日志文本种类繁多、数量庞大，且多数日志为非结构化文本，无法通过人工方式监控和检测 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施中的日志消息，日志中的详细信息和自然语言有一定的相似性 Action 指标 : Adjusted- RandIndex • 指标 : RandIndex PART 05 未来畅想 全模态支持 从构建方式来看，自动抓取系统流量、截图、客服记录 等进行自监督学习。 AI 运维智慧体面临更高要求：文本、图片、语 音 Prompt ：以上日志怎么理解？ Prompt ：系统是否有异常？ Prompt ：帮我分析一下根因 Prompt ：把上述内容做个摘要报

Department of Computer Science and Technology, Tsinghua University, Beijing 100084 第 51 卷 第 1 期 自 动 化 学 报 Vol. 51, No. 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 LMM) 具有理解图像、场景文本、图 表、文档, 以及多语言、多模态理解的强大能力[29], 可 以直接用于具身智能对环境的理解, 并通过提示词 使之输出结构化内容如控制代码、任务分解等指令. 2 自 动 化 学 报 51 卷 Wang 等[25] 探索了使用 GPT-4V 赋能的具身 智能任务规划的可能性, 作者提出一个基于 GPT- 4V 的框架 机器人能够根据用户的文本描述来识别和操作场景 中的特定对象, 如图 2 所示. 在 6-DOF 姿态推断中 对夹爪周围也训练了一个 NeRF 场, 在场中采样查 询点并计算这些点的特征向量, 使得能够推断出适 合抓取特定对象的姿态. 图 2 基于 NeRF 的语义特征场景表示[107] Fig. 2 Semantic feature scene representation

模型以及深度学 习模型等。其中，技术指标策略通过分析价格和成交量等市场数据 来预测未来走势；统计套利策略则通过寻找市场中的定价偏差来获 取套利机会；机器学习和深度学习模型则能够从大量历史数据中自 动学习市场规律，并生成更为复杂的预测模型。 为了确保量化交易策略的可行性和稳定性，通常需要进行以下 几个步骤：  数据收集与清洗：获取高质量的市场数据，并对数据进行清洗 和预处理，以确保数据的准确性和一致性。 度的特征向量。  模型训练与优化：DeepSeek 支持自动机器学习（AutoML） 功能，能够根据历史数据自动选择和调优模型参数。其内置的 强化学习模块还可以根据市场反馈动态调整交易策略，实现自 适应优化。通过并行计算和分布式训练，模型训练效率显著提 升，能够在短时间内完成大规模数据的训练任务。  实时决策与执行：DeepSeek 的实时决策引擎能够结合当前市 场数据和预测模型，生成最优的交易信号，并通过 能够实时处理海量市场数据， 包括历史价格、新闻舆情、社交媒体动态以及宏观经济指标等多源 信息，从而生成更为精准的市场洞察。这种数据驱动的分析方式不 仅能够识别传统方法难以捕捉的市场模式，还能迅速调整策略以适 应不断变化的市场环境。 具体而言，DeepSeek 在股票量化交易中的必要性体现在以下 几个方面： 1. 提升数据处理能力：传统量化模型通常只能处理结构化数据， 而 DeepSeek 能够同时处理结构化和非结构化数据（如文

自动记录 · Al 分析 · 故障预警 · 设备协同 人工抄表 人工管理 经验判断 传统能源 · 自动感知 · 智能调节 · 节能环保 · 个性适应 基础服务 普适性 传统手段 运营单一 · 增值服务 · 定制化 · 创新应用 · 线上线下 时效局限 传输困难 缺乏收集 数据孤岛 智慧安全 设施 智慧设施 规划馆、展览馆、体育馆、 文化宫。。 科教 中小学、中职院校、高校、 党校、科研实验室。。。 行政办公 政府机关、事业单位、公 检法机构 产业园区 工业园、物流园、产业孵 化基地、自贸区。。。 金融商业 银行、证券、购物中心、 大型商超。。 交通枢纽 机场、火车站、汽车 站。。。 医疗 医院、康养园。。。 企业总部 国企、私企 第 转 型 与 创 新 章

学习效果和推理能力。针对不同的模型和任务，超参数调优技巧应 包括以下几个方面： 首先，常用的超参数调优方法主要有网格搜索、随机搜索和贝 叶斯优化等。网格搜索在预定义的参数空间中穷举每一种组合，适 合参数范围较小的情况；随机搜索则是随机选择一定数量的参数组 合，能够在较大的参数空间中找到较优解；而贝叶斯优化利用以前 的试验结果，逐步更新对超参数空间的知识，从而在寻优过程中更 加高效。 微服务架构，将不同的模型功能模块化，以便于独立部署和高可用 性。每个模型可以部署在 Docker 容器中，结合 Kubernetes 进行 管理与调度，实现弹性扩展。当实时数据到达时，系统能够快速自 动地调用相应的 AI 模型进行推理，并将结果返回给前端接口。 对于模型的版本控制和更新，采用 MLflow 等平台进行模型的 追踪和管理，以便于实现快速迭代和生产环境的模型切换。模型更 新时 MySQL，主要用于存储结构 化的数据，如乘客信息、车票记录、运营调度等。关系数据库 保证数据的一致性与完整性，适合事务处理。 2. NoSQL 数据库：如 Cassandra 或 MongoDB，这类数据库适 用于存储非结构化或半结构化数据，如传感器数据、视频监控 信息和用户行为数据。NoSQL 能够提供更好的水平扩展性以 及灵活的数据模型。 3. 时序数据库：如 InfluxDB 或 TimescaleDB，专门用于存储时

法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 最近的一些研究也证实了大语言模型技术在科 学研究中知识创新的潜能[12-13]。利用自然语言处理 技术从大量的科学文献中自动提取知识，生成研究 假设，驱动科学试验，开启了科学发现的新模式。 材料科学领域的研究人员利用无监督词嵌入技术自 动学习该领域科学文献，通过高维向量空间的位置 关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 未充分探索领域的隐性联系，从而形成新的知识结

JSONB 数据类型，能够存储半结 构化数据，为智能体的灵活数据模型提供了支持。 对于非结构化或半结构化数据的存储，MongoDB 是一个理想 的选择。其文档存储模型能够高效处理大规模的非结构化数据，适 合用于日志存储、用户行为数据记录等场景。MongoDB 的可扩展 性极佳，能够通过分片技术轻松应对数据量的增长，同时其灵活的 查询语言和索引机制为复杂数据查询提供了便利。 在具体实施中，我们可以采用以下数据存储策略： 通过合理的数据表结构进行定义，以确保数据的完整性、一致性和 高效性。 对于用户管理模块，可以设计 user 表，包含用户 ID、用户 名、密码哈希、邮箱、创建时间等字段。其中，用户 ID 为主键， 且应设置为自增类型，以确保唯一性。密码哈希字段用于存储加密 后的用户密码，以增强系统安全性。 在任务调度模块中，可以创建 task 表，包含任务 ID、任务名 称、任务类型、创建用户 ID、任务状态、创建时间、开始时间、 复 机制。以下是具体的实施方案： 首先，采用全量备份与增量备份相结合的方式。全量备份每周 进行一次，完整复制数据库中的所有数据，确保在恢复时能够提供 完整的数据集。增量备份则每天进行，只备份自上次备份以来发生 变化的数据，以减少备份时间和存储空间的占用。备份文件应存储 在独立的存储设备中，并与生产环境隔离，以避免因硬件故障或网 络攻击导致的数据丢失。 其次，实施多级存储策略。将备份数据分为短期、中期和长期

一管理和调度框架，算力有效利用率长期难以提升。 体验与效率挑战：大量的AI模型服务以API形式向外输出，当云架构设计不合理时，用户端的 高并发请求极易导致服务崩溃。值得注意的是，AI任务的多样化意味着并非所有AI任务都适 合采用GPU集群方式进行处理。例如一些实时推荐、召回分析、游戏状态管理等场景，需要 在数据库的域内完成模糊查找、匹配等操作，以满足实时性和数据不出域的要求。 2.3 国际化进程中的全球布局、合规与质量一致性难题 模型训练与仿真验证流程。随着数据的指数级增加，以往的数据处理逐渐面临性能上的挑战。同时为 了不影响模型迭代周期，数据处理的时效也需要更加快速。 解决方案与客户价值： 第九代企业级实例 g�i，基于自研“CIPU+ 飞天”技术架构，搭搭载英特尔 ® 至强 ® 6 处理器 ，软硬协 同优化，助力小鹏提升数据预处理效率，显著降低算力成本： 性能与性价比提升：相比第八代实例，ECS g�i单核算力最大提升20%，通过3 耕视频编码、深度学习、图像处 理等领域 20 余年。公司拥有自研的核心编码引擎，为长视频、短视频、直播、RTC 等全视频场景提供 智能化解决方案，目前已与国内外 100 多家头部企业达成合作，每月处理视频超 15 亿分钟，覆盖从 云端到终端的全链路视频服务。 业务痛点： 高性能算力需求：释放自研编码内核技术潜力 微帧科技自研的编码内核需要高性能算力平台，满足超高清视频处理的计算强度需求。在视频

适应市场 变化。其次，我们引入了数据驱动的决策机制，通过分析大量商务 场景中的用户行为数据，智能体能够自动调整策略，提升服务效 率。例如，通过分析用户的购买历史和偏好，智能体能够推荐最合 适的产品或服务，从而提高转化率。 为了确保智能体的高质量服务，我们实施了严格的质量控制流 程。在开发阶段，每个功能模块都需经过单元测试、集成测试和系 统测试，确保其稳定性和可靠性。同时，我们采用了持续集成和持 智能体是一种基于人工智能技术的智能化解决方案， 旨在提升企业运营效率、优化决策流程，并增强客户体验。它通过 整合自然语言处理（NLP）、机器学习（ML）、数据分析等多种 技术，为企业提供智能化的服务支持。商务 AI 智能体不仅能够自 动化处理日常任务，还可以通过深度学习和大数据分析，为企业提 供精准的商业洞察和预测。 在实际应用中，商务 AI 智能体可以广泛应用于客户服务、市 场营销、供应链管理、财务管理等多个领域。例如，在客户服务 和市场需求，自动生成补货建议，确保供应链的高效运转。 3. 个性化服务与客户体验优化：商务 AI 智能体能够根据客户的 个性化需求提供定制化服务，如个性化推荐、定制化报价等。 通过深度学习和自然语言处理技术，智能体可以与客户进行自 然交互，提升客户体验。例如，在电商平台上，智能体可以根 据客户的浏览和购买记录，推荐符合其偏好的商品。 4. 跨平台与集成能力：商务 AI 智能体通常具备跨平台操作的能 力，能够与企业现有的

一种便 捷易用的工具，使其能够快速实现人工智能应用的落地。大模型 SaaS 平台正是为此提供了技术支撑。通过这一平台，用户可以通 过 API 接口简单调用预训练模型，无需复杂的技术背景即可实现自 然语言处理、图像识别等各类应用。 其次，本文将探讨如何在平台设计中融入安全性、可扩展性与 用户体验等关键要素。在当今数据隐私愈发被重视的情况下，确保 用户数据的安全是平台设计的首要任务。此外，为了适应不断变化 求，促进平 台的持续发展和用户的长期粘性。 2.2 竞争分析 在人工智能大模型 SaaS 平台的市场中，竞争环境日益激烈。 随着 AI 技术的迅速发展，越来越多的企业加入这一领域，推出各 自的解决方案。为了有效地在市场中立足，我们必须对现有竞争者 进行深入分析，从而识别市场机会及潜在威胁。 当前的主要竞争者分为三类： 第一类是大型科技公司，例如谷歌、微软和亚马逊等。这些公 司具备 数据的爆炸性增长：互联网和 IoT（物联网）技术的发展产生 了海量的数据。这些数据成为训练大模型的重要资源，推动了 模型的性能提升。 3. 算法的不断优化：从传统的机器学习算法到现在的深度学习、 迁移学习，再到自监督学习， algorithms 的创新使得模型可 以在更少的数据上训练出更高的性能。 4. 开放源代码的崛起：诸如 TensorFlow、PyTorch 等开放源代 码的机器学习框架，极大地降低了技术门槛，使得更多的企业