【华为】2024迈向智能世界白皮书-云计算_20页_3mb

AI技术发展趋势总结

趋势一：构建AI原生基础设施

现状：传统算力架构存在联算比（联接带宽/算力）、容算比（内存容量/算力）、存算比（内存带宽/算力）失衡问题，导致性能扩展、成本与效率面临挑战。
目标：推动算力从单体向矩阵架构转型，实现GPU、CPU、内存、DPU等资源的统一池化与高效组合。
核心技术：引入统一高速互联总线，支持对等互联与Scale-up网络，提升至Tb级带宽。
典型应用：华为云通过数据中心架构升级，实现模型训练与推理效率提升，例如Pangu大模型在参数量、运算量和带宽方面达20年168倍、2年14倍、2年60,000倍增长。
关键挑战：算力资源配比失衡、超高带宽需求及技术复杂度。

趋势二：构建知识为中心的数据底座

现状：企业现有数据仓库与数据湖难以直接支持AI大模型，需大量数据清洗与知识抽取。
目标：建立包含语义、图谱、规则等的多类型数据融合平台，为AI模型提供高质量数据服务。
核心技术：

1. 知识湖层：通过语义抽取将非结构化/结构化数据转化为知识；
2. 智能决策层：AI生成问答对/图文对，支持决策流开发与业务仿真；
3. 数智服务层：RAG、Graph、AI4Data等引擎实现数据治理与模型服务。
   典型应用：财经法务行业通过知识图谱与决策流编排，实现合同异常诊断、财务审核等自动化任务，准确率提升至99%。
   关键挑战：数据质量不足、知识生成与融合难度较高、算力需求激增。

趋势三：构建多模态多尺寸模型

现状：传统AI技术难以处理文本、图像、视频、数值等多模态数据，需统一表示与联合建模。
目标：通过多模态融合技术解决复杂场景问题，提升模型准确性与泛化能力。
核心技术：

1. 多模态数据预处理：将不同数据类型转化为统一表征；
2. 模态融合算法：实现二维图片、三维点云及激光光谱等技术的协同分析；
3. 算力优化：针对多模态数据量级（文本<图片<视频）匹配相应算力资源。
   典型应用：高铁行业采用多模态融合诊断技术，故障识别准确率从90%提升至99%。自动驾驶通过STCG技术生成多场景训练数据，提升模型训练效率。
   关键挑战：数据集稀缺、模态对齐难度高、算力成本高。

趋势四：开放价值场景与AIAgent

现状：约72%的企业已部署AI至至少一个业务场景，AIAgent技术逐步成熟。
目标：推动AIAgent成为企业AI落地新方向，覆盖单点功能替代与角色化助手应用。
核心技术：

1. Copilot模式：AIAgent替代传统算法完成特定任务（如CV、预测）；
2. Embedded模式：基于大模型构建员工角色化助手（如客服、开发）；
3. 业务场景闭环：通过Agent开发套件实现插件管理、Prompt工程与分阶段部署。
   典型应用：汽车行业开发智能客服Agent，支持座舱知识查询、维修诊断等场景，准确率提升至98%以上；政务与医疗行业亦通过Agent技术优化业务流程。
   关键挑战：需平衡技术复杂性与业务需求，确保数据安全与治理。

行动建议

1. 算力架构升级：优先建设全对等池化、可组合的AI算力基础设施，实现资源统一标识与高效调度。
2. 数据治理优化：通过三层架构（知识湖层、智能决策层、数智服务层）提升数据供给效率，重点强化RAG与AI4Data引擎。
3. 多模态技术实践：从高价值场景切入，采用数据生成算法解决样本稀缺问题，同时优化模态融合与算力匹配。
4. Agent应用开发：借助Agent开发套件实现快速部署，分阶段从问答类Agent扩展至客服、会议等角色化应用。

行业实践成果

• 高铁检测：华为云盘古大模型通过多模态融合技术（二维图片+三维点云+激光光谱），故障识别准确率提升至99%。
• 自动驾驶训练：采用STCG技术生成多场景驾驶数据，结合仿真库与路网信息，缩短训练周期。
• 智能客服：汽车行业通过Agent技术实现多模态数据处理，支持复杂业务查询与自动化应答。