摘要

  • 技术为每个用户预测吞吐下降，并在体验恶化前调整频段等网络配置。
  • 以商用网和本地 5G 试验场数据为基础的模拟中，DOCOMO 与 Samsung 报告下降频率从 13.1% 变为 7.2%，改善 5.9 个百分点。

控制单位从小区变成用户，意味着网络不再对同一小区所有手机使用一套配置。模型学习移动与业务模式，预测视频卡顿等风险并提前换配置。这可能改善一个人的体验，也可能把共享频谱从另一个人或业务移走。

2026 年 1 月的结果是基于商用网与本地试验数据的模拟验证，不是商用网自主运行。13.1% 到 7.2% 是公告中的发生频率比较，不能写成所有场景都提高相同比例，也不能证明因果在现场反馈闭环中仍然成立。

实验分母尚不完整。公告没有样本人数、观察期、地区、下降阈值、设备和业务分布，也没有说明对照组、训练与评估隔离、重复用户权重和统计不确定性。缺少这些结构，其他网络无法判断结果是否可迁移。

错误账本更关键。预测可能正确且有益、正确但无需动作、错误且有害，也可能漏掉真实下降。应披露误报、漏报、配置改变次数、真正改善比例、恶化比例和恢复时间。平均值向好时，小群体仍可能被反复错误调整。

资源外溢必须跟踪。把某个用户切换到另一频段可能增加那里的负载，改变同小区其他人的体验。现场试验应同时观察接受动作的用户、同小区未接受动作的用户和整体，并按设备、移动、业务与地区拆分。公平不是人人速率相同，而是资源与伤害分配规则可见。

选择性采集 MDT 数据有助于减少网络负担，但治理尚需证明。需要说明采集字段、保留期限、模式能否重新关联、访问方、纠错渠道，以及如何抵抗被篡改的遥测。数据最小化应是可审计的技术和政策约束。

运营需要确定性逃生口。模型置信度不能是唯一刹车，还要有变更预算、金丝雀人群、已知安全配置、人工覆盖和自动回退。每次动作都应留下预测、配置、结果和撤销回执，并监控新设备、系统、季节和移动模式带来的漂移。

下一步应是受控现场试验，公开完整分布、误判、受损用户、资源外溢、采集开销、算力与能耗。现场闭环会让今天的动作改变明天的数据，只有在这种环境中验证，才能评价自主控制。

AI 可以在客户感知下降之前动作。商用门槛不应只是平均指标更好，还要证明动作有界、公平、可审计，并能在错误时安全撤回。

来源