重生：从OICQ到华为芯片帝国 第166章 第一个大单

5月22日，周一，上海浦东香格里拉酒店宴会厅。

能容纳三百人的会场座无虚席。这不是华为的会议，是上海移动举办的“智能运维技术研讨会”，邀请了国内外十几家厂商来做技术交流。华为只是其中之一。

但今天，所有人的目光都聚焦在台上两个人身上：华为预研部的吴瀚，和爱立信中国区的首席算法专家Dr. Johnson——一个五十多岁的瑞典人，在国际通信界有“算法教皇”的绰号。

事情是这样的：上周，上海移动发布了一个招标需求：为陆家嘴金融区开发一套“智能话务预测与动态扩容系统”。要求很简单：准确预测未来24小时的话务量变化，自动调整网络资源，保证金融交易时段零拥塞。

项目不大，预算只有八百万。但象征意义巨大——谁能拿下，谁就是上海移动在智能运维领域的首选合作伙伴。

华为和爱立信都投了标。上海移动的技术评审组很为难：两家的方案都很优秀，难分伯仲。最后有人提议：搞一场现场技术对决，让两家的算法专家现场讲解，现场答辩，现场出结果。

于是就有了今天这一幕。

吴瀚坐在华为的展示区，手在抖。不是紧张，是兴奋。他面前的笔记本电脑上，运行着他过去三个月优化的算法模型。旁边站着林辰——林辰是昨天半夜飞过来的，就为了给吴瀚压阵。

“别慌，”林辰拍拍吴瀚的肩膀，“你的算法我看了，比爱立信的好。至少，更适合中国市场的实际情况。”

“可Dr. Johnson是国际大牛……”吴瀚小声说。

“大牛怎么了？”林辰笑，“大牛也会水土不服。你做的算法，用的是上海移动过去三年的真实数据训练的。他的算法，用的是欧洲的数据。你说哪个更准？”

吴瀚深吸一口气，点点头。

九点整，对决开始。

Dr. Johnson先上台。他穿着定制西装，头发一丝不苟，英语带着北欧口音，但很流利。PPT是全英文的，满屏的数学公式和复杂图表。

“Ladies and gentlemen, today I will present Ericsson’s next-generation traffic prediction algorithm, based on deep neural networks and reinforced learning...”（女士们先生们，今天我将展示爱立信基于深度神经网络和强化学习的下一代话务预测算法……）

他讲了二十分钟，从算法原理到数学模型，从训练过程到验证结果。很专业，很学术。台下不少技术专家频频点头。

最后，他展示了一组测试数据：在欧洲某运营商的网络上，算法的预测准确率达到92.3%，资源调度效率提升35%。

掌声热烈。

轮到吴瀚了。他走上台，穿着普通的格子衬衫，头发有点乱。PPT是中文的，第一页标题很简单：《基于多源数据融合的本地化话务预测算法》。

“各位领导，各位专家，大家好。”吴瀚开口，声音不大，但很清晰，“刚才Dr. Johnson讲了很多先进的算法理论。但我想说的是：在上海陆家嘴，理论要落地，还得看本地情况。”

他切换PPT，展示一张陆家嘴的卫星地图：“陆家嘴的话务规律，和欧洲城市完全不同。这里有几个特殊因素……”

他开始分析：股市开盘收盘时间、外资金融机构的交易习惯、国际长途的时差效应、甚至天气对上班族出行的影响……

“我们收集了陆家嘴过去三年的详细数据，”吴瀚调出数据图表，“包括话务量、天气、股市交易量、重大事件、节假日……总共37个维度的数据。然后用集成学习的方法，建立了多模型融合的预测系统。”

他展示了算法的结构图：不是单一的神经网络，而是多个模型的组合——时间序列模型处理周期性变化，回归模型处理趋势性变化，甚至还有一个专门处理突发事件的异常检测模型。

“为什么要这么复杂？”台下有人问。

“因为陆家嘴的话务变化本身就复杂，”吴瀚回答，“单一的模型，无论多先进，都难以捕捉所有规律。就像看病，不能只靠一种仪器，要综合诊断。”

他开始展示测试结果。用的不是欧洲数据，是上海移动提供的真实历史数据。

“我们用过去三个月的数据做验证，”吴瀚指着屏幕上的曲线，“算法的预测准确率：95.7%。特别是在股市开盘前后的关键时段，准确率达到98.2%。”

台下响起议论声。比爱立信的高。

Dr. Johnson举手提问：“Mr. Wu, your algorithm seems too plicated. In machine learning, simpler models are usually more robust.”（吴先生，你的算法似乎太复杂了。在机器学习中，简单的模型通常更鲁棒。）

这章没有结束，请点击下一页继续阅读！