1.1 综述
全球AI发展由中美欧主导，呈现“东西”两大生态，各有特色。美国以规模法则驱动模型扩大，新摩尔定律支撑算力增长，推动AI赋能消费与生产端。中国AI发展由国家政策支持，通过东数西算、智算中心建设，推动数算融合、算网融合等。欧盟则计划通过《人工智能大陆行动计划》，成为全球AI领导者。
1.2 趋势1：AI规模化向高阶演进
- 新摩尔定律与算力规模化：智能算力增长速度远超摩尔定律，算力规模持续扩大，中美在算力领域竞争激烈。
- 扩展律与模型规模化：扩展律推动模型训练规模扩大，但面临算力、数据、算法等瓶颈，后训练和推理时计算成为新方向。
- 开源、生态、市场发展：开源模型降低AI获取成本，推动AI部署多样化，AI应用场景加速普及，市场发展迅速。
- 算力能耗规模：算力高能耗问题突出，电力供应成为制约因素，硬件能效提升和新型算力技术成为发展方向。
1.3 趋势2：计算与通信的失衡与再平衡
- 用户视角的数据流量发展：AI发展推动用户侧数据流量增长，包括MaaS、AI终端、AI智能体等应用场景。
- 深层视角：神经网络流量：AI任务产生“神经网络流量”，对网络提出新需求，需要网络具备高带宽、低延迟、高弹性等特性。
1.4 趋势3：AI与ICT的双向赋能
- AI大小模型赋能ICT：AI赋能网络基础设施、网络运维和运营，推动自智网络发展。
- ICT基础设施因AI训推而改变：AI发展改变传统机器学习时代的设计方式，需要高可扩展性网络和分布式体系。
- 模型赋能数据：私域数据开发利用成为趋势，世界模型概念作为数字孪生下一阶段形态。
- API资源赋能任务智能：Agentic AI通过API整合异构资源，实现跨行业AI横向拓展。
- 物理/具身智能，碳基硅基协同进化：物理/具身智能体发展迅速，与ICT基础设施协同进化。
2 AI与ICT融合的技术需求
- 全能模型的获取、部署和协同：丰富的模型技术体系提供全面能力，模型获取、协同、使用和后训练成为重点。
- AI框架：AI框架如同智能时代的操作系统，训练框架和推理框架是关键技术。
- 从数据管理、开发、探索到世界模型：模型生命周期数据需求、私域数据开发、世界模型探索是数据领域重点。
- 智算中心(AI-DC)网络：算力集群和多场景扩展，AI训推对AI-DC的需求，AI-DC网络技术体系。
- 深度神经网络和NetGPT：AI赋能网络技术体系，大模型NetGPT全面赋能网络场景，AI-RAN发展趋势。
- Agentic AI：Agent构建AI赋能体系，智能体通信网络，Agent赋能数智化转型，物理和具身智能体。
3 聚焦7个重点战略方向
- 战略引领：夯实AI+6CMQ总体发展战略根基。
- 6G-AI创新研究：在6G、光网络领域开展AI相关创新研究。
- 数字化转型GenAI“深度融合”：打造AI算力、模型、数据、框架、智能体应用基础平台。
- 生态合作与标准推动：结合标准组织，打造AI领域的发展环境，开展产业合作。
- AIDC：把握AIDC技术需求，提供优化的基础网架构模式。
- AI-RAN：深度挖掘价值场景，探索A-RAN computing。
- 高阶自智：建立智能体体系，推动现有业务流程和能力向高阶自智网络演进。
- 工业智能体：打造工业场景下的具身智能与企业数字化生产的深度融合。
3.2 全面推进AI战略实施
- 系统规划演进路线：实现从战略引领->创新驱动->生态合作->能力发展->产品研发->市场部署的端到端可持续战略闭环。
- 夯实数据和技术基础：加强数据、模型、算力等领域的基础建设。
- 加强市场和生态对接：加强市场发展，推动标准制定，开展产业合作。
总结与展望
AI发展浪潮下，通信/ICT与AI的融合发展面临挑战和机遇。通过聚焦战略重点，夯实数据和技术基础，加强市场和生态对接，可以实现AI与ICT的深度融合，推动社会发展和产业进步。
