人工智能(AI)被普遍认为是数字化转型的关键组成部分,部署AI在很大程度上由5G及相关服务的复杂性驱动。云端无处不在的特性及其更实惠的计算资源促进了电信公司和其它公司采用AI。

最近,NVIDIA调查了中国在内的全球400多名电信行业专业人士对其公司和行业内实施基于人工智能的实践的机遇和挑战的看法。

本报告总结了关键的调查见解,并对于2023年电信行业中人工智能的定义、投资决策和实施方法进行了详细说明。
尽管调查结果显示人工智能备受关注,但电信行业仍处于人工智能采用的早期阶段且需要支持以获得明确的投资回报。
人工智能在电信领域的机遇与挑战
根据调查显示,电信业界对AI的重视程度非常高,行业相关方明显对AI表现出浓厚兴趣。
然而,在调查中,只有34%的受访者表示他们已经使用AI超过六个月,23%的受访者说他们还在了解不同的AI应用场景,18%报告称他们正在进行AI试点项目。
对于处于试验或实施阶段的受访者,绝大多数认为AI已经对收入和成本产生了积极影响。约73%的受访者报告称,AI实施在过去一年中导致了收入增长,其中17%的受访者指出在业务的某些具体部分中实现了超过10%的收入增长。
同样, 80%的受访者报告称他们实施了AI后,过去一年中实现了降低年度成本,其中15%的受访者指出在业务的某些具体部分中,成本降低超过了10%。
左右电信企业AI投资的影响因素
尽管有关AI对收入和成本的积极影响的报道不断出现,但许多受访者仍然难以量化其AI投资的投资回报率。约44%的受访者认为无法充分量化投资回报率,这说明企业引入基于AI的解决方案的愿望与现实之间存在差异。
在每年数十亿资本支出的行业中,AI的投资水平似乎较低。通常,中型至大型电信公司每年至少会花费10亿美元用于资本支出。然而,60%的受访者(2021年)和50%的受访者(2022 年)在AI方面的支出不到100万美元。在高端,2%的受访者在2021年支出超过5000万美元,在2022年上升到3%。
在所有推动人工智能投资的因素中,从概念证明和试点阶段到实施阶段的转变是最显着的回应。经济不确定性和需要优先在其他方面进行支出也促使了决策。
与使用人工智能优化运营的期望一致,受访者指出,他们的公司现在将人工智能投资优先考虑在网络运营、客户体验优化和网络规划方面。
电信企业部署AI的最佳实践
调查显示,54%的电信公司正在混合环境中部署AI解决方案,因为他们希望在享受云的高效性的同时保持本地环境的增强隔离和控制。
那些担心信息安全的人更有可能选择本地环境。相反,那些寻求从云解决方案的广泛性、可用性和性能中获益的人更有可能选择云环境。其实,部署环境的选择就是在安全和性能之间进行权衡。
所谓“专业的人做专业的事”,在AI方面,电信公司依靠其合作伙伴提供物资、支持和专业知识,建立基础设施、运营或为客户开发服务。
47%的受访者报告说他们的AI 解决方案是与合作伙伴共同开发的,61%的人表示他们在AI支出的首要任务是“与第三方合作伙伴合作以加速AI采用”。
合作伙伴关系还为电信公司创造了机会,以更低的投资成本为客户创建新服务,并能够快速扩展。51%的受访者表示他们为内部和外部用户开发AI解决方案。
结语
AI在电信行业的作用才刚刚开始。
AI将渗透到价值链的所有环节,帮助推动网络规划和部署、网络运营、客户互动以及新产品和服务的创造性转变。
AI将释放机遇并解决可能影响净收入(通过通过优化资本支出和运营支出改善TCO)和总收入(通过创造新的收入)的挑战。
您准备好开始了吗?点击注册下载白皮书,了解关于“电信领域AI十个关键见解”的更多内容!
好文章,需要你的鼓励
Instagram负责人莫塞里在接受采访时透露,平台正考虑引入长视频内容功能,尽管此前一直专注于短视频。他承认为了吸引优质内容,Instagram可能需要支持长视频格式。此外,Meta最近推出了"您的算法"功能,旨在让用户更好地控制信息流内容。莫塞里承诺未来将提供更多工具,让用户主动塑造个性化内容,但完整实现可能需要2-4年时间。
香港大学联合Adobe研究院提出PS-VAE技术,成功解决了AI无法同时具备图像理解和生成能力的难题。通过创新的两阶段训练策略,让AI既能准确理解图片语义,又能生成高质量图像,在图像编辑任务上性能提升近4倍,为统一视觉AI系统开辟新路径,在数字创作、教育、电商等领域具有广阔应用前景。
在信息爆炸的时代,AI实验室的研究员们常常需要面对海量的论文、专利文件、论坛发言等各种渠道的信息。传统的查找方式不仅费时费力,还容易遗漏关键内容。那么,有没有一种方式能让AI真正代替人工,完成从找资料到写出稿的全流程工作?
华中科技大学与马里兰大学研究团队开发出Sage评估框架,首次无需人工标注即可评估AI评判员可靠性。研究发现即使最先进的AI模型在评判任务中也存在严重不一致问题,近四分之一困难情况下无法保持稳定偏好。团队提出明确评判标准和专门微调等改进方法,为构建更可靠AI评估体系提供重要工具。