摘要：这事儿说白了，不是靠一两次花拳绣腿就得来的，是长期把技术往场景里推、把模型往真实网络里丢，反复试错、改进，最后才有了现在能跑起来的东西。先说能看到的变化：以前靠人工盯着的网优工作，遇到问题要人工排查、工单一堆，常常要等好几天才处理完。现在，不少地方已经把这套系

中国电信在IDC 2025中国CIO峰会上拿到一个唯一的最高奖——“AI就绪平台领军者”赛道的卓越奖。

这事儿说白了，不是靠一两次花拳绣腿就得来的，是长期把技术往场景里推、把模型往真实网络里丢，反复试错、改进，最后才有了现在能跑起来的东西。先说能看到的变化：以前靠人工盯着的网优工作，遇到问题要人工排查、工单一堆，常常要等好几天才处理完。现在，不少地方已经把这套系统放到日常运维里，比如上海、陕西这样的省市，常见的是几分钟内就能把原来拖延的工单处理掉。系统能把知识自动沉淀，出现问题的时候不是每次都从零开始，经验能即时被分享，流程能自动闭环。更直观的一个指标是，质差的工单能被系统自动处理的比例超过了75%，这玩意儿对用户体验的支撑是稳稳的。

别以为这是简单把AI搬来就行。传统的网优更像是打一堆补丁：出事了先定位，然后单点解决，常靠人经验或者大范围统一下发参数，结果就是各项指标互相掣肘，协同效率低。像功率、覆盖、5G中低频配置这些关键参数，过去很多时候为了图方便就统一下发，结果把一部分提升的空间白白浪费掉。中国电信这次把方向定在把生成式AI引入到无线传播这种复杂场景，目的很明确：不是修一个点，而是把系统治理起来，让优化从“修补”变成“规划”和“协同执行”。

技术层面不是什么神术，倒是比较系统化。团队先搭了一个专门针对无线网优的大模型，这模型的核心不是凭空想象信号怎么跑，而是建立在对无线信号传播机理的理解上，再结合大规模采集来的用户业务运行数据，去做全量的“异常模板”构建。真实流程里，系统会把实时数据和这些模板去匹配，自动判断出问题根因，然后不是给你一个临时补丁，而是给出一套更接近全局最优的参数策略。用通俗话说，就是从“看到问题修一个点”变成了“看全局，按优先级和影响范围去调整”。

运维方式也被拧了个方向。过去的模式是被动的：出问题了再派人查。现在系统能提前提醒风险，甚至自动执行一些策略调整，把运维重心从被动响应变成主动预防。工单处理时效从天级缩短到分钟级，智能化地把重复性、模式化的错误自动处理掉，人工干预少了，运维人员能腾出手去做更复杂的判断和策略设计，这对人力资源的使用效率影响很大。

要做到这一步，背后有一串看不见的苦活。前期得大量采集数据，建立和验证各种异常模板，反复调试模型和实际无线传播之间的匹配度。这个过程既要和现场设备打交道，也要把历史工单、用户体验指标、基站指标这些东西串在一起做关联分析。技术团队在基础算法上不停优化，同时还要做多智能体的协同设计：当多个优化策略会互相影响时，怎么让不同智能体协调决策，避免各自为政造成局部最优而不是全局最优，这是攻坚的重点之一。

推广的路也并非一帆风顺。早期验证时，模型在某些场景表现不错，但一到别的城市、别的频段，数据分布不同，表现就会波动。为了解决这个问题，团队不是简单地把模型往外一丢就走，而是扩大样本量、引入更多场景特征，并加上在线学习能力，让模型能在新环境里持续调整。还有流程上的工作：把原来各自为阵的团队串联起来，一线运维、网优工程师、后台数据团队现在在新的工作流下协同，形成了从问题发现到模型判断、再到规则过滤和最终执行的闭环。

讲点更接地气的。想象以前是农田里有人巡逻，发现地里长了虫子就局部喷药；现在这是装上了传感器和自动喷药机，提前探测、分区施治、并且根据实时数据调整用药量。差别在哪儿？不是省了几个人这么简单，而是把整个管理变成了可量化、可回溯的过程。比如对5G中低频的资源配置，过去靠经验去调，调整后只能看指标有没有好转；现在通过模型可以把每一项调整的影响、收益都算得更清楚，再按优先级去执行，避免一个调整把别的东西拖垮。

产业层面上，这也是“云改数转智惠”战略的落地。把云、数据、智能这些能力深度嫁接到网络运维上，本质是把人海战术替换成自动化、智能化体系。接下来要做的，不仅是把技术在更多省市复制推广，还要在基础算法、智能体协同上继续突破。中国电信表示会持续加大研发投入，深化与产业伙伴的协作，让这套能力覆盖更多核心场景。

细讲一点典型场景的落地细节。在一个城市里，先要把历史工单、用户投诉、基站指标、业务流量等东西吃进来，做成能被模型理解的数据格式。这部分工作占了大量时间，因为不同设备商、不同城市的数据格式不一样。接着是特征工程，团队会提取和合成那些能代表“信号异常”的指标，做成模板。模板不是一夜之间生出来的，是工程师和现场同事反复对比、调参后形成的稳定模式。最后是在线验证，先小范围试点，观察模型建议执行后指标变化，再慢慢扩大范围。这个过程不像实验室里做个对照试验那么干净，它涉及现场突发状况、节假日流量波动、天气影响等现实因素。

在多智能体协调方面，团队做了不少工程化的折中设计。实际网络里，有时候一个参数向上调会让别的指标下滑，单一智能体优化看起来有利，放到系统里就可能引发连锁反应。解决办法不是把智能体数量无限拉高，而是在设计时把智能体之间的策略空间和优先级规则明确下来，用规则层去做冲突仲裁，再由全局优化器去做最后的权衡。这样既能保留各个子策略的专业性，也能兼顾整体效果。

运维人员的角色也在改变。以前很多人每天就是看报警、跟工单、跑现场；现在他们更多参与到模型治理、策略评估和异常排查中，成了“监督者+策略制定者”。这对人才技能提出了新要求：不仅要懂网络设备和业务场景，还要理解数据和模型的基本工作原理。为此，中国电信在内部也做了一系列培训，把那些一线经验丰富但数据能力偏弱的同事拉进来，形成技术与经验的互补。

奖项的确是认可，但对团队来说更像是一个新起点。接下来要继续把经验复制到更多省市网络，继续优化模型和流程，让主动运维能力更稳、更广。中国电信会和产业链上下游的伙伴深化协同创新，尤其是要在基础算法和智能体协同上有更多突破，把这套东西从试点级别慢慢推上去，让日常运维真正能靠数据和模型支撑起更高效、更可控的网络管理。

来源：池边赏白鹭骚客