主持人：2023年ChatGPT的出现让大模型成为各行各业的热点，如何快速构建AI模型实现AI和云核心网之间的深度融合是当前关注的焦点。请问Eric，在这次分析师大会上，华为云核心网ADN解决方案带来了哪些关于AI大模型的新消息呢？
罗萱：今年面向大模型，我们重磅推出了ICN Master解决方案。在自智网络L3时代，主要通过人+工具+小模型的方式来保障网络运维。但对于一些场景和用例，很难形成泛化和E2E闭环的能力。而相比之下，大模型具备广泛的知识和自然语言的理解能力，任务规划和推理的思维能力，以及场景泛化的能力，这样就可以突破L3的瓶颈，从自动化到智能化实现自智网络L4。我们率先将大模型应用到核心网运维领域，围绕网络风险大，运维效率低，技能要求高，缺乏实时业务体验保障等关键运维问题，帮助运营商打造一个高稳、智简、质优的核心网，更好地帮助运营商为用户提供服务。
主持人：刚刚您提到自智网络，通常我们听到的自智网络大多是与自动化运维提效相关的，您能解释一下为什么核心网自智网络一直在强调网络高稳？
罗萱：目前全球运营商和产业组织已经意识到了核心网高稳的重要性，并初步形成了产业共识。但是只有共识是远远不够的，首先，我们需要定义核心网高稳的网络标准，定义什么样的核心网是具备高可靠性的，这是我们构筑自动化和智能化能力的基础和前提；其次我们还需要一个对应的评估工具帮助运营商评估网络是否足够可靠，不仅有静态评估，也有通过故障注入和自动仿真实现网络可靠性动态评估，这也是为什么我们一直积极参与TM Forum的ANL测评及标准贡献工作，通过可量化的高稳标准和评估体系，帮助运营商主动识别网络潜在的隐患。
主持人：请问Robert，Appledore一直对自智网络领域很有研究，你们发布的报告也经常受到产业的关注，那么您是怎么看待自智网络和高稳网络之间的关系呢？
Robert：如Eric所说，很明显自智网络和高稳网络之间存在密切的关系。过去网络的变更涉及面广，造成故障的风险高。我们正在迈向一个网络交互更频繁更智能的世界。我们必须依靠海量的网络数据才能达成这个目标，只有在保持网络稳定的情况下，这种能力才是真正安全的。
自智网络具备自规划、自部署、自优化和自演进等能力，这些能力使得网络能够更加智能地应对各种挑战和变化，降低故障发生的概率，提高网络的稳定性和可靠性。通过自动化和智能化的运维手段，自智网络能够实时监控网络状态，预测和预防潜在问题，快速响应并自动修复故障，从而确保网络的高稳运行。可以说自智网络追求的一个重要目标就是通过自动化和智能化手段来提高网络的稳定性和可靠性。
主持人：既然您提到了网络智能化的优势，您认为AI大模型应用到核心网运维中存在哪些困难呢？
Robert：大模型在运维领域的应用仍然处于早期阶段 目前存在以下几个挑战：首先是数据复杂性，核心网运维涉及大量的实时数据、多模态数据（不仅数据、图像、图片、图表等）以及复杂的数据关系。这些数据往往具有强领域知识特性，且不同场景下的数据差异较大。大模型需要处理并理解这些复杂的数据，以便进行有效的运维决策。
其次，广义语言模型和领域专业大模型之间的区别，以及在实际环境中，我们如何应用它们也是一大挑战。大模型需要解决如何在不同场景下保持强大的泛化能力，以便快速推广复用和处理未知场景任务。同时，像网络设备、协议、技术细节等，大模型还需要有效地整合这些领域知识，才有可能进行准确的故障诊断、性能优化等艰巨而又复杂的运维任务。
主持人：Eric，我相信大家也想知道，ICN Master是如何应对这些技术挑战呢？
罗萱： 当然，我们也曾面临这些问题，也尝试用一些新的方法来解决。第一步，提升数据质量来帮助大模型更深入的理解意图。第二步，结合不同的方法来提高模型的能力。ICN Master以LLM和运维数据多模态分析大模型为基础，通过智能体Agent技术框架，结合长短期记忆、RAG、小模型等，来实现语义理解、工具调用、逻辑推理等能力，最终支撑核心网故障、投诉处理全流程智能化。 我们基于华为30多年丰富的核心网运维经验及案例积累，构建了运维多模态分析大模型，如信令、时序、拓扑等，并针对这些知识语料设计标准训练集展开预训练，优化模型提高其判断和思维训练的准确性。如何更进一步提升大模型训练的准确性和效率，我们还在探索和实践中，也希望能与更多的伙伴交流和分享各自的实践经验，共同推动技术难题的解决。
