概述：网优是通信行业里知识密度最高、重复劳动最重、数据最琐碎的工种，也因此成为大模型在电信网络落地最快的场景之一。本文回答三个问题：大模型凭什么啃动网优这块硬骨头？学术界和运营商各自走到了哪一步？商用一年多，真实效果和坑在哪里？文章以 IEEE 与 arXiv 上的两篇关键论文为学术锚点，结合国内三大运营商九天、星辰、元景等大模型的公开口径，拆解网优智能体的工作闭环、落地难点与经验教训。
在核心网、传输、无线三大专业里，网优大概是最适合大模型发挥的岗位。原因不在玄学，而在它的工作内容画像：
第一，知识密集但不需实时算力。 一名合格网优工程师的看家本领，是脑子里装着几十本 3GPP 规范的关键章节、设备商操作手册、集团参数规范和历年优化案例。这些知识恰恰是大模型最擅长“装”的东西——通过检索增强生成（RAG），一个向量化的知识库就能把新人三五年才能积累的经验压缩成随问随答的助手。
第二，任务碎、重复度高。 做过现网的人都懂：单验报告、参数一致性核查、MR 覆盖分析、投诉工单定位、路测数据分析……大量时间花在“从 A 系统导数据、按 B 模板填报表、按 C 规范查例外”上。业内流传一个说法，网优工程师七成时间花在整理数据而非分析决策上——这个比例没有严格统计口径，但去过项目现场的人都认。大模型 + 智能体恰恰在“把碎活串起来”这件事上有质的提升。
第三，有天然的安全缓冲区。 相比核心网割接、故障自愈这类“动了就出事”的场景，网优的多数产出是分析结论、参数建议和工单，可以走“人审后下发”的半自动闭环。错了不至于瘫网，对了收益立竿见影。这让它成为 AI 进现网最理想的跳板——先用大模型把人从报表里解放出来，再谈自动执行。
2023 年 6 月，通信学术界的三位重量级人物——Walid Saad、Mehdi Bennis 和 Mérouane Debbah——在 IEEE Communications Magazine 发表了题为《Large Language Models for Telecommunications: The Next Big Thing?》的观点论文（arXiv:2306.02507），系统论证了 LLM 在网络规划、优化、故障诊断、用户服务四大方向的应用前景。这篇论文的意义在于给行业“定调”：大模型不是又一个泡沫概念，而是可能重构网络运维范式的通用技术。此后三年商用实践的走向，基本沿着这篇论文划出的四条线展开。
光有定调不够，得先回答一个基础问题：通用大模型到底懂不懂通信？
这个问题的第一个标准化答案来自 TeleQnA 基准数据集（arXiv:2311.07544）。研究团队从 3GPP 规范、技术博客和历史论文中构建了数千道电信知识选择题，覆盖 5G/6G、RAN、核心网、SDN/NFV 等领域，用来系统性测试各大模型。测试结论印证了老通信人的直觉：通用大模型（当时的 GPT-3.5、GPT-4 等）在电信专业题上明显失分，尤其在 3GPP 规范细节类题目上——它们“读过”规范，但读得不深、记不准。这个结论本身没有争议，数据集和评测脚本都开源，任何人可以复现。
在此基础上，2024 年 2 月，TelecomGPT 框架（arXiv:2402.00574）给出了“怎么办”的答案。它的技术路线在现在看来已经是行业标配三件套：
评测显示，经过领域适配的模型在 TeleQnA 上的准确率显著超过同级别通用模型，在规范问答、电信数学题（如链路预算、容量估算）等任务上优势明显。更重要的是，TelecomGPT 和 TeleQnA 都开源了——这两份工作实际上是给全行业提供了“电信大模型的出厂检验标准”，后来各家运营商发布垂直大模型时的评测话术，多少都能看到这套思路的影子。
需要分清楚的是：这两篇论文证明了“领域适配后的模型在知识问答上更强”这个可复现事实；至于“大模型能否独立完成网优决策”，论文持审慎态度——作者的判断是 LLM 更适合做知识引擎和任务编排核心，而不是替代传统优化算法。这个判断，被后来两年多的商用实践反复验证。
学术上验证了可行性，商业上跑得最快的其实在中国。三大运营商几乎在 2023—2024 年同步完成了“自有大模型发布—通过网信办备案—行业场景落地”三级跳，网优都是头部场景。
中国移动的九天大模型起步最早，2023 年发布后陆续推出覆盖政务、客服、网络等方向的行业模型系列，并在 2024 年初通过生成式人工智能服务备案。按其公开口径，网络方向的应用集中在网络知识问答助手、投诉预处理和网优报告生成等环节，配套自建的客服与网络语料规模在公开报道中位居国内前列。中国移动的路线特点是“基座 + 行业模型”分层：九天基座对内承接全网知识，行业模型按专业切分，网优助手嵌在省公司一线使用。
中国电信的星辰大模型有一个对工程师特别友好的动作：开源。TeleChat 系列模型（如 7B 参数版本）在 Hugging Face 和 GitHub 上开放下载，这是国内运营商大模型中最早开源的之一。对网优团队来说，开源意味着可以在内网私有化部署、用本省工参和投诉数据做微调，不必把数据送出网。据公开报道，星辰大模型在网络侧的应用方向包括网络运维辅助、告警诊断和客户服务，其语义和语音能力组合尤其适合“投诉工单文本理解 + 通话录音质检”这类场景。
中国联通的元景大模型主打行业纵深，公开口径称已覆盖 35 个以上行业的行业大模型，通信自然是自家主场。其在网络侧的落点同样集中在网优问答、智能客服和运维辅助。
海外阵营中，SK 电讯走得更激进：不仅把自研韩语大模型 A.X 系列开源到 Hugging Face，还把"A."（A dot）个人助手做成了面向用户的 AI 服务。德国电信则与 Perplexity 合作推出 AI Phone，把大模型助手直接塞进手机——这属于消费侧 AI 化，但底层逻辑与网优侧一致：网络能力和 AI 能力打包成新卖点。
需要泼一盆冷水：上述运营商项目的效果数据，目前基本来自发布会和新闻稿口径（如“效率提升 X 倍”“覆盖率超过 Y%”），普遍缺少独立第三方的对照评测。写作本文时未能找到经同行评议的现网效果数据，读者对厂商口径应按“乐观 20%—30% 折扣”处理——这是读电信行业新闻稿的基本功。
运营商自研大模型解决“有没有”，设备商的 AI 工具链解决“好不好用”。
华为的路线是“盘古基座 + 自智网络平台”，iMaster NCE 一类的自治网络管控平台承担参数下发与闭环执行，大模型层负责知识问答、意图理解和诊断推理，两端拼成“感知—决策—执行”的自治网络体系。爱立信在 2024 年发布了 EIAP（Ericsson Intelligent Automation Platform）智能自动化平台，把 AI 应用开发环境直接做进网络产品线，据公开报道其定位是让运营商和网络功能在自己的算力上跑 AI 应用——这是“AI 跟着网元走”的路线，与公有云大模型路线形成对照。中兴的星智大模型、三星与运营商的 AI-RAN 合作也在各自生态内推进。
国际运营商侧值得一提的还有 Vodafone 与微软达成的十年期战略合作（2024 年初公布），投入规模据公开报道超十亿美元量级，云与 AI 全面转向 Azure 栈——大模型时代，运营商的 IT 供应商格局正在被重排。
标准侧，TM Forum 的自智网络（Autonomous Networks）框架把网络自治分为 L0 到 L5 六级，是全行业对“AI 进网络走到哪一步”的通用度量衡。大模型网优助手目前的普遍定位，是把 L2 级（部分自治，AI 辅助 + 人决策）的作业效率拉高，为 L3（有条件自治）攒数据和信任。要强调的是，标准允许多种实现路径，各厂家在闭环架构、权限模型上的具体行为以其官方文档为准。
| 主体 | 产品/项目 | 网优相关场景 | 公开口径亮点 | 开源情况 | 效果数据可信度 |
|---|---|---|---|---|---|
| 中国移动 | 九天大模型系列 | 网络知识问答、投诉预处理、报告生成 | 行业模型体系完整，备案最早一批 | 未完全开源 | 发布会口径，未经第三方核验 |
| 中国电信 | 星辰/TeleChat | 运维辅助、告警诊断、投诉文本理解 | TeleChat 开源可私有化部署 | 已开源（HF/GitHub） | 模型评测公开，现网效果为口径数据 |
| 中国联通 | 元景大模型 | 网优问答、智能客服 | 行业大模型 35+（公开口径） | 部分开源 | 同上 |
| 学术界 | TeleQnA/TeleComGPT | 电信知识评测、领域微调框架 | 可复现的基准与框架 | 已开源 | 同行评议，可信度高 |
| SK 电讯 | A.X 系列/A. 助手 | 消费侧 AI + 电信知识 | 韩语大模型开源 | 已开源 | 发布口径为主 |
| 华为 | 盘古 + iMaster NCE | 意图理解、诊断推理、闭环执行 | 自智网络平台成熟 | 未开源 | 案例口径 |
| 爱立信 | EIAP | 网内 AI 应用开发运行 | AI 靠近网元侧部署 | 未开源 | 案例口径 |
这张表里最值得注意的一行是学术界：TeleQnA 是目前唯一可复现、可对比的公开基准。运营商们发布大模型时喜欢用自家评测集比出漂亮数字，但要横向比较，还得回到公开基准上。
看一家供应商的“网优大模型”是否名副其实，别听演示，看闭环。一个能干活的网优智能体，标准形态是下面这条流水线：
flowchart TD
A[数据接入层<br>O系接口与工单系统] --> B[知识工程层]
C[3GPP规范与厂家手册] --> B
D[历史工单与优化案例] --> B
B --> E[向量知识库]
A --> F[实时网络数据]
E --> G[大模型推理引擎]
F --> G
G --> H[诊断与优化建议]
H --> I{建议是否过阈值}
I -->|低风险| J[人审后自动生成工单]
I -->|高风险| K[专家会审]
J --> L[参数预校验]
K --> L
L --> M[变更窗口执行]
M --> N[KPI回验]
N --> O[结论回写知识库]
O --> B
（注：若上图节点标签中的换行符渲染异常，不影响本文其余内容；图中数据流为：左路是知识冷启动，右路是数据热运行，回写箭头构成自学习闭环。）
拆开讲三个关键点：
知识工程比模型微调更重要。 现网实践中，90% 的价值来自 RAG 而非微调——把 3GPP 规范、省公司参数规范、历史工单向量化入库，配一个校验过的解析管道，比花大钱微调基座见效快得多。微调解决“口音”问题（让模型会用网优行话），RAG 解决“知识”问题。反过来做，等于先整容再读书。
人审环节不可省。 图中的阈值分支是整个闭环的安全阀。低风险建议（如生成分析报告、路测结论）可以人审后快速流转；高风险动作（改参数、动邻区）必须专家会审。目前全行业的共识是：大模型做参谋，人做司令。谁先让大模型直接改现网参数，谁就是在赌运气。
回写是闭环的灵魂。 没有第 N 步“结论回写知识库”，这只是一次性问答工具；有了回写，系统才随时间越用越准。这也是评估供应商方案时最该追问的一环——很多演示环境里，这一步是缺失的。
把散落在各处的时间点串起来，能看到清晰的三级跳：
timeline
title 大模型进网优：从论文到现网
section 2023
6月 : Saad等三人发表定调论文
11月 : TeleQnA基准发布 通用模型失分
全年 : 三大运营商发布自有大模型
section 2024
2月 : TelecomGPT框架开源
初 : 九天等模型通过备案
全年 : 网优助手进入省公司现网试点
section 2025至2026
智能体化 : 从问答工具升级为任务执行体
多模态 : 工参图像与信令文本联合分析
下一站 : 有条件自治L3与多智能体协同
第一跳是“定调”（2023）：学术背书 + 运营商入场。第二跳是“合规”（2024 初）：备案通过，大模型从实验室走向对外服务，网优助手开始进省公司试点。第三跳是“智能体化”（2025 至今）：单纯的问答不够了，行业主流转向“大模型 + 智能体”——模型不光回答“这个 KPI 异常可能是什么原因”，还要能自己编排工具：查工参、拉 KPI、生成报告、开工单。用工程师的话说，从“会说的”进化成“会干的”。
一线落地一年多，坑基本都踩出来了。按疼的程度排序：
第一坎：幻觉与责任。 大模型一本正经地编造规范条目、给错参数范围，在电信场景里不是段子而是日常。TeleQnA 的失分数据早就预警过这一点。缓解手段是 RAG 强制引用 + 置信度阈值 + 人审兜底，但责任问题更难：AI 给的参数建议导致现网劣化，算谁的？目前行业默认答案是“谁审批谁负责”，这实际限制了自动化程度——责任制度不重构，L3 就永远卡在“有条件”三个字上。
第二坎：数据治理。 大模型项目 80% 的工作量在数据。工参表口径不一致、KPI 定义各省有别、历史工单是维修人员随手写的自由文本——这些脏活不做完，RAG 就是在垃圾堆上检索。有省公司团队反馈，知识库清洗的时间远超模型部署本身。这印证了一句运维老话：AI 项目做得好不好，先看你数据仓干不干净。
第三坎：权限与安全。 网优知识库里有网络拓扑、参数配置，这些信息泄露等于给攻击者递地图。私有化部署成为运营商的硬要求，这也是 TeleChat 开源版在运营商内网受欢迎的深层原因——数据不出网。同时智能体拿到工具调用权限后，最小权限原则必须重新设计：让 AI 只读工参可以，让它写配置必须再加一道锁。
第四坎：评测标准缺失。 各家都说自己好，但“网优智能体”到 2026 年仍没有公认的公开评测基准——TeleQnA 测的是知识问答，测不了“端到端完成一个投诉定位任务”的智能体能力。TM Forum 在推进自治网络的验收体系，但落到“网优智能体的合格线”这一层，行业还在各自摸索。谁能立起这个标准，谁就拿到下一轮的定义权。
三年下来，几条经验值得刻在工位上：
其一，从知识入手，别从决策入手。 所有把大模型直接架在“自动决策”上的项目，基本都退回到了“知识助手 + 人审工单”。这不是倒退，是符合技术成熟度的正确路径——先把知识问答做扎实，攒够信任和数据，闭环自动化是水到渠成的事。
其二，智能体的价值在编排，不在聪明。 现网效果最好的智能体，往往不是基座模型最强的，而是工具链接得最全的：能查 KPI、能读路测文件、能开工单、能把结论写回知识库。网优智能体是“工程问题”而非“算法问题”，这个认知转变让很多项目从演示级走向了生产级。
其三，厂商口径要打折，公开基准要盯紧。 运营商和设备商的效率提升数据普遍缺乏对照组，而 TeleQnA/TeleComGPT 这类可复现的开源工作才是行业真正的硬通货。作为工程师，判断一个“AI 网优”产品靠不靠谱，最简单的检验是：把它拉到公开基准上跑一遍，再让它在你的脏数据上做一次真实投诉定位——两关都过，再谈采购。
往前看，下一阶段的主战场有三个：多智能体协同（无线、核心、传输各专业智能体互相调用，模拟跨专业会诊）、多模态（工参照片、基站环境图像、信令文本的联合分析）、以及自治网络 L3 的责任制度设计。技术侧的悬念已经不大，真正的瓶颈在组织与制度——这一点，倒是和三十年前网优这个工种诞生时的逻辑一模一样：技术从来不缺，缺的是让技术安全跑起来的制度。
大模型没有取代网优工程师，但它正在取代“只会填报表的网优工程师”。这个岗位的价值曲线正在陡峭地倒向“懂业务 + 会用 AI”的一侧——对 2026 年的网优人来说，学不学大模型，已经不是选择题。
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。