新民晚报2024年11月12日发布:一文盘点：国际运营商如何布局生成式AI？

Gartner发布的2023年新兴技术成熟度曲线显示，生成式AI目前处于期望膨胀期，预计将在二到五年内产生巨大效益，催生全新的创新机会。运营商网络每天都产生丰富的数据，生成式AI使运营商能够高效处理这些数据，识别模式并生成创新解决方案，从而提高运营效率，扩展收入来源。因此运营商将生成式AI视为创造增量价值的一种手段，已在多个业务和领域中测试，并在测试过程中探索生成式AI的潜力。面对这一重要趋势，国际运营商采用了怎样的生成式AI发展策略，实践了哪些应用，又面临怎样的挑战？

运营商生成式AI发展策略

目前生成式AI处于早期发展阶段，运营商在该领域布局的最大区别在于选择从头开发基础模型（激进派）还是使用现成的模型（保守派）。其中，使用现成模型的运营商占大多数，这类运营商会使用专有的内部数据来训练模型，使其更贴合自身在客服、运营和网络等方面的需求。

激进派开发为运营商定制的大语言模型

以韩国SKT和德国电信等为代表的运营商在生成式AI布局方面较为激进，采用联盟的形式从头开发电信行业专属的大语言模型（LLM）。

在“MWC2024”上，SKT、德国电信、e&Group、新加坡电信和软银宣布成立全球电信人工智能联盟(GTAA)，部署创新人工智能应用程序的工作，开发专门针对电信公司需求的大语言模型。生成式AI依赖于大语言模型，该模型需要在特定语言的数据语料库中进行训练。一方面，由于语言障碍，亚太、中东地区应用生成式AI的进程滞后。大多数领先的大语言模型处理非英语语言的能力有限，尤其是亚洲语言。例如，ChatGPT在泰语中应用的效果不如英语，部分国家或地区的运营商可能需要自行训练部分语言模型才能获得相同的效果。另一方面，通用大模型的训练数据很少涉及通信行业特有的套餐、合约和特殊硬件（如路由器）等信息，因此运营商需要针对电信行业特定问题，利用自身的数据微调模型，并根据特定语言进行优化，但这降低了生成式AI的部署效率。而为电信行业量身定制大语言模型将使运营商能够更快速、高效地部署高质量的生成式AI，加速电信业务和服务的人工智能转型。

保守派利用现成模型优化运营

与SKT等激进派相比，大多数运营商在生成式AI方面的布局相对保守，主要聚焦在利用现成的模型加快生成式AI的应用，对自身的网络和运营进行优化、改善用户体验、赋能员工等方面。少数具有强大数据处理能力的运营商，则探索利用生成式AI创造新的收入来源。

增强服务

基于生成式AI的用户服务聊天机器人是最重要且较为成熟的应用。该应用能够了解用户意图，快速理解、总结和回应用户的具体问题，在为用户提供个性化服务的同时减少呼叫量，使客服人员能够腾出时间处理更复杂的问题。IBM的研究表明，公司将呼叫中心平均呼叫处理时间每缩短一秒，每年可节省100万美元成本。聊天机器人可将平均查询处理成本从5~12美元降低到1美元。从长远来看，生成式AI可以在提供信息的基础上，为用户提供套餐变更、升级或续签合同等服务，而无需人工干预。

例如，印度尼西亚电信公司Telkomsel推出的虚拟助手Veronika使用了一系列植根于自然语言处理（NLP）和机器学习的编程语言，这使其能够在服务用户时提供更自然、直观的交互。机器学习技术的优势使Veronika能够更深入地了解用户的服务需求，从而能够以更具体的方式，针对每位用户的要求和使用情况提供量身定制的解决方案。例如，根据用户需求推荐合适的产品及相关信息，从而提供更个性化的服务。

赋能员工

与用于用户服务的生成式AI类似，赋能员工的生成式AI同样以“助理”的形态呈现，帮助员工更高效、更出色地完成任务。

沃达丰使用生成式AI技术编写代码，在大约250名开发人员参与的试验中，生产率提高了30%~45%。AT&T推出了基于ChatGPT的生成式AI平台“Ask AT&T”，让员工专注于更复杂、更高价值的任务。Ask AT&T能够使用生成式AI将遗留代码转换为现代代码，或授权员工完成常见的人力资源任务，例如更改预扣税、在保险计划中添加家属或为新员工申请计算机。员工可以向Ask AT&T询问问题或向其发出命令，该平台就会替员工把问题或命令发送给适当的人员。也许不久以后，运营商还可以利用用户互动的数据，为客服人员提供辅导和绩效提升指导，或使用人工智能工具进行实时销售指导，继续释放生成式AI的力量。

网络优化

网络是运营商的核心资产和主要成本所在。通过应用生成式AI技术，运营商可主动追踪并研究其网络及其他数据参数，优化网络规划和管理，在降本增效的同时为用户提供更高效、更可靠的服务。但网络数据的敏感性是这方面应用发展的限制因素之一。

根据从网络性能、流量和用户行为等方面收集的数据，Three UK利用Azure Operator Insights优化网络配置、策略和参数。随着相关技术的深入部署，生成式AI可以从现有的网络设置中学习并生成新的网络设置，从而提高网络的效率、可靠性和安全性，帮助运营商针对不同应用和用户设计并部署最佳网络切片方案，或调整网络参数以应对不断变化的需求。同时生成式AI可以根据网络状态生成并执行适当的操作，从而帮助自动化网络管理任务，例如故障检测、诊断和排除。此外，生成式AI还可以使用自然语言处理，实现运营商和网络系统之间更加人性化的交互，如使用语音来控制网络功能、接收网络状态及其存在问题的自然语言解释。

当然，生成式AI还可以在网络生命周期的各个阶段发挥关键作用。例如工程师在安装网络元件时通常依赖手册和记录，而生成式AI可以学习这些数据并提供交互式指导和提示，以简化安装任务，加快安装速度。生成式AI还可以根据网络拓扑和配置数据对基础模型进行训练，用以推荐网络元素的配置。此外，当网络出现故障时，生成式AI还可以向工程师推荐排除故障的操作和程序。

创造新的收入来源

少数具有强大数据处理能力的运营商将利用生成式AI创造新的收入来源。例如，Orange宣布将在体育市场上使用生成式AI创造新产品，同时尝试探索生成式AI在媒体环境中的货币化途径。SKT则开发了一款以消费者为中心的应用程序，使用户能够与之交互，进行诸如听音乐、发送短信、支付以及管理日程安排等操作。

除以上用例外，运营商还可以尝试使用基于AI的工具理解和分析用户数据，并利用生成式AI通过个性化消息推送和精准营销来提升业绩。例如，根据目标受众的兴趣和行为，使用生成式AI创建线上内容的标题、摘要、关键字和内容，提升内容对用户的吸引力。生成式AI还可以使用网络分析、用户关系管理平台及社交媒体等各种来源的数据，根据用户的属性、愿望、偏好和行为对用户进行细分，然后相应地制定个性化优惠措施，或根据用户之前的购买记录、网络历史记录和反馈等数据，向用户推荐合适的个性化产品和服务。例如，根据每个用户的预算、需求和使用习惯，运营商可以利用生成式AI为其提供最佳套餐配置或服务建议。生成式AI还可以使用第三方数据库、社交媒体等各种来源的数据，挖掘并联系与理想用户资料匹配的潜在用户，帮助销售团队创造机会。例如，使用生成式AI识别并联系正在搜索类似服务、具有明显意图并符合决策者标准的潜在用户，为运营商的业务解决方案创造销售机会。

问题与挑战

随着运营商深入部署生成式AI，其面临的问题和挑战也逐渐显现。

数据治理问题

生成式AI效果的好坏取决于训练它所用数据的质量。运营商虽然拥有丰富的数据，但多数情况下这些数据都存在以下问题。首先是碎片化，数据由不同的系统收集和存储，没有一个统一的数据库可供人工智能系统访问；其次是非结构化，数据存储为大量未分类数据，没有任何上下文或对其相关内容的解释，这对于人工智能算法来说价值较低；最后是不完整，运营商常常丢失数据，而不完整的数据可能会导致人工智能系统的学习不一致或出现错误。例如Verizon虽然拥有大量数据，但这些数据存在于2.9万个不同的数据源中，在很多方面都是碎片化的，没有统一的分类方法。因此，Verizon正在将所有数据整合到通用平台并转化为通用的治理和分类结构。

由此可见，运营商的数据处理能力将对其采用生成式AI的进程产生重大影响。在生成式AI应用方面处于领先地位的、具有强大数据处理能力的运营商在组织上具有以下共同特征：设有专门的AI卓越中心、普遍使用高级数据分析（在整个组织中使用高级分析，而不仅限于某些业务领域）以及具备现代数据基础设施（例如云计算设施）。

安全合规问题

利用生成式AI需要大量的专有数据，运营商数据涉及敏感的用户信息，需要遵循严格的数据保护法规，确保数据安全合规（包括知识产权）是重大挑战。

缺乏实施和管理生成式AI的

内部专业知识

运营商内部的人工智能人才通常有限，很难找到同时精通数据科学、机器学习和人工智能算法的专业人士，招聘和留住人才对运营商而言都有一定挑战性。而对现有员工进行人工智能培训可能既耗时又耗成本，建立内部人工智能团队更需要大量时间，且可能收效甚微。在深入研究和开发关键应用之前，需要确保团队具备相应技能并熟悉他们需要使用的工具。这对于运营商使用生成式AI来说极为重要，因为相关工具以及使用它们所需的技能都在快速变化。

遗留系统集成

运营商在处理过时的技术系统（即遗留系统）时仍然面临重大障碍。技术债（企业不解决影响未来的问题时产生的隐含成本）和复杂集成的负担导致通信运营商的现代化步伐比其他行业慢。Gartner预测，到2025年技术债将消耗运营商当前IT预算的40%以上。难以将新的生成式AI工具集成到旧的遗留系统中是人工智能集成失败最常见的原因之一。同时，将人工智能解决方案与遗留系统、应用程序和网络集成可能导致兼容性问题。仔细规划方案并确保与遗留系统的兼容，这对于人工智能的成功集成至关重要。

组织内部沟通协调问题

在组织中，运营商在采用生成式AI时需要引导多个利益相关者积极参与，其中业务和IT利益相关者对于评估和实施生成式AI尤为关键。一方面，业务部门（例如用户服务、营销和网络等）的领导者需要参与生成式AI的构思过程，并与其他利益相关者一起进行概念验证。另一方面，IT部门虽然在评估中的作用较小，但在生成式AI应用中起关键作用。这两方关键利益相关者共同决定生成式AI是否在组织中被采用，以及如何被采用，因此沟通和协调双方的合作是一大挑战。

未来展望

生成式AI使运营商能够处理大量数据、识别模式并生成新颖的解决方案，有望改变传统做法并促进全行业创新。AWS的一项研究预计，运营商对生成式AI的投资将持续增加。目前已经采用生成式AI的运营商仅将其总技术支出的不到1%用于这些功能，但45%受访的运营商表示未来两年用于生成式AI的支出预计将激增至总技术支出的2%~6%。这表明随着运营商扩大应用规模并探索新的应用领域，其在生成式AI上的支出在不久的将来可能增长六倍之多。为了推动行业蓬勃发展，运营商必须直面众多挑战，立足长远，将生成式AI融入自身运营结构中，释放生成式AI的真正力量。

*本文刊载于《通信世界》总第940期 2024年3月25日第6期原文标题：《生成式AI变革通信行业国际运营商如何布局？》END

作者：中国联通研究院胡萌珊

责编/版式：王禹蓉

审校：王涛梅雅鑫

监制：刘启诚