2025年3月28日，上海移動(dòng)聯(lián)合華為發(fā)布了基于DeepSeek的核心網(wǎng)MoM(Mixture of Model)運(yùn)維智能體試點(diǎn)方案，開(kāi)創(chuàng)性地將快思考、慢思考大模型混合架構(gòu)融入運(yùn)維領(lǐng)域，實(shí)現(xiàn)了網(wǎng)絡(luò)事件的智能化分級(jí)處理，簡(jiǎn)單問(wèn)題“快”響應(yīng)，復(fù)雜推理“慢”思考。傳統(tǒng)通信大模型在處理如分類和總結(jié)等簡(jiǎn)單問(wèn)題時(shí)優(yōu)勢(shì)明顯，但在處理如時(shí)序數(shù)據(jù)異常識(shí)別和故障診斷等邏輯推理類任務(wù)時(shí)比較乏力。此次雙方在DeepSeek推理大模型方面的合作探索，旨在有效解決“快思考”的直覺(jué)陷阱，實(shí)現(xiàn)復(fù)雜問(wèn)題的深度處理，為核心網(wǎng)運(yùn)維轉(zhuǎn)型注入新的動(dòng)力，標(biāo)志著核心網(wǎng)運(yùn)維智能體正式進(jìn)入了新階段。
DeepSeek大模型自推出以來(lái)，憑借其高性能推理、低成本部署和廣泛適用性迅速成為行業(yè)焦點(diǎn)，在數(shù)學(xué)、代碼等強(qiáng)推理領(lǐng)域表現(xiàn)突出，其慢思考模型可以很好的解決強(qiáng)推理的問(wèn)題，但核心網(wǎng)運(yùn)維場(chǎng)景復(fù)雜多變，需求不盡相同，運(yùn)維人員面臨既要處理快，又要分析準(zhǔn)，還要強(qiáng)推理的多重壓力。采用單一模型對(duì)于響應(yīng)實(shí)時(shí)能力和強(qiáng)推理能力無(wú)法兼顧，不能覆蓋所有的核心網(wǎng)運(yùn)維場(chǎng)景。
上海移動(dòng)和華為基于對(duì)核心網(wǎng)運(yùn)維領(lǐng)域的深刻理解，以及在大模型/智能體技術(shù)方面豐富的技術(shù)和實(shí)踐積累，圍繞核心網(wǎng)運(yùn)維的關(guān)鍵痛點(diǎn)和場(chǎng)景，積極探索DeepSeek在核心網(wǎng)運(yùn)維專業(yè)的應(yīng)用，首創(chuàng)了真正適用于核心網(wǎng)運(yùn)維領(lǐng)域的MoM(Mixture of Model)智能體架構(gòu)，充分整合了傳統(tǒng)通信大模型快思考和DeepSeek推理類大模型的慢思考優(yōu)勢(shì)。
簡(jiǎn)單問(wèn)題“快”響應(yīng)：針對(duì)告警處理，投訴分析，配置生成等高頻場(chǎng)景所需的分類、提參和總結(jié)類任務(wù)，基于通信專業(yè)模型實(shí)現(xiàn)快思考，秒級(jí)輸出結(jié)果，并保證90%以上的準(zhǔn)確率。
復(fù)雜推理“慢”思考：針對(duì)網(wǎng)絡(luò)變更，網(wǎng)絡(luò)優(yōu)化，日常運(yùn)維分析等場(chǎng)景所需的規(guī)劃、推理類任務(wù)，基于DeepSeek推理模型實(shí)現(xiàn)強(qiáng)邏輯思考規(guī)劃，輔助運(yùn)維人員實(shí)現(xiàn)復(fù)雜任務(wù)處理。
一次思考，長(zhǎng)期收益：新場(chǎng)景第一次通過(guò)慢思考形成思維鏈(CoT：Chain of Thought)，后續(xù)類似問(wèn)題可以基于CoT實(shí)現(xiàn)快輸出，實(shí)現(xiàn)系統(tǒng)整體效率最優(yōu)。
相對(duì)于傳統(tǒng)的單模型智能體架構(gòu)，MoM可以突破場(chǎng)景限制，實(shí)現(xiàn)核心網(wǎng)6大運(yùn)維場(chǎng)景(告警處理、投訴處理、應(yīng)急搶通、網(wǎng)絡(luò)變更、業(yè)務(wù)開(kāi)通、日常運(yùn)維)全場(chǎng)景AI+覆蓋。上海移動(dòng)和華為首階段創(chuàng)新圍繞“基于自然語(yǔ)言推理的告警壓縮”、“基于強(qiáng)推理的時(shí)序數(shù)據(jù)異常識(shí)別”和“基于思維鏈CoT的故障診斷”三大價(jià)值場(chǎng)景展開(kāi)，應(yīng)用后預(yù)計(jì)平均推理時(shí)延降低50%，資源消耗降低30%。
基于自然語(yǔ)言推理的告警壓縮：日常運(yùn)維中常常會(huì)出現(xiàn)因網(wǎng)絡(luò)異常導(dǎo)致的海量網(wǎng)元告警，數(shù)量短時(shí)間內(nèi)可能達(dá)到萬(wàn)級(jí)，運(yùn)維人員需要快速判斷根因告警的收斂、壓縮、根因溯源，壓力巨大。通過(guò)引入DeepSeek的強(qiáng)推理能力，實(shí)現(xiàn)網(wǎng)絡(luò)拓?fù)渥詣?dòng)理解，千級(jí)告警分鐘級(jí)溯源，緩解運(yùn)維人員在處理海量告警問(wèn)題時(shí)的壓力。
基于強(qiáng)推理的時(shí)序數(shù)據(jù)異常識(shí)別：核心網(wǎng)的KPI數(shù)據(jù)屬于典型的時(shí)序數(shù)據(jù)，很多故障現(xiàn)象和業(yè)務(wù)變化等都隱藏在時(shí)序數(shù)據(jù)中，傳統(tǒng)處理方式需要人工借助專用的工具進(jìn)行時(shí)序數(shù)據(jù)的分析，從中找到異常根因或者規(guī)律。DeepSeek的引入實(shí)現(xiàn)了對(duì)時(shí)序數(shù)據(jù)的自動(dòng)、例行分析，借助強(qiáng)大的代碼生成能力，同步實(shí)現(xiàn)異常數(shù)據(jù)圖表的可視化。
基于思維鏈CoT的故障診斷：面向KPI劣化等復(fù)雜故障場(chǎng)景，傳統(tǒng)方式主要依賴運(yùn)維專家基于經(jīng)驗(yàn)和故障線索進(jìn)行推演，存在耗時(shí)長(zhǎng)、技能要求高等問(wèn)題。DeepSeek引入后，通過(guò)KPI劣化場(chǎng)景定界CoT激發(fā)DeepSeek在核心網(wǎng)運(yùn)維領(lǐng)域定界的強(qiáng)推理能力，實(shí)現(xiàn)異常線索的快速推理，在初期給運(yùn)維人員提供診斷建議，后期經(jīng)過(guò)長(zhǎng)期的CoT積累和運(yùn)營(yíng)后實(shí)現(xiàn)KPI劣化場(chǎng)景自動(dòng)診斷。
上海移動(dòng)與華為此次在核心網(wǎng)MoM(Mixture of Model)智能體架構(gòu)上的技術(shù)突破破解了運(yùn)維領(lǐng)域的“效率-精度”悖論，標(biāo)志著核心網(wǎng)運(yùn)維智能體進(jìn)入了新的階段。面向未來(lái)，中國(guó)移動(dòng)與華為將持續(xù)加大在大模型和智能體等新技術(shù)方面的探索投入，最大程度激發(fā)AI在核心網(wǎng)運(yùn)維方面潛力，推動(dòng)核心網(wǎng)加速邁向自智網(wǎng)絡(luò)(AN)L4。 
