但目前信道建模的方法主要依賴于信道測量，基于無線信道的各種統計特性建立的信道模型，具有難以針對特定環境給出準確信道響應的缺點，具有一定局限性。利用人工智能方法，根據無線信道數據的特點，可將大小尺度衰落預測等任務進行抽象，將其歸類于機器學習擅長解決的回歸分類等問題，通過機器學習和數據挖掘，得到更精確的信道衰落預測和模擬方法。

為了克服網絡狀態和服務的動態特性，應對多樣化的多媒體業務挑戰，中國聯通網研院聯合清華大學AI研究團隊，將現有AI算法進行改進創新，并且與人因工程、移動通信網絡力量相結合，提出一種基于強化學習的面向QoE的通信和服務協同優化方法，將用戶的心理、生理感知映射到移動業務體驗，再將移動通信的KPI與QoE建立關聯。通過強化學習及反饋學習機制建立模型來獲得高維空間中的最優解。同時，輸出端的實時網絡狀態和服務質量被反饋到輸入端，從而在當前服務需求下獲得最高的網絡資源利用率，使用戶體驗最佳，實現移動網絡中復雜業務的動態聯合優化及提升QoE的最終目標。

AI應用的邊緣化

傳統網絡的路損計算、覆蓋規劃、波束成型等都涉及到對網絡環境的計算，在5G復雜網絡環境的背景下，引入AI解決與網絡環境相關的規劃優化等問題是必經之路，這時需要將傳統代數計算的方法進行基于AI的建模，AI算法中的準確建模對算法的實際應用效果至關重要。

數據的獲取和處理是AI應用于5G網絡的一大挑戰。移動通信數據維度高、數據類型多、數據量大、缺失數據多、不同設備廠家數據格式不統一等，導致無線數據獲取和處理難。

5G采用了大規模天線系統和超密集組網技術，并將引入頻譜共享、D2D等復雜的無線傳輸技術，與此前移動網絡技術相比，整體網絡架構也更加靈活，功能更加豐富，業務趨向多樣化，這一切都使得網絡的規劃、部署、管理、維護成為極具挑戰性的工作，并且5G網絡天生肩負著為用戶提供智能化的、最佳體驗的服務使命。因此，未來的5G網絡必將具備高度的自治能力和充分的靈活性。