中国移动研究院：体系化人工智能与大模型_12页_1mb

体系化人工智能与大模型总结

大模型的优势

• 强信息集成能力：包括知识融合、数据融合和系统融合。
• 强生成能力：能够生成文本（如写诗、作文）、图像、代码等，体现多样性和对现实或非现实场景的模拟。
• 强理解能力：可处理多种输入形式，包括长文、短文、指令、代码、提示、图像、视频、音频、表格等。

面临的挑战

• 生成能力：模型在为人“做事”方面的局限性。
• 泛理解能力：处理复杂、多样输入的能力不足。
• 鲁棒性和连贯性：模型在维持生成内容稳定性和逻辑一致性方面存在问题。
• 内部世界模型：缺乏对理解的内部表示。
• 错误生成和可测量性：模型可能产生幻觉，难以评估其质量。
• 控制能力：难以精确指导生成内容。
• 合作学习、持续学习和复杂系统应对：在多模型协同和复杂环境中的挑战。

大模型发展路径

• 理论和核心技术突破：推动整体智能水平提升，但需解决可控性、安全性和可信性等问题。
• 标准和支撑体系完善：建立相关行业标准、运营运维体系，逐步实现商业化部署。

体系化人工智能（HAI）的攻关思路

• HAI 被提出以应对挑战，依托泛在网络和AI算力，实现AI能力的灵活配置、调度、训练和部署，满足数智化业务需求，确保可信和安全。
• 主要特征：
  • AI服务大闭环：AI能力覆盖业务端到端优化。
  • AI能力原子化重构：依据高复用、易调度、自闭环、易适配原则，将AI能力拆分为原子单位。
  • 网络原生：集成网络特性，提升AI性能。
  • 安全可信AI：确保AI业务的可靠性和安全性。

HAI 工作机制和特征

• 角色分工：
  • 泛AI算力提供方：提供计算资源如GPU、ASIC、NPU和CPU。
  • 泛在网络资源提供方：覆盖云、网、边、端等场景。
  • 业务体系化AI：配置和监控AI在具体业务中运行。
• 大闭环：AI以业务端到端目标优化为核心，攻关多能力级联与并联优化理论及技术。
• 原子化：AI技术原子化拆解，实现共享通用智能层。
• 具体实现：数据原子化能力，如视觉和语音分析；循环优化，结合多模型融合，提升任务处理效率。

具体技术示例

• 多模型融合：例如，融合基础模型和小模型进行级联优化，支持语音增强、ASR和NLU等任务。
• 原子化重构：将大模型功能块化，实现等同网络块集合。
• 应用实例：端到端网络问题投诉优化，提高业务服务质量。