[哥本哈根，丹麦，2024年6月19日] 在TM Forum DTW24期间，自智网络全球产业峰会成功举办，中国移动、TM Forum、Vodafone、Telefonica、华为以及学术界代表等公司的领袖代表齐聚一堂，共同探讨高阶自智网络的进阶之路。图灵奖得主Joseph Sifakis教授受邀参加本次峰会，并做了《Towards AN L4 – Marrying AI & Communication Networks》的主题演讲。
图.Joseph Sifakis
在过去的几年里，智能感知、分析预测、智能运维等技术的进步促进了自治系统在各行各业应用加速。自动驾驶汽车领域相对成熟，而其他领域包括自智网络的进展则是循序渐进的。随着生成式人工智能（Gen-AI）的出现加强了当前的产业趋势，但自治系统的可信度保证仍然是一个不可避免且具有挑战性的目标。
自智网络是最复杂、最难构建、运行和维护的系统。它包含实时的分布式多智能体（Multi-agent）、它高度动态且可重构，它永不停歇并不断进化，它还必须适应不断变化的环境和用户需求。而进化性和适应性则意味着系统设计态正确性和运行态的正确性之间的重要区别。
此外，自智网络是基于资源层、业务层、商业层分层构建，且具有传感器、特定硬件、服务器、应用软件和云等高度异构的组件。
在自智网络向高阶L4演进中，有以下四点关键技术建议：
在自智网络中集成智能体架构；
通过知识提升智能体的智能化水平；
确保设计态和运行态正确性，并取得适当平衡来实现系统可信任。
通过智能体间共生的交互和协作实现群体智能。
一、自智网络智能体架构，该架构可以将智能体行为描述为各种功能的组合。
自智网络智能体是一个响应式系统，它利用传感器（Sensors）和执行器（Actuators）与周围环境持续互动。另外还包括态势感知（SITUATION AWARENESS）、智能决策（DECISION MAKING）、自我认识（SELF AWARENESS）、世界模型（WORLD MODEL）几个重要模块。
态势感知包括感知和分析两个功能。感知是对环境和状态变化的解析；分析是建立对感知状态的预测模型。
智能决策包括目标管理和规划执行两个功能。目标管理是根据预测模型的状态选择适用的目标；规划执行则针对给定的选定目标生成要执行的行动序列计划。
以上这些功能（感知、分析、目标管理、规划/执行）的组合提供了智能体对环境变化的闭环响应。除此之外，智能体还应该根据知识的更新表现出主动行为，以应对意图和目标变化。这是通过世界模型和自我认知模块来实现的。通过不断分析智能体的感知状态，管理意图和新目标的出现，并将其传递给智能决策模块。主动行为对于调整和重新配置资源以应对环境变化（危险、不可预测的情况）非常重要。
二、实现智能体智能，AI组件可以分为四种不同的用途。
首先是对话类：AI以问答模式与系统进行交互，辅助人类解答问题，其关键技术是大语言模型（LLMs）；
再有是分析和预测：通过AI监控器，即持续观察网络行为并能够分析复杂情况（如网络中的警报管理）或对系统或其环境中的相关事件进行预测。需要强调的是，此类AI监控器将采用传统的 ML 或基于规则的技术（模拟人类的运行与维护专业知识）来开发；
最后是决策：需要端到端AI控制器，能与环境互动，显示出意识并采取行动，以实现完全自主行为的目标。这就需要用到不同类型AI的混合体。以上四种用途不是替代关系，他们是长期共存相互配合的。
大语言模型（LLMs）的出现吸引了人们对AI智能体越来越浓厚的兴趣，并呈现出以下趋势。
从单一的端到端模型转向具有世界模型的架构。这些模型包含的知识可用于估计感知未提供的有关世界状态的缺失信息，以及预测世界未来的合理状态。
将机器学习(ML)和符号计算联系起来，这对实现自主人工智能至关重要。在这个方向上有两种方法：
·方法1：符号计算可以从越来越强大的机器学习中产生；
·方法2：必须从一开始就硬编码符号推理，例如神经符号技术。
仅有 LLMs 是不够的：人们普遍认为，尽管LLMs 为建立智能体提供了坚实的基础，但还应通过将 LLMs与特定领域的知识联系起来来增强其准确性和预测能力。
综上所述，自智网络L4的演进不是一蹴而就的，需要分AN Assistant、AN Agent、AN Multi-Agent几个阶段逐步实现。我们必须意识到，人工智能之于通信网络的产业革命才刚刚开始！实现自智网络的目标愿景在很大程度上取决于我们是否有能力：
弥补基于模型的传统工程流程与数据驱动的系统开发之间的差距；
实现涵盖从对话到预测、分析和自主人工智能组件的所有需求；
确保评估、预测和决策的可信任度。
我们需要开发通信网络领域的人工智能基础设施、组件和工具，包括：
通信网络通用数据基础设施和技术：用于识别必要的数据，确保数据干净整洁、标签清晰并富含相关元数据；
建立准确的人工智能模型的方法，这些模型在统计学上符合其训练数据集；
集成 LLM 或 SLM 的 RAG 解决方案，以提高其稳健性和精确性；
增强世界模型包含对 LLM 所提供知识的补充。
同时，我们需要开发混合可信任参考架构，以求：
在传统组件和人工智能组件之间寻求权衡；
在设计态的正确性与运行态的确定性技术之间取得适当平衡；
无缝集成被动闭环行为和主动意图驱动行为；
通过基于知识的决策和优化实现认知自适应。
最后要强调是要加强互操作性、连通性和分布式智能技术开发，以实现自智网络可信赖和具有成本效益的网络运营。
