观点

        公司巨大的存量网络是人工智能最好的舞台，GTS（Global Technical Service，华为全球技术服务部）要利用人工智能实现高质量和高效率的交付与服务，支撑“一万亿”美元存量网络的服务以及故障处理、预防自动化，以及支持每年数百亿美元的网络增量的科学、合理、有效地交付，持续为客户创造价值并提升客户满意度，构筑活的“万里长城”，成为公司重要的可移动的“马奇诺防线”。谁能最低成本地提供高质量的服务，谁就是这个世界最后的赢家。公司的人工智能研究是一个使能器，促使公司各项管理进步，不要随议论的忽悠而迷失方向。

数据是前提

        华为有430万个站点，每年增加96万个，1万1千个合同，每个基站报上来的报表数量非常多，因为没有模块化分类。如果我们将这些报表进行分类，并按照模板传信息给供应链、供应链解码打开、作清单发货，这样管理程序就会简化很多。因此，要基于目的标准模型建设简单自动报表体系，删减掉中间不必要的人工程序，从而增加主战场的员工数量。人人都基于作业来提供准确数据，进一步集中并提升科学性，有了这些准确数据，通过监督学习和统计手段就能提高效率。

        数据填表中会有清晰的和模糊的，确定性的工作填写的数据要准确，如果没有审核就传上来不正确的数据，会导致一团乱麻。清晰的数据不断更新积累，新的有效数据也不断更替。另一方面，模糊数据的模糊性会持续不断降低，因而在不该模糊的地方应该有指引，能够指引基层工程师来清晰操作。人工智能就要靠几万员工在做事时有效采集数据，在归纳总结中寻找规律。因此，清晰、准确的现场数据是一项重要的事情。

        华为是设备供应商不是流量运营商，不能形而上学，必须根据必要的需求来获取实时数据。对于网络设备数据的输出，可以采用类似“七远八按”的方式建设数据输出标准，以基于人工智能的交付服务视角重新制定可服务性标准，并作为产品上市的必要条件。

        在GTS选定的站点作业、网络集成、网络维护、网规网优等关键场景，在业务模型、算法、平台和数据上加大投资，具体的人力与费用在战略规划未来的时间链中落实。

        要开发公司统一的人工智能软件平台，把算法、知识、方法、经验等都固化在平台上，首先在GTS实践和应用，未来也可以为公司其他业务提供支撑。数据底座的投资更需要加大，作为长期的基础工程来建设，有了高质量的数据基础，人工智能才能发挥作用。

        实验室的科学家要紧密与服务工程师合作，由熟悉理论和算法的科学家选择最成熟的方案应用到服务场景中，并共同完成业务提升，这就是技术和场景的结合。一部分人熟悉技术理论，一部分人熟悉场景，两者合作起来天衣无缝。新事物的失败从某种程度上来讲也是一种成功，从过程中一点点积累。不要怕出错，别人说华为是落后的，因为我们只给成功的人发奖，从来不给失败的人发奖。今天比昨天好就要发奖，喜马拉雅爬一半也是成功，因为我们过去连山脚都没去过。

聚焦投入

        华为在业务扩张中，人员不按线性扩张才取得了成功。服务工程师要聚焦服务业务，在完成服务业务同时完成人工智能所需要的正确数据输出，在此基础上产生场景分析师、数据分析师和模型设计师。这些专家要长期投入在服务战场上，通过服务客户不断提升能力。对于场景分析师、数据分析师、模型设计师，我的态度是要看在三年之内，有多长时间在一线服务战场上取得成功的实践经验。没有成功的实践经验就不要快速晋升，这样也保证水是流动不是腐败的。

        人工智能在投资充分的情况下不要太冲动，要急用先行小步快跑，要聚焦在确定性业务、人工消耗大的项目，宁可做得少一点，先从一两个点进行突破，集中力量打歼灭战，不要铺开一个很广泛的战线。不要遍地都是智能化，这会形成全面开花没有结果的盲动，就有可能满盘皆输。如海量重复的动作可以运用人工智能技术来替代，实现文档自动生成、质量自动审核、远程验收及自动开票；然后再把人工智能应用的成功经验扩展至网络维护、网规网优等业务场景，把被动问题处理变为主动预警预防，不仅提升了效率还提升了为客户服务的质量。

        要踏踏实实聚焦场景一个个解决，选择与场景匹配的相对成熟的算法，半成品也可以先投入到内部改进的使用，在不断的实践和问题解决中打造成熟的平台和数据底座。我们在这些集中突破的项目上取得经验培养出新生力量，这些新生力量要到基层去贯彻推广落实，使它能够应用起来变成习惯。在纵向发展的基础上，把握好横向扩张的合理节奏。我们不要“出师未捷身先死，长使英雄泪满襟”，我们要的是旗开得胜和最终成功。

        人工智能是个新生事物，在实现过程中因为双轨运行，要接受阶段性的成本上升，实现清晰的长期目标。未来，人工智能的应用中一定会遇到很多困难，在前进的过程中要多鼓励、少批评，可表扬可不表扬的要表扬。