至顶网网络频道 04月23日 综合消息: 2019年04月17日,在深圳举办的华为2019年分析师大会期间,华为正式发布自动驾驶电信网络SoftCOM通信智能白皮书。诠释自动驾驶电信网络的战略演进,架构创新和分级理念,展示电信网络AI方面的平台价值,场景探索和案例落地,为AI在自动驾驶电信网络中的应用指明了方向。
当前随着网络复杂度的激增,网络走向自动化已经成为产业共识。结合电信网络的发展历程,华为的网络架构在ALL IP阶段提出Single战略,云计算崛起后,2012年进入ALL Cloud阶段,提出SoftCOM(Software defined Network+TeleCOM)实现以数据中心为中心的网络。近年来随着人工智能技术的发展,提出全面智能化(ALL Intelligence),将人工智能引入电信网络,SoftCOM AI诞生,打造自动驾驶的电信网络。华为发布自动驾驶网络理念后,借鉴汽车自动驾驶的分级理念(L0-L5),从运营商的核心运营流程出发,通过分场景的阐述与分级定义,旨在凝聚业界共识,让每一步努力都与实现全自动驾驶的梦想有效结合,有效推进网络自动化的实现。
白皮书首次发布华为SoftCOM通信智能平台系列:数据湖,训练平台和推理框架,以及基于华为SoftCOM通信智能平台系列所能提供的电信网络AI服务。SoftCOM通信智能数据湖,提供主题和训练数据集服务。准确适配各种模型训练需求,结合领域专家经验知识和现网反馈,提供数据治理服务。SoftCOM通信智能训练平台,集成电信领域特征处理,辅助快速识别等关键特征,内置电信领域AI典型算法,如异常检测、根因分析、业务预测等,实现一站式高效模型训练服务。SoftCOM通信智能推理框架支持模型自动安装更新部署,灰度发布,跨网络数据采集传输,多模型的推理执行,定时调度和有效推理评估等,实现敏捷推理服务。
白皮书提出从基础设施层、网络设备层,业务承载层的三个层面引入AI的场景和节奏。AI在基础设施层的应用,主要为有源硬件设施提供AI加速器,实现不同层级的训练和推理能力。AI在网络设施层的应用,对网络和业务实现智能网络优化、运维、管控。实现网络KPI优化、路由优化、网络策略优化等。AI在业务承载层的应用,随着虚拟化网络部署,编排层上可逐步叠加AI能力,提升业务编排、端到端资源编排的自动化和智能化水平,实现业务质量优化。
与此同时,白皮书首次公布了华为在5G与AI相结合的探索与规划,华为将结合5G网络的规划,建设,优化和运维全生命周期,将AI渗透到端到端网络,实现智能5G。从5G建站智能化、5G切片智能化和5G DC智能化三个方面切入实践。5G建站基于多目标站点规划自动推荐站点位置和开站参数,自动开通大颗粒特性,参数自动优化。5G切片智能化基于中心云/边缘云构建的自动化能力持续增强网络切片,实现资源实时感知业务,按需调整,极简配置缩短业务上线时间。5G的DC智能化包括智能化扩容配置、跨层联动节能、智能巡检,硬盘故障预测维护,MEC智能运维等。
华为SoftCOM解决方案总裁韩雨发认为:“自动驾驶电信网络是业界的全新使命,需从架构和关键技术层面进行系统性思考和创新。SoftCOM通信智能解决方案通过架构性创新,在网络规划,建设,维护和优化端到端流程中全方位引入AI,使能全场景自动驾驶电信网络。”
“运营商网络的智能化不可能一蹴而就,是长期实践的过程。SoftCOM AI是华为All Intelligence战略在电信领域的落地,其中最核心的AI能力依托于华为在All Intelligence中长期坚决的战略投入而积累成长,和电信领域场景相结合,帮助运营商打造永不故障的自动驾驶网络,尽快实现数字化、智能化转型。” 韩雨发最后表示。
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。