电信基础世界模型—— 迈向更高级别的网络自智

通信服务提供商（CSP）正走在迈向自智网络的征程上。其驱动力建立在三大支柱之上 ^[1][2]：

1. 降本：把当前的人工任务自动化；
2. 增收：通过自动化的服务保障提升既有服务的质量，带来额外收入；
3. 创收：由具备高度灵活性的解决方案催生的新服务，使运营商能够以更快的上市速度，向最终客户提供丰富多样的定制化服务。

TM Forum 已定义了不同的自智等级，而 CSP 的首要目标是向完全自智演进。要达到更高的自智等级，就必须在自智网络生命周期的各个阶段——规划、部署、服务开通、维护与优化——同步取得改进 ^[2]。

在自智网络中，预测性分析扮演着重要角色 ^[3]。人工智能（AI）驱动的模型通过预测动作的结果来指导网络决策，并持续学习。CSP 面临的挑战是：如何在不推高复杂度与成本的前提下，实施并集成能够覆盖广泛用例的 AI 模型与解决方案。

要在通往完全自智网络的道路上取得成功，需要 AI 智能体通过预测和推理网络的未来状态来支撑决策。当今的技术已能提供由大语言模型（LLM）驱动的 AI 智能体，灵活性很强；但它们缺乏准确预测网络关键绩效指标（KPI）、或评估某项动作对网络影响所必需的可靠性。另一方面，传统的机器学习（ML）预测模型往往只覆盖范围有限的一组网络 KPI，无法刻画网络的全部复杂性。

在本文中，我们提出电信基础世界模型的愿景：这类模型基于多种多样的网络数据训练而成，能够预测网络状态将如何随候选动作而演变，从而改进决策、提升自智能力。

世界模型是一类 AI 模型，具备预测"世界"状态的能力——在这里，"世界"即网络及其环境——即预测施加一系列动作后所产生的状态，用于辅助做出网络变更决策。世界模型可用于在变更真正实施之前评估候选变更的影响。

基础模型是在海量数据集上训练的 AI 模型。它们在文本与图像领域（LLM 与图像处理）已被广泛应用，如今也开始被电信行业采用。电信基础模型 ^[4][5]在各类网络数据上完成预训练与微调，这些数据涵盖从网络管理与编排到物理层的广泛范围。在经过充分预训练并针对具体用例完成适配之后，这些模型可以应用于广泛的任务。

世界模型可以依托基础模型来预测动作的影响，我们把这类模型称为基础世界模型。用基础模型来构建世界模型，其优势在于能够泛化到广泛的用例。

电信基础世界模型凭借对网络架构、部署、性能与特性的全面理解——尤其是对网络性能如何取决于网络配置的理解——将使 CSP 得以迈向完全自智网络。

管理域中的电信基础世界模型是众多自动化用例的使能者，例如意图管理功能、网络数字孪生（NDT），以及服务管理与编排中的无线接入网（RAN）应用（rApp）。
我们相信，上述挑战可以借助电信基础世界模型加以应对：它能够面向自智网络生命周期各个阶段的广泛用例，预测网络变更所带来的影响。

世界模型

世界模型预测环境将如何对所选动作作出响应。给定网络的当前状态和一个候选动作，它预测由此产生的新状态，如图 1 所示。这种"以动作为条件"的预测，正是世界模型区别于仅根据历史输入数据外推未来的模型之处，也正是它对前瞻性决策具有价值的原因。世界模型本身并不做决策或规划：它提供预测，供智能体、优化器和控制算法据以选择动作并评估其后果。

在电信领域，"世界"就是网络及其环境。电信世界模型刻画的是网络配置变更，以及用户行为变化、异常天气等外部因素，如何影响网络 KPI。训练数据必须包含在网络中所采取的动作，以及动作前后对网络状态的观测，并且必须足够多样，使模型能够把动作带来的效应与外部因素区分开来。这类数据在当今的真实部署中十分稀缺。世界模型已被视为 NDT 的强大引擎，并可为 5G-Advanced 与 6G 的运维决策提供预测性支撑 ^[4][6], 在 RAN 节能与 RAN 优化等具体用例中，它也已得到验证^[7][8]。 这一方向前景可期，但工业规模的落地部署仍是待解课题。

基础模型

基础模型是一种在广泛而多样的数据上训练、并可针对众多下游任务进行专门化的大型神经网络，如图 2 所示。完成预训练后，模型能够把输入压缩成紧凑的内部表征，即捕捉数据中最重要模式的嵌入表示。基础模型在文本与图像用例中已成为主流，同样也可以基于时间序列或其他类型的数据进行训练。

电信基础模型可以在多种电信数据上预训练，例如网络拓扑，故障、配置、计费、性能与安全记录（FCAPS），网络功能的内部数据，基础设施数据，以及同相与正交（IQ）采样等空口数据 ^[4][5]。其他有价值的数据源还包括产品文档与标准规范中的文本，以及由网络仿真器生成的合成数据。电信基础模型可以适配到广泛的网络管理、自动化与研发（R&D）任务，包括预测小区吞吐量或时延等 KPI、异常检测与根因分析。基础模型通常预测的是"给定历史数据，接下来可能发生什么"，其本身并不预测某个未来动作会带来什么效果——而这恰恰是前瞻性决策所必需的能力。要获得这种能力，有赖于训练数据中丰富的"动作—响应"样本，而典型的预训练语料并不包含这类数据。

电信基础世界模型把两者结合在一起，如图 3 所示：由基础模型提供网络的紧凑表征，再由世界模型在该表征之上预测网络对动作的响应。其结果是一个可服务于众多自动化用例的通用 AI 模型，既减少了需要维护的模型数量，也提供了对网络更为整体的视图。

电信基础世界模型的获得方式有两种：在动作丰富的数据上对已有的基础模型进行微调；或者在基础模型冻结的潜在表征之上训练一个较小的预测器。两种方式也可以结合，使表征与动态特性一并学习 [9]。无论采用哪种方式，基础模型都提供多模态网数据的紧凑摘要，而世界模型则在其之上刻画以动作为条件的动态特性。

在基础模型之上构建世界模型具有若干优势。同一个预训练表征可以服务于众多下游任务，因此单个基础世界模型即可适配到多种自动化用例，从而减少需要维护的模型数量，并提供更为整体的网络视图。基础模型还捕获了广泛的电信领域知识；若非如此，世界模型就不得不在学习"动作—响应"动态的同时一并学习这些知识。有了这一表征作为基础，世界模型便可专注于学习网络状态在动作下如何变化，从而更高效地利用有限的"动作—响应"数据。

图 4 展示了自智域（AD）的高层架构蓝图 ^[2]。自智域是指具备自智行为能力的一个系统、一组系统或一组智能体，例如在无需人工干预的情况下完成任务并遵循既定目标 ^[10]。

在业务层以及服务运营的上层，时间尺度因用例而异，关注点是端到端规划、客户服务管理与前瞻性故障处理。在日志文件、标准规范、产品文档与故障工单上微调过的 LLM 可能非常适合这一层；电信基础世界模型同样可在此发挥作用，例如用于服务等级协议（SLA）管理。在服务运营的较低层以及资源层的管理部分（例如 RAN 服务与网络管理），时间尺度在秒级到分钟级。这正是以拓扑、FCAPS 数据及其他管理数据等多种数据为输入的基础世界模型最具价值之处。在资源层的最底层，决策在毫秒级作出，基于底层无线数据训练的基础世界模型 ^[11] 可以支撑信道估计与波束选择等任务。本文聚焦于业务、服务，以及资源运营域中的管理部分。

本节列举面向更高自智等级的若干用例，并讨论电信基础世界模型在其中所扮演的角色。

• 基于意图的管理 ^[3]：意图使网络运营与管理从关注"怎么做"转向关注"要什么"。它可以用来表述我们希望在网络中达成的目标，然后由网络自主地确定配置、结合网络当前态势找出实现路径。其间可能出现冲突，而化解冲突的关键之一，就是在动作真正施加到网络之前预测其效果。基于预测结果，系统可以选出最符合既定目标的动作。意图管理功能将能够借助电信基础世界模型（它可以作为 NDT 的一部分）检验不同动作的效果，从而在网络中采取行动以实现意图。
• 网络数字孪生：NDT 以给定的细节级别维持一份实时网络（或其中一部分）的最新镜像，可用于广泛的用例，回答各种"如果……会怎样"的问题。例如：某个故障会对网络所提供的服务造成什么影响？某项新服务能否接受特定的 SLA，又会带来什么后果？电信基础世界模型可以作为 NDT 底层的 AI 引擎。
• 网络规划与部署：电信软件高度可定制，但这种灵活性伴随着大量配置参数，正确设置它们既费时又繁琐。借助电信基础世界模型，配置过程可以确保选出满足特定客户需求的正确配置。另一个例子是网络规划：云原生 RAN 部署带来了很高的灵活性，目前很难在兼顾各种性能与可用性要求、权衡不同硬件与软件选项、同时尽量降低成本的前提下找出最佳方案。对于这一用例，电信基础世界模型可用于自动评估所生成的各种可行方案。
• 网络优化：rApp 可用于优化网络性能，例如控制上下行功率或天线下倾角。面对容量、覆盖与能耗等多重目标，可以调用不同的优化类 rApp 来处理 RAN 的配置变更。在这一场景中，电信基础世界模型为基于强化学习的 AI 智能体提供了安全的训练环境。
• OSS/BSS 中的 AI 智能体：在 BSS 域，许多人工流程可以借助 AI 智能体实现自动化，例如包含 SLA 协商在内的客户订单流程自动化。电信基础世界模型可以通过预测智能体决策对 SLA 的影响，来支撑有效的决策。
• 预测性故障管理：如果某些故障能够被提前预测，就可以在其发生之前加以缓解，把影响降到最低。例如，数据中心的告警或 CPU 温度测量值可能表明某台服务器很可能失效，此时最好提前将流量与工作负载从该服务器迁走，以避免服务中断。电信基础世界模型有助于回答这样的问题：给定当前状况，某个网元在接下来的几分钟或几小时内是否会发生故障？采取一组给定的补救动作能否缓解该故障？
• 更好地处理软件缺陷：软件缺陷与漏洞需要快速修复。在现网中检测到软件缺陷或漏洞后，必须交付新版本代码并在部署前完成验证。电信基础世界模型可以通过预测补丁在某一运营商具体环境中的影响来支撑这一过程，有助于确保补丁不会因该运营商特有的功能、配置与环境而导致其系统崩溃。

构建电信基础世界模型颇具挑战，难点涉及建模、数据与运营三个方面。模型必须既刻画网络拓扑的空间信息，又刻画时间维度上的变化——从网络利用率的短时峰值到季节性规律。此外，它还应当能够在采用不同无线硬件组合的各类部署之间实现泛化。一个核心难点在于：把管理操作对网络的影响，与外部因素及突发事件所引起的 KPI 波动区分开来。

数据质量同样至关重要。训练数据必须相关、完整、可追溯，同时满足合规监管、数据主权、数据所有权与合同边界方面的要求。隐私保护通过对最终用户身份、站点地理位置、小区标识以及 CSP 名称进行匿名化来实现。然而，对空间信息的匿名化又会限制模型学习建模任务所需的空间与拓扑结构的能力。在运营方面，训练与推理都伴随着不可忽视的基础设施需求与成本，必须注重设计节能、可扩展且可持续的方案。

预训练基础电信基础世界模型，并针对客户网络进行专门化

在典型场景中，供应商基于自身的领域专长构建电信基础世界模型。供应商利用可获得的数据与知识——包括来自仿真的合成数据以及产品文档中的内容——对基础模型进行预训练。凭借这种广泛的知识，基础模型可以在众多部署中复用，并直接应用于常见的网络自动化问题。

当需要面向特定客户的精度时，可以把基础模型专门化为特定客户的电信基础世界模型，并以来自该客户网络的数据加以充实。这种专门化在保障数据安全的前提下捕捉 CSP 网络的独有特征以及其希望解决的问题类型：某一 CSP 的数据绝不会以任何方式用于其他 CSP 的模型。

开放的研究问题与可能的方向

在通往工业规模电信基础世界模型的道路上，仍有若干开放的研究问题，主要如下。

数据可获得性：用于训练的数据可获得性仍是核心挑战之一。隐私是其中一个方面，但获取多样、高质量的数据，以及厘清训练电信基础世界模型究竟需要多大规模的数据，本身就是难题。除可获得性之外，数据还必须足够丰富，以支持把网络上所采取的动作与外部因素相解耦。否则，模型学到的只是相关性，而不是网络自动化真正依赖的"动作—响应"关系。

一个模型还是多个模型：一个核心问题是：究竟应当运行许多面向具体用例的模型，还是少数几个通用模型。专用模型在狭窄任务上或许表现最佳，但运行大量此类模型成本高、复杂度大。少数几个通用模型能否在简化运营的同时达到同等性能，本身也悬而未决。更具体地说，单个模型究竟能有效刻画多少网络参数与 KPI，以及上下文信息是否足以在多样化的网络站点上同时实现高性能与成本效率，目前仍不清楚。一条务实的路径是：在数据差异显著之处先采用专用模型，并把领域知识与数据驱动模型相结合，从而在性能与模型复杂度之间取得平衡。

生命周期管理：电信基础世界模型的生命周期管理涵盖训练、部署、再训练、通过微调或上下文学习适配不同的历史与当前任务，以及退役。跨网络域与用例复用模型有助于简化生命周期管理，但由于很可能仍需微调，对微调版本的管理也不可或缺。诸如上下文学习这类无需再训练即可根据具体上下文调整模型输出的方法，或许能进一步减轻生命周期管理的负担。

合成数据的作用：基于第一性原理与数据驱动模型相结合的网络仿真器，可用于生成罕见或高风险情形下的数据，或生成保护隐私的数据。电信基础世界模型需要在展示变更及其后果的稀有数据上训练，而合成数据是当下生成此类样本的关键资产，但它需要与现网数据相结合。开放的问题包括：真实数据与合成数据的最优组合策略；以及随着闭环智能体在网络中日益普及、常态化地施加各种变更从而随时间积累出更丰富的现网数据，合成数据的角色将如何演变。

处理不同类型的数据：文本、图像、语音与时间序列均已有优秀的基础模型可用。电信数据则引入了探索较少的输入类型，例如网络 KPI 的时间序列、地图或拓扑信息，其中包含不规则且罕见的事件。在处理这些输入时如何复用预训练模型，以及判断引入新类型的数据是否值得付出复杂度上升的代价，仍是开放问题。针对这些新数据的高效训练与适配本身也是挑战的一部分。

可信性与安全性：必须确保电信基础世界模型得到可信、安全的使用，并设置适当的护栏机制以维护网络的完整性。可信性涵盖模型预测的可靠性，包括不确定性估计；安全性涵盖训练数据与模型权重的保护，以及输入与输出的完整性。这些方面在多大程度上可以通过训练本身、或通过外部护栏来加以保障，仍是一个开放问题。

电信基础世界模型是迈向更高级别网络自智的关键基石。它们在海量、多样的电信数据上训练而成，支撑前瞻性决策与自适应能力，并将在基于意图的管理、NDT、网络资源优化与预测性故障管理等领域发挥根本性作用。迈向自智网络将为 CSP 带来成本节约、既有收入的提升以及新的收入来源。

实现这一未来需要 CSP 与供应商之间的协作。CSP 应当通过允许其历史运营数据用于电信基础世界模型的训练过程来支持这项工作。要取得成功，电信基础世界模型需要丰富的数据，涵盖从网络运营变更到最终用户体验的方方面面。当需要特别注意隐私保护时，可以构建面向特定客户的专门化模型。

电信基础世界模型为 CSP 带来了独特的机遇。现在正是展开对话、共同塑造这些模型未来的时候，以使其切实回应 CSP 的痛点，助力其迈向更高级别的网络自智。