中国联通围绕大联接、大计算、大数据、大应用、大安全五大主责主业，积极探索新时代人工智能高质量发展之路，推动人工智能“变量”转化为公司数字化转型升级的“增量”。坚持融入场景、应用前沿，将AI与运营商网络基础能力融合，不断使能新的应用场景、拓宽业务边界，提供更多的差异化、高价值的数智服务。当前，人工智能在智能客服、自智网络、智能内容推荐等生产运营和自有业务等领域已经得到了广泛应用。
为了深化人工智能在通信行业的应用实践，结合运营商自身优势，找到适合的AI切入点，本期推出《人工智能》专刊，涵盖ChatGPT和视觉大模型等最前沿的人工智能技术，探讨自然语言处理技术和计算机视觉技术在知识图谱、通信设计等方面的应用。这些论文汇集了作者最新的研究成果和工作实践，希望能够为读者提供有益的参考和启示。
查看全文>以ChatGPT为代表的基于大模型的生成式人工智能应用，引发了新一轮的人工智能发展浪潮，并将对这个世界产生深远影响。高速发展且不断进化的生成式AI，不仅实现了人工智能由“分类”向“生成”的转变，也为企业带来了全新的赋能价值和想象空间。详细剖析了生成式AI技术体系，探索其带来的前景价值，思考了技术背后的潜在风险并对企业提出了行动建议。同时，还探讨了通信运营商在生成式AI时代浪潮下的定位及应对之策。
以ChatGPT为代表的生成式人工智能应用引起信息产业新浪潮，也催生了对算力、通信、安全等的新挑战，而以云计算、边缘计算、通信网络技术为支撑的算网融合代表了未来通算一体的发展趋势。生成式AI与算网融合的双向赋能，有望克服算力与通信瓶颈，实现生成式AI应用更加广泛的推广，同时有望推动算网融合架构向智能化方向发展。分析了生成式 AI 与算网融合的概念、现状及趋势，思考了生成式 AI应用对算网融合的诉求以及生成式 AI技术对算网融合架构的赋能作用。
ChatGPT的出现迅速引爆了AI的又一波热潮。在通信行业中，网络规划、建设、维护、优化、运营是非常耗时、复杂且需要大量人力成本的工作。语言大模型在通信运营商中有着非常广阔的应用前景。阐述了语言大模型开发的基本技术方案及原理并对其在通信行业的应用进行了研究与展望。
大模型是利用海量数据形成庞大参数量的机器学习模型，而因果推断是推断和理解事件、变量或行为之间的因果关系。从大模型与因果推断相互结合的可能性和难点、大模型预训练、因果模型的人类反馈学习过程和微调技术等方面进行探讨，论述了大模型具有发现潜在因果关系的机制和因果关系预测及解释的潜力。此外，归纳了部分大模型开源工具，可用于快速实现大模型训练、验证和部署。
ChatGPT的诞生是AIGC发展的重要节点，这或将使AIGC颠覆传统的内容生产方式和信息获取方式。介绍了 AIGC的发展、技术和基本应用，并将 AIGC引入到通信设计领域，主要从通信领域 ChatGPT、智能通信设计和智能网络支撑等方面探讨AIGC在通信设计领域的具体应用场景，对今后AIGC赋能通信设计领域提供了一些思路与建议。
通信设计行业现存百万级别的图片、PDF等格式的工程图纸，且数量与日俱增，这些图纸无法直接用于设计的数字化推进。基于目标检测、语义分割等技术，针对机房、铁塔、天面图纸等类别的存量工程图纸，分别研发出相应的图纸识别AI算法并形成产品，可生成图纸中设备类别、坐标、尺寸等矢量化信息；同时研发了基于矢量化信息复原生成工程 CAD 图纸的算法，打通了从图纸识别到图纸复原的全流程，实现海量存量图纸的数字化。
为了实现对现存无线网资源更好的数字化管理，通常需要借助三维重建技术完成其数字孪生。但是在天面类资源的应用场景下，由于其种类的多样性以及环境的复杂性，简单采用无人机或全景相机进行 3D建模的方法并不能普遍应用。随着人工智能技术的兴起，借助参数识别而非扫描的方法可以更加精准且迅速的实现天面类资源的三维重建。经过数据采集与实地实验，结合识别算法与预置模型组装可以很好地完成通信行业天面类资源的三维重建任务。
为了促进通信行业进入规、建、维、优、营数字化时代，通过分析通信局房三维建模平台的业务需求，总结了通信局房三维建模平台应具有的能力，结合人工智能技术，设计实现了一个从数据采集、三维重建到建模结果呈现的三维建模平台，并详细介绍了平台的实施方案。通过通信局房三维建模平台可生成带属性的三维矢量化模型、带空间尺寸信息的可漫游全景视图、CAD图纸。平台建模精度达到厘米级，具有良好的开放性、灵活性和技术先进性。
随着硬件及技术的发展，深度学习技术得到广泛的研究及应用，而数据作为驱动深度学习发展的重要输入，变得越来越重要。但是针对一些特殊场景，存在数据少、隐私风险等问题。针对上述问题，结合任意物体分割技术和图像修复技术，消除图像中隐私信息，生成不包含隐私数据的新图像；或结合生成模型，在去除指定目标同时生成包含其他正样本的图像；亦或者保留指定正样本，更换背景，生成不同场景数据。实验结果表明该种数据生成的有效性。
首先针对流量数据可能存在的时域分布突变问题设计了一种基于JS散度的异常检测算法，以获得能够反映流量变化规律的数据。而考虑到网络流量的自相似性、长时相关性和周期性特点，提出一种基于卷积生成网络和自适应注意力元网络组成的动态时域生成流量预测模型（GDTN），能够有效地降噪、生成和预测流量数据，并根据不同输入条件动态分配不同多时域流量特征的重要性。最后在智能城域网端口数据集上进行实验，验证了该算法相比于多种经典时序预测算法在预测准确度、存储资源占用和时间效用等方面具备明显优势。
以OLT上联口的下行流量为研究对象，分别使用趋势拟合法、平滑法和ARIMA模型建模并进行流量预测。其中趋势拟合法选择了典型的线性拟合，平滑法使用了平均移动法和 Holt 两参数指数平滑模型，ARIMA 则选择了 ARIMA（0，1，1）模型进行建模分析。对 4种模型的绝对百分比误差（MAPE）进行了对比，结果表明 ARIMA 模型和 Holt两参数指数平滑模型预测精度相似，都取得了良好的预测效果，适合用于 OLT上联口流量预测，而线性回归和平均移动法预测结果较差，不适合做精度要求较高的流量预测。
为了提高基站、机房等场景下蓄电池组的使用寿命，针对蓄电池组长期处于浮充状态无法实时监测测量电池容量的问题，利用迁移学习的思想，将实验室中蓄电池组充放电数据与现网中蓄电池组的在线浮充数据建立起联系，从而预测现网中蓄电池组中各个电池的容量。最后通过实验验证了该方法的有效性，使实时监测在线蓄电池容量变为了可能。
通过对通信机房中浮充状态的电池的放电电压曲线进行分析，确定了放电曲线中对容量影响显著的陡降复升段的特征。利用LightGBM 算法进行训练，建立了预测容量的数学模型。通过实验对模型进行了验证，实验结果表明所提出的预测方法能对10 h放电条件下的容量做出准确预测，其平均绝对百分比误差最小可达8%。同传统的检测方法相比，该方法所需的测试时间短，具备广阔的应用前景。
随着通信行业的迅速发展，企业内部面临着大量的知识和信息管理挑战。企业知识图谱作为一种强大的知识组织和表示工具，为企业内部知识的管理与应用提供了新的可能性。旨在探索企业知识图谱在通信行业中的应用和内部知识管理对整个企业带来的提效与改变。通过对通信行业的知识探索，可以确认企业知识图谱在优化数据质量和内部知识获取与管理等方面带来新的改进。它的推广应用，可以推进不同垂直行业的科学化发展与信息化建设，具有很好的应用前景与行业价值。
为减轻一线维护工作量，引入了数字化和AI手段提升网络运营效率。基于故障树和AI能力，打造关键智能运维能力，从而解决各运维生产系统不具备故障自动定位和自动愈合的能力、跨专业故障定位难、排障周期长的问题。实施从基础的规则梳理，到告警和资源的采集，再到指令平台的搭建，经过跨域和单域全场景的调试，最终构建起的关键能力全部投入生产应用并取得显著效果。
分析了当前电信网络告警关联和压缩技术发展趋势和面临问题，提出了一种基于时空特征融合和图卷积神经网络（GCN）的网络告警根因分析及告警压缩技术方案。通过提取告警时间和空间特征，精准剔除无效噪声数据，并利用GCN和 XGBoost的融合模型，实现了网络告警精准根因分析和高效压缩。最后，通过分析网络告警压缩技术应用实例成效，验证了技术方案的有效性和可靠性。
