一直以來，人工智能和無線通訊技術都在各自的軌道發展，各自經歷萌芽、爆發、沉寂、復興，彼此卻沒有太大關聯。

蒙著一層科幻色彩的人工智能概念其實已經誕生了60多年。一般認為，1956年的達特茅斯會議是人工智能這一概念的起源。約翰·麥卡錫，1971圖靈獎獲得者，是當年這場會議的發起人。人工智能夏季研討會（Summer Research Project on Artificial Intelligence），這個全新的會議主題讓他成了第一個正式使用AI概念的人。在這場會議的半個多世紀前，意大利人伽利爾摩·馬可尼剛剛實現了人類歷史上首次無線電通信，雖然當時的通信距離只有30米，但也算敲開了無線通信時代的大門。

歷史發展至今，深度學習與大數據引領的第三次AI浪潮正在進行，無線通訊技術已經走過1G、2G、3G、4G，全球的運營商都開始談論5G網絡。在這樣一個時點，兩項備受矚目的技術出現了交匯的契機。

分享主題如下：

AI與5G的契合點

5G如何促進AI發展

為什么5G需要AI

AI在5G中的應用場景

5G和AI是密不可分的兩大戰略發展領域

5G和AI是兩大毋庸置疑的戰略發展領域。從5G的角度來看，GSMA在2017年發布了一個白皮書——《5G開啟無線連接與智能自動化的時代》，這份報告為全球的通訊行業描繪了一個非常美好的前景：到2025年，5G的連接數量將會超過11億，約占全球移動連接數的12%，覆蓋超過全球1/3的人口數量。5G也會為運營商帶來超過2.5%的年均復合增長率（GAGR），2025年，收入將達到1.3萬億美元的體量。

From GSMA

這份報告同時還對全球750位運營商的CEO以及設備商的高級項目經理做了一個調研，其中包括“5G將主要支持什么業務？”。結果顯示，83%的人都選擇了AI驅動的業務。可見，AI驅動的業務會是5G主要的應用場景。

從AI使能5G這個角度來看，AI其實可以用在各行各業，不只是通信行業。經歷了這幾十年的發展，電信行業將是AI最大的細分市場，Tractica/Ovum的全球調研報告指出，到2025年，全球電信行業對人工智能軟件、硬件和服務的投資預計將達367億美元。電信行業的AI年收入額將以48.8%的年復合增長率，從現在的3.157億美元增長至2025年的113億美元左右。這個體量也是相當大的。

但是我們可以通過對比發現，電信行業AI的體量比起5G的體量還是要小很多。5G是1.3萬億美元的收入，AI是113億美元的收入，差距100倍以上。我們把AI投入到電信行業，如果能把5G的收入增加1%或10%，把5G網絡建設的成本降低1%或10%，對運營商來說，那將是一筆非常可觀的收入。

因此，5G和AI是密切相關、互相促進的一種關系。

5G促進AI應用發展

相比4G網絡，5G主要是在用戶的吞吐量、端到端時延與連接密度方面有非常大的增強。正是因為這種增強，5G網絡能承載許多4G網絡現在無法承載的智能業務。

比如智能醫療，像遠程手術這類場景對時延、圖像識別的要求非常高，用4G網絡承載可能滿足不了圖像傳輸的時延、帶寬的要求，而5G具備低時延、大帶寬的特點，它可以針對智能醫療中的遠程手術做很好的承載。

比如智能交通，未來在5G uRLLC低時延的場景下，自動駕駛也可以得到更好的支持。還包括智能家居、智能電網、智能農業這種IoT類的，它們對連接密度有非常高的要求。5G面向高密度連接的mMTC場景也能為這些智能業務提供非常好的承載。還有工業自動化，它對時延的要求和自動駕駛不相上下，需要精確地控制一些工業設備來完成各個零件的組合和裝配。

未來有了5G網絡，這些AI驅動的智能化業務都能得到更好的發展。

AI促進5G商用部署

另外一方面我們來看，為什么5G網絡的商用部署離不開人工智能。人工智能已經發展了60多年，我們的通信網絡也不是現在才有的。那為什么人工智能到了5G就成為必不可少的技術呢？我們從三方面來看：1. 新型網絡架構；2. 新型空口技術；3. 新型部署方式。

新型網絡架構

在5G網絡，我們引入了SBA（Service-based Architecture）網絡架構和網絡切片。網絡切片可以針對用戶的需求，來組合切片中用到的網元和虛擬網元；根據業務量的變化動態地分配虛擬網元的資源或者是承載資源。但這種按需分配和網絡架構層面的動態調整是傳統的人工手段無法支持的。

傳統的網絡架構調整，周期是以年計的，一般以年為周期來規劃和部署，一旦部署下去，長時間內不會改變。未來，這種網絡資源方面的調整，很可能會以小時計。這種高頻率的，針對網絡資源的精確投放，就需要人工智能技術來輔助實現。

新型空口技術

5G空口兩個最重要的特征：一個是Massive MIMO或者3D Massive MIMO（大規模天線）；另一個是高頻通信。Massive MIMO帶來天線數量的增加，功率的增加。按已經能看到5G頻率和4G頻率的對比來說， 5G頻率比4G頻率基本上會高至少一倍。4G從1.8G到2.5G，5G從2.6G到4.9G。這個頻率的升高意味著，每個站點覆蓋的面積會變小，站點的數量會變多。

據我們已經了解的，5G基站的耗電量最低也在2700千瓦左右，至少是4G基站的3倍。所以大量地部署5G基站，會給我們帶來非常高的耗電成本。因此，我們一定要引入基于人工智能的手段來做5G基站的節能，包括Massive MIMO智能化的配置，根據用戶分布和場景的智能化識別，來考慮的一些智能化的載波關斷技術等等來優化無線網絡。

新型部署方式

5G核心網都是基于虛擬云化部署的，另外引入了一個重要的概念，邊緣計算（Multi-access Edge Computing， MEC）。未來有很多5G網元會以虛擬化的形式部署在數據中心，而且這個數據中心的數量會很多，除了大區的省市的，還會有一些邊緣的，甚至下沉到接入局所，一些有條件的機房，也會放這些服務器，比如去做5G UPF（User plane Function，用戶面功能）的下次，面向本地業務的平臺部署和流量卸載等等。

在承載同樣業務量的情況下，服務器的耗電相比傳統的網絡設備來說，也會有較大的增加。所以，從部署方式來講，我們也需要引入一些人工智能和大數據的手段去做數據中心的節能，對機房整體制冷系統的控制和節能，來減少OPEX（Operating Expense）的支出。

從以上三個大的方面來講，5G是運營商面臨的最復雜的網絡，需要大量的投資，包括固定投資和運營的投資。很多5G網絡的維護工作是傳統的人工方式沒有辦法滿足的，迫切地需要引入人工智能手段來支撐5G網絡真正的大規模商用部署。

AI在5G中的應用場景

應用場景1：5G端到端切片智能編排和運營

5G端到端切片智能編排

采集數據，掌握網絡的實時運行狀況

利用人工智能技術，根據歷史數據和實時數據對網絡業務以及相應的資源需求進行預測和評估

給出恰當的建議措施（如網絡切片的擴容、縮容、變更等）

5G端到端切片智能運營

網絡切片不是一段核心網或無線就能搞定的，可能是無線加上承載網加上核心網。對用戶來說，這種快速的開通和按需變更要能做到端到端的自動化管理。引入切片服務智能客服，能夠提供智能化的交流、咨詢、切片套餐推薦等服務，并完成智能化的端到端切片業務開通。

應用場景2：基于AI的Massive MIMO參數優化

5G 引入Massive MIMO技術后，無線側配置參數的pattern組合有了指數級的增加。我們了解到，3G無線配置的組合是13種，4G大概有283種，5G大約是13000種。就算可以梳理一些基本的配置模板，但在后面的優化過程中，也還是會涉及各個參數的調整。所以，需要在這件事上引入人工智能的技術，來實現5G大規模天線復雜參數的智能化配置智能權值搜索和監控

基于UE（User Equipment，用戶終端）的分布情況，根據覆蓋用戶數最多的原則，搜索和預測最優的水平/垂直波瓣寬度，方位角和下傾角。

UE位置估算和預測

基于收集的信息可以估算UE的位置及分布

MM基站周期性收集一段時間內小區內所有UE的位置信息

場景自學習

可充分運用于類似體育賽事、演唱會等大型活動。

比如，利用MR（Measurement Report，測量報告）信息描繪出終端在體育館內的大致分布，進一步利用分布識別場景。根據不同場景，推薦最優權值，并將最終的權值反饋到場景識別模塊，使得推薦不斷進化。

應用場景3：AI輔助的智能無線網絡規劃

這件事其實在4G網絡上已經在開展了。無線網絡開通前后要做路測和評估，根據收集上來的MR信息，對多個場景進行識別和分析。綜合用戶投訴、各種網絡優化的KPI等要素做大數據分析以及AI輔助的決策，幫助運維人員更好地確定把站點部署在哪里，如何配置參數，哪些質差小區能通過擴容來解決，以及哪些是無法通過擴容來解決的……并會給到一個整體的網絡部署的評估。

在5G網絡部署的時候，也一定會考慮基于4G網絡的大數據和AI分析，來決定應該在哪里部署5G的站點，以及一些4G、5G協同的調整。

應用場景4：基于AI的智能邊緣計算

邊緣計算在5G階段是非常重要的發展方向，它在邊緣的DC（數據中心）里引入了服務器，也引入了支持AI運算的能力，使得可以在邊緣節點上，配合中心的DC以及用戶的終端來做AI業務的智能優化。

主要有以下四點——

本地緩存

基于AI對用戶的業務流和用戶移動模式進行預測分析，有針對性地確定預存內容和內容推送，從而提高內容分發效率。

智能定位

通過位置已知的終端測量的各無線通信系統信號特征，借助AI、大數據收集分析和邊緣計算節點的實時計算能力，利用指紋信息指導實際應用中的終端定位。

頻譜感知

邊緣計算節點，基于不同無線系統的頻譜測量結果，利用AI技術對各無線系統在不同區域的無線環境特征、用戶行為特征，以及不同用戶的業務特征等，進行分析建模，支撐具體應用場景。

業務感知

在邊緣節點上部署高算力的硬件解析資源，結合AI和大數據能力，分析挖掘數據、業務和無線環境之間的內在關聯，提供更為準確、智能的業務特性識別。

網絡邊緣緩存已成為內容分發的趨勢，可大幅提升用戶體驗、網絡吞吐量和能效。AI技術可預測用戶偏好，精準推薦內容給用戶，并結合用戶推薦預測無線邊緣緩存。

應用場景5：智能基礎設施節能

基于AI的智能基站節能

在5G的基站中，希望通過AI輔助的業務分析、場景識別建立一個流量變化模型，來控制載波的智能關斷，從而降低基站功耗。

基于AI的數據中心（DC）節能

通過自動學習數據中心里服務器上的業務、流量的變化模式，根據這些信息，在非高峰時間段，把一些可遷移的業務集中部署在某一些服務器上，把空閑的服務器置成“睡眠”狀態，同時會考慮整個機房制冷的控制。工作狀態的服務器會消耗200-500W，睡眠狀態的服務器僅消耗20W。DC實際的負載情況對效果會有一些影響。

應用場景6：AI輔助的運維優化

網絡故障預測

從傳統的事后優化轉化為事前的預測和提前防備。網絡健康度檢查

基于大數據和人工智能技術的網絡健康度分析，預測網格內未來一天、一周、一月的小區網絡質量并提前預警，針對質差小區，分析引起質差的關鍵指標及可能的原因。

網絡告警關聯和故障定位

傳統網絡運維管理人員分析網絡警告、判斷告警原因、查找告警根源、定位并排除故障，耗時耗力。神經網絡系統通過不斷學習和訓練，計算、翻譯和調整分布于神經網絡當中的連接權值，以整體的方式表達關聯規則和故障診斷結果，準確定位網絡故障。