網(wǎng)絡(luò)人工智能發(fā)展分析與建議

摘要：人工智能（AI）技術(shù)經(jīng)歷了60多年的發(fā)展并達(dá)到前所未有的高度，通信網(wǎng)絡(luò)領(lǐng)域是其最大的細(xì)分市場。簡要介紹了AI技術(shù)的發(fā)展歷程，以及本輪AI技術(shù)發(fā)展的內(nèi)涵和核心要素。通過AI在通信網(wǎng)絡(luò)領(lǐng)域應(yīng)用發(fā)展的驅(qū)動(dòng)力和概況的闡述，提出5大典型網(wǎng)絡(luò)AI應(yīng)用場景，并針對3大核心要素給出網(wǎng)絡(luò)AI的發(fā)展建議。

關(guān)鍵詞：AI;網(wǎng)絡(luò);應(yīng)用場景

Abstract： Artificial intelligence （AI） technology has developed for 60 years and made unprecedented achievements. Communication network domain is the largest subdivision market of AI. In this paper， the history of AI technology development is introduced， as well as the connotation and core elements. By expounding the driving force and general situation of the application and development of AI in the field of communication network， five typical application scenarios of network AI are also presented. Finally， suggestions for the development of network AI are given according to the three core elements.

Key words： AI; network; application scenarios

1 人工智能發(fā)展概述

1.1 發(fā)展歷程

人工智能（AI）指人造的機(jī)器或系統(tǒng)能夠?qū)崿F(xiàn)的智能，是與人類和其他動(dòng)物表現(xiàn)出的人類智能和自然智能相對的概念。人工智能自1956年首次提出后，經(jīng)歷了3次發(fā)展浪潮[1]。

（1）20世紀(jì)50年代末—20世紀(jì)70年代初，這是人工智能的誕生和第1次發(fā)展浪潮。這個(gè)時(shí)期主要的發(fā)展成果是將邏輯推理能力賦予了計(jì)算機(jī)系統(tǒng);但是由于當(dāng)時(shí)計(jì)算性能的瓶頸、數(shù)據(jù)量缺失等因素，導(dǎo)致了人工智能項(xiàng)目過于樂觀的目標(biāo)無法兌現(xiàn)。

（2）20世紀(jì)70年代末—80年代末，是以“專家系統(tǒng)”為代表的人工智能的第2次發(fā)展浪潮。這個(gè)時(shí)期主要的發(fā)展成果是將人類知識總結(jié)并教授給了計(jì)算機(jī)系統(tǒng)，專家系統(tǒng)在生產(chǎn)制造、財(cái)務(wù)會(huì)計(jì)、金融等領(lǐng)域得到了廣泛應(yīng)用。

（3）20世紀(jì)90年代后期至今，隨著計(jì)算能力、算法理論和數(shù)據(jù)量爆發(fā)性提升，開始了人工智能第3次發(fā)展浪潮，“大數(shù)據(jù)”+“深度學(xué)習(xí)”+“人工智能芯片”驅(qū)動(dòng)了本輪人工智能發(fā)展。在強(qiáng)大算力的支持下，將大數(shù)據(jù)輸入深度學(xué)習(xí)模型并進(jìn)行訓(xùn)練[2]，機(jī)器可以比人類專家更快得到更優(yōu)的模型，這些將使人工智能技術(shù)的廣泛應(yīng)用成為了一種可能。

1.2 人工智能內(nèi)涵

針對本輪人工智能發(fā)展，人工智能主要有以下2種內(nèi)涵：

（1）伴隨深度學(xué)習(xí)研究的爆發(fā)和應(yīng)用，人工智能可以等同于以深度學(xué)習(xí)為代表的大計(jì)算量、復(fù)雜算法的狹義人工智能。

（2）從產(chǎn)業(yè)角度，人工智能包括了以芯片和大數(shù)據(jù)為代表的基礎(chǔ)設(shè)施、開源人工智能技術(shù)框架和模型算法，以及在此基礎(chǔ)之上構(gòu)建的面向特定場景的應(yīng)用方案和服務(wù)。

1.3 發(fā)展核心要素

人工智能技術(shù)的發(fā)展和應(yīng)用取決于以下3個(gè)核心要素。

（1）算法。

算法決定了人工智能應(yīng)用的理論極限效果。面向不同的應(yīng)用場景，解決不同的問題，需要選擇不同的人工智能算法。

深度學(xué)習(xí)類算法是本輪人工智能發(fā)展最重要的理論基礎(chǔ)，是一種試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對數(shù)據(jù)進(jìn)行高層抽象的算法，在圖像圖形識別、計(jì)算機(jī)視覺、語音識別、自然語言處理等方面都取得了比傳統(tǒng)機(jī)器學(xué)習(xí)方式更顯著的效果。

（2）數(shù)據(jù)。

數(shù)據(jù)決定了機(jī)器學(xué)習(xí)算法的優(yōu)化程度以及對實(shí)際應(yīng)用場景的適用程度。

一個(gè)機(jī)器學(xué)習(xí)模型可以理解為一個(gè)函數(shù)f（x）=y，輸入數(shù)據(jù)x，可以輸出結(jié)果y。這個(gè)函數(shù)的算式種涉及了許多參數(shù)，這些參數(shù)的取值將影響輸出結(jié)果y和實(shí)際結(jié)果y的擬合程度，也就是模型的優(yōu)化程度。根據(jù)已知數(shù)據(jù)尋找模型參數(shù)的過程稱為模型訓(xùn)練，最終尋找到的f（x）=y的映射關(guān)系被稱為訓(xùn)練出來的模型。這個(gè)過程中，輸入的數(shù)據(jù)的準(zhǔn)確性和數(shù)量決定了訓(xùn)練出來的模型的優(yōu)化程度，以及是否能夠適用于目標(biāo)應(yīng)用場景。數(shù)據(jù)量越大，訓(xùn)練出來的模型越精確，機(jī)器學(xué)習(xí)的應(yīng)用發(fā)展離不開大數(shù)據(jù)的幫助。

（3）算力。

算力決定了機(jī)器學(xué)習(xí)算法模型的訓(xùn)練和應(yīng)用的速度。

機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)，離不開基于大量數(shù)據(jù)的訓(xùn)練。為了訓(xùn)練出性能優(yōu)良的模型，通常需要耗費(fèi)幾個(gè)月甚至更久的時(shí)間才能完成，無法滿足實(shí)際應(yīng)用的要求，定制化、專用化人工智能芯片應(yīng)運(yùn)而生。從芯片技術(shù)本身的發(fā)展路徑來看，圖形處理器（GPU）、現(xiàn)場可編程門陣列（FPGA）、專用集成電路（ASIC）以及類腦芯片是目前市場上的4大類人工智能芯片。這4類芯片有著不同的運(yùn)算特點(diǎn)，未來一定時(shí)期內(nèi)必定是多類芯片互補(bǔ)共存的狀態(tài)。

人工智能芯片的發(fā)展極大地緩解了人工智能在計(jì)算能力方面的瓶頸，讓深度學(xué)習(xí)成為了實(shí)用的算法，釋放了人工智能的全新潛力。

2 網(wǎng)絡(luò)人工智能發(fā)展

2.1 需求與驅(qū)動(dòng)力

自2013年起，全球運(yùn)營商相繼發(fā)布網(wǎng)絡(luò)重構(gòu)和轉(zhuǎn)型戰(zhàn)略，期待能夠通過引入軟件定義網(wǎng)絡(luò)（SDN）、網(wǎng)絡(luò)功能虛擬化（NFV）、云計(jì)算、第5代移動(dòng)通信技術(shù)（5G）等新技術(shù)，減少對專有硬件的依賴，實(shí)現(xiàn)新業(yè)務(wù)的快速部署，滿足用戶多樣化的需求，提升核心競爭力。

新技術(shù)的應(yīng)用為網(wǎng)絡(luò)帶來了極大的靈活性和操控性，同時(shí)也引入了更多的復(fù)雜性?？梢灶A(yù)見，未來網(wǎng)絡(luò)至少面臨著3方面的挑戰(zhàn)。

（1）網(wǎng)絡(luò)架構(gòu)動(dòng)態(tài)變化。

傳統(tǒng)架構(gòu)采用自頂向下的設(shè)計(jì)方式，網(wǎng)絡(luò)架構(gòu)固定，網(wǎng)元明確，設(shè)計(jì)和部署周期長，5～10年才會(huì)變化。而未來網(wǎng)絡(luò)基于云化基礎(chǔ)設(shè)施，業(yè)務(wù)功能和網(wǎng)絡(luò)功能原子化，自底向上按需組合編排，網(wǎng)絡(luò)架構(gòu)隨時(shí)可變，面向業(yè)務(wù)場景適配，部署周期以小時(shí)來記。

（2）分層解耦后故障定位復(fù)雜。

傳統(tǒng)網(wǎng)絡(luò)設(shè)備軟硬件通常來自同一廠商，出現(xiàn)故障由單一廠商負(fù)責(zé)解決，定位簡單，責(zé)任清晰。未來演進(jìn)到NFV網(wǎng)絡(luò)后，網(wǎng)絡(luò)設(shè)備自底向上分為物理設(shè)備、虛擬資源、功能軟件3層，同時(shí)引入了網(wǎng)絡(luò)編排、網(wǎng)元管理、虛擬資源管理3個(gè)編排管理層次，分層解耦引入了多廠商的同時(shí)也面臨著更多可能的故障點(diǎn)，告警數(shù)量成倍增長，運(yùn)營商面臨更為復(fù)雜的故障定位、根因分析和責(zé)任劃定。

（3）網(wǎng)絡(luò)資源實(shí)時(shí)調(diào)整。

傳統(tǒng)網(wǎng)絡(luò)采用人工方式，以年為單位進(jìn)行滾動(dòng)規(guī)劃，通過按照峰值容量部署大量冗余設(shè)備提供下一年度的業(yè)務(wù)發(fā)展保障。而未來網(wǎng)絡(luò)的目標(biāo)是實(shí)現(xiàn)網(wǎng)絡(luò)資源的自適應(yīng)實(shí)時(shí)調(diào)整，需要根據(jù)業(yè)務(wù)需求和網(wǎng)絡(luò)資源狀況進(jìn)行實(shí)時(shí)自動(dòng)化的網(wǎng)絡(luò)資源分配和調(diào)整，從而實(shí)現(xiàn)了網(wǎng)絡(luò)資源在不同業(yè)務(wù)之間的共享以及綠色節(jié)能。

上述挑戰(zhàn)成為了網(wǎng)絡(luò)重構(gòu)落地的主要障礙，傳統(tǒng)的人工方式不足以支撐未來網(wǎng)絡(luò)業(yè)務(wù)需求，人工智能技術(shù)必然成為解決未來網(wǎng)絡(luò)運(yùn)營問題的重要手段。

2.2 國際標(biāo)準(zhǔn)和開源項(xiàng)目情況

隨著全球運(yùn)營商網(wǎng)絡(luò)重構(gòu)的實(shí)踐發(fā)展，前述各種網(wǎng)絡(luò)部署運(yùn)營的問題逐漸暴露，全球運(yùn)營商和信息技術(shù)（IT）、通信技術(shù)（CT）廠商都紛紛投入到網(wǎng)絡(luò)人工智能方面的研究，在各大國際標(biāo)準(zhǔn)和開源組織啟動(dòng)了相關(guān)工作。

（1）歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)（ETSI）。

2017年2月，中國電信聯(lián)合工信部電信研究院、盧森堡大學(xué)、三星等在ETSI推動(dòng)成立了全球第1個(gè)網(wǎng)絡(luò)人工智能標(biāo)準(zhǔn)工作組——體驗(yàn)網(wǎng)絡(luò)智能（ENI），致力于利用AI等智能化技術(shù)優(yōu)化網(wǎng)絡(luò)部署和運(yùn)營[3]。該工作組的研究范圍包括分析網(wǎng)絡(luò)人工智能場景和需求，構(gòu)建策略驅(qū)動(dòng)的閉環(huán)網(wǎng)絡(luò)人工智能體系架構(gòu)。目前成員包括亞、美、歐地區(qū)超過40家重量級的運(yùn)營商、廠商及科研機(jī)構(gòu)[4]。

目前ENI已完成了第1階段（用例和需求的識別）的工作[5]，[6]，并正在進(jìn)行第2階段（架構(gòu)設(shè)計(jì)）的工作[7]，同時(shí)也啟動(dòng)了相關(guān)概念驗(yàn)證工作[8]。

（2）第3代合作伙伴計(jì)劃（3GPP）。

3GPP的系統(tǒng)架構(gòu)工作組SA2在2017年5月的杭州會(huì)議上開啟了5G網(wǎng)絡(luò)智能化的研究項(xiàng)目——使能5G網(wǎng)絡(luò)自動(dòng)化項(xiàng)目（eNA）。該項(xiàng)目基于5G核心網(wǎng)中引入的網(wǎng)絡(luò)數(shù)據(jù)分析功能（NWDAF），輔助其他網(wǎng)元實(shí)現(xiàn)網(wǎng)絡(luò)切片智能化管理、按需移動(dòng)性管理、流量分流和卸載等功能。

（3）國際電信聯(lián)盟電信標(biāo)準(zhǔn)分局（ITU-T）。

在2017年11月，ITU-T SG13全會(huì)討論正式批準(zhǔn)成立了機(jī)器學(xué)習(xí)焦點(diǎn)組（FG-ML5G）[10]，目標(biāo)是分析如何在未來網(wǎng)絡(luò)特別是5G網(wǎng)絡(luò)中應(yīng)用機(jī)器學(xué)習(xí)，提升網(wǎng)絡(luò)性能和用戶體驗(yàn)。具體工作包括機(jī)器學(xué)習(xí)在未來網(wǎng)絡(luò)的應(yīng)用場景、潛在需求、架構(gòu)，以及具體接口、協(xié)議、算法、數(shù)據(jù)結(jié)構(gòu)和個(gè)人信息保護(hù)等方面，分析機(jī)器學(xué)習(xí)對自主網(wǎng)絡(luò)控制和管理方面的影響。

（4）Lunix基金會(huì)。

Lunix基金會(huì)于2018年3月成立了深度學(xué)習(xí)基金會(huì)，這是一個(gè)涵蓋機(jī)器學(xué)習(xí)和深度學(xué)習(xí)開源代碼開發(fā)的綜合性組織。Lunix深度學(xué)習(xí)基金會(huì)的第1個(gè)項(xiàng)目是Acumos項(xiàng)目，該項(xiàng)目致力于提供一個(gè)易于模型設(shè)計(jì)、訓(xùn)練、發(fā)布共享和部署應(yīng)用的開源框架平臺。

上述國際標(biāo)準(zhǔn)和開源工作各有側(cè)重：ETSI ISG ENI側(cè)重網(wǎng)絡(luò)智能引擎（ENI系統(tǒng)）通用內(nèi)部架構(gòu)定義、與其他網(wǎng)絡(luò)系統(tǒng)的接口，涉及各專業(yè)網(wǎng)絡(luò)領(lǐng)域的應(yīng)用;3GPP作為移動(dòng)網(wǎng)絡(luò)的權(quán)威技術(shù)標(biāo)準(zhǔn)組織，其系統(tǒng)架構(gòu)組的eNA項(xiàng)目側(cè)重5G網(wǎng)絡(luò)側(cè)的各種應(yīng)用場景;ITU-T FG-ML5G焦點(diǎn)組輸出的是研究報(bào)告，其用例多數(shù)聚焦于5G無線側(cè)應(yīng)用，同時(shí)也輸出了一個(gè)通用的機(jī)器學(xué)習(xí)應(yīng)用架構(gòu)，但FG-ML5G即將于2019年3月結(jié)束，輸出的報(bào)告需要輸入到合適的標(biāo)準(zhǔn)組織進(jìn)一步定義正式的標(biāo)準(zhǔn);Acumos開源項(xiàng)目面向各類實(shí)際部署應(yīng)用，不局限于網(wǎng)絡(luò)側(cè)應(yīng)用場景，是一個(gè)人工智能平臺即服務(wù)（PaaS）平臺類項(xiàng)目。

2.3 國際運(yùn)營商網(wǎng)絡(luò)人工智能發(fā)展

美國的AT&T重點(diǎn)打造AI開源平臺Acumos，其機(jī)器學(xué)習(xí)平臺已經(jīng)用于解決多項(xiàng)業(yè)務(wù)中遇到的問題，包括物聯(lián)網(wǎng)（IoT）、娛樂、客戶服務(wù)、安全和網(wǎng)絡(luò)監(jiān)測控制故障檢測等，未來重點(diǎn)應(yīng)用領(lǐng)域包括5G和安全。Verizon的人工智能的發(fā)展主要集中在企業(yè)到企業(yè)（B2B）類業(yè)務(wù)、物聯(lián)網(wǎng)，以及無線網(wǎng)絡(luò)優(yōu)化配置等方面。

歐洲各大運(yùn)營商包括Vodafone、Telefonica、Telenor和Telecom Italia都在開展利用AI技術(shù)提升無線小區(qū)管理效率等方面的研究和嘗試。

日本NTT集團(tuán)設(shè)立了統(tǒng)一的AI品牌“corevo?”（Co-revolution），與各領(lǐng)域企業(yè)合作推動(dòng)創(chuàng)新革命。其重點(diǎn)應(yīng)用領(lǐng)域?yàn)镮oT，目標(biāo)將整個(gè)IoT網(wǎng)絡(luò)的管理技術(shù)、數(shù)據(jù)的分散處理技術(shù)、安全等涉及多方面的技術(shù)集成在一起。

3 網(wǎng)絡(luò)人工智能典型應(yīng)用

場景

3.1 網(wǎng)絡(luò)流量優(yōu)化與擁塞防控

網(wǎng)絡(luò)流量快速增長，受熱點(diǎn)事件影響易產(chǎn)生局部流量出口過載，而依靠人工調(diào)整策略引導(dǎo)流量的方式，缺乏流量可視和對調(diào)控結(jié)果的預(yù)知，缺乏快速分流到備份出口的能力，容易影響路到由正確性和穩(wěn)定性。

通過引入人工智能技術(shù)，可以對一段時(shí)期內(nèi)的擁塞數(shù)據(jù)進(jìn)行聚類分析，識別擁塞網(wǎng)絡(luò)的特征，提取流量規(guī)律并進(jìn)行預(yù)測和模擬，可以用于主動(dòng)式局部調(diào)整或者指導(dǎo)其他人工智能驅(qū)動(dòng)的動(dòng)作，以實(shí)現(xiàn)預(yù)防性控制[11]。

3.2 網(wǎng)絡(luò)切片編排管理

網(wǎng)絡(luò)切片對網(wǎng)絡(luò)的自動(dòng)化、可編程性和模塊化提出了更高的要求和挑戰(zhàn)。網(wǎng)絡(luò)切片實(shí)例的動(dòng)態(tài)創(chuàng)建、變更和終止，以及根據(jù)業(yè)務(wù)需求進(jìn)行動(dòng)態(tài)擴(kuò)縮容等，需要更加智能的技術(shù)來支持網(wǎng)絡(luò)切片的部署和運(yùn)營管理。

利用人工智能技術(shù)，通過對多個(gè)網(wǎng)絡(luò)切片業(yè)務(wù)和資源需求進(jìn)行預(yù)測，在多個(gè)資源池上進(jìn)行合理編排和部署，保障多個(gè)網(wǎng)絡(luò)切片疊加后更加充分地共享基礎(chǔ)設(shè)施。通過預(yù)測在切片內(nèi)的用戶數(shù)、業(yè)務(wù)流量的變化，可以提前給出網(wǎng)絡(luò)切片內(nèi)網(wǎng)元的自動(dòng)擴(kuò)縮容建議，從而實(shí)現(xiàn)對網(wǎng)絡(luò)切片的智能化管理。

3.3 大規(guī)模天線配置

為了充分發(fā)揮大規(guī)模多輸入多輸出（MIMO）的優(yōu)勢，需要對基站的各項(xiàng)參數(shù)進(jìn)行靈活的適應(yīng)性調(diào)整，以應(yīng)對業(yè)務(wù)的變化。面對大量的參數(shù)組合和快速的業(yè)務(wù)變化，迫切需要更加智能的、可自我優(yōu)化的機(jī)制。

引入人工智能技術(shù)可以自動(dòng)識別站點(diǎn)場景，并且能夠?qū)@些場景的用戶分布和業(yè)務(wù)量等進(jìn)行預(yù)測，自動(dòng)完成當(dāng)前最優(yōu)參數(shù)值配置（如通過天線權(quán)值調(diào)整方向、傾角等），改變小區(qū)的覆蓋分布，及時(shí)適應(yīng)用戶分布和業(yè)務(wù)類型，有效提升資源利用率和用戶體驗(yàn)。通過智能估算和迭代，減少最優(yōu)權(quán)值搜索周期，支撐5G無線網(wǎng)絡(luò)的快速部署[11]。

3.4 網(wǎng)絡(luò)告警關(guān)聯(lián)和故障預(yù)測

網(wǎng)絡(luò)日常運(yùn)行會(huì)產(chǎn)生大量告警，網(wǎng)管系統(tǒng)會(huì)進(jìn)行初步的清洗，過濾掉一部分無效告警后再交給人工分析。隨著未來網(wǎng)絡(luò)分層解耦，網(wǎng)絡(luò)各層產(chǎn)生的告警總數(shù)成倍增加，靠人工來分析定位不能滿足需求。

使用人工智能技術(shù)基于大量歷史告警數(shù)據(jù)進(jìn)行訓(xùn)練，可以高效、準(zhǔn)確抽取出有效規(guī)則，清洗減少告警信息的數(shù)量。此外，還可以基于網(wǎng)絡(luò)運(yùn)行狀態(tài)等數(shù)據(jù)進(jìn)行關(guān)鍵特征識別和模式訓(xùn)練，預(yù)先指出可能出問題的設(shè)備或鏈路，幫助運(yùn)維人員準(zhǔn)確預(yù)測和處理故障信息[11]。

3.5 網(wǎng)絡(luò)綠色節(jié)能

網(wǎng)絡(luò)能耗是運(yùn)營商的重要資本性支出（OPEX）支出之一，提高能源效率亦是未來網(wǎng)絡(luò)運(yùn)營的關(guān)鍵要求。網(wǎng)絡(luò)容量是按照網(wǎng)絡(luò)業(yè)務(wù)的峰值要求建設(shè)的，包括無線基站以及集中部署未來NFV網(wǎng)絡(luò)基礎(chǔ)設(shè)施的數(shù)據(jù)中心，大規(guī)模天線和X86服務(wù)器相比傳統(tǒng)網(wǎng)絡(luò)設(shè)備更加耗電。

基于AI的網(wǎng)絡(luò)智能節(jié)能技術(shù)充分考慮了網(wǎng)絡(luò)覆蓋、用戶分布和業(yè)務(wù)特征，輔以負(fù)荷預(yù)測，精準(zhǔn)預(yù)測和選擇熱點(diǎn)小區(qū)，適時(shí)選擇設(shè)備休眠和喚醒時(shí)機(jī)，提供可靠、無縫的用戶體驗(yàn)，使得區(qū)域網(wǎng)絡(luò)資源利用率更高、用戶體驗(yàn)更好，有效降低區(qū)域內(nèi)網(wǎng)絡(luò)能耗[11]。

4 發(fā)展建議

人工智能正在經(jīng)歷60年來的第3次發(fā)展浪潮，大數(shù)據(jù)、深度學(xué)習(xí)和人工智能芯片的發(fā)展為本輪人工智能的發(fā)展應(yīng)用奠定了基礎(chǔ)。引入了5G、SDN/NFV、云計(jì)算等新技術(shù)的通信網(wǎng)絡(luò)面臨著前所未有的挑戰(zhàn)，傳統(tǒng)的人工方式不足以支撐未來網(wǎng)絡(luò)業(yè)務(wù)需求。人工智能技術(shù)在網(wǎng)絡(luò)重構(gòu)的過程中有著廣泛的應(yīng)用場景，必然成為解決未來網(wǎng)絡(luò)運(yùn)營問題的重要手段。

然而，在目前的網(wǎng)絡(luò)人工智能發(fā)展中，仍然存在許多待解決問題，分析和建議如下：

（1）算法設(shè)計(jì)。

AI模型和算法影響AI應(yīng)用效果，模型算法必須和應(yīng)用場景適配。解決不同的問題需要不同的AI模型和算法;不同環(huán)境/應(yīng)用場景下，解決相同問題，不一定能使用相同的AI模型;同一應(yīng)用場景下，隨著業(yè)務(wù)發(fā)展變化，AI模型可能需要迭代優(yōu)化。模型和算法的研發(fā)，須要結(jié)合面向應(yīng)用場景的專業(yè)知識，包括數(shù)據(jù)標(biāo)注、特征提取和模型調(diào)優(yōu)等方面，須要數(shù)據(jù)科學(xué)家與網(wǎng)絡(luò)工程師合作完成。

針對上述問題，建議模型和算法在研發(fā)之初就須要面向具體應(yīng)用場景，結(jié)合實(shí)際應(yīng)用數(shù)據(jù);鼓勵(lì)產(chǎn)學(xué)研用相結(jié)合的網(wǎng)絡(luò)AI應(yīng)用研發(fā)，培養(yǎng)復(fù)合型人才。

（2）數(shù)據(jù)獲取。

數(shù)據(jù)是人工智能技術(shù)得以應(yīng)用的重要基礎(chǔ)，目前普遍存在如下問題：網(wǎng)絡(luò)數(shù)據(jù)量大，采集和存儲(chǔ)成本高;數(shù)據(jù)格式不統(tǒng)一，數(shù)據(jù)可用性較低，數(shù)據(jù)標(biāo)注工作量大;存在數(shù)據(jù)孤島、融合度低、網(wǎng)絡(luò)數(shù)據(jù)與外部數(shù)據(jù)脫節(jié)等情況;缺乏用于AI應(yīng)用研發(fā)的數(shù)據(jù)集。

針對上述問題，建議引導(dǎo)制定各專業(yè)網(wǎng)絡(luò)數(shù)據(jù)采集和存儲(chǔ)的行業(yè)標(biāo)準(zhǔn)，統(tǒng)一各廠家設(shè)備能力;鼓勵(lì)運(yùn)營商、設(shè)備商、互聯(lián)網(wǎng)公司、垂直行業(yè)在數(shù)據(jù)領(lǐng)域進(jìn)行融合;建立各領(lǐng)域的開源數(shù)據(jù)集，用于科研和AI應(yīng)用開發(fā)驗(yàn)證。

（3）算力建設(shè)。

以深度學(xué)習(xí)為代表的AI模型訓(xùn)練需要強(qiáng)大算力支持，目前AI芯片硬件及配套AI開發(fā)工具目前高度依賴以英偉達(dá)GPU、Google Tensor flow為代表的其他國家的產(chǎn)品和技術(shù);GPU在AI訓(xùn)練方面具有明顯優(yōu)勢，基本處于壟斷地位，價(jià)格較高，研發(fā)成本較高。

應(yīng)當(dāng)鼓勵(lì)國產(chǎn)AI芯片及AI工具的發(fā)展，建立健康產(chǎn)業(yè)鏈，并且鼓勵(lì)發(fā)展基于云計(jì)算的AI平臺服務(wù)，按需租用訓(xùn)練所需的算力資源。

參考文獻(xiàn)

[1] 李.新一代人工智能發(fā)展白皮書（2017）[R].中國電子學(xué)會(huì)，2017

[2] YOSHUAB， YANNL， GEOFFREYH. Deep Learning [J]. Nature， 521： 436-444. DOI： 10.1038/nature14539

[3] ETSI. New ETSI Group on Improving Operator Experience Using AI [EB/OL]. （2017-02-21）[2019-01-10].https：//goo.gl/zLZZso

[4] ETSI ISG. Experiential Networked Intelligence [EB/OL]. [2019-01-10].https：//portal.etsi.org/tb.aspx？tbid=857&SubTB=857

[5] ETSI. Experiential GS ENI 001v1.1.1 [R/OL].[2019-01-10].http：//www.etsi.org/deliver/etsi_gr/ENI/001_099/001/01.01.01_60/gr_ENI001v010101p.pdf

[6] ETSI. Experiential GS ENI 002v1.1.1 [R/OL].[2019-01-10].http：//www.etsi.org/deliver/etsi_gs/ENI/001_099/002/01.01.01_60/gs_ENI002v010101p.pdf

[7] ETSI GS ENI 005. Experiential Networked Intelligence （ENI）; System Architecture [EB/OL].[2019-01-10].https：//portal.etsi.org/webapp/WorkProgram/Report_WorkItem.asp？WKI_ID=54085

[8] ETSI GR ENI 006. Experiential Networked Intelligence （ENI）; PoC framework [EB/OL].[2019-01-10].https：//portal.etsi.org/webapp/WorkProgram/Report_WorkItem.asp？WKI_ID=54509

[9] Study of Enablers for Network Automation for 5G： 3GPP TR 23.791[S/OL].[2019-01-10].https：//www.3gpp.org/DynaReport/23-series.htm

[10] ITU-T FG-ML5G. Focus Group on Machine Learning for Future Networks Including 5G[EB/OL].[2019-01-10].https：//www.itu.int/en/ITU-T/focusgroups/ml5g/Pages/default.aspx

[11] 王海寧.網(wǎng)絡(luò)人工智能應(yīng)用白皮書（2018年）[R].SDN/NFV產(chǎn)業(yè)聯(lián)盟，2018