概述：大模型进通信业，最先啃下的不是基站，不是核心网，而是网优工程师的案头工作。本文以TM Forum官方案例研究披露的中国移动联手诺基亚GenAI项目为主轴——覆盖广东、北京、福建三省1.9亿用户，年省700万美元运维成本——拆解它的三大痛点、技术架构、量化成果，以及从L3助手到L5大师的三级跳路线，并给一线网优工程师几条保命建议。
干了十几年网优的人都熟悉这套日常：早上到工位先看 overnight 的 KPI 看板，发现某个区掉线率抬头，第一件事不是上站，而是翻案例库——这个告警组合以前谁处理过？翻手册、翻工单系统、翻微信群，运气好十分钟找到答案，运气不好一下午搭进去。找到方向之后是取数：登录大数据平台，面对几千张表，写 SQL、跑任务、导 Excel、画图、写报告。最后才是真正体现水平的动作——调参数、下方案。
残酷的事实是：这套流程里，真正需要“网优经验”的时间占比可能不到两成，剩下八成全是案头劳动。一个省公司几百号工程师，大半人力耗在查资料和做表上。这就是大模型进场时看到的缝隙——它不跟你抢割接刀，先把你桌上的报表抢了。
这不是我的判断，是有账本的。下面这个案例，是目前公开披露里数据最完整的一个。
本文的解读主轴，锚定 TM Forum（电信管理论坛）2024年8月发布的官方案例研究《China Mobile's new GenAI solution leads to $7 million in opex savings》（链接见文末参考来源[1]）。TM Forum 是自智网络分级框架的制定者，这份案例属于其 Excellence Award 获奖项目的整理稿，可信度在行业材料里属于第一梯队——但要注意，数据来源是中国移动与诺基亚的自报口径，这是所有厂商案例的通例，读的时候心里要有这根弦。
案例的要素很清楚：
中国移动要解决的是三个老得掉牙、但每年烧掉真金白银的问题：
| 痛点 | 具体表现 | GenAI 方案 |
|---|---|---|
| 知识难查 | 手册、案例库、报告散落各处，工程师查一次平均5到10分钟，复杂案例超过1小时 | 本地知识中心+自然语言智能问答 |
| 取数贵 | 仅广东大数据平台就有3000多张表，400多名工程师天天做数据分析，一年成本约680万美元 | 自然语言生成 SQL，自动取数出报告 |
| 开发慢 | 三省市约200名软件工程师，业务需求排队，动辄数天到数周 | DevOps 代码生成 |
站在2026年回看，这三个痛点没有一个过时。省公司网优部谁不是一边扛着 KPI，一边当“表哥表姐”？大模型挑的这三个口子，切口极小，痛感极大，见效极快——这是它能在两年内铺开的原因。
TM Forum 案例给出的量化结果，我原样搬过来，不做任何美化：
| 指标 | 大模型上线前 | 上线后 | 折算收益 |
|---|---|---|---|
| 知识获取 | 平均5-10分钟，复杂超1小时 | 多数问题1分钟内完整回答 | 获取时间降80%，知识覆盖提升67% |
| 日常数据分析 | 人工取数、手工出报告 | 自然语言生成并执行 SQL、自动出报告 | 效率提升72%，年省13545个工作日、250万美元 |
| 数据开发 | 开发者手工做数据开发与探索 | 自然语言开发+智能分析报告 | 年省290万美元 |
| 运维报告 | 制作周期多天 | 平均1天 | 120名工程师每人每月4份，年省11520个工作日、160万美元 |
| 功能开发 | 需求排期数天到数周 | 平均5天 | 80名工程师人均月产2个功能，年省7680人日 |
合计：每年网络运营成本节省约700万美元。分项加总（290+250+160）约700万美元，账是对得上的。
怎么读这份账？我的看法是：这700万里没有一分钱来自“AI 调好了网络参数”，全部来自把人的重复劳动压掉。知识问答和 NL2SQL 是典型的“把5分钟变成1分钟×海量次数”的生意；报告自动化的本质是把“表哥表姐”从流水线上撤下来。对管理层这是降本的好故事；对工程师这其实是一份岗位说明书的重写通知——案头八成的工时，正在贬值。
这个方案技术上并不炫，但有两个设计决策堪称教科书，值得抄。
第一，模型解耦。 基于 LangChain 的开源框架，大模型只是可插拔的一个组件，场景能力沉淀在编排层和工具层。广东移动网络运营中心系统架构师孟亮在案例中的原话是：方案架构开放、能力解耦，可灵活接入不同的底座模型。这句话翻译成运维语言就是：今天用 A 模型，明天换 B 模型，上面的问答、取数、报告流程一行不用改。过去两年基座模型换代三次，凡是把业务逻辑焊死在某个模型 API 上的项目都返了工——这个架构提前避了坑。
第二，本地知识中心。 不是把知识扔给公有云大模型，而是在省内自建两个 LLM 驱动的知识中心：一个全网共享的集中知识库，一个按租户隔离的私有知识库。运营商数据的安全红线、各省数据的归属问题，靠这个设计兜住。工程师的提问长这样：“这条传输链路有 7750 和 7401 两个告警，什么含义，怎么处理？"——知识中心检索+大模型组织语言，一分钟内给出处置建议。
整体数据流是这样的：
flowchart TD
A["网优工程师"] -->|自然语言提问| B["GenAI助手"]
B --> C["LLM编排层<br/>LangChain框架"]
C --> D["本地知识中心<br/>集中库+租户库"]
C --> E["NL2SQL引擎"]
C --> F["DevOps代码生成"]
D --> H["故障处置建议"]
E --> G["大数据平台<br/>3000多张表"]
G --> I["分析报告"]
F --> J["自动化脚本"]
H --> K["工程师复核"]
I --> K
J --> K
K -->|确认后执行| L["生产网络"]
注意最后那一环“工程师复核”。现阶段所有产出物——处置建议、分析报告、生成代码——都停在人在回路这一格。这不是保守，这是护栏，第七节我会展开。
这个项目不是一锤子买卖，中国移动给它画了一条清晰的三阶段路线，对应 TM Forum 自智网络等级：
timeline
title 中国移动GenAI运维三阶段路线
2023 : 智能助手阶段完成 : 达到L3 : 年省700万美元即此阶段成绩
2025 : 专家阶段 : 自动生成配置与优化指令 : 目标L4
2025以后 : 大师阶段 : 端到端自治运营 : 目标L5
第二阶段有没有落地动作？有。telecoms.com 在2025年11月报道（注：合作伙伴内容，即商稿口径），中国移动与华为合作建设覆盖端到端运维的无线自治网络——从天线、基站到 OMC 平台全链路嵌入 AI，作为其数据驱动运维转型的下一阶段，继续向 L4 自治网络推进。商稿要打折听，但它与中国移动一贯的对外口径一致：专家阶段确实在无线侧铺开了。
实验室里“大模型给网优出主意”的论文汗牛充栋，真正难的是给参数变更加护栏。想深入了解“怎么让 AI 在敢下手之前先沙盘推演”，可以看中国移动研究院的论文《Design of JiuTian Intelligent Network Simulation Platform》（arXiv:2310.06858，链接见文末[3]）：他们专门建了一个智能网络仿真平台，为无线 AI 应用提供仿真数据服务——说白了就是给 AI 修了个练靶场，任何优化指令先在仿真环境里过一遍，再决定要不要碰生产网。
一个省试点成功不叫本事，中国移动网络智能化平台（九天）做到了31个省全覆盖。这部分素材来自九天网络智能平台负责人梁小江在 DataFun 社区的技术分享（经 BestHub 整理，链接见文末[4]），讲的全是案例研究里不会写的脏活：
这段内容我的感悟是：行业叙事总把聚光灯打给大模型，但真正决定 AI 在网络领域能不能活的，是这些不起眼的管道工程。模型只占两成功力，八成在数据治理、版本管理和灰度发布上。三万条告警也好，一百个省级集群也好，没有 MLOps，大模型就是一个昂贵的 Demo。
把前面所有信息合起来，回答一个大家最关心的问题：为什么大模型两年就吃下了网优案头工作，却迟迟不敢直接动网络？
我的看法（注意，以下是作者观点，不是来源披露）：因为案头工作的容错空间大。报告写错了可以重写，SQL 取错了数可以重跑，知识答错了有人复核。而网络参数变更是不可逆的生产操作——一条邻区漏配能让掉话翻倍，一次脚本事故能放倒一个地市。AI 在低风险域攒下的信任，是它将来往高风险域走的路费。三阶段路线的本质，就是按风险等级逐级放权：先当参谋（L3），再当可以开处方的专家但药方要审（L4），最后才谈自治（L5）。
另一层冷思考：700万美元的账，节约的是“人日”，但没有回答“人去哪了”。三省市200名软件工程师、400多名数据分析师的岗位结构，会因为这个系统发生什么变化？参考来源[1]没有给出答案，所有厂商案例都不会给。但方向是明确的：纯取数、纯写报告的岗位在收缩，懂网络又懂提示词工程、能验收 AI 产出的复合岗位在涨价。这不需要悲观，但需要每个人提前表态——是当被替代的八成，还是当验收 AI 的两成。
还有一个容易被忽略的事实：这套方案用的是开源大模型+本地部署，不是调用海外 API。国资运营商的数据合规要求决定了这条路线没有第二个选项，这也解释了为什么近两年“电信行业私有化大模型”成为设备商竞标的标配项。
以18年核心网与运维一线的过来人身份，给还在案头苦熬的同行三条实在建议：
第一，把你的经验写成 AI 读得懂的样子。 案例库里那些“告警7750+7401，先查传输再查板卡”的处置经验，现在还躺在 Word 文档和老师傅脑子里。谁先把经验结构化成知识库条目，谁就是下一轮平台建设里不可替代的人。知识覆盖提升67%的背后，是有人喂了 AI 一口好粮。
第二，抢 NL2SQL 和报告自动化的验收权，而不是抗拒它。 AI 生成的 SQL 和报告一定会铺开，抗拒没有意义。但“判断这份报告取数口径对不对、结论能不能支撑参数调整”的验收权，目前还牢牢在人手里——这是老网优经验最后的护城河，主动去拿。
第三，盯住“专家阶段”的仿真验证能力。 L4 的门槛不在大模型多聪明，而在仿真靶场能不能高保真复现现网。谁懂仿真平台的参数标定、谁能设计灰度验证方案，谁就站到了下一阶段的入场口。参考来源[3]那个仿真平台，值得每个省公司网优部派专人去读。
大模型没有替代网优工程师，它替代的是网优工程师不想干的那部分。但请记住：不想干的部分被拿走之后，想干的部分的门槛，也跟着涨了。
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。