作者单位： 淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部
摘要： 通信网络正从”以人工为主的资源型运营”向”以智能为核心的自智型运营”跃迁。本文以自智网络与网络智能体为研究对象，系统梳理二者在提升网络运维与调度效率方面的技术机理、应用范式与产业实践。文章首先界定自智网络的概念内涵，阐释TM Forum确立的L0至L5六级自智评级体系及其在3GPP、ETSI、ITU等标准组织中的映射与演进；继而剖析网络智能体（Network Agent）的技术架构，涵盖意图理解、任务规划、记忆机制、工具调用与多智能体协同等关键能力，并提出”语言模型+结构化数据模型”的双模型协同内核；随后分别从故障运维与资源调度两大场景，量化分析AI赋能后的效率提升路径与边界；在此基础上，归纳可解释性、安全可信、数据治理、实时性与人机协同等关键技术挑战；结合国内外运营商、设备商与云厂商的典型实践，研判全球产业格局；最后展望面向Agentic AI-Native 6G的演进方向。研究认为，自智网络提供了目标与度量框架，网络智能体则提供了实现目标的新型执行载体，二者的深度融合正在将网络运维与调度从”自动化”推向”自主化”，并将成为6G时代网络价值重构的核心引擎。
关键词： 自智网络；网络智能体；意图驱动管理；网络运维；算力调度；大语言模型；6G
移动通信技术每十年完成一次代际跃迁。当5G网络逐步完成规模部署、5G-A商用深入推进之际，产业界已在为6G的愿景展开全球竞逐。与历次代际演进不同，6G最显著的变化之一在于：网络本身不再仅仅是”连接管道”，而是日益成为具备感知、记忆、推理与执行能力的”智能体”。这一变化并非孤立的技术现象，而是多重驱动力共同作用的结果。
其一，网络规模的爆炸式增长使传统人工运维模式难以为继。据行业测算，一张典型的大型运营商的网络，其网元设备以百万计，告警量每日可达数十万条乃至百万级，海量的KPI（关键性能指标）、信令数据、配置数据与拓扑关系构成远超人类处理能力的复杂系统。人工”救火式”运维不仅成本高昂，而且响应滞后，难以满足用户对网络质量实时性、确定性的要求。
其二，业务形态的深刻变化倒逼网络具备更高的动态性与灵活性。从超高清视频、云游戏到工业互联网、车联网、智能电网，不同业务对时延、带宽、可靠性、确定性提出差异化甚至互相冲突的SLA（服务等级协议）要求。网络切片、算力调度、确定性网络等新能力的引入，使得”一刀切”的静态配置无法胜任，必须依赖智能化的实时感知与动态编排。
其三，AI技术尤其是大语言模型（Large Language Model, LLM）的跨越式发展，为网络智能化提供了前所未有的技术供给。大模型所展现出的意图理解、自然语言交互、复杂推理与工具调用能力，与传统网络领域的规则引擎、深度学习模型形成互补，催生了”网络智能体”这一新型技术范式。
正是在上述背景下，“自智网络”（Autonomous Network, AN）与”网络智能体”（Network Agent）成为通信产业面向未来十年最受关注的两条技术主线。
本文关注的核心问题是：自智网络与网络智能体究竟如何、以及在多大程度上提升网络运维与调度的效率？两者是何种关系——是同一概念的不同表述，还是目标与手段的分工？
围绕这一问题，本文采用”文献综述—技术解构—量化分析—产业印证—趋势研判”的研究路径：首先梳理国内外标准化组织与学术机构的最新成果；其次从架构层面解构网络智能体的技术机理；再次以运维与调度两大核心场景为主线，结合公开数据量化效率提升；随后归纳关键技术挑战；最后结合典型产业实践研判演进方向。
自智网络（Autonomous Network）泛指一类能够通过网络自身对运行环境与状态的持续感知，依据既定目标与策略自主决策并执行，从而显著减少甚至摆脱人工干预的网络系统。其核心理念是”以网络自治能力的提升换取运营效率与用户体验的双重改善”。
需要强调的是，自智网络并非”去人工”的网络，而是”重定义人工角色”的网络。在自智程度较低的阶段，人仍是决策主体，系统提供辅助；在自智程度较高的阶段，系统承担绝大多数决策与执行，人的角色退化为目标设定、策略授权与异常仲裁。因此，“自智”的本质是人机协同程度与自动化、智能化能力的再分配。
从产业话语看，自智网络往往与”自动驾驶网络”（ADN，Autonomous Driving Network）并提。前者由TM Forum、3GPP、ETSI等标准化组织推动，强调可度量的自治等级；后者更多作为产业宣传用语，二者在技术内涵上高度同源。
自智网络最具标志性的贡献，是TM Forum（电信管理论坛）提出的六级自智评级体系。该体系以”人工介入程度”为标尺，将网络自治能力从L0到L5划分为六个递进等级，为运营商提供了一个可度量、可对标、可迭代的演进坐标。
• L0（人工运维）：所有运维动作均由人工完成，系统仅提供有限的数据展示能力。相当于”无辅助驾驶”。
• L1（辅助运维）：系统能够基于规则提供简单预警与提示，但绝大多数决策与操作仍需人工执行，相当于”基础辅助驾驶”。
• L2（部分自智）：系统可在特定场景、特定网络域内依据预设规则执行部分自动化动作，但跨域协同与复杂决策仍需人工介入，相当于”部分自动驾驶”。
• L3（有条件自智）：系统能够在条件受限的范围内自主完成感知、决策与执行，形成单域闭环，人作为后备随时接管，相当于”有条件自动驾驶”。
• L4（高度自智）：系统具备基于意图与预测的决策能力，能够在跨域、跨厂商场景下实现服务与体验驱动的闭环管理，人的介入显著减少，相当于”高度自动驾驶”。
• L5（完全自智）：系统在绝大多数可预见场景下完全自主运行，实现自配置、自优化、自愈，人的角色仅限于最高层级的战略与伦理决策，相当于”完全自动驾驶”。
TM Forum基于该体系发布了系列标准化工具：通用评估方法论由IG1252规范，面向具体场景的评估工具则由GB1059及GB15xx系列问卷构成，帮助运营商快速识别自治能力短板并加速迭代部署。
值得关注的是，产业界已就L4等级形成高度共识。TM Forum《2026年自智网络调查》显示，超过80%的运营商表示希望在2030年前达到L4（高度自智）等级。这一数字折射出产业从”追求自动化覆盖”转向”追求自主化深度”的集体转向。与此同时，L4的实现并非一蹴而就：多家运营商与设备商联合开展的”Make AN L4 work”（让L4落地）项目，正是产业界为攻克L4工程化难题而组织的联合攻关。
自智网络的标准化工作并非由单一组织垄断，而是呈现出多元主体协同演进的格局。
3GPP（第三代合作伙伴计划）： 3GPP SA5工作组自2018年起持续推进”意图驱动管理”（Intent Driven Management）的研究，并形成IDMS（Intent Driven Management Service）能力体系，为移动网络的高度自治提供标准化的意图抽象与管理机制。面向6G，3GPP已批准”6G系统架构研究”（FS_6G_ARC，对应TR 23.801）立项，标志着面向”超越连接”能力的6G架构研究正式启动。同时，RAN侧的AI/ML标准化持续推进，Rel-18在2023年完成规范工作后，Rel-19相关工作已于2025年起展开，为AI/ML在无线接入网的原生嵌入奠定基础。
ETSI（欧洲电信标准协会）： ETSI的ISG ENI（体验式网络智能）工作组定义了”认知网络管理体系架构”，通过AI与上下文感知策略动态调整服务，覆盖5G与6G场景下的自动化服务开通、智能运维保障与切片管理优化。2026年，ENI进一步明确了”自治智能体AI网络工程”（Autonomous Agentic AI Network Engineering）架构方向，将智能体的概念正式纳入标准体系。此外，ETSI发布的《AI原生基础设施》白皮书（White Paper No.71）确立了运营商解耦、分发与编排网络智能的行业基准，强调通过统一API与基础设施档案，实现多厂商智能体在分布式混合云拓扑上的无缝协作，以防止垂直碎片化。
ITU（国际电信联盟）： ITU-T在IMT-2030框架下将AI与通信融合列为6G核心使能方向之一，并围绕网络智能化、意图驱动管理、网络数字孪生等主题推进一系列建议书与研究议题。
IETF（互联网工程任务组）： IETF NM-RG（网络管理工作组）等组织围绕”大模型辅助网络管理”“大模型智能体网络运维”等议题发布了多份工作草案，探索LLM智能体在网络管理与流量调度中的应用框架。
综上，自智网络的标准生态已形成”3GPP定架构、ETSI定智能架构、TM Forum定度量、IETF探索协议”的分工互补格局，为产业实践提供了多层次的规范供给。
图1 自智网络L0—L5六级自智体系演进（示意，作者整理自TM Forum自智分级体系）
在进入技术解构之前，有必要对本文涉及的核心术语作严格界定，以避免语义歧义。
网络大模型（Network Large Model）： 指针对通信网络领域进行预训练或微调、能够理解网络领域知识与意图、具备自然语言处理与一定推理能力的大语言模型及其变体。其输入输出对象既包括自然语言，也包括网络领域的结构化信息。
网络智能体（Network Agent）： 本文采用”以大模型为核心、融合规划、记忆与工具调用等能力、面向网络运维与调度任务实现自动化执行”的技术内涵。区别于单一的大模型，智能体强调”感知—决策—行动—反馈”的闭环，具备在真实网络环境中执行任务的能力。按照参与主体的数量，可分为单智能体、多智能体与混合智能体。
意图驱动管理（Intent-Driven Management, IDM）： 指以用户或运营商高层业务意图（而非底层技术参数）为输入，通过自动翻译、决策与执行，将意图转化为具体网络配置与调度动作的管理范式。意图具有”声明性、目标导向、抽象性”三大特征。
自智网络与网络智能体的关系： 本文将其定位为”目标与手段”的关系——自智网络定义了”网络该多自治”的目标与度量体系，网络智能体则提供了”如何实现自治”的执行载体与技术路径。L3以上自智等级的实现，高度依赖智能体所具备的意图理解、自主决策与闭环执行能力；而自智等级框架又为智能体的能力部署提供了分阶段、可验证的演进路线。二者互为条件、相互促进。
传统网络智能化主要依赖两类技术：一类是规则引擎，逻辑透明但扩展性差、无法应对未知场景；另一类是深度学习模型，性能强大但如同”黑盒”，缺乏结构化推理能力，难以胜任多步骤、长链条、需要跨层协同的复杂决策问题。
大语言模型的出现改变了这一格局。LLM所具备的三个能力——意图理解（将自然语言诉求解析为可执行目标）、知识推理（基于网络领域知识库进行逻辑演绎）、工具调用（调用外部API、脚本与系统完成具体动作）——使其天然适配网络运维与调度这类”需要人机自然交互、需要跨域协同、需要灵活编排”的任务。
然而，仅有一个大模型并不足以构成智能体。智能体的关键增量在于”具身化”与”闭环化”：它不仅能”想”，更能”做”，并能根据行动结果不断调整策略。从架构上看，一个网络智能体通常由以下模块构成：
• 感知模块：实时接入网络告警、KPI、拓扑、信令等数据，形成对网络运行状态的持续认知；
• 意图理解模块：将自然语言或高层目标翻译为机器可执行的任务与约束；
• 规划与推理模块：基于领域知识与上下文，将复杂任务分解为有序的执行步骤（即ReAct式”推理—行动”循环）；
• 记忆模块：包括短期记忆（当前会话上下文）与长期记忆（历史经验、知识库），支撑跨任务的学习与积累；
• 工具调用模块：通过标准接口调用OSS/BSS系统、网元管理、数据库查询、脚本执行等原子能力；
• 执行与反馈模块：将决策下发执行，并收集执行结果形成闭环反馈，用于修正后续决策。
通信网络具有高度的结构化特性：网络拓扑、KPI指标、信令流程、配置规则均为强结构化信息，而纯语言模型在处理这类信息时存在精度不足、幻觉风险的固有缺陷。为此，面向通信生产环境的Agentic模型普遍采用双模型协同架构：
• Agentic语言模型：承担意图理解、知识推理、自然语言交互与任务规划等”认知性”职能；
• 结构化数据模型：承担网络拓扑、KPI、信令、配置等”确定性”信息的处理与计算职能。
二者通过统一的语义控制面协同：语言模型负责”听懂并规划”，结构化模型负责”算准并执行”。这种分工既发挥了LLM的通用智能与交互能力，又规避了其在精确数值处理上的短板，构成稳定可靠的自主智能内核。业界普遍认为，双模型协同是实现自智网络L4级代际跃迁的关键技术范式。
单一智能体难以覆盖全网域、全流程的运维调度需求。实践中，网络智能体日益呈现”多智能体协同”与”分层部署”两大趋势。
多智能体协同： 将复杂的网络任务按功能域或业务域拆解为若干专职智能体，如意图理解智能体、故障定位智能体、切片编排智能体、算力调度智能体等，由编排智能体（Orchestrator Agent）统一协调。例如，在面向6G意图网络的方案中，编排智能体通过与无线接入网（RAN）智能体、核心网智能体等专家智能体的迭代式”推理—行动”循环，将自然语言意图分解为可执行且技术上可行的网络切片配置。
分层部署： 面向Agentic AI-Native 6G的研究表明，单一模型无法同时满足时延、吞吐与精度的全部约束，智能体需要在”设备—边缘—核心”的算网连续体上进行异构分层部署，由云端承担复杂推理，边缘与设备侧承担低时延的局部决策，从而实现推理能力与系统效率的平衡。
人机协同（Human-in-the-Loop）： 在面向生产环境的落地中，智能体的关键动作普遍保留人工确认环节。IETF相关框架明确将”人在环”（Human-in-the-Loop）作为LLM智能体辅助网络管理的核心原则：智能体提出建议（如流量重路由、策略调整），由人工审核确认后再执行，从而在提升效率的同时守住安全底线。这一设计既是技术现实（智能体尚未完全可靠），也是责任边界（重大决策后果需人工承担）的双重要求。
图2 网络智能体分层技术架构（示意）
传统网络故障运维的痛点在于：海量告警中有效信号被淹没，故障定位高度依赖资深专家的经验，平均故障定位时间（MTTR，Mean Time To Repair）居高不下，跨域故障尤其难以快速界定责任。
AI赋能后，运维范式发生根本转变：
• 告警压缩与根因分析（RCA）： 通过图神经网络、因果推断与LLM的协同，将海量原始告警聚合成少量根因事件，并将告警之间的时间、拓扑、因果关联自动建立为故障传播图。智能体可基于此快速推断”哪一个网元、哪一类配置、哪一次变更导致了当前故障群”。
• 智能故障定位： 运维智能体以自然语言方式接收故障描述，调用拓扑查询、KPI回溯、变更记录检索等工具，自动完成跨域（无线、传输、核心、云）的端到端定位，并给出处置建议。
• 数字孪生辅助诊断： 在网络数字孪生环境中对疑似故障进行复现与推演，验证处置方案的有效性与风险，降低在现网误操作的风险。
在检测与定位之上，更高阶的AI赋能体现在”自愈闭环”。当智能体的置信度足够高、且处置动作在授权范围内时，系统可自动执行配置回退、路由切换、小区自优化、虚拟机迁移等自愈动作，形成”检测—定位—决策—执行—验证”的完整闭环。
产业界已出现标志性实践。2025年，华为联合中国移动打造的”端到端自智网络运维中心（Dark NOC）方案”与”AN L4高价值故障运维场景解决方案”，在TM Forum 2025全球数字转型大会（DTW 2025）上分获”卓越奖”与”先锋项目奖”。所谓”Dark NOC”（无人值守网管中心），即通过自智能力将大部分常规故障处置自动化，使网管中心从”灯火通明的人工值守”转变为”智能化值守、人工仅处置高价值异常”的新形态。
综合产业公开数据与工程实践，AI赋能对运维效率的提升可归纳为三个可量化的维度：
效率维度一：告警压缩比。 引入AI告警压缩与根因分析后，进入人工处置环节的告警量通常可压缩一个数量级以上，即”千条告警压缩为百条根因”，直接降低网管人员的信息处理负荷。
效率维度二：平均故障修复时间（MTTR）。 通过智能定位与自愈闭环，常规故障的定位与修复时间可从小时级压缩至分钟级，跨域故障的定位时间亦显著缩短，网络可用性（SLA达成率）随之提升。
效率维度三：人力投入结构。 低价值、重复性的巡检、盯屏、派单等劳动大量减少，人力向高价值、创造性工作（目标设定、策略优化、异常仲裁）转移，运维成本结构得以优化。
需要指出的是，上述效率提升并非无条件成立，而是受数据质量、场景复杂度、模型成熟度等多重因素制约，后文将作专门讨论。
图3 AI赋能网络运维效率提升对比（行业示意数据）
在算力与网络深度融合的趋势下，网络调度从传统的”带宽调度”扩展为”算网一体化调度”。算力网络通过将分散的算力资源（云、边、端）与网络资源统一抽象与纳管，实现”以网强算、算网融合”。
中国移动的”算网大脑”是这一方向的代表性实践。其构建起”广纳管、精调度、新服务”三位一体的技术体系，实现对异构算力资源的高效纳管与跨域精准调度。2025年8月发布的”算网大脑3.0”标志着算力网络全面进入”算网智脑”时代，建成覆盖全国的”算—网—脑—用”四位一体新型算力网络基础设施。在具体指标上，中国移动自建智能算力规模持续扩大，构建一体化算力光网，形成”1-5-20ms”三级时延圈，即：城区内1毫秒、区域内5毫秒、全国范围内20毫秒的算力服务时延保障能力，数据中心覆盖全部国家枢纽节点。这一实践表明，AI赋能下的算力调度已具备”广域纳管、毫秒级响应、确定性时延”的工程能力。
网络切片是5G/6G实现差异化业务服务的关键机制。传统切片管理依赖人工逐项配置，效率低且易错。意图驱动管理范式下，用户或业务方只需声明高层意图（如”为某工业园区的实时控制业务提供低时延高可靠切片”），系统即自动将其翻译为切片模板选择、资源配额分配、路由策略设置等一系列底层动作，并在业务运行过程中持续优化。
这一过程正是网络智能体的典型应用场景：意图理解智能体解析自然语言意图，切片编排智能体调用RAN与核心网能力生成切片配置，调度智能体根据实时负载动态调整资源分配，从而将”人工配置切片”升级为”意图自动生成并动态运维切片”。
在流量工程领域，LLM辅助的智能体可用于动态流量调度：系统通过增强遥测模块采集链路利用率、队列占用、时延、拓扑与业务等级约束，智能体据此提出流量工程调整建议（如将特定业务类别重路由至低负载路径、调整策略参数），经人工审核后执行。这一”感知—建议—审核—执行”的闭环，使流量调度从静态周期调整演进为动态、实时、策略可控的优化。
在跨域编排层面，基于多智能体的云网融合编排与调度，通过编排智能体统一协调云资源智能体、网络资源智能体与业务智能体，实现云、网、算、智的一体化协同编排，支撑工业互联网、车联网等跨域复杂业务的端到端调度。
调度动作的下发直接作用于现网，风险管控至关重要。网络数字孪生（Network Digital Twin）通过构建与物理网络高度一致的虚拟镜像，为AI调度提供了”先验证、后执行”的安全基座。智能体生成的调度方案先在数字孪生环境中进行推演，评估其对时延、吞吐、可靠性等指标的影响，再决定是否下发现网，从而将调度决策的风险前移。
数字孪生与网络智能体的结合，形成了”感知—决策—预演—执行—反馈”的完整闭环：感知模块采集现网状态并同步至孪生镜像；智能体在镜像上生成并验证调度方案；验证通过的方案下发至现网执行；执行结果再回馈至孪生系统，驱动镜像与模型同步更新。这种”虚实联动”机制既提升了调度的精准度与安全性，也为智能体的持续迭代提供了低成本、低风险的训练与评测环境，是算力网络、确定性网络等高动态场景下AI调度规模化落地的关键使能条件。 ## 六、关键技术挑战
自智网络与网络智能体在展示广阔前景的同时，也面临一系列制约其规模化落地的关键技术挑战。厘清这些挑战，是避免”智能化沦为口号”、推动其真正转化为生产效益的前提。
网络运维与调度属于高风险决策场景，一次错误的自动配置可能造成大规模业务中断。因此，智能体的决策必须”可解释、可追溯、可审计”。
当前的主要矛盾在于：LLM的推理过程本质上是概率性的，缺乏传统规则引擎的确定性；而网络领域要求的是可验证的确定性结论。解决这一矛盾的方向包括：一是”工具化约束”，即将关键决策交由确定性的结构化模型与规则引擎执行，LLM仅负责意图理解与任务编排，避免”让语言模型直接下控制指令”；二是”决策留痕”，完整记录每一次自动动作的输入、推理依据、执行过程与结果，形成可审计的决策日志；三是”数字孪生预演”，在高置信场景先在数字孪生环境验证，通过后再下发现网。
安全挑战涵盖多个层面。其一，智能体调用真实网络控制接口，一旦被恶意利用或被对抗样本诱导，可能造成远超传统攻击的影响面，需对工具调用实行严格的权限控制与访问审计。其二，网络运维数据涉及用户隐私与商业机密，大模型训练与调用过程中的数据合规需要审慎设计。其三，LLM固有的”幻觉”（Hallucination）问题在网络这种对准确性要求极高的场景下被放大，错误的知识推理可能直接转化为错误的配置动作，必须通过检索增强（RAG）、领域约束与人工确认机制加以抑制。
高质量、多域、强标注的数据是网络智能化的基础。然而，现实中网络数据存在分散于多系统、标注成本高、跨厂商格式异构、敏感数据难以出域等问题，构成”数据治理瓶颈”。与此同时，模型在单一网络环境训练后往往难以泛化到异构网络，跨厂商、跨代际（4G/5G/5G-A/6G）、跨制式场景下的鲁棒性仍是难题。面向生产环境的Agentic模型因此需要”数据飞轮”机制——在部署中持续收集反馈、迭代优化，方能逐步逼近可用状态。
网络运维与调度对时延高度敏感，而大模型的推理时延与算力开销相对高昂。在毫秒级响应的场景（如无线资源调度）中，“模型算不过来”的现实约束依然存在。研究已表明，推理能力与系统效率之间存在根本性权衡——没有单一模型能同时满足时延、吞吐与精度的全部要求。破解之道在于分层部署（云端复杂推理、边缘/设备侧轻量决策）、模型量化与剪枝，以及将大模型推理与确定性快速算法混合使用，而非一味追求”全模型化”。
自智程度越高，人机协同的边界与责任归属问题越突出。如何在”系统自主执行”与”人类最终负责”之间找到平衡，既涉及技术设计（哪些动作可自动、哪些必须人工授权），也涉及管理与法律安排（自动化决策致损时的责任划分）。产业共识是：在迈向更高自智等级的过程中，采用”分级授权、渐进放权”策略，通过可配置的授权阈值与人工兜底机制，在效率与安全之间动态权衡。
中国运营商在自智网络领域起步早、投入大，整体处于全球第一阵营。
中国移动将算力网络与自智网络作为两大战略方向协同推进。在算力侧，其”算网大脑”实现算网一体化智能调度，“九天”基础大模型持续迭代，2025年推出超100款AI+产品及解决方案、29款垂类智能体；在网络侧，中国移动联合华为打造的”Dark NOC”与”AN L4高价值故障运维场景”方案获TM Forum 2025两项大奖，成为L4自智工程化的标杆样本。中国移动的6G国际标准立项数居全球运营商第一阵营。
中国电信、中国联通同样将自智网络作为网络升级的核心抓手，围绕故障自愈、切片自动编排、家宽装维智能化等场景推进”自智网络分级达标”，并在云网融合、算力调度、低空智联网等新场景中引入大模型智能体能力。
华为作为全球自智网络概念的主要提出者与推动者之一，持续输出自智网络目标架构与解决方案，并通过与全球运营商的联合项目（如与Indosat Ooredoo Hutchison、Vodafone Turkey、中国移动、Telenor等合作的”Make AN L4”项目）推进L4落地。
中兴通讯提出面向通信生产环境的”Agentic通信领域大模型”，主张采用”Agentic语言模型+结构化数据模型”双模型协同架构，为自智网络L4跃迁提供自主智能内核。
英伟达（NVIDIA）推出面向电信网络运营中心（NOC）的生成式AI与Agentic AI解决方案，其AI智能体能够观察实时网络KPI、权衡复杂取舍做出数据驱动决策、并自动调整参数，且支持跨层、跨厂商的编排与人在环反馈，代表了云厂商与算力厂商切入网络智能化的路径。
如前所述，ETSI ENI已将”自治智能体AI网络工程”纳入架构方向，ETSI发布《AI原生基础设施》白皮书确立多厂商智能体协作的行业基准；3GPP推进意图驱动管理与6G架构研究；IETF围绕LLM辅助网络管理与智能体网络运维探索开放协议。学术研究层面，面向Agentic AI-Native 6G的四层架构（确定性网络基础设施、意图与语义抽象、分层推理、分布式多智能体网络）已提出并开展可行性验证，多智能体意图驱动切片、跨层推理等方向成为研究热点。
综合来看，全球网络智能化竞争呈现”标准协同、生态竞争”的格局：标准组织共同定义框架与接口，而运营商、设备商、云厂商则在具体实现与生态绑定上展开差异化竞争。
需要补充的是，国内产业界在推进自智网络过程中，已逐步形成”以场景为牵引、以等级为标尺、以数据为底座、以智能体为载体”的落地方法论：一方面通过分级达标机制将抽象的自智目标拆解为可执行、可验收的具体场景任务；另一方面通过数据治理与模型迭代构建可持续进化的智能底座，避免”为智能而智能”的堆砌。这一方法论兼顾了技术先进性与工程可行性，是中国运营商从标杆试点走向规模生产的务实路径，也为后发网络提供了可资借鉴的演进样本。
展望未来，自智网络与网络智能体的演进将呈现三大趋势。
其一，从”自动化”走向”自主化”。 产业目标正从”覆盖更多自动化场景”转向”提升单场景的自主决策深度”。L4从”行业共识”走向”工程现实”，而L5虽然在可预见周期内难以全面实现，但其在特定受限场景（如数据中心内部、单一业务域）的局部实现具有现实可行性。
其二，从”外部赋能”走向”AI原生”。 6G网络将不再是被动”外挂”AI能力，而是在架构上原生内嵌智能——AI/ML成为网络协议、控制面与运维体系的组成部分，LLM智能体作为语义控制面上的受限、策略受控的推理实体，叠加在确定性网络基础设施之上。智能体将在”设备—边缘—核心”的算网连续体上分层部署，实现推理能力与系统效率的平衡。
其三，从”单域自治”走向”全局协同”。 自智网络将从无线、传输、核心等单域自治，走向面向业务体验的跨域、跨厂商、云网算一体的全局协同自治，网络数字孪生、意图驱动管理与多智能体编排将成为支撑全局协同的三大支柱。
当然，面向Agentic AI-Native 6G的落地仍需跨越可解释性、安全可信、数据治理与系统开销等多重关卡，且需要在”网络自主”与”人类可控”之间持续校准边界。唯有在技术、标准、治理三个层面协同推进，自智网络与网络智能体才能真正兑现其提升运维与调度效率、重构网络价值的承诺。
本文系统研究了AI赋能网络智能化背景下，自智网络与网络智能体提升网络运维与调度效率的技术机理、应用范式与产业实践。主要结论如下：
第一，自智网络为网络智能化提供了目标与度量框架。TM Forum确立的L0至L5六级自智体系，以及3GPP、ETSI、ITU、IETF等组织形成的标准生态，使网络自治能力的提升具备了可度量、可对标、可迭代的演进坐标，超八成运营商将2030年达到L4列为共同目标。
第二，网络智能体为网络智能化提供了执行载体。以大模型为核心、融合意图理解、规划推理、记忆与工具调用的网络智能体，其”感知—决策—行动—反馈”的闭环能力，正是实现L3以上自智等级所必需的技术增量；“语言模型+结构化数据模型”的双模型协同架构，为在真实生产环境中获得可靠、可解释的自主智能内核提供了现实路径。
第三，AI赋能已显著提升运维与调度效率。在运维侧，通过告警压缩、智能定位、故障自愈闭环，常规故障的定位与修复时间从小时级压缩至分钟级，“Dark NOC”等无人值守形态开始落地；在调度侧，算力网络与意图驱动管理使网络调度从静态配置演进为动态编排，算网一体化的毫秒级响应能力初步成形。
第四，规模化落地仍面临多重挑战。可解释性、安全可信、数据治理、实时性与人机协同边界，是制约其从”标杆试点”走向”规模生产”的关键瓶颈，需在技术、标准与治理层面协同破解。
第五，面向6G的”Agentic AI-Native”演进方向已然清晰。网络将从”外部赋能”走向”AI原生”，智能体将在算网连续体上分层部署、多智能体全局协同，网络运维与调度效率的提升将进入新的量级。
总而言之，自智网络与网络智能体的深度融合，正在推动网络从”被管理的资源”演进为”能自主运营的智能系统”。这一变革不仅是网络运维与调度效率的量级提升，更是通信产业价值体系与生产方式的结构性重构。
主要数据与资料来源： 本文撰写过程中参考了以下公开资料：TM Forum自智网络（Autonomous Network）标准与行业报告（含IG1252评估方法论、GB1059及GB15xx评估工具、2026年自智网络调查及”Make AN L4”项目公开材料）；3GPP关于意图驱动管理、6G系统架构研究（TR 23.801）、NG-RAN AI/ML相关技术资料；ETSI ISG ENI关于认知网络管理与自治智能体AI网络工程架构的公开材料及《AI原生基础设施》白皮书；IETF NM-RG关于LLM辅助网络管理与智能体网络运维的工作草案；中国移动公开披露的年报、半年报及”算网大脑”“九天大模型”相关新闻稿；华为、中兴通讯、英伟达等厂商公开发布的技术方案与新闻材料；以及相关学术论文（含面向Agentic AI-Native 6G、多智能体意图驱动切片等方向的研究成果）。各具体数据与来源均可在正文标注的公开渠道核查。
免责声明： 本文为产业研究与技术综述性质的研究论文，旨在梳理自智网络与网络智能体的技术脉络、应用范式与产业趋势，供行业交流与研究参考。文中涉及的运营商、厂商、标准组织的数据与案例均来自公开渠道，作者不对其绝对准确性作担保；文中关于技术趋势与产业格局的研判属于研究性观点，不构成任何商业决策、投资决策或技术选型的建议。作者单位（淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部）对因使用本文内容而产生的任何直接或间接损失不承担责任。如引用本文，请注明出处并遵守相关知识产权法律法规。
