本文回答一个网优工程师最关心的问题：大模型到底能不能干网优的活？干到什么程度了？2024年以来，印度Reliance Jio推出覆盖500多个用例的JioBrain平台，中国移动把九天大模型推进网络运维一线并公开锚定2025年整体L4自治目标，华为则以ADN方案在多家运营商联合创新。本文以TM Forum自治网络（Autonomous Networks）分级框架为主轴，拆解大模型网优的真实落地形态、典型闭环流程、公开效果数据与三道坎，并给出一线工程师的实操判断：哪些活先交出去，哪些活暂时别碰。
干了十几年网优的人都知道这个工种的“老三样”：看KPI、处理TOP小区、写报告。每天早上打开北向接口拉出来的性能报表，先过一遍无线接通率、掉线率、切换成功率、MR覆盖率这几条主干指标，把劣化小区拎出来，然后开始翻话统、CHR日志、MR测量数据、告警和工单，做归因、定方案、改参数、写复盘报告。一个省级网络动辄十几万到几十万_cells_级别的小区规模，一个网优工程师名义上要盯几百到上千个小区。
问题在于，这套打法在5G时代被三个东西同时挤压：
第一，网络复杂度指数级上升。 2G/4G/5G多制式共存，700M、2.6G、3.5G、4.9G多频段组网，SA/NSA双模式，再加上室分、高铁、海域等专题场景，小区级参数组合早已是人脑无法穷举的空间。一次邻区漏配、一个PCI冲突，藏在几百万条配置记录里。
第二，成本压力刚性传导。 这几年运营商资本开支收敛、运维预算逐年压降，但网络规模还在涨。用增员换质量的路走不通，只能用工具换人力。
第三，数据早就有了，缺的是“消化系统”。 话统、MR、告警、工单、资管、路测数据在网优一线从来不缺，缺的是把这些异构数据快速关联起来的能力。以前靠专家经验+Excel+脚本，一个资深工程师分析一个复杂劣化案例可能要一两天；而网络劣化的窗口期，往往就那么几天。
这就是大模型切入网优的行业背景。注意，这不是“AI很热所以往通信上套”的故事，而是运维成本曲线和网络复杂度曲线交叉之后，必然出现的一步。
谈AI网优，先得有一把公共的尺子，否则每家都说自己“智能运维”，没法横向比较。这把尺子就是TM Forum主导的自治网络（Autonomous Networks，简称AN）分级框架，相关行业蓝图白皮书在TM Forum官网可查（见文末参考来源1）。它把网络自动化水平分成六级：
| 等级 | 名称 | 自动化程度 | 一线体感 |
|---|---|---|---|
| L0 | 手工运维 | 完全人工执行 | 手工改参数、手工巡检 |
| L1 | 辅助运维 | 系统给建议，人执行 | Excel+脚本+经验 |
| L2 | 部分自治 | 封闭场景自动执行，其余人工 | 告警自动预处理 |
| L3 | 条件自治 | 感知→分析→决策自动，执行需确认 | 方案自动生成、人审批 |
| L4 | 高度自治 | 感知→分析→决策→执行全自动，人监管 | 系统自己闭环，人管例外 |
| L5 | 完全自治 | 全生命周期无人干预 | 尚属愿景 |
业界普遍评估，目前绝大多数运营商的整体水平在L2到L3之间，即“封闭场景能自动，复杂场景靠人”。大模型进场要回答的问题很具体：它能不能把复杂场景的分析决策环节补上，让L3更快坐实、并向L4渗透。TM Forum的框架价值就在这里——它逼着所有玩家把“智能”翻译成“哪个等级的哪个环节自动化了”这种可验证的表述。
看海外案例，印度Reliance Jio的JioBrain是绕不开的一个。
Jio的打法和其他运营商有个根本区别：大部分运营商做AI运维，是在现有OSS/BSS旁边挂一个“AI模块”，哪里疼贴哪里；Jio则是把AI/ML能力做成全集团的平台层，网络、市场、客服都从这个平台取用能力。据印度经济时报电信频道（ETTelecom）等媒体2024年报道，JioBrain沉淀了超过500个AI/ML用例，覆盖网络规划优化、能耗管理、营销、风控等多个领域（媒体报道口径，官方未逐一公开用例清单）。更关键的一步是，Jio明确表示计划把JioBrain作为产品对外输出给其他运营商——AI能力从“自用的成本项”变成了“可售卖的资产项”。
2024年8月，NVIDIA与Reliance联合宣布合作，在印度建设AI基础设施，Jio是其中承接AI算力与服务的核心角色（见NVIDIA新闻室公告，参考来源5）。这为JioBrain后续接入更大的算力底座铺了路。
从网优视角看，JioBrain模式有两个值得琢磨的点：
当然也要说清楚：JioBrain公开披露的多是规模和愿景，具体的网络侧效果数据（比如劣化预警准确率、优化后KPI提升幅度）官方披露有限，外部能交叉验证的细节不多。这一点读者要有辨别力。
国内的主线故事是中国移动和九天大模型。
时间线大致是这样的：中国移动在自动驾驶网络上布局很早，其发布的自动驾驶网络白皮书公开锚定了“2023年整体达到L3、2025年整体迈向L4”的路线（公开规划口径，参考来源3）。2023年，中国移动正式发布“九天”系列人工智能大模型，并在之后陆续推出面向行业场景的行业大模型；网络线的应用——故障工单处理、性能分析、投诉归因、知识问答——是九天落地的重点方向之一（以上时间点均有公开报道）。
到2024至2025年，据行业媒体报道，九天体系在网络线的应用已进入省级试点阶段，典型场景包括：
平心而论，这个进展节奏符合我预期的下限：大模型先吃掉的是“读、写、查”这类语言密集型工作，而不是直接去动参数。这恰恰是对的——后面讲幻觉风险时会展开为什么。
对中国移动来说，2025年是白皮书路线图上L4的目标年。L4不是宣传口号，它有TM Forum的对标基准，意味着至少在若干封闭场景里，“感知—分析—决策—执行”全链路无人值守并能被第三方评估。大模型能不能在这个倒计时里补上“复杂场景分析决策”这块最短的板，是2026年回头看的关键注脚。
设备商侧，华为的ADN（Autonomous Driving Network）方案是最成体系的。华为从2019年起持续投入ADN，核心思路是把自治网络拆成“智能引擎+数字孪生+闭环控制”三层，iMaster系列网管产品承载落地。华为官方口径宣称，ADN能把故障定界定位从小时级缩短到分钟级、帮助运营商降低约三成运维成本——注意这是厂商宣称口径，实际效果取决于运营商的数据质量、流程配合度和场景选择，第三方公开的可比数据有限（参考来源中未列独立验证，读者请按厂商白皮书口径理解）。
标准侧的进展同样关键，甚至更值得工程师跟踪：
3GPP这边，Rel-18完成了AI/ML应用于NG-RAN的研究项目（TR 37.817系列研究结论），Rel-19已立项AI/ML for NG-RAN的工作项，覆盖波束管理、CSI反馈、定位、网络节能等场景，并且——这是重点——第一次把模型生命周期管理写进规范：模型怎么下发、怎么监控性能、什么时候触发回退（fallback）到非AI方案。这相当于给“AI开网络”上了车规：不许只管上路，还得管刹车（3GPP官网Release 19页面，参考来源2）。
O-RAN这边，Near-RT RIC和Non-RT RIC通过xApp/rApp承载AI应用，E2接口把小区级控制面打开，理论上允许运营商引入第三方AI应用。实践中RIC生态的成熟度仍参差，标准允许多种实现，具体行为以各厂家官方文档为准，但方向是明确的：AI进RAN不能是黑盒，得有标准化的挂载点、监控点和退出机制。
把三条线合起来看：运营商做平台（JioBrain、九天），设备商做方案（ADN），标准组织做护栏（3GPP Rel-19、O-RAN RIC）。大模型网优要真正跑起来，三条腿缺一不可。
讲了这么多局，落到一线，一个合格的“大模型网优闭环”到底长什么样？下面这张图是我理想中经过实战检验的形态——每一步都有人机分工的明确边界：
flowchart TB
A["劣化发现: TOP劣化小区清单"] --> B["大模型归因: 关联话统 MR 告警 工单"]
B --> C{诊断置信度达标?}
C -->|高于阈值| D["生成优化方案与参数建议"]
C -->|低于阈值| E["转人工专家会诊"]
E --> B
D --> F["数字孪生仿真评估"]
F --> G{仿真通过?}
G -->|不通过| B
G -->|通过| H["人工审批与备案"]
H --> I["灰度执行: 先改试点小区"]
I --> J["效果观察窗: 跟踪七日KPI"]
J --> K{KPI恢复?}
K -->|是| L["全网推广并沉淀知识库"]
K -->|否| M["自动回滚参数"]
M --> B
这张图里有几个工程细节，是论文里不会写、但一线都懂的：
归因环节，模型的价值是多源关联速度而不是“发现真相”。 一个切换成功率劣化的小区，可能是邻区漏配，可能是外部干扰，可能是传输闪断，也可能是硬件隐性故障。老专家的水平体现在联想速度——他见过一万个性价比案例。大模型干的正是把这位老专家的案例库（历史工单、历史方案、历史结论）变成可检索、可推理的知识底座，把两天的排查压到十几分钟。
仿真评估是幻觉的防火墙。 参数建议在下发前先在数字孪生环境里跑一遍，用历史数据回放验证。仿真不通过就打回重生成，这一步能拦住大部分“模型一本正经胡说八道”的参数方案。
灰度执行与自动回滚是底线设计。 先改试点小区、设七天KPI观察窗、异常自动回滚——这三件套把参数变更的风险从“全网事故”压到“几个小区几十分钟”。任何跳过这一步的AI闭环方案，无论宣传多漂亮，我都会投不信任票。
知识沉淀是闭环的复利。 每次闭环的归因链条和最终结论回写知识库，模型下一次遇到类似案例的置信度和速度都会提升。没有这个回流，AI网优就只是一次性的效率工具；有了这个回流，它才是一条会自我强化的飞轮。
最后说说冷水。按我看过的落地项目，大模型网优要过三道坎，每一道都比算法本身难：
第一道坎：数据治理。 大模型的归因质量上限，由数据质量决定。话统口径不一致、MR数据缺失、工单分类混乱、资管数据与现实脱节——这些4G时代就存在的老问题，在AI时代被指数级放大，因为模型会忠实地学习你数据里所有的脏。先做数据治理再上大模型，顺序不能反。业内的经验法则是：数据治理没做过一轮的项目，大模型效果演示可以很惊艳，生产环境基本站不住。
第二道坎：幻觉与安全边界。 普通客服场景，模型说错一句话可以道歉重答；网优场景，模型写错一个切换参数，可能导致一片区域的用户掉话。所以参数类的AI建议必须锁死在“生成—仿真—审批—灰度—回滚”的管道里，任何一环都不能省。合理的演进路径是：报告和问答类先全自动（错了无非重写），方案类人审批（L3），低风险执行类逐步自动化（向L4渗透）。急着宣称“无人值守”的项目，往往是在拿现网赌概率。
第三道坎：追责界面。 AI改了参数导致指标劣化，责任算谁的？是模型的锅、审批人的锅、还是集成商的锅？这个问题不解决，L4就不可能真正落地，因为没有人愿意为一个说不清责任的系统签字。行业里正在出现的解法是把AI决策记录做成审计级留痕（谁触发、模型版本、输入数据快照、仿真结果、审批人），让每一次自动化执行都可回溯。这也是3GPP把模型生命周期管理纳入规范背后的现实动机之一。
给一线工程师的实操建议按优先级排：先把知识问答和报告生成用起来（见效最快、风险最低、还能顺手清洗数据）；然后上配置核查和投诉归因（吃数据治理红利）；参数方案生成放第三步，且必须带仿真和灰度；至于“AI全自动改参数”，等你的审计链路先过得了内审那一关再说。
大模型进网优，不是“AI取代网优工程师”的故事，而是把工程师从“读、写、查”里解放出来、去管“例外、策略、责任”的重新分工。JioBrain展示了平台化的野心，九天大模型代表了国内运营商的L4倒计时，华为ADN和3GPP Rel-19则在补方案与标准的护栏。行业当前的坐标很清楚：整体L2到L3，复杂场景的分析决策是大模型最该攻的滩头。
一把尺子送给各位评估身边的“AI网优”项目：它自动化了AN分级里哪一级的哪个环节？观察窗多长？回滚要不要人？三个问题问下来，概念和实战立刻分家。
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。