投稿
  • 首页 >  信息科技 >  计算机产业

    • 华为：ICT服务与软件2030产业报告（2024版）（30页）.pdf

    薪酬报告网 • •  计算机产业 • 阅读

    定制报告-个性化定制-按需专项定制研究报告

    行业报告、薪酬报告

    联系：400-6363-638

    • 《华为：ICT服务与软件2030产业报告（2024版）（30页）.pdf》由会员分享，可在线阅读，更多相关《华为：ICT服务与软件2030产业报告（2024版）（30页）.pdf（30页珍藏版）》请在本站上搜索。 1、20302024 版ICT服务与软件构建万物互联的智能世界前言通讯行业从 2G 逐步走向 5G，ICT 服务和软件行业也经历了标准化，工具化，数字化的代际升级；随着 Gen AI，数字孪生等新技术的兴起，从数字化到智能化已成为行业共识，2030 年，人工智能将无所不在，基础设施智能泛在感知成为刚需，大模型逐步走向 AGI 像人类一样思考，服务模式将从围绕“人”逐步走向“机器”，企业营销和赋能的方式也将变得更加实时敏捷.未来十年，千行百业的智能化转型类似 20 世纪的工业革命，Gen AI 是和蒸汽机，电灯一样伟大的发明，第一次让机器像人脑一样学习和思考，这是跨时代的改变生产力的历史进程，将开启2、每个企业/家庭/个人工作和生活的新时代.目 录0104宏观趋势与展望0428ICT 服务与软件 2030 倡议0529附录（参考、缩略语）0206ICT 服务与软件 2030 未来场景规建+AI：SLA 从不确定性到确定性.06规建 AI+：从数字化集成到“系统工程”集成.08运维+AI：从“面向网络”到“面向业务”.10运维 AI+：从服务“人”到服务“机器”的运维.12维优+AI：从人等网络到网络等人，激发体验变现意愿.13维优 AI+：基于智能内生的网络优化 Agent.14营销+AI：数智新业务，敏捷创新，牵引新增长.15营销+AI：从成本中心到“效益中心”.16赋能+AI：从“基于文3、档的信息体系”到“基于 Token/Pitch 的知识体系”.17赋能 AI+：从“人找知识”到“知识找人”.180320ICT 服务与软件 2030 愿景及核心技术数字孪生.20模型驱动.22ICT 融合交付.23数据工程.24以业务为中心.25平台智能化.27人类正加速迈入智能世界，数字化、智能化、低碳化的确定性发展趋势已成共识。面向 2C 的裸眼 3D，AI 背包，自动驾驶以及面向 2B 的工业制造无灯工厂，基于“机械手，机械臂”的智慧矿山，智慧港口正在加速到来；以 Gen AI为代表的大模型、人工智能、5G-A、超大规模算力集群、液冷数据中心、数字孪生、智能体等新技术一日千里；新的知识4、和数据管理体系、平台智能化、大小模型协同、AI for Network、Network for AI 等新范式应运而生，三者协同共进为数智新业务的创新和涌现提供了支撑，引发无限新畅想，创造无限新可能。要将每一代新技术、新范式引入生产环境，释放新的生产力，都需做到在现有业务生产环境和谐共生基础上持续平滑演进，能对“复杂性和不确定性”有效管控，实现 ICT 基础设施全生命周期有序演进，及时满足新业务、新体验对 ICT 基础设施新能力的需求，激发新创新，实现新体验的持续升级，最大化投资效益，从而驱动行业数智化转型的加速。如 AI 教母李飞飞所言：AI 是一门渗透式技术，会像水一样影响每个人，每个行业5、。随着新业务，新技术，新范式的持续演进，未来的 ICT 服务和软件行业也将迎来更大的不确定性，我们需要思考如何让如此多的新业务、新技术、新范式释放出商业价值和技术红利的同时，也要同步考虑如何通过新技术来改善自身全生命周期的竞争力：1.服务+AI：如面向千行百业，万物“智”连，新业务 SLA 带来的不确定性，网络故障爆炸半径“逐渐变大”，如何实现从面向“网络”走向面向“业务”的运维；数据和知识管理作为Gen AI 和大模型技术的关键能力将重新改写人类学习和赋能的方式，如何驾驭未来智能人才发展等等，这些都是服务需要为 AI 做的事情宏观趋势与展望新技术、新业务、新范式等带来无限新可能，引发无限新畅6、想，同时也引入诸多不确定性0104ICT 服务与软件 2030ICT服务与软件2030未来场景：AI+改变服务模式，+AI带来众多服务新场景ICT服务与软件规优培建营维2030场景超大上行，低延迟，6个9不确定性SLA确定性SLA服务AI+面向“业务”的运维运维面向网络面向业务“any time any where”实时营销数字业务数智业务从基于人的“信息系统”转向基于模型的“知识体系”信息体系知识体系服务AI+加速释放技术红利加速智能化转型服务AI+服务AI+携手6200+伙伴服务56000+客户 以智能体为中心的感知，分析及工具服务人服务智能体基于数据的运营促进用户发展和维挽成本中心利润中7、心知识体系融合伙伴人员生产流，实时推送人找知识知识找人基于MFU，线性度的规划设计数字交付系统工程交付2.服务 AI+：如大模型，机器人，具身智能体已成为未来服务模式不可分割的一部分，如何通过Agent+工具+人的模式改变传统以人+平台的模式，提升规建维优营培效率，改善成本和模式，这些是 AI 需要帮助服务做的事情。面向 2030 年，未来已来，如何用确定性的服务能力来解决众多不确定的+AI 和 AI+的需求，是每一个 ICT 人需要思考的关键问题05ICT 服务与软件 2030ICT 服务与软件 2030 未来场景 2030 年，连接从“万物互联”到“万物智联”，在数字化时代，连接的对象更多8、是人和传统 iOT的“物”，根据 Gartner,IMT 等标准组织 2030年预测，AR/VR/MR 等终端将占据 30%的终端市场，无人出行，工业制造 2030 也将成为现实，基于“机械臂，机械手”的黑灯工厂，无人矿山随着行业智能化成为企业刚需；同时智能体、机器人也将逐步取代当前人类大部分重复性工作，华为预计 2030 年无线 AI Agent 活跃用户数将达 60 亿，华为预测 ICT 领域 2030 年将有 45%的场景被 Agent 覆盖，100%的角色将拥有自身的 Co-pilot，不仅包括虚拟世界中的数字分身，还包括物理世界的具身智能，比如工业机器人，服务机器人，陪伴机器人，自动9、无人机，自动驾驶汽车等，这些新的服务对象会对未来的网络规划产生极大的不确定性。规建+AI：SLA 从不确定性到确定性02参考 信通院5G 端到端切片行业 SLA 需求研究报告行业业务类型业务对网络的要求数量业务可用（单用户、单业务）安全可信带宽需求/单用户（Mbps）业务时延需求（ms）B1B2B3B4B5T1T2T3T4T5S1S2M1M2M311010202050501001005010020501020510=3.0占比0.4%0.4%0.82%掉话率3.040.5s3.5呼叫建立时延感知覆盖率10%虚警率5%掉话率，抖动10%感知精度30m15%围绕“机器+物”的感知传播模型，提供机器10、的最优感知向“人”的网络难以直接用传统的套餐/DOU/渗透率来计算投资回报。每类场景均面临不同的商业模式及建网需求，需要结合各区域、城市的“智能化程度”来进行精细化的建网规划和上市节奏，所以“滴灌式投资”对系统集成的 TTM 的要求会更高。如何在复杂的业务场景中快速抢得市场先机，需要结合确定性的业务场景 SLA 需求进行快速网络升级和 ROI。规划更需要通过数字孪生构建网络实时仿真能力，基于未来网络建设业务场景化需求变化快速规划网络目标网，通过规划设计快速在虚拟世界孪生物理世界的业务及网络变化，构建面向人和“机器”的传播模型及网络性能仿真预测，同时要求规划成为小周期迭代。精准度实现99.9%，11、TTM 相比当前提升 50%。07ICT 服务与软件 2030集群随 Scaling law 规模越来越大，Grok2 和星际之门计划已经逐渐扩展到十万卡，百万卡，字节在 2024 年 2 月发布 12288 个 GPU 训练175B 的 MegaScale 系统，比肩谷歌，达到业界目前万卡集群最高水平。字节用了多达 9 种优化方法，也只把 MFU 做到 55%，距离 MFU（最高 95%)仍有巨大的差距，MFU 每提升1PCT，将会带来上千万成本的成本节省，数倍的性能提升以及训练 TTM 的缩短，同时根据Mason 预测，当前智算 OPEX 相比传统通算OPEX 上涨 35%，2050 年将12、上涨 50%以上，主要是水，电等。全栈 DC L1&L2 联动 AI 节能和高 MFU 规划将成为智算中心刚需。不同的 AI 业务对智算网络的需求和竞争力构建方向也完全不同，如不同的 LLM，小模型训练推理场景：算力、网络带宽、网络延迟、内存带宽、内存容量需求均不相同，面向多样性需求，系统架构要具备足够的灵活性。网络作为联接底座，将算存灵活配置组合，以适配不同场景，没有一种业务同时需要 5 种能力，以网补算、以算补存、以存代算，“网存算协同设计”是未来智算集群系统级主要规划方向。根据普华永道预测，2030 年前通过相同算力需求下，算存网协同规划存在 300%的优化空间，所以面对未来高复杂的 M13、FU 和线性度要求，基于“系统工程”的集成服务将成为行业刚需。规建 AI+：从数字化集成到“系统工程”集成AI代表模型训练卡数ChatGPT千卡GPT-4万卡5.4万TPU10万卡GeminiGrok 2AGI百万卡（星际之门计划）99.90%99.95%99.99%概率1.00.80.60.40.20 1000卡2000卡4000卡8000卡卡数AI业务计算算力网络带宽网络延迟内存带宽内存容量LLM训练推荐系统推理LLM推理(Prefill)推荐系统训练LLM推理(decode)08ICT 服务与软件 2030从交付模式上来看，未来集成服务主要变化是从二维到三维。传统集成服务一直是在时间维度14、（阶段及阶段的成效）、任务维度（具体做什么输出什么）描述服务，系统工程服务需要再增加一个维度：系统空间计算，用数字孪生的方式具象化出每个时间阶段、任务作用在系统空间上的变化：未来交付模式降从传统的人+工具物理集中到 Agent+Copilot 逻辑集中。传统的交付是按照站点数量配人，如 3000 站点需 100 人交付 90 天，且资源需要随交付地点进行安排交付队伍。未来的交付将更集中化。在集团，省构建集中化交付中心，通过 Agent，Copilot进行站点勘测。MOP 设计、原厂配置等等；现场工作将更加聚焦和流程化。同时，以前的交付项目经理和技术项目经理非常重要。他们掌握着各类项目的项目管理15、，关键技术，工具平台能力；未来，模型和应用，是主要的集成服务构建者和交付者。人机协同，数据驱动将进一步驱动交付组织扁平化，交付效率提升50%以上。交付平台(IT)交付模式工具平台、工程师、物理集中 -交付Agents、工程师+Copilot、逻辑集中运营商：场景标准，金额大企业：场景各异，金额小训练协同数据/知识作业及记录，记录即数据-过程数据已不够用，知识数据亟需积累交付数据（持续积累）：静态知识-思维链+DSL语言调用支撑交付大脑工具：单机/功能-Copilot，思维链，场景化Agents决策：经验/责任-算法寻优，数据透视，辅助决策持续训练，多种模型，各种外挂，灵活调用WSD/WDTCo16、re MasterMOSS/FO Copilot工具Silo工具-原子化/PBCCDE垂直领域 调用-组合-创造现场单兵装备手机/卷尺-智能作战装备XR+AI本地离线-端云协同，智慧具身以人为中心的服务以智能系统为主体的服务人服务的构建者和交付者流程工具智能系统服务的主要构建者和交付者人：服务的协作者 和部分交付者智能工具人员规模与收入线性增长服务周期长、能承担的并行工作量少服务价格高，工具辅助人用智能系统替代大部分人员，从纯人工升级为人机协同由智能系统自动生成流程和数据驱动，多并行作业从功能性工具升级为智能性工具效率更高 09ICT 服务与软件 20302030 年，随着网络架构逐渐复杂，运17、维的对象更加复杂：云、网、存、边、端，网络操作更难去判断，对网络变更工程师的要求也越来越高。近年来网络事故频发，相比 5 年前，2024 年 ICT 网络重大故障数量占比提升了45%。关键问题就是随着网络越来越复杂，传统基于“网络”的运维无法感知终端业务，从网元性能体验商业，难以全栈进行数据和算法关联打通。随着智能化 Gen AI,大模型，数字孪生等技术的快速发展，从面向“网络”到面向“业务的运维”将成为未来新趋势。运维+AI：从“面向网络”到“面向业务”网元性能体验商业预计网络NPS下降15%200个用户视频播放卡顿10个小区速率下降50%传输故障3个基站退服时空数字孪生网络数字孪生“人”万18、级FO/BO/FME“物”十万级备件/车辆/油机“事”百万级FM/PM/CM2个数字孪生“价值穿透”价值跃升成本最优价值与运维作业关联资源与成效直接关联成本与质量最佳平衡2个大模型+N个AgentLLM大模型语义理解网络大模型网络理解N个Agent业务解析与调用10ICT 服务与软件 2030分钟级小时级天级月级千卡万卡十万卡百万卡百万卡预测：响应0.5天，恢复预计周级（中断一次损失亿元）十万卡预测：响应1-2h，恢复预计天级（中断一次损失千万）万卡预测：响应30min，恢复2/4/6/8小时级（中断一次损失10万+）千卡：响应10分钟，恢复小时级（中断一次6000元+）算力运维模式：定界效率19、随集群规模指数级上升，传统模式不可持续同时，算力网络随着 scaling law 的逐步演进，十万卡，百万卡已经成为大模型厂商的标配。传统基于网络的运维已经不可实现。某互联网厂商数十万卡训练集群报告表明，54 天训练，发生466次作业中断，平均每天中断8次。其中，41%中断为软件异常、电缆问题，网络故障等。如果还延续当前的运维模式，2030 年预计百万卡中断一次损失超过亿元。面向传统网络的运维，我们主要以事前、事中、事后来应对重大和紧急的复杂网络变更。事前通过维护工程师提前做好紧急预案，做好相应的紧急预案来防止未来可能的业务影响；事中提前做好网络变更操作脚本，规范工程师操作原则；事后回溯总结，20、迭代事前和事中不足，作为后续案例支撑。随着网络越来越复杂，这种传统的运维方式很难去完全规避人为误操作带来的重大事故。X 局点仅仅因为工程师在流量阀值配置上多输入了一个“0”引发信令风暴，就导致全省 3000 万通讯中断两天。随着 Gen AI,数字孪生，知识图谱，具生智能等新技术的不断发展，面向未来如何实现“基于业务”的智能化运维来取代传统“基于网络”的运维已经成为业界共识，2030 年，30%领先的运营商随着智能化展开将结合 5GA 部署数字孪生系统：以终为始，通过运维业务需求反向简化算网协议，并实现 E2E 数据实时可视和实时可获取性。网络实时数字孪生：构建运维知识图谱测量网络问题对业务的21、影响，通过数字孪生关联物理世界和数字之间的关系以及业务关联，实现 KQI 和 KPI 之间的梳理，实现每个操作和变更对业务的直接影响可视可管。围绕业务级运维重新构筑新的应用，打通网络业务的关联，实现ICT运维全局可视可管。基于以上能力，故障恢复时长将从天级走向小时级，网络故障响应从小时级走向秒级，备板替换从 4 小时紧急替换走向按月/按周定期替换。面向业务运维:从产品协议孪生平台服务转型的全栈打通客户智算集群模型训推数字孪生智算运维工作台推理智算机理模型网络孪生数据采集机理建模MFU全局分析性能监控集群加速流量地图产品协议简化物理数字孪生体系业务级运营运维软探针训练11ICT 服务与软件 2022、30传统数字化时代，运维的工具，流程均是围绕人来设计的，而智能化时代的人机协同模式，并不需要每个人都参与，人机界面非常清晰，人，流程，工具均围绕机器来解决问题：运维 AI+：从服务“人”到服务“机器”的运维FME上站Smartcare投诉定界二线分责TT工单网络分责专业室排障OWS故障定位和远程处理AICC客诉处理一线分责装维助手数字化时代：以人为主，流程、平台、人相互依存，其中流程和小模型工具均是围绕人在处理问题的效率问题设计的智能化时代：人机协同，不需要每个环节都要人参与，人机边界非常清晰，人，流程和工具均围绕机器解决问题来设计客服Tier 1:120人客服Tier 2:30人FO:50人23、，BO：95人FME：325人智能化 替代人依赖人工非网络问题投诉闭环IVR客户原因群障原因客户回访被动处理客户回访重大故障专业室沟通网管查询配置修改问题描述问题回单重大故障定界审核排障审核终端原因无线原因终端原因性能原因FO分责配置问题预防预测现场问题网管查询配置修改问题描述问题回单FME上站二线分责TT工单性能定位和排障专业室排障一线分责非网络问题投诉闭环业务质量分析 Agent集分责定位FCR85%AICC AgentCRM计费SmartcareSEQ运维分析保障Agent 集分责定位网管AUTINFME Copilot问答式查询网管AUTINAPI调用API调用API调用API调用要实24、现基于 Agent 为中心的运维能力，业界普遍共识是需构建 3 大基础能力：1.算网运维大模型：基于业界通用的基础大模型构建懂运维机理、网络协议的算网运维大模型，围绕 SRE、FO、BO、FME 构建面向角色的 Co-pilot 和场景的 Agent 智能体，减少人的重复脑力劳动，再结合传统自动化的大模型进行实时配置和命令下发，传统的 OSS 实现统一的 API 化，成为大模型的调用“工具”。2.数字孪生：需要通过实时的网络数字孪生系统来做好从业务到网元的业务关联。以前的网络数据属于黑盒数据，通过探针，网管经过层层过滤，采集才具备分析的能力。未来的数字孪生系统需要构建基于知识图谱快速进行网元级25、数据采集，从之前的 30 分钟-1小时级的采集效率走向分钟级的采集效率。3.具象智能机器人：现场运维成本一般占据整个 ICT 运维的 60%。未来，每个数据中心，机房，站点都会有存在具象机器人，配置基于 transformer 的端侧小尺寸大模型 IOS，可以准确的识别来自于 NOC/SOC Agent 智能体的指令，替代维护人员进行网络操作，如巡检、现网状态感知、光纤端口调整、板卡更换等。将大幅提升运维效率。机器手换硬件自动巡检机器人12ICT 服务与软件 20302030 年，传统移动通信网络从主要服务“人与人”“人与物”的通信向主要服务“人与智能体”“智能体与智能体”的通信转变。通信网络26、将不仅要联接个人，还要联接与个人相关的各种感知、显示和计算资源以及 AI Agent；不仅要联接家庭用户，还要联接与家庭相关的家居、车和内容资源；不仅要联接组织里的员工，还要联接与组织相关的机器、边缘计算和云资源，以满足智能世界丰富多样的业务需求从体验保障的模式来看，传统网络日常优化是典型的“人等网络”的方式，网络优化被动响应客户投诉，在产品的性能基础上提升1015%的性能，尽力而为。中国每年需要投入 2.5 万人天来解决日常优化问题，包括投诉网络问题收集，典型区域/站点优化优先级设计，数字化路测，日常优化方案设计，日常优化方案实施等等。首先，这种“人等网络”的方式只能解决 35%的网络问题，27、无法做到用户体验维优+AI：从人等网络到网络等人，激发体验变现意愿尽善尽美；其次，由于缺乏统一的网络优化大模型，多次优化方案中会存在性能互斥，优化经验仅存在工程师脑子里的情况。面向 2030，未来网络优化的方式需要通过“网络等人”来取代“人等网络”优化模式。通过鸿蒙 OS、智能单板、智能天线、光红膜等技术，实现性能 E2E 可感知；构建基于时空的数字孪生系统（TAZ）精准预测每类业务未来的流量、走势、SLA 趋势变化；通过算网一体的优化大模型实现30%的场景单产品智能内生自闭环。其余 70%场景依赖通过知识图谱和知识管理进行核心资产沉淀，日常优化产生的 MR,SEQ等性能数据形成 AI 数据飞28、轮，持续支撑模型升级迭代，构建用于 VIP 保障，日常优化等的各类智能体支撑网络优化人员基于业务变化提前预防预测，快速生成优化方案，再通过调用传统小模型进行实时分析决策执行和性能体验闭环万物“智”联投诉用户模型非投诉用户模型全球质差模型优化模型潜在质差用户筛选智能单板/内置探针叠加时空数字孪生实时数据根因分析用户特征及策略库人辅助机器13ICT 服务与软件 2030根据约瑟夫 Joseph Sifakis（法国计算机科学家，2007 年图灵奖获得者）对未来网络自治系统的定义，相对基于 LLM 的通用智能体，通信领域更多要求基于实际网络业务/网络状态制定策略，因此通信领域智能体需要能理解网络（如29、拓扑、性能、告警、事件等）。另外对数据实时性要求高，难以被大模型学习，需要结合数字孪生等技术，基于真实网络信息规划并执行方案，通过 Prompt/SFT 为大模型注入领域专业知识，结合数字孪生模型，调用体/维/优原子工具能力，实现任务的规划、感知、决策和执行。维优 AI+：基于智能内生的网络优化 AgentPerceptionReflexionsensory informationcommandsFigure 6:Computational model for cyber physical agentDecisionGoal managementPlanningKnowledgegenerat30、ionKnowledgeapplicationSelf-adaptationKnowledge RepositoryInternalActuatorsInternalSensorsInternal EnvironmentExternalActuatorsExternal EnvironmentExternalSensorsExternal Environment modelInternal Environment model基于网优 Agent 的智能内生能力，以某区域优化工作模式举例，以前需要有 3 个网优工程师值守，转变为无人值守，由 1 个人负责 Agent设计模式网优功能开发从之前跨多31、个平台，10 几个步骤，至少 3 个月的周期改为 Agent 根据 COT（Chain of thought）链设计，1 次任务下发，多次自动交互完成SocNocRF工程师人+Al agent3人有人值守1人无人值守跨平台多步骤复杂流程思维自主规划5+平台10+步骤下发1次任务流程1流程2流程n14ICT 服务与软件 20302030 年，面向营销的数字化业务向智能化转型已成为共识，埃森哲，普华永道等多个咨询公司均把营销作为大模型能够影响的 TOP1 行业，原因就是用户需求千人千面，人机交互界面多，海量的客户需求从广告，营销，计费，销售再到客诉存在大量的创意涌现和生成的机会，符合当前主流 LL32、M 大模型适用的三大条件：海量数据，创意类场景，自然语言。面向未来全行百业智能化，数亿级的数智人，无人出行汽车，当前的数字化营销模式已经无法满足需求：敏捷创新：数字化时代基于“人”的套餐设计，从市场策略资源准备套餐开发市场推送往往要经历 3-6 个月时间，当产品营销+AI：数智新业务，敏捷创新，牵引新增长投放后市场又发生了新的变化。未来智能化业务需要基于客户数据分析自动生成营销创意和套餐设计，从“数月”到“数天”，结合敏捷的算网基础设施，实现”anytime,anywhere”的实时套餐推送，如电影院、体育场 VR 等场景。智能创意：数字化时代营销主要基于大数据用户画像进行针对性的电话/内容推33、送，完全依赖人进行分析和进行营销策略创意，2030 年数字人内容生成和运营效率成本远优于人工，可根据市场变化快速迭代，迎合大众最新需求，提供数字人 7*24 小时在线，高质量互动解决客户问题。产品介绍 软件服务、美妆时尚、3C 电子、工厂车间、解决方案等介绍视频活动促销 黑五、情人节、圣诞节等各类国际化节日节点的口播类视频信息流广告 Google、Facebook广告、YouTube、TikTok、Amazon.Instagram 平台视频产品种草 产品讲解、细节展示、对比评测、购买指南等等口播视频内容营销 Google SEO、Facebook 广告、YouTube 视频平台、电商平台广告视34、频教程 客服、支持团队内容、产品操作、Q&A、解释视频等15ICT 服务与软件 2030客服中心长期依赖均被企业定位为成本中心，随着数字化和智能化的逐渐深入，行业发现通过对投诉用户的培育和激活，也能帮助企业持续的获得新的用户裂变及收入，成为智能化时代企业的增收利器：在培育和获客阶段，通过数字人智能外呼取代传统人工外呼，基于 AI 和数据的千人千面支撑下，外呼成功率提升 3 倍，同时外呼效率提升 300%。营销+AI：从“成本中心”到“效益中心”在激活和留存阶段，通过数字人进行对话式产品推荐和解读，并能精准从客户语气识别客户意愿和情绪识别，AHT 减少 50%。录音属性分析:话者分离(单声道)静35、音检测(静音时长、静音比)情绪检测(负向、正常、正向)语速检测(过快/过慢/平均语速)抢话检测(双声道)正常情绪异常情绪业务生疏状态不佳语速过慢语速过快影响服务质量话者分离营销挖掘质检用户语音知识的挖掘了解竞争对手潜在的需求服务态度说话时间等客服语音5s静音（10s）有效通话8s10s17s 在投诉处理阶段，数字人基于业务知识库和语音识别能力可以处理 90%以上的问题，仅 10%的投诉流向人工，FCR 从当前75%90%。客户接入智能应答服务后，系统根据设定与客户实现实时语音交互。后台自动通过知识库系统匹配相关知识点内容。能够匹配到知识内容时系统根据知识内容复杂程度，自动选择直接语音播报或短信36、推送。无法匹配知识内容时系统向客户提示，无法匹配到相关知识点，并转接人工坐席。电话渠道语音网关IVR系统人工坐席语音问答接口ASR语音识别SLB负载均衡NLU自然语言理解后台知识管理业务知识库智能语音机器人系统TTS语音合成匹配到答案未匹配到答案特定情况2030 年，通过大模型的加持，数字化营销将持续向“数字人”智能营销演进，客服中心将从“成本中心”逐步走向“效益中心”，通过大模型的技术实现“数字化业务”的新生产范式，使能行业的业务更敏捷，更灵活的同时，也会持续为企业带来更多的经济效益。1.回访客户4.回复记录3.场景判断2.回复机器人5.电话应答6.维护和查询后台对话记录客服人员智能回访机器37、人4.无法理解客户电话回答业务对话场景（调查问券、电话回访等记录客户回复信息，生成工单工单系统业务场景库16ICT 服务与软件 2030以前的知识体系都是基于人的视角来设计的，所有的知识也基本都是提供给人来学习的，如Word 文 档，PPT，案 例 库，FAQ。由 经 验 丰富的工程师充分实践后形成的知识文档，通过各种形式固化下来，再进行一代代的传承，这种非结构化的知识占据了 50%以上（埃森哲2024 洞察）。当前企业管理这些非结构化数据的有效转化率仅 5%。未来大模型时代需要把这些非结构化知识转化为大模型所需要的知识和经验：Token(LLM),Pitch（帧）。传统的知识经验也缺乏专业的38、团队进行知识需求识别，知识导入，知识审核和展示，以及知识运营和消费管理。保障大模型所学到的知识是最新，最权威的，才能让模型像人一样聪明。除了知识运营机制外，一个基于 Gen AI 的知识赋能+AI：从“基于文档的信息体系”到“基于 Token/Pitch 的知识体系”知识管理运营机制知识识别识别各种生产方式及场景知识导入设计符合知识生产的导入方式知识审核通过审核环节检视和把关内容知识展示设计结构化的知识展示方式知识消费支持各类知识应用场景的消费需求知识运营基于知识的使用数据或效果反馈，进行差异化运营知识下架进行知识内容的下架操作知识需求需求的提出、传导闭环管理，生态思维12345678管理平台39、也是必不可少的，主要用来进行快速的知识挖掘，知识融合以及知识推理，根据埃森哲和普华永道预测，2030 年将会有 55%的企业部署知识管理系统:1.知识挖掘：把日常专家的知识能够快速通过门户网站，平台快速转为成标准化数据，把碎片化知识进行分类整理2.知识融合：围绕不同的角色，进行多维标签关联，做好关键词，标签以及联想式搜索，并融入企业生产流3.知识推理：将各类角色所需要的知识进行推理，结合 Copilot 实现场景化推送，并根据角色反馈建议实现自动召回，自动生成挖掘多源跨域数据碎片知识跨域知识体系因果图融合推理 数据知识化 知识体系化 知识可推理17ICT 服务与软件 2030升级研发专家求助查40、版本文档官网讲座、课程400热线60%30%10%客户/伙伴人找知识传统的赋能体系是基于人类的“碎片化”时间来设计的，以行业用户和伙伴知识获取来看：60%的知识来源于线上找知识，在日常工作中通过行业、咨询公司、厂家官网提供的案例，产品说明书等获取通用知识，人找知识的时间久，且找到的知识满足度也较低。30%通过专家大讲堂，线上线下的课程，通过专家讲解，交流来获取更为高阶的知识，如战略，新平台，新技术等，赋能效果取决于专家水平，同时频率不足，平均每人每年一般为个位数。赋能 AI+：从“人找知识”到“知识找人”10%涉及行业较为私密的技术，普通的从业人员也不具备赋能的机制，只能和厂商研发求助。随着 41、Gen AI 技术逐步向千行百业渗透，知识管理逐步成为行业使用大模型的必备要素。从企业知识生产到入库再到应用均会更为规范化和智能化，同时各类知识应用助手也会融入生产流，在每个环节对不同角色的员工进行实时推送，实现员工工作效率大幅提升；同时，也能将企业的知识持续快速转化为 Token，提供精准的的知识语料对大模型进行投喂，让大模型更智能，更聪明。基于知识管理系统和知识助伙伴浏览或使用内容属性标签：负责的产品等场景标签：勘测、调测、维护关键字标签：属性标签：产品、任职等行为偏好：比如内容偏好，关键字标签：业务数据项目、需求、问题人工标签用户产生运营产生规则配置（标签平台）规则标签业务数据项目、需求42、、问题算法自动打标签内容数据课程、案例、文档AI推荐引擎用户画像内容画像18ICT 服务与软件 2030理的加持，企业员工的赋能将从从传统的“人找知识”到“知识找人”，从之前的碎片化赋能走向基于生产流实时推送的“终身赋能”。知识管理平台将根据员工/伙伴访问记录识别各角色的业务、行为，内容数据，为每位角色做好用户画像和内容画像，对接员工日常作业OA,OSS,BSS 等 ERP 系统，实现在最佳时刻，知识把最适合的知识主动推送给最需要的人。根据埃森哲预测，2030 年 80%的企业知识获取场景将会转移到线上通过自动推送，互动获取，线下赋能将更为针对性，偏重于上机，体验，辩论等实操类课程，线上线下相43、互结合，将更好的助力行业和企业持续推进 TECH4ALL，拥抱智能化时代。下 一 代 的 赋 能 平 台/社 区 产 品 将 具 备 在 线Online、开放 Open、协同 Orchestration 三大特征，旨在实现全球各领域的知识经验快速获取、归纳、分享和提炼：通过在线实时学习，人类获取知识的时间将缩短 90%。跨区域知识共享和协同效率将提升 200%。中级工程师培养周期将缩短 5 倍（3 年 6个月）。19ICT 服务与软件 20300203ICT 服务与软件 2030 愿景及核心技术1.时空数字孪生：移动通信系统的网络优化涵盖一类难以统一建模的技术问题，参数往往是相互依赖或相互矛盾44、的，因而难以建立全局性的优化模型。TAZ 基于用户、业务、网络识别和业务类型分布差异，差异化设置每簇速率保障目标，挖掘每簇潜力，提升运营商收益，为网络服务模型提供实时数据，采集效率从当前的小时级到分钟级，如：无线信道统计模型：采集海量场景化波束级数字孪生测试数据，从网络数据中提取多径信道统计特征，建立信道模型 用户流量分布模型：采集用户流量分布统计数据构建图神经网络建模地理相关性和LSTM 建模时序相关性 用户体验模型：采集基站响应及用户速率、时延数据，构建通信知识+数据驱动的模型调优能力数字孪生时空数字孪生 网络实时数字孪生NPS 平台 ODA 平台网络服务通用大模型 网络服务行业模型模型使45、能平台 Agent 平台以业务为中心模型驱动平台智能化平台知识管理平台基于 MFU 的系统工程知识体系ICT 融合交付ICT 服务与软件2030 关键技术20ICT 服务与软件 2030运筹优化算法用户流量分布模型基站响应、用户体验模型无线信道统计模型海量场景化波束级测试数据用户流量分布统计数据基站响应及用户速率、时延数据从网络数据中提取多径信道统计特征，建立信道模型流量分布:1.图神经网络建模地理相关性2.LSTM建模时序相关性通信知识+数据驱动的模型调优2.网络实时感知孪生：测量网络问题对业务的影响，关联不同业务的物理世界和数字世界之间的关系，实现 KQI 和 KPI 之间的梳理，实现每个46、操作和变更对业务的直接影响可视可管：基于业务目标明确算法：基于业务需求，通过 SRE 可靠性理论构建 EDNS 计算逻辑，实现客户业务减损逻辑计算 网络系统模型：从网络到资源到业务的影响建模分析，实现每个网络故障及操作和业务的关联度模型和算法设计 基于事件流进行准确的故障处理，减少传统虚警占比高，精准以业务为中心的运维实际获得需求期望获得需求理论：Google SRE理念和petril网可靠性理论 影响：流量损失、用户投诉原因：网络问题结合原因和后果调配运维资源实时网络故障/配置-用户业务关系建模EDNS(Expect Demand Not Satisfied)用户服务不满足度AS IS:工单47、流To Be：事件流远程自动修复FMA上站BO分析网络问题-网络性能-用户业务的影响关联模型网络隐患影响度分析模型网络操作影响度分折模型设备故障影响度分析模型日常巡检网络拨测网络各类数据工单关单工单处理工单定位工单生成网络告警运维目标网络用户服务满足度EDNS计算网络问题分解关联与影响评估网络系统模型基于事件的运维资源调度运维流程改变21ICT 服务与软件 20301.网络服务 LLM 模型：评估全球主流基础大模型，如 llama3,Mistral，文心一言，智普等通过提前适配和预训练，汇聚行业公共知识如 C114,万方，产品指导书，案例库，考试库等，让其具备 ICT 服务基础知识，为行业升维48、打好基础，让大模型具备高中生的行业知识水平，解决非结构化知识的处理以及训练模型驱动网络服务通用大模型：构建一个懂 ICT 协议，信令语言，懂规建维优营和 OSS/BSS 的行业通用模型，以解决更为复杂的业务问题，具备复杂任务 COT 链的理解能力和 99%以上的精准度，实现结构化数据的知识体系，让其具备本科生的行业知识水平，相比 LLM 语言模型，训练参数大量减少，通过 7B，10B等小尺寸大模型微调和 RAG 可快速部署支撑运营商/行业客户进行生产AI Agent智能体工作业务能力流程方法工具网络服务通用大模型现网知识与数据客户术语提示工程微调导师指导项目经验培训预训练技术服务专业知识产品文49、档通识知识基础大模型通信系本科生新员工百科期刊论文通信知识门户网站知识（知乎、百度知道、百度百科）网络服务LLM大模型技术服务案例案例网络数据工程师边：智能板2.0通用计算硬件NPU云侧模型预测能力全局视野全场景泛化基础网络大模型全球网络数据预训练的维优一体大模型模型下发，本地微调网络环境信道模型全面提升网络性能业务流量预测模型“网随业动”，资源高效分配Next网络状态预测模型业务影响精准分析完整模型导入，大规模NPU推理内生智能内生智能内生智能信道估计准确性提升流量变化规律RF优化，产品协同特性性能大幅提升事前精准推演预防事后主动隐患监控分析基站时频资源合理分配22ICT 服务与软件 20350、0集 群 规 模(n）越 大，单 次 故 障 的 指 标（如MTBF,MTTR）对 集 群 可 用 度 的 影 响 越 大。2024 年 Meta LLama3 数十万卡训练集群报告：54 天训练，发生 466 次作业中断，平均每天中断 8 次；41%中断为软件异常、电缆问题，网络故障等。未来 OPEN AI 星际之门计划需要 100 万卡，对集群的性能要求 MFU 将会越来越高，每中断一天，经济损失将达到上亿元。解决此问题需要持续提升集群集成和运维的两大指标：1.集群线性度：和网络链路的稳定性（时延、性能、配置一致性等），NPU卡亚健康等有关。强依赖 部署模型、配置优化，例行的亚健康治理与维51、护。2.集群可用度：主要由四个指标组成：单次故ICT 融合交付障 MTTR(h)，f=集群单节点异常率，n=作业占用节点数，x=作业时长。要实现训练和推理高可用，算力集群可用度&MFU 最佳，需要构建三大集成能力。3.全局负载调度多级调度：Global Region 节点。4.确定&有竞争力的集群可用度：故障、亚健康提前感知，主动维修；4K+集群稳定运行 30+天；支持断链续训，单卡异常作业零感知。5.高性价比的线性度网络，AI 计算，存储性能优化；硬件流水线支撑亚健康与故障的感知、隔离与修复。单次故障MTTR时长（小时）备注：1）集群规模(n)越大，单次故障(MTTR)对集群可用度的影响越大52、；2）故障7天/168小时，1K集群时对MFU的损耗系数为83.59%；如果集群扩大到1W，对MFU的损耗系数为29.79%1K2K4K6K8K1W120.00%100.00%80.00%60.00%40.00%20.00%0.00%0.170.330.501.004.008.0012.0024487296120144168故障MTTR&集群可用度关系23ICT 服务与软件 2030数据是大模型训练和推理的基础，目前大模型的实践，85%的企业都会遇到学得慢，不容易学的困难，核心原因就是大模型所需要的数据工程需要在数据范围、数据质量、训练效率多方面形成领域模型护城河，共 9 类核心技术：数据工程53、1.领域复杂流程类数据解析技术：实现不同类型（信令协议交互/告警因果图/流程）的复杂文本化信息抽取和输出，实现解析内容提取准确率 80%+2.多模态复杂信息 tokenizer 技术：基于视觉模型的版面分析能力，结合文本匹配、表格解析等多模块融合抽取文本，PDF 内容提取准确率 95%+3.领域数据高效合成技术：实现领域高质量数据的自我成长：从无标注到有标注，从无CoT 到有 CoT，实现领域典型场景的数据扩充 10 倍4.数据质量自评估技术：预训练数据自动评估，保证质量&提升效率，数据完整/准确/一致/及时性等 6 性评估，实现 100%数据质量自评估5.领域数据增强技术：增强样本扩充训练数54、据集，内容语义正确完整&文本多样性增强，提升模型训练效率，实现数据多样性提升 10 倍6.知识定位寻源技术：建立模型能力/参数/数据关联，相互提升，能力短板针对性定位&增强数据，实现数据 bad case 定位效率提升 10 x 7.最优数据配比技术：突破增训场景下通用与领域数据、领域不同数据配比 model scaling技术，loss 最优下降，实现模型训练效率提升 50%8.数据课程学习技术：学习顺序 curriculum learning 影响模型的最终效果，利用 scaling law 求解最优学习顺序目标，实现领域知识答准率提升 30%+9.数据退火训练技术：构建最优领域数据子集，55、通过多阶段训练与训练末期的最优数据退火，大幅提升模型能力，实现退火速率 5x 数据配比(不同类型知识的比例)和数据质量(多维度的数据质量评分)决定了模型的寻优方向，进而影响 loss 取值&模型能力问题:数据缺失、领域数据分布不均、信息密度参差不齐、配比不合理等关键问题.实践发现:学的慢(训 1000 亿 token，loss 未降到最低)、不容易学(产品配置见过 4 次，但不理解含义)类别五:产品知识类别四:领域基础知识类别三:案例经验类别二:个人博客类别一:通用知识导致口语化结构简单专业性弱噪声大24ICT 服务与软件 2030NPS 数字化分析平台：要实现以业务为中心的体验管理，主要的难56、题就是如何通过数字化的方式如何发现问题，判断影响范围以及做好优化模拟器：1.基于 KANO 理论，识别推荐型和贬低型用户，以它们为样本框分别展开 SL 回归分析，明确不同因素的奖惩驱动力2.基于对贬低和推荐分别的驱动力推导出对NPS 的整体影响力，即对各体验指标提升10%，将带来多少 NPS 的上升以业务为中心3.需要提供模拟器，协助评估改进或降低相关指标表现时将带来 NPS 怎样的变化，以有的放矢地制定相关策略目标业界的普遍做法是通过建模和分析，明确各指标的奖惩驱动力，通过与满意度的矩阵交叉分析，诊断需重点保障的奖励因子和优先改善的惩罚因子，对具体指标的改进优先级和具体措施分析，将结合对满意57、度的驱动力，痛点发生率和客户推荐、不推荐理由的提及情况索赔处理清晰的联系点理解需求服务的可靠性积极响应随时通知我服务速度容易联系配件易获得产品设计相机质量设备的可用性电池显示CPU速度信任口碘好技术领先专业稳定性可见度（广告/赞助）著名品牌目前表现平均分/10使得贬低型客户减少.0%-1%-3%-2%-2%-3%-3%-4%-3%-5%-2%-1%-4%-4%-6%-8%-5%-5%-5%-4%-4%-4%-4%7.57.59.07.47.57.77.77.57.68.18.47.57.57.87.47.77.57.48.17.27.57.58.0使得赢得额外的推荐型客户1%2%1%3%3%458、%5%4%6%6%6%5%3%4%2%3%5%1%7%3%4%4%5%提升一个驱动因素10%的表现将会减少.华为的贬低型客户提升一个驱动因素10%的表现将会产生.华为的推荐型客户25ICT 服务与软件 2030ODA 运维平台：尽管 CSP 们早就构建了可以集成多家厂商组件的 IT 系统，但这些组件一般都来自各类通信和软件厂商。随着现在 CSP们在一个更大的舞台上竞争，集成来自通信业以外的其他组件的能力也变得必不可少。当一种与客户交互的新方式（如：大模型Agent）可用时，等待其“通信业专用版本”出现是不现实的。另外随着开源项目的兴起，如 ONAP、OSM（开 源 MANO）和 Open Ba59、ton，任何多厂商的定义都必须包括开源软件。许多 CSP 也开始在未来 IT 系统中拥抱开源。TMF 下一代 OSS 架构 ODA 也是在试图解决此类技术问题 云 组 件：要 求 新 开 发 的 应 用 作 为 遵 循ODA 标 准 接 口 和 规 范 的 云 组 件(cloud component)，统 一 在 共 享 库(common repository)中管理 DevSecOps:自动化的软件版本验证与发布平台。ODA 组 件 库 由 6 个 子 域 构 成，分 别 为：承 载 核 心 流 程 的 Party,Core commerce,Production 以 及 辅 助 支 撑 业60、 务 流 程 的Decoupling&Integration,Engagement,Intelligence.，组件库呈现了全套 BSS&OSS组件的全景，其中已初步定义功能内容的组件（即具有编号的组件）共计 28 个。大部分分布在 Production 和 Party 子域这些新特征为运营商跨边界大规模管理数字化生态系统提供了可能性。比如，全球化汽车制造商可以跟多家 CSP 就自治和车联网协议达成一致。ODA 还考虑了独立项目中不会考虑到的未来关键需求和概念，如拥有 AI 能力、BSS/OSS的架构统一以及统一以数据为中心的方法。The era of Digital Transformati61、on is over.The industry needs a new north star.Traditional Telco Era1980s-2013Operations(processes&people)Operations(people&basic automation)Network(programmable)Open Digital Architecture(new BSS)Network(physical)OSS(Naas)BSSOSSCSP domainCSP domainDigital SP domainPartner domains Single business mod62、el for connectivity Product centric,people intensive processes One or more tech stacks per product Connectivity+VAS business model Basic automation of processes Rationalized tech stack,cloud migrated Business-model and service agnostic On-demand bundled services and capabilities Defend&grow revenues63、Source:TMF Strategic Review 2023,12DigitalSP Era2013-2023AI-DrivenSP Era2024-2030sAI-Driven OperationsValue-stream&experience driven,augmented intelligenceOpen Autonomous InfrastructureConnectivity(5G/6G/Fibre/Satellite/other)+Cloud+AI+IoTAI-Driven Open Digital ArchitectureModular,Plug and Play,Micr64、o-service oriented,AI-Ready Decoupled,modular OSS(disaggregated)Intelligent Management&Orchestration Open Autonomous Networks26ICT 服务与软件 2030面向未来海量智能体，需要构建基于 ICT 服务和软件行业的模型使能和 Agent 平台，每个客户均可以基于框架快速开发运营自身的行业大模型和 Agent，开箱即用，模型训练资产可快速基于不同场景进行复制模型使能平台：模型使能服务包括 5 大服务，模型选择，知识管理，模型训练/精调，模型评估，模型压缩和推理服务，海外已65、经形成完整的 LLMOPS 体系和开源工具链，百度、智普也在国内基于开源体系尽快构筑自身的工具能力，基于银行，互联网等行业快速孵化自身模型使能服务包和平台智能化工具链平台智能化AI 智能体平台：包括感知，思考，执行三大能力1.通过感知能力：用户任务获取/环境状态感知/反馈检测，支撑智能体获取所需要的信息，如数字孪生，智能板，IOT 等2.思考能力：规划推理能力/知识学习能力/记忆存储能力，支撑智能体可参考人类思考的 COT 模式进行分析决策3.执行能力：文本回答/API 等编程类工具使用/实体化工具使用，实时调用传统小模型等工具获取“手和脚的执行”能力PerceptionActionAgent66、BrainEnvironmentTextText.ToolsStorageGeneralize/TransferDecision MakingCalling API.MemoryKnpwledgePlanningReasoningSummaryLook at the sky,do you think itwill rain tomorrow?If so,give the umbrella to me.Reasoning from the currentwrather conditions and theweather reports on the internet,it is likely t67、o rain tomorrow.Hereis your umbrella.RecallLearnRetrieve.Embodiment.镜像管理预置算法Web IDE（JupyterLab）现场/远程调测样本数据集预置领域模板预置 AI 通用服务AI 应用AI 资产技术架构数据管理算法开发模型训练模型管理模型服务数据筛选数据标注多人标注智能标注自动化标注标注审核分布式集群训练训练状态可视化训练任务可视化断点续训自动机器学习超参优化模型仓库模型评估模型诊断模型转换对比评估服务发布在线服务批量服务服务管理服务监控数据ModelFoundry导航式建模边缘27ICT 服务与软件 2030智能化实现的68、关键是传统“业务人才”和新型“智能人才”的双向奔赴，要让机器学会向“人类”一样思考，首先要各领域的业务专家学习 AI，了解 AI，才能更好的促进智能化转型的进程面向 2030，智能化将变得更加平等，开放和安全，让每个人，每个组织都能享受新的技术红利，快速实现基础设施、业务、人员的全面升级让我们共同努力，一起奔赴智能化新时代！ICT 服务与软件 2030 倡议020428ICT 服务与软件 2030附录（参考、缩略语）缩略语英文全称中文全称Gen AIGenerative AI生成式 AIAGIartificial general intelligence通用人工智能AIOpsArtificia69、l Intelligence for IT Operations智能运维IMTInternational Mobile Telecommunications国际移动通信MOSMean opinion score平均意见值MFUModel FLOPs Utilization模型算力利用率TTMTime to Market产品上市周期SLAService Level Agreement服务质量协议LLMLarge Language Model大语言模型IoTInternet of Things物联网MOPmethod of procedure实施方案文档5G5th Generation of mo70、bile communication第五代移动通信TECH4ALLTECH4ALL initiative数字包容行动计划SRESystem Reliability Engineer系统可靠性工程师COTChain of thought思维链KQIkey quality indicator关键质量指标TAZTraffic Autonomous Zone流量自治域EDNSExpected Demand Not Served用户期望未被满足OAOffice automation办公自动化ERPEnterprise Resource Planning企业资源计划RAGretrieval-augment71、ed generation增强检索生成FCRFirst Call Resolution首次呼叫问题解决率AHTAverage Handing time人工平均处理时长Prompt提示词工程Agent智能体29ICT 服务与软件 2030华为技术有限公司深圳龙岗区坂田华为基地电话：+86 755 28780808邮编：免责声明本文档可能含有预测信息，包括但不限于有关未来的财务、运营、产品系列、新技术等信息。由于实践中存在很多不确定因素，可能导致实际结果与预测信息有很大的差别。因此，本文档信息仅供参考，不构成任何要约或承诺，华为不对您在本文档基础上做出的任何行为承担责任。华为可能不经通知修改上述信息，恕不另行通知。版权所有 华为技术有限公司 2024。保留一切权利。非经华为技术有限公司书面同意，任何单位和个人不得擅自摘抄、复制本手册内容的部分或全部，并不得以任何形式传播。商标声明 ，是华为技术有限公司商标或者注册商标，在本手册中以及本手册描述的产品中，出现的其它商标，产品名称，服务名称以及公司名称，由其各自的所有人拥有。

    下载