2024 版 ICT服務與軟件 2030

目錄01宏觀趨勢與展望 040102ICT服務與軟件2030未來場景 0602規(guī)建+AI：SLA從不確定性到確定性 06規(guī)建AI+：從數字化集成到“系統(tǒng)工程”集成 08運維+AI：從“面向網絡”到“面向業(yè)務” 10運維AI+：從服務“人”到服務“機器”的運維 12維優(yōu)+AI：從人等網絡到網絡等人，激發(fā)體驗變現意愿 13維優(yōu)AI+：基于智能內生的網絡優(yōu)化Agent 14營銷+AI：數智新業(yè)務，敏捷創(chuàng)新，牽引新增長 15營銷+AI：從成本中心到“效益中心” 16賦能+AI：從“基于文檔的信息體系”到“基于Token/Pitch的知識體系” 17賦能AI+：從“人找知識”到“知識找人” 1803ICT服務與軟件2030愿景及核心技術 20數字孿生 20模型驅動 22ICT融合交付 23數據工程 24以業(yè)務為中心 25平臺智能化 2704ICT服務與軟件2030倡議 2805附錄（參考、縮略語） 29050101宏觀趨勢與展望新技術、新業(yè)務、新范式等帶來無限新可能，引發(fā)無限新暢想，同時也引入諸多不確定性人類正加速邁入智能世界，數字化、智能化、低碳化的確定性發(fā)展趨勢已成共識。面向2C的裸眼3D，AI背包，自動駕駛以及面向2B的工業(yè)制造無燈工廠，基于“機械手，機械臂”的智慧礦山，智慧港口正在加速到來；以GenAI為代表的大模型、人工智能、5G-A、超大規(guī)模算力集群、液冷數據中心、數字孿生、智能體等新技術一日千里；新的知識和數據管理體系、平臺智能化、大小模型協同、AIforNetwork、NetworkforAI等新范式應運而生，三者協同共進為數智新業(yè)務的創(chuàng)新和涌現提供了支撐，引發(fā)無限新暢想，創(chuàng)造無限新可能。要將每一代新技術、新范式引入生產環(huán)境，釋放新的生產力，都需做到在現有業(yè)務生產環(huán)境和諧共生基礎上持續(xù)平滑演進，能對“復雜性和不確定性”有效管控，實現ICT基礎設施全生命周期有序演進，及時滿足新業(yè)務、新體驗

對ICT基礎設施新能力的需求，激發(fā)新創(chuàng)新，實現新體驗的持續(xù)升級，最大化投資效益，從而驅動行業(yè)數智化轉型的加速。如AI教母李飛飛所言：AI是一門滲透式技術，會像水一樣影響每個人，每個行業(yè)。隨著新業(yè)務，新技術，新范式的持續(xù)演進，未來的ICT服務和軟件行業(yè)也將迎來更大的不確定性，我們需要思考如何讓如此多的新業(yè)務、新技術、新范式釋放出商業(yè)價值和技術紅利的同時，也要同步考慮如何通過新技術來改善自身全生命周期的競爭力：+AI：如面向千行百業(yè)，萬物“智”連，SLA帶來的不確定性，網絡故障爆炸半GenAIAI做的事情AI+：如大模型，機器人，具身智能體已成為未來服務模式不可分割的一部分，如何通過Agent+++平臺的模式，提升規(guī)建維優(yōu)營培效率，改善成本和模式，AI需要幫助服務做的事情。ICT服務與軟件2030未來場景：AI+改變服務模式，+AI帶來眾多服務新場景不確定性不確定性SLA確定性SLA服務56000+客戶信息體系 知識體系數字交付系統(tǒng)工程交付人找知識知識找人攜手6200+伙伴超大上行，低延遲，6個9規(guī)從基于人的“信息系統(tǒng)”轉向基于模型的“知識體系”基于MFU，線性度的規(guī)劃設計建知識體系融合伙伴人員培 生產流，實時推送服務AI+服務AI+ICT服務與軟件2030場景服務AI+服務AI+服務人服務智能體維營成本中心利潤中心面向網絡 面向業(yè)務優(yōu)數字業(yè)務 數智業(yè)務以智能體為中心的感知，分析及工具加速智能化轉型基于數據的運營促進用戶發(fā)展和維挽加速釋放技術紅利面向“業(yè)務”的運維運維“anytimeanywhere”實時營銷面向2030年，未來已來，如何用確定性的服務能力來解決眾多不確定的+AI和AI+的需求，是每一個ICT人需要思考的關鍵問題…0202ICT服務與軟件2030未來場景規(guī)建+AI：SLA從不確定性到確定性2030GartnerIMT2030年預測，AR/VR/MR30的終端2030也將成為現實，基于“機械臂，機械手”的黑燈工廠，無人礦山隨著行業(yè)智能化成為企業(yè)剛需；同時智能體、機器人也將逐步取代當前人類大部分重復性工作，

2030AIAgent活躍用戶數將60ICT203045%Agent覆蓋，100的角色將擁有自身Co-pilot，不僅包括虛擬世界中的數字分身，還包括物理世界的具身智能，比如工業(yè)機器人，服務機器人，陪伴機器人，自動無人機，自動駕駛汽車等，這些新的服務對象會對未來的網絡規(guī)劃產生極大的不確定性。行業(yè)業(yè)務類型業(yè)務對網絡的要求數量業(yè)務可用（單用戶、單業(yè)務）安全可信帶寬需求/單用戶（Mbps）業(yè)務時延需求（ms）B1B2B3B4B5T1T2T3T4T5S1S2M1M2M31~1010~2020~5050~100>10050~10020~5010~205~10<5可視可管可運營智能醫(yī)療16K遠程診療101G監(jiān)測護理2K全息遠程手術510G智能電網視頻巡檢-電網控制-無線監(jiān)測-智能制造工廠環(huán)境100信息采集10K操作控制1K參考信通院《5G端到端切片行業(yè)SLA需求研究報告》SLA主要要求的是通話接通率，掉話率，MOS（平均意見值），呼叫建立時延，追求的是在人的主觀體驗承受范圍內的體驗需求，Agent2C生活2BSLA來保障生活中的極致體驗和生產不中斷，如自動駕駛，低空經濟，智慧港口等場景一旦發(fā)生問題很容易導致全行業(yè)跨城市，跨國際的重大災難，所SLA的高可靠性。從商業(yè)角度來看，“萬物智聯”的網絡相比面圍繞“人”感知的體驗傳播模型，提供人的最優(yōu)體驗

向“人”的網絡難以直接用傳統(tǒng)的套餐/DOU/滲透率來計算投資回報。每類場景均面臨不同的商業(yè)模式及建網需求，需要結合各區(qū)域、城市的“智能化程度”來進行精細化的建網規(guī)劃和上市節(jié)奏，所以“滴灌式投資”對系統(tǒng)集成的TTM的要求會更高。如何在復雜的業(yè)務場景中快速搶得市場先機，需要結合確定性的業(yè)務場景SLA需求進行快速網絡升級和ROI。規(guī)劃更需要通過數字孿生構建網絡實時仿真能力，基于未來網絡建設業(yè)務場景化需求變化快速規(guī)劃網絡目標網，通過規(guī)劃設計快速在虛擬世界孿生物理世界的業(yè)務及網絡變化，構建面向人和“機器”的傳播模型及網絡性能仿真預測，同時要求規(guī)劃成為小周期迭代。精準度實現99.9%，TTM相比當前提升50%。圍繞“機器+物”的感知傳播模型，提供機器的最優(yōu)感知MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立時延虛警率↓5%掉話率，抖動↓10%99.64%MOS>=3.0占比9%86.18% 95%3.043.50.5s呼叫建立時延虛警率↓5%掉話率，抖動↓10%99.64%98.51%1.1%接通率0.4%0.82%0.4%掉話率感知覆蓋率↑10%感知精度30m↑15%規(guī)建AI+：從數字化集成到“系統(tǒng)工程”集成1.00.80.61.00.80.60.40.201000卡 2000卡 4000卡 8000卡卡數AI代表模型訓練卡數CatGPT千卡GPT-4萬卡Gmi5.4萬TPUGrok210萬卡GI百萬卡（星際之門計劃）99.90% 99.95% 99.99%集群隨Scalinglaw規(guī)模越來越大，Grok2和星際之門計劃已經逐漸擴展到十萬卡，百萬卡，字節(jié)在2024年2月發(fā)布12288個GPU訓練175B的MegaScale系統(tǒng)，比肩谷歌，達到業(yè)界目前萬卡集群最高水平。字節(jié)用了多達9種優(yōu)化方法，也只把MFU做到55%，距離MFU（最高95%)仍有巨大的差距，MFU每提升1PCT，將會帶來上千萬成本的成本節(jié)省，數倍的性能提升以及訓練TTM的縮短，同時根據Mason預測，當前智算OPEX相比傳統(tǒng)通算OPEX上漲35%，2050年將上漲50%以上，主要是水，電等。全棧DCL1&L2聯動AI節(jié)能和高MFU規(guī)劃將成為智算中心剛需。

AI業(yè)務對智算網絡的需求和競爭力構建方向也完全不同，如不同的LLM，小模型訓練推理場景：算力、網絡帶寬、網絡延遲、內存系統(tǒng)架構要具備足夠的靈活性。網絡作為聯接底座，將‘算’‘存’靈活配置組合，以適配不同場景，沒有一種業(yè)務同時需要5種能力，以網補算、以算補存、以存代算，“網存算協根據普華永道預測，2030年前通過相同算力需300%的優(yōu)化空間，所以面對未來高復雜的MFU和線性度要求，基于“系統(tǒng)工程”的集成服務將成為行業(yè)剛需。AI業(yè)務計算算力網絡帶寬網絡延遲內存帶寬內存容量LLM訓練LLM推理(Prefill)LLM推理(decode)推薦系統(tǒng)訓練推薦系統(tǒng)推理訓練數據/知識作業(yè)及記錄，記錄即數據--> 已不夠用，知識數據亟需積交付數據（持續(xù)積累）：靜態(tài)知識->思維鏈+DSL語言交付平臺(IT)支撐交付平臺(IT)支撐協同調用現場單兵裝備手機/卷尺-->智能作戰(zhàn)裝備XR+AI本地離線->端云協同，智慧具身交付大腦工具：單機/功能-->Copilot，思維鏈，場景化Agents決策：經驗/責任-->算法尋優(yōu)，數據透視，輔助決策WSD/WDT… CoreMaster… MOSS/FOCopilot…持續(xù)訓練，多種模型，各種外掛，靈活調用工具Silo工具-->原子化CDE…垂直領域調用->組合->創(chuàng)造工具平臺、工程師、物理集中--->交付AgentsCopilot企業(yè)：場景各異，金額小運營商：場景標準，金額大交付模式未來交付模式降從傳統(tǒng)的人+工具物理集中Agent+Copilot邏輯集中。傳統(tǒng)的交付是按照站點數量配人，如3000100人交

付90天，且資源需要隨交付地點進行安排交付隊伍。未來的交付將更集中化。在集團，省構建集中化交付中心，通過Agent，Copilot進行站點勘測。MOP設計、原廠配置等等；現場工作將更加聚焦和流程化。同時，以前的交付項目經理和技術項目經理非常重要。他們掌握著各類項目的項目管理，關鍵技術，工具平臺能力；未來，模型和應用，是主要的集成服務構建者和交付者。人機協同，數據驅動將進一步驅動交付組織扁平化，交付效率提升50%以上。人服務的構建者和交付者流程工具人服務的構建者和交付者流程工具智能系統(tǒng)服務的主要構建者和交付者人：服務的協作者和部分交付者智能工具人員規(guī)模與收入線性增長服務價格高，工具輔助人

用智能系統(tǒng)替代大部分人員，從純人工升級為人機協同由智能系統(tǒng)自動生成流程和數據驅動，多并行作業(yè)從功能性工具升級為智能性工具效率更高運維+AI：從“面向網絡”到“面向業(yè)務”2030年，隨著網絡架構逐漸復雜，運維的對象更加復雜：云、網、存、邊、端，網絡操作更難去判斷，對網絡變更工程師的要求也5年前，2024ICT網絡重大故障數量占比提升了45%。關鍵問題就是隨著網絡越來越復雜，

傳統(tǒng)基于“網絡”的運維無法感知終端業(yè)務，從網元→性能→體驗→商業(yè)，難以全棧進行數據和算法關聯打通。隨著智能化GenAI,大模型，數字孿生等技術的快速發(fā)展，從面向“網絡”到面向“業(yè)務的運維”將成為未來新趨勢。2個數字孿生“價值穿透”

價值躍升 成本最“人”萬級FO/BO/FME成本與質量最佳平衡時空數字孿生“人”萬級FO/BO/FME成本與質量最佳平衡時空數字孿生商業(yè)體驗網絡數字孿生性能網元“物”十萬級備件/車輛/油機…“物”十萬級備件/車輛/油機…“事”百萬級FM/PM/CM…“事”百萬級FM/PM/CM…傳輸故障3

2個大模型+tLLM大模型語義理解網絡大模型網絡理解nt業(yè)務解析與調用①價值與運維作業(yè)關聯 ②資源與成效直接關聯10月級天級月級天級百萬卡預測：響應0.5天，恢復預計周級（中斷一次損失億元）十萬卡預測：響應1-2h，恢復預計天級（中斷一次損失千萬）小時級分鐘級千卡：響應10分鐘，恢復小時級（中斷一次6000元+）萬卡預測：響應30min，恢復2/4/6/8小時級（中斷一次損失10萬+）千卡 萬卡 十萬卡 百萬卡同時，算力網絡隨著scalinglaw的逐步演進，十萬卡，百萬卡已經成為大模型廠商的標配。傳統(tǒng)基于網絡的運維已經不可實現。某互聯網廠商數十萬卡訓練集群報告表明，54天訓練，466841%中斷為軟件異常、電纜問題，網絡故障等。如果還延續(xù)當前的運維模式，2030年預計百萬卡中斷一次損失超過億元。面向傳統(tǒng)網絡的運維，我們主要以事前、事中、事后來應對重大和緊急的復雜網絡變更。事前通過維護工程師提前做好緊急預案，做好相應的緊急預案來防止未來可能的業(yè)務影響；事中提前做好網絡變更操作腳本，規(guī)范工程師操作原則；事后回溯總結，迭代事前和事中不足，作為后續(xù)案例支撐。隨著網絡越來越復雜，這種傳統(tǒng)的運維方式很難去完全規(guī)避人為誤操作帶來的重大事故。X局點僅僅因為工程師在流量閥值配置上多輸入了一個“0”引發(fā)信令風暴，就導致全省3000萬通訊中斷兩天。隨著GenAI,數字孿生，知識圖譜，具生智能等

業(yè)務”的智能化運維來取代傳統(tǒng)“基于網絡”的運維已經成為業(yè)界共識，2030年，30%領先的運營商隨著智能化展開將結合5GA部署數字孿生系統(tǒng)：以終為始，通過運維業(yè)務需求反向簡化算網E2E數據實時可視和實時可獲取性。網絡實時數字孿生：構建運維知識圖譜測量網絡問題對業(yè)務的影響，通過數字孿生關聯物理世界和數字之間的關系以及業(yè)務關聯，KQIKPI之間的梳理，實現每個操作和變更對業(yè)務的直接影響可視可管。圍繞業(yè)務級運維重新構筑新的應用，打通網ICT運維全局可視可管?；谝陨夏芰?，故障恢復時長將從天級走向小時級，網絡故障響應從小時級走向秒級，備板替4/按周定期替換。新技術的不斷發(fā)展，面向未來如何實現“基于 面向業(yè)務運維:從產品協議→孿生平臺→服務轉型的全棧打通MFU性能監(jiān)控集群加速流量地圖 客戶智算集群 模型訓推數字孿生 MFU性能監(jiān)控集群加速流量地圖

業(yè)務級數據采集機理建模網絡孿生智算機理模型推理數據采集機理建模網絡孿生智算機理模型推理訓練

軟探針物理→數字孿生體系軟探針

運營運維運維AI+：從服務“人”到服務“機器”的運維傳統(tǒng)數字化時代，運維的工具，流程均是圍繞人來設計的，而智能化時代的人機協同模式，并不需要每個人都參與，人機界面非常清晰，人，流程，工具均圍繞機器來解決問題：一線分責一線分責 非網絡問題投訴閉環(huán)二線分責 網絡分責專業(yè)室排障 TT工單FME上站Smartcare投訴定界OWS故障定位和遠程處理裝維助手客服Tier2:30人FO:50人，BO：95人FME：325人客戶 群障 客原因 原因 回客服Tier1:120人IVRAICC客訴處理終端原因無線原因終端原因終端原因無線原因終端原因性能原因FO分責配置問題預防預測現場問題網管查詢配置修改問題描述問題回單一線分責一線分責 非網絡問題 投訴閉環(huán)二線分責 性能定位和排障專業(yè)室排障 FME上站API調用AICCAgentFCR＞85%CRM計費API調用Agent分責定位SmartcareSEQAPI調用運維分析保障Agent分責定位網管AUTINAPI調用FMECopilot問答式查詢網管AUTIN被動客戶處理回訪重大專業(yè)室故障溝通重大定界排障故障審核審核網管配置問題問題查詢修改描述回單TT工單智能化替代人 依賴人工要實現基于Agent為中心的運維能力，業(yè)界普遍共識是需構建3大基礎能力：算網運維大模型：基于業(yè)界通用的基礎大模型構建懂運維機理、網絡協議的算網運SRE、FO、BO、FME構建面向角色的Co-pilot和場景的Agent智能體，減少人的重復腦力勞動，再結合傳統(tǒng)自動化的大模型進行實時配置和命令下發(fā)，OSS實現統(tǒng)一的API化，成為大模型的調用“工具”。數字孿生：需要通過實時的網絡數字孿生系統(tǒng)來做好從業(yè)務到網元的業(yè)務關聯。以前的

網絡數據屬于黑盒數據，通過探針，網管經過層層過濾，采集才具備分析的能力。未來的數字孿生系統(tǒng)需要構建基于知識圖譜快速進行網元級數據采集，從之前的30分鐘-1小時級的采集效率走向分鐘級的采集效率。具象智能機器人：現場運維成本一般占據整ICT60%。未來，每個數據中心，機房，站點都會有存在具象機器人，配置基transformerIOS，可以準確的識別來自于NOC/SOCAgent智能體的指令，替代維護人員進行網絡操作，如巡檢、現網狀態(tài)感知、光纖端口調整、板卡更換等。將大幅提升運維效率。 機器手換硬件 自動巡檢機器人12維優(yōu)+AI：從人等網絡到網絡等人，激發(fā)體驗變現意愿2030年，傳統(tǒng)移動通信網絡從主要服務“人與人”“人與物”的通信向主要服務“人與智能體”“智能體與智能體”的通信轉變。通信網絡將不僅要聯接個人，還要聯接與個人相關的各種感知、顯示和計算資源以及AIAgent；不僅要聯接家庭用戶，還要聯接與家庭相關的家居、車和內容資源；不僅要聯接組織里的員工，還要聯接與組織相關的機器、邊緣計算和云資源，以滿足智能世界豐富多樣的業(yè)務需求從體驗保障的模式來看，傳統(tǒng)網絡日常優(yōu)化是典型的“人等網絡”的方式，網絡優(yōu)化被動響應客戶投訴，在產品的性能基礎上提升10~15%的性能，盡力而為。中國每年需要投入2.5萬人天來解決日常優(yōu)化問題，包括投訴網絡問題收集，典型區(qū)域/站點優(yōu)化優(yōu)先級設計，數字化路測，日常優(yōu)化方案設計，日常優(yōu)化方案實施等等。首先，這種“人等網絡”的方式只能解決35%的網絡問題，無法做到用戶體驗

盡善盡美；其次，由于缺乏統(tǒng)一的網絡優(yōu)化大模型，多次優(yōu)化方案中會存在性能互斥，優(yōu)化經驗僅存在工程師腦子里的情況。面向2030，未來網絡優(yōu)化的方式需要通過“網絡等人”來取代“人等網絡”優(yōu)化模式。通過鴻蒙OS、智能單板、智能天線、光紅膜等技術，實現性能E2E可感知；構建基于時空的數字孿生系統(tǒng)（TAZ）精準預測每類業(yè)務未來的流量、走勢、SLA趨勢變化；通過算網一體的優(yōu)化大模型實現30%的場景單產品智能內生自閉環(huán)。其余70%場景依賴通過知識圖譜和知識管理進行核心資產沉淀，日常優(yōu)化產生的MR,SEQ等性能數據形成AI數據飛輪，持續(xù)支撐模型升級迭代，構建用于VIP保障，日常優(yōu)化等的各類智能體支撐網絡優(yōu)化人員基于業(yè)務變化提前預防預測，快速生成優(yōu)化方案，再通過調用傳統(tǒng)小模型進行實時分析決策執(zhí)行和性能體驗閉環(huán)人輔助機器投訴用戶模型人輔助機器投訴用戶模型非投訴用戶模型優(yōu)化模型用戶特征及策略庫潛在質差用戶篩選全球質差模型實時數據 根因分析智能單板/內置探針疊加時空數字孿生維優(yōu)AI+：基于智能內生的網絡優(yōu)化Agent根據約瑟夫Joseph年圖靈獎獲得者對未來網絡自治系統(tǒng)的定義，LLM/網絡狀態(tài)制定策略，因此通信領域智能體需要能理解網絡（如拓撲、性能、告警、事件等）。另外對數據實時性要求高，難以被大模Prompt/SFT為大模型//優(yōu)原子工具能力，實現任務的規(guī)劃、感知、決策和執(zhí)行。PerceptionInternalSensorsExternalPerceptionInternalSensorsExternalSensorsKnowledgeRepository Re?exionKnowledgegeneration

ExternalEnvironmentmodelInternalEnvironmentmodelExternalEnvironmentmodel

InternalEnvironment

ExternalEnvironmentSelf-adaptationKnowledgeapplication

GoalmanagementDecisionGoalmanagement

InternalActuatorsInternalActuatorsExternalActuatorsPlanningExternalActuatorsPlanningFigure6:Computationalmodelforcyberphysicalagent基于網優(yōu)Agent的智能內生能力，以某區(qū)域優(yōu)化工作模式舉例，以前需要有3個網優(yōu)工程師值守，轉變?yōu)闊o人值守，由1個人負責Agent設計模式

網優(yōu)功能開發(fā)從之前跨多個平臺，10幾個步驟，至少3個月的周期改為Agent根據COT（Chainofthought）鏈設計，1次任務下發(fā)，多次自動交互完成3人有人值守

平臺步驟Soc\Noc\RF工程師

1人無人值守

人+Al

跨平臺多步驟復雜流程

下發(fā)1次任務

思維自主規(guī)劃14營銷+AI：數智新業(yè)務，敏捷創(chuàng)新，牽引新增長2030年，面向營銷的數字化業(yè)務向智能化轉型已成為共識，埃森哲，普華永道等多個咨詢公司均把營銷作為大模型能夠影響的TOP1行業(yè)，原因就是用戶需求千人千面，人機交互界面多，海量的客戶需求從廣告，營銷，計費，銷售再到客訴存在大量的創(chuàng)意涌現和生成的機會，符合當前主流LLM大模型適用的三大條件：海量數據，創(chuàng)意類場景，自然語言。面向未來全行百業(yè)智能化，數億級的數智人，無人出行汽車，當前的數字化營銷模式已經無法滿足需求：敏捷創(chuàng)新：數字化時代基于“人”的套餐設計，從市場策略→資源準備→套餐開發(fā)→市場推送往往要經歷3-6個月時間，當產品

投放后市場又發(fā)生了新的變化。未來智能化業(yè)務需要基于客戶數據分析自動生成營銷創(chuàng)意和套餐設計，從“數月”到“數天”，結合敏捷的算網基礎設施，實現”anytime,anywhere”的實時套餐推送，如電影院、體育場VR等場景。智能創(chuàng)意：數字化時代營銷主要基于大數據用戶畫像進行針對性的電話/內容推送，完全依賴人進行分析和進行營銷策略創(chuàng)意，2030年數字人內容生成和運營效率成本遠優(yōu)于人工，可根據市場變化快速迭代，迎合大7*24小時在線，高質量互動解決客戶問題。產品介紹軟件服務、美妝時尚、3C電子、工廠車間、解決方案等介紹視頻

活動促銷節(jié)點的口播類視頻

信息流廣告Google、Facebook廣告、YouTube、TikTok、Amazon.Instagram

產品種草產品講解、細節(jié)展示、對比評測、購買指南等等口播視頻

內容營銷GoogleSEO、Facebook廣告、YouTube電商平臺廣告

視頻教程客服、支持團隊內容、產品操作、Q&A、解釋視頻等15營銷+AI：從“成本中心”到“效益中心”客服中心長期依賴均被企業(yè)定位為成本中心，隨著數字化和智能化的逐漸深入，行業(yè)發(fā)現通過對投訴用戶的培育和激活，也能幫助企業(yè)持續(xù)的獲得新的用戶裂變及收入，成為智能化時代企業(yè)的增收利器：在培育和獲客階段，通過數字人智能外呼取

在投訴處理階段，數字人基于業(yè)務知識庫和語音識別能力可以處理90%以上的問10%的投訴流向人工，FCR從當前75%90%。電話渠道語音網關匹配到答案 未匹配到答案代傳統(tǒng)人工外呼，基于AI和數據的千人千面支撐下，外呼成功率提升3倍，同時外呼效率提升300%。記錄客戶回復信息，

IVR系統(tǒng)語音問答接口ASR語音識別

特定情況

人工坐席

智能語音機器人系統(tǒng)回訪客戶

回復記錄場景判斷

生成工單

NLU自然語言理解 4.無法理解4.無法理解

智能回訪機器人

業(yè)務對話場景（調查問券、電話回訪等業(yè)務場景庫

業(yè)務知識庫電話應答

客服人員

客戶接入智能應答服務后，系統(tǒng)根據設定與客戶實現實時語音交互。后臺自動通過知識庫系統(tǒng)匹配相關知識點內容。能夠匹配到知識內容時系統(tǒng)根據知識內容復雜程度，自動選擇直接語音播報或短信推送。在激活和留存階段，通過數字人進行對話式產品推薦和解讀，并能精準從客戶語氣識別AHT50%。錄音屬性分析:錄音屬性分析:

無法匹配知識內容時系統(tǒng)向客戶提示，無法匹配到相關知識點，并轉接人工坐席。2030年，通過大模型的加持，數字化營銷將持續(xù)向“數字人”智能營銷演進，客服中心將從“成本中心”逐步走向“效益中心”，通過大模型的技術實現“數字化業(yè)務”的新生產范式，使能行業(yè)的業(yè)務更敏捷，更靈活的同時，也會持續(xù)為企業(yè)帶來更多的經濟效益。16知識管理運營機制賦能+AI：從“基于文檔的信息體系”到“基于Token/Pitch的知識體系”知識管理運營機制66知識展示設計結構化的知識展示方式754閉環(huán)管理，生態(tài)思維8知識審核通過審核環(huán)節(jié)檢視和把關內容3 21知識消費支持各類知識應用場景的消費需求知識運營基于知識的使用數據或效果反饋，進行差異化運營知識下架進行知識內容的下架操作知識導入設計符合知識生產的導入方式知識識別識別各種生產方式及場景知識需求需求的提出、傳導以前的知識體系都是基于人的視角來設計的，所有的知識也基本都是提供給人來學習的，如Word文檔，PPT，案例庫，FAQ。由經驗豐富的工程師充分實踐后形成的知識文檔，通過各種形式固化下來，再進行一代代的傳承，這種非結構化的知識占據了50%以上（埃森哲2024洞察）。當前企業(yè)管理這些非結構化數據的有效轉化率僅5%。未來大模型時代需要把這些非結構化知識轉化為大模型所需要的知識和經驗：Token(LLM),Pitch（幀）。傳統(tǒng)的知識經驗也缺乏專業(yè)的團隊進行知識需求識別，知識導入，知識審核和展示，以及知識運營和消費管理。保障大模型所學到的知識是最新，最權威的，才能讓模型像人一樣聰明。除了知識運營機制外，一個基于GenAI的知識

管理平臺也是必不可少的，主要用來進行快速的知識挖掘，知識融合以及知識推理，根據埃森哲和普華永道預測，2030年將會有55%的企業(yè)部署知識管理系統(tǒng):知識挖掘：把日常專家的知識能夠快速通過門戶網站，平臺快速轉為成標準化數據，把碎片化知識進行分類整理知識融合：圍繞不同的角色，進行多維標簽關聯，做好關鍵詞，標簽以及聯想式搜索，并融入企業(yè)生產流知識推理：將各類角色所需要的知識進行推理，結合Copilot實現場景化推送，并根據角色反饋建議實現自動召回，自動生成①數據知識化①數據知識化②知識體系化③知識可推理挖掘 融合 推理 多源跨域數據 碎片知識 跨域知識體系 因果圖賦能AI+：從“人找知識”到“知識找人”人找知識客戶/伙伴

60%30%10%

官網講座、課程400熱線

查版本文檔 專家求助 升級研發(fā) 傳統(tǒng)的賦能體系是基于人類的“碎片化”時間來設計的，以行業(yè)用戶和伙伴知識獲取來看：60%的知識來源于線上找知識，在日常工作產品說明書等獲取通用知識，人找知識的時間久，且找到的知識滿足度也較低。30%通過專家大講堂，線上線下的課程，通過專家講解，交流來獲取更為高階的知識，如戰(zhàn)略，新平臺，新技術等，賦能效果取決于專家水平，同時頻率不足，平均每人每年一般為個位數。

10%涉及行業(yè)較為私密的技術，普通的從業(yè)人員也不具備賦能的機制，只能和廠商研發(fā)求助。隨著GenAI技術逐步向千行百業(yè)滲透，知識管理逐步成為行業(yè)使用大模型的必備要素。從企業(yè)知識生產到入庫再到應用均會更為規(guī)范化和智能化，同時各類知識應用助手也會融入生產流，在每個環(huán)節(jié)對不同角色的員工進行實時推送，實現員工工作效率大幅提升；同時，也能將企業(yè)的知識持續(xù)快速轉化為Token，提供精準的的知識語料對大模型進行投喂，讓大模型更智能，更聰明。基于知識管理系統(tǒng)和知識助業(yè)務數據項目、需求、問題…業(yè)務數據業(yè)務數據項目、需求、問題…業(yè)務數據項目、需求、問題…內容數據課程、案例、文檔…算法自動打標簽屬性標簽：負責的產品等場景標簽：勘測、調測、維護關鍵字標簽：屬性標簽：產品、任職等行為偏好：比如內容偏好，關鍵字標簽：用戶畫像 內容畫像人工標簽規(guī)則標簽用戶產生運營產生規(guī)則配置（標簽平臺）AI推薦引擎理的加持，企業(yè)員工的賦能將從從傳統(tǒng)的“人找知識”到“知識找人”，從之前的碎片化賦能走向基于生產流實時推送的“終身賦能”。知識管理平臺將根據員工/伙伴訪問記錄識別各角色的業(yè)務、行為，內容數據，為每位角色做好用戶畫像和內容畫像，對接員工日常作業(yè)OA,OSS,BSS等ERP系統(tǒng)，實現在最佳時刻，知識把最適合的知識主動推送給最需要的人。根據埃森哲預測，203080%的企業(yè)知識獲取場景將會轉移到線上通過自動推送，互動獲辯論等實操類課程，線上線下相互結合，將更好的助力行業(yè)和企業(yè)持續(xù)推進TECH4ALL

抱智能化時代。下一代的賦能平臺/社區(qū)產品將具備在線Online、開放Open、協同Orchestration三大特征，旨在實現全球各領域的知識經驗快速獲取、歸納、分享和提煉：通過在線實時學習，人類獲取知識的時間將90%。200%。中級工程師培養(yǎng)周期將縮短5倍（36個月）。0303ICT服務與軟件2030愿景及核心技術ICT融合交付MFU的系統(tǒng)工程

以業(yè)務為中心NPS平臺ODA平臺數字孿生時空數字孿生網絡實時數字孿生

ICT服務與軟件2030

平臺智能化平臺模型使能平臺Agent平臺模型驅動網絡服務通用大模型網絡服務行業(yè)模型

知識體系知識管理平臺數字孿生時空數字孿生：移動通信系統(tǒng)的網絡優(yōu)化涵蓋一類難以統(tǒng)一建模的技術問題，參數往往是相互依賴或相互矛盾的，因而難以建立全局性的優(yōu)化模型。TAZ基于用戶、業(yè)務、網絡識別和業(yè)務類型分布差異，差異化設置每簇速率保障目標，挖掘每簇潛力，提升運營商收益，為網絡服務模型提供實時數據，采集效率從當前的小時級到分鐘級，如：無線信道統(tǒng)計模型：采集海量場景化波束級

測試數據，從網絡數據中提取多徑信道統(tǒng)計特征，建立信道模型用戶流量分布模型：采集用戶流量分布統(tǒng)計數據構建圖神經網絡建模地理相關性和LSTM建模時序相關性用戶體驗模型：采集基站響應及用戶速率、時延數據，構建通信知識數據驅動的模型調優(yōu)能力運籌優(yōu)化算法運籌優(yōu)化算法從網絡數據中提取多徑信道統(tǒng)計特征，建立信道模型流量分布:1.圖神經網絡建模地理相關性2.LSTM建模時序相關性通信知識+數據驅動的模型調優(yōu)無線信道統(tǒng)計模型 用戶流量分布模從網絡數據中提取多徑信道統(tǒng)計特征，建立信道模型流量分布:1.圖神經網絡建模地理相關性2.LSTM建模時序相關性通信知識+數據驅動的模型調優(yōu)海量場景化波束級測試數據 用戶流量分布統(tǒng)計數據 基站響應及用戶速率、時延數據網絡實時感知孿生：測量網絡問題對業(yè)務的影響，關聯不同業(yè)務的物理世界和數字世界之間的關系，實現KQIKPI之間的梳理，實現每個操作和變更對業(yè)務的直接影響可視可管：基于業(yè)務目標明確算法：基于業(yè)務需求，通SRE可靠性理論構建EDNS計算邏輯，實

現客戶業(yè)務減損邏輯計算網絡系統(tǒng)模型：從網絡到資源到業(yè)務的影響建模分析，實現每個網絡故障及操作和業(yè)務的關聯度模型和算法設計基于事件流進行準確的故障處理，減少傳統(tǒng)虛警占比高，精準以業(yè)務為中心的運維運維目標運維目標網絡系統(tǒng)模型運維流程改變網絡用戶服務滿足度EDNS計算期望獲得需求網絡用戶服務滿足度EDNS計算期望獲得需求實際獲得需求理論：GoogleSRE 影響：理念和petril網 流量損失、用戶投可靠性理論結合原因和后果調配運維資源原因：網絡問題EDNS(ExpectDemandNotSatisfied)用戶服務不滿足度網絡問題分解關聯與影響評估實時網絡故障/配置-用戶業(yè)務關系建模ASIS:工單流工單關單基于事件的運維資源調度ToBe：事件流遠程自 FMA動修復 上站BO分析工單處理工單 日常生成 巡檢網絡 網絡告警 撥測網絡各類數據網絡問題-網絡性能-用戶業(yè)務的影響關聯模型網絡隱患影響度分析模型網絡操作影響度分折模型設備故障影響度分析模型模型驅動工程師

AIAgent智能體工具方法流程導師指導項目經驗工具方法流程

提示工程網絡服務通用大模型提示工程客戶術語 案例 網絡數據客戶術語案例網絡數據新員工培訓

技術服務專業(yè)知識

技術服務案例產品文檔微調網絡服務LLM大模型技術服務案例產品文檔微調預訓練通信系本科生預訓練百科期刊論文通信知識門戶網站知識（知乎、百度知道、百度百科）通識知識 基礎大模型百科期刊論文通信知識門戶網站知識（知乎、百度知道、百度百科）1.網絡服務LLM模型：評估全球主流基礎大模型，如llama3,Mistral，文心一言，智普等通過提前適配和預訓練，匯聚行業(yè)公共知識如C114,萬方，產品指導書，案例庫，考試庫等，讓其具備ICT服務基礎知識，為行業(yè)升維打好基礎，讓大模型具備高中生的行業(yè)知識水平，解決非結構化知識的處理以及訓練

網絡服務通用大模型：構建一個懂ICT協議，信令語言，懂規(guī)建維優(yōu)營和OSS/BSS的行業(yè)通用模型，以解決更為復雜的業(yè)務問題，具COT鏈的理解能力和99以上的精準度，實現結構化數據的知識體系，讓其具備本科生的行業(yè)知識水平，相比LLM語言模型，訓練參數大量減少，通過7B，10B等小尺寸大模型微調和RAG可快速部署支撐/行業(yè)客戶進行生產云側模型云側模型基礎網絡大模型全球網絡數據預訓練的維優(yōu)一體大模型模型下發(fā)，本地微調完整模型導入，大規(guī)模NPU推理邊：智能板2.0通用計算硬件→NPU預測能力全局視野Next網絡狀態(tài)預測模型→業(yè)務影響精準分析事前精準推演預防事后主動隱患監(jiān)控分析業(yè)務流量預測模型→“網隨業(yè)動”，資源高效分配流量變化規(guī)律 基站時頻資合理分配網絡環(huán)境信道模型→全面提升網絡性能信道估計準確性提升RF優(yōu)化，產品協同特性性能大幅提升內生智能內生智能內生智能ICT融合交付集群規(guī)模(n）越大，單次故障的指標（如MTBF,MTTR）對集群可用度的影響越大。2024年MetaLLama3數十萬卡訓練集群報告：54天訓練，發(fā)生466次作業(yè)中斷，平均每天中斷8次；41%中斷為軟件異常、電纜問題，網絡故障等。未來OPENAI星際之門計劃需要100萬卡，對集群的性能要求MFU將會越來越高，每中斷一天，經濟損失將達到上億元。解決此問題需要持續(xù)提升集群集成和運維的兩大指標：集群線性度：和網絡鏈路的穩(wěn)定性（時延、卡亞健康等有關。強依賴部署模型、配置優(yōu)化，例行的亞健康治理與維護。集群可用度：主要由四個指標組成：單次故

障MTTR(h)，f=集群單節(jié)點異常率，n=作業(yè)占用節(jié)點數，x=作業(yè)時長。要實現訓練和推理高可用，算力集群可用度&MFU最佳，需要構建三大集成能力。全局負載調度多級調度：GlobalRegion→節(jié)點。&有競爭力的集群可用度：故障、亞健康提前感知，主動維修；4K+集群穩(wěn)定30+天；支持斷鏈續(xù)訓，單卡異常作業(yè)零感知。高性價比的線性度網絡，AI計算，存儲性能故障MTTR&集群可用度關系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單次故障MTTR時長（小時） 1K 2K 4K 6K 8K 1W備注：1）集群規(guī)模(n)越大，單次故障(MTTR)對集群可用度的影響越大；2）故障7天/168小時，1K集群時對MFU的損耗系數為83.59%；如果集群擴大到1W，對MFU的損耗系數為29.79%23數據工程核心原因就是大模型所需要的數據工程需要在數據范圍、數據質量、訓練效率多方面形成領域模型9類核心技術：多維度的數據質量評分)決定了模型的尋優(yōu)方向，進而影響loss取值&模型能力類別一:通用知識類別二:個人博客導致口語化結構簡單專業(yè)性弱噪聲大類別五:產品知識類別四:領域基礎知識類別三:案例經驗1000token，loss)、不容易學(產品配置見過4次，但不理解含義)問題:數據缺失、領域數據分布不均、信息密度參差不齊、配比不合理等關鍵問題...領域復雜流程類數據解析技術：實現不同類型（信令協議交互/告警因果圖/流程）的復雜文本化信息抽取和輸出，實現解析內容80%+多模態(tài)復雜信息tokenizer技術：基于視覺模型的版面分析能力，結合文本匹配、表格解析等多模塊融合抽取文本，PDF內容提取95%+領域數據高效合成技術：實現領域高質量數據的自我成長：從無標注到有標注，從無CoTCoT，實現領域典型場景的數據擴10倍&提升效率，數據完整//一/6性評估，實現100數據質量自評估

內容語義正確完整&文本多樣性增強，提升模型訓練效率，實現數據多樣性提升10倍知識定位尋源技術：建立模型能力//數據關聯，相互提升，能力短板針對性定位&增強數據，實現數據badcase定位效率提10x↑最優(yōu)數據配比技術：突破增訓場景下通用與領域數據、領域不同數據配比modelscaling技術，loss最優(yōu)下降，實現模型訓練效率提50%數據課程學習技術：學習順序curriculumlearning影響模型的最終效果，利用scalinglaw求解最優(yōu)學習順序目標，實現領域知識30%+通過多階段訓練與訓練末期的最優(yōu)數據退火，5x↑以業(yè)務為中心NPS數字化分析平臺：要實現以業(yè)務為中心的體驗管理，主要的難題就是如何通過數字化的方式如何發(fā)現問題，判斷影響范圍以及做好優(yōu)化模擬器：基于KANOSL回歸分析，明確不同因素的獎懲驅動力基于對貶低和推薦分別的驅動力推導出對NPS的整體影響力，即對各體驗指標提升10%NPS的上升

需要提供模擬器，協助評估改進或降低相關指標表現時將帶來NPS怎樣的變化，以有的放矢地制定相關策略目標業(yè)界的普遍做法是通過建模和分析，明確各指標的獎懲驅動力，通過與滿意度的矩陣交叉分析，診斷需重點保障的獎勵因子和優(yōu)先改善的懲罰因子，對具體指標的改進優(yōu)先級和具體措施分析，將結合對滿意度的驅動力，痛點發(fā)生率和客戶推薦、不推薦理由的提及情況可見度（廣告/贊助口碘好信任顯示

-8%

使得貶低型客戶減少-5%-3%-3%-4%-2%-3%-2%-5%

目前表現平均分/10

使得贏得額外的推薦型客戶6%6%5%4%6%4%3%3%5%相機質量服務速度-4%8.0隨時通知我服務速度-4%8.0隨時通知我-4%7.54%積極響應 -4% 7.5 4%務的可靠性 -4% 7.2 3%

-6%

-5%

-4%-4%

-2%

-1%

提升一個驅動因素10%的表現將會減少...華為的貶低型客戶

提升一個驅動因 2%素10%的表現將 3%4%會產生...華為的 5%推薦型客戶 3% 7%5%服理解需求

-5%

7.4 1%清晰的聯系點索賠處理

-3%

-1%

9.0 1%7.5 2%...... 0% 7.5 1%25ODA運維平臺：盡管CSP們早就構建了可以集成多家廠商組件的IT系統(tǒng)，但這些組件一般都來自各類通信和軟件廠商。隨著現在CSP們在一個更大的舞臺上競爭，集成來自通信業(yè)以外的其他組件的能力也變得必不可少。當一種與客戶交互的新方式（如：大模型Agent）可用時，等待其“通信業(yè)專用版本”出現是不現實的。另外隨著開源項目的興起，如ONAP、OSM（開源MANO）和OpenBaton，任何多廠商的定義都必須包括開源軟件。許多CSP也開始在未來IT系統(tǒng)中擁抱開源。TMF下一代OSS架構ODA也是在試圖解決此類技術問題云組件：要求新開發(fā)的應用作為遵循ODA標準接口和規(guī)范的云組件(cloudcomponent)，統(tǒng)一在共享庫(commonrepository中管理

DevSecOps:自動化的軟件版本驗證與發(fā)布平臺。ODA組件庫由6個子域構成，分別為：承載核心流程的Party,Corecommerce,Production以及輔助支撐業(yè)務流程的Decoupling&Integration,Engagement,Intelligence.，組件庫呈現了全套BSS&OSS組件的全景，其中已初步定義功能內容的組件（即具有編號的組件）28個。大部分ProductionParty子域這些新特征為運營商跨邊界大規(guī)模管理數字化生態(tài)系統(tǒng)提供了可能性。比如，全球化汽車制造商可以跟多家CSP就自治和車聯網協議達成一致。ODA還考慮了獨立項目中不會考慮到的未來關鍵需求和概念，如擁有AI能力、BSS/OSS的架構統(tǒng)一以及統(tǒng)一以數據為中心的方法。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