Skip navigation
Like what you’re reading?

生成式AI将通过四种方式改变电信行业

提供方式 English 简体中文
  • 生成式AI风靡全球,但它创造的机会远不限于智能聊天机器人范畴。
  • 生成式AI在电信行业的应用已经非常广泛,包括移动网络和其他领域。
  • 我们探讨了这项技术可能带来最大影响的四个主要途径,以及它在无线接入网(RAN)和网络管理等领域的实际应用案例。

Principal Researcher, Artificial Intelligence

Master Researcher - Technical Coordinator for AI impact on Future Mobile Networks

Research Manager, Artificial Intelligence

Sr. Specialist, Language Modeling

生成式AI将通过四种方式改变电信行业

Principal Researcher, Artificial Intelligence

Master Researcher - Technical Coordinator for AI impact on Future Mobile Networks

Research Manager, Artificial Intelligence

Sr. Specialist, Language Modeling

Principal Researcher, Artificial Intelligence

投稿人 (+5)

Master Researcher - Technical Coordinator for AI impact on Future Mobile Networks

Research Manager, Artificial Intelligence

Sr. Specialist, Language Modeling

过去一年,人工智能(AI)无疑已成为全世界最热门的技术话题之一。虽然使用数据进行预测和做出更明智决策的人工智能算法已不是什么新鲜事,但真正颠覆全球各行各业的是某些关键技术,例如生成式AI。OpenAI的基于文本的人工智能聊天工具ChatGPT取得巨大成功,就是最有力的佐证。

那么,什么是生成式人工智能?它与我们过去使用的人工智能有什么不同?生成式人工智能又如何改变电信网络的部署、管理、运营和改进,甚至改变我们的业务模式?

生成式AI也是一种人工智能,能够根据训练数据的特征或模式创建全新的内容。过去,我们目睹了很多预测性AI的应用,也就是说,利用一系列先前的数据进行训练,得出的AI算法会告诉你它预期的下一步是什么,即基于一组值来预测可能出现的结果。生成式AI往往更具创新性,看似能够从头开始创建独特的新内容。

想象一下,有这样一位著名作家,他在整个职业生涯中只写过短篇儿童故事。过去,AI只能分析内容和预测特征,例如作者、主题或文本的情感。但是,生成式AI可以学习和捕捉这位作家的写作风格,例如他的措辞习惯、语法或故事构思等。这些特征可以用来创作相同风格的全新儿童故事,或者应用于从未见过的全新场景,例如成人奇幻小说、诗歌、动画电影剧本甚至产品广告。

生成式AI将如何推动电信行业转型?

这种技术为什么能够改变通信和内容生成方式,原因显而易见;但在电信行业,生成式AI又能扮演什么角色?

生成式AI可以(而且很可能会)通过四大主要途径,为运营商、最终用户和电信领域的其他参与者带来显著的价值。

生成式AI:为电信行业带来价值 - 生成式AI为电信行业创造价值的四个主要途径。

生成式AI:为电信行业带来价值 - 生成式AI为电信行业创造价值的四个主要途径。

1. 人类可读的内容

第一种应用,也是大家可能最熟悉的一种,是指利用生成式AI来生成、总结、呈现或翻译文本、图像、音频和视频等内容。这类应用可以涵盖业务运营的各个环节,如市场营销和销售、客户服务、运营、法律、报告和分析、职业发展甚至软件开发生命周期,比如通过代码生成或补全等。

这些应用通常利用生成式AI,基于输入的一组特征,生成人类可读的内容,如文本、软件代码、图像、音乐或视频等;或者基于非文本输入(如图像或其它数据特征)生成文本描述。在电信行业,这可能包括生成服务等级协议(SLA)、产品文档(用于故障排除、升级或安装)、或起草3GPP标准文档等。反之亦然,例如根据文本文档生成网络特征,如客户SLA。还可以引入ChatGPT这样的直观的对话式界面,作为专家系统,使用户交互和对相关信息的访问更加便捷和高效。

2. 机器可读的内容

这些类型的应用程序使用移动网络数据、原始格式日志或网络配置参数和结构(不管是虚拟还是物理网元)等数据源,来生成覆盖图、事件识别或检测、搜索优化、推荐配置甚至资源分配等内容。同样值得注意的是,如有必要,这些输出通常也可以随后转换成人类可读的内容。在概述移动网络中的更具体应用示例时,我们将更详细地讨论其中的一些内容。

生成式AI还可以用来合成额外的数据,以补充现有的数据集,用于训练或其他目的——特别是当数据稀缺或收集成本高昂时。在网络中,这可能是因为在特定时间连接的设备数量少、技术故障或网络过载导致可用数据稀缺。你可以想象一下,当连接中断或连接不畅时,视频会议或虚拟现实(VR)软件会如何平滑视觉效果,显示人工生成的帧来填补空白,确保您不会注意到中断或感觉到眩晕。

3. 语义通信

语义通信是另一种非人类可读内容的形式,指的是以更紧凑、压缩比更高的格式对信息进行编码的过程。这种格式充分地表示或描述了原始信息,可以在接收端解码或再次合成,以便用户理解。由于不需要完整地传输全部原始数据,这种类型的通信可以提高传输效率,并节省大量的带宽。目前已确定移动网络中有多个领域可通过这种方式受益于压缩内容。

生成式AI模型可以在这一过程的两端使用——既可以在发送之前生成这些多维符号,也可以在接收端再次合成传输的内容。然而,这些过程的计算成本很高,将编码器或解码器保存在内存中的存储成本也很高。这尤其会影响到无线接入网(RAN)应用程序;在这些应用程序中,资源可能受到限制,因此压缩生成式AI算法,或分配计算的方法对于大规模采用至关重要,尤其是在网络边缘。

语义通信:将信息编码成紧凑的、非人类可读的符号(但仍然具有足够的描述性)格式,然后可以在传输到目的地后解码以供使用。

语义通信:将信息编码成紧凑的、非人类可读的符号(但仍然具有足够的描述性)格式,然后可以在传输到目的地后解码以供使用。

4. 简单的数字孪生

生成式AI也可以在创建或协助创建数字孪生方面发挥至关重要的作用。数字孪生是物理对象、过程或系统的虚拟表示,用于模拟和建模物理对象或系统的行为、性能和特征。它的规模或复杂性范围非常广泛:从整个移动网络到单个网络功能或无线协议,用于完成测试、分析、优化、监控或验证,同时降低甚至彻底避免给真实生产网络带来风险。虽然优势显著,但创建数字孪生的成本一直很高——无论是在时间、编程资源和数据收集方面,还是在计算方面;它们的运行和维护都是如此。

有了生成式AI,你不必为数字孪生体的行为编写代码,而是可以根据它的物理对应体的行为对它进行训练——不仅节省了时间,而且生成的输出结果也更符合真实情况。生成模型也可以用来创建简化的数字孪生体,同时仍然准确地表示相关的功能和行为。这样不仅可以节省资源,而且可以比更复杂的数字孪生体更快地做出响应。从本质上讲,这可以使数字孪生比以往任何时候都更容易获得,也更经济实惠。

最后,生成式AI为创建交互式虚拟环境开辟了可能性。在这种虚拟环境中,可以训练和测试强化学习(RL)算法等控制技术,从而减小在真实网络中进行不安全的探索的风险。在数字孪生体中完成训练后,这种RL算法就可以迁移到真实网络中,并在域适应(domain adaptation)和/或Sim2Real技术(在介绍RL解决方案的博客中有更详细的讨论)的帮助下提供最佳性能。如NVIDIA最近的研究工作所证明,生成式AI甚至可以为RL设计奖励函数。

生成式AI在移动网络中的应用

到此,我们已经讨论了生成式AI在电信行业的不同应用形式。下面让我们看一些更具体的例子,看看在RAN网络管理中如何应用这些技术,以及在哪些环节应用这种技术,从而改进移动网络的各种功能和部分。

下面列出了在电信行业,可以利用生成式AI的一些关键应用领域。

无线接入网(RAN)
无线信道建模 频谱感知
信道质量估计 混合波束成形
网络流量生成 网络流量分析
异常检测 网络选择
网络管理
客户事件管理 网络规划
部署和配置 网络运营支持
故障诊断 资源利用与分配
网络安全 威胁检测
网络之外其它领域
数字孪生 业务文档创建
基于文本的文档生成 直观的对话式界面
用于应用程序支持的数据生成 软件实现支持
学习服务和参考聊天机器人 XR、无人机、自动驾驶汽车、远程手术……

利用生成式AI改进RAN

如上所述,该领域的许多应用都围绕着使用生成式AI进行语义通信,或学习复杂的行为、特征和功能,并使用输出结果来创建更准确的模型或生成数据集,以实现更高效的训练和操作。一些关键的用例包括:

无线信道建模:学习多输入多输出(MIMO)信道的隐式概率分布,得出更精确的信道模型,广泛用于基准测试和创建仿真场景。

频谱感知:生成合成数据,以创建用于预测可用频谱的分类器,或估计无线信道占用情况,从而实现资源的重新分配和更低成本的预测模型训练。

信道质量估计:估计或高效地压缩复杂的高维信道状态信息( high-dimensional Channel State Information (CSI)),然后在目的地重建。

混合波束成形(HBF):生成高维搜索空间的低维表示,允许搜索和识别最佳预编码器,简化HBF优化,减少CSI反馈开销,提高频谱效率。

网络流量生成:降低在动态场景中训练机器学习(ML)模型的带宽和计算需求,例如联网车辆或无人驾驶飞行器(UAV,或无人机)的通信,或在保持高精度的同时生成更细粒度的数据。

网络流量分析和异常检测:结合无监督深度学习,生成式AI可用于异常检测,不需要大量标记数据就可以进行训练,使其有可能检测到“零日”攻击,同时在数据和特征方面确保可扩展性。

网络选择:具有多连接能力的用户设备的潜在未来应用领域,其中的负载估计算法反过来可以为网络选择算法提供输入;该算法用于选择负载较轻的网络。


改进网络管理

在网络管理方面,生成式AI的应用更加多样化,包括改进网络规划、部署和运营。主要例子包括:

客户事件管理:生成式AI可以端到端支持这一过程,实现更高程度的自动化——从利用告警或程序跟踪等原始日志来帮助检测事件,到为客户支持请求或故障报告起草文本(并在必要时进行转换),甚至生成标记的分类故障报告集合,以便在出现类似的工单时方便搜索,从而更快速、更轻松地解决问题。

网络规划和部署:生成式AI不仅可以帮助完成网络规划,还可以简化规划完成后的网络节点部署和配置工作。比如,即使数据稀疏,也可以准确生成大致的无线地图,估计各种场景下的小区负载和流量路由,从而提高网络覆盖率和频谱利用率,通过学习和利用现有良好配置的结构,即使在参数调优更复杂的情况下,也能生成网元配置。

网络运营:生成式AI可以对运营产生重大影响,首先是故障诊断。甚至可以利用稀疏的数据中生成模型驱动测试(Model Drive Test, MDT)覆盖图。这反过来又可以当作有价值的输入,帮助诊断潜在故障。此外,网络切片的资源分配也是另一个很有说服力的例子,混合RL和生成式AI解决方案能够根据到达的数据包为每个网络切片分配一定的带宽。在这方面,预测资源利用率也可能很有用。

最后,利用生成式AI来改进针对恶意软件和恶意设备的检测,还可以将网络安全提升到一个新的水平。我们可以生成新的潜在恶意软件威胁(经过优化以逃避检测)来,训练恶意软件检测器,而不会有真正暴露给威胁者的风险,也可用于检测恶意射频(RF)发射器。

创造一个更加智能的联网未来

生成式AI可以为电信网络和电信业务带来的潜在价值清晰可见——我们感到兴奋的不仅仅是已经出现的用例。虽然仍有挑战需要克服,但这项技术的创新能力,以及学习和生成新数据的能力,将改变我们将来提供服务的方式——从优化XR网络数据流和实现自动驾驶车辆、无人机的安全远程操作,到实现挽救生命的机器人手术和远程诊断。

剩下的唯一问题是——应该如何利用这些机会?

更多信息

更多地了解爱立信‘电信业AI的优势’博客系列,或点击这里完成注册,在有新帖子发布时收到通知。

阅读这篇最新博客帖子,了解在企业中利用生成式AI的机会,了解爱立信如何在公司内部运营中利用该技术。

更多地了解电信业 AI以及它如何帮助构建更智能的网络。

如果你通过订阅或学术机构进行访问,请阅读我们通过Springer发表的完整研究论文《移动网络中的生成式AI:调查》,查看更多相关信息。

The Ericsson Blog

Like what you’re reading? Please sign up for email updates on your favorite topics.

Subscribe now

At the Ericsson Blog, we provide insight to make complex ideas on technology, innovation and business simple.