用的政策，全國范圍5G中低頻段試驗頻率使用許可的頒發也令“最后一只靴子”得以落地——種種跡象表明，5G商業化的沖鋒號已然吹響。

在這背后，是信息通信行業乃至全社會對5G的期許與高度重視。其指向的Gbps起步的超大帶寬、超高可靠超低時延的通信能力和每公里百萬級的海量連接，將帶來前所未有的業務體驗提升和使能各行各業數字化的全面爆發，所釋放出的需求潛力也將催動一波新的經濟發展浪潮。

GSMA預計，2018-2025年，數據流量將以40%的年復合增長率高速增長；到2025年，全球將有超過300億個聯網設備，給整個行業帶來大體量收入；到2022年，移動經濟將會給整個社會帶來4.6萬億美元的市場空間。IHS亦有預測稱，到2035年，5G將在全球帶動12.3萬億美元經濟產出，而僅5G價值鏈就將創造3.5萬億美元產出，同時創造2200萬個工作崗位；2020-2035年，5G對全球實際GDP增長的貢獻預計將相當于一個與印度同等規模的經濟體。

然而前方并非只有掌聲與鮮花，同樣也充斥著溝坎與荊棘。隨著5G進入規模部署階段，一系列問題正逐漸浮出水面，尤其是在與運營商切身相關的網絡層面。首先，2G/3G/4G/5G四世同堂，網絡管理的復雜度已非人力所能及；其次，以Massive MIMO為代表的新技術應用給網絡性能提升帶來不小的挑戰；第三，5G時代多業務并行，如何做好多業務的管理也將給運營商帶來極大挑戰。

此外，Ovum分析報告顯示，過去十年信息通信行業的收入增長從來沒有跑贏過OPEX的增長，OPEX在電信網絡TCO（總體擁有成本）的占比從62%上升到75%，這意味著單純地降低設備成本已經不能改善運營商的成本結構。也因此，在5G時代能否有效遏制OPEX的持續增長將成為商業成功的關鍵。

正如狄更斯在他的《雙城記》開卷所寫那樣，“這是一個最好的時代，這是一個最壞的時代”。而值得慶幸的是，我們有AI。

+AI：讓移動網絡邁向自動駕駛

縱觀歷史，從18世紀至今300余年間，世界通過三次工業革命，完成了機械化、電氣化、信息化的改造，每一次變革都驅動人類社會邁向新的發展紀元。如果說在21世紀還有哪一種技術可以和歷次工業革命中的先導科技相提并論的話，那一定是正在步入成熟增長期的AI技術。

作為計算機科學的一個分支，AI的概念早在1956年就被提出，并自20世紀七十年代以來與空間技術、能源技術一起被并稱為“世界三大尖端技術”，同時亦與基因工程、納米科學一起被認為是“21世紀三大尖端技術”。近年來，AI已經越來越多地被應用于各個領域，成為適用于大部分經濟活動的基本生產力；阿爾法狗與人類棋手的連番大戰和媒體熱炒也使之為世人所熟知。

聚焦到信息通信領域，AI使網絡有了不斷學習的機制，得以持續提升自動化的水平。華為常務董事、產品投資評審委員會主任汪濤即在第九屆全球移動寬帶論壇（MBBF 2018）上倡言，為應對5G時代的網絡復雜性挑戰，需要將AI技術和移動網絡進行深度耦合，以打造一張運維管理效率極優、性能極好、業務敏捷的移動網絡，讓網絡邁向自動駕駛。

在過去幾年中，華為已經通過積極布局、壓強投入，在AI領域構建起了相當實力。在2018華為全聯接大會（Huawei Connect 2018）上，這家公司正式發布了AI發展戰略及全棧全場景AI解決方案，其中面向運營商網絡的是SoftCOM AI架構及方案——SoftCOM AI借助華為全球經驗和積累，通過打造數據驅動的智能網絡，實現網絡的自動、自優、自愈和自治，幫助運營商大幅提升網絡利用率和運維效率。

不少運營商也意識到了AI之于移動網絡的重要性，國內三大運營商與日韓美等地的領先運營商均已展開了相關的探索。比如SK電訊部署了一個具有大數據分析和機器學習功能的AI輔助系統（TANGO），通過自行檢測移動網絡、排除故障、實施優化來增強用戶體驗。

就像運營商客戶所言，“一方面5G未來要實現大連接需要AI的輔助，另一方面以5G為代表的新一代網絡的部署和商用也將為AI發展注入新的動力”，實際上兩者間可謂相輔相成、天然契合，移動網絡在AI應用上也有其優勢所在。具體而言，AI的成長離不開數據的“喂食”，移動網絡上蘊藏著大量的數據且結構化數據占比高；算力與數據、算法構成了AI向前發展的動力，移動基站算力則相當強，以一張1萬站規模的網絡為例，全網的基站算力可與8000臺高性能計算服務器相媲美；AI人才的短缺一定程度上限制了它的使用步伐，移動網絡30年的專家經驗亦為網絡應用智能化提供了有力的保障與支撐。

同時，移動網絡應用AI也必須充分考慮自身獨特的特點。首先數據具有強時效性，其次站點分布式結構，另外還要考慮移動性帶來的場景多樣性。

升維之路：自動駕駛移動網絡如何構建

自動駕駛將徹底改變我們的交通出行方式，足以和此前汽車、飛機的普及相提并論，而移動網絡的自動駕駛同樣具有劃時代的意義。但必須看到的是，自動駕駛網絡絕非單個產品的創新，而是系統架構和商業模式的創新，其過程無法一蹴而就且需要全行業的推動，也唯有與具體的場景相融才能催生出真正的價值。

因此，華為呼吁全行業共同定義清晰的標準、牽引技術創新并指導落地；它以優化業務體驗和運營效率為抓手，定義了移動網絡邁向全場景自動駕駛五級演進標準。在汪濤口中，從“解放雙手”到“解放雙眼”、再到“無人駕駛”，自動駕駛網絡共分L0手工運維、L1輔助運維、L2部分自治網絡、L3有條件自治網絡、L4高度自治網絡、L5完全自治網絡五個等級，L5是電信網絡發展的終極目標。

明確場景是實施網絡自動駕駛的關鍵，細分場景后借助AI技術來逐步分級別實現：“在從L1到L5的進程中，AI的作用不斷加大。比如L2級別，自適應的自動化取代了基于規則的自動化，多個工作流可以被有效串接；再比如L3級別，利用AI準確的識別各種場景，進行根因分析，為自動決策提供依據。”

業界針對自動駕駛汽車定義了三層，包括Sensor、分析+控制和云平臺。自動駕駛網絡同樣可分為三層，第一層，設備層面的智能芯片+Telemetry將面向網絡和業務級應用的真實數據實時上報；第二層，本地智能分析找出網絡風險并給出優化建議，通過自動化系統來進行本地優化閉環，實現網絡自治；第三層，云端平臺將數據匯聚后進一步訓練提煉更精準的算法并推送到本地系統，達到更優的網絡自治效果。在每一層架構的背后，都有一個看不見的專家團隊在負責數據分析、模型訓練和優化等工作。

考慮到移動網絡自身的獨特特點，華為在此基礎上進一步提出了自動駕駛移動網絡的架構。其不同之處在于自動駕駛移動網絡的整體架構是分層自治的，在第二層又細分為Site AI與Network AI，前者部署在基站，負責網絡的RRM/RTT實時控制；后者部署在管控融合集中節點，負責將上層系統的意圖翻譯成網絡自動化行動，對網絡執行準實時的閉環控制。

有鑒于此，華為提出要以站點、網絡和云端為支點發力來構筑整網的智能化能力，汪濤在演講中對此有過系統論述。站點層面主要聚焦場景匹配、數據收集與提煉及低時延智能算法等能力的構筑，進行實時的數據分析與短時延的智能推斷，從而快速完成功能與參數的優化。Site AI主要提供兩大重點能力，數據提煉，站點產生的海量數據提煉為有用的樣本數據；嵌入式的AI框架，支持在CPU、DSP或未來的AI芯片上進行實時的AI算法推斷。

網絡層面通過采集移動網絡全域的數據和狀態進行數據分析和推理，識別各種網絡場景，對未發生的情況進行預測預防、對已經發生的情況進行根因分析，最終給出決策，對網絡進行智能的管控。其中，兩個轉變將是移動網絡自動化的關鍵，即從以網元為中心的運維轉變為以場景為中心的運維、從單純的網絡管理到管理控制融合。

云端層面落實智能模型和訓練能力，實現新一代智能服務。華為憑借多年積累的全球網絡管理服務經驗，對數據、場景進行標注和分類，從而訓練出精確的AI模型；構建了基于動態網絡持續優化和更新模型的能力（Digital Twins），新的場景和問題可以被很快發現、適配，并迅速應用到全球網絡。為了讓運營商更好地利用和消費AI，未來它將提供在線的AaaS （AI as a service）；同時，在邁向自動駕駛的過程中很多業務流程需要重新整理和設計，它還將提供BPaaS（Biz Process as a service）。

基于上述架構，華為正圍繞網絡規劃、網絡部署、網絡維護優化和業務發放四大工作場景推動移動網絡邁向自動駕駛，并制定了12個階段目標。其中，網絡規劃由特定場景的輔助規劃到全場景輔助規劃、再到自動精準規劃；網絡部署由硬件部署無感知到參數自配置、再到特性自開通；網絡維護優化由自動告警監控到故障輔助處理、再到故障預測；業務發放由基于覆蓋的業務發放到基于體驗的業務發放、再到基于業務的網絡切片。

理論聯系實際：白皮書與案例分享

提出理論難，但將理論與實際聯系起來更難。既然移動網絡邁向自動駕駛需要分場景分級去逐步釋放自動化的價值，那么應當優先在哪些場景發力？運營商又如何及時享受到自動化所帶來的紅利？經過不斷收斂與提煉，堅持“把復雜留給自己，把簡單留給客戶”的華為已識別出其中的關鍵場景和所需能力，并圍繞于此形成了可操作可執行的方案及案例。

華為在第九屆全球移動寬帶論壇上隆重發布了面向移動網絡的場景白皮書，首次從網絡運維生命周期、數字化程度以及場景TCO貢獻度三個維度進行場景化分析，識別出了移動網絡的七大關鍵自動駕駛場景——基站部署、特性部署、網絡性能監控、故障分析與處理、網絡性能提升、家庭業務發放以及網絡節能。同時，首次公布了面向網絡自動化需要構建的五大關鍵能力（POBSI模型）——可編排（Programmable）、在線化（Online）、流程橋接（Bridging）、可感知（Sensibility）、智能（Intelligence），并基于該能力模型針對七大關鍵場景進行分級定義和能力訴求分析。用汪濤的話說，哪些是移動網絡自動駕駛場景中的“自動泊車”、哪些是“自動變道行駛”，都可以從這本白皮書里得到啟示。而隨著研究的推進，將持續刷新應用場景并對外公布研究成果。

作為SoftCOM AI總體框架中的一部分，華為在移動網絡自動駕駛上的創新探索亦卓有成效。以VoLTE為例，已經有50%的網絡開通了VoLTE，為用戶提供高清語音。但是VoLTE的開通和運行保障仍比較復雜，需要投入大量人力保障。VoLTE相關的參數設計超過60個，且對于覆蓋質量要求更高、對于弱覆蓋非常敏感，VoLTE的端到端組網中節點數也多，對于問題定位帶來很大的難度。

AI技術可以大大提升VoLTE的設計部署、網絡優化、故障定位的效率，使復雜的工作簡單化、自動化。在初始規劃階段，運營商利用聚類算法，可對多頻組網場景、多特性互操作場景進行識別和匯聚，自動匹配生成VoLTE初始參數策略配置；在運營階段，系統實施監控和分析網絡覆蓋質量，發現弱覆蓋區域，利用梯度下降決策樹算法（GBDT）進行RF參數的自動尋優，找到最佳參數值組合，解決弱覆蓋問題；在故障定位過程中，系統通過根因分析找到影響語音質量的問題，利用Q-learning（強化學習的一種算法）給出問題修復建議。總之，通過AI和數據分析技術，可以大幅提升VoLTE業務運行維護的效率和準確性，為高質量的語音業務提供保障。

Massive MIMO是5G網絡中最重要的解決方案，為Massive MIMO帶來智能是5G自治網絡的基礎。MM波束成形為網絡帶來了靈活性的同時也帶來了管理的復雜性，華為正在計劃關鍵工作場景中的智能MM解決方案，嘗試利用AI和MM波束成形特性來達到過去不可能實現的自治網絡。

汪濤指出，華為Smart Massive MIMO解決方案將提供最強大的傳感器功能，包括天線GPS信息，這種邊緣智能將在第一時間實現全自動站點配置。設備測量信息將用于增強傳統的駕駛測試，大數據將實現準確的傳播模型，覆蓋預測模型和網絡流量模型訓練，這將是自動網絡規劃、覆蓋調整和節能的推動者。中性網絡推理能力將建立在站點處理器中，這使得MM波束成形模式推斷的時間小于0.1毫秒，為自動性能優化奠定了基礎。