专题导读：电信网络人工智能

电信网络是数字化社会重要的基础设施，随着5G、人工智能、物联网等技术的快速发展以及虚拟现实、自动驾驶、工业控制等新应用的不断涌现，人们对通信网络的多样化需求也日益增长。目前，将人工智能与电信网络相融合，形成高度智能化的自治网络已经成为业界的广泛共识。实现通信网络在规划、建设、维护、优化、业务、服务、安全以及管理等方面的智能化，是未来通信网络发展的必然趋势。

《信息通信技术与政策》第9期设立“电信网络人工智能”专题，重点围绕电信网络智能化的标准化与产业化发展现状、关键技术、应用场景与典型案例等多个方面进行了探讨。希望对于读者了解电信网络智能化及其进展情况有所帮助，同时希望业界协同聚力攻克电信网络智能化过程面临的系列挑战，加速实现电信网络智能化的实践与应用部署。

程强、刘姿杉的《电信网络智能化发展现状与未来展望》基于当前国内外主要标准组织和产业界对于电信网络智能化的开展与推进情况，针对电信网络智能化的研究热点进行分析总结，进一步对电信网络智能化的未来发展进行了发展。文章对于及时了解国内外电信网络智能化标准现状与产业进展、热点方向有一定参考意义。

易芝玲、孙奇、吴杰、段然的文章《人工智能在5G无线网络中的标准与应用进展》，详细介绍了人工智能在5G中的应用场景，分析了人工智能在5G无线网络中应用的关键技术和挑战，包括高效的无线数据采集和存储、无线AI算法、网络架构、接口和流程等。文章对人工智能在5G无线网络中应用的标准进展和典型应用进行了介绍，并从网络数据的获取、智能架构、联合学习机制研究和产学研融合等方面提出了应用发展建议。

廖军、谈鹏驹、张冬月、刘永生的文章《人工智能在电信网络中的应用研究》首先介绍了5G网络给运营商带来的挑战，然后重点分析了电信网络应用人工智能不同于自然语言处理、图像识别等场景的特殊性，对电信网络智能化的智能识别/过滤、智能配置、智能预测、智能感知/决策等应用场景及典型案例进行了介绍。

李鉴、邵云峰、卢燚、吴骏的《联邦学习及其在电信行业的应用》 基于华为NAIE联邦学习平台的实践，论述了联邦学习框架、联邦学习平台落地的关键技术包括模型隐私保护和私有化等方面。通过分析电信领域为何需要联邦学习，进一步给出了具体的应用案例，指明了联邦学习未来的发展方向。

孟伟、袁丽雅、韩炳涛、刘涛的《深度学习推理侧模型优化架构探索》论述了深度学习推理侧模型优化现有的不足和优化需求，阐述了模型优化加速的整体架构和基于5G网络深度学习推理侧模型优化的框架。文章最后介绍了深度学习推理侧模型优化技术的具体开源实践，并提出了推理侧模型优化业务的发展建议。

肖扬、吴家威、李鉴学、刘军的《一种基于深度强化学习的动态路由算法》 为解决传统路由算法的一系列弊端，通过将深度确定性策略梯度与路由场景相结合，提出了一种基于深度强化学习的新型动态路由算法，并在自行开发的网络模型漆RL4Net上对该算法的效果进行了验证。文章对于探索机器学习算法在网络中的具体应用具有一定的启发意义。

潘峰、吕博的文章《基于人工智能的同步测试巡检技术研究》针对目前同步测试场景的痛点问题，基于人工智能技术，提出了一种同步测试巡检技术方案，首先实现了同步测试模式分类及异常检测算法，其次依托于云计算平台搭建了同步测试巡检系统，最后进行了现场试验验证。结果表明，基于人工智能的该同步巡检方案可自动同步测试智能巡检，及时发现测试异常情况，在一定程度上可提升测试效率、降低测试风险。

以上文章刊于《信息通信技术与政策》第9期

主办：中国信息通信研究院