一直以来，人工智能和无线通讯技术都在各自的轨道发展，各自经历萌芽、爆发、沉寂、复兴，彼此却没有太大关联。

蒙着一层科幻色彩的人工智能概念其实已经诞生了60多年。一般认为，1956年的达特茅斯会议是人工智能这一概念的起源。约翰·麦卡锡，1971图灵奖获得者，是当年这场会议的发起人。人工智能夏季研讨会(Summer Research Project on Artificial Intelligence)，这个全新的会议主题让他成了第一个正式使用AI概念的人。在这场会议的半个多世纪前，意大利人伽利尔摩·马可尼刚刚实现了人类历史上首次无线电通信，虽然当时的通信距离只有30米，但也算敲开了无线通信时代的大门。

历史发展至今，深度学习与大数据引领的第三次AI浪潮正在进行，无线通讯技术已经走过1G、2G、3G、4G，全球的运营商都开始谈论5G网络。在这样一个时点，两项备受瞩目的技术出现了交汇的契机。

5G和AI是密不可分的两大战略发展领域

5G和AI是两大毋庸置疑的战略发展领域。从5G的角度来看，GSMA在2017年发布了一个白皮书——《5G开启无线连接与智能自动化的时代》，这份报告为全球的通讯行业描绘了一个非常美好的前景：到2025年，5G的连接数量将会超过11亿，约占全球移动连接数的12%，覆盖超过全球1/3的人口数量。5G也会为运营商带来超过2.5%的年均复合增长率（GAGR），2025年，收入将达到1.3万亿美元的体量。

这份报告同时还对全球750位运营商的CEO以及设备商的高级项目经理做了一个调研，其中包括“5G将主要支持什么业务？”。结果显示，83%的人都选择了AI驱动的业务。可见，AI驱动的业务会是5G主要的应用场景。

从AI使能5G这个角度来看，AI其实可以用在各行各业，不只是通信行业。经历了这几十年的发展，电信行业将是AI最大的细分市场，Tractica/Ovum的全球调研报告指出，到2025年，全球电信行业对人工智能软件、硬件和服务的投资预计将达367亿美元。电信行业的AI年收入额将以48.8%的年复合增长率，从现在的3.157亿美元增长至2025年的113亿美元左右。这个体量也是相当大的。

但是我们可以通过对比发现，电信行业AI的体量比起5G的体量还是要小很多。5G是1.3万亿美元的收入，AI是113亿美元的收入，差距100倍以上。我们把AI投入到电信行业，如果能把5G的收入增加1%或10%，把5G网络建设的成本降低1%或10%，对运营商来说，那将是一笔非常可观的收入。

因此，5G和AI是密切相关、互相促进的一种关系。

5G促进AI应用发展

相比4G网络，5G主要是在用户的吞吐量、端到端时延与连接密度方面有非常大的增强。正是因为这种增强，5G网络能承载许多4G网络现在无法承载的智能业务。

比如智能医疗，像远程手术这类场景对时延、图像识别的要求非常高，用4G网络承载可能满足不了图像传输的时延、带宽的要求，而5G具备低时延、大带宽的特点，它可以针对智能医疗中的远程手术做很好的承载。

比如智能交通，未来在5G uRLLC低时延的场景下，自动驾驶也可以得到更好的支持。还包括智能家居、智能电网、智能农业这种IoT类的，它们对连接密度有非常高的要求。5G面向高密度连接的mMTC场景也能为这些智能业务提供非常好的承载。还有工业自动化，它对时延的要求和自动驾驶不相上下，需要精确地控制一些工业设备来完成各个零件的组合和装配。未来有了5G网络，这些AI驱动的智能化业务都能得到更好的发展。

另外一方面我们来看，为什么5G网络的商用部署离不开人工智能。人工智能已经发展了60多年，我们的通信网络也不是现在才有的。那为什么人工智能到了5G就成为必不可少的技术呢？我们从三方面来看：1. 新型网络架构；2. 新型空口技术；3. 新型部署方式。

新型网络架构

在5G网络，我们引入了SBA（Service-based Architecture）网络架构和网络切片。网络切片可以针对用户的需求，来组合切片中用到的网元和虚拟网元；根据业务量的变化动态地分配虚拟网元的资源或者是承载资源。但这种按需分配和网络架构层面的动态调整是传统的人工手段无法支持的。传统的网络架构调整，周期是以年计的，一般以年为周期来规划和部署，一旦部署下去，长时间内不会改变。未来，这种网络资源方面的调整，很可能会以小时计。这种高频率的，针对网络资源的精确投放，就需要人工智能技术来辅助实现。

新型空口技术

5G空口两个最重要的特征：一个是Massive MIMO或者3D Massive MIMO（大规模天线）；另一个是高频通信。Massive MIMO带来天线数量的增加，功率的增加。按已经能看到5G频率和4G频率的对比来说， 5G频率比4G频率基本上会高至少一倍。4G从1.8G到2.5G，5G从2.6G到4.9G。这个频率的升高意味着，每个站点覆盖的面积会变小，站点的数量会变多。据我们已经了解的，5G基站的耗电量最低也在2700千瓦左右，至少是4G基站的3倍。所以大量地部署5G基站，会给我们带来非常高的耗电成本。因此，我们一定要引入基于人工智能的手段来做5G基站的节能，包括Massive MIMO智能化的配置，根据用户分布和场景的智能化识别，来考虑的一些智能化的载波关断技术等等来优化无线网络。

新型部署方式

5G核心网都是基于虚拟云化部署的，另外引入了一个重要的概念，边缘计算（Multi-access Edge Computing, MEC）。未来有很多5G网元会以虚拟化的形式部署在数据中心，而且这个数据中心的数量会很多，除了大区的省市的，还会有一些边缘的，甚至下沉到接入局所，一些有条件的机房，也会放这些服务器，比如去做5G UPF（User plane Function，用户面功能）的下次，面向本地业务的平台部署和流量卸载等等。在承载同样业务量的情况下，服务器的耗电相比传统的网络设备来说，也会有较大的增加。所以，从部署方式来讲，我们也需要引入一些人工智能和大数据的手段去做数据中心的节能，对机房整体制冷系统的控制和节能，来减少OPEX（Operating Expense）的支出。

从以上三个大的方面来讲，5G是运营商面临的最复杂的网络，需要大量的投资，包括固定投资和运营的投资。很多5G网络的维护工作是传统的人工方式没有办法满足的，迫切地需要引入人工智能手段来支撑5G网络真正的大规模商用部署。

AI在5G中的应用场景

 应用场景1：5G端到端切片智能编排和运营 

1. 5G端到端切片智能编排

（1）采集数据，掌握网络的实时运行状况

（2）利用人工智能技术，根据历史数据和实时数据对网络业务以及相应的资源需求进行预测和评估

（3）给出恰当的建议措施（如网络切片的扩容、缩容、变更等）

2. 5G端到端切片智能运营

网络切片不是一段核心网或无线就能搞定的，可能是无线加上承载网加上核心网。对用户来说，这种快速的开通和按需变更要能做到端到端的自动化管理。引入切片服务智能客服，能够提供智能化的交流、咨询、切片套餐推荐等服务，并完成智能化的端到端切片业务开通。

 应用场景2：基于AI的Massive MIMO参数优化 

5G 引入Massive MIMO技术后，无线侧配置参数的pattern组合有了指数级的增加。我们了解到，3G无线配置的组合是13种，4G大概有283种，5G大约是13000种。就算可以梳理一些基本的配置模板，但在后面的优化过程中，也还是会涉及各个参数的调整。所以，需要在这件事上引入人工智能的技术，来实现5G大规模天线复杂参数的智能化配置。

1. 智能权值搜索和监控

基于UE（User Equipment，用户终端）的分布情况，根据覆盖用户数最多的原则，搜索和预测最优的水平/垂直波瓣宽度，方位角和下倾角。

2. UE位置估算和预测

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时间内小区内所有UE的位置信息

3. 场景自学习

可充分运用于类似体育赛事、演唱会等大型活动。

比如，利用MR(Measurement Report，测量报告)信息描绘出终端在体育馆内的大致分布，进一步利用分布识别场景。根据不同场景，推荐最优权值，并将最终的权值反馈到场景识别模块，使得推荐不断进化。

 应用场景3：AI辅助的智能无线网络规划 

这件事其实在4G网络上已经在开展了。无线网络开通前后要做路测和评估，根据收集上来的MR信息，对多个场景进行识别和分析。综合用户投诉、各种网络优化的KPI等要素做大数据分析以及AI辅助的决策，帮助运维人员更好地确定把站点部署在哪里，如何配置参数，哪些质差小区能通过扩容来解决，以及哪些是无法通过扩容来解决的……并会给到一个整体的网络部署的评估。

在5G网络部署的时候，也一定会考虑基于4G网络的大数据和AI分析，来决定应该在哪里部署5G的站点，以及一些4G、5G协同的调整。

 应用场景4：基于AI的智能边缘计算 

边缘计算在5G阶段是非常重要的发展方向，它在边缘的DC（数据中心）里引入了服务器，也引入了支持AI运算的能力，使得可以在边缘节点上，配合中心的DC以及用户的终端来做AI业务的智能优化。主要有以下四点：

1. 本地缓存

基于AI对用户的业务流和用户移动模式进行预测分析，有针对性地确定预存内容和内容推送，从而提高内容分发效率。

2. 智能定位

通过位置已知的终端测量的各无线通信系统信号特征，借助AI、大数据收集分析和边缘计算节点的实时计算能力，利用指纹信息指导实际应用中的终端定位。

3. 频谱感知

边缘计算节点，基于不同无线系统的频谱测量结果，利用AI技术对各无线系统在不同区域的无线环境特征、用户行为特征，以及不同用户的业务特征等，进行分析建模，支撑具体应用场景。

4. 业务感知

在边缘节点上部署高算力的硬件解析资源，结合AI和大数据能力，分析挖掘数据、业务和无线环境之间的内在关联，提供更为准确、智能的业务特性识别。

网络边缘缓存已成为内容分发的趋势，可大幅提升用户体验、网络吞吐量和能效。AI技术可预测用户偏好，精准推荐内容给用户，并结合用户推荐预测无线边缘缓存。

 应用场景5：智能基础设施节能 

1. 基于AI的智能基站节能

在5G的基站中，希望通过AI辅助的业务分析、场景识别建立一个流量变化模型，来控制载波的智能关断，从而降低基站功耗。

2. 基于AI的数据中心（DC）节能

通过自动学习数据中心里服务器上的业务、流量的变化模式，根据这些信息，在非高峰时间段，把一些可迁移的业务集中部署在某一些服务器上，把空闲的服务器置成“睡眠”状态，同时会考虑整个机房制冷的控制。工作状态的服务器会消耗200-500W，睡眠状态的服务器仅消耗20W。DC实际的负载情况对效果会有一些影响。

 应用场景6：AI辅助的运维优化 

1. 网络故障预测

从传统的事后优化转化为事前的预测和提前防备。

2. 网络健康度检查

基于大数据和人工智能技术的网络健康度分析，预测网格内未来一天、一周、一月的小区网络质量并提前预警，针对质差小区，分析引起质差的关键指标及可能的原因。

3. 网络告警关联和故障定位

传统网络运维管理人员分析网络警告、判断告警原因、查找告警根源、定位并排除故障，耗时耗力。神经网络系统通过不断学习和训练，计算、翻译和调整分布于神经网络当中的连接权值，以整体的方式表达关联规则和故障诊断结果，准确定位网络故障。