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

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

能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工智能技术方面，算力技术创新与人工智能技术深度融合，在自 然语言处理、图像识别、语音识别等领域取得突破性进展，为我国 算力产业的应用拓展提供有力支持。 综合算力指数 6 （二）存储规模与性能结构不断突破 近年来，中国数据存储总量呈现高速增长态势，存力基础设施 中心间 数据传输的效率和可靠性。算间直达链路带宽、时延不断优化，为 全国一体化算力网建设提供重要支撑。 算内网络无损、稳定、高扩展。行业积极推进机间和卡间互联 技术的发展。机间互联方面，探索自研交换机、端网协同协议、集 合通信库等技术以优化网络性能，通过智能调优和负载均衡算法提 升网络吞吐和训练效率，并结合低时延、高带宽的通信技术增强算 网协同能力。卡间互联层面，基于开放数据中心委员会 顾问组 2025 综合算力指数 编写组 邬贺铨、张宏科、闻库、魏亮 周建明、曹磊、唐雄燕、何宝宏、曹振强 主编：李洁、郭亮 执行主编：吴美希 编委(按姓氏笔画排序)：王月、王少鹏、邱奔、何适、周曼、常金凤 谢丽娜、韩雨辰、温小振 46 国家正按照“点、链、网、面”体系化推进全国一体化算力网络工作，综合算力指数作为衡量我 国算力发展水平的重要标尺，相关研究工作意义深远。在各界的共同努力下，我国算力产业必将实

移学习相结合，实现了高精度的自动化处理。 为提升模型的鲁棒性与适应性，DeepSeek 还引入了增强学习 技术，通过模拟金融市场的动态变化，不断优化算法策略。例如， 在资产配置与风险管理中，DeepSeek 能够通过增强学习模型，自 动调整投资组合，以应对市场波动。以下是一些关键技术的具体应 用场景：  大数据处理：用于客户行为分析、交易记录监控与异常检测。  自然语言处理：用于智能客服、文档自动分类与合规性审查。 能够为金融银行提供全 方位的智能化解决方案，从客户服务到风险控制，从业务优化到战 略决策，均能显著提升效率与准确性。同时，DeepSeek 的模块化 设计确保了其在不同业务场景中的灵活性与可扩展性，能够快速适 应金融行业的多样化需求。 2.1 深度学习与机器学习 深度学习（Deep Learning）和机器学习（Machine Learning）作为人工智能领域的核心技术，在金融银行的应用中具 常时间段的交易，这些都可能预示着操作风险的存在。此 外，DeepSeek 还能够实时监控员工的操作行为，识别出不符合规 范的操作流程或潜在的违规行为。 为了进一步提高操作风险识别的准确性，DeepSeek 引入了自 然语言处理技术，对内部通信和外部报告进行语义分析，提取出与 操作风险相关的关键信息。例如，系统可以自动识别出员工在邮件 或报告中提到的风险事件或潜在问题，并及时向管理层发出预警。 在具体实施过程中，DeepSeek