体系化人工智能与大模型-中国移动研究院_12页_1mb

中国移动体系化人工智能与大模型发展分析总结
2023-07-18 冯俊兰

大模型在信息集成、生成能力和理解能力方面具有显著优势。其信息集成能力体现为知识、数据和系统的深度融合；生成能力覆盖文本创作（如诗歌、作文、代码）、图像和视频创作，支持现实与非现实场景的多样化输出；理解能力可处理长文、短文、指令、代码、多媒体信息（图像、视频、声音、表格）等复杂形式。

然而，大模型在实际应用中面临多重挑战：生成能力存在鲁棒性不足、输出连贯性和理解表示能力的局限性；易出现幻觉问题，需解决评估标准与可控性难题；此外，复杂系统的协同学习、持续学习及多模型交互能力仍需突破。

针对上述问题，中国移动提出体系化人工智能（Holistic AI, HAI）的攻关方向，旨在通过泛在的网络和AI算力，在开放环境中实现对AI能力的灵活配置、高效调度、动态训练和部署。该体系核心特征包括：

1. AI服务大闭环：以业务端到端优化为目标，研究多能力级联与并联优化技术，构建覆盖数据、模型、应用的完整智能闭环。
2. AI能力原子化重构：将AI技术按高复用性、易调度性、自闭环性等原则拆分为可共享的通用智能层、适配层和接口层，形成模块化能力单元。
3. 网络原生AI：依托泛在网络资源（云/网/边/端）和算力基础设施（GPU/ASIC/NPU/CPU）实现AI能力的分布式部署与协同。
4. 安全可信AI：确保AI业务在可控、可审计的环境下运行，提升系统安全性与可解释性。

体系化AI的实现依赖于数据原子化能力、模型参数协同机制及跨模型互学习体系。具体技术路径包括：

• 大闭环（BigLoop AI）：通过多模型级联（如语音增强、ASR、NLU）优化业务流程，利用瓶颈适配器提升系统效率。
• 原子化AI：将复杂模型分解为功能块集合，通过等同网络块集合并行处理提升复用性。
• 多模型联合训练：如“Deep Model Reassembly”技术将多个神经网络层整合为功能模块，“Stitchable Neural Networks”实现大模型的模块化拼接与动态优化。

此外，中国移动强调构建覆盖算力、网络、模型的协同生态，提出“泛AI算力”“泛在网络资源”和“业务体系化AI”三大支撑体系。通过开放动态环境下的能力调优，满足多样化数智化需求，同时保障AI系统的可信性与可控性。

总结指出，体系化AI需突破传统模型的局限，通过大闭环架构、原子化重构和网络原生技术，实现多模型协同与复杂业务场景的智能化适配。未来方向聚焦理论创新与技术协同，推动AI在商业场景中的标准化与规模化应用。