打造自适应 AI 运维智慧体： 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ，硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 演讲嘉 宾 1. 软件日志运维观点 2. 自适应智慧体在运维领域面临的 Gap 3. 大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 5. 未来畅想 目录 CONTENTS PART 01 软件日志运维观点： 智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 预训练语言模型 日志语言理解 BigLog Da-Parser 第四代 原始日志和自然语言 文本 大语言模型 可解释性运维 LogPrompt 指令驱动 第五代 自适应运维智慧体：目标自适应、领域自适应、强交互性、可执行性。 。 。 表： LogAIBox 研究项⽬代际演进思路 [1]LogAnomaly: Unsupervised detection of sequential

组织与优化理论、技术的不断提高，交通信号控制理论和技术也在 不断的发展，先后经历了单点控制、干线控制和区域控制等，控制 方法也从最原始的纯手动控制到自动控制，从定时控制到多时段控 制，以及到现在的半感应控制、感应控制及自适应控制等。交通信 号控制技术的发展路线路，如下图所示。 交通信号控制技术路线图 2 1.1.1 国外交通信号控制系统发展现状 1868 年，英国伦敦安装了世界上第一组交通信号灯。1914 年 Offset Optimization Technique,绿信比- 周期长-相位差优化技术）是 TRL 与 PEEK 公司、西门子公司合作研 制的“在线 TRANSYT 系统”,是一种方案生成式自适应区域协调控制系 3 统。SCOOT 系统首先通过车辆检测器采集交通信息并进行分析,然 后利用交通模型和优化程序配合生成最佳配时方案,最后送入路口信 号机予以实施。 SCOOT 系统的主要特点有：（1）实用性强，受出行分布、出 系统 SCATS(Sydney Coordinated Area Traffic System)系统是澳大 利亚新南威尔士州道路交通局（RTA）于 20 世纪 70 年代末研究成 功的一种实时自适应区域协调控制系统。系统事先利用脱机计算的 方式为每个路口设定 4 个绿信比方案、5 个内部相位差方案和 5 个 外部相位差方案,把周期、绿信比和相位差分别作为独立的参数进行 优选。 SCATS

行为和适应性 具身 智能 2 具身智能的基本概念 基于物理载体进行感知和行动的智能系统，其通过智能体与环境的交互获 取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性 具身 智能 传统智能 具身智能 只可远观，被动接受 别人告诉我这就是盒子 可以打开，可以装东西 我主动体验什么是盒子 被动抽象接受 主动具体体验 重要 意义 具身智能因其能自主产生智能行为和适应性，是通用人工智能的可能起点 大小脑模型协同的技术路线仍有机会 q 端到端模型虽决策高效，但泛化性和扩展性受限，受制于环境交互与硬件适配， 难以适应多样场景。而模块化的大小脑协同框架凭借强泛化、可解释优势，正成 为学界与业界的研究热点 模块化：大小脑协同框架赋予具身智能体模块化优势，具备可扩展架构、高效开发 与强适应性三大特性 可泛化：基于VLM开发的大脑具备丰富的多模态认知能力，且不受小脑模型的影响 可解释：决策过程更加透明，提升人机协同效率 Primitive-Level Robotic Dataset Towards Composable Generalization Agents, IROS 2025 真实交互：想象链强化行动执行的环境动态适应性 n MineDreamer (IROS 2025, NeurIPS 2024 OWA研讨会) n 当处理困难问题时，一种可靠的思路是预测未来可能的执行效果，评估当前行动的可行性，以 此来指导更可靠的行动执行

Robots），是一种设计用于与人类在共同工作空间中安全地进行直接 交互或合作的机器人。协作机器人是工业机器人领域新的分支，与传统的工业机器人相比，协作机器人更强调安全 性、易用性和灵活性，它们能够适应各种工作场景，通常价格更低，体积更小，对人类来说更安全。 协作机器人具有安全、易用、灵活的特征，主要表现为： 安全性：协作机器人配备有先进的传感器技术和控制算法，如力矩传感器、视觉系统等，使其能够实时感知环境 业的操作员也能方便快捷地对其进行设置和 操作，降低了使用门槛。 灵活性：相比于传统固定在某个工作站上的工业机器人，协作机器人通常更轻便且布局更为灵活，可以快速重新 部署于不同的生产任务中，适应小批量、多品种的柔性化生产需求。 基于以上特征，协作机器人极大地促进了人机之间的交互和合作，不仅提升了生产线效率，还能在诸多应用场合中 替代或辅助人类执行重复性、精确度要求高或者对人体有害的工作 等。 双臂协作机器人拥有两个相互独立或协同工作的机械臂，能提供更高的灵活性和功能性。它们通常用于更复杂的任 务，比如需要双手协调操作的应用场景，能够模拟人类双手的工作模式，实现更高程度的自主性和适应性。双臂设计 允许在有限空间内完成多自由度的动作，并具备处理更大范围工作空间的能力。 （单臂协作机器人） （双臂协作机器人） 第二节 协作机器人特点 一、产品特点 协作机器人与传统

(Embodied Intelligence) , 是一种基于物理身体进行感知和行动的智能系统。 它通过实体智能体与环境的动态交互，获取信息、理解问题、做出决策，并实现行动，从而产生 智能行为和适应性。 > 具身智能是人工智能与机器人学交叉的前沿领域，其核心在于将感知、行动与认知深度融合。 ■ 具身智能的基本概念 □ 什么是“具身” >“ 具身“是一个很小众的名词，通常都出现在哲学、认知科学领域。 科研意义：具身智能是通用人工智能未来的发展方向。它推动人工智能从虚拟世界走向物理现实，从专用 任 务迈向通用智能，有助于我们深入理解智能的本质。 应用意义：具身智能技术能够提升机器人、自动化设备的智能化水平，增强其环境适应性和任务执行能力， 从而在服务、医疗、教育等多个行业实现广泛应用。 ■ 具身智能的基本概念 □ 具身智能的政策支持 发布时间 发布单位 具身智能的发展演进 □ 具身智能的五个阶段 > 无智能阶段：只能执行简单的预设任务，缺乏自主性和适应性； 基础智能阶段：开始具备基本的感知能力，能够对外界环境做出简单的反应； > 中等智能阶段：能够进行更复杂的感知和处理任务，如图像识别和语音识别； > 高度智能阶段：展现出较高的自主性和适应性，能够进行自我学习和优化，执行复杂的任务； > 超级智能阶段：理论上将具备超越人类的智能水平，能够进行创新和自我意识的决策。

概念已获行业共识，能力分级标准已基本统一，如图 1-2 所示。 图 1-2 服务生成网络智能等级划分 基于上述思想，服务生成算力网络通过算网服务生成，即算网全 流程的自动化运行、高效的资源利用率、自适应的优化调整、持续的 智能演进、智简的服务体验、全场景的业务承载等，为各行业提供优 质的算网资源服务，赋能数字经济。具体来说，服务生成算力网络围 绕着算网融合一体化的建设目标，通过在系统全生命周期引入“智能”， 算力网络是算 力网络与服务生成网络的深度融合，基于自动化、智能化地实现系统 功能的思想，最终实现算网服务生成，即系统全流程的自动化运行、 智简的服务体验、多样化的业务承载、高效的资源利用率、自适应的 优化调整等。从技术实现方面来说，算力网络中的基础资源感知和建 模、资源的编排策略、算网运行的故障处理、算网服务的在线优化等 关键动作，都可以通过智能算法实现自动化。从系统功能方面来说， 别、解析 和预测等，是构建用户和算网之间沟通桥梁的有效手段。 此外，如何自动生成满足意图需求的算网融合策略也是实现算网 服务生成的关键。传统的策略生成方法依赖大量的人工经验设计，而 且无法适应动态变化的用户意图和网络状态。为此，需要构建基于用 户意图和算力网络的双向认知的策略生成机制，通过对用户意图和网 络状态信息进行特征挖掘和抽象聚类，提炼出满足各类意图共性和规 律的算网融合策略

如今，AI正在从根本上重塑全球劳动力格局，革新岗位职能并催生出对新技能的迫切需求。这场 变革正在改变全球科技领域，同时也将深入影响金融、医疗、制造等行业。随着AI不断驱动竞争 日趋激烈，无法在经济环境中适应这一变革的组织将难以获得竞争优势。 本白皮书汇总了对全球900位IT及业务人员的调研结果，剖析了在AI赋能业务的时代背景下，信息 与通信技术（ICT）人才所需的技能及岗位演变需求。报告还包含一份详尽的附录，列举了受AI影 开源生态在AI时代带来 的新机遇。 IDC认为，组织应通过主动应对技能缺口、革新学习战略并培育“持续适应文化”的组织来释放AI 的潜力，将技术专长与创造力、同理心、伦理判断力等以人为本的技能相结合，以此应对智能时 代的复杂性。如今，企业、教育机构与政府等各方应协同努力，共同培养能够适应未来变化、把 握AI时代发展机遇的ICT技术人才，为构建可持续发展的人才生态提供系统性支撑。 智 能 世 支能够在“AI优先”范式下灵活适应的劳动力队伍。 智能体支出转向体现在三大投资领域：数据中心基础设施现代化、网络恢复与韧性强化，以及核 心企业应用更新。 近三分之一（31%）的组织表示，数据中心基础设施现代化将是首要投资方向，这一趋势反映出 从“云原生”到“AI原生”系统的广泛架构演进。与以往仅将AI作为附加功能整合的模式不同， AI原生架构从设计之初就以AI为核心，通过实时数据管道、自适应基础设施和持续学习能力，支

升而增加 具身智能产业链分析——上游自动驾驶载具传感器 汽车不同自动驾驶等级下智能化系统对应车载设备数量 来源：专家访谈，头豹研究院 ◼ 具身智能强调智能体通过载体与环境的交互实现自主决策和适应性行为，对于载具而言，自动驾驶技术 在L3及以上等层级中，逐步展现出与具身智能相关的特征。 ◼ 以载具中的汽车为例，在自动驾驶汽车迈向具身智能的过程中，智能驾驶系统、智能座舱系统、智能动 力系 ”多模态感知实现毫米级抓取 精度。这一系统直接体现了具身智能的核心理念——通过本体与环境的动态交互和感知-决策-执行的深 度融合，使机器人突破传统“程序化动作”局限，在复杂场景中展现类人化的自主适应能力。 驱动器 汇川技术、禾川科技、蓝海华腾等 无框力矩电机 禾川科技、步科股份、昊志机电 谐波/行星减速器 谐波：绿的谐波、丰立智能、双环传动； 行星：中大力德 力矩传感器 柯力传感、宇立仪器、坤为科技等 取（如家庭场景中的物体抓取），通过仿真合成数据预训练提升泛化能力。 RDT 清华TSAIL团队 清华大学智能产业研究院（TSAIL）的强化学习框架，通过仿真训练机器人动作策 略，支持多模态感知与动态环境适应，用于复杂操作任务（如灵巧手操作）。 Master 2000 有鹿机器人 有鹿机器人开发的多模态机器人控制模型，整合视觉、语言、运动数据，支持家 庭服务机器人（如清洁、配送）的多任务执行，强调低成本与易部署性。

电力线载波通信信道环境具有噪声干扰强时变性、负载变化随机波动的特征，现有宽带载波通信出于传输距离、 兼容性等方面考虑，仅允许全台区使用单一通信频段，频段资源利用率低。新一代载波技术各通信节点间可以根据信道 情况自适应选择合适的通信频段，并允许利用全频段进行通信，以提升通信速率。新一代载波可选通信频段见表 4-1。 4.1.1.2 实现方案 在新一代载波技术中，要充分挖掘低压台区载波信道可用的频段资源，增加 0 0.781 ～ 11.963MHz 通信频段，提 供一种具备提供更高通信带宽和更高通信速率的能力的选择。在上下级通信质量好的电表设备间、配电房设备间、分 支箱设备间及表箱设备间可以根据信道情况，自适应选择使用 0.781 ～ 11.963MHz 的高速通信频段，并结合后文的 OFDMA 的频段资源最优调度策略，实现对频段资源的充分利用，提升低压台区的载波通信速率。 4.1.1.3 带来的效益 2、更强抗干扰能力：高带宽特性降低了突发干扰影响，同时支持快速数据重传机制，可保障通信成功率超过 99.9%。 3、更远距离覆盖：点对点通信距离达 500 米以上，组网中继覆盖范围可扩展至几公里，适应大规模配电网场景。 4、更健壮的通信网络：结合网络管理手段，具备自配置、自修复、自优化的运维能力，为多业务部门提供零等待、 零接触、零故障的网络服务。 （二）全面支撑低压侧配电网各类业务应用：

机等感知技术的进步，使具身物理本体能够实现毫米 级环境感知 ［2］；强化学习、模仿学习、自适应控制等人 工智能算法的发展，让具身智能在虚拟仿真环境中通 过大量试错优化策略，并将经验无缝迁移至真实场 景 ［3］；Vision-Language-Action 大模型的出现，进一步增 强了具身智能的泛化能力，使其能够适应不同的应用 场景 ［4］；分布式协同技术则构建了多智能体协作网络， 提升了群体智能的规模效应 强化学习与自适应控制技术 强化学习是一种通过具身智能物理本体与环境 进行交互，根据环境反馈的奖励信号来学习最优策略 的机器学习方法。在具身智能中，强化学习被广泛应 用于决策和控制，使机器人能够在不断试错的过程中 学习如何在不同环境下做出最优决策，以实现目标任 务。自适应控制技术则使机器人能够根据环境的变 化实时调整自身的控制策略，以保持良好的性能和稳 定性。通过强化学习与自适应控制技术的结合，具身 智能机器人能够在复杂多变的环境中进行自主学习 和适应，实现更加灵活、智能的行为。 2.3 具身大模型 具身大模型是具身智能的核心技术之一，它通过 对大规模数据的学习和训练，使具身智能 agent具备强 大的语言理解、视觉感知和决策能力。具身大模型能 够将语言、视觉、行动等多种模态的信息进行融合和 处理，实现对复杂任务的理解和执行。同时，具身大 模型还具有良好的泛化能力，能够在不同的应用场景 中进行快速适应和学习，为具身智能的发展提供了有