AI 及其前兄弟机器学习已在电信网络中存在并开发多年。在网络测试、测量、监测和保障工具中尤其如此，这些工具传统上是查看网络的手段：表征和验证、故障检测和根本原因分析的基础。这些是经过精心构建的，以应对电信的复杂性，随着每个新频段和 G 以及速度和数据流量的不断加速而发展。但是，生成式 AI 的出现和相关的计算能力增强激发了人们对如何将 AI 在电信网络中发挥作用的新兴趣。运营商希望看到的好处，包括扩大网络规划和运营的自动化，以及新的货币化途径。

RCR Wireless News 联系了是德科技，询问其对 AI 在网络测试和保障领域的影响的看法。该公司一直在将 AI 集成到其产品组合中，并支持行业工作，例如在开放式无线接入网络中使用 AI。以下问答是通过电子邮件与是德科技高级总监 Joel Conover 进行的，并经过了轻微的编辑。

RCR：AI 和 ML 在网络测试领域并不陌生。就某些背景而言，是德科技在过去几年中如何致力于 AI 在网络测试中的开发和应用？在过去的 12 到 18 个月里，您看到这个领域在技术或兴趣方面发生了哪些变化？

康诺弗：AI 应用程序正在推动我们客户的网络设备及其网络架构的一系列全新要求。这种兴趣是由对用于训练 AI 模型和运营 AI 模型（推理）的 AI 数据中心的大量投资推动的，以及希望最大限度地提高这些数据中心、GPU 和相关基础设施的投资回报的愿望。我们与一些最大的客户密切合作，开发新的仿真器和测量技术，以准确模拟 AI 数据中心工作负载的独特参数，并测量整体系统性能。一个关键挑战是开发指标，帮助查明系统的哪个部分限制了性能，以便网络、计算、存储和更高级别的应用程序和协议都可以得到优化，以最大限度地提高 AI 训练和 AI 推理作的 GPU 利用率。

RCR：生成式 AI 可以或正在应用于网络测试？您能否举例说明一下它是什么样子/用例的？

康诺弗：我们目前的重点是使客户能够更快地构建、训练和作他们的 AI 模型，而 gen AI 处于客户正在构建的模型的前沿。网络测试的使用案例是模拟该环境的独特属性，并以我们以前从未见过的规模交付它。

首先，我们必须提出模拟 AI 工作负载的 I/O 行为的新模型（算法）。这可能包括客户端/主机、GPU 处理器、网络以及控制 AI 训练或 AI 推理过程的算法之间的协议交互。

然后，使这如此有趣的是所需的规模。客户需要模拟数百到数十万个 GPU，这些 GPU 可能跨越一个机架或数百个服务器机架，以及相应的大型网络。AI 数据中心已经在突破当今最快的商用以太网技术 800 Gb 以太网的极限。这将是 1.6T 以太网及更高版本的驱动程序。这项工作远不止带宽，但部分原因是系统可以使用比当今技术更多的带宽，这意味着带宽比以往任何时候都更加受限。

将能够模拟如此复杂、如此规模的系统的解决方案放在一起，这是从未有人尝试过的事情。但我们已经着手去做。

RCR：您认为在电信测试和测量中更广泛、更深入地使用 AI 的最大风险或挑战是什么？

康诺弗：人工智能正在被注入通信技术的许多方面——它在预测信道条件方面显示出特别的前景，本质上是创造了新形式的“智能无线电”，通过将机器学习整合到无线电本身来实现更高的吞吐量和/或更长的距离。在研发周期的早期开发模拟和调整这些模型的工具已经在进行中，为开发5G高级和6G无线电技术铺平了道路。以太网网络还注入了 AI 以改进路由选择、管理链路拥塞等。作为一家设计、测试和仿真公司，我们必须关注产品生命周期的所有阶段，从早期模拟一直到网络作，并开发技术以充分锻炼甚至训练研发生命周期中的AI模型。

RCR：AI 在测试中有两个方面：AI 在测试工具中的使用，以及用于验证和监控 AI 的测试工具。是德科技在这两个领域都看到了哪些机会？

康诺弗：我们在设计、仿真和测试解决方案方面的独特广度为将 AI 整合到我们的工具中，以及使用这些工具来测试、验证和监控注入 AI 的系统创造了许多机会。例如，多年来，我们一直在设计套件中使用机器学习算法。最新版本正在帮助客户使用机器学习来构建更好的无线电，以基于有源负载牵引测量来模拟和优化阻抗匹配电路。在测量和分析方面，我们的分析产品中内置了机器学习套件。这些捕获会摄取大量数据，然后可以识别长序列捕获中的异常情况，例如，这有助于开发人员发现系统中难以捉摸的故障。GenAI 可以使各种应用程序受益 - 从使工程师能够使用语音提示来编写仪器自动化代码，到在访问产品支持时返回更快、更相关的结果 - 就像我们最近在客户支持网站上所做的那样。我们只是触及了将 AI 注入产品以提高效率或获得洞察力的所有方式的皮毛。