2024 版 ICT服務(wù)與軟件 2030

目錄01宏觀趨勢(shì)與展望 040102ICT服務(wù)與軟件2030未來(lái)場(chǎng)景 0602規(guī)建+AI：SLA從不確定性到確定性 06規(guī)建AI+：從數(shù)字化集成到“系統(tǒng)工程”集成 08運(yùn)維+AI：從“面向網(wǎng)絡(luò)”到“面向業(yè)務(wù)” 10運(yùn)維AI+：從服務(wù)“人”到服務(wù)“機(jī)器”的運(yùn)維 12維優(yōu)+AI：從人等網(wǎng)絡(luò)到網(wǎng)絡(luò)等人，激發(fā)體驗(yàn)變現(xiàn)意愿 13維優(yōu)AI+：基于智能內(nèi)生的網(wǎng)絡(luò)優(yōu)化Agent 14營(yíng)銷+AI：數(shù)智新業(yè)務(wù)，敏捷創(chuàng)新，牽引新增長(zhǎng) 15營(yíng)銷+AI：從成本中心到“效益中心” 16賦能+AI：從“基于文檔的信息體系”到“基于Token/Pitch的知識(shí)體系” 17賦能AI+：從“人找知識(shí)”到“知識(shí)找人” 1803ICT服務(wù)與軟件2030愿景及核心技術(shù) 20數(shù)字孿生 20模型驅(qū)動(dòng) 22ICT融合交付 23數(shù)據(jù)工程 24以業(yè)務(wù)為中心 25平臺(tái)智能化 2704ICT服務(wù)與軟件2030倡議 2805附錄（參考、縮略語(yǔ)） 29050101宏觀趨勢(shì)與展望新技術(shù)、新業(yè)務(wù)、新范式等帶來(lái)無(wú)限新可能，引發(fā)無(wú)限新暢想，同時(shí)也引入諸多不確定性人類正加速邁入智能世界，數(shù)字化、智能化、低碳化的確定性發(fā)展趨勢(shì)已成共識(shí)。面向2C的裸眼3D，AI背包，自動(dòng)駕駛以及面向2B的工業(yè)制造無(wú)燈工廠，基于“機(jī)械手，機(jī)械臂”的智慧礦山，智慧港口正在加速到來(lái)；以GenAI為代表的大模型、人工智能、5G-A、超大規(guī)模算力集群、液冷數(shù)據(jù)中心、數(shù)字孿生、智能體等新技術(shù)一日千里；新的知識(shí)和數(shù)據(jù)管理體系、平臺(tái)智能化、大小模型協(xié)同、AIforNetwork、NetworkforAI等新范式應(yīng)運(yùn)而生，三者協(xié)同共進(jìn)為數(shù)智新業(yè)務(wù)的創(chuàng)新和涌現(xiàn)提供了支撐，引發(fā)無(wú)限新暢想，創(chuàng)造無(wú)限新可能。要將每一代新技術(shù)、新范式引入生產(chǎn)環(huán)境，釋放新的生產(chǎn)力，都需做到在現(xiàn)有業(yè)務(wù)生產(chǎn)環(huán)境和諧共生基礎(chǔ)上持續(xù)平滑演進(jìn)，能對(duì)“復(fù)雜性和不確定性”有效管控，實(shí)現(xiàn)ICT基礎(chǔ)設(shè)施全生命周期有序演進(jìn)，及時(shí)滿足新業(yè)務(wù)、新體驗(yàn)

對(duì)ICT基礎(chǔ)設(shè)施新能力的需求，激發(fā)新創(chuàng)新，實(shí)現(xiàn)新體驗(yàn)的持續(xù)升級(jí)，最大化投資效益，從而驅(qū)動(dòng)行業(yè)數(shù)智化轉(zhuǎn)型的加速。如AI教母李飛飛所言：AI是一門滲透式技術(shù)，會(huì)像水一樣影響每個(gè)人，每個(gè)行業(yè)。隨著新業(yè)務(wù)，新技術(shù)，新范式的持續(xù)演進(jìn)，未來(lái)的ICT服務(wù)和軟件行業(yè)也將迎來(lái)更大的不確定性，我們需要思考如何讓如此多的新業(yè)務(wù)、新技術(shù)、新范式釋放出商業(yè)價(jià)值和技術(shù)紅利的同時(shí)，也要同步考慮如何通過(guò)新技術(shù)來(lái)改善自身全生命周期的競(jìng)爭(zhēng)力：+AI：如面向千行百業(yè)，萬(wàn)物“智”連，SLA帶來(lái)的不確定性，網(wǎng)絡(luò)故障爆炸半GenAIAI做的事情AI+：如大模型，機(jī)器人，具身智能體已成為未來(lái)服務(wù)模式不可分割的一部分，如何通過(guò)Agent+++平臺(tái)的模式，提升規(guī)建維優(yōu)營(yíng)培效率，改善成本和模式，AI需要幫助服務(wù)做的事情。ICT服務(wù)與軟件2030未來(lái)場(chǎng)景：AI+改變服務(wù)模式，+AI帶來(lái)眾多服務(wù)新場(chǎng)景不確定性不確定性SLA確定性SLA服務(wù)56000+客戶信息體系 知識(shí)體系數(shù)字交付系統(tǒng)工程交付人找知識(shí)知識(shí)找人攜手6200+伙伴超大上行，低延遲，6個(gè)9規(guī)從基于人的“信息系統(tǒng)”轉(zhuǎn)向基于模型的“知識(shí)體系”基于MFU，線性度的規(guī)劃設(shè)計(jì)建知識(shí)體系融合伙伴人員培 生產(chǎn)流，實(shí)時(shí)推送服務(wù)AI+服務(wù)AI+ICT服務(wù)與軟件2030場(chǎng)景服務(wù)AI+服務(wù)AI+服務(wù)人服務(wù)智能體維營(yíng)成本中心利潤(rùn)中心面向網(wǎng)絡(luò) 面向業(yè)務(wù)優(yōu)數(shù)字業(yè)務(wù) 數(shù)智業(yè)務(wù)以智能體為中心的感知，分析及工具加速智能化轉(zhuǎn)型基于數(shù)據(jù)的運(yùn)營(yíng)促進(jìn)用戶發(fā)展和維挽加速釋放技術(shù)紅利面向“業(yè)務(wù)”的運(yùn)維運(yùn)維“anytimeanywhere”實(shí)時(shí)營(yíng)銷面向2030年，未來(lái)已來(lái)，如何用確定性的服務(wù)能力來(lái)解決眾多不確定的+AI和AI+的需求，是每一個(gè)ICT人需要思考的關(guān)鍵問(wèn)題…0202ICT服務(wù)與軟件2030未來(lái)場(chǎng)景規(guī)建+AI：SLA從不確定性到確定性2030GartnerIMT2030年預(yù)測(cè)，AR/VR/MR30的終端2030也將成為現(xiàn)實(shí)，基于“機(jī)械臂，機(jī)械手”的黑燈工廠，無(wú)人礦山隨著行業(yè)智能化成為企業(yè)剛需；同時(shí)智能體、機(jī)器人也將逐步取代當(dāng)前人類大部分重復(fù)性工作，

2030AIAgent活躍用戶數(shù)將60ICT203045%Agent覆蓋，100的角色將擁有自身Co-pilot，不僅包括虛擬世界中的數(shù)字分身，還包括物理世界的具身智能，比如工業(yè)機(jī)器人，服務(wù)機(jī)器人，陪伴機(jī)器人，自動(dòng)無(wú)人機(jī)，自動(dòng)駕駛汽車等，這些新的服務(wù)對(duì)象會(huì)對(duì)未來(lái)的網(wǎng)絡(luò)規(guī)劃產(chǎn)生極大的不確定性。行業(yè)業(yè)務(wù)類型業(yè)務(wù)對(duì)網(wǎng)絡(luò)的要求數(shù)量業(yè)務(wù)可用（單用戶、單業(yè)務(wù)）安全可信帶寬需求/單用戶（Mbps）業(yè)務(wù)時(shí)延需求（ms）B1B2B3B4B5T1T2T3T4T5S1S2M1M2M31~1010~2020~5050~100>10050~10020~5010~205~10<5可視可管可運(yùn)營(yíng)智能醫(yī)療16K遠(yuǎn)程診療101G監(jiān)測(cè)護(hù)理2K全息遠(yuǎn)程手術(shù)510G智能電網(wǎng)視頻巡檢-電網(wǎng)控制-無(wú)線監(jiān)測(cè)-智能制造工廠環(huán)境100信息采集10K操作控制1K參考信通院《5G端到端切片行業(yè)SLA需求研究報(bào)告》SLA主要要求的是通話接通率，掉話率，MOS（平均意見(jiàn)值），呼叫建立時(shí)延，追求的是在人的主觀體驗(yàn)承受范圍內(nèi)的體驗(yàn)需求，Agent2C生活2BSLA來(lái)保障生活中的極致體驗(yàn)和生產(chǎn)不中斷，如自動(dòng)駕駛，低空經(jīng)濟(jì)，智慧港口等場(chǎng)景一旦發(fā)生問(wèn)題很容易導(dǎo)致全行業(yè)跨城市，跨國(guó)際的重大災(zāi)難，所SLA的高可靠性。從商業(yè)角度來(lái)看，“萬(wàn)物智聯(lián)”的網(wǎng)絡(luò)相比面圍繞“人”感知的體驗(yàn)傳播模型，提供人的最優(yōu)體驗(yàn)

向“人”的網(wǎng)絡(luò)難以直接用傳統(tǒng)的套餐/DOU/滲透率來(lái)計(jì)算投資回報(bào)。每類場(chǎng)景均面臨不同的商業(yè)模式及建網(wǎng)需求，需要結(jié)合各區(qū)域、城市的“智能化程度”來(lái)進(jìn)行精細(xì)化的建網(wǎng)規(guī)劃和上市節(jié)奏，所以“滴灌式投資”對(duì)系統(tǒng)集成的TTM的要求會(huì)更高。如何在復(fù)雜的業(yè)務(wù)場(chǎng)景中快速搶得市場(chǎng)先機(jī)，需要結(jié)合確定性的業(yè)務(wù)場(chǎng)景SLA需求進(jìn)行快速網(wǎng)絡(luò)升級(jí)和ROI。規(guī)劃更需要通過(guò)數(shù)字孿生構(gòu)建網(wǎng)絡(luò)實(shí)時(shí)仿真能力，基于未來(lái)網(wǎng)絡(luò)建設(shè)業(yè)務(wù)場(chǎng)景化需求變化快速規(guī)劃網(wǎng)絡(luò)目標(biāo)網(wǎng)，通過(guò)規(guī)劃設(shè)計(jì)快速在虛擬世界孿生物理世界的業(yè)務(wù)及網(wǎng)絡(luò)變化，構(gòu)建面向人和“機(jī)器”的傳播模型及網(wǎng)絡(luò)性能仿真預(yù)測(cè)，同時(shí)要求規(guī)劃成為小周期迭代。精準(zhǔn)度實(shí)現(xiàn)99.9%，TTM相比當(dāng)前提升50%。圍繞“機(jī)器+物”的感知傳播模型，提供機(jī)器的最優(yōu)感知MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立時(shí)延虛警率↓5%掉話率，抖動(dòng)↓10%99.64%MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立時(shí)延虛警率↓5%掉話率，抖動(dòng)↓10%99.64%98.51%1.1%接通率0.4%0.82%0.4%掉話率感知覆蓋率↑10%感知精度30m↑15%規(guī)建AI+：從數(shù)字化集成到“系統(tǒng)工程”集成1.00.80.61.00.80.60.40.201000卡 2000卡 4000卡 8000卡卡數(shù)AI代表模型訓(xùn)練卡數(shù)CatGPT千卡GPT-4萬(wàn)卡Gmi5.4萬(wàn)TPUGrok210萬(wàn)卡GI百萬(wàn)卡（星際之門計(jì)劃）99.90% 99.95% 99.99%集群隨Scalinglaw規(guī)模越來(lái)越大，Grok2和星際之門計(jì)劃已經(jīng)逐漸擴(kuò)展到十萬(wàn)卡，百萬(wàn)卡，字節(jié)在2024年2月發(fā)布12288個(gè)GPU訓(xùn)練175B的MegaScale系統(tǒng)，比肩谷歌，達(dá)到業(yè)界目前萬(wàn)卡集群最高水平。字節(jié)用了多達(dá)9種優(yōu)化方法，也只把MFU做到55%，距離MFU（最高95%)仍有巨大的差距，MFU每提升1PCT，將會(huì)帶來(lái)上千萬(wàn)成本的成本節(jié)省，數(shù)倍的性能提升以及訓(xùn)練TTM的縮短，同時(shí)根據(jù)Mason預(yù)測(cè)，當(dāng)前智算OPEX相比傳統(tǒng)通算OPEX上漲35%，2050年將上漲50%以上，主要是水，電等。全棧DCL1&L2聯(lián)動(dòng)AI節(jié)能和高M(jìn)FU規(guī)劃將成為智算中心剛需。

AI業(yè)務(wù)對(duì)智算網(wǎng)絡(luò)的需求和競(jìng)爭(zhēng)力構(gòu)建方向也完全不同，如不同的LLM，小模型訓(xùn)練推理場(chǎng)景：算力、網(wǎng)絡(luò)帶寬、網(wǎng)絡(luò)延遲、內(nèi)存系統(tǒng)架構(gòu)要具備足夠的靈活性。網(wǎng)絡(luò)作為聯(lián)接底座，將‘算’‘存’靈活配置組合，以適配不同場(chǎng)景，沒(méi)有一種業(yè)務(wù)同時(shí)需要5種能力，以網(wǎng)補(bǔ)算、以算補(bǔ)存、以存代算，“網(wǎng)存算協(xié)根據(jù)普華永道預(yù)測(cè)，2030年前通過(guò)相同算力需300%的優(yōu)化空間，所以面對(duì)未來(lái)高復(fù)雜的MFU和線性度要求，基于“系統(tǒng)工程”的集成服務(wù)將成為行業(yè)剛需。AI業(yè)務(wù)計(jì)算算力網(wǎng)絡(luò)帶寬網(wǎng)絡(luò)延遲內(nèi)存帶寬內(nèi)存容量LLM訓(xùn)練LLM推理(Prefill)LLM推理(decode)推薦系統(tǒng)訓(xùn)練推薦系統(tǒng)推理訓(xùn)練數(shù)據(jù)/知識(shí)作業(yè)及記錄，記錄即數(shù)據(jù)--> 已不夠用，知識(shí)數(shù)據(jù)亟需積交付數(shù)據(jù)（持續(xù)積累）：靜態(tài)知識(shí)->思維鏈+DSL語(yǔ)言交付平臺(tái)(IT)支撐交付平臺(tái)(IT)支撐協(xié)同調(diào)用現(xiàn)場(chǎng)單兵裝備手機(jī)/卷尺-->智能作戰(zhàn)裝備XR+AI本地離線->端云協(xié)同，智慧具身交付大腦工具：?jiǎn)螜C(jī)/功能-->Copilot，思維鏈，場(chǎng)景化Agents決策：經(jīng)驗(yàn)/責(zé)任-->算法尋優(yōu)，數(shù)據(jù)透視，輔助決策WSD/WDT… CoreMaster… MOSS/FOCopilot…持續(xù)訓(xùn)練，多種模型，各種外掛，靈活調(diào)用工具Silo工具-->原子化CDE…垂直領(lǐng)域調(diào)用->組合->創(chuàng)造工具平臺(tái)、工程師、物理集中--->交付AgentsCopilot企業(yè)：場(chǎng)景各異，金額小運(yùn)營(yíng)商：場(chǎng)景標(biāo)準(zhǔn)，金額大交付模式未來(lái)交付模式降從傳統(tǒng)的人+工具物理集中Agent+Copilot邏輯集中。傳統(tǒng)的交付是按照站點(diǎn)數(shù)量配人，如3000100人交

付90天，且資源需要隨交付地點(diǎn)進(jìn)行安排交付隊(duì)伍。未來(lái)的交付將更集中化。在集團(tuán)，省構(gòu)建集中化交付中心，通過(guò)Agent，Copilot進(jìn)行站點(diǎn)勘測(cè)。MOP設(shè)計(jì)、原廠配置等等；現(xiàn)場(chǎng)工作將更加聚焦和流程化。同時(shí)，以前的交付項(xiàng)目經(jīng)理和技術(shù)項(xiàng)目經(jīng)理非常重要。他們掌握著各類項(xiàng)目的項(xiàng)目管理，關(guān)鍵技術(shù)，工具平臺(tái)能力；未來(lái)，模型和應(yīng)用，是主要的集成服務(wù)構(gòu)建者和交付者。人機(jī)協(xié)同，數(shù)據(jù)驅(qū)動(dòng)將進(jìn)一步驅(qū)動(dòng)交付組織扁平化，交付效率提升50%以上。人服務(wù)的構(gòu)建者和交付者流程工具人服務(wù)的構(gòu)建者和交付者流程工具智能系統(tǒng)服務(wù)的主要構(gòu)建者和交付者人：服務(wù)的協(xié)作者和部分交付者智能工具人員規(guī)模與收入線性增長(zhǎng)服務(wù)價(jià)格高，工具輔助人

用智能系統(tǒng)替代大部分人員，從純?nèi)斯ど?jí)為人機(jī)協(xié)同由智能系統(tǒng)自動(dòng)生成流程和數(shù)據(jù)驅(qū)動(dòng)，多并行作業(yè)從功能性工具升級(jí)為智能性工具效率更高運(yùn)維+AI：從“面向網(wǎng)絡(luò)”到“面向業(yè)務(wù)”2030年，隨著網(wǎng)絡(luò)架構(gòu)逐漸復(fù)雜，運(yùn)維的對(duì)象更加復(fù)雜：云、網(wǎng)、存、邊、端，網(wǎng)絡(luò)操作更難去判斷，對(duì)網(wǎng)絡(luò)變更工程師的要求也5年前，2024ICT網(wǎng)絡(luò)重大故障數(shù)量占比提升了45%。關(guān)鍵問(wèn)題就是隨著網(wǎng)絡(luò)越來(lái)越復(fù)雜，

傳統(tǒng)基于“網(wǎng)絡(luò)”的運(yùn)維無(wú)法感知終端業(yè)務(wù)，從網(wǎng)元→性能→體驗(yàn)→商業(yè)，難以全棧進(jìn)行數(shù)據(jù)和算法關(guān)聯(lián)打通。隨著智能化GenAI,大模型，數(shù)字孿生等技術(shù)的快速發(fā)展，從面向“網(wǎng)絡(luò)”到面向“業(yè)務(wù)的運(yùn)維”將成為未來(lái)新趨勢(shì)。2個(gè)數(shù)字孿生“價(jià)值穿透”

價(jià)值躍升 成本最“人”萬(wàn)級(jí)FO/BO/FME成本與質(zhì)量最佳平衡時(shí)空數(shù)字孿生“人”萬(wàn)級(jí)FO/BO/FME成本與質(zhì)量最佳平衡時(shí)空數(shù)字孿生商業(yè)體驗(yàn)網(wǎng)絡(luò)數(shù)字孿生性能網(wǎng)元“物”十萬(wàn)級(jí)備件/車輛/油機(jī)…“物”十萬(wàn)級(jí)備件/車輛/油機(jī)…“事”百萬(wàn)級(jí)FM/PM/CM…“事”百萬(wàn)級(jí)FM/PM/CM…傳輸故障3

2個(gè)大模型+tLLM大模型語(yǔ)義理解網(wǎng)絡(luò)大模型網(wǎng)絡(luò)理解nt業(yè)務(wù)解析與調(diào)用①價(jià)值與運(yùn)維作業(yè)關(guān)聯(lián) ②資源與成效直接關(guān)聯(lián)10月級(jí)天級(jí)月級(jí)天級(jí)百萬(wàn)卡預(yù)測(cè)：響應(yīng)0.5天，恢復(fù)預(yù)計(jì)周級(jí)（中斷一次損失億元）十萬(wàn)卡預(yù)測(cè)：響應(yīng)1-2h，恢復(fù)預(yù)計(jì)天級(jí)（中斷一次損失千萬(wàn)）小時(shí)級(jí)分鐘級(jí)千卡：響應(yīng)10分鐘，恢復(fù)小時(shí)級(jí)（中斷一次6000元+）萬(wàn)卡預(yù)測(cè)：響應(yīng)30min，恢復(fù)2/4/6/8小時(shí)級(jí)（中斷一次損失10萬(wàn)+）千卡 萬(wàn)卡 十萬(wàn)卡 百萬(wàn)卡同時(shí)，算力網(wǎng)絡(luò)隨著scalinglaw的逐步演進(jìn)，十萬(wàn)卡，百萬(wàn)卡已經(jīng)成為大模型廠商的標(biāo)配。傳統(tǒng)基于網(wǎng)絡(luò)的運(yùn)維已經(jīng)不可實(shí)現(xiàn)。某互聯(lián)網(wǎng)廠商數(shù)十萬(wàn)卡訓(xùn)練集群報(bào)告表明，54天訓(xùn)練，466841%中斷為軟件異常、電纜問(wèn)題，網(wǎng)絡(luò)故障等。如果還延續(xù)當(dāng)前的運(yùn)維模式，2030年預(yù)計(jì)百萬(wàn)卡中斷一次損失超過(guò)億元。面向傳統(tǒng)網(wǎng)絡(luò)的運(yùn)維，我們主要以事前、事中、事后來(lái)應(yīng)對(duì)重大和緊急的復(fù)雜網(wǎng)絡(luò)變更。事前通過(guò)維護(hù)工程師提前做好緊急預(yù)案，做好相應(yīng)的緊急預(yù)案來(lái)防止未來(lái)可能的業(yè)務(wù)影響；事中提前做好網(wǎng)絡(luò)變更操作腳本，規(guī)范工程師操作原則；事后回溯總結(jié)，迭代事前和事中不足，作為后續(xù)案例支撐。隨著網(wǎng)絡(luò)越來(lái)越復(fù)雜，這種傳統(tǒng)的運(yùn)維方式很難去完全規(guī)避人為誤操作帶來(lái)的重大事故。X局點(diǎn)僅僅因?yàn)楣こ處熢诹髁块y值配置上多輸入了一個(gè)“0”引發(fā)信令風(fēng)暴，就導(dǎo)致全省3000萬(wàn)通訊中斷兩天。隨著GenAI,數(shù)字孿生，知識(shí)圖譜，具生智能等

業(yè)務(wù)”的智能化運(yùn)維來(lái)取代傳統(tǒng)“基于網(wǎng)絡(luò)”的運(yùn)維已經(jīng)成為業(yè)界共識(shí)，2030年，30%領(lǐng)先的運(yùn)營(yíng)商隨著智能化展開(kāi)將結(jié)合5GA部署數(shù)字孿生系統(tǒng)：以終為始，通過(guò)運(yùn)維業(yè)務(wù)需求反向簡(jiǎn)化算網(wǎng)E2E數(shù)據(jù)實(shí)時(shí)可視和實(shí)時(shí)可獲取性。網(wǎng)絡(luò)實(shí)時(shí)數(shù)字孿生：構(gòu)建運(yùn)維知識(shí)圖譜測(cè)量網(wǎng)絡(luò)問(wèn)題對(duì)業(yè)務(wù)的影響，通過(guò)數(shù)字孿生關(guān)聯(lián)物理世界和數(shù)字之間的關(guān)系以及業(yè)務(wù)關(guān)聯(lián)，KQIKPI之間的梳理，實(shí)現(xiàn)每個(gè)操作和變更對(duì)業(yè)務(wù)的直接影響可視可管。圍繞業(yè)務(wù)級(jí)運(yùn)維重新構(gòu)筑新的應(yīng)用，打通網(wǎng)ICT運(yùn)維全局可視可管?；谝陨夏芰?，故障恢復(fù)時(shí)長(zhǎng)將從天級(jí)走向小時(shí)級(jí)，網(wǎng)絡(luò)故障響應(yīng)從小時(shí)級(jí)走向秒級(jí)，備板替4/按周定期替換。新技術(shù)的不斷發(fā)展，面向未來(lái)如何實(shí)現(xiàn)“基于 面向業(yè)務(wù)運(yùn)維:從產(chǎn)品協(xié)議→孿生平臺(tái)→服務(wù)轉(zhuǎn)型的全棧打通MFU性能監(jiān)控集群加速流量地圖 客戶智算集群 模型訓(xùn)推數(shù)字孿生 MFU性能監(jiān)控集群加速流量地圖

業(yè)務(wù)級(jí)數(shù)據(jù)采集機(jī)理建模網(wǎng)絡(luò)孿生智算機(jī)理模型推理數(shù)據(jù)采集機(jī)理建模網(wǎng)絡(luò)孿生智算機(jī)理模型推理訓(xùn)練

軟探針物理→數(shù)字孿生體系軟探針

運(yùn)營(yíng)運(yùn)維運(yùn)維AI+：從服務(wù)“人”到服務(wù)“機(jī)器”的運(yùn)維傳統(tǒng)數(shù)字化時(shí)代，運(yùn)維的工具，流程均是圍繞人來(lái)設(shè)計(jì)的，而智能化時(shí)代的人機(jī)協(xié)同模式，并不需要每個(gè)人都參與，人機(jī)界面非常清晰，人，流程，工具均圍繞機(jī)器來(lái)解決問(wèn)題：一線分責(zé)一線分責(zé) 非網(wǎng)絡(luò)問(wèn)題投訴閉環(huán)二線分責(zé) 網(wǎng)絡(luò)分責(zé)專業(yè)室排障 TT工單FME上站Smartcare投訴定界OWS故障定位和遠(yuǎn)程處理裝維助手客服Tier2:30人FO:50人，BO：95人FME：325人客戶 群障 客原因 原因 回客服Tier1:120人IVRAICC客訴處理終端原因無(wú)線原因終端原因終端原因無(wú)線原因終端原因性能原因FO分責(zé)配置問(wèn)題預(yù)防預(yù)測(cè)現(xiàn)場(chǎng)問(wèn)題網(wǎng)管查詢配置修改問(wèn)題描述問(wèn)題回單一線分責(zé)一線分責(zé) 非網(wǎng)絡(luò)問(wèn)題 投訴閉環(huán)二線分責(zé) 性能定位和排障專業(yè)室排障 FME上站API調(diào)用AICCAgentFCR＞85%CRM計(jì)費(fèi)API調(diào)用Agent分責(zé)定位SmartcareSEQAPI調(diào)用運(yùn)維分析保障Agent分責(zé)定位網(wǎng)管AUTINAPI調(diào)用FMECopilot問(wèn)答式查詢網(wǎng)管AUTIN被動(dòng)客戶處理回訪重大專業(yè)室故障溝通重大定界排障故障審核審核網(wǎng)管配置問(wèn)題問(wèn)題查詢修改描述回單TT工單智能化替代人 依賴人工要實(shí)現(xiàn)基于Agent為中心的運(yùn)維能力，業(yè)界普遍共識(shí)是需構(gòu)建3大基礎(chǔ)能力：算網(wǎng)運(yùn)維大模型：基于業(yè)界通用的基礎(chǔ)大模型構(gòu)建懂運(yùn)維機(jī)理、網(wǎng)絡(luò)協(xié)議的算網(wǎng)運(yùn)SRE、FO、BO、FME構(gòu)建面向角色的Co-pilot和場(chǎng)景的Agent智能體，減少人的重復(fù)腦力勞動(dòng)，再結(jié)合傳統(tǒng)自動(dòng)化的大模型進(jìn)行實(shí)時(shí)配置和命令下發(fā)，OSS實(shí)現(xiàn)統(tǒng)一的API化，成為大模型的調(diào)用“工具”。數(shù)字孿生：需要通過(guò)實(shí)時(shí)的網(wǎng)絡(luò)數(shù)字孿生系統(tǒng)來(lái)做好從業(yè)務(wù)到網(wǎng)元的業(yè)務(wù)關(guān)聯(lián)。以前的

網(wǎng)絡(luò)數(shù)據(jù)屬于黑盒數(shù)據(jù)，通過(guò)探針，網(wǎng)管經(jīng)過(guò)層層過(guò)濾，采集才具備分析的能力。未來(lái)的數(shù)字孿生系統(tǒng)需要構(gòu)建基于知識(shí)圖譜快速進(jìn)行網(wǎng)元級(jí)數(shù)據(jù)采集，從之前的30分鐘-1小時(shí)級(jí)的采集效率走向分鐘級(jí)的采集效率。具象智能機(jī)器人：現(xiàn)場(chǎng)運(yùn)維成本一般占據(jù)整ICT60%。未來(lái)，每個(gè)數(shù)據(jù)中心，機(jī)房，站點(diǎn)都會(huì)有存在具象機(jī)器人，配置基transformerIOS，可以準(zhǔn)確的識(shí)別來(lái)自于NOC/SOCAgent智能體的指令，替代維護(hù)人員進(jìn)行網(wǎng)絡(luò)操作，如巡檢、現(xiàn)網(wǎng)狀態(tài)感知、光纖端口調(diào)整、板卡更換等。將大幅提升運(yùn)維效率。 機(jī)器手換硬件 自動(dòng)巡檢機(jī)器人12維優(yōu)+AI：從人等網(wǎng)絡(luò)到網(wǎng)絡(luò)等人，激發(fā)體驗(yàn)變現(xiàn)意愿2030年，傳統(tǒng)移動(dòng)通信網(wǎng)絡(luò)從主要服務(wù)“人與人”“人與物”的通信向主要服務(wù)“人與智能體”“智能體與智能體”的通信轉(zhuǎn)變。通信網(wǎng)絡(luò)將不僅要聯(lián)接個(gè)人，還要聯(lián)接與個(gè)人相關(guān)的各種感知、顯示和計(jì)算資源以及AIAgent；不僅要聯(lián)接家庭用戶，還要聯(lián)接與家庭相關(guān)的家居、車和內(nèi)容資源；不僅要聯(lián)接組織里的員工，還要聯(lián)接與組織相關(guān)的機(jī)器、邊緣計(jì)算和云資源，以滿足智能世界豐富多樣的業(yè)務(wù)需求從體驗(yàn)保障的模式來(lái)看，傳統(tǒng)網(wǎng)絡(luò)日常優(yōu)化是典型的“人等網(wǎng)絡(luò)”的方式，網(wǎng)絡(luò)優(yōu)化被動(dòng)響應(yīng)客戶投訴，在產(chǎn)品的性能基礎(chǔ)上提升10~15%的性能，盡力而為。中國(guó)每年需要投入2.5萬(wàn)人天來(lái)解決日常優(yōu)化問(wèn)題，包括投訴網(wǎng)絡(luò)問(wèn)題收集，典型區(qū)域/站點(diǎn)優(yōu)化優(yōu)先級(jí)設(shè)計(jì)，數(shù)字化路測(cè)，日常優(yōu)化方案設(shè)計(jì)，日常優(yōu)化方案實(shí)施等等。首先，這種“人等網(wǎng)絡(luò)”的方式只能解決35%的網(wǎng)絡(luò)問(wèn)題，無(wú)法做到用戶體驗(yàn)

盡善盡美；其次，由于缺乏統(tǒng)一的網(wǎng)絡(luò)優(yōu)化大模型，多次優(yōu)化方案中會(huì)存在性能互斥，優(yōu)化經(jīng)驗(yàn)僅存在工程師腦子里的情況。面向2030，未來(lái)網(wǎng)絡(luò)優(yōu)化的方式需要通過(guò)“網(wǎng)絡(luò)等人”來(lái)取代“人等網(wǎng)絡(luò)”優(yōu)化模式。通過(guò)鴻蒙OS、智能單板、智能天線、光紅膜等技術(shù)，實(shí)現(xiàn)性能E2E可感知；構(gòu)建基于時(shí)空的數(shù)字孿生系統(tǒng)（TAZ）精準(zhǔn)預(yù)測(cè)每類業(yè)務(wù)未來(lái)的流量、走勢(shì)、SLA趨勢(shì)變化；通過(guò)算網(wǎng)一體的優(yōu)化大模型實(shí)現(xiàn)30%的場(chǎng)景單產(chǎn)品智能內(nèi)生自閉環(huán)。其余70%場(chǎng)景依賴通過(guò)知識(shí)圖譜和知識(shí)管理進(jìn)行核心資產(chǎn)沉淀，日常優(yōu)化產(chǎn)生的MR,SEQ等性能數(shù)據(jù)形成AI數(shù)據(jù)飛輪，持續(xù)支撐模型升級(jí)迭代，構(gòu)建用于VIP保障，日常優(yōu)化等的各類智能體支撐網(wǎng)絡(luò)優(yōu)化人員基于業(yè)務(wù)變化提前預(yù)防預(yù)測(cè)，快速生成優(yōu)化方案，再通過(guò)調(diào)用傳統(tǒng)小模型進(jìn)行實(shí)時(shí)分析決策執(zhí)行和性能體驗(yàn)閉環(huán)人輔助機(jī)器投訴用戶模型人輔助機(jī)器投訴用戶模型非投訴用戶模型優(yōu)化模型用戶特征及策略庫(kù)潛在質(zhì)差用戶篩選全球質(zhì)差模型實(shí)時(shí)數(shù)據(jù) 根因分析智能單板/內(nèi)置探針疊加時(shí)空數(shù)字孿生維優(yōu)AI+：基于智能內(nèi)生的網(wǎng)絡(luò)優(yōu)化Agent根據(jù)約瑟夫Joseph年圖靈獎(jiǎng)獲得者對(duì)未來(lái)網(wǎng)絡(luò)自治系統(tǒng)的定義，LLM/網(wǎng)絡(luò)狀態(tài)制定策略，因此通信領(lǐng)域智能體需要能理解網(wǎng)絡(luò)（如拓?fù)?、性能、告警、事件等）。另外?duì)數(shù)據(jù)實(shí)時(shí)性要求高，難以被大模Prompt/SFT為大模型//優(yōu)原子工具能力，實(shí)現(xiàn)任務(wù)的規(guī)劃、感知、決策和執(zhí)行。PerceptionInternalSensorsExternalPerceptionInternalSensorsExternalSensorsKnowledgeRepository Re?exionKnowledgegeneration

ExternalEnvironmentmodelInternalEnvironmentmodelExternalEnvironmentmodel

InternalEnvironment

ExternalEnvironmentSelf-adaptationKnowledgeapplication

GoalmanagementDecisionGoalmanagement

InternalActuatorsInternalActuatorsExternalActuatorsPlanningExternalActuatorsPlanningFigure6:Computationalmodelforcyberphysicalagent基于網(wǎng)優(yōu)Agent的智能內(nèi)生能力，以某區(qū)域優(yōu)化工作模式舉例，以前需要有3個(gè)網(wǎng)優(yōu)工程師值守，轉(zhuǎn)變?yōu)闊o(wú)人值守，由1個(gè)人負(fù)責(zé)Agent設(shè)計(jì)模式

網(wǎng)優(yōu)功能開(kāi)發(fā)從之前跨多個(gè)平臺(tái)，10幾個(gè)步驟，至少3個(gè)月的周期改為Agent根據(jù)COT（Chainofthought）鏈設(shè)計(jì)，1次任務(wù)下發(fā)，多次自動(dòng)交互完成3人有人值守

平臺(tái)步驟Soc\Noc\RF工程師

1人無(wú)人值守

人+Al

跨平臺(tái)多步驟復(fù)雜流程

下發(fā)1次任務(wù)

思維自主規(guī)劃14營(yíng)銷+AI：數(shù)智新業(yè)務(wù)，敏捷創(chuàng)新，牽引新增長(zhǎng)2030年，面向營(yíng)銷的數(shù)字化業(yè)務(wù)向智能化轉(zhuǎn)型已成為共識(shí)，埃森哲，普華永道等多個(gè)咨詢公司均把營(yíng)銷作為大模型能夠影響的TOP1行業(yè)，原因就是用戶需求千人千面，人機(jī)交互界面多，海量的客戶需求從廣告，營(yíng)銷，計(jì)費(fèi)，銷售再到客訴存在大量的創(chuàng)意涌現(xiàn)和生成的機(jī)會(huì)，符合當(dāng)前主流LLM大模型適用的三大條件：海量數(shù)據(jù)，創(chuàng)意類場(chǎng)景，自然語(yǔ)言。面向未來(lái)全行百業(yè)智能化，數(shù)億級(jí)的數(shù)智人，無(wú)人出行汽車，當(dāng)前的數(shù)字化營(yíng)銷模式已經(jīng)無(wú)法滿足需求：敏捷創(chuàng)新：數(shù)字化時(shí)代基于“人”的套餐設(shè)計(jì)，從市場(chǎng)策略→資源準(zhǔn)備→套餐開(kāi)發(fā)→市場(chǎng)推送往往要經(jīng)歷3-6個(gè)月時(shí)間，當(dāng)產(chǎn)品

投放后市場(chǎng)又發(fā)生了新的變化。未來(lái)智能化業(yè)務(wù)需要基于客戶數(shù)據(jù)分析自動(dòng)生成營(yíng)銷創(chuàng)意和套餐設(shè)計(jì)，從“數(shù)月”到“數(shù)天”，結(jié)合敏捷的算網(wǎng)基礎(chǔ)設(shè)施，實(shí)現(xiàn)”anytime,anywhere”的實(shí)時(shí)套餐推送，如電影院、體育場(chǎng)VR等場(chǎng)景。智能創(chuàng)意：數(shù)字化時(shí)代營(yíng)銷主要基于大數(shù)據(jù)用戶畫(huà)像進(jìn)行針對(duì)性的電話/內(nèi)容推送，完全依賴人進(jìn)行分析和進(jìn)行營(yíng)銷策略創(chuàng)意，2030年數(shù)字人內(nèi)容生成和運(yùn)營(yíng)效率成本遠(yuǎn)優(yōu)于人工，可根據(jù)市場(chǎng)變化快速迭代，迎合大7*24小時(shí)在線，高質(zhì)量互動(dòng)解決客戶問(wèn)題。產(chǎn)品介紹軟件服務(wù)、美妝時(shí)尚、3C電子、工廠車間、解決方案等介紹視頻

活動(dòng)促銷節(jié)點(diǎn)的口播類視頻

信息流廣告Google、Facebook廣告、YouTube、TikTok、Amazon.Instagram

產(chǎn)品種草產(chǎn)品講解、細(xì)節(jié)展示、對(duì)比評(píng)測(cè)、購(gòu)買指南等等口播視頻

內(nèi)容營(yíng)銷GoogleSEO、Facebook廣告、YouTube電商平臺(tái)廣告

視頻教程客服、支持團(tuán)隊(duì)內(nèi)容、產(chǎn)品操作、Q&A、解釋視頻等15營(yíng)銷+AI：從“成本中心”到“效益中心”客服中心長(zhǎng)期依賴均被企業(yè)定位為成本中心，隨著數(shù)字化和智能化的逐漸深入，行業(yè)發(fā)現(xiàn)通過(guò)對(duì)投訴用戶的培育和激活，也能幫助企業(yè)持續(xù)的獲得新的用戶裂變及收入，成為智能化時(shí)代企業(yè)的增收利器：在培育和獲客階段，通過(guò)數(shù)字人智能外呼取

在投訴處理階段，數(shù)字人基于業(yè)務(wù)知識(shí)庫(kù)和語(yǔ)音識(shí)別能力可以處理90%以上的問(wèn)10%的投訴流向人工，F(xiàn)CR從當(dāng)前75%90%。電話渠道語(yǔ)音網(wǎng)關(guān)匹配到答案 未匹配到答案代傳統(tǒng)人工外呼，基于AI和數(shù)據(jù)的千人千面支撐下，外呼成功率提升3倍，同時(shí)外呼效率提升300%。記錄客戶回復(fù)信息，

IVR系統(tǒng)語(yǔ)音問(wèn)答接口ASR語(yǔ)音識(shí)別

特定情況

人工坐席

智能語(yǔ)音機(jī)器人系統(tǒng)回訪客戶

回復(fù)記錄場(chǎng)景判斷

生成工單

NLU自然語(yǔ)言理解 4.無(wú)法理解4.無(wú)法理解

智能回訪機(jī)器人

業(yè)務(wù)對(duì)話場(chǎng)景（調(diào)查問(wèn)券、電話回訪等業(yè)務(wù)場(chǎng)景庫(kù)

業(yè)務(wù)知識(shí)庫(kù)電話應(yīng)答

客服人員

客戶接入智能應(yīng)答服務(wù)后，系統(tǒng)根據(jù)設(shè)定與客戶實(shí)現(xiàn)實(shí)時(shí)語(yǔ)音交互。后臺(tái)自動(dòng)通過(guò)知識(shí)庫(kù)系統(tǒng)匹配相關(guān)知識(shí)點(diǎn)內(nèi)容。能夠匹配到知識(shí)內(nèi)容時(shí)系統(tǒng)根據(jù)知識(shí)內(nèi)容復(fù)雜程度，自動(dòng)選擇直接語(yǔ)音播報(bào)或短信推送。在激活和留存階段，通過(guò)數(shù)字人進(jìn)行對(duì)話式產(chǎn)品推薦和解讀，并能精準(zhǔn)從客戶語(yǔ)氣識(shí)別AHT50%。錄音屬性分析:錄音屬性分析:

無(wú)法匹配知識(shí)內(nèi)容時(shí)系統(tǒng)向客戶提示，無(wú)法匹配到相關(guān)知識(shí)點(diǎn)，并轉(zhuǎn)接人工坐席。2030年，通過(guò)大模型的加持，數(shù)字化營(yíng)銷將持續(xù)向“數(shù)字人”智能營(yíng)銷演進(jìn)，客服中心將從“成本中心”逐步走向“效益中心”，通過(guò)大模型的技術(shù)實(shí)現(xiàn)“數(shù)字化業(yè)務(wù)”的新生產(chǎn)范式，使能行業(yè)的業(yè)務(wù)更敏捷，更靈活的同時(shí)，也會(huì)持續(xù)為企業(yè)帶來(lái)更多的經(jīng)濟(jì)效益。16知識(shí)管理運(yùn)營(yíng)機(jī)制賦能+AI：從“基于文檔的信息體系”到“基于Token/Pitch的知識(shí)體系”知識(shí)管理運(yùn)營(yíng)機(jī)制66知識(shí)展示設(shè)計(jì)結(jié)構(gòu)化的知識(shí)展示方式754閉環(huán)管理，生態(tài)思維8知識(shí)審核通過(guò)審核環(huán)節(jié)檢視和把關(guān)內(nèi)容3 21知識(shí)消費(fèi)支持各類知識(shí)應(yīng)用場(chǎng)景的消費(fèi)需求知識(shí)運(yùn)營(yíng)基于知識(shí)的使用數(shù)據(jù)或效果反饋，進(jìn)行差異化運(yùn)營(yíng)知識(shí)下架進(jìn)行知識(shí)內(nèi)容的下架操作知識(shí)導(dǎo)入設(shè)計(jì)符合知識(shí)生產(chǎn)的導(dǎo)入方式知識(shí)識(shí)別識(shí)別各種生產(chǎn)方式及場(chǎng)景知識(shí)需求需求的提出、傳導(dǎo)以前的知識(shí)體系都是基于人的視角來(lái)設(shè)計(jì)的，所有的知識(shí)也基本都是提供給人來(lái)學(xué)習(xí)的，如Word文檔，PPT，案例庫(kù)，F(xiàn)AQ。由經(jīng)驗(yàn)豐富的工程師充分實(shí)踐后形成的知識(shí)文檔，通過(guò)各種形式固化下來(lái)，再進(jìn)行一代代的傳承，這種非結(jié)構(gòu)化的知識(shí)占據(jù)了50%以上（埃森哲2024洞察）。當(dāng)前企業(yè)管理這些非結(jié)構(gòu)化數(shù)據(jù)的有效轉(zhuǎn)化率僅5%。未來(lái)大模型時(shí)代需要把這些非結(jié)構(gòu)化知識(shí)轉(zhuǎn)化為大模型所需要的知識(shí)和經(jīng)驗(yàn)：Token(LLM),Pitch（幀）。傳統(tǒng)的知識(shí)經(jīng)驗(yàn)也缺乏專業(yè)的團(tuán)隊(duì)進(jìn)行知識(shí)需求識(shí)別，知識(shí)導(dǎo)入，知識(shí)審核和展示，以及知識(shí)運(yùn)營(yíng)和消費(fèi)管理。保障大模型所學(xué)到的知識(shí)是最新，最權(quán)威的，才能讓模型像人一樣聰明。除了知識(shí)運(yùn)營(yíng)機(jī)制外，一個(gè)基于GenAI的知識(shí)

管理平臺(tái)也是必不可少的，主要用來(lái)進(jìn)行快速的知識(shí)挖掘，知識(shí)融合以及知識(shí)推理，根據(jù)埃森哲和普華永道預(yù)測(cè)，2030年將會(huì)有55%的企業(yè)部署知識(shí)管理系統(tǒng):知識(shí)挖掘：把日常專家的知識(shí)能夠快速通過(guò)門戶網(wǎng)站，平臺(tái)快速轉(zhuǎn)為成標(biāo)準(zhǔn)化數(shù)據(jù)，把碎片化知識(shí)進(jìn)行分類整理知識(shí)融合：圍繞不同的角色，進(jìn)行多維標(biāo)簽關(guān)聯(lián)，做好關(guān)鍵詞，標(biāo)簽以及聯(lián)想式搜索，并融入企業(yè)生產(chǎn)流知識(shí)推理：將各類角色所需要的知識(shí)進(jìn)行推理，結(jié)合Copilot實(shí)現(xiàn)場(chǎng)景化推送，并根據(jù)角色反饋建議實(shí)現(xiàn)自動(dòng)召回，自動(dòng)生成①數(shù)據(jù)知識(shí)化①數(shù)據(jù)知識(shí)化②知識(shí)體系化③知識(shí)可推理挖掘 融合 推理 多源跨域數(shù)據(jù) 碎片知識(shí) 跨域知識(shí)體系 因果圖賦能AI+：從“人找知識(shí)”到“知識(shí)找人”人找知識(shí)客戶/伙伴

60%30%10%

官網(wǎng)講座、課程400熱線

查版本文檔 專家求助 升級(jí)研發(fā) 傳統(tǒng)的賦能體系是基于人類的“碎片化”時(shí)間來(lái)設(shè)計(jì)的，以行業(yè)用戶和伙伴知識(shí)獲取來(lái)看：60%的知識(shí)來(lái)源于線上找知識(shí)，在日常工作產(chǎn)品說(shuō)明書(shū)等獲取通用知識(shí)，人找知識(shí)的時(shí)間久，且找到的知識(shí)滿足度也較低。30%通過(guò)專家大講堂，線上線下的課程，通過(guò)專家講解，交流來(lái)獲取更為高階的知識(shí)，如戰(zhàn)略，新平臺(tái)，新技術(shù)等，賦能效果取決于專家水平，同時(shí)頻率不足，平均每人每年一般為個(gè)位數(shù)。

10%涉及行業(yè)較為私密的技術(shù)，普通的從業(yè)人員也不具備賦能的機(jī)制，只能和廠商研發(fā)求助。隨著GenAI技術(shù)逐步向千行百業(yè)滲透，知識(shí)管理逐步成為行業(yè)使用大模型的必備要素。從企業(yè)知識(shí)生產(chǎn)到入庫(kù)再到應(yīng)用均會(huì)更為規(guī)范化和智能化，同時(shí)各類知識(shí)應(yīng)用助手也會(huì)融入生產(chǎn)流，在每個(gè)環(huán)節(jié)對(duì)不同角色的員工進(jìn)行實(shí)時(shí)推送，實(shí)現(xiàn)員工工作效率大幅提升；同時(shí)，也能將企業(yè)的知識(shí)持續(xù)快速轉(zhuǎn)化為Token，提供精準(zhǔn)的的知識(shí)語(yǔ)料對(duì)大模型進(jìn)行投喂，讓大模型更智能，更聰明?；谥R(shí)管理系統(tǒng)和知識(shí)助業(yè)務(wù)數(shù)據(jù)項(xiàng)目、需求、問(wèn)題…業(yè)務(wù)數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)項(xiàng)目、需求、問(wèn)題…業(yè)務(wù)數(shù)據(jù)項(xiàng)目、需求、問(wèn)題…內(nèi)容數(shù)據(jù)課程、案例、文檔…算法自動(dòng)打標(biāo)簽屬性標(biāo)簽：負(fù)責(zé)的產(chǎn)品等場(chǎng)景標(biāo)簽：勘測(cè)、調(diào)測(cè)、維護(hù)關(guān)鍵字標(biāo)簽：屬性標(biāo)簽：產(chǎn)品、任職等行為偏好：比如內(nèi)容偏好，關(guān)鍵字標(biāo)簽：用戶畫(huà)像 內(nèi)容畫(huà)像人工標(biāo)簽規(guī)則標(biāo)簽用戶產(chǎn)生運(yùn)營(yíng)產(chǎn)生規(guī)則配置（標(biāo)簽平臺(tái)）AI推薦引擎理的加持，企業(yè)員工的賦能將從從傳統(tǒng)的“人找知識(shí)”到“知識(shí)找人”，從之前的碎片化賦能走向基于生產(chǎn)流實(shí)時(shí)推送的“終身賦能”。知識(shí)管理平臺(tái)將根據(jù)員工/伙伴訪問(wèn)記錄識(shí)別各角色的業(yè)務(wù)、行為，內(nèi)容數(shù)據(jù)，為每位角色做好用戶畫(huà)像和內(nèi)容畫(huà)像，對(duì)接員工日常作業(yè)OA,OSS,BSS等ERP系統(tǒng)，實(shí)現(xiàn)在最佳時(shí)刻，知識(shí)把最適合的知識(shí)主動(dòng)推送給最需要的人。根據(jù)埃森哲預(yù)測(cè)，203080%的企業(yè)知識(shí)獲取場(chǎng)景將會(huì)轉(zhuǎn)移到線上通過(guò)自動(dòng)推送，互動(dòng)獲辯論等實(shí)操類課程，線上線下相互結(jié)合，將更好的助力行業(yè)和企業(yè)持續(xù)推進(jìn)TECH4ALL

抱智能化時(shí)代。下一代的賦能平臺(tái)/社區(qū)產(chǎn)品將具備在線Online、開(kāi)放Open、協(xié)同Orchestration三大特征，旨在實(shí)現(xiàn)全球各領(lǐng)域的知識(shí)經(jīng)驗(yàn)快速獲取、歸納、分享和提煉：通過(guò)在線實(shí)時(shí)學(xué)習(xí)，人類獲取知識(shí)的時(shí)間將90%。200%。中級(jí)工程師培養(yǎng)周期將縮短5倍（36個(gè)月）。0303ICT服務(wù)與軟件2030愿景及核心技術(shù)ICT融合交付MFU的系統(tǒng)工程

以業(yè)務(wù)為中心NPS平臺(tái)ODA平臺(tái)數(shù)字孿生時(shí)空數(shù)字孿生網(wǎng)絡(luò)實(shí)時(shí)數(shù)字孿生

ICT服務(wù)與軟件2030

平臺(tái)智能化平臺(tái)模型使能平臺(tái)Agent平臺(tái)模型驅(qū)動(dòng)網(wǎng)絡(luò)服務(wù)通用大模型網(wǎng)絡(luò)服務(wù)行業(yè)模型

知識(shí)體系知識(shí)管理平臺(tái)數(shù)字孿生時(shí)空數(shù)字孿生：移動(dòng)通信系統(tǒng)的網(wǎng)絡(luò)優(yōu)化涵蓋一類難以統(tǒng)一建模的技術(shù)問(wèn)題，參數(shù)往往是相互依賴或相互矛盾的，因而難以建立全局性的優(yōu)化模型。TAZ基于用戶、業(yè)務(wù)、網(wǎng)絡(luò)識(shí)別和業(yè)務(wù)類型分布差異，差異化設(shè)置每簇速率保障目標(biāo)，挖掘每簇潛力，提升運(yùn)營(yíng)商收益，為網(wǎng)絡(luò)服務(wù)模型提供實(shí)時(shí)數(shù)據(jù)，采集效率從當(dāng)前的小時(shí)級(jí)到分鐘級(jí)，如：無(wú)線信道統(tǒng)計(jì)模型：采集海量場(chǎng)景化波束級(jí)

測(cè)試數(shù)據(jù)，從網(wǎng)絡(luò)數(shù)據(jù)中提取多徑信道統(tǒng)計(jì)特征，建立信道模型用戶流量分布模型：采集用戶流量分布統(tǒng)計(jì)數(shù)據(jù)構(gòu)建圖神經(jīng)網(wǎng)絡(luò)建模地理相關(guān)性和LSTM建模時(shí)序相關(guān)性用戶體驗(yàn)?zāi)Ｐ停翰杉卷憫?yīng)及用戶速率、時(shí)延數(shù)據(jù)，構(gòu)建通信知識(shí)數(shù)據(jù)驅(qū)動(dòng)的模型調(diào)優(yōu)能力運(yùn)籌優(yōu)化算法運(yùn)籌優(yōu)化算法從網(wǎng)絡(luò)數(shù)據(jù)中提取多徑信道統(tǒng)計(jì)特征，建立信道模型流量分布:1.圖神經(jīng)網(wǎng)絡(luò)建模地理相關(guān)性2.LSTM建模時(shí)序相關(guān)性通信知識(shí)+數(shù)據(jù)驅(qū)動(dòng)的模型調(diào)優(yōu)無(wú)線信道統(tǒng)計(jì)模型 用戶流量分布模從網(wǎng)絡(luò)數(shù)據(jù)中提取多徑信道統(tǒng)計(jì)特征，建立信道模型流量分布:1.圖神經(jīng)網(wǎng)絡(luò)建模地理相關(guān)性2.LSTM建模時(shí)序相關(guān)性通信知識(shí)+數(shù)據(jù)驅(qū)動(dòng)的模型調(diào)優(yōu)海量場(chǎng)景化波束級(jí)測(cè)試數(shù)據(jù) 用戶流量分布統(tǒng)計(jì)數(shù)據(jù) 基站響應(yīng)及用戶速率、時(shí)延數(shù)據(jù)網(wǎng)絡(luò)實(shí)時(shí)感知孿生：測(cè)量網(wǎng)絡(luò)問(wèn)題對(duì)業(yè)務(wù)的影響，關(guān)聯(lián)不同業(yè)務(wù)的物理世界和數(shù)字世界之間的關(guān)系，實(shí)現(xiàn)KQIKPI之間的梳理，實(shí)現(xiàn)每個(gè)操作和變更對(duì)業(yè)務(wù)的直接影響可視可管：基于業(yè)務(wù)目標(biāo)明確算法：基于業(yè)務(wù)需求，通SRE可靠性理論構(gòu)建EDNS計(jì)算邏輯，實(shí)

現(xiàn)客戶業(yè)務(wù)減損邏輯計(jì)算網(wǎng)絡(luò)系統(tǒng)模型：從網(wǎng)絡(luò)到資源到業(yè)務(wù)的影響建模分析，實(shí)現(xiàn)每個(gè)網(wǎng)絡(luò)故障及操作和業(yè)務(wù)的關(guān)聯(lián)度模型和算法設(shè)計(jì)基于事件流進(jìn)行準(zhǔn)確的故障處理，減少傳統(tǒng)虛警占比高，精準(zhǔn)以業(yè)務(wù)為中心的運(yùn)維運(yùn)維目標(biāo)運(yùn)維目標(biāo)網(wǎng)絡(luò)系統(tǒng)模型運(yùn)維流程改變網(wǎng)絡(luò)用戶服務(wù)滿足度EDNS計(jì)算期望獲得需求網(wǎng)絡(luò)用戶服務(wù)滿足度EDNS計(jì)算期望獲得需求實(shí)際獲得需求理論：GoogleSRE 影響：理念和petril網(wǎng) 流量損失、用戶投可靠性理論結(jié)合原因和后果調(diào)配運(yùn)維資源原因：網(wǎng)絡(luò)問(wèn)題EDNS(ExpectDemandNotSatisfied)用戶服務(wù)不滿足度網(wǎng)絡(luò)問(wèn)題分解關(guān)聯(lián)與影響評(píng)估實(shí)時(shí)網(wǎng)絡(luò)故障/配置-用戶業(yè)務(wù)關(guān)系建模ASIS:工單流工單關(guān)單基于事件的運(yùn)維資源調(diào)度ToBe：事件流遠(yuǎn)程自 FMA動(dòng)修復(fù) 上站BO分析工單處理工單 日常生成 巡檢網(wǎng)絡(luò) 網(wǎng)絡(luò)告警 撥測(cè)網(wǎng)絡(luò)各類數(shù)據(jù)網(wǎng)絡(luò)問(wèn)題-網(wǎng)絡(luò)性能-用戶業(yè)務(wù)的影響關(guān)聯(lián)模型網(wǎng)絡(luò)隱患影響度分析模型網(wǎng)絡(luò)操作影響度分折模型設(shè)備故障影響度分析模型模型驅(qū)動(dòng)工程師

AIAgent智能體工具方法流程導(dǎo)師指導(dǎo)項(xiàng)目經(jīng)驗(yàn)工具方法流程

提示工程網(wǎng)絡(luò)服務(wù)通用大模型提示工程客戶術(shù)語(yǔ) 案例 網(wǎng)絡(luò)數(shù)據(jù)客戶術(shù)語(yǔ)案例網(wǎng)絡(luò)數(shù)據(jù)新員工培訓(xùn)

技術(shù)服務(wù)專業(yè)知識(shí)

技術(shù)服務(wù)案例產(chǎn)品文檔微調(diào)網(wǎng)絡(luò)服務(wù)LLM大模型技術(shù)服務(wù)案例產(chǎn)品文檔微調(diào)預(yù)訓(xùn)練通信系本科生預(yù)訓(xùn)練百科期刊論文通信知識(shí)門戶網(wǎng)站知識(shí)（知乎、百度知道、百度百科）通識(shí)知識(shí) 基礎(chǔ)大模型百科期刊論文通信知識(shí)門戶網(wǎng)站知識(shí)（知乎、百度知道、百度百科）1.網(wǎng)絡(luò)服務(wù)LLM模型：評(píng)估全球主流基礎(chǔ)大模型，如llama3,Mistral，文心一言，智普等通過(guò)提前適配和預(yù)訓(xùn)練，匯聚行業(yè)公共知識(shí)如C114,萬(wàn)方，產(chǎn)品指導(dǎo)書(shū)，案例庫(kù)，考試庫(kù)等，讓其具備ICT服務(wù)基礎(chǔ)知識(shí)，為行業(yè)升維打好基礎(chǔ)，讓大模型具備高中生的行業(yè)知識(shí)水平，解決非結(jié)構(gòu)化知識(shí)的處理以及訓(xùn)練

網(wǎng)絡(luò)服務(wù)通用大模型：構(gòu)建一個(gè)懂ICT協(xié)議，信令語(yǔ)言，懂規(guī)建維優(yōu)營(yíng)和OSS/BSS的行業(yè)通用模型，以解決更為復(fù)雜的業(yè)務(wù)問(wèn)題，具COT鏈的理解能力和99以上的精準(zhǔn)度，實(shí)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)的知識(shí)體系，讓其具備本科生的行業(yè)知識(shí)水平，相比LLM語(yǔ)言模型，訓(xùn)練參數(shù)大量減少，通過(guò)7B，10B等小尺寸大模型微調(diào)和RAG可快速部署支撐/行業(yè)客戶進(jìn)行生產(chǎn)云側(cè)模型云側(cè)模型基礎(chǔ)網(wǎng)絡(luò)大模型全球網(wǎng)絡(luò)數(shù)據(jù)預(yù)訓(xùn)練的維優(yōu)一體大模型模型下發(fā)，本地微調(diào)完整模型導(dǎo)入，大規(guī)模NPU推理邊：智能板2.0通用計(jì)算硬件→NPU預(yù)測(cè)能力全局視野Next網(wǎng)絡(luò)狀態(tài)預(yù)測(cè)模型→業(yè)務(wù)影響精準(zhǔn)分析事前精準(zhǔn)推演預(yù)防事后主動(dòng)隱患監(jiān)控分析業(yè)務(wù)流量預(yù)測(cè)模型→“網(wǎng)隨業(yè)動(dòng)”，資源高效分配流量變化規(guī)律 基站時(shí)頻資合理分配網(wǎng)絡(luò)環(huán)境信道模型→全面提升網(wǎng)絡(luò)性能信道估計(jì)準(zhǔn)確性提升RF優(yōu)化，產(chǎn)品協(xié)同特性性能大幅提升內(nèi)生智能內(nèi)生智能內(nèi)生智能ICT融合交付集群規(guī)模(n）越大，單次故障的指標(biāo)（如MTBF,MTTR）對(duì)集群可用度的影響越大。2024年MetaLLama3數(shù)十萬(wàn)卡訓(xùn)練集群報(bào)告：54天訓(xùn)練，發(fā)生466次作業(yè)中斷，平均每天中斷8次；41%中斷為軟件異常、電纜問(wèn)題，網(wǎng)絡(luò)故障等。未來(lái)OPENAI星際之門計(jì)劃需要100萬(wàn)卡，對(duì)集群的性能要求MFU將會(huì)越來(lái)越高，每中斷一天，經(jīng)濟(jì)損失將達(dá)到上億元。解決此問(wèn)題需要持續(xù)提升集群集成和運(yùn)維的兩大指標(biāo)：集群線性度：和網(wǎng)絡(luò)鏈路的穩(wěn)定性（時(shí)延、卡亞健康等有關(guān)。強(qiáng)依賴部署模型、配置優(yōu)化，例行的亞健康治理與維護(hù)。集群可用度：主要由四個(gè)指標(biāo)組成：?jiǎn)未喂?/p>

障MTTR(h)，f=集群?jiǎn)喂?jié)點(diǎn)異常率，n=作業(yè)占用節(jié)點(diǎn)數(shù)，x=作業(yè)時(shí)長(zhǎng)。要實(shí)現(xiàn)訓(xùn)練和推理高可用，算力集群可用度&MFU最佳，需要構(gòu)建三大集成能力。全局負(fù)載調(diào)度多級(jí)調(diào)度：GlobalRegion→節(jié)點(diǎn)。&有競(jìng)爭(zhēng)力的集群可用度：故障、亞健康提前感知，主動(dòng)維修；4K+集群穩(wěn)定30+天；支持?jǐn)噫溊m(xù)訓(xùn)，單卡異常作業(yè)零感知。高性價(jià)比的線性度網(wǎng)絡(luò)，AI計(jì)算，存儲(chǔ)性能故障MTTR&集群可用度關(guān)系120.00%100.00%80.00%60.00%40.00%20.00%0.00%

0.17 0.33 0.50 1.00 4.00 8.00 12.00 24 48 72 96 120 144 168單次故障MTTR時(shí)長(zhǎng)（小時(shí)） 1K 2K 4K 6K 8K 1W備注：1）集群規(guī)模(n)越大，單次故障(MTTR)對(duì)集群可用度的影響越大；2）故障7天/168小時(shí)，1K集群時(shí)對(duì)MFU的損耗系數(shù)為83.59%；如果集群擴(kuò)大到1W，對(duì)MFU的損耗系數(shù)為29.79%23數(shù)據(jù)工程核心原因就是大模型所需要的數(shù)據(jù)工程需要在數(shù)據(jù)范圍、數(shù)據(jù)質(zhì)量、訓(xùn)練效率多方面形成領(lǐng)域模型9類核心技術(shù)：多維度的數(shù)據(jù)質(zhì)量評(píng)分)決定了模型的尋優(yōu)方向，進(jìn)而影響loss取值&模型能力類別一:通用知識(shí)類別二:個(gè)人博客導(dǎo)致口語(yǔ)化結(jié)構(gòu)簡(jiǎn)單專業(yè)性弱噪聲大類別五:產(chǎn)品知識(shí)類別四:領(lǐng)域基礎(chǔ)知識(shí)類別三:案例經(jīng)驗(yàn)1000token，loss)、不容易學(xué)(產(chǎn)品配置見(jiàn)過(guò)4次，但不理解含義)問(wèn)題:數(shù)據(jù)缺失、領(lǐng)域數(shù)據(jù)分布不均、信息密度參差不齊、配比不合理等關(guān)鍵問(wèn)題...領(lǐng)域復(fù)雜流程類數(shù)據(jù)解析技術(shù)：實(shí)現(xiàn)不同類型（信令協(xié)議交互/告警因果圖/流程）的復(fù)雜文本化信息抽取和輸出，實(shí)現(xiàn)解析內(nèi)容80%+多模態(tài)復(fù)雜信息tokenizer技術(shù)：基于視覺(jué)模型的版面分析能力，結(jié)合文本匹配、表格解析等多模塊融合抽取文本，PDF內(nèi)容提取95%+領(lǐng)域數(shù)據(jù)高效合成技術(shù)：實(shí)現(xiàn)領(lǐng)域高質(zhì)量數(shù)據(jù)的自我成長(zhǎng)：從無(wú)標(biāo)注到有標(biāo)注，從無(wú)CoTCoT，實(shí)現(xiàn)領(lǐng)域典型場(chǎng)景的數(shù)據(jù)擴(kuò)10倍&提升效率，數(shù)據(jù)完整//一/6性評(píng)估，實(shí)現(xiàn)100數(shù)據(jù)質(zhì)量自評(píng)估

內(nèi)容語(yǔ)義正確完整&文本多樣性增強(qiáng)，提升模型訓(xùn)練效率，實(shí)現(xiàn)數(shù)據(jù)多樣性提升10倍知識(shí)定位尋源技術(shù)：建立模型能力//數(shù)據(jù)關(guān)聯(lián)，相互提升，能力短板針對(duì)性定位&增強(qiáng)數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)badcase定位效率提10x↑最優(yōu)數(shù)據(jù)配比技術(shù)：突破增訓(xùn)場(chǎng)景下通用與領(lǐng)域數(shù)據(jù)、領(lǐng)域不同數(shù)據(jù)配比modelscaling技術(shù)，loss最優(yōu)下降，實(shí)現(xiàn)模型訓(xùn)練效率提50%數(shù)據(jù)課程學(xué)習(xí)技術(shù)：學(xué)習(xí)順序curriculumlearning影響模型的最終效果，利用scalinglaw求解最優(yōu)學(xué)習(xí)順序目標(biāo)，實(shí)現(xiàn)領(lǐng)域知識(shí)30%+通過(guò)多階段訓(xùn)練與訓(xùn)練末期的最優(yōu)數(shù)據(jù)退火，5x↑以業(yè)務(wù)為中心NPS數(shù)字化分析平臺(tái)：要實(shí)現(xiàn)以業(yè)務(wù)為中心的體驗(yàn)管理，主要的難題就是如何通過(guò)數(shù)字化的方式如何發(fā)現(xiàn)問(wèn)題，判斷影響范圍以及做好優(yōu)化模擬器：基于KANOSL回歸分析，明確不同因素的獎(jiǎng)懲驅(qū)動(dòng)力基于對(duì)貶低和推薦分別的驅(qū)動(dòng)力推導(dǎo)出對(duì)NPS的整體影響力，即對(duì)各體驗(yàn)指標(biāo)提升10%NPS的上升

需要提供模擬器，協(xié)助評(píng)估改進(jìn)或降低相關(guān)指標(biāo)表現(xiàn)時(shí)將帶來(lái)NPS怎樣的變化，以有的放矢地制定相關(guān)策略目標(biāo)業(yè)界的普遍做法是通過(guò)建模和分析，明確各指標(biāo)的獎(jiǎng)懲驅(qū)動(dòng)力，通過(guò)與滿意度的矩陣交叉分析，診斷需重點(diǎn)保障的獎(jiǎng)勵(lì)因子和優(yōu)先改善的懲罰因子，對(duì)具體指標(biāo)的改進(jìn)優(yōu)先級(jí)和具體措施分析，將結(jié)合對(duì)滿意度的驅(qū)動(dòng)力，痛點(diǎn)發(fā)生率和客戶推薦、不推薦理由的提及情況可見(jiàn)度（廣告/贊助口碘好信任顯示

-8%

使得貶低型客戶減少-5%-3%-3%-4%-2%-3%-2%-5%

目前表現(xiàn)平均分/10

使得贏得額外的推薦型客戶6%6%5%4%6%4%3%3%5%相機(jī)質(zhì)量服務(wù)速度-4%8.0隨時(shí)通知我服務(wù)速度-4%8.0隨時(shí)通知我-4%7.54%積極響應(yīng) -4% 7.5 4%務(wù)的可靠性 -4% 7.2 3%

-6%

-5%

-4%-4%

-2%

-1%

提升一個(gè)驅(qū)動(dòng)因素10%的表現(xiàn)將會(huì)減少...華為的貶低型客戶

提升一個(gè)驅(qū)動(dòng)因 2%素10%的表現(xiàn)將 3%4%會(huì)產(chǎn)生...華為的 5%推薦型客戶 3% 7%5%服理解需求

-5%

7.4 1%清晰的聯(lián)系點(diǎn)索賠處理

-3%

-1%

9.0 1%7.5 2%...... 0% 7.5 1%25ODA運(yùn)維平臺(tái)：盡管CSP們?cè)缇蜆?gòu)建了可以集成多家廠商組件的IT系統(tǒng)，但這些組件一般都來(lái)自各類通信和軟件廠商。隨著現(xiàn)在CSP們?cè)谝粋€(gè)更大的舞臺(tái)上競(jìng)爭(zhēng)，集成來(lái)自通信業(yè)以外的其他組件的能力也變得必不可少。當(dāng)一種與客戶交互的新方式（如：大模型Agent）可用時(shí)，等待其“通信業(yè)專用版本”出現(xiàn)是不現(xiàn)實(shí)的。另外隨著開(kāi)源項(xiàng)目的興起，如ONAP、OSM（開(kāi)源MANO）和OpenBaton，任何多廠商的定義都必須包括開(kāi)源軟件。許多CSP也開(kāi)始在未來(lái)IT系統(tǒng)中擁抱開(kāi)源。TMF下一代OSS架構(gòu)ODA也是在試圖解決此類技術(shù)問(wèn)題云組件：要求新開(kāi)發(fā)的應(yīng)用作為遵循ODA標(biāo)準(zhǔn)接口和規(guī)范的云組件(cloudcomponent)，統(tǒng)一在共享庫(kù)(commonrepository中管理

DevSecOps:自動(dòng)化的軟件版本驗(yàn)證與發(fā)布平臺(tái)。ODA組件庫(kù)由6個(gè)子域構(gòu)成，分別為：承載核心流程的Party,Corecommerce,Production以及輔助支撐業(yè)務(wù)流程的Decoupling&Integration,Engagement,Intelligence.，組件庫(kù)呈現(xiàn)了全套BSS&OSS組件的全景，其中已初步定義功能內(nèi)容的組件（即具有編號(hào)的組件）28個(gè)。大部分ProductionParty子域這些新特征為運(yùn)營(yíng)商跨邊界大規(guī)模管理數(shù)字化生態(tài)系統(tǒng)提供了可能性。比如，全球化汽車制造商可以跟多家CSP就自治和車聯(lián)網(wǎng)協(xié)議達(dá)成一致。ODA還考慮了獨(dú)立項(xiàng)目中不會(huì)考慮到的未來(lái)關(guān)鍵需求和概念，如擁有AI能力、BSS/OSS的架構(gòu)統(tǒng)一以及統(tǒng)一以數(shù)據(jù)為中心的方法。TheeraofDigitalTransformationisover.Theindustryneedsanewnorthstar.1980s-2013

'Digital'SPEra2013-2023

'AI-Driven'SPEra2024-2030sPartnerdomainsInfrastructureother)+Cloud+AI+IoTPartnerdomainsInfrastructureother)+Cloud+AI+IoTOpenAutonomouslArchitecturerviceoriented,AI-Readyregated)estrationAI-DrivenOpenDigitaModular,'PlugandPlay',Micro-seDecoupled,modularOSS(disaggIntelligentManagement&OrchOpenAutonomousNetworksrations,augmentedintelligenceAI-DrivenOpeValue-stream&experiencedrivenCSPdomainOpenDigitalArchitecture(newBSS)OSS(Naas)Network(programmable)Operations(people&basicautomation)SinglebusinessmodelforconnectivityProductcentric,peopleintensiveprocessesOneormoretechstacksperproductCSPdomainNetwork(physical)OSSBSSOperations(processes&people)Connectivity+VASbusinessmodelBasicautomationofprocessesRationalizedtechstack,cloudmigratedBusiness-modelandserviceagnosticOn-demandbundledservicesandcapabilitiesDefend&growr