GPT如何赋能通信行业？

以下介绍GPT 在通信行业的创新应用，彰显GPT 对通信细分领域的改革与推进作用。

1. GPT 催生通信新应用与新改革

GPT 百花齐放的崭新应用，为千行百业的发展带来了新的想象空间，也给通信行业带来新的机遇和挑战。GPT 的出现改变了传统的通信模式和应用场景，它突破了人与机器交互的界限，能提供更加智能、便利和个性化的通信体验，极大地提高了信息交互能力和行业应用能力。 GPT 大模型可作为工具来改进信息通信服务能力。首先，它在自然语言上的强大能力可用于提升智能客服、智慧运营和欺诈监测等运营服务功能，通信网络的巨量数据可用来训练通信网络大模型。其次，GPT 在自然语言上的成功，促进了语音、视觉等多模态数据技术的发展，这将为通信领域千行百业的数字化转型赋能提供重要工具。最后，GPT 类大模型的运行和服务对算力和网络有着较高的要求，这会在一定程度上促进算网融合的建设，为更多大模型服务在通信行业落地和普及创造条件。

通过迭代训练海量数据，GPT 具备不断提升的上下文语义理解与交互能力，在众多应用场景中展现出无限潜力。目前，GPT 的应用主要集中在文本、图片、 音频、视频以及多模态内容的生成上，在摄影、游戏和传媒等领域的应用，通常 是在这些基本的应用的基础上，再进行定制化的开发或训练。例如，文本生成和分析[8]、软件测试[9][10]、领域专业聊天机器人[11]等。

1.1. 智能客服

智能客服系统旨在为通信运营商的客户提供一种高效、灵活、可定制的解决方案，用于管理、维护运营商与客户之间的交互。将智能客服系统和GPT结合，可以发挥两者的技术优势，在智能语音助手、智能推荐、自助服务、社交媒体管理、个性化服务等多个方面，提高客户服务的质量和效率，满足客户日益增长的个性化需求，从而帮助企业更好地服务客户，提高竞争力和盈利能力。1）增强智能客服的语义理解、情感识别 GPT 的自然语言处理能力，弥补了智能客服系统许多不足之处。GPT准确地识别用户提问的主题和关键词，帮助智能客服系统更好地理解用户的需求，并识别用户的情感状态，从而提供更准确、更个性化的服务。2）实现智能服务监管 GPT 可用于自动检测客服对话内容，识别潜在的违规行为或不当语言，例如侮辱、歧视、欺诈等，并预先筛选潜在问题对话，只将有可能违规的对话内容提交给人工审核，一定程度上减轻了审核人员的工作量。通过对GPT 模型的输出进行数据分析，快速了解和识别各类违规行为的趋势和模式，监管部门能够改进监管策略并及时采取相应的措施。

1.2. 自动化仿真

GPT 可以重构实验流程，为实现自动化仿真创造条件。GPT 是在大量文本上预先训练的，并且可以根据上下文提示进一步泛化。与传统的工作流程不同，它不需要每次改变模拟设置参数、底层机器学习算法或数据格式，用户只需要提供与预定义架构相关的参数，在对创建的模型进行解析后将其插入GPT准备好的模板中，最后通过GPT 实现自动化仿真。 在仿真设计阶段，GPT 可以帮助设计师快速设计原型，从而使开发团队和相关人员更好地理解系统的工作流程和功能，提前发现问题和改进需求。基于GPT，设计师可以将自然语言描述作为输入，生成相应的交互原型，避免了手动构建的繁琐，提高原型的质量和准确性。此外，GPT 不仅可以辅助开发者完成常规的代码编写工作，还可以通过机器学习和自然语言处理技术，实现智能编程。通过理解开发者的意图，根据自然语言描述生成代码，并实现更加高级和复杂的功能。

Dragana Krstic 等人[12]提出了一种基于ChatGPT 的框架，可用于移动网络中的信道容量计算，实现自动化无线网络规划中的仿真过程，如图2-2 所示。在该框架中，ChatGPT 基于对话Agent 和Neo4j 图数据库的模型驱动方法，帮助进行自动化数据导入、图构建和机器学习相关的查询等多个步骤。其中，Neo4j 是一 种高性能和可扩展的图数据库管理系统，其基于图理论的数据库，专注于存储和 处理图结构的数据。结果显示，基于 ChatGPT 的服务质量（Qualityof Service， QoS）估计方法在准确性和训练速度方面比基于深度神经网络的解决方案更优。此外，与传统基于手动生成代码的仿真流程相比，利用ChatGPT自动化生成代码可以缩短仿真时间。

2. GPT 促进通信网络智能自治

AI 赋能的自治网络是第五代移动通信系统（The Fifth Generation，5G）和后5G 网络发展的重要趋势，将为移动网络带来根本性变革。网络将由当前以人工干预为主的被动管理模式，逐步向网络自我驱动为主的自治管理模式转变。未来，智能化网络将通过业务数据、用户数据、网络状态数据等多维数据感知，基于AI 的智能分析，提供更加灵活高效的网络策略，从而实现网络高度自治，大幅提升移动网络全生命周期效率，降低网络运营成本。 自智网络[15]的核心理念在于通过AI 等技术的引入推动新一代通信网络向自配置、自治愈、自优化、自演进的方向发展。“AI+通信”已成为ITU定义的6G中六大场景之一[16]，包括辅助自动驾驶、设备间自主协作、辅助医疗应用、基于数字孪生的事件预测等新功能。目前，AI 已经初步实现了在网络智能自治领域的应用，全球多家运营商、设备商和第三方厂商已经开始了对网络智能自治的研究。

2.1. GPT 重塑网络规划

由于预计未来几年无线接入设备数量将呈指数级增长，运营商需要扩大网络 基础设施的部署规模，以提供所需的容量。传统上，新基站选址是由无线网规专 业人士手动完成的 。在覆盖模拟工具的帮助下 ，根据关键性能指标（KeyPerformance Indicator ，KPI）评估每个站点并对其进行排名，根据可用预算挑选出排名靠前的站点位置。然而，当可供选择站点数量较大时，传统方法成本巨大， 且很难准确地考虑每个涉及因素的影响。AI 驱动的规划方案可以为新蜂窝基站推荐最佳位置，帮助运营商降低网络规划成本。

针对最佳站点选择问题，Siddhartha Shakya 等人[17]提出了基于AI 的选址方法，在此基础上，基于 GPT 进行网络站点选址规划，通过采集历史时空特征数据，分析无线资源利用率的变化规律，监测和评估覆盖小区的KPI。GPT综合分析网络覆盖、用户分布和场景特征，通过无监督机器学习根据小区的属性同质聚类。监督回归模型捕捉不同小区属性之间的关系，如小区性能、用户吞吐量等。在回归模型的基础上，构建仿真算法，估算拟新建站点的潜在流量负载。最后，基于计分排名机制对站点进行排名，排名靠前站点入围候选基站。除站点选址外，天线设计也是基站规划阶段的重要工作。在天线的优化设计过程中，通常涉及的天线参数较多，天线的几何形状越来越复杂，天线性能要求之间的互相矛盾也频繁出现。将GPT 引入天线仿真设计，可以代替电磁仿真软件的角色，模拟应用场景对天线参数进行微调，结合粒子群智能优化算法[18]进行天线的快速仿真和优化设计，相比电磁仿真软件，可以进一步提升计算效率。

2.2. GPT 增强切片部署

网络切片的引入成功解决了不同业务场景的网络资源分配不均问题，给网络带来了极大的灵活性，使网络可以按需定制、实时部署、动态保障。在网络切片部署时，不同业务场景的切片对底层物理网络的资源需求不同，在部署的结构上也存在差异。传统算法难以解决多业务场景切片安全部署问题，利用GPT相关技术，可以在实现端到端网络切片安全部署的同时，降低部署成本，保障更强的安全性。

网络切片的部署涉及虚拟网络功能（Virtualized Network Functions，VNF）的放置和相关链路的选择。VNF 的放置是指在满足网络容量的条件下，网络切片请求中的节点总能在物理网络上找到相对应的节点来承载请求。相比于传统启发式算法求解VNF 映射过程，GPT 可以对网络环境状况进行分析，根据业务场景需求智能调整网络参数，并做出业务资源需求预测，通过Agent 和环境的相互作用，执行特定的动作，更新网络资源利用情况，充分感知VNF 映射过程中的状态信息，对网络的变化情况做出及时的决策。GPT 帮助获取网络部署环境，并将物理节点信息以安全特征矩阵进行储存。Agent 定义为一个依靠GPT 计算物理节点映射概率的策略网络。GPT 辅助计算物理节点的安全特征矩阵输出物理节点映射概率，然后选择概率最大的物理节点并进行VNF 映射。之后，GPT 根据不同业务需求选择最合适的链路映射方案，以网络资源利用率作为奖励函数，给予Agent反馈，同时更新状态信息。