概述：2023年大模型爆发至今三年，「AI+网优」是通信业吹得最响、也最难兑现的口号之一。本文回答一个一线工程师最关心的问题：大模型到底在网优的哪个环节真正落地了？本文以arXiv论文TelecomGPT、3GPP TR 37.817、O-RAN RIC三条权威线索为主轴，结合中国移动「九天」、中国电信「星辰」、中国联通「元景」的公开披露，拆解一条网优工单被AI改造前后的完整流程，盘点各场景的真实成熟度，并说清楚四个至今没人绕开过的坑。
先把一个行业现状摆出来：网优工程师的工作，本质上是在三样东西之间做推理——网络数据（KPI、MR、告警、话务）、专业知识（3GPP规范、厂家参数手册、内部规程）、现场经验（这个小区历史上出过什么幺蛾子）。
三年前，这三样东西是割裂的。数据在网管里，知识在几万页PDF里，经验在老师傅脑子里。一个中级网优分析师处理一个小区级投诉，标准动作是：查KPI→查告警→查参数→对预案→写结论，快则半小时，慢则一天。全国几百万个小区、每天几十万张工单，人是永远不够用的。
传统AI（机器学习、规则引擎）过去十年也进过网优，但都是「单点专家」：节能算法只管节能，故障分类器只管分类，一旦问题超出训练分布就抓瞎，而且没有任何解释能力——它说这个小区异常，你说为什么，它沉默。
大模型改变了游戏规则的地方，恰恰不是「更准」，而是把知识和数据连了起来，还能说人话。它读过规范、能读工单、能调工具查数据、能把结论写成工程师看得懂的分析报告。这就是为什么三年下来，网优成为大模型在运营商内部落地最深的方向之一——不是因为它最酷，而是因为它最缺人。
要看清这条路线的技术底座，值得回到2024年3月上线的学术论文 TelecomGPT（arXiv:2403.14897）。这篇论文是电信领域垂直大模型的代表作之一，做了一件很工程化的事：证明通用大模型经过电信语料的领域适配后，能在这个行业产生实打实的能力增益。
论文的技术路线是标准的领域适配三板斧：
据论文实验结果，在3GPP规范问答等电信专属评测集上，TelecomGPT显著优于同尺寸的通用开源模型，部分任务表现超过GPT-3.5这类通用商用模型。
对一线工程师来说，这篇论文的价值不在刷榜，而在验证了一条可复制的路线：基座不用自己造，语料才是运营商和设备商真正的护城河。你自己积累的工单库、故障案例库、参数预案库，喂进去做指令微调，就是你单位的「行业模型」。这也是后来中国三家运营商都走「自研行业大模型」路线的技术底层逻辑——它们赌的不是模型能力，而是自家电信语料的独占性。
光会说不行，AI得能「摸到网络」。标准侧过去三年有两件事直接决定了AI网优的天花板。
第一件，3GPP把AI/ML写进了空口。 Rel-18立项的 TR 37.817（NR空口AI/ML研究） 是里程碑：它系统研究了AI/ML在空口的三大用例——波束管理（用历史RSRP预测最优波束，减少波束扫描开销）、CSI反馈增强（用神经网络压缩和重建信道状态，替代传统码本）、定位精度增强。其中CSI反馈方向，仿真中较传统码本方案展现出可观的吞吐增益（具体幅度高度依赖场景与信道模型）。Rel-19延续了这个方向，AI/ML从「研究」走向「 normative（规范性）」的路线图已经画出。
这件事对网优的意义是：以前AI只能在「网管层」做决策建议，参数改不改由人定；未来AI模型本身可以成为空口功能的一部分，直接嵌在基带里跑。网优工程师的工作对象，从「参数表」逐渐变成「模型+参数表」。
第二件，O-RAN给了AI执行权。 O-RAN架构里的 RIC（RAN智能控制器） 分两级：
| 层级 | 控制环时长 | 跑什么 | 决策粒度 |
|---|---|---|---|
| 近实时RIC | 10毫秒–1秒 | xApps：干扰抑制、切片SLA保障、移动性优化 | 单小区/单UE级 |
| 非实时RIC | 1秒以上 | rApps：策略管理、模型训练与下发、RAN侧数字孪生 | 区域/网络级 |
这个分层非常关键：大模型不适合进近实时环——LLM推理一秒起步，塞不进10毫秒的控制环；它的正确位置是非实时层，做诊断、生成策略、训练小模型，再把小模型压到近实时层去执行。「大模型出主意，小模型干快活」，这是目前业界公认的责任划分。
技术路线清楚了，看落地。国内三家运营商都在2023–2024年发布了自研大模型并明确以网络域为主战场。以下均基于其公开披露口径整理，具体数字以各家官方发布为准。
中国移动「九天」：九天人工智能平台从2019年就开始建，大模型时代升级为「九天」基座大模型。据中国移动在2024年全球合作伙伴大会等公开场合披露，其网络大模型已推广至全国省级公司，围绕故障、投诉、优化三大场景构建智能体集群——投诉预处理智能体自动关联小区KPI和历史工单给出根因候选，故障场景做告警压缩与定位，网优场景生成参数调整建议。九天路线的特点是「基座+行业增强」：不追求从头训通用模型，而是在自研基座上用网络运维语料做领域增强，再以智能体形态嵌入现有网管流程。
中国电信「星辰」（TeleChat）：TeleChat是三家里开源动作最彻底的——中国电信人工智能研究院（TeleAI）把TeleChat系列模型在GitHub开源（仓库TeleAI/TeleChat），模型权重可下载。据公开报道，星辰大模型在网络侧的应用集中在智能客服、云网运维、安全运营，其中云网运维场景把告警根因分析和工单自动化作为主打能力。开源策略的逻辑很聪明：让开发者和集成商基于TeleChat做行业二次开发，反过来扩大生态。
中国联通「元景」：据联通公开介绍，元景大模型聚焦「网络安全」和「网络运营」两大内部场景，网络侧重点是网络智慧运营——把多源数据（告警、性能、资源）做成知识增强的运营助手，面向省分公司一线输出诊断能力。
三家横向看（只说公开口径，不涉及内部实现差异，具体行为以各厂家官方文档为准），共同点是清晰的：都以「智能体嵌入现有网管流程」为落地形态，而不是造一个替代网管的新系统。都绕开了「大模型直接改参数」这种高危操作，采用「AI建议+人工审核」的人机协同模式。差异在基座策略：开源（电信）、自研基座（移动）、行业增强（联通），背后是各自云业务和AI战略的棋局。
海外这条线上，据公开报道，DT（德国电信）、沃达丰等也在推进大模型进网管（沃达丰的TOBI助手本栏目此前拆解过），节奏上国内运营商在「网络域智能体规模化」这一点上明显走得更靠前——原因也不神秘：国内运营商拥有自己的网管团队和IT队伍，改造自己流程的决策链短得多。
说一个具体场景：用户投诉「家里刷视频卡」，派单到网格，定位到一个宏站的三个小区。
改造前的标准动作：网优工程师打开网管，查近7天KPI（掉线率、切换成功率、CQI分布）→ 查告警（有没有退服、驻波、X2/SCTP闪断）→ 查参数（和周边小区的功率、邻区、切换门限）→ 查工参（是不是动过天线、换过RRU）→ 结合经验判断 → 写结单。整个链路要在五六个系统之间来回切换，15到40分钟，水平取决于工程师对这片区域的历史熟悉度。
改造后的链路，用一张图说清楚：
flowchart TD
A[网优数据底座] --> B[性能与告警]
A --> C[投诉与路测]
B --> D[领域知识库]
C --> D
D --> E[网优大模型]
E --> F[诊断智能体]
E --> G[参数推荐智能体]
F --> H[根因假设与证据链]
G --> I[参数调整建议]
H --> J[人工审核]
I --> J
J --> K{是否采纳}
K -->|采纳| L[工单下发网管执行]
K -->|驳回| M[标注原因回流训练]
L --> N[执行后观察KPI]
N --> O[效果回流数据底座]
M --> O
关键变化有三个：
第一，跨系统检索变成一次对话。 智能体代替工程师在网管接口间取数，工程师面对的是一个会说话的分析员：「该小区近7天切换成功率下降4个百分点，CQI整体下移，同频邻区A在三天前功率抬升2dB，疑似越区覆盖引发干扰，建议核查A小区下倾角」——结论后面挂着数据引用，点开能看原始KPI曲线。
第二，证据链被强制留痕。 模型每给一个根因假设，必须挂上支撑数据，否则不允许提交结单。这既是对抗幻觉的手段，也是质量管控的手段。
第三，驳回也是训练数据。 工程师每驳回一次AI建议并标注原因，下一次同类场景的推荐就多一条约束。这就是图里那条回流线——网优经验第一次以结构化方式沉淀成了组织资产，而不是随人员流动而流失。
时间收益方面，据运营商公开介绍口径，这类投诉预处理场景的自动定位可将单均处理时长从几十分钟压到分钟级，一线人力得以从「查数」转向「核实」。行业整体通报的效率数字差异很大（因为统计口径五花八门），工程师们心里有数：真正的收益不在「快了多少倍」，而在夜间和峰值的兜底能力——以前晚高峰出问题要等专家第二天上班，现在智能体先把现场清理干净，人只处理剩下的硬骨头。
| 场景 | AI在干什么 | 依赖数据 | 成熟度 | 一线体感 |
|---|---|---|---|---|
| 投诉预处理 | 关联KPI/告警/历史工单，输出根因候选 | 工单、话单、KPI | 已规模商用 | 减负明显 |
| 告警根因定位 | 告警压缩、聚类、根因候选排序 | 告警、拓扑 | 已规模铺开 | 夜班减负明显 |
| 覆盖与容量优化 | 生成功率/倾角/邻区调整建议 | MR、工参、话务 | 人机协同期 | AI建议可参考，不敢直采 |
| 干扰排查 | 扫频频谱图识别干扰类型与来源 | 扫频数据、频谱图 | 快速铺开 | 对外部干扰源识别提升大 |
| 空口AI/ML功能 | 波束预测、CSI反馈神经网络 | 空口测量 | 标准验证期 | 未到现网规模 |
| 规范问答与培训 | 3GPP/厂家文档问答 | 规范、手册 | 学术验证充分 | 新人友好 |
这张表的核心信息只有一句：离「改配置」越远的场景越先落地，越近的越慢。投诉和告警是「读」，AI只读不写，风险低，所以三年就铺开了；参数优化是「写」，写了要背责，所以停在「建议+人审」；空口嵌入是「长在设备里」，受制于标准节奏和芯片换代，现在还属于押注期。
三年下来，公开成绩单说完了，作为从业者视角，四个真问题必须摆出来——这也是各家一直没绕开的地方。
坑一：幻觉在网优场景被放大。 通用场景里模型胡说八道，用户损失一次对话；网优场景里它编造一个不存在的参数取值范围，工程师照着改，就是一次真实网络事故。目前的解法是「证据链强制+参数校验器」：大模型输出必须经过一个基于工参数据库的规则校验层，取值越界直接拦截。这也是为什么现阶段所有规模化落地都停在「建议模式」——不是模型不够好，是责任没法外包给概率。
坑二：数据底座比模型更难。 网优要的数据散落在性能、告警、资源、工参、客服五六个系统里，字段口径不一致，历史数据缺失严重。一家省公司的智能体项目，80%的工期花在数据治理上，模型本身只占20%。这是行业公开的秘密：大模型项目的成本结构，和十年前大数据项目一模一样。
坑三：闭环责任悬空。 AI建议、人工审核、工单下发——出了事故算谁的？目前的通行做法是「谁审核谁负责」，但这个机制会引导工程师无脑点「同意」（反正签了字是自己的事，不点完不成考核量）。考核不重新设计，「人审」就会退化成「人签字」。
坑四：效果评估没有公信力。 各家通报的都是自己定的口径：处理时长的分母怎么算、自动结单的质量怎么抽检、投诉复发率算不算复发——没有统一标准。TM Forum的自智网络分级试图回答「自动化到什么程度」，但「自动化之后做得好不好」目前仍然是自己给自己打分。
三年战报的公允总结是：大模型没有抢走网优工程师的饭碗，但已经抢走了他们工作里「查数、比对、写结单」的那一半。投诉、告警这类「只读」场景已经规模商用；参数优化卡在人机协同；空口嵌入在等标准成熟。
对一线工程师，真正值得押注的动作有两个：一是把身边的故障案例、处置预案整理成可训练的语料——未来三年，你沉淀的案例库就是你在AI时代的议价能力；二是往「AI监督者」转型——校验AI的证据链、定义场景的评估口径、给闭环设计责任机制。这些活，模型干不了。
至于「L4自智网络」的宏大叙事，本栏目此前已经拆过，不重复。网优这个战场给出的启示其实更朴素：AI落地的速度，不取决于模型多聪明，取决于流程里有多少环节敢把「写」的权限交出去。 这个交权过程，标准、厂商、运营商都只能走一步看一步——毕竟网络挂了是要上新闻的，而模型进步了只会上论文。
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。