在当前全球电信行业数字化转型的浪潮中，人工智能技术正以前所未有的速度重塑网络运营模式。然而，正如市场研究公司Omdia业务负责人James Crawshaw所指出的，电信运营商正面临着来自网络供应商和OSS供应商提供的单点式Agentic AI解决方案的冲击，这不仅可能导致重复建设的风险，更可能错失采用更统一整合方法的机会。
传统电信AI面临的挑战
电信行业在AI应用方面正经历着关键的转型期。一方面，市场上许多产品仅仅是"将AI策略生硬地附加在传统OSS之上"，缺乏对电信网络本质需求的深刻理解；另一方面，来自公有云提供商的通用AI平台通常无法理解电信网络的运营复杂性和特殊要求。
这种两难局面使得运营商在选择AI解决方案时陷入困境。他们既需要利用AI技术提升网络效率和服务质量，又担心采用分散式解决方案会导致系统碎片化、数据孤岛以及高昂的维护成本。
Blue Planet的差异化解决方案
面对这一挑战，Blue Planet（Ciena的一个部门）提出了一个专为电信网络构建的Agentic AI框架。这一框架的核心价值在于它支持智能体基于意图行动、应用上下文，并在整个网络范围内采取协调行动。与市场上其他解决方案不同，Blue Planet的框架是在清晰且组织良好的数据模型和API之上实现的，这为其提供了强大的可扩展性和互操作性。
Blue Planet的AI框架构建于其2024年商用发布的AI Studio之上。虽然AI Studio主要旨在与Blue Planet的OSS应用产品组合协同工作，但部分客户已将其视为一个通用的OSS Agentic框架。AI Studio内置了大量关于电信网络的领域知识，这为运营商构建自有OSS AI平台节省了大量时间和资源。
目前，Blue Planet已开始与现有客户测试其Agentic AI框架，以支持网络切片自动化、库存中的网络设备建模、意图理解、模板生成及服务保障等关键用例。这些测试不仅验证了框架的技术可行性，也展示了其在实际网络环境中的价值。
AI Studio的核心功能与技术架构
Blue Planet的AI Studio为Blue Planet及第三方AI模型提供API管理、流水线控制和性能跟踪功能。它处理模型管理事务，使电信数字架构师和数据科学团队能够轻松导入、部署和维护AI解决方案。
核心功能模块
AI Studio的主要功能包括：
- 模型生命周期管理：导入、部署、更新和停用AI模型
- 模型配置：配置模型属性，满足特定业务需求
- 执行控制：实例化、启动、停止和调度模型执行
- 性能监控：实时监控模型性能指标，确保服务质量
- 代码管理：查看、编辑、版本化、回滚和调试模型代码
- API集成：调用Blue Planet及外部API，实现系统间无缝通信
这些功能通过详细的仪表板集中呈现所有AI活动，为数据科学家、开发人员和系统管理员提供角色定制化的工具和功能。
技术集成与开放性
AI Studio集成了多个行业领先的开源框架和技术，以简化采用和集成过程：
- Apache Airflow：用于数据工程流水线的开源工作流管理平台，支持复杂的数据处理流程
- LangChain：开源框架，帮助开发者构建强大的应用程序，将大语言模型与外部工具、API、数据源和用户工作流集成
- MLflow：用于构建AI应用程序和模型的开源开发者平台，提供完整的机器学习生命周期管理
- Redis：开源的内存键值数据库，用作分布式缓存和消息代理，提高系统响应速度
这种开放架构设计使AI Studio能够与Blue Planet的云原生平台及其包含库存、编排和保障在内的OSS应用产品实现无缝集成，同时也为第三方解决方案提供了接入可能。
从AI Studio到Agentic框架的演进
如图1所示，AI Studio正在演进为Agentic AI框架。这一演进标志着Blue Planet从单纯的AI工具提供商向智能网络解决方案提供商的战略转型。
Agentic框架的核心架构
Agentic框架通过API与Blue Planet的OSS应用产品组合交互，并可通过智能体间（A2A）协议与第三方智能体进行交互。其核心是一个用于构建智能体的开发环境，这一环境提供了构建电信网络专用智能体的完整工具链。
"自带AI"许可模式使授权用户能够导入、部署、配置和管理第三方AI/ML模型，从2026年起，通信服务提供商（CSP）将能够使用此开发环境构建自己的AI智能体。框架维护着一个智能体目录，通过编排引擎可调用多个智能体以实现复杂任务，同时网关允许用户集成其偏好选用的大语言模型。
模型上下文协议（MCP）与互操作性
Agentic核心通过模型上下文协议（MCP）与工具进行通信，使其能够与其他符合MCP标准的外部服务进行互操作。这种设计确保了框架的开放性和可扩展性，使其能够适应不断变化的技术环境和业务需求。
Agentic工具包括OSS知识图谱（包含服务、设备、多层拓扑、SLA、警报、策略等信息）和OSS API操作（与库存、保障、编排等应用交互）。这些工具为智能体提供了丰富的上下文信息和操作能力，使其能够在复杂的电信网络环境中做出明智的决策。
实际应用场景与价值
Blue Planet的Agentic AI框架已经在多个实际场景中展现出其价值。通过与现有客户的测试，该框架已成功支持以下关键用例：
网络切片自动化
随着5G和未来6G网络的发展，网络切片已成为提供差异化服务的关键技术。通过Agentic AI框架，运营商可以实现网络切片的自动化配置、管理和优化，大大缩短服务部署时间，同时提高资源利用效率。
网络设备建模与库存管理
电信网络包含大量复杂的设备和组件，传统的手动管理方式效率低下且容易出错。Agentic AI框架能够自动识别、分类和建模网络设备，实时更新网络库存，为网络规划、优化和故障排查提供准确的数据支持。
意图理解与执行
传统网络管理通常需要工程师将业务需求转化为具体的技术指令，这一过程既耗时又容易产生误解。Agentic AI框架通过高级自然语言处理和意图识别技术，可以直接理解业务需求并转化为相应的网络操作，大大简化了网络管理流程。
服务保障与故障预测
网络故障是影响服务质量的主要因素之一。Agentic AI框架通过持续监控网络状态，分析历史数据，能够预测潜在故障并采取预防措施，同时快速定位和解决已发生的故障，显著提高网络可用性和服务质量。
行业影响与未来展望
Blue Planet的Agentic AI框架代表了电信行业AI应用的重要发展方向。与市场上其他解决方案相比，这一框架的独特优势在于：
- 电信专业领域知识：内置丰富的电信网络领域知识，确保AI解决方案与电信业务需求高度匹配
- 开放架构设计：通过标准API和协议实现与第三方系统的无缝集成，避免供应商锁定
- 智能体协同能力：支持多个智能体之间的协作，解决复杂网络问题
- 可扩展性：基于云原生架构，支持从小规模试点到大规模部署的平滑过渡
随着电信网络变得越来越复杂和动态，对AI技术的需求将持续增长。未来，我们可以预见以下发展趋势：
- AI与网络功能的深度融合：AI将不再只是网络管理的辅助工具，而是成为网络功能的核心组成部分
- 自主网络管理：网络将能够自主感知、决策和执行，最小化人工干预
- 跨域智能协同：不同网络域、不同运营商之间的AI系统将实现协同工作，提供端到端的智能服务
- AI治理与安全：随着AI在网络管理中的广泛应用，AI模型的治理、安全和伦理问题将变得越来越重要
结论
Blue Planet的Agentic AI框架为电信运营商提供了一个全新的网络智能化路径。通过整合AI技术与电信网络的专业知识，这一框架不仅解决了当前市场上单点式AI解决方案的局限性，还为未来自主网络的发展奠定了基础。
随着电信行业向5G、6G和全IP网络演进，网络复杂性和服务要求将不断提高。在这样的背景下，像Blue Planet Agentic AI框架这样的创新解决方案将成为运营商实现网络数字化转型、提升服务质量、降低运营成本的关键支撑。那些能够率先采用并有效整合这些技术的运营商，将在未来的市场竞争中占据明显优势。
