2025年11月，GSMA联合ETSI、IEEE GenAINet、ITU、TM Forum五大标准组织共同发起了一项里程碑赛事——AI Telco Troubleshooting Challenge。这个赛事不比别的，专门针对电信网络的LLM故障根因分析能力。为什么？因为行业共识已经形成：跨域故障根因定位（Root Cause Analysis, RCA）是AIOps从L2迈向L4自智网络的最大瓶颈。
一位广东移动网管中心的资深工程师曾这样描述日常工作场景：一次SPN传输网光缆中断，在3分钟内涌入超过200条告警——网元层告警、链路层告警、业务层告警、性能越限告警同时爆发。传统规则引擎要么全部上报（NOC被淹没），要么误合并（真正的根因被过滤掉）。跨域场景更复杂：RAN侧小区退服、传输侧链路中断、核心网SCTP偶联断开，到底谁是因谁是果？人工排查平均需要45分钟才能定界到具体域和具体网元。
Heavy Reading（现Omdia）2025年发布的AIOps运营商调研报告揭示了更深层的数据：全球运营商NOC中70%-90%的告警是噪声，一线工程师花在告警确认和过滤上的时间占整体工时的40%以上。Amdocs联合该报告指出，排名前三的AIOps部署优先场景依次为：告警关联与降噪、故障根因分析、预测性维护。
本文选取四个已完成商用量化的AIOps跨域故障根因定位案例，覆盖华为、中兴、Ericsson、Nokia四大技术路线，深挖其部署架构、核心算法和实测效果。
在深入具体案例之前，先看AIOps故障根因定位的通用技术架构：
flowchart TB
subgraph 数据采集层
A1[网元层Telemetry] --> B[统一数据湖]
A2[告警/事件流] --> B
A3[性能KPI时序] --> B
A4[拓扑/配置CMDB] --> B
end
subgraph 智能分析引擎
B --> C1[告警降噪与聚合]
C1 --> C2[拓扑关联图构建]
C2 --> C3[因果推理引擎]
C3 --> C4[根因评分与排序]
end
subgraph 知识增强层
D1[通信领域大模型] --> C3
D2[知识图谱/专家规则] --> C3
D3[历史案例库] --> C3
end
subgraph 决策与执行层
C4 --> E1[故障定界报告]
C4 --> E2[修复建议推送]
C4 --> E3[自动工单/自愈触发]
end
style C3 fill:#ff6b6b,color:#fff
style D1 fill:#4ecdc4,color:#fff
关键差异点在于：不同厂商在"因果推理引擎"和"知识增强层"的技术选型截然不同。华为走的是通信大模型+多智能体协同路线，Ericsson走的是混合AI（规则+ML）+数据驱动运营路线，Nokia走的是AVA云原生AI平台+RF优化闭环路线，中兴走的是星云大模型+知识图谱+智能体路线。
广东移动拥有全国最大的省级SPN（Slicing Packet Network）传输网络，网元规模超过10万台。SPN作为5G承载网，承载着从无线回传到核心网互联的全部业务。传输网的故障特点与无线侧完全不同：一条光缆中断可能同时影响数千条业务，告警爆炸规模远超RAN侧。
传统运维模式下，广东移动面临三大痛点： - 告警泛滥：单次光缆中断平均产生200-500条告警，NOC值班人员无法快速定位根因 - 跨域协调难：传输故障影响无线和核心网，需要跨专业团队协同排查，沟通成本高 - 现场派工效率低：一线代维人员到现场后因信息不足，经常需要二次上站
2025年4月，广东移动联合华为发布基于DeepSeek大模型的SPN网络智能运维体NetMaster试点方案。该方案创新性地采用了"双引擎推理架构"：
| 引擎 | 技术底座 | 适用场景 | 响应速度 |
|---|---|---|---|
| 通信大模型引擎 | 华为自研通信领域大模型，百亿级电信语料训练 | 标准故障模式识别、拓扑关联分析 | 毫秒级 |
| DeepSeek推理引擎 | DeepSeek大模型 | 复杂推理、异常场景分析、自然语言交互 | 秒级 |
在故障管理架构上，广东移动全面升级为多智能体协同模式，构建了四层智能体架构：
智能网元层 → OMC大模型层 → OSS智能故障管理层 → WAIMO智慧运维平台层
每个层次部署专用智能体： - 网元智能体：驻留在设备侧，实时采集和预处理告警 - OMC大模型智能体：在网管中心进行域内告警聚合和根因初步筛选 - OSS故障管理智能体：跨域告警关联，打通传输、无线、核心网多域资源信息 - WAIMO移动运维智能体：面向一线代维人员，提供故障定位导航和修复建议
根据广东移动公布的数据：
| 指标 | 传统模式 | NetMaster方案 | 提升幅度 |
|---|---|---|---|
| SPN故障平均历时 | 基线值 | — | 降低20%以上 |
| 跨域协调工作量 | 高（需多团队会议） | 智能体自动打通 | 减少60% |
| 现场二次上站率 | 约30% | APP实时修复建议 | 大幅降低 |
| 故障定界时间 | 平均45分钟 | 智能体秒级关联 | 降低90%+ |
2025年517电信日，该方案正式对外发布。2025年10月，河南移动与华为联合发布高阶自智网络示范区，将多智能体协同模式扩展到核心网云化场景。2026年3月MWC巴塞罗那，中国移动与华为凭借"AI+Network运维转型方案"获得GSMA GLOMO"最佳AI使能网络解决方案奖"，这是对该技术路线规模化商用的最高认可。
Vodafone的全球网络运营中心（GNOC）管理着跨越欧洲多国的移动网络基础设施，监控网元数量超过50万个。与单一运营商不同，Vodafone的NOC需要处理多国、多厂商、多代际网络的异构告警，复杂度指数级增长。
Vodafone在2024年设定了一个极具挑战性的三年目标：将80%的人工NOC操作工作自动化。传统规则引擎和简单脚本自动化只能覆盖重复性操作，对于需要"理解网络上下文"的复杂故障场景束手无策。
Vodafone携手Celfocus（Novobase集团旗下的高科技系统集成商）和Google Cloud，共同打造了CIAS（Cognitive Intelligence and Automation Solution）平台。该平台的核心设计理念是：用认知智能扩展自动化到复杂、非标准化的网络运维场景。
CIAS架构分为三个核心层：
第一层：感知与数据融合 - 接入多厂商（Ericsson、Nokia、华为、中兴）的告警和性能数据 - 基于Google Cloud构建统一数据湖，处理每日超过1000万条事件 - 实时拓扑发现和依赖关系建模
第二层：认知智能引擎 - 告警关联：基于图算法的跨域告警聚合，将数千条告警压缩为几十个"根因候选" - 异常检测：时序异常检测模型识别性能劣化趋势，在告警触发前预警 - 因果推理：基于贝叶斯网络的因果分析，区分根因和衍生故障
第三层：自动化执行 - 自动工单生成和分派 - 自动执行预定义修复流程（如链路倒换、负载均衡调整） - 人机协同决策界面，供NOC工程师审核AI建议
| 指标 | 改造前 | CIAS部署后 | 提升幅度 |
|---|---|---|---|
| 告警数量 | 基线 | — | 减少80%+ |
| 人工操作工作量 | 100% | — | 3年减少80%（目标） |
| 故障处理自动化率 | <10% | >50% | 5倍提升 |
| MTTR（平均修复时间） | 基线 | — | 降低40% |
| 跨国NOCC协同效率 | 低 | 统一平台 | 显著提升 |
CIAS方案获得了TM Forum "零接触服务与网络保障" 卓越奖。Vodafone目前已将CIAS的认知组件迁移到Google Cloud云原生架构上，为下一步引入GenAI做好准备。
Bharti Airtel是印度最大的电信运营商之一，网络覆盖全国，拥有超过4亿用户。其网络基础设施极其庞大且复杂，包含2G/4G/5G多代际共存、数万个基站、成千上万的传输节点。传统NOC依赖被动式告警响应——故障发生后才处理，平均MTTR居高不下。
2020年，Airtel与Ericsson续签全国托管服务合同，核心目标之一就是引入AI驱动的预测性网络运维，从被动响应转向主动预防。
Ericsson为Airtel部署了Ericsson Operations Engine——一个AI驱动的网络运维平台。该平台的技术路线与华为截然不同：不依赖大模型，而是采用"混合AI"架构，即将领域专家规则与机器学习模型深度融合。
核心组件包括：
根据Ericsson和TM Forum联合发布的案例报告：
| 指标 | 传统NOC | Ericsson Operations Engine | 变化 |
|---|---|---|---|
| 运维模式 | 被动响应 | 预测性主动运维 | 范式转变 |
| 网络可用性 | 基线 | — | 显著提升 |
| 客户投诉率 | 基线 | — | 大幅降低 |
| NOC运营成本 | 基线 | — | 持续下降 |
| 故障预测准确率 | N/A | — | >70% |
| 工单自动处理率 | <5% | — | >40% |
Airtel的案例证明了一个关键观点：大模型不是AIOps的唯一路径。对于大规模、多代际网络，混合AI（规则+ML）在稳定性和可解释性方面具有独特优势。2025年Airtel进一步扩大与Ericsson的合作范围，覆盖全国4G/5G/FWA/私有网络的AI驱动运维。
NTT DOCOMO是日本最大的移动运营商，也是全球最早部署5G商用的运营商之一。DOCOMO的网络以高质量著称，但5G网络的复杂度（云原生核心网、网络切片、mmWave+Sub-6双模RAN）使得传统运维手段力不从心。
2025年11月，DOCOMO宣布与Nokia合作，部署Nokia AVA AI平台进行5G网络的智能化运维，目标直指TM Forum定义的L4自智网络等级。
Nokia AVA（Analytics, Virtualization, Automation）是Nokia的云原生AI平台。在DOCOMO的部署中，AVA聚焦于：
DOCOMO的独特之处在于：通过AWS托管服务采集网络流量和告警数据，AI Agent在云端进行分析后，将分析结果和修复建议推送回网络侧执行。这是一种"采集-分析-决策"分离的云端AIOps架构。
| 指标 | 传统运维 | Nokia AVA | 提升幅度 |
|---|---|---|---|
| 网络自智等级 | L2 | 目标L4 | 跨越两级 |
| 故障分析自动化率 | <15% | >60% | 4倍提升 |
| 射频优化效率 | 人工路测+调整 | AI自动优化 | 效率提升3-5倍 |
| 硬件故障预测提前量 | 0（事后发现） | 72小时+ | 从0到1突破 |
| 运维OPEX | 基线 | — | 持续降低 |
| 维度 | 华为NetMaster | Celfocus CIAS | Ericsson Ops Engine | Nokia AVA |
|---|---|---|---|---|
| AI技术栈 | 通信大模型+DeepSeek双引擎 | 认知智能+贝叶斯网络 | 混合AI（规则+ML） | 云原生ML+数字孪生 |
| 部署模式 | 混合云（网元+中心） | 公有云（Google Cloud） | 专用平台（Ericsson托管） | 公有云（AWS） |
| 智能体架构 | 四层多智能体协同 | 三层认知引擎 | 集中式AI | AI Agent云端部署 |
| 跨域能力 | 多智能体打通多域 | 图算法跨域关联 | 依赖Ericsson多域数据 | 聚焦5G RAN+Core |
| 大模型依赖 | 重度依赖 | 轻度（规划GenAI） | 不依赖 | 轻度 |
| 可解释性 | 中（大模型黑盒） | 高（贝叶斯可追溯） | 高（规则+ML混合） | 中 |
| 维度 | 广东移动/华为 | Vodafone/Celfocus | Airtel/Ericsson | DOCOMO/Nokia |
|---|---|---|---|---|
| 部署阶段 | 规模商用 | 规模商用 | 规模商用 | 试点扩展 |
| 覆盖网络 | SPN传输网+核心网 | 跨国多域 | 全国4G/5G | 5G RAN+Core |
| 告警降噪 | 显著 | 80%+（最优） | 中等 | 中等 |
| MTTR改善 | 20%+ | 40% | 显著 | 预计30%+ |
| 自动化率 | 持续提升 | >50% | >40% | >60% |
| 业界认可 | GSMA GLOMO奖 | TM Forum卓越奖 | TM Forum案例 | 6G联合研究 |
第一，大模型路线 vs 混合AI路线的取舍。华为和中兴走大模型路线，优势在于处理未知故障模式能力强、自然语言交互体验好；劣势在于推理延迟较高、可解释性差。Ericsson走混合AI路线，优势在于稳定可靠、可解释性强；劣势在于对未知场景泛化能力有限。实际部署中，两者并非对立——广东移动的"双引擎"架构就是融合方案。
第二，多智能体协同是跨域RCA的关键突破。广东移动的四层智能体架构证明，将跨域故障定位拆解为多个专业智能体的协同任务，比"一个超级模型搞定一切"更可行。每个智能体负责自己擅长的域内分析，通过标准接口交换信息，最终由上层智能体汇总决策。
第三，数据底座的质量决定AIOps的上限。Vodafone CIAS和Airtel Operations Engine的成功经验都强调：AIOps项目的第一步不是选模型，而是建立统一的数据湖和标准化的数据接入流程。告警格式不统一、拓扑信息缺失、CMDB数据过期——这些"数据债"才是AIOps落地最大的敌人。
2025年11月由GSMA等五大标准组织联合发起的AI Telco Troubleshooting Challenge，使用真实的电信网络故障数据集（来自多家运营商），评估LLM在以下三个维度的能力： - 故障检测：从海量告警中识别异常事件 - 根因定位：从多域告警中推理出真正的根因 - 修复建议：生成可操作的修复方案
这个赛事的举办本身就是一个信号：LLM正在从通用对话走向专业故障分析。参赛团队需要提交能在真实电信数据上运行的模型，而非实验室Demo。
2026年的趋势是从"被动分析"走向"主动巡检+自主决策"。广东移动×华为的实践已经展示了雏形：故障智能体不再等待告警触发，而是主动巡检网络状态、预测潜在风险、提前触发预防性操作。这种Agentic RCA模式将成为L4自智网络的核心能力。
TM Forum IG1253（AIOps指南）、ETSI ENI（体验式网络智能）、3GPP SA5（管理数据分析）三大标准体系正在围绕"AI驱动的故障管理"加速协同。GSMA的AI Telco Troubleshooting Challenge本身就是跨标准组织合作的产物。这种协同将推动AIOps故障根因分析从"各家自建"走向"行业通用框架"。
AIOps跨域故障根因定位不再是PPT上的概念。从广东移动的MTTR降低20%+，到Vodafone的告警降噪80%+，到Airtel的预测性运维范式转变，再到DOCOMO迈向L4的5G智能运维——这些案例已经用真实数据证明：AIOps故障根因分析的商业价值已经兑现。
对运营商而言，选择技术路线的关键不是追最新的大模型，而是： 1. 先把数据底座打牢——统一数据湖、标准化告警、准确拓扑 2. 选择与现有网络架构匹配的AIOps路线——大模型适合创新试点，混合AI适合规模化稳定运维 3. 从单域突破再跨域协同——先在传输或无线单域证明价值，再扩展到多域 4. 重视一线代维人员的体验——AIOps的最终用户不是技术架构师，而是拿着APP去现场修设备的工程师
2026年，随着GSMA AI Telco Troubleshooting Challenge的推进和更多L4自智网络的落地，AIOps跨域故障根因定位将进入规模化复制阶段。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。