# 都科摩双引擎让百万设备排障提速五成：DOCOMO 用 Agentic AI + MantaRay AutoPilot 攻坚网络自治 L4
在 2026 年上半年，日本第一大移动运营商 NTT DOCOMO（都科摩）用一套"双引擎"AIOps 方案，把自己推向了 TM Forum 自治网络 L4 的门口：一个引擎基于亚马逊云科技（AWS）的 Bedrock AgentCore 自研 Agentic AI，专门啃"复杂故障定界"这块硬骨头，把原本需要多名工程师手动分析的故障响应时间砍掉一半以上；另一个引擎是诺基亚的 MantaRay AutoPilot，把无线接入网（RAN）的优化闭环从"每天一次"压缩到"最快 15 分钟一次"。两者一守"核心网+基站故障自愈"，一攻"无线质量自治优化"，覆盖了移动网络运维最难自动化的两端。
## 一、案例背景：为什么 DOCOMO 必须上 AIOps
都科摩是日本用户规模最大的移动运营商，移动用户数超过 9100 万，是日本社会"关键基础设施"的承载者——灾害期间的公共通信、公共服务、企业运营都压在它身上。但移动网络正在变得"更复杂、更难自愈"，原因有三个：
1. **技术代际叠加**：4G 与 5G 长期并存，跨代际、跨域（无线/核心/传输）的故障关联难度陡增；
2. **多厂商环境**：都科摩坚定推行多厂商（multi-vendor）策略，不同厂商设备的告警语义、参数体系、数据格式各异，传统规则引擎难以跨厂商打通；
3. **故障形态分化**：有标准处置预案的故障，早就被预配置的自动化流程兜住了；真正拖时间、吃人力的是**没有预定义解的复杂故障**——它们需要多名工程师手动拉取海量数据、逐一比对、定位根因，恢复时间被严重拉长，直接影响用户感知。
都科摩网络服务管理部总经理牧山贵洋（Takahiro Makiyama）坦言："对于没有预定义解的复杂故障，过去需要多名工程师手动收集、分析大量数据才能定位根因，往往导致业务恢复时间被拉长。"这就是双引擎要解决的真问题：**让 AI 在"无预案"地带也能快速定位、推荐处置，并最终走向无需人工干预的全自治。**
## 二、方案总览：一个"故障定界 + 质量优化"的双引擎组合
都科摩没有把 AIOps 压在一棵树上，而是按"故障"和"优化"两条主线分别选型，形成互补的双引擎：
| 维度 | 引擎一：自研 Agentic AI | 引擎二：诺基亚 MantaRay AutoPilot |
|---|---|---|
| 上线时间 | 2026 年 2 月 4 日商用 | 2026 年 6 月 19 日生效 |
| 解决问题 | 复杂网络故障定位/推荐处置 | RAN 网络质量自治优化 |
| 覆盖范围 | 核心网 + 基站（100 万+设备） | 多厂商 LTE/5G 无线接入网 |
| 技术底座 | AWS Bedrock AgentCore + 多数据库 | 诺基亚 SMO 框架 + 公有云 |
| 人工介入度 | 推荐+工程师执行（半自治） | 意图驱动+全自动闭环 |
| 关键目标 | 响应时间降 50%+ | 自治网络 L4 |
这种"东边不亮西边亮"的多厂商+多云组合，本身也是都科摩一贯的开放网络战略（O-RAN、多厂商 5G）在运维层的延续。
```mermaid
flowchart TD
subgraph DATA["实时数据源（100万+ 设备）"]
BS["基站"]
CORE["核心网设备"]
end
subgraph E1["引擎一：Agentic AI（故障自愈）"]
A1["AWS Bedrock AgentCore"]
A2["多 Agent 编排"]
A3["图建模网络拓扑"]
A4["时序/表/图数据库"]
A1 --- A2 --- A3 --- A4
end
subgraph E2["引擎二：MantaRay AutoPilot（质量优化）"]
B1["意图 Intent 输入"]
B2["AI 分析决策"]
B3["MantaRay SON 执行"]
B4["基站参数重配"]
B1 --> B2 --> B3 --> B4
end
DATA -->|"告警/流量"| E1
DATA -->|"性能/质量"| E2
E1 -->|"疑似故障点+处置建议"| ENG["运维工程师"]
E2 -->|"15分钟闭环优化"| L4["冲刺自治网络 L4"]
```
## 三、引擎一详解：Bedrock AgentCore 上的 Agentic AI，啃下复杂故障
2026 年 2 月 25 日，都科摩正式宣布其 Agentic AI 系统进入商用，平台实际于 2 月 4 日就在全网移动网络业务中上线。它的核心是"用 Agent 串起来做故障分析"，而不是简单跑一个异常检测模型。
**1. 技术架构：多 Agent + 图建模拓扑 + 三类专用数据库**
平台构建在 AWS 的托管服务之上，关键底座是 **Amazon Bedrock AgentCore**——它提供大规模 Agentic AI 的安全治理与部署能力。在此之上，都科摩编排了多个 AI Agent，并把网络拓扑**用图（graph）建模**，让 Agent 能够沿着"设备—链路—业务"的拓扑关系去推理故障传播路径。为了让 Agent 高效读写数据，平台还配套了针对 Agentic AI 工作负载优化的高性能数据库，分别承载**时序数据、表格数据和图数据**——这三类正好对应告警流、配置表和拓扑关系。
**2. 数据规模：实时分析 100 万+设备**
这是该案例最硬的数据点之一：平台实时分析来自**超过 100 万台网络设备**的流量和告警数据，包括基站和核心网设备。都科摩称这是"全球该类数据集中规模最大之一"。在 100 万设备的体量上做实时异常检测、拓扑定位、根因推理，对数据库的并发写入和图的遍历能力都是极高要求，这也是它必须用专用时序/图数据库的原因。
**3. 工作闭环：检测→定位→推荐**
平台的标准动作链是：实时检测异常（detect anomalies）→ 识别疑似故障点（identifies suspected failure points）→ 向维护工程师**呈报处置建议（recommended actions）**。需要注意，这一阶段它定位和推荐，由工程师确认后执行——属于"半自治"。这与引擎二的"全自动闭环"形成梯度，也符合"先让人监督、再逐步放权"的安全演进路径。
**4. 效果数据：复杂故障响应时间降低 50%+**
官方明确：对于那些"过去需要人工分析"的复杂网络故障，平台把**响应时间（response time）降低了 50% 以上**，显著缩短了业务中断时长、提升了网络可靠性。在 9100 万用户、100 万设备的国家骨干网尺度上，复杂故障处置提速一半，意味着每次大故障少停服、少投诉、少损失——其商业价值远超省下的人力成本。
牧山贵洋的判断代表了都科摩的战略意图："通过在维护运营中引入 Agentic AI，都科摩正在推进网络故障响应的自动化，努力进一步减少对客户的服务影响。"AWS 日本电信传媒娱乐战略业务单元总监常松干彦则点出了它的 6G 意义："这一成就证明了都科摩与 AWS 的协作正在让自治、智能的网络运营成为现实——这是 6G 及以后不可或缺的能力。"
## 四、引擎二详解：MantaRay AutoPilot，把 RAN 优化闭环压到 15 分钟
如果说引擎一解决"出了故障怎么办"，引擎二解决的是"怎么让网络少出问题、更稳更快"。它的演进路径非常清晰，分两步走。
**第一步（2025 年 11 月）：先上 MantaRay SON，打基础**
2025 年 11 月 25 日，诺基亚宣布为都科摩的多厂商 LTE 和 5G RAN 部署自组织网络方案 **MantaRay SON**。这是日本首次实现"诺基亚 5G 基站 + 都科摩运营系统"的组合。MantaRay SON 基于**闭环控制（closed-loop）**：持续监测网络状态、自动调整配置。但它的局限在于——**参数设计、配置策略仍需人工预先制定**，难以根据实时拥塞模式动态调整。换言之，它能"自动执行"，但"执行什么"还得人定。诺基亚无线接入网负责人 Mark Atkinson 当时表示，MantaRay SON 将帮助都科摩加速质量改进周期、降低运维成本。
**第二步（2026 年 6 月）：再上 AutoPilot，把"人定策略"变成"AI 定策略"**
2026 年 6 月 19 日，都科摩生效部署 **MantaRay AutoPilot**，并于 6 月 22 日对外宣布——成为**日本首家**部署该系统的运营商，同时创下**全球首个在公有云上用 MantaRay AutoPilot 优化商用移动网络**的纪录。AutoPilot 的革命性在于：它**自动设计网络参数和策略**，并实时执行优化。都科摩只需指定"意图（intent）"——即期望的质量目标（例如"某区域通信速率维持在 XX Mbps 以上"），AI 就会分析基站质量与性能，自主决定最优参数设计和执行时机。
它的四步闭环如下：
```mermaid
flowchart LR
S1["①数据采集
基站质量/流量
(MantaRay SON)"] --> S2["②AI分析决策
结合性能数据+意图
确定待优化参数与时机"]
S2 --> S3["③优化指令
下发至 MantaRay SON
间隔最短15分钟"]
S3 --> S4["④优化执行
SON远程重配目标基站"]
S4 -.->|"效果反馈
进入下一轮"| S1
```
**核心数据：优化周期从"每日"压缩到"最快 15 分钟"**
这是引擎二最具冲击力的对比：**单靠 MantaRay SON 时，优化周期是"每天一次"，且分析哪些配置变更、评估实施效果都需要人工介入；引入 AutoPilot 后，AI 全自动完成"参数分析—配置—实施后效果评估"，整个周期缩短到最快 15 分钟。** 换算下来，优化频率从每天 1 次跃升到理论上每天可执行约 96 次（1440 分钟 ÷ 15 分钟），意味着 AI 能根据一天中不同地点、不同时段的拥塞模式，**动态、细粒度地持续优化网络**——这是 SON 单独难以做到的。
为什么能上得这么快？都科摩选择把 AutoPilot 部署在**公有云**上，直接从云端优化网络，从而"不受硬件采购周期的约束"，快速落地，并计划未来与多种云端 AI 平台集成。
## 五、对比分析：双引擎与传统方案的差距有多大
为了看清这套方案的含金量，下面把"传统人工/SON 方案"与"都科摩双引擎"放在同一张表里比较：
| 运维指标 | 传统人工处置 | MantaRay SON（2025.11） | 双引擎（Agentic AI + AutoPilot，2026） |
|---|---|---|---|
| 复杂故障响应时间 | 基准（多人手动分析） | 不涉及（SON 主质量优化） | **降低 50%+** |
| 复杂故障定界 | 人工拉数比对 | 规则自动+人工补 | 多 Agent 图推理，自动定位疑似故障点 |
| RAN 优化周期 | 人工，按周/天 | 每天 1 次闭环 | **最快 15 分钟 1 次闭环** |
| 参数/策略设计 | 全人工 | 人工预设计 | AI 按意图自动设计 |
| 实时拥塞适应 | 难 | 受限（策略固定） | 动态细粒度持续优化 |
| 部署形态 | 本地 | 本地 SMO | 公有云（世界首个 AutoPilot 上云） |
| 自治等级目标 | L1–L2 | L3 | **冲刺 L4** |
横向看，都科摩的方案在国际自愈阵营里也有鲜明辨识度。比如德国电信、Telefónica、沃达丰等更多押注"单一厂商统一自愈平台"或"自研大模型闭环"，而都科摩走的是**"故障诊断自研（AWS 生态）+ 无线优化外购（诺基亚 MantaRay）"的多厂商解耦路线**。这种路线的好处是每一层都选该层最强者、不被单一厂商绑定，契合其多厂商 5G 战略；代价是集成与数据治理更复杂——这也是它必须用"图建模拓扑 + 三类专用数据库"来打底的原因。
## 六、为什么这一步对"自治网络 L4"很关键
TM Forum 把自治网络分为 L0–L5 六级，**L4 的定义是"AI 能预测网络状况，并在无需人工干预下自主管理网络"**。都科摩明确表示，部署 MantaRay AutoPilot 的目标就是冲击 L4。双引擎恰好对应了 L4 的两个必备能力：
- **预测与自愈（引擎一）**：在 100 万设备规模上做实时异常检测和根因定位，是"预测+自愈"的感知大脑；
- **意图驱动自治优化（引擎二）**：从"人定策略"升级为"AI 按 intent 自主决策"，是"无需人工干预执行"的自治手脚。
但需要冷静指出两点局限：其一，引擎一目前是"推荐+人执行"的半自治，离"零人工自愈"还有一段距离，下一步必然是把高置信度的处置建议升级为自动执行；其二，AutoPilot 的 15 分钟闭环虽快，但其优化效果（如峰值速率、掉话率、用户感知吞吐的具体数字）官方尚未公布量化结果，目前可见的硬指标主要是"周期时间"和"故障响应时间"，端到端 KPI 提升有待后续披露。
## 七、给国内运营商的三点启示
1. **故障与优化要分治，别指望一个模型通吃**。都科摩用两套引擎分别覆盖"故障定界"和"质量优化"，比一个臃肿的大而全平台更易落地、更易换件。国内运营商在做 AIOps 时，也可按"核心网告警、无线优化、传输光网、业务投诉"等域分别建 Agent。
2. **图建模 + 多模态数据库是大规模自愈的地基**。100 万设备、跨厂商数据，靠关系库 + 单模型根本顶不住；时序（告警流）、表（配置）、图（拓扑）三类库协同，才是 Agentic AI 高效推理的前提。
3. **公有云 + 意图驱动，是缩短自愈落地周期的捷径**。AutoPilot 上公有云绕开硬件采购周期，"指定意图而非调参"则把运维门槛从"懂参数的专家"降到"懂业务目标的人"，这正是自治网络走向 L4 的关键一跃。
都科摩用不到一年时间，把无线优化从"日级"推进到"15 分钟级"、把复杂故障响应砍掉一半，并直指自治网络 L4。这套"自研 Agentic AI + 诺基亚 MantaRay AutoPilot"的多厂商双引擎，为"超大规模网络如何走向自治"提供了一个可复刻的工程范本——而它真正的终局，是 6G 时代那张"无需人值守"的网络。
## 参考来源
1. [DOCOMO Begins Commercial Deployment of Agentic AI System for Network Maintenance Using One of the World's Largest Datasets](https://www.docomo.ne.jp/english/info/media_center/pr/2026/0225_01.html) — NTT DOCOMO 官方新闻稿（2026-02-25），Agentic AI 商用、100 万设备、响应时间降 50%+ 等核心数据来源
2. [DOCOMO Becomes First in Japan to Deploy Nokia's AI-powered MantaRay AutoPilot for Automated Network Optimization](https://www.docomo.ne.jp/english/info/media_center/pr/2026/0622_00.html) — NTT DOCOMO 官方新闻稿（2026-06-22），MantaRay AutoPilot、15 分钟闭环、自治网络 L4 目标来源
3. [Nokia introduces MantaRay SON to NTT DOCOMO's multi-vendor 5G network](https://www.nokia.com/newsroom/nokia-introduces-mantaray-son-to-ntt-docomos-multi-vendor-5g-network/) — 诺基亚官方新闻稿（2025-11-25），SON 闭环控制、多厂商 5G、SMO 框架来源
4. [DOCOMO Begins Commercial Deployment of Agentic AI System built on AWS's managed services](https://smechannels.com/docomo-begins-commercial-deployment-of-agentic-ai-system-built-on-awss-managed-services-for-network-maintenance) — 行业媒体对 Amazon Bedrock AgentCore 底座与商用细节的报道
5. [ACN Newswire: DOCOMO Agentic AI System for Network Maintenance](https://en.acnnewswire.com/press-release/english/105304/) — JCN Newswire 转发的完整发布会内容，含牧山贵洋与 AWS 高管原始引述
---
> 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。
