曾经被视为电信行业遥远目标的自治网络，如今已成为当务之急。 英伟达最新发布的《电信行业人工智能现状报告》网络自动化是人工智能在投资和实际回报方面最突出的应用案例，这表明运营商可以从人工智能中获得直接价值。
尽管许多电信运营商已经实现了部分工作流程的自动化，但要真正实现自主运行，还需要更多努力。自主网络必须理解运营商的意图，权衡各种方案，并在复杂的网络基础设施中确定最佳行动方案。这一转变依赖于专门针对电信数据和运营模式进行训练的推理模型和人工智能代理。
电信代理系统
向自主运营转型需要的不仅仅是孤立的AI模型。电信运营商需要完整的智能体系统，其中包括：
- 能够掌握领域语言和结构的电信专用网络模型
- 能够相互沟通和协调的人工智能代理
- 网络仿真工具可在拟议变更影响实际环境之前对其进行验证
在巴塞罗那世界移动通信大会召开前夕，NVIDIA 发布了针对该框架的多项组件：一个基于 Nemotron 的开放式大型电信运营商模型 (LTM)、一份用于构建网络运营推理代理的指南，以及用于利用多代理编排实现节能和网络配置的全新 NVIDIA Blueprints。这些组件旨在帮助运营商在保持对基础设施控制的同时，逐步过渡到自主网络。
作为GSMA全新开放电信AI计划的一部分，NVIDIA正通过GSMA向公众开放LTM、指南以及相关的智能体AI蓝图。这种方式为更广泛的移动生态系统提供通用构建模块，而非专有解决方案。
开放式、电信优化推理模型
为了在电信生产环境中部署生成式和智能体人工智能，模型必须理解电信语言并通过实际网络流程进行推理。NVIDIA 与咨询公司 AdaptKey AI 合作，推出了一款开源的、拥有 30 亿参数的 Nemotron LTM 模型，全球运营商可将其用作构建自主网络的基础。
LTM 基于 NVIDIA Nemotron 3 系列基础模型构建，并由 AdaptKey AI 使用开放的电信数据集（包括行业标准和合成网络日志）进行微调。这种微调主要针对电信的关键任务，例如：
- 识别多层和多供应商环境中的故障
- 制定补救计划，包括决策路径和回滚程序
- 验证变更并在更新前后评估影响
由于 Nemotron LTM 是开放的，运营商可以全面了解其训练过程和数据来源。这种透明性支持在电信环境中安全部署，使运营商能够在自身安全边界内构建和运行代理。此外，它还允许电信运营商使用内部网络和运营数据调整电信优化的推理，从而在不泄露敏感信息的前提下，根据其特定架构和策略定制模型。
构建电信推理代理的开放指南
NVIDIA 和 Tech Mahindra 发布了一份面向运营商的开源指南，展示了如何将特定领域的推理模型转换为能够安全执行网络运营中心 (NOC) 工作流程的代理。
该指南概述了一个框架，旨在帮助模型像网络运营中心（NOC）工程师一样进行推理。它指导模型执行以下操作：
- 找出影响巨大、发生频率高的事件类型，以便自动化能够快速改善运营。
- 将专家工程师的解决方案转化为清晰、循序渐进的步骤。
- 将这些程序转化为结构化的推理轨迹，记录每个操作、工具使用、观察到的结果和决策点。
这些跟踪记录作为模型的“思考示例”，详细说明了应采取的行动以及特定检查、升级路径和被认为安全有效的解决方案背后的原因。借助 NVIDIA NeMo-Skills 管道，运营商可以利用这些跟踪记录微调推理模型，并创建电信专用代理，这些代理能够像经验丰富的网络工程师一样处理故障排除和运维工作。
闭环自主性和无线接入网能量优化
自主网络依赖于闭环运行。模型必须理解网络状态，智能体必须根据操作员意图和仿真结果采取行动，反馈必须不断改进未来的决策。
英伟达的新产品 以意图驱动的无线接入网能效蓝图 该方案以 5G 无线接入网为例，阐述了这一原则。其目标是帮助运营商在保持服务质量的前提下，系统性地降低无线接入网的功耗。
该参考架构集成了 VIAVI 的 TeraVM AI RAN 场景生成器 (AI RSG)，该生成器可生成合成的 RAN 数据，例如小区使用情况、用户吞吐量和流量模式。AI RSG 将这些数据转换为 AI 代理可以查询的格式。
能源规划代理分析合成数据以制定节能策略，然后在人工智能响应式搜索组 (AI RSG) 中进行测试。这种闭环机制使运营商能够在实际场景中评估节能策略的效果，然后再影响实际配置，从而提供一种更安全的实现节能目标的方法，同时又不影响用户体验。
实际使用中的电信网络配置蓝图
NVIDIA 的电信网络配置蓝图已从概念过渡到实际应用，运营商正在使用它来将智能 AI 引入生产环境。
Cassava Technologies公司正在应用该配置蓝图作为Cassava AI RAN的基础，Cassava AI RAN是一个面向非洲多元化多厂商移动网络环境的代理平台。该平台包含三个专用代理：
- 一个监控和推荐代理，用于跟踪网络状况并提出配置更改建议。
- 执行代理，负责实施已批准的变更，同时确保完善的文档记录和管理。
- 一个验证和回滚代理，用于评估变更的影响，并在变更造成意外后果时将其回滚。
这种多代理方法可以促进在各种无线电和供应商设置中实现更安全、更快速的配置周期。
NTT DATA 正利用同样的方案来增强流量管理，尤其是在用户断网后重新连接以及网络需求突然激增的情况下。该公司与日本一家一级运营商合作部署了一套人工智能代理系统，该系统能够实时监控各个小区的需求，并做出准入控制决策，决定何时以及如何允许新用户接入特定小区。随着需求恢复正常，该代理系统会调整其操作，将人工流量管理转变为数据驱动的优化循环，旨在提高网络在高峰期的弹性。
多代理编排
为了帮助运营商设计、跟踪和优化 RAN 中的多代理工作流程，NVIDIA 和 BubbleRAN 正在使用两个集成框架更新 NVIDIA Blueprint for teleco networks：
- NVIDIA NeMo Agent Toolkit (NAT) 用于创建和协调 AI 代理。
- BubbleRAN Agentic Toolkit (BAT) 用于在电信级环境中协调这些代理。
BubbleRAN 将 NAT 和 BAT 集成到其 Opti-Sphere 平台中，该平台负责跨容器和工作负载的监控、配置和验证代理。Opti-Sphere 将代理与能够揭示网络指标和流量状态的工具连接起来，使代理能够持续提出配置更改建议、模拟或验证这些更改，并进行相应的调整。
挪威电信集团将成为首家采用 BubbleRAN 更新蓝图的电信运营商，从而提升其面向海事客户的全球连接服务提供商 Telenor Maritime 的 5G 网络性能。此次部署将在充满挑战的连接环境中测试智能体编排和闭环运行，在这种环境中，不断变化的网络状况和高可用性要求凸显了稳健、自主网络行为的重要性。
Amazon