华为倡导电信行业迈向AI原生：运营商数字化升级应先补哪三类能力？

【软盟资讯·新闻导读】华为近期在ETSI相关交流活动中倡导电信行业成为AI Native转型先锋，提出网络将从“传输数据”逐步走向“交付任务结果”。对运营商而言，关键不只是增加几个人工智能应用，而是优先补齐数据治理、算力与网络智能化三类基础能力。

华为提出的“AI原生”倡议，正在把电信行业的人工智能讨论从单点应用推向基础设施和业务流程重构。根据相关公开信息，面向AI手机、AI可穿戴设备和智能体应用的发展，未来网络需要处理更多实时交互、任务执行和智能协同需求。传统以连接、带宽和稳定性为核心的网络体系，可能需要进一步具备理解意图、调度算力和交付任务结果的能力。

这意味着，运营商数字化升级的重点，不能只放在客服机器人、网络巡检或营销推荐等局部项目上。更现实的问题是：当AI进入网络运营、客户服务、运维管理和数据治理后，运营商最先要补齐哪些能力？产业链企业又应当如何判断其中的参与机会？

从“部署AI”到“AI原生”，变化不只是增加模型

传统数字化改造通常是在既有业务系统上增加数据平台、自动化流程或人工智能模块。例如，在客服系统中接入大模型，在网络运维平台中增加故障预测功能，在营销系统中使用用户画像进行推荐。这类模式能够较快形成展示效果，但模型往往依附于某个部门、某套系统或某个项目，数据、算力和流程之间仍然相互割裂。

AI原生的区别，在于人工智能不再只是业务系统的外挂能力，而是被纳入业务设计、网络架构和组织流程之中。其核心变化至少包括三点：

• 从执行固定规则转向理解任务意图。 用户提出的可能不再是单一通信需求，而是包含查询、判断、操作和协同的一组任务。
• 从调用单一模型转向统一调度模型、数据和算力。 不同业务需要不同模型、不同推理能力和不同数据权限，平台必须支持统一管理与动态调度。
• 从提供连接能力转向交付业务结果。 网络价值不再只体现为传输多少数据，也要体现为是否能够支撑低时延交互、跨节点推理和智能体协同。

华为在ETSI相关峰会上提出，AI Native网络可能带来三个方向的变化：终端与网络的交互从“信令”走向“意图”，核心网从传统架构走向面向任务理解和执行的架构，网络能力从“AI叠加”走向“AI原生”。这些判断仍属于行业演进方向，而不是已经完成的商用事实，但足以说明电信行业的竞争重点正在发生变化。

运营商首先要补齐三类能力

第一类：可治理、可流通的数据能力

数据治理是AI原生转型的起点，也是最容易被概念包装掩盖的短板。

运营商拥有网络运行数据、客户服务数据、业务订购数据、终端与位置相关数据以及大量运维记录。但数据规模大，并不等于数据能够直接用于训练、推理或自动化决策。不同系统之间可能存在口径不一致、标签缺失、权限边界不清、数据质量不稳定和历史数据难以复用等问题。

因此，运营商需要优先建设的不是简单的数据汇聚平台，而是一套面向AI应用的数据治理体系，至少包括：

• 统一客户、网络、设备、业务和故障等核心对象的数据口径；
• 建立数据目录、血缘管理、质量检测和生命周期管理机制；
• 对敏感数据实施分级分类、授权访问和脱敏处理；
• 形成适用于模型训练、知识检索和实时推理的数据服务；
• 建立数据反馈机制，让模型结果能够反向修正数据标签和业务规则。

在客户服务场景中，模型回答是否准确，取决于套餐、账单、网络覆盖、工单和政策数据能否被统一理解。在网络运维场景中，故障定位是否可靠，取决于告警、配置、拓扑、性能和历史工单能否形成关联。如果底层数据仍停留在部门数据库和孤立报表中，AI应用很容易变成“会对话，但不能办事”。

第二类：通算、智算与推理调度能力

AI原生网络对算力的需求，不只是增加GPU服务器。运营商需要面对训练、微调、实时推理、边缘推理和传统通信业务并行运行等多种任务，不同任务对时延、成本、可靠性和数据位置的要求并不相同。

华为此前公开讨论过电信云向AI原生演进时提出，电信云需要融合通用计算与智能计算，建设高性能网络，并增强AI管理能力。对运营商而言，这至少涉及三个层面：

1. 算力资源池化。 将中心云、边缘节点、专用加速资源和既有通用服务器纳入统一资源视图，减少算力孤岛。
2. 推理任务调度。 根据时延、负载、数据位置、模型规模和业务优先级，将任务分配到合适节点。
3. 模型全生命周期管理。 对模型版本、调用权限、运行成本、效果评估和安全风险进行统一管理。

这类能力直接关系到AI应用能否从试验走向规模化。一个客服助手可以在单个省份或单个业务中心试运行，但当调用量、用户数量和业务范围扩大后，模型响应时间、算力成本、数据合规和系统容灾都会成为经营问题。

运营商不必一开始就追求大规模、全场景的智算布局，更应先明确哪些业务需要实时推理，哪些业务可以离线处理，哪些数据必须留在本地，哪些模型可以共享使用。算力建设应当服务于业务优先级，而不是单纯追求资源规模。

第三类：面向意图和任务的网络智能化能力

AI原生并不意味着在网络设备上简单增加一个AI模块。真正的变化是，网络需要逐步具备对业务意图的识别、资源状态的感知和任务执行的编排能力。

在实时交互AI场景中，用户对响应速度和连续体验更加敏感，网络需要配合业务动态调度资源。在广域分布式推理场景中，推理任务可能在云、边缘节点、车辆和终端之间分配，网络需要综合考虑算力位置、数据传输和时延。在智能体通信场景中，不同Agent之间可能需要发现能力、匹配服务并协同执行任务。

这会推动网络运营从“配置设备参数”逐步转向“管理业务意图”。运营商需要增强以下能力：

• 将业务目标转换为网络策略和资源策略；
• 实时感知网络、算力和应用状态；
• 建立跨域编排机制，协调云、网、边、端资源；
• 对自动化操作设置权限、审计、回滚和人工接管；
• 通过服务等级指标评估任务完成质量，而不仅是传统网络指标。

这也是网络智能化最复杂的部分。因为通信网络具有高可靠、强约束和大规模并发等特点，任何自动化决策都不能只看模型准确率，还要验证其对业务连续性、网络安全和用户体验的影响。

四个业务环节会如何变化

网络运营：从监控告警走向意图驱动

网络运营过去主要围绕设备状态、性能指标、容量利用率和故障告警展开。AI加入后，可以辅助进行异常检测、根因分析、容量预测和配置建议，但更重要的变化是网络管理对象可能从“设备和链路”扩展到“业务任务和服务体验”。

例如，面向实时交互业务，运营商需要关注的不只是链路是否畅通，还包括端到端时延、推理节点负载和任务完成质量。由此，网络运营平台需要打通网络、算力和应用数据，形成更完整的资源视图。

客户服务：从回答问题走向完成任务

客服领域最容易成为人工智能的入口，但也是最容易出现“看起来智能、实际仍需人工接管”的场景。

AI客服如果只能查询知识库，价值主要体现在降低人工查询成本。更进一步的能力，应当包括识别客户意图、调用业务系统、完成套餐变更、故障报修、账单解释和服务回访等任务。不过，涉及资费、合同、身份验证和投诉处理时，必须保留明确的权限边界和人工复核机制。

运营商可以先从低风险、高频次、规则清晰的任务入手，再逐步扩展到跨系统流程。衡量标准也应从“机器人回答率”转向一次解决率、任务完成率、转人工率、差错率和客户满意度。

运维管理：从辅助分析走向闭环自动化

网络运维的AI应用具有较强的业务价值，但自动化边界需要审慎划定。

在初期，AI更适合承担告警压缩、故障关联、知识检索、维修建议和变更风险提示等工作。随着数据质量、模型效果和权限管理逐步稳定，再考虑将部分低风险操作纳入自动执行。

真正的闭环运维需要同时具备感知、分析、决策、执行和验证能力。任何一步缺少审计和回滚机制，都可能把效率工具变成新的运营风险。因此，运维智能化的评价不能只看节省了多少人工，还要看是否降低了重大故障概率、缩短了恢复时间，并且能够解释自动化决策的依据。

数据治理：从后台支撑变成生产能力

在传统数字化体系中，数据治理往往被视为后台管理工作。进入AI原生阶段后，数据质量直接决定模型效果和业务自动化的上限。

运营商需要把数据治理嵌入业务流程，而不是在项目上线后再补充。每一个AI应用都应明确数据来源、更新频率、使用权限、责任部门和效果反馈。对于涉及客户隐私、网络安全和重要业务运行的数据，还需要建立更严格的访问、留痕和风险处置机制。

产业链机会：不只是卖模型和服务器

AI原生转型会扩大电信产业链的参与范围，但机会并不只属于大模型厂商和算力设备企业。

设备商：从硬件供货转向软硬协同

网络设备、服务器、存储、加速器和边缘节点厂商，需要关注通信业务与AI工作负载的协同设计。未来竞争重点可能包括算力利用率、推理时延、资源调度效率、设备能耗和网络可靠性，而不只是单项硬件性能。

平台企业：提供统一管理和编排能力

模型管理、数据管理、算力调度、网络编排、智能体协同和安全审计，都需要平台化能力。能够理解电信业务流程、适配运营商既有系统，并支持多模型、多算力和多厂商环境的企业，可能更容易进入长期项目。

解决方案商：从概念验证转向流程改造

解决方案企业需要帮助运营商把AI嵌入具体流程，明确业务指标、数据边界、系统接口和运营责任。单纯提供演示型智能体，难以形成持续价值；能够完成系统集成、流程重构和效果评估，才更接近运营商的真实需求。

开源与标准生态参与者：争夺接口和规则影响力

相关公开信息显示，AI原生电信网络仍需要标准组织、开源社区和产业伙伴共同推进。CNCF、ETSI和3GPP等组织分别在开源实践、参考架构和通信标准化方面发挥作用。对于产业链企业来说，参与标准讨论、接口设计和开源项目，有助于降低未来生态适配成本，但不能把参与某项倡议直接等同于获得确定订单。

运营商如何确定落地优先级

第一步：先选高价值、低风险流程

优先选择数据基础相对成熟、流程边界清晰、效果能够量化的场景，例如网络告警分析、知识检索、工单分派、客服辅助和容量预测。不要一开始就把核心网络的高风险操作全部交给模型。

第二步：建立统一的AI能力底座

运营商需要把模型、数据、算力、权限、评测和日志纳入统一管理。即使不同部门采用不同模型，也应尽量共享基础能力，避免每个项目重复采购、重复建设和重复治理。

第三步：以业务结果而不是模型参数验收

项目验收应关注故障恢复时间、客户问题一次解决率、运维工单处理效率、资源利用率、服务质量和单位任务成本等指标。模型规模、参数数量和演示效果，都不能替代实际经营指标。

第四步：设置安全边界和人工接管机制

涉及核心网络配置、客户权益、身份认证和敏感数据的任务，必须设置分级授权、操作审计、异常告警和一键回滚。AI系统的成熟，不是完全取消人工，而是让人工集中处理高风险和高复杂度决策。

第五步：以可复制性检验试点价值

一个试点是否值得扩大，不仅要看局部效果，还要看能否迁移到其他省份、网络域和业务线。数据口径、接口标准、部署方式和运维流程越统一，AI应用越容易形成规模效应。

需要警惕三种“伪AI原生”

第一种是把传统自动化改名为AI原生。规则引擎和流程机器人仍有价值，但如果系统没有引入有效的感知、推理或任务编排能力，就不应夸大其智能化程度。

第二种是只重视算力建设，不重视数据和业务流程。算力资源无法自动转化为服务能力，缺少高质量数据、清晰任务定义和稳定运营机制，模型越多，系统可能越复杂。

第三种是用单点演示代替规模化验证。一个场景在实验室中表现良好，并不意味着能够承受真实用户规模、跨系统调用和复杂异常。运营商需要把稳定性、成本、安全、可解释性和运维责任纳入测试。

【软盟观察】

华为倡导电信行业迈向AI原生，重要性不在于提出了一个新的技术标签，而在于把运营商的人工智能建设重新放回网络、数据和业务流程的整体框架中观察。对于运营商来说，短期最可行的路径不是追逐所有热点，而是先补齐数据治理、算力调度和网络智能化三类基础能力，再以高频、低风险、可量化的业务验证价值。对于设备商和解决方案企业而言，市场机会也将从单一硬件或模型供应，转向软硬协同、跨系统集成和长期运营服务。不过，AI原生仍处于行业探索和标准演进阶段，任何关于全面商用、具体规模或确定时间表的判断，都需要以正式发布和实际部署为依据。真正值得关注的，不是概念传播速度，而是试点能否沉淀为可复制的产品、流程与组织能力。

从局部智能化走向AI原生，运营商最终要回答的不是“有没有使用人工智能”，而是“人工智能是否正在改变网络资源配置、客户服务方式和企业运行机制”。这将是一项持续多年的能力建设，而不是一次系统采购。