在5G/6G的网络叙事里，镁光灯几乎全打在毫米波、800G骨干光网、智算中心RDMA网络上。但有一组数据长期被中文通信圈忽视——根据爱立信2025年10月发布的《微波技术展望报告》，微波回传目前承载着全球75%的5G现网基站。换句话说，全球每4个5G基站里，就有3个的回传链路不是光纤，而是一束看不见的微波。
这并非穷乡僻壤的权宜之计。新加坡这种光纤到楼率极高的发达经济体，国家级5G SA运营商M1的传输网，同样由"Router 6000 IP节点 + 光纤 + MINI-LINK微波"混合组成。原因很现实：城市密集区光纤管孔饱和、跨海岛链与山地无法开挖、临时热点与赛事保障需要快速部署——微波是唯一能在48小时内部署到位的Gbps级回传手段。
但微波有一个光纤没有的"天敌"：雨衰（Rain Fade）。15GHz以上频段的电磁波会被雨滴散射吸收，一场暴雨可以让一条20Gbps的链路在几分钟内掉到几百Mbps甚至中断。此外还有大气波导、多径衰落、设备老化、天线 alignment 漂移等几十种隐性劣化。传统运维的痛点很直白：等雨来了链路已经拥塞掉话，运维人员却还在等告警、查日志、爬塔调天线。
这正是Round 2我们要拆解的方向——AIOps在微波/IP混合回传网络的真实故障自愈落地。它和此前拆过的"骨干光网秒级自愈""SPN承载网故障""传输黑灯工厂"完全不同：那些是光纤领域的物理层/OTN自愈，而微波自愈要解决的是一个受天气实时影响、链路质量秒级波动的开放信道问题，AI的对手不是某根断纤，而是头顶那片乌云。
这不是PPT概念。M1的传输网是实打实的国家级承载：Router 6000系列IP节点负责三层路由，MINI-LINK负责最后一跳微波接入，光纤负责主干。ETAC作为"传输层的大脑"，横跨这张IP+微波+光的混合网做统一感知与自动控制。
ETAC是一款云原生、AI/ML驱动的传输控制器。它的定位很清楚——不是再做一个监控系统，而是要把"看得到劣化"升级为"自动消除劣化"。从爱立信公开的能力描述，ETAC的核心动作有三步：
用M1官方的话说，引入ETAC的目标是"deliver even higher quality network performance"。换句话说，M1要的不是少出故障，而是在故障发生之前就把链路质量稳住。
要理解微波自愈为什么必须靠AI，先要明白微波链路的"生死曲线"。一条20Gbps的E-band微波链路，晴天跑满20Gbps；当降雨强度上升，链路信噪比骤降，如果不做任何动作，几秒内就会因误码率飙升而中断。
微波行业几十年来有一个保命机制：自适应编码调制（ACM，Adaptive Coding and Modulation）。链路质量好时用高阶调制（如4096QAM）跑满带宽，质量差时自动降阶（如QPSK）牺牲速率保连通——"宁可变慢，不要断站"。这是微波相对光纤唯一能扛雨衰的物理底气。
但传统ACM是被动的：它要等接收端检测到误码率上升，才回退调制阶数。等ACM反应过来，链路往往已经经历了几秒的丢包与拥塞，对5G的URLLC、VoNR、XR等时延敏感业务来说，这几秒就是一次"软中断"。
AI的价值，是给ACM装上一双"看天的眼睛"。国内已有扎实的科研基础支撑这一思路：
把这组数据翻译成运维语言就是：微波链路的衰减信号，可以提前约20分钟预告一场将影响链路的强降雨。这20分钟，就是AI自愈的黄金窗口。ETAC这类控制器的工作流因此变成：感知多链路衰减趋势→AI预测降雨强度与影响路径→在雨团抵达前，主动把热点链路上的URLLC/VoNR流量提前调度到备用路由→同步把易损链路的ACM预先降阶→雨团过境后自动恢复高阶调制与原路由。整个过程，基站与用户感知到的只是"网络一直很稳"。
flowchart TD
A[微波链路物理层<br/>MINI-LINK / E-band] -->|衰减/误码/吞吐时序| B(ETAC 云原生传输控制器)
W[气象/降雨数据<br/>CML雨量反演 Bi-LSTM] --> B
B --> C{AI劣化预测引擎}
C -->|雨衰前20min预警| D[决策编排]
D --> E1[ACM 预降阶<br/>高阶→稳健调制]
D --> E2[流量重路由<br/>URLLC/VoNR切备用路由]
D --> E3[波束追踪/天线微调]
D --> E4[负载均衡与容量再分配]
E1 --> F[业务无感自愈]
E2 --> F
E3 --> F
E4 --> F
F -->|雨后自动恢复| A
G[故障中心/掌上运维] -.闭环回执.-> B
这个闭环里最关键的一点是：自愈动作发生在"告警之前"。传统运维是"告警→派单→上站"，ETAC是"预测→预判→预调"，故障还没被定义为故障，业务就已经被保护好了。这正是自智网络L4级别"条件自治"在传输层的真实落地形态。
为避免空谈，这里把可核验的硬数据集中呈现。
| 指标维度 | 数据 | 来源/口径 |
|---|---|---|
| 微波回传现网覆盖 | 承载全球75%的5G现网基站 | 爱立信《2025微波技术展望报告》 |
| 微波容量演进 | 毫米波+网络仿真，无需大幅增本/换硬件，回传容量翻倍至20Gbps（2000MHz E-band信道） | 爱立信《2025微波技术展望报告》 |
| 标杆部署 | M1+爱立信：全球首个集成AI/ML的IP+微波混合现网，2024年8月MoU→2025年6月完成试验并集成现网 | M1官网新闻稿/爱立信新闻稿 |
| 故障分析提速 | 广东移动+中兴无线故障智能体：故障平均分析时长减少47% | 新浪科技/C114报道 |
| 人工介入压缩 | 同方案"感知-分析-决策-执行"自闭环，减少约90%人工介入环节 | 同花顺/中兴公开材料 |
| 雨衰提前量 | 微波链路衰减数据可提前约22分钟预告降雨对链路的影响 | CML降雨反演RF/Bi-LSTM研究 |
需要诚实说明的是：M1与爱立信对ETAC的公开表述以"完成成功试验并集成现网、提升网络质量"为主，尚未公开详细的端到端量化SLA提升数字。但"全球首个AI/IP/微波混合现网"这一身份本身已具有标杆意义，而行业内可类比的最硬数字，正是广东移动+中兴那组"分析时长降47%、人工减90%"——它揭示的是同一个趋势：当传输/无线自愈从"人盯告警"切到"AI预判预调"，运维人力的释放是数量级的。
把AI微波自愈和传统运维摆在一起，差异是结构性的：
一句话：传统微波运维在对抗已经发生的故障，AI微波自愈在管理尚未发生的劣化。
对51学通信的读者而言，M1案例不能止步于"别人家的故事"。中国是全球微波回传大国：中国移动在西部山区、川藏滇的横断山脉、南海岛礁、边境无人区，有大量无光纤可达的基站只能依赖微波回传；中国电信在部分海岛与应急通信场景同样依赖微波；临时赛事、抢险救灾、边防巡逻的应急基站，微波更是标配。这些场景的共性是：环境恶劣、人工上站成本极高、天气影响剧烈。
把AI微波自愈的思路平移过来，至少有三个落地价值：
值得留意的是，华为、中兴在国内已具备完整能力：华为"泛在微波"的智能波束追踪、中兴"运维智能体"的Agentic闭环，与爱立信ETAC在理念上高度对齐。中国运营商完全有条件在西部山区与海岛链复刻一个"M1式"的AI/IP/微波混合自愈现网，这或许是下一个值得申报GSMA GLOMO奖项的差异化方向。
回到Round 2的命题——AIOps真实故障自愈。在骨干光网、核心网、IP骨干已被反复拆解之后，微波回传链路可能是AIOps技术含量最高、也最被低估的自愈战场。原因有三：
第一，它的故障源是开放环境（天气）而非封闭设备，AI必须处理连续波动、非线性、强时序相关的信号，技术门槛远高于静态光纤。第二，它的自愈动作（ACM降阶、波束追踪、流量重路由）是物理可执行的真闭环，不是只生成工单的"半自动"。第三，它有75%的5G现网覆盖作为基本盘——这不是小众场景，而是5G承载的主干道之一。
新加坡M1用13个月走通了"全球首个AI/IP/微波混合现网"从PoC到现网集成的路，爱立信用一份报告给出了"容量翻倍至20Gbps、微波与光纤平分秋色"的产业判断，国内广东移动用"故障分析时长降47%、人工减90%"验证了同一套方法论。信号已经很清楚：微波链路正在从"被动扛雨的传输管"，进化为"会看天、会避雨、会自愈的智能体"。对中国通信人来说，与其继续盯着光纤里的比特，不如抬头看看那束会在雨中变弱的微波——那里藏着AIOps下一座真正的金矿。
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。