“華為是做網絡的，網絡AI做不好做別的AI也不可能好。”抱著這樣的初衷，華為自動駕駛網絡解決方案ADN來了。

9月24日，2020華為全聯接大會期間，華為面向企業市場發布了自動駕駛網絡解決方案ADN，通過網元、網絡和云端三層AI能力協同，實現網絡的自動、自愈和自優，使能行業數字化業務和運營的超自動化。

網元+AI：把AI引入網元，升級為數字化的智能網元，讓每個網元和整個網絡更加敏銳的感知、處理和推理執行。

網絡+AI：利用AI重構網管，通過智能管控系統構建網絡的數字孿生，實現網絡的動態控制和閉環，例如自動部署、事前仿真、事后校驗、預防預測以及主動優化等。

云端+AI：提供云上的網絡AI訓練和模型服務，持續升級設備和網絡上已經搭載的軟件系統和AI模型，來獲得更多的自動駕駛能力，讓整個網絡越用越聰明。

華為網絡人工智能(NAIE)產品部總經理韓雨發介紹，2018年4月份華為輪值董事長徐直軍成立團隊開始做NAIE云服務，提出相關架構和理念。第一次發布云服務是2019年8月份，華為聚焦網絡層面做AI使能，目前為止三年AI應用案例達到100個左右。

如何把AI快速部署應用網絡

華為在數年的實踐過程當中發現，大部分人討論是算法問題，如何用數學問題解決業務問題，但是實際應用中，除了這一點以外還有很多挑戰，如何把AI快速部署應用網絡當中，華為提出了自己的方法論。

第一，模型泛化，AI是模型問題，A-B的應用，每一個數據參數不一樣模型會有變化。以前解決是靠專家到現場作業，意味著成本高、周期長。如何解決這個問題是現在這一段時間思考的主要方向。

第二，一個模型不做管理和控制，基本上半年從90%的效果下滑到60%，如何保證業務可靠情況下盡量減少模型老化，這是行業內通用問題。

第三，數據專用問題，運營商電信網絡和2B市場一樣，樣本本來就少還不能出局（數據存在本地），浙江移動數據不能共享給江蘇移動，要實現AI應用難度就更大。

第四，2B領域的AI與2C不一樣，比如人臉識別很容易，識別錯一次再來一次，2B里面大部分是生產網絡當中，高可靠要求很高，不能頻繁試錯，試錯成本高，如何解決這個問題，也是需要整個方案當中解決的。

 對此，華為提出了一套云地協同架構，第一部分是云上，云上三個功能，其一是樣本管理，服務當中全局全域共享管理；其二是研究怎么把全網全域模型對應到網絡當中。比如中國移動集團系統可以管理整個移動各個省公司，各個子域網絡模型，如何下發管理包括配置、版本、策略；其三，云上建立全網知識庫，華為實踐過程當中發現更有效是人的知識，如何把人的知識和AI結合在一起，來解決這個問題，是更加有效的手段和方法。

地端首先模擬要優化，比如模型從1.0升到1.1，是用新模型還是不用新模型，策略如何控制，這是一個新的方案。另外避免專家到本地作業，本地模型就會具備自由化、自學習、自訓練的能力。

韓雨發介紹，整個系統當中有三個關鍵技術支撐，遷移學習，如何讓模型解決模型泛化難題；聯邦模型，解決數據樣本少的問題；云端仿真系統，把整個網絡做了數字孿生系統，數字世界里面可以做任何操作，比如升級、模擬操作，驗證結果有效再把這個結果下發到真實物理網中。

云地協同的三個階段

據悉，云地協同分三個階段，現在很多公司AI大部分處于第一階段，云端做一個模型開發，開發好之后打包在軟件當中到地端執行，該階段的問題是模型更新周期長，每個版本都要經歷開發、測試、集成、交付的過程。

第二階段是模型訓練好之后，只要更新，地端系統會收到提示有新模型，并由客戶決定是否更新。除了模型更新還可以做數據更新和模型自動優化，有一些特性在本地訓練如果還達不到要求，就可以在云端重新訓練，今年有很多特性是達到第三階段。

韓雨發以數據中心為例，第一步數據從網絡當中采集，利用模型生成服務，數據模型生成之后在仿真系統驗證，驗證有效放到模型庫，通知地端有新模型是否更新升級，地端收到消息就可以自動下載新模型，與本地做比較，根據客戶策略要求做自動升級。

NAIE覆蓋問題很廣，華為圍繞數個關鍵問題展開工作：能源效率能否進一步提升，包括基站、DC；資源效率能否提升，比如說頻譜，頻譜資源非常昂貴；以及運維效率能否提升；

據了解，華為再實踐中節能效果非常明顯，基站節能、DC節能都有10%以上收益，5G基站也是耗電大戶，所以客戶很感興趣。現在新的方案華為已經實現提前4-5個小時發現網絡問題，從被動維護變成主動維護。

”機會很多，關鍵是行業伙伴一起提出觀點提出問題，然后后面才是怎么解決問題。“韓雨發表示。“云服務的優勢在我們看來是數據豐富，云上有22億條樣本數據，5千萬條標注樣本，大大縮短了數據儲備時間，數據訓練平臺集成電信領域很多AI經驗和華為實踐，可以降低模型開發周期。截止2020年9月份，華為有兩萬多個用戶，活躍用戶兩千多，樣本下載量130多億條。API當月調動量突破3.3億。”