韩柳燕强调，AI与光网络深度融合，正逐步向物理基础设施、网元智能、网络管控多层延伸。

在网络级智能调度方面，光传输网络规模大、业务动态，流量潮汐效应显著，是AI赋能网络级动态资源调度的关键契机。从海量原始数据中提取高质量信息是构建可靠智能决策体系的首要环节。光网络涵盖设备、端口、隧道等多维实体，数据标注和关联映射复杂，对模型构建提出较高要求，所以光网络需结合层级结构和业务关系对数据进行标注映射，以支撑AI精准特征提取与智能分析。此外，如何针对优化目标评估并筛选出最适配的AI算法，是网络级智能调度必须解决的问题，“匹配智能调度需求的AI模型应更注重‘稳健’而非‘精确’，需训练和选择专用模型确保泛化能力。”韩柳燕说。

韩柳燕表示，AI传送网进入规模部署阶段，面临的最大问题是可靠性疑虑。在环网结构下，若预测结果触发节能休眠操作，一旦发生光缆中断或流量突增，需快速启动保护倒换和休眠单板唤醒。为此，中国移动创新提出时空多维耦合流量预测算法，前期在广东等省份现网试点验证中，基于流量预测结果选择最佳节能优化路径，网络级节能收益约8%，资源利用率提升超10%，有效支撑了节能策略制定与容量预规划。

在器件级智能引入方面，AI在光网络中的应用正从集中管控延伸至网元设备，逐渐渗透至物理层关键器件。作为光网络的基础单元与核心感知节点，光模块有望成为AI实现智能运维的理想切入点。

光模块引入AI的难点与挑战：一是光模块外形尺寸严格遵循标准，内部集成大量元器件，新增传感器等难寻额外物理适配空间，任何新增元件均需精密设计；二是“智能”需运行更复杂算法、处理更多数据，会显著增加功耗。额外功耗产生的更多热量可能危及激光器寿命与性能；三是当前光模块难获高精度数据，智能光模块需内部MCU具备更强实时处理能力，且现有故障等关键数据稀缺，无法有效运用AI。

中国移动进行智能模块数据层面关键技术创新和智能模块轻量化故障识别算法创新。软件升级支持高精度数据采样，同时不增加现有光模块额外物理空间负担；针对AI训练故障样本稀缺和不均衡的问题，引入数据增强模块，解决现网难以采集海量故障数据的限制。并将故障定位时间从小时级缩短到秒级，现网常见5类故障识别准确率超95%，在减少误报和漏检方面具备强可靠性。

在哑资源级智能运维方面，我国已建成全球规模最大的光纤光缆网络，伴随算力网络等新需求发展，光缆建设正在提速，部分光缆也已达设计寿命，提质升级空间大，光缆故障已成为影响网络质量的关键问题建立高效可靠的哑资源管理对光网络智能化运维管理具有关键作用。

光纤哑资源的无源特性以及人工运维的不准确性导致的哑资源信息不准确使得现网同路由故障多发，一旦主备路由同时中断，将造成用户业务完全中断，严重影响用户体验并导致巨大经济损失，需开展现网数据采集与标注工作以支持同路由识别AI模型训练。在解决数据采集难题后，面对现网复杂多样的同路由场景，还需有针对性地进行模型和算法设计，分场景逐点攻关同路由识别问题，并进一步提升方案实用性。

韩柳燕介绍，针对实际同路由场景复杂多样、光缆长度不一致的问题，中国移动提出部分同沟段识别方法并创新OTDR特征提取算法，核心方案已在云南、江苏等地开展试点应用，为现网同路由识别难题提供有效解决方案。

演讲的最后，韩柳燕总结说，未来AI有望深度融合为光网络的内生关键能力，影响网络架构、光层、帧结构、协议等，但数据是难点，包括标准化、可靠准确的数据获取，以及结合网络特征的数据映射和标注。光网络引入AI的落地应用，以及轻量化的硬件加持，能够助力其找到“最优性”和“可靠性”之间的平衡点。