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
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。