2024 版 ICT服务与软件 2030

目录01宏观趋势与展望 040102ICT服务与软件2030未来场景 0602规建+AI：SLA从不确定性到确定性 06规建AI+：从数字化集成到“系统工程”集成 08运维+AI：从“面向网络”到“面向业务” 10运维AI+：从服务“人”到服务“机器”的运维 12维优+AI：从人等网络到网络等人，激发体验变现意愿 13维优AI+：基于智能内生的网络优化Agent 14营销+AI：数智新业务，敏捷创新，牵引新增长 15营销+AI：从成本中心到“效益中心” 16赋能+AI：从“基于文档的信息体系”到“基于Token/Pitch的知识体系” 17赋能AI+：从“人找知识”到“知识找人” 1803ICT服务与软件2030愿景及核心技术 20数字孪生 20模型驱动 22ICT融合交付 23数据工程 24以业务为中心 25平台智能化 2704ICT服务与软件2030倡议 2805附录（参考、缩略语） 29050101宏观趋势与展望新技术、新业务、新范式等带来无限新可能，引发无限新畅想，同时也引入诸多不确定性人类正加速迈入智能世界，数字化、智能化、低碳化的确定性发展趋势已成共识。面向2C的裸眼3D，AI背包，自动驾驶以及面向2B的工业制造无灯工厂，基于“机械手，机械臂”的智慧矿山，智慧港口正在加速到来；以GenAI为代表的大模型、人工智能、5G-A、超大规模算力集群、液冷数据中心、数字孪生、智能体等新技术一日千里；新的知识和数据管理体系、平台智能化、大小模型协同、AIforNetwork、NetworkforAI等新范式应运而生，三者协同共进为数智新业务的创新和涌现提供了支撑，引发无限新畅想，创造无限新可能。要将每一代新技术、新范式引入生产环境，释放新的生产力，都需做到在现有业务生产环境和谐共生基础上持续平滑演进，能对“复杂性和不确定性”有效管控，实现ICT基础设施全生命周期有序演进，及时满足新业务、新体验

对ICT基础设施新能力的需求，激发新创新，实现新体验的持续升级，最大化投资效益，从而驱动行业数智化转型的加速。如AI教母李飞飞所言：AI是一门渗透式技术，会像水一样影响每个人，每个行业。随着新业务，新技术，新范式的持续演进，未来的ICT服务和软件行业也将迎来更大的不确定性，我们需要思考如何让如此多的新业务、新技术、新范式释放出商业价值和技术红利的同时，也要同步考虑如何通过新技术来改善自身全生命周期的竞争力：+AI：如面向千行百业，万物“智”连，SLA带来的不确定性，网络故障爆炸半GenAIAI做的事情AI+：如大模型，机器人，具身智能体已成为未来服务模式不可分割的一部分，如何通过Agent+++平台的模式，提升规建维优营培效率，改善成本和模式，AI需要帮助服务做的事情。ICT服务与软件2030未来场景：AI+改变服务模式，+AI带来众多服务新场景不确定性不确定性SLA确定性SLA服务56000+客户信息体系 知识体系数字交付系统工程交付人找知识知识找人携手6200+伙伴超大上行，低延迟，6个9规从基于人的“信息系统”转向基于模型的“知识体系”基于MFU，线性度的规划设计建知识体系融合伙伴人员培 生产流，实时推送服务AI+服务AI+ICT服务与软件2030场景服务AI+服务AI+服务人服务智能体维营成本中心利润中心面向网络 面向业务优数字业务 数智业务以智能体为中心的感知，分析及工具加速智能化转型基于数据的运营促进用户发展和维挽加速释放技术红利面向“业务”的运维运维“anytimeanywhere”实时营销面向2030年，未来已来，如何用确定性的服务能力来解决众多不确定的+AI和AI+的需求，是每一个ICT人需要思考的关键问题…0202ICT服务与软件2030未来场景规建+AI：SLA从不确定性到确定性2030GartnerIMT2030年预测，AR/VR/MR30的终端2030也将成为现实，基于“机械臂，机械手”的黑灯工厂，无人矿山随着行业智能化成为企业刚需；同时智能体、机器人也将逐步取代当前人类大部分重复性工作，

2030AIAgent活跃用户数将60ICT203045%Agent覆盖，100的角色将拥有自身Co-pilot，不仅包括虚拟世界中的数字分身，还包括物理世界的具身智能，比如工业机器人，服务机器人，陪伴机器人，自动无人机，自动驾驶汽车等，这些新的服务对象会对未来的网络规划产生极大的不确定性。行业业务类型业务对网络的要求数量业务可用（单用户、单业务）安全可信带宽需求/单用户（Mbps）业务时延需求（ms）B1B2B3B4B5T1T2T3T4T5S1S2M1M2M31~1010~2020~5050~100>10050~10020~5010~205~10<5可视可管可运营智能医疗16K远程诊疗101G监测护理2K全息远程手术510G智能电网视频巡检-电网控制-无线监测-智能制造工厂环境100信息采集10K操作控制1K参考信通院《5G端到端切片行业SLA需求研究报告》SLA主要要求的是通话接通率，掉话率，MOS（平均意见值），呼叫建立时延，追求的是在人的主观体验承受范围内的体验需求，Agent2C生活2BSLA来保障生活中的极致体验和生产不中断，如自动驾驶，低空经济，智慧港口等场景一旦发生问题很容易导致全行业跨城市，跨国际的重大灾难，所SLA的高可靠性。从商业角度来看，“万物智联”的网络相比面围绕“人”感知的体验传播模型，提供人的最优体验

向“人”的网络难以直接用传统的套餐/DOU/渗透率来计算投资回报。每类场景均面临不同的商业模式及建网需求，需要结合各区域、城市的“智能化程度”来进行精细化的建网规划和上市节奏，所以“滴灌式投资”对系统集成的TTM的要求会更高。如何在复杂的业务场景中快速抢得市场先机，需要结合确定性的业务场景SLA需求进行快速网络升级和ROI。规划更需要通过数字孪生构建网络实时仿真能力，基于未来网络建设业务场景化需求变化快速规划网络目标网，通过规划设计快速在虚拟世界孪生物理世界的业务及网络变化，构建面向人和“机器”的传播模型及网络性能仿真预测，同时要求规划成为小周期迭代。精准度实现99.9%，TTM相比当前提升50%。围绕“机器+物”的感知传播模型，提供机器的最优感知MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立时延虚警率↓5%掉话率，抖动↓10%99.64%MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立时延虚警率↓5%掉话率，抖动↓10%99.64%98.51%1.1%接通率0.4%0.82%0.4%掉话率感知覆盖率↑10%感知精度30m↑15%规建AI+：从数字化集成到“系统工程”集成1.00.80.61.00.80.60.40.201000卡 2000卡 4000卡 8000卡卡数AI代表模型训练卡数CatGPT千卡GPT-4万卡Gmi5.4万TPUGrok210万卡GI百万卡（星际之门计划）99.90% 99.95% 99.99%集群随Scalinglaw规模越来越大，Grok2和星际之门计划已经逐渐扩展到十万卡，百万卡，字节在2024年2月发布12288个GPU训练175B的MegaScale系统，比肩谷歌，达到业界目前万卡集群最高水平。字节用了多达9种优化方法，也只把MFU做到55%，距离MFU（最高95%)仍有巨大的差距，MFU每提升1PCT，将会带来上千万成本的成本节省，数倍的性能提升以及训练TTM的缩短，同时根据Mason预测，当前智算OPEX相比传统通算OPEX上涨35%，2050年将上涨50%以上，主要是水，电等。全栈DCL1&L2联动AI节能和高MFU规划将成为智算中心刚需。

AI业务对智算网络的需求和竞争力构建方向也完全不同，如不同的LLM，小模型训练推理场景：算力、网络带宽、网络延迟、内存系统架构要具备足够的灵活性。网络作为联接底座，将‘算’‘存’灵活配置组合，以适配不同场景，没有一种业务同时需要5种能力，以网补算、以算补存、以存代算，“网存算协根据普华永道预测，2030年前通过相同算力需300%的优化空间，所以面对未来高复杂的MFU和线性度要求，基于“系统工程”的集成服务将成为行业刚需。AI业务计算算力网络带宽网络延迟内存带宽内存容量LLM训练LLM推理(Prefill)LLM推理(decode)推荐系统训练推荐系统推理训练数据/知识作业及记录，记录即数据--> 已不够用，知识数据亟需积交付数据（持续积累）：静态知识->思维链+DSL语言交付平台(IT)支撑交付平台(IT)支撑协同调用现场单兵装备手机/卷尺-->智能作战装备XR+AI本地离线->端云协同，智慧具身交付大脑工具：单机/功能-->Copilot，思维链，场景化Agents决策：经验/责任-->算法寻优，数据透视，辅助决策WSD/WDT… CoreMaster… MOSS/FOCopilot…持续训练，多种模型，各种外挂，灵活调用工具Silo工具-->原子化CDE…垂直领域调用->组合->创造工具平台、工程师、物理集中--->交付AgentsCopilot企业：场景各异，金额小运营商：场景标准，金额大交付模式未来交付模式降从传统的人+工具物理集中Agent+Copilot逻辑集中。传统的交付是按照站点数量配人，如3000100人交

付90天，且资源需要随交付地点进行安排交付队伍。未来的交付将更集中化。在集团，省构建集中化交付中心，通过Agent，Copilot进行站点勘测。MOP设计、原厂配置等等；现场工作将更加聚焦和流程化。同时，以前的交付项目经理和技术项目经理非常重要。他们掌握着各类项目的项目管理，关键技术，工具平台能力；未来，模型和应用，是主要的集成服务构建者和交付者。人机协同，数据驱动将进一步驱动交付组织扁平化，交付效率提升50%以上。人服务的构建者和交付者流程工具人服务的构建者和交付者流程工具智能系统服务的主要构建者和交付者人：服务的协作者和部分交付者智能工具人员规模与收入线性增长服务价格高，工具辅助人

用智能系统替代大部分人员，从纯人工升级为人机协同由智能系统自动生成流程和数据驱动，多并行作业从功能性工具升级为智能性工具效率更高运维+AI：从“面向网络”到“面向业务”2030年，随着网络架构逐渐复杂，运维的对象更加复杂：云、网、存、边、端，网络操作更难去判断，对网络变更工程师的要求也5年前，2024ICT网络重大故障数量占比提升了45%。关键问题就是随着网络越来越复杂，

传统基于“网络”的运维无法感知终端业务，从网元→性能→体验→商业，难以全栈进行数据和算法关联打通。随着智能化GenAI,大模型，数字孪生等技术的快速发展，从面向“网络”到面向“业务的运维”将成为未来新趋势。2个数字孪生“价值穿透”

价值跃升 成本最“人”万级FO/BO/FME成本与质量最佳平衡时空数字孪生“人”万级FO/BO/FME成本与质量最佳平衡时空数字孪生商业体验网络数字孪生性能网元“物”十万级备件/车辆/油机…“物”十万级备件/车辆/油机…“事”百万级FM/PM/CM…“事”百万级FM/PM/CM…传输故障3

2个大模型+tLLM大模型语义理解网络大模型网络理解nt业务解析与调用①价值与运维作业关联 ②资源与成效直接关联10月级天级月级天级百万卡预测：响应0.5天，恢复预计周级（中断一次损失亿元）十万卡预测：响应1-2h，恢复预计天级（中断一次损失千万）小时级分钟级千卡：响应10分钟，恢复小时级（中断一次6000元+）万卡预测：响应30min，恢复2/4/6/8小时级（中断一次损失10万+）千卡 万卡 十万卡 百万卡同时，算力网络随着scalinglaw的逐步演进，十万卡，百万卡已经成为大模型厂商的标配。传统基于网络的运维已经不可实现。某互联网厂商数十万卡训练集群报告表明，54天训练，466841%中断为软件异常、电缆问题，网络故障等。如果还延续当前的运维模式，2030年预计百万卡中断一次损失超过亿元。面向传统网络的运维，我们主要以事前、事中、事后来应对重大和紧急的复杂网络变更。事前通过维护工程师提前做好紧急预案，做好相应的紧急预案来防止未来可能的业务影响；事中提前做好网络变更操作脚本，规范工程师操作原则；事后回溯总结，迭代事前和事中不足，作为后续案例支撑。随着网络越来越复杂，这种传统的运维方式很难去完全规避人为误操作带来的重大事故。X局点仅仅因为工程师在流量阀值配置上多输入了一个“0”引发信令风暴，就导致全省3000万通讯中断两天。随着GenAI,数字孪生，知识图谱，具生智能等

业务”的智能化运维来取代传统“基于网络”的运维已经成为业界共识，2030年，30%领先的运营商随着智能化展开将结合5GA部署数字孪生系统：以终为始，通过运维业务需求反向简化算网E2E数据实时可视和实时可获取性。网络实时数字孪生：构建运维知识图谱测量网络问题对业务的影响，通过数字孪生关联物理世界和数字之间的关系以及业务关联，KQIKPI之间的梳理，实现每个操作和变更对业务的直接影响可视可管。围绕业务级运维重新构筑新的应用，打通网ICT运维全局可视可管。基于以上能力，故障恢复时长将从天级走向小时级，网络故障响应从小时级走向秒级，备板替4/按周定期替换。新技术的不断发展，面向未来如何实现“基于 面向业务运维:从产品协议→孪生平台→服务转型的全栈打通MFU性能监控集群加速流量地图 客户智算集群 模型训推数字孪生 MFU性能监控集群加速流量地图

业务级数据采集机理建模网络孪生智算机理模型推理数据采集机理建模网络孪生智算机理模型推理训练

软探针物理→数字孪生体系软探针

运营运维运维AI+：从服务“人”到服务“机器”的运维传统数字化时代，运维的工具，流程均是围绕人来设计的，而智能化时代的人机协同模式，并不需要每个人都参与，人机界面非常清晰，人，流程，工具均围绕机器来解决问题：一线分责一线分责 非网络问题投诉闭环二线分责 网络分责专业室排障 TT工单FME上站Smartcare投诉定界OWS故障定位和远程处理装维助手客服Tier2:30人FO:50人，BO：95人FME：325人客户 群障 客原因 原因 回客服Tier1:120人IVRAICC客诉处理终端原因无线原因终端原因终端原因无线原因终端原因性能原因FO分责配置问题预防预测现场问题网管查询配置修改问题描述问题回单一线分责一线分责 非网络问题 投诉闭环二线分责 性能定位和排障专业室排障 FME上站API调用AICCAgentFCR＞85%CRM计费API调用Agent分责定位SmartcareSEQAPI调用运维分析保障Agent分责定位网管AUTINAPI调用FMECopilot问答式查询网管AUTIN被动客户处理回访重大专业室故障沟通重大定界排障故障审核审核网管配置问题问题查询修改描述回单TT工单智能化替代人 依赖人工要实现基于Agent为中心的运维能力，业界普遍共识是需构建3大基础能力：算网运维大模型：基于业界通用的基础大模型构建懂运维机理、网络协议的算网运SRE、FO、BO、FME构建面向角色的Co-pilot和场景的Agent智能体，减少人的重复脑力劳动，再结合传统自动化的大模型进行实时配置和命令下发，OSS实现统一的API化，成为大模型的调用“工具”。数字孪生：需要通过实时的网络数字孪生系统来做好从业务到网元的业务关联。以前的

网络数据属于黑盒数据，通过探针，网管经过层层过滤，采集才具备分析的能力。未来的数字孪生系统需要构建基于知识图谱快速进行网元级数据采集，从之前的30分钟-1小时级的采集效率走向分钟级的采集效率。具象智能机器人：现场运维成本一般占据整ICT60%。未来，每个数据中心，机房，站点都会有存在具象机器人，配置基transformerIOS，可以准确的识别来自于NOC/SOCAgent智能体的指令，替代维护人员进行网络操作，如巡检、现网状态感知、光纤端口调整、板卡更换等。将大幅提升运维效率。 机器手换硬件 自动巡检机器人12维优+AI：从人等网络到网络等人，激发体验变现意愿2030年，传统移动通信网络从主要服务“人与人”“人与物”的通信向主要服务“人与智能体”“智能体与智能体”的通信转变。通信网络将不仅要联接个人，还要联接与个人相关的各种感知、显示和计算资源以及AIAgent；不仅要联接家庭用户，还要联接与家庭相关的家居、车和内容资源；不仅要联接组织里的员工，还要联接与组织相关的机器、边缘计算和云资源，以满足智能世界丰富多样的业务需求从体验保障的模式来看，传统网络日常优化是典型的“人等网络”的方式，网络优化被动响应客户投诉，在产品的性能基础上提升10~15%的性能，尽力而为。中国每年需要投入2.5万人天来解决日常优化问题，包括投诉网络问题收集，典型区域/站点优化优先级设计，数字化路测，日常优化方案设计，日常优化方案实施等等。首先，这种“人等网络”的方式只能解决35%的网络问题，无法做到用户体验

尽善尽美；其次，由于缺乏统一的网络优化大模型，多次优化方案中会存在性能互斥，优化经验仅存在工程师脑子里的情况。面向2030，未来网络优化的方式需要通过“网络等人”来取代“人等网络”优化模式。通过鸿蒙OS、智能单板、智能天线、光红膜等技术，实现性能E2E可感知；构建基于时空的数字孪生系统（TAZ）精准预测每类业务未来的流量、走势、SLA趋势变化；通过算网一体的优化大模型实现30%的场景单产品智能内生自闭环。其余70%场景依赖通过知识图谱和知识管理进行核心资产沉淀，日常优化产生的MR,SEQ等性能数据形成AI数据飞轮，持续支撑模型升级迭代，构建用于VIP保障，日常优化等的各类智能体支撑网络优化人员基于业务变化提前预防预测，快速生成优化方案，再通过调用传统小模型进行实时分析决策执行和性能体验闭环人辅助机器投诉用户模型人辅助机器投诉用户模型非投诉用户模型优化模型用户特征及策略库潜在质差用户筛选全球质差模型实时数据 根因分析智能单板/内置探针叠加时空数字孪生维优AI+：基于智能内生的网络优化Agent根据约瑟夫Joseph年图灵奖获得者对未来网络自治系统的定义，LLM/网络状态制定策略，因此通信领域智能体需要能理解网络（如拓扑、性能、告警、事件等）。另外对数据实时性要求高，难以被大模Prompt/SFT为大模型//优原子工具能力，实现任务的规划、感知、决策和执行。PerceptionInternalSensorsExternalPerceptionInternalSensorsExternalSensorsKnowledgeRepository ReflexionKnowledgegeneration

ExternalEnvironmentmodelInternalEnvironmentmodelExternalEnvironmentmodel

InternalEnvironment

ExternalEnvironmentSelf-adaptationKnowledgeapplication

GoalmanagementDecisionGoalmanagement

InternalActuatorsInternalActuatorsExternalActuatorsPlanningExternalActuatorsPlanningFigure6:Computationalmodelforcyberphysicalagent基于网优Agent的智能内生能力，以某区域优化工作模式举例，以前需要有3个网优工程师值守，转变为无人值守，由1个人负责Agent设计模式

网优功能开发从之前跨多个平台，10几个步骤，至少3个月的周期改为Agent根据COT（Chainofthought）链设计，1次任务下发，多次自动交互完成3人有人值守

平台步骤Soc\Noc\RF工程师

1人无人值守

人+Al

跨平台多步骤复杂流程

下发1次任务

思维自主规划14营销+AI：数智新业务，敏捷创新，牵引新增长2030年，面向营销的数字化业务向智能化转型已成为共识，埃森哲，普华永道等多个咨询公司均把营销作为大模型能够影响的TOP1行业，原因就是用户需求千人千面，人机交互界面多，海量的客户需求从广告，营销，计费，销售再到客诉存在大量的创意涌现和生成的机会，符合当前主流LLM大模型适用的三大条件：海量数据，创意类场景，自然语言。面向未来全行百业智能化，数亿级的数智人，无人出行汽车，当前的数字化营销模式已经无法满足需求：敏捷创新：数字化时代基于“人”的套餐设计，从市场策略→资源准备→套餐开发→市场推送往往要经历3-6个月时间，当产品

投放后市场又发生了新的变化。未来智能化业务需要基于客户数据分析自动生成营销创意和套餐设计，从“数月”到“数天”，结合敏捷的算网基础设施，实现”anytime,anywhere”的实时套餐推送，如电影院、体育场VR等场景。智能创意：数字化时代营销主要基于大数据用户画像进行针对性的电话/内容推送，完全依赖人进行分析和进行营销策略创意，2030年数字人内容生成和运营效率成本远优于人工，可根据市场变化快速迭代，迎合大7*24小时在线，高质量互动解决客户问题。产品介绍软件服务、美妆时尚、3C电子、工厂车间、解决方案等介绍视频

活动促销节点的口播类视频

信息流广告Google、Facebook广告、YouTube、TikTok、Amazon.Instagram

产品种草产品讲解、细节展示、对比评测、购买指南等等口播视频

内容营销GoogleSEO、Facebook广告、YouTube电商平台广告

视频教程客服、支持团队内容、产品操作、Q&A、解释视频等15营销+AI：从“成本中心”到“效益中心”客服中心长期依赖均被企业定位为成本中心，随着数字化和智能化的逐渐深入，行业发现通过对投诉用户的培育和激活，也能帮助企业持续的获得新的用户裂变及收入，成为智能化时代企业的增收利器：在培育和获客阶段，通过数字人智能外呼取

在投诉处理阶段，数字人基于业务知识库和语音识别能力可以处理90%以上的问10%的投诉流向人工，FCR从当前75%90%。电话渠道语音网关匹配到答案 未匹配到答案代传统人工外呼，基于AI和数据的千人千面支撑下，外呼成功率提升3倍，同时外呼效率提升300%。记录客户回复信息，

IVR系统语音问答接口ASR语音识别

特定情况

人工坐席

智能语音机器人系统回访客户

回复记录场景判断

生成工单

NLU自然语言理解 4.无法理解4.无法理解

智能回访机器人

业务对话场景（调查问券、电话回访等业务场景库

业务知识库电话应答

客服人员

客户接入智能应答服务后，系统根据设定与客户实现实时语音交互。后台自动通过知识库系统匹配相关知识点内容。能够匹配到知识内容时系统根据知识内容复杂程度，自动选择直接语音播报或短信推送。在激活和留存阶段，通过数字人进行对话式产品推荐和解读，并能精准从客户语气识别AHT50%。录音属性分析:录音属性分析:

无法匹配知识内容时系统向客户提示，无法匹配到相关知识点，并转接人工坐席。2030年，通过大模型的加持，数字化营销将持续向“数字人”智能营销演进，客服中心将从“成本中心”逐步走向“效益中心”，通过大模型的技术实现“数字化业务”的新生产范式，使能行业的业务更敏捷，更灵活的同时，也会持续为企业带来更多的经济效益。16知识管理运营机制赋能+AI：从“基于文档的信息体系”到“基于Token/Pitch的知识体系”知识管理运营机制66知识展示设计结构化的知识展示方式754闭环管理，生态思维8知识审核通过审核环节检视和把关内容3 21知识消费支持各类知识应用场景的消费需求知识运营基于知识的使用数据或效果反馈，进行差异化运营知识下架进行知识内容的下架操作知识导入设计符合知识生产的导入方式知识识别识别各种生产方式及场景知识需求需求的提出、传导以前的知识体系都是基于人的视角来设计的，所有的知识也基本都是提供给人来学习的，如Word文档，PPT，案例库，FAQ。由经验丰富的工程师充分实践后形成的知识文档，通过各种形式固化下来，再进行一代代的传承，这种非结构化的知识占据了50%以上（埃森哲2024洞察）。当前企业管理这些非结构化数据的有效转化率仅5%。未来大模型时代需要把这些非结构化知识转化为大模型所需要的知识和经验：Token(LLM),Pitch（帧）。传统的知识经验也缺乏专业的团队进行知识需求识别，知识导入，知识审核和展示，以及知识运营和消费管理。保障大模型所学到的知识是最新，最权威的，才能让模型像人一样聪明。除了知识运营机制外，一个基于GenAI的知识

管理平台也是必不可少的，主要用来进行快速的知识挖掘，知识融合以及知识推理，根据埃森哲和普华永道预测，2030年将会有55%的企业部署知识管理系统:知识挖掘：把日常专家的知识能够快速通过门户网站，平台快速转为成标准化数据，把碎片化知识进行分类整理知识融合：围绕不同的角色，进行多维标签关联，做好关键词，标签以及联想式搜索，并融入企业生产流知识推理：将各类角色所需要的知识进行推理，结合Copilot实现场景化推送，并根据角色反馈建议实现自动召回，自动生成①数据知识化①数据知识化②知识体系化③知识可推理挖掘 融合 推理 多源跨域数据 碎片知识 跨域知识体系 因果图赋能AI+：从“人找知识”到“知识找人”人找知识客户/伙伴

60%30%10%

官网讲座、课程400热线

查版本文档 专家求助 升级研发 传统的赋能体系是基于人类的“碎片化”时间来设计的，以行业用户和伙伴知识获取来看：60%的知识来源于线上找知识，在日常工作产品说明书等获取通用知识，人找知识的时间久，且找到的知识满足度也较低。30%通过专家大讲堂，线上线下的课程，通过专家讲解，交流来获取更为高阶的知识，如战略，新平台，新技术等，赋能效果取决于专家水平，同时频率不足，平均每人每年一般为个位数。

10%涉及行业较为私密的技术，普通的从业人员也不具备赋能的机制，只能和厂商研发求助。随着GenAI技术逐步向千行百业渗透，知识管理逐步成为行业使用大模型的必备要素。从企业知识生产到入库再到应用均会更为规范化和智能化，同时各类知识应用助手也会融入生产流，在每个环节对不同角色的员工进行实时推送，实现员工工作效率大幅提升；同时，也能将企业的知识持续快速转化为Token，提供精准的的知识语料对大模型进行投喂，让大模型更智能，更聪明。基于知识管理系统和知识助业务数据项目、需求、问题…业务数据业务数据项目、需求、问题…业务数据项目、需求、问题…内容数据课程、案例、文档…算法自动打标签属性标签：负责的产品等场景标签：勘测、调测、维护关键字标签：属性标签：产品、任职等行为偏好：比如内容偏好，关键字标签：用户画像 内容画像人工标签规则标签用户产生运营产生规则配置（标签平台）AI推荐引擎理的加持，企业员工的赋能将从从传统的“人找知识”到“知识找人”，从之前的碎片化赋能走向基于生产流实时推送的“终身赋能”。知识管理平台将根据员工/伙伴访问记录识别各角色的业务、行为，内容数据，为每位角色做好用户画像和内容画像，对接员工日常作业OA,OSS,BSS等ERP系统，实现在最佳时刻，知识把最适合的知识主动推送给最需要的人。根据埃森哲预测，203080%的企业知识获取场景将会转移到线上通过自动推送，互动获辩论等实操类课程，线上线下相互结合，将更好的助力行业和企业持续推进TECH4ALL

抱智能化时代。下一代的赋能平台/社区产品将具备在线Online、开放Open、协同Orchestration三大特征，旨在实现全球各领域的知识经验快速获取、归纳、分享和提炼：通过在线实时学习，人类获取知识的时间将90%。200%。中级工程师培养周期将缩短5倍（36个月）。0303ICT服务与软件2030愿景及核心技术ICT融合交付MFU的系统工程

以业务为中心NPS平台ODA平台数字孪生时空数字孪生网络实时数字孪生

ICT服务与软件2030

平台智能化平台模型使能平台Agent平台模型驱动网络服务通用大模型网络服务行业模型

知识体系知识管理平台数字孪生时空数字孪生：移动通信系统的网络优化涵盖一类难以统一建模的技术问题，参数往往是相互依赖或相互矛盾的，因而难以建立全局性的优化模型。TAZ基于用户、业务、网络识别和业务类型分布差异，差异化设置每簇速率保障目标，挖掘每簇潜力，提升运营商收益，为网络服务模型提供实时数据，采集效率从当前的小时级到分钟级，如：无线信道统计模型：采集海量场景化波束级

测试数据，从网络数据中提取多径信道统计特征，建立信道模型用户流量分布模型：采集用户流量分布统计数据构建图神经网络建模地理相关性和LSTM建模时序相关性用户体验模型：采集基站响应及用户速率、时延数据，构建通信知识数据驱动的模型调优能力运筹优化算法运筹优化算法从网络数据中提取多径信道统计特征，建立信道模型流量分布:1.图神经网络建模地理相关性2.LSTM建模时序相关性通信知识+数据驱动的模型调优无线信道统计模型 用户流量分布模从网络数据中提取多径信道统计特征，建立信道模型流量分布:1.图神经网络建模地理相关性2.LSTM建模时序相关性通信知识+数据驱动的模型调优海量场景化波束级测试数据 用户流量分布统计数据 基站响应及用户速率、时延数据网络实时感知孪生：测量网络问题对业务的影响，关联不同业务的物理世界和数字世界之间的关系，实现KQIKPI之间的梳理，实现每个操作和变更对业务的直接影响可视可管：基于业务目标明确算法：基于业务需求，通SRE可靠性理论构建EDNS计算逻辑，实

现客户业务减损逻辑计算网络系统模型：从网络到资源到业务的影响建模分析，实现每个网络故障及操作和业务的关联度模型和算法设计基于事件流进行准确的故障处理，减少传统虚警占比高，精准以业务为中心的运维运维目标运维目标网络系统模型运维流程改变网络用户服务满足度EDNS计算期望获得需求网络用户服务满足度EDNS计算期望获得需求实际获得需求理论：GoogleSRE 影响：理念和petril网 流量损失、用户投可靠性理论结合原因和后果调配运维资源原因：网络问题EDNS(ExpectDemandNotSatisfied)用户服务不满足度网络问题分解关联与影响评估实时网络故障/配置-用户业务关系建模ASIS:工单流工单关单基于事件的运维资源调度ToBe：事件流远程自 FMA动修复 上站BO分析工单处理工单 日常生成 巡检网络 网络告警 拨测网络各类数据网络问题-网络性能-用户业务的影响关联模型网络隐患影响度分析模型网络操作影响度分折模型设备故障影响度分析模型模型驱动工程师

AIAgent智能体工具方法流程导师指导项目经验工具方法流程

提示工程网络服务通用大模型提示工程客户术语 案例 网络数据客户术语案例网络数据新员工培训

技术服务专业知识

技术服务案例产品文档微调网络服务LLM大模型技术服务案例产品文档微调预训练通信系本科生预训练百科期刊论文通信知识门户网站知识（知乎、百度知道、百度百科）通识知识 基础大模型百科期刊论文通信知识门户网站知识（知乎、百度知道、百度百科）1.网络服务LLM模型：评估全球主流基础大模型，如llama3,Mistral，文心一言，智普等通过提前适配和预训练，汇聚行业公共知识如C114,万方，产品指导书，案例库，考试库等，让其具备ICT服务基础知识，为行业升维打好基础，让大模型具备高中生的行业知识水平，解决非结构化知识的处理以及训练

网络服务通用大模型：构建一个懂ICT协议，信令语言，懂规建维优营和OSS/BSS的行业通用模型，以解决更为复杂的业务问题，具COT链的理解能力和99以上的精准度，实现结构化数据的知识体系，让其具备本科生的行业知识水平，相比LLM语言模型，训练参数大量减少，通过7B，10B等小尺寸大模型微调和RAG可快速部署支撑/行业客户进行生产云侧模型云侧模型基础网络大模型全球网络数据预训练的维优一体大模型模型下发，本地微调完整模型导入，大规模NPU推理边：智能板2.0通用计算硬件→NPU预测能力全局视野Next网络状态预测模型→业务影响精准分析事前精准推演预防事后主动隐患监控分析业务流量预测模型→“网随业动”，资源高效分配流量变化规律 基站时频资合理分配网络环境信道模型→全面提升网络性能信道估计准确性提升RF优化，产品协同特性性能大幅提升内生智能内生智能内生智能ICT融合交付集群规模(n）越大，单次故障的指标（如MTBF,MTTR）对集群可用度的影响越大。2024年MetaLLama3数十万卡训练集群报告：54天训练，发生466次作业中断，平均每天中断8次；41%中断为软件异常、电缆问题，网络故障等。未来OPENAI星际之门计划需要100万卡，对集群的性能要求MFU将会越来越高，每中断一天，经济损失将达到上亿元。解决此问题需要持续提升集群集成和运维的两大指标：集群线性度：和网络链路的稳定性（时延、卡亚健康等有关。强依赖部署模型、配置优化，例行的亚健康治理与维护。集群可用度：主要由四个指标组成：单次故

障MTTR(h)，f=集群单节点异常率，n=作业占用节点数，x=作业时长。要实现训练和推理高可用，算力集群可用度&MFU最佳，需要构建三大集成能力。全局负载调度多级调度：GlobalRegion→节点。&有竞争力的集群可用度：故障、亚健康提前感知，主动维修；4K+集群稳定30+天；支持断链续训，单卡异常作业零感知。高性价比的线性度网络，AI计算，存储性能故障MTTR&集群可用度关系120.00%100.00%80.00%60.00%40.00%20.00%0.00%

0.17 0.33 0.50 1.00 4.00 8.00 12.00 24 48 72 96 120 144 168单次故障MTTR时长（小时） 1K 2K 4K 6K 8K 1W备注：1）集群规模(n)越大，单次故障(MTTR)对集群可用度的影响越大；2）故障7天/168小时，1K集群时对MFU的损耗系数为83.59%；如果集群扩大到1W，对MFU的损耗系数为29.79%23数据工程核心原因就是大模型所需要的数据工程需要在数据范围、数据质量、训练效率多方面形成领域模型9类核心技术：多维度的数据质量评分)决定了模型的寻优方向，进而影响loss取值&模型能力类别一:通用知识类别二:个人博客导致口语化结构简单专业性弱噪声大类别五:产品知识类别四:领域基础知识类别三:案例经验1000token，loss)、不容易学(产品配置见过4次，但不理解含义)问题:数据缺失、领域数据分布不均、信息密度参差不齐、配比不合理等关键问题...领域复杂流程类数据解析技术：实现不同类型（信令协议交互/告警因果图/流程）的复杂文本化信息抽取和输出，实现解析内容80%+多模态复杂信息tokenizer技术：基于视觉模型的版面分析能力，结合文本匹配、表格解析等多模块融合抽取文本，PDF内容提取95%+领域数据高效合成技术：实现领域高质量数据的自我成长：从无标注到有标注，从无CoTCoT，实现领域典型场景的数据扩10倍&提升效率，数据完整//一/6性评估，实现100数据质量自评估

内容语义正确完整&文本多样性增强，提升模型训练效率，实现数据多样性提升10倍知识定位寻源技术：建立模型能力//数据关联，相互提升，能力短板针对性定位&增强数据，实现数据badcase定位效率提10x↑最优数据配比技术：突破增训场景下通用与领域数据、领域不同数据配比modelscaling技术，loss最优下降，实现模型训练效率提50%数据课程学习技术：学习顺序curriculumlearning影响模型的最终效果，利用scalinglaw求解最优学习顺序目标，实现领域知识30%+通过多阶段训练与训练末期的最优数据退火，5x↑以业务为中心NPS数字化分析平台：要实现以业务为中心的体验管理，主要的难题就是如何通过数字化的方式如何发现问题，判断影响范围以及做好优化模拟器：基于KANOSL回归分析，明确不同因素的奖惩驱动力基于对贬低和推荐分别的驱动力推导出对NPS的整体影响力，即对各体验指标提升10%NPS的上升

需要提供模拟器，协助评估改进或降低相关指标表现时将带来NPS怎样的变化，以有的放矢地制定相关策略目标业界的普遍做法是通过建模和分析，明确各指标的奖惩驱动力，通过与满意度的矩阵交叉分析，诊断需重点保障的奖励因子和优先改善的惩罚因子，对具体指标的改进优先级和具体措施分析，将结合对满意度的驱动力，痛点发生率和客户推荐、不推荐理由的提及情况可见度（广告/赞助口碘好信任显示

-8%

使得贬低型客户减少-5%-3%-3%-4%-2%-3%-2%-5%

目前表现平均分/10

使得赢得额外的推荐型客户6%6%5%4%6%4%3%3%5%相机质量服务速度-4%8.0随时通知我服务速度-4%8.0随时通知我-4%7.54%积极响应 -4% 7.5 4%务的可靠性 -4% 7.2 3%

-6%

-5%

-4%-4%

-2%

-1%

提升一个驱动因素10%的表现将会减少...华为的贬低型客户

提升一个驱动因 2%素10%的表现将 3%4%会产生...华为的 5%推荐型客户 3% 7%5%服理解需求

-5%

7.4 1%清晰的联系点索赔处理

-3%

-1%

9.0 1%7.5 2%...... 0% 7.5 1%25ODA运维平台：尽管CSP们早就构建了可以集成多家厂商组件的IT系统，但这些组件一般都来自各类通信和软件厂商。随着现在CSP们在一个更大的舞台上竞争，集成来自通信业以外的其他组件的能力也变得必不可少。当一种与客户交互的新方式（如：大模型Agent）可用时，等待其“通信业专用版本”出现是不现实的。另外随着开源项目的兴起，如ONAP、OSM（开源MANO）和OpenBaton，任何多厂商的定义都必须包括开源软件。许多CSP也开始在未来IT系统中拥抱开源。TMF下一代OSS架构ODA也是在试图解决此类技术问题云组件：要求新开发的应用作为遵循ODA标准接口和规范的云组件(cloudcomponent)，统一在共享库(commonrepository中管理

DevSecOps:自动化的软件版本验证与发布平台。ODA组件库由6个子域构成，分别为：承载核心流程的Party,Corecommerce,Production以及辅助支撑业务流程的Decoupling&Integration,Engagement,Intelligence.，组件库呈现了全套BSS&OSS组件的全景，其中已初步定义功能内容的组件（即具有编号的组件）28个。大部分ProductionParty子域这些新特征为运营商跨边界大规模管理数字化生态系统提供了可能性。比如，全球化汽车制造商可以跟多家CSP就自治和车联网协议达成一致。ODA还考虑了独立项目中不会考虑到的未来关键需求和概念，如拥有AI能力、BSS/OSS的架构统一以及统一以数据为中心的方法。TheeraofDigitalTransformationisover.Theindustryneedsanewnorthstar.1980s-2013

'Digital'SPEra2013-2023

'AI-Driven'SPEra2024-2030sPartnerdomainsInfrastructureother)+Cloud+AI+IoTPartnerdomainsInfrastructureother)+Cloud+AI+IoTOpenAutonomouslArchitecturerviceoriented,AI-Readyregated)estrationAI-DrivenOpenDigitaModular,'PlugandPlay',Micro-seDecoupled,modularOSS(disaggIntelligentManagement&OrchOpenAutonomousNetworksrations,augmentedintelligenceAI-DrivenOpeValue-stream&experiencedrivenCSPdomainOpenDigitalArchitecture(newBSS)OSS(Naas)Network(programmable)Operations(people&basicautomation)SinglebusinessmodelforconnectivityProductcentric,peopleintensiveprocessesOneormoretechstacksperproductCSPdomainNetwork(physical)OSSBSSOperations(processes&people)Connectivity+VASbusinessmodelBasicautomationofprocessesRationalizedtechstack,cloudmigratedBusiness-modelandserviceagnosticOn-demandbundledservicesandcapabilitiesDefend&growr