主线一：AI赋能网络（AI for Network）
这是新大纲最直接、权重最高的新增方向，核心逻辑是用AI技术优化网络自身的规划、运维与调度。
考点1：AIOps与网络智能运维（选择题/案例分析高概率）
AI网络运维列为“智能网络”下的考查内容。需要掌握的不只是“AIOps”这个概念，而是其在网络运维中的具体落点：
1. 异常检测与根因分析：基于机器学习（时序预测、聚类、分类）从海量Telemetry数据中自动识别偏离基线的网络行为，并定位故障根因，而非依赖阈值告警。
2. 故障预测与自愈：利用历史故障数据训练模型，在设备劣化或流量异常演化到故障态之前触发预防性干预；结合自动化工具（如Ansible Playbook）实现“检测—决策—修复”闭环。
3. 可观测性（Observability） ：2026年备考需额外关注的前沿概念，强调通过日志、指标、追踪三位一体的数据支撑智能分析，区别于传统监控的“已知问题告警”逻辑。
4. AIOps落地可行性判断：考试趋势更侧重“什么规模/条件的团队适合上AIOps”，而非单纯概念识记，例如日均日志量级、数据治理成熟度等前置条件。
考点2：智能流量调度与机器学习异常检测（选择题/案例分析）
这两个点在新大纲中被并列提出，反映的是AI直接嵌入网络数据平面与控制平面的调度与安全逻辑。
1. 智能流量调度：区别于传统基于静态策略或简单ECMP的调度，AI驱动的调度依据实时或预测性的流量特征（应用类型、时延敏感度、链路质量趋势）动态调整路径与队列策略。结合SRv6、APN6（应用感知IPv6网络）等协议，可实现算力路由——将流量按业务对算力的需求调度到合适的计算节点。
2. 基于ML的异常检测：在网络安全与性能管理交叉地带命题，如DDoS攻击的早期识别、加密流量的行为分析、性能劣化的隐性异常发现。需理解监督学习、无监督学习在该场景下的适用差异（标注数据可得性）。
考点3：意图驱动网络（IBN）与网络自动化（选择题/论文素材）
IBN是“AI赋能网络”在配置与管理层面的体现，2026年考试中预计从“了解”层级上升为需要理解其闭环逻辑的考点。
1. 核心闭环：意图获取 → 意图转译 → 策略下发 → 验证与闭环优化。意图转译是核心环节，将自然语言或DSL表达的业务意图（如“保障视频会议体验”）翻译为可执行的网络策略与配置。
2. 与网络自动化的关系：IBN是上层意图入口，底层执行依赖Python/Ansible/Telemetry等自动化工具链。新大纲中网络自动化（Python/Ansible/Telemetry）比重明显上升，可作为论文中“智能网络规划与运维”方案的技术支撑来使用。
主线二：网络支撑AI（Network for AI）
这一侧的逻辑是网络如何被规划、设计和优化，以承载AI训练与推理的流量特征和算力分布需求。虽然新大纲未将其列为独立章节，但政策文件与产业实践已将其推到前台，极易作为案例分析或论文的背景场景出现。
考点4：算力网络与“云上训练、边缘推理”的智能协同（案例分析/论文高价值）
1. 算力网络：新大纲相关备考资料已将算力网络纳入新技术考查范围。核心问题包括：算力资源的标识与调度、算力路由（APN6/SRv6）、数据中心无损网络（RDMA/RoCEv2）对AI训练集群的支撑。工信部《“人工智能+信息通信”创新发展实施意见（2026—2028年）》明确提出构建“枢纽—区域—边缘”三级算力设施体系，城域算力1毫秒时延圈是量化目标，可能作为案例背景数据出现。
考点3：意图驱动网络（IBN）与网络自动化（选择题/论文素材）
IBN是“AI赋能网络”在配置与管理层面的体现，2026年考试中预计从“了解”层级上升为需要理解其闭环逻辑的考点。
1. 核心闭环：意图获取 → 意图转译 → 策略下发 → 验证与闭环优化。意图转译是核心环节，将自然语言或DSL表达的业务意图（如“保障视频会议体验”）翻译为可执行的网络策略与配置。
2. 与网络自动化的关系：IBN是上层意图入口，底层执行依赖Python/Ansible/Telemetry等自动化工具链。新大纲中网络自动化（Python/Ansible/Telemetry）比重明显上升，可作为论文中“智能网络规划与运维”方案的技术支撑来使用。
主线二：网络支撑AI（Network for AI）
这一侧的逻辑是网络如何被规划、设计和优化，以承载AI训练与推理的流量特征和算力分布需求。虽然新大纲未将其列为独立章节，但政策文件与产业实践已将其推到前台，极易作为案例分析或论文的背景场景出现。
考点4：算力网络与“云上训练、边缘推理”的智能协同（案例分析/论文高价值）
1. 算力网络：新大纲相关备考资料已将算力网络纳入新技术考查范围。核心问题包括：算力资源的标识与调度、算力路由（APN6/SRv6）、数据中心无损网络（RDMA/RoCEv2）对AI训练集群的支撑。工信部《“人工智能+信息通信”创新发展实施意见（2026—2028年）》明确提出构建“枢纽—区域—边缘”三级算力设施体系，城域算力1毫秒时延圈是量化目标，可能作为案例背景数据出现。
2. 边云智能协同：这是网规案例分析的高频交叉考点，核心分工必须记清：云端负责模型训练与全局更新，边缘节点负责本地实时推理，边缘收集的疑难样本回传云端形成增量学习闭环。典型场景如工业质检（边缘0.1秒判次品）、自动驾驶（本地感知 + 云端模型OTA下发）。考试常以“谁负责训练、谁负责推理”设区分题，也容易与“数据协同”混淆制造陷阱。
选择题）
政策层面已明确方向：在路由交换设备、安全网关、基站等网络设备中部署智能算力，用AI算法增强设备的业务感知、调度与安全防护能力；同时推动网络大模型与智能体（大小模型协同、多智能体通信、自主智能体通信协议）的发展。对于网规考试而言，这一考点更可能以概念辨析选择题形式出现，要求区分“外挂式AI运维”与“设备内生智能”的差异，或判断某种智能体应用场景的合理性。
题型分布预测与备考侧重
题型
最可能涉及的AI考点
备考建议
选择题
AIOps组件辨析、边云协同“训练/推理”分工、IBN闭环环节、内生智能概念、ML异常检测适用场景
抓概念边界和流程顺序，避免将AIOps与知识库工具、传统监控混淆
案例分析
给定一个含AI业务（如智能质检、自动驾驶、智算中心）的网络规划场景，要求计算带宽/时延、设计边缘与云端的分工架构、选择调度策略或异常检测方案
重点训练边云智能协同和算力网络场景下的需求量化与架构选型能力
论文
“论AI技术在网络规划/运维中的应用”“论算力网络的需求分析与架构设计”“论智能流量调度在某大型网络中的实践”
准备一个可复用的AI+网络项目素材，覆盖背景（业务AI化带来的网络新需求）→ 技术方案（AIOps/IBN/边云协同/算力路由）→ 实施效果与量化指标的完整叙事链
优先级排序：AIOps与智能运维 > 边云智能协同 > 智能流量调度/ML异常检测 > IBN > 算力网络/内生智能。前两者在新大纲中有明确文字依据且题型覆盖最广，后三者作为区分度考点和论文高阶素材来准备。
