1. 從“單點(diǎn)優(yōu)化”到“服務(wù)化編排”RAN智能運(yùn)維的范式轉(zhuǎn)移如果你在無(wú)線通信領(lǐng)域特別是負(fù)責(zé)無(wú)線接入網(wǎng)RAN的運(yùn)維或算法工作最近幾年可能被一個(gè)詞反復(fù)“折磨”復(fù)雜性。5G網(wǎng)絡(luò)引入了Massive MIMO、超密集組網(wǎng)、網(wǎng)絡(luò)切片等一系列技術(shù)性能指標(biāo)是上去了但隨之而來(lái)的是參數(shù)空間呈指數(shù)級(jí)膨脹。一個(gè)基站的波束賦形、功率控制、切換參數(shù)、調(diào)度策略相互之間耦合緊密牽一發(fā)而動(dòng)全身。傳統(tǒng)的優(yōu)化方法無(wú)論是基于規(guī)則的專家系統(tǒng)還是基于模型的數(shù)學(xué)規(guī)劃在面對(duì)這種高維、動(dòng)態(tài)、非線性的復(fù)雜系統(tǒng)時(shí)越來(lái)越力不從心。我們常常陷入“按下葫蘆浮起瓢”的窘境調(diào)優(yōu)了小區(qū)A的邊緣速率卻導(dǎo)致鄰區(qū)B的干擾抬升為了保障切片C的時(shí)延可能犧牲了切片D的吞吐量。正是在這種背景下“Optimization-as-a-Service via Multi-Agent Large Language Model for Radio Access Networks”這個(gè)標(biāo)題精準(zhǔn)地指向了下一代RAN智能化的核心痛點(diǎn)與前沿解法。它不是一個(gè)空洞的概念拼湊而是由三個(gè)關(guān)鍵層疊構(gòu)成的完整技術(shù)愿景服務(wù)化OaaS、多智能體Multi-Agent和大語(yǔ)言模型LLM。簡(jiǎn)單來(lái)說(shuō)它設(shè)想的是這樣一種未來(lái)RAN的優(yōu)化不再是一個(gè)個(gè)孤立、手動(dòng)的專家任務(wù)而是被封裝成一種可按需調(diào)用、自動(dòng)協(xié)同的云服務(wù)執(zhí)行這些服務(wù)的“大腦”不是一個(gè)單一的、僵化的算法而是一組分工協(xié)作、具備高級(jí)認(rèn)知和決策能力的智能體而這些智能體的核心“智慧”源于對(duì)大語(yǔ)言模型在規(guī)劃、推理和知識(shí)融合方面能力的深度利用。這背后反映的是一種根本性的范式轉(zhuǎn)移。過(guò)去我們追求的是“單個(gè)算法在特定場(chǎng)景下的最優(yōu)解”現(xiàn)在我們需要的是“一個(gè)系統(tǒng)在全局動(dòng)態(tài)環(huán)境下的自適應(yīng)和協(xié)同能力”。OaaS是目標(biāo)形態(tài)它讓優(yōu)化能力變得彈性、可組合、易集成。Multi-Agent是核心架構(gòu)它用“分工協(xié)作”來(lái)應(yīng)對(duì)“復(fù)雜度爆炸”。LLM則是新型的“認(rèn)知引擎”為智能體提供了理解自然語(yǔ)言指令、進(jìn)行復(fù)雜邏輯推理、并從海量經(jīng)驗(yàn)數(shù)據(jù)與知識(shí)中學(xué)習(xí)策略的潛力。當(dāng)這三者結(jié)合瞄準(zhǔn)RAN這個(gè)極具挑戰(zhàn)性的戰(zhàn)場(chǎng)時(shí)一場(chǎng)關(guān)于網(wǎng)絡(luò)自治的深刻變革正在醞釀。2. 拆解核心組件OaaS、多智能體與LLM如何各司其職要理解這個(gè)融合架構(gòu)我們必須先拋開(kāi)縮寫看看每個(gè)部分究竟在解決什么問(wèn)題以及它們是如何被聯(lián)系在一起的。2.1 Optimization-as-a-Service將優(yōu)化能力“云原生”化OaaS的本質(zhì)是將復(fù)雜的網(wǎng)絡(luò)優(yōu)化功能抽象、解耦并封裝為標(biāo)準(zhǔn)的、可編程的服務(wù)接口。這借鑒了云計(jì)算中“X-as-a-Service”的思想。在RAN語(yǔ)境下這意味著功能服務(wù)化諸如“覆蓋自優(yōu)化”、“容量與負(fù)載均衡”、“節(jié)能管理”、“干擾協(xié)調(diào)”、“移動(dòng)性魯棒性優(yōu)化”等經(jīng)典用例不再以孤立網(wǎng)元功能或離線腳本的形式存在而是被設(shè)計(jì)成獨(dú)立的微服務(wù)。每個(gè)服務(wù)有明確的輸入如性能指標(biāo)KPI、配置參數(shù)、拓?fù)湫畔?、輸出?yōu)化建議或直接配置指令和服務(wù)等級(jí)協(xié)議SLA如決策延遲、成功率。接口標(biāo)準(zhǔn)化通過(guò)RESTful API、gRPC或消息隊(duì)列等標(biāo)準(zhǔn)接口對(duì)外暴露。網(wǎng)絡(luò)運(yùn)維人員、上層應(yīng)用如垂直行業(yè)應(yīng)用或編排器可以像調(diào)用地圖API查詢路線一樣簡(jiǎn)單地請(qǐng)求一次“覆蓋優(yōu)化”服務(wù)并指定目標(biāo)區(qū)域和KPI權(quán)重。資源彈性化服務(wù)可以根據(jù)優(yōu)化任務(wù)的規(guī)模和緊急程度在云化基礎(chǔ)設(shè)施上動(dòng)態(tài)伸縮。一個(gè)大規(guī)模的全網(wǎng)節(jié)電優(yōu)化可以在夜間調(diào)用大量計(jì)算資源并行執(zhí)行而一個(gè)突發(fā)的局部干擾排查則可以快速啟動(dòng)一個(gè)輕量級(jí)服務(wù)實(shí)例。注意OaaS不是簡(jiǎn)單地把傳統(tǒng)優(yōu)化工具搬到云上。其關(guān)鍵在于“服務(wù)契約”和“無(wú)狀態(tài)設(shè)計(jì)”。服務(wù)契約定義了明確的職責(zé)邊界和預(yù)期行為使得服務(wù)之間可以獨(dú)立演進(jìn)和組合。無(wú)狀態(tài)設(shè)計(jì)則確保了服務(wù)實(shí)例可以隨時(shí)創(chuàng)建和銷毀實(shí)現(xiàn)了真正的彈性。在RAN中這需要仔細(xì)設(shè)計(jì)哪些狀態(tài)信息如歷史性能數(shù)據(jù)、用戶分布需要由服務(wù)自身維護(hù)哪些應(yīng)由外部的數(shù)據(jù)湖或上下文管理服務(wù)提供。2.2 Multi-Agent System用“委員會(huì)”決策應(yīng)對(duì)復(fù)雜系統(tǒng)為什么需要多智能體因?yàn)閱我坏?、中心化的?yōu)化器很難實(shí)時(shí)處理全網(wǎng)所有小區(qū)的所有參數(shù)。多智能體系統(tǒng)將大問(wèn)題分解領(lǐng)域分解每個(gè)智能體負(fù)責(zé)一個(gè)相對(duì)獨(dú)立的子問(wèn)題域。例如覆蓋與容量智能體專注于RSRP、SINR、吞吐量等指標(biāo)決策天線傾角、功率。移動(dòng)性智能體專注于切換成功率、乒乓切換率決策切換門限、遲滯等參數(shù)。切片智能體專注于保障不同切片eMBB, URLLC, mMTC的SLA在資源調(diào)度上進(jìn)行調(diào)整。干擾協(xié)調(diào)智能體專注于小區(qū)間干擾決策幾乎空白子幀ABS模式、協(xié)作調(diào)度等。協(xié)作與博弈智能體之間不是孤立的。它們通過(guò)通信共享局部觀察如我感知到的鄰區(qū)干擾并基于共同的全局目標(biāo)如全網(wǎng)能效最大化或通過(guò)預(yù)設(shè)的規(guī)則進(jìn)行協(xié)商、博弈。例如覆蓋智能體想提升某個(gè)小區(qū)的功率以改善覆蓋但必須征詢干擾協(xié)調(diào)智能體的意見(jiàn)評(píng)估對(duì)鄰區(qū)的影響。這個(gè)過(guò)程可以是分布式的避免中心節(jié)點(diǎn)的瓶頸。分層架構(gòu)在實(shí)際部署中可能會(huì)采用分層多智能體。底層是“小區(qū)級(jí)”或“簇級(jí)”智能體處理實(shí)時(shí)性高的微調(diào)上層是“區(qū)域級(jí)”或“全網(wǎng)級(jí)”智能體進(jìn)行更宏觀的、周期性的策略制定和目標(biāo)分解類似于“管理者”和“執(zhí)行者”的關(guān)系。這種架構(gòu)的優(yōu)勢(shì)在于可擴(kuò)展性和魯棒性。新增一個(gè)網(wǎng)絡(luò)切片或一種新的優(yōu)化目標(biāo)可以通過(guò)增加或調(diào)整相應(yīng)的智能體來(lái)實(shí)現(xiàn)而不必重構(gòu)整個(gè)系統(tǒng)。某個(gè)智能體失效其影響范圍也相對(duì)有限。2.3 Large Language Model為智能體注入“認(rèn)知”與“規(guī)劃”能力這是最新穎也最具想象力的部分。傳統(tǒng)的多智能體系統(tǒng)通常基于強(qiáng)化學(xué)習(xí)RL或博弈論智能體的策略網(wǎng)絡(luò)是“黑盒”難以解釋且需要海量的、成本高昂的與環(huán)境交互試錯(cuò)來(lái)訓(xùn)練。LLM的引入帶來(lái)了新的可能性高級(jí)規(guī)劃與推理LLM能夠理解用自然語(yǔ)言描述的、復(fù)雜的優(yōu)化目標(biāo)與約束例如“在保障VIP用戶最低速率的前提下最大化全小區(qū)能效同時(shí)避免任何小區(qū)的切換失敗率超過(guò)0.1%”。它可以基于對(duì)通信知識(shí)的理解通過(guò)預(yù)訓(xùn)練獲得將宏觀目標(biāo)分解為一系列有序的子任務(wù)或邏輯步驟并分配給不同的智能體。這相當(dāng)于為多智能體系統(tǒng)提供了一個(gè)“任務(wù)規(guī)劃師”。知識(shí)融合與決策解釋LLM在訓(xùn)練時(shí)吸收了海量的公開(kāi)知識(shí)、技術(shù)文檔和代碼。它可以充當(dāng)一個(gè)“知識(shí)庫(kù)”幫助智能體理解不常見(jiàn)的網(wǎng)絡(luò)事件或性能異常的可能原因。更重要的是LLM可以生成人類可讀的決策理由例如“建議將小區(qū)A的傾角下壓2度因?yàn)楦鶕?jù)最近24小時(shí)的MDT數(shù)據(jù)其過(guò)度覆蓋導(dǎo)致了3個(gè)鄰區(qū)的上行干擾抬升”極大地提升了優(yōu)化過(guò)程的可解釋性和運(yùn)維人員的信任度。策略生成與代碼執(zhí)行更進(jìn)一步的設(shè)想是LLM可以根據(jù)當(dāng)前網(wǎng)絡(luò)狀態(tài)和優(yōu)化目標(biāo)直接生成可執(zhí)行的配置腳本或策略函數(shù)原型。例如針對(duì)一個(gè)特定的干擾場(chǎng)景LLM可以生成一段Python代碼描述一個(gè)基于Q-Learning的分布式功率控制算法框架供專門的RL智能體加載和執(zhí)行。這實(shí)現(xiàn)了從“描述問(wèn)題”到“生成解決方案”的跨越。然而將LLM用于實(shí)時(shí)網(wǎng)絡(luò)控制面臨嚴(yán)峻挑戰(zhàn)推理延遲、輸出不確定性和運(yùn)營(yíng)成本。這正是為什么“chimera”和“actor-attention-critic”這類熱詞相關(guān)研究顯得重要?！癱himera”關(guān)注的是如何為異構(gòu)LLM不同規(guī)模、能力提供低延遲、高性能的服務(wù)這對(duì)于將LLM作為實(shí)時(shí)決策組件至關(guān)重要?！癮ctor-attention-critic”則是多智能體強(qiáng)化學(xué)習(xí)MARL的前沿算法它可能用于對(duì)LLM生成的宏觀策略進(jìn)行細(xì)粒度、低級(jí)別的實(shí)時(shí)微調(diào)和執(zhí)行形成“LLM規(guī)劃 MARL執(zhí)行”的混合智能架構(gòu)。3. 架構(gòu)藍(lán)圖一個(gè)LLM賦能的RAN優(yōu)化服務(wù)如何運(yùn)作結(jié)合以上三點(diǎn)我們可以勾勒出一個(gè)具體的技術(shù)架構(gòu)藍(lán)圖。這個(gè)架構(gòu)并非標(biāo)準(zhǔn)但反映了當(dāng)前研究與實(shí)踐的主流方向。3.1 系統(tǒng)分層與數(shù)據(jù)流一個(gè)典型的系統(tǒng)可能包含以下層次數(shù)據(jù)采集與感知層通過(guò)網(wǎng)管系統(tǒng)、探針、MDT最小化路測(cè)、用戶面數(shù)據(jù)等實(shí)時(shí)收集全網(wǎng)各小區(qū)的性能指標(biāo)KPI、配置參數(shù)、告警、無(wú)線環(huán)境信息等形成統(tǒng)一的“網(wǎng)絡(luò)數(shù)字孿生”或上下文數(shù)據(jù)庫(kù)。OaaS服務(wù)網(wǎng)關(guān)與編排層接收外部?jī)?yōu)化請(qǐng)求如來(lái)自運(yùn)維人員的自然語(yǔ)言指令“優(yōu)化市中心晚高峰的容量”將其解析并轉(zhuǎn)化為內(nèi)部服務(wù)調(diào)用鏈。它負(fù)責(zé)服務(wù)的生命周期管理、負(fù)載均衡和SLA保障。LLM賦能的智能體協(xié)同層核心規(guī)劃與分解智能體LLM核心這是一個(gè)輕量化但能力強(qiáng)的LLM如經(jīng)過(guò)通信領(lǐng)域精調(diào)的70B參數(shù)模型。它接收來(lái)自編排層的優(yōu)化目標(biāo)結(jié)合當(dāng)前網(wǎng)絡(luò)上下文進(jìn)行任務(wù)分解和規(guī)劃。例如它將“優(yōu)化晚高峰容量”分解為a) 識(shí)別容量瓶頸小區(qū)數(shù)據(jù)分析任務(wù)b) 調(diào)整瓶頸小區(qū)及周邊小區(qū)的負(fù)載均衡參數(shù)策略生成任務(wù)c) 評(píng)估調(diào)整對(duì)切換性能的影響沖突檢查任務(wù)。它將子任務(wù)分發(fā)給相應(yīng)的執(zhí)行智能體。執(zhí)行智能體群多智能體這是一組 specialized 的智能體每個(gè)精通一個(gè)特定領(lǐng)域。它們可以是基于規(guī)則的專家系統(tǒng)、傳統(tǒng)的優(yōu)化算法、輕量級(jí)ML模型甚至是微調(diào)的小型LLM。例如容量分析智能體運(yùn)行聚類算法從KPI數(shù)據(jù)中快速識(shí)別熱點(diǎn)區(qū)域。參數(shù)優(yōu)化智能體接收“調(diào)整負(fù)載均衡參數(shù)”的指令調(diào)用內(nèi)置的算法庫(kù)如基于博弈論的ICIC算法計(jì)算出具體的參數(shù)調(diào)整建議。沖突預(yù)測(cè)智能體基于網(wǎng)絡(luò)模型模擬參數(shù)調(diào)整后對(duì)切換、干擾等KPI的潛在影響。協(xié)調(diào)與仲裁機(jī)制當(dāng)不同執(zhí)行智能體的建議發(fā)生沖突時(shí)如擴(kuò)容建議需要增加功率而節(jié)能建議要求降低功率需要協(xié)調(diào)機(jī)制。這可能由另一個(gè)專門的“仲裁智能體”也可由LLM擔(dān)任基于預(yù)設(shè)的優(yōu)先級(jí)規(guī)則或通過(guò)輕量級(jí)的多智能體強(qiáng)化學(xué)習(xí)進(jìn)行實(shí)時(shí)微調(diào)來(lái)達(dá)成妥協(xié)方案。策略執(zhí)行與驗(yàn)證層將達(dá)成一致的、低風(fēng)險(xiǎn)的優(yōu)化策略如一組具體的參數(shù)修改值轉(zhuǎn)換為網(wǎng)元可識(shí)別的配置命令如NETCONF/YANG模型通過(guò)控制器下發(fā)給基站。隨后系統(tǒng)會(huì)關(guān)閉循環(huán)持續(xù)監(jiān)控執(zhí)行后的KPI變化驗(yàn)證優(yōu)化效果并將結(jié)果反饋給智能體層用于學(xué)習(xí)和策略更新。3.2 關(guān)鍵接口與協(xié)議智能體間通信可以采用發(fā)布/訂閱模式的消息中間件如Kafka, Pulsar。每個(gè)智能體訂閱自己關(guān)心的主題如“覆蓋KPI更新”、“干擾事件”并發(fā)布自己的決策或觀察。LLM規(guī)劃智能體可以作為一個(gè)特殊的發(fā)布者向特定任務(wù)隊(duì)列發(fā)布“工作指令”。LLM調(diào)用規(guī)劃智能體對(duì)LLM的調(diào)用是異步、批處理的?？紤]到延遲和成本不會(huì)每個(gè)決策都調(diào)用LLM。它更可能用于處理復(fù)雜的、非周期性的優(yōu)化請(qǐng)求或者在系統(tǒng)遇到未知場(chǎng)景、多個(gè)執(zhí)行智能體無(wú)法達(dá)成一致時(shí)請(qǐng)求LLM進(jìn)行高階仲裁和策略生成。與網(wǎng)元交互通過(guò)標(biāo)準(zhǔn)的RAN智能化接口如ETSI ENI體驗(yàn)網(wǎng)絡(luò)智能架構(gòu)定義的接口或3GPP定義的NWDAF網(wǎng)絡(luò)數(shù)據(jù)分析功能與服務(wù)化架構(gòu)SBA的接口實(shí)現(xiàn)數(shù)據(jù)的采集和策略的下發(fā)。4. 挑戰(zhàn)、實(shí)踐考量與未來(lái)展望這個(gè)愿景雖然美好但走向成熟落地仍需翻越幾座大山。4.1 核心挑戰(zhàn)實(shí)時(shí)性與可靠性RAN優(yōu)化尤其是負(fù)載均衡、干擾緩解往往需要秒級(jí)甚至亞秒級(jí)的響應(yīng)。LLM的推理延遲即使是對(duì)千億參數(shù)模型的輕量化調(diào)用目前仍是巨大瓶頸。解決方案可能包括使用極度輕量化的領(lǐng)域特化小模型如1B-7B參數(shù)進(jìn)行高頻決策采用“LLM離線規(guī)劃輕量模型在線執(zhí)行”的混合模式或者依賴如“chimera”這樣的高效異構(gòu)模型服務(wù)框架來(lái)優(yōu)化推理流水線。決策安全與穩(wěn)定性LLM的“幻覺(jué)”問(wèn)題在網(wǎng)絡(luò)控制中是災(zāi)難性的。一個(gè)錯(cuò)誤的參數(shù)配置可能導(dǎo)致大規(guī)模網(wǎng)絡(luò)故障。必須建立嚴(yán)格的安全護(hù)欄所有由LLM生成或影響的決策必須經(jīng)過(guò)基于規(guī)則的驗(yàn)證器、基于仿真的沙箱環(huán)境測(cè)試以及“逐步放量”的灰度執(zhí)行機(jī)制先在一個(gè)小區(qū)試行觀察效果后再推廣。成本與能耗大規(guī)模LLM的訓(xùn)練和推理耗資巨大。運(yùn)營(yíng)商需要權(quán)衡其帶來(lái)的運(yùn)維效率提升和自動(dòng)化收益與增加的云資源成本。專用硬件如NPU和模型壓縮、量化技術(shù)將是降低成本的關(guān)鍵。數(shù)據(jù)與知識(shí)壁壘訓(xùn)練出真正懂RAN的LLM需要高質(zhì)量、大規(guī)模的領(lǐng)域數(shù)據(jù)配置、告警、KPI、工單日志和知識(shí)標(biāo)準(zhǔn)協(xié)議、優(yōu)化案例庫(kù)。這些數(shù)據(jù)往往分散在不同網(wǎng)管系統(tǒng)中且涉及商業(yè)敏感信息如何合規(guī)、高效地構(gòu)建領(lǐng)域訓(xùn)練集是一大挑戰(zhàn)。4.2 實(shí)踐中的漸進(jìn)路徑我們不太可能一夜之間建成一個(gè)完全由LLM驅(qū)動(dòng)的自治網(wǎng)絡(luò)。更現(xiàn)實(shí)的路徑是漸進(jìn)式的階段一LLM作為增強(qiáng)型分析助手。首先將LLM應(yīng)用于網(wǎng)絡(luò)運(yùn)維的分析側(cè)例如讓LLM自動(dòng)分析日?qǐng)?bào)、根因定位復(fù)雜告警、從海量工單中總結(jié)故障模式、生成優(yōu)化報(bào)告草稿。這能立即提升工程師效率同時(shí)積累領(lǐng)域數(shù)據(jù)。階段二LLM指導(dǎo)的多智能體仿真優(yōu)化。在網(wǎng)絡(luò)數(shù)字孿生或離線仿真平臺(tái)上構(gòu)建多智能體優(yōu)化框架。讓LLM擔(dān)任仿真實(shí)驗(yàn)的“設(shè)計(jì)者”和“分析師”提出優(yōu)化假設(shè)“如果同時(shí)調(diào)整A小區(qū)的傾角和B小區(qū)的功率會(huì)怎樣”由仿真環(huán)境中的多智能體執(zhí)行并反饋結(jié)果LLM再分析結(jié)果形成知識(shí)。這構(gòu)成了一個(gè)安全的“訓(xùn)練場(chǎng)”。階段三人機(jī)回環(huán)的輔助決策。將LLM多智能體系統(tǒng)接入現(xiàn)網(wǎng)但所有決策建議必須經(jīng)過(guò)運(yùn)維人員確認(rèn)后方可執(zhí)行。系統(tǒng)提供詳細(xì)的、可解釋的決策依據(jù)。這建立了信任并收集了人在環(huán)中的反饋數(shù)據(jù)用于進(jìn)一步優(yōu)化智能體策略。階段四高度自治的閉環(huán)優(yōu)化。在低風(fēng)險(xiǎn)、慢變化的場(chǎng)景如基于潮汐效應(yīng)的節(jié)能開(kāi)關(guān)、基于長(zhǎng)期趨勢(shì)的覆蓋微調(diào)中逐步開(kāi)放全自動(dòng)閉環(huán)。系統(tǒng)需要具備完善的異常檢測(cè)和回滾機(jī)制。4.3 未來(lái)展望從“網(wǎng)絡(luò)優(yōu)化”到“網(wǎng)絡(luò)智能體”最終Optimization-as-a-Service via Multi-Agent LLM for RAN 所描繪的可能不僅僅是優(yōu)化工作的自動(dòng)化而是整個(gè)RAN演變?yōu)橐粋€(gè)由多個(gè)高度專業(yè)化、緊密協(xié)作的“智能體”構(gòu)成的有機(jī)體。每個(gè)智能體就像網(wǎng)絡(luò)中的一個(gè)“器官”LLM則提供了類似“系統(tǒng)級(jí)思維”的能力。網(wǎng)絡(luò)將能夠理解用業(yè)務(wù)語(yǔ)言描述的目標(biāo)“確保明天體育館演唱會(huì)期間的直播體驗(yàn)”并自動(dòng)將其翻譯、分解、執(zhí)行為一系列跨物理層、鏈路層、網(wǎng)絡(luò)層的協(xié)同動(dòng)作。在這個(gè)過(guò)程中通信工程師的角色不會(huì)消失而是會(huì)從繁瑣、重復(fù)的參數(shù)調(diào)優(yōu)中解放出來(lái)轉(zhuǎn)向更富創(chuàng)造性的工作設(shè)計(jì)更高效的智能體架構(gòu)、定義更合理的優(yōu)化目標(biāo)與獎(jiǎng)勵(lì)函數(shù)、審核和提升AI決策的可信度、處理極端和未知的復(fù)雜案例。網(wǎng)絡(luò)運(yùn)維將從一門基于經(jīng)驗(yàn)的“手藝”進(jìn)化為一門基于數(shù)據(jù)和智能的“科學(xué)”。這條路很長(zhǎng)挑戰(zhàn)很多但方向已經(jīng)清晰。那些開(kāi)始著手構(gòu)建自己的網(wǎng)絡(luò)數(shù)字孿生、積累高質(zhì)量標(biāo)注數(shù)據(jù)、嘗試將AI/ML模型以微服務(wù)形式嵌入運(yùn)維流程的團(tuán)隊(duì)正在為迎接這個(gè)由OaaS、多智能體和LLM共同定義的未來(lái)打下最堅(jiān)實(shí)的基礎(chǔ)。