SCR-SELF-1472026-06-01约 19 分钟阅读

大模型改变人工智能工程范式

人工智能大模型的出现,改变了人工智能模型的训练模式,提升了训练的起点,突破了原有小模型的不足和瓶颈,提高了机智的水平,带来了人工智能工程的新范式。企业应该认识到这一革命性突破的意义,探索应用大模型解决企业难题,构建企业基础模型,进而打造企业智机母体,为实现双智协同的业务奠定基础。

大模型改变人工智能工程范式

AI革命:大模型改变人工智能工程范式

尚参科技

2023年7月

摘要

人工智能大模型的出现,改变了人工智能模型的训练模式,提升了训练的起点,突破了原有小模型的不足和瓶颈,提高了机智的水平,带来了人工智能工程的新范式。企业应该认识到这一革命性突破的意义,探索应用大模型解决企业难题,构建企业基础模型,进而打造企业智机母体,为实现双智协同的业务奠定基础。

主要发现

大模型不仅仅是语言模型,也包含了多模态大模型,可以处理视频、音频、图像和结构化数据

大模型是人工智能领域革命性的突破,其智能涌现和泛化能力使人工智能拥有了较高的智能

大模型不仅仅可以用于内容生成,也可以用于数据分析建模和算法提炼

大模型用于数据分析建模将彻底改变现有的数据分析模式,带来人工智能工程新范式

应用大模型可以实现基础模型的构想,在基础模型之上可以训练出各种小模型和专业模型

建议

企业应该认识到大模型的革命性意义,把应用大模型创建的基础模型作为实现双智协同的业务的“底座”

探索大模型对业务的价值,在企业面临的难题中寻找应用场景

在对大模型进行选择时,企业应该综合考虑大模型的适用性、安全性和投入产出比

要提高对大模型的掌控能力,其中管理能力是不可或缺的能力,技术能力是加分项

基础模型是人工智能领域的一种设想,希望有一种模型可以成为其他模型的基础,使其他模型在基础模型之上被训练出来。在大模型产生之前,这样的设想没有完全实现。很难说大模型是基础模型的唯一选项,但大模型可以成为基础模型却是毋庸置疑的。我们曾经分析过,大模型是指模型参数(神经网络中神经元之间连接特征值指标)数量巨大。普遍认同的标准是30亿以上,当前国内许多企业的说法是参数数量在10亿以上,就可以被看做大模型。其实模型大不大是一个相对概念。当模型为了完成某种特定任务,其输出正确率高于随机值时,就说明大模型已经出现了涌现能力。此时的参数数量为临界值。当准确率达到可靠性要求时,大模型就达到了可用的程度,此时的参数数量对所需的任务来说就是足够大的。

大模型是因为AIGC的需要而被开发出来的,因为要使机器通过学习掌握大量的知识,从而具有生成内容的能力。当学习的知识量不够大时,模型没有足够的智能产生有意义的内容,所以需要大量的训练材料。随着训练材料的增多,要求计算速度越来越快,模型也变得越来越大,最终导致了大模型的产生。因为大模型是为了实现AIGC而生的,也因为近期大部分大模型都主要用于AIGC的任务,就使人们误以为大模型只能用于内容产生,而忽略了它们的另一个更重要的价值领域,即基础模型的价值。而这一领域的价值,将有可能彻底人工智能工程的范式,即从“小学生”开始训练模型的模式转变成从“大学生”开始训练模型的模式。

增强型数据分析,人工智能的一种有意义但不太成功的尝试

从大数据的概念开始流行以来,企业纷纷建立了大数据管理系统和大数据分析系统,希望通过历史数据和当前数据发现数据之间的关联和规律,并把这些发现用于对当前态势的分析和未来的预测。但在增强型数据分析技术之前,对数据分析模型的设计主要依靠模型设计师对业务的理解,进行人工的设计。人工设计模式要求设计师对业务有足够的理解,因此设计师的业务能力和设计能力会成为数据分析模型的限制。一方面,人工设计效率很低,不可能在较短的时间内完成业务所需的模型,人工能够完成的模型总量十分有限。另一方面,因为设计师对业务的理解不够充分,设计的结构无法全面反映业务的规律,形成设计偏见。在机器学习被引入大数据分析领域以后,这些情况出现了好转。因为通过机器学习自动发现数据中的样式(Pattern)可以大大提高模型生成的效率,同时能够突破设计师的认知局限,使分析模型的数量和质量都有可能获得较大程度的提升。如果采用人工设计分析模型,一个设计师用一年的时间能够设计的模型也是非常有限的。而采用增强型数据分析技术,可以在几分钟之内产生出几千种分析模型。当然,对这些模型的有效性验证仍然需要一些时间,但毕竟效率大幅度提高了。

据调研的情况,有相当数量的企业已经采用增强型数据分析技术。但总体的应用效果并不理想。主要的原因有两个,一是对增强型数据分析的技术掌握得不好,不能有效发挥其效能。二是增强型数据分析本身也存在缺陷,因为机器只能发现相关性,不能发现因果性。同时,机器学习的重点在于发现数据分析模型,而不是提升机器学习模型自身的能力。在有些应用场景中,比如各种智慧大脑的应用中,虽然提升智慧大脑的能力是重点,但经过长期的训练发现,当智慧大脑的能力提升到一定程度后,似乎达到了能力的天花板,无论如何训练都不能获得提升了。比如无人驾驶系统最终无法克服复杂交通环境的困难,语言翻译系统的错误率保持在20%左右无法进一步消减。在医疗领域,对医学图像的识别也同样遇到了天花板,总是不能达到人类专家的水平。面对这些问题,人们首先想到的是训练的数据质量或数量存在不足,但是在设定的领域能够获得的高质量的数据是十分有限的,很难突破。问题如何解决呢?于是人工智能领域出现了一些科学家再次追问人智与机智的区别问题(比如Yann LeCun)。

Yann LeCun发现,人类在学习过程中不像机器在学习过程中需要大量的数据。比如学开车,只要老师教几个简单的动作,人就可以开始练习了

登录后查看全文

本报告免费开放给注册用户,登录即可阅读全文。

相关报告推荐

2282682026-11-12

工程师的能力再养成:从会写到会定义、会审验、会编排智能体的转型路径研究

工程师的核心价值正从代码实现向业务定义与智能体编排转移。在双智协同框架下,研发人员的个人能力模型需要全面升级。传统的代码编写只是基础,现代工程师必须掌握业务定义、智能体输出审验以及通过业务编排脚本调度数字员工的能力。企业在推进新双模架构时,必须同步重塑人才结构。技术团队需深入理解业务逻辑,提升AI应用力与协同创新力,实现从单一开发向人机协同的跨越。这种能力再养成并非单纯的技术培训,而是组织数字化成熟度跃迁的基础工程,直接决定企业智能转型的最终成效。

7856152026-11-12

软件过程标准与DevOps流水线的AI化改造:评审、门禁与发布流程为智能体重写研究

DevOps流水线的AI化改造正推动软件过程标准从静态规则向液态敏捷演进。传统研发门禁依赖人工评审与固定脚本,难以适应高频发布需求。引入智能体重写评审与发布流程,是践行新双模架构的有效路径。通过将过程标准转化为业务编排脚本,企业能够构建人机协同的研发环境。这种改造提升了代码质量管控效率,实现软件交付的自适应调节。管理层需关注研发团队的数字化能力转型,确保人类工程师与AI智能体在复杂业务场景中高效协同,达成软件生产过程的智能化升级。

5920772026-11-11

瓶颈转移下的排期重构:编码不再是关键路径后项目缓冲与里程碑重排研究

软件研发瓶颈已从代码编写向需求转化与业务验证转移。在双智协同环境下,项目关键路径发生位移,传统以编码时长为基准的排期逻辑失效。企业需重新识别研发流程中的真实约束点,将项目缓冲区和里程碑向需求确认、架构设计以及业务编排脚本测试环节前移。管理者应依托新双模架构调整资源分配,将团队能力评估重心从单一代码产出转向业务理解与系统编排能力。组织需动态更新项目管理标准,以匹配智能协作环境下的真实交付节奏,确保研发效能的整体提升。

5328592026-11-11

敏捷仪式的去留:站会、迭代与看板在AI分钟级产出下的保留与重设研究

传统以信息同步为核心的敏捷仪式在AI分钟级产出下正面临失效,亟需向双智协同模式重设。每日站会与固定看板在高频交付中易沦为形式,团队应将精力从机械汇报转向业务编排脚本设计与复杂异常决策。迭代周期需依据机器产出特性,从固定时间盒转向事件驱动,以匹配非线性的开发节奏。组织需构建新双模架构,让人类智能与机器智能在目标对齐与逻辑校验层面深度协作。敏捷仪式的去留不应拘泥于原有形态,而应重设为驱动人机协作的价值交付节点,确保业务逻辑的准确性与战略方向的一致性。

3455112026-09-16

面向液冷通道密闭环境的物理安防设备空间侵入式监测适配模式研究

本研究提出一种适配液冷通道密闭环境的物理安防设备空间侵入式监测新范式,核心在于突破传统安防部署对开放空间与可见光条件的依赖,转向以环境约束为设计原点的主动适配逻辑。针对液冷通道高密度、全封闭、强电磁屏蔽及温湿度动态变化等典型特征,研究构建了“感知—响应—验证”三级协同机制:通过多模态微扰信号融合识别非授权空间扰动,利用通道结构特性增强信号可辨识度,并引入轻量级边缘推理实现低延迟本地决策。该模式不依赖外部视觉覆盖或高功耗持续扫描,在保障监测连续性的同时显著降低系统与基础设施的耦合风险。实践表明,其在有限安装空间、受限供电及复杂热流场中仍能维持稳定感知效能,为新型数据中心、高性能计算设施等高约束场

3261012026-09-14

异构算力混布机房中CPU/GPU/DPU热密度梯度分布建模与散热冗余度评估框架

本报告提出一套面向异构算力混布机房的热密度梯度建模与散热冗余度评估框架,核心观点是:传统均质化散热设计难以适配CPU、GPU、DPU等多类型芯片在空间分布、功耗动态性及局部热强度上的显著差异,必须建立与设备物理布局、负载时序特征和散热路径耦合的梯度化热模型。框架以热流守恒与传热边界条件为理论基础,将机房划分为多尺度热域,通过耦合设备瞬态功耗曲线与气流组织仿真,量化不同区域的热密度时空梯度;进而定义散热冗余度指标,综合反映制冷系统在局部热点、负载突变及单点故障场景下的动态承载裕量。该方法避免依赖静态峰值功耗假设,转而强调热响应的结构性瓶颈识别——例如高密GPU区与邻近DPU通信节点间的热串扰、冷

9859542026-09-14

超算异构混布机房中GPU加速卡在液冷约束下的峰值功耗释放能力评估框架研究:聚焦冷板流速-入口温度-芯片结温三变量协同限界机制

本研究提出一种面向超算异构混布机房的GPU加速卡功耗释放能力评估框架,核心观点是:在液冷约束下,GPU的实际峰值功耗并非由供电或芯片规格单方面决定,而是受冷板流速、冷却液入口温度与芯片结温三者动态耦合所共同限界。该框架摒弃传统“功耗—散热”线性映射思路,转而构建三变量协同作用下的热力学可行域模型,揭示不同工况组合对功耗释放的非线性抑制机制。研究发现,微小的流速波动或入口温度偏移,在高负载持续运行时可能触发结温快速逼近安全阈值,从而迫使系统主动降频限功——这种限界效应在多类型GPU混布、变负载场景中尤为显著。框架支持在机房规划、液冷系统调优及任务调度策略制定阶段,量化评估功耗释放潜力边界,避免因

2551742026-09-14

面向智算中心集群的算电协同动态响应机制研究:基于负荷可调性与电网调节信号的双向耦合建模

本研究提出一种面向智算中心集群的算电协同动态响应机制,核心在于打破计算负载与电力供应之间的单向适配惯性,构建负荷可调性与电网调节信号的双向耦合关系。通过将智算任务调度、资源弹性伸缩与电网频率、电压、负荷指令等实时运行信号统一建模,机制实现了计算侧对电力系统动态变化的主动感知与快速响应,同时支撑电网在波动场景下获得可观、可测、可控的柔性调节能力。研究强调“算力即调节资源”的系统观,将传统视为刚性负载的智算集群转化为具备时间维度灵活性和功率维度可塑性的协同单元。该机制不依赖特定硬件架构或封闭生态,兼容主流虚拟化与编排框架,可在现有基础设施上分阶段部署。实证表明,其在保障关键算力服务SLA前提下,显