大模型应用服务平台建设研究

doi:10.12267/j.issn.2096-5931.2024.12.004

信息通信技术与政策 ›› 2024, Vol. 50 ›› Issue (12): 21-30.doi: 10.12267/j.issn.2096-5931.2024.12.004

大模型应用服务平台建设研究

Research on construction of large model application and service platform

刘威辰, 杨华锋, 江民民, 刘敬谦

中国电信集团有限公司,北京 100033

收稿日期:2024-10-23 出版日期:2024-12-25 发布日期:2025-01-02
通讯作者: 刘敬谦
作者简介:
刘威辰, 中国电信集团有限公司政企信息服务事业群大模型技术专家,长期从事大模型技术、知识图谱等研究工作；
杨华锋, 中国电信集团有限公司政企信息服务事业群大模型技术总监,长期从事图神经网络、推荐系统和大语言模型研究工作；
江民民, 中国电信集团有限公司政企信息服务事业群大模型技术专家,长期从事人工智能、云计算及前后端等领域的研究工作

LIU Weichen, YANG Huafeng, JIANG Minmin, LIU Jingqian

China Telecom Corporation Limited, Beijing 100033, China

Received:2024-10-23 Online:2024-12-25 Published:2025-01-02
Contact: LIU Jingqian

摘要/Abstract

摘要：

人工智能正成为推动新型工业化的核心动力,引领社会进入智能经济时代。大模型技术通过预训练和微调在多任务中展现强大能力,然而其应用面临算力、数据、算法以及安全等方面的挑战。大模型应用服务平台(MaaS平台)通过标准化服务,提高企业利用大模型技术的灵活性和效率。提供了星辰MaaS平台构建的关键技术路径,为企业智能化发展提供参考。

关键词: 人工智能, 大模型, 模型即服务, 星辰MaaS平台

Abstract:

Artificial intelligence is becoming the core driver of new industrialization, leading society into the era of intelligent economy. The large model technology demonstrates powerful capabilities in multiple tasks through pre-training and fine-tuning. However, its application faces challenges in terms of computational power, data, algorithms, and security. The large model application and development platform (MaaS) enhances the flexibility and efficiency of enterprises in utilizing large model technology through standardized services. This paper provides the key technical pathways for constructing the Xingchen MaaS platform, offering a reference for enterprises in their intelligent development.

Key words: artificial intelligence, large model, Model as a Service, Xingchen MaaS platform

中图分类号:

F49
F424

刘威辰, 杨华锋, 江民民, 刘敬谦. 大模型应用服务平台建设研究[J]. 信息通信技术与政策, 2024, 50(12): 21-30.

LIU Weichen, YANG Huafeng, JIANG Minmin, LIU Jingqian. Research on construction of large model application and service platform[J]. Information and Communications Technology and Policy, 2024, 50(12): 21-30.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2024.12.004

http://ictp.caict.ac.cn/CN/Y2024/V50/I12/21

图/表 4

参考文献 18

[1]	韩树宇. 人工智能赋能新型工业化的作用机制与实现路径[J]. 区域经济评论, 2024(5):123-129.
[2]	罗锦钊, 孙玉龙, 钱增志, 等. 人工智能大模型综述及展望[J]. 无线电工程, 2023, 53(11):2461-2472.
[3]	于蒙蒙. 腾讯公布MaaS全景图提供一站式大模型服务[N]. 中国证券报, 2023-06-20( A07).
[4]	张恒辉, 张金. 人工智能的应用与发展[J]. 科技创新与生产力, 2024, 45(9):28-31,40.
[5]	史劲. 人工智能领域的机器学习算法研究[J]. 中国新通信, 2021, 23(24):48-49.
[6]	孙志军, 薛磊, 许阳明, 等. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8):2806-2810.
[7]	VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[J]. arXiv Preprint, arXiv: 1706.03762, 2017.
[8]	郭倩, 王皓然. 生成式人工智能系统应用员:让AI大模型加速走向“应用场”[N]. 经济参考报, 2024-10-11( 02).
[9]	秦涛, 杜尚恒, 常元元, 等. ChatGPT 工作原理、关键技术及未来发展趋势[J]. 西安交通大学报, 2024(1):1-11.
[10]	张圆梦, 周琴, 袁丽莉. 大模型驱动下智能化城市公共服务应用探究[J]. 信息通信技术与政策, 2024, 50(9):37-42.
[11]	RADFORD A, NARASIMHAN K. Improving language understanding by generative pre-training[EB/OL]. 2018[ 2024-10-20]. https://api.semanticscholar.org/CorpusID:49313245.
[12]	DEVLIN J, CHANG M, LEE K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[J]. arXiv Preprint, arXiv: 1810.04805, 2019.
[13]	RADFORD A, WU J, CHILD R, et al. Language models are unsupervised multitask learners[EB/OL]. 2019[ 2024-10-20]. https://www.semanticscholar.org/paper/Language-Models-are-Unsupervised-Multitask-Learners-Radford-Wu/9405cc0d6169988371b2755e573cc28650d14dfe.
[14]	KAPLAN J, MCCANDLISH S, HENIGHAN T, et al. Scaling laws for neural language models[J]. arXiv Preprint, arXiv: 2001.08361, 2020.
[15]	BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learners[J]. arXiv Preprint, arXiv: 2005.14165, 2020.
[16]	OUYANG L, WU J, JIANG X, et al. Training language models to follow instructions with human feedback[J]. arXiv Preprint, arXiv: 2203. 02155, 2022.
[17]	蒋昌俊. 大智能:大数据+大模型+大算力[J]. 高科技与产业化, 2023, 29(5):16-19.
[18]	黄哲. AI原生时代的应用之变[N]. 中国计算机报, 2024-04-29( 10).

编辑推荐

Metrics

阅读次数

全文

177

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	20	0	0	157

来源	本网站	其他网站

次数	167	10
比例	94%	6%

摘要

248

最新录用	在线预览	正式出版

0	0	248

	来源	本网站

	次数	248
	比例	100%

大模型应用服务平台建设研究

Research on construction of large model application and service platform

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	钟国威, 邹梦良. “人工智能+城市治理”一网统管平台设计与关键业务环节研究[J]. 信息通信技术与政策, 2024, 50(9): 26-31.
[2]	张圆梦, 周琴, 袁丽莉. 大模型驱动下智能化城市公共服务应用探究[J]. 信息通信技术与政策, 2024, 50(9): 37-42.
[3]	孟楠, 周成胜, 赵勋. 生成式人工智能赋能网络安全运营降噪能力研究[J]. 信息通信技术与政策, 2024, 50(8): 24-31.
[4]	董耀聪, 张倩, 李宝强, 李艺, 董悦. 基于生成式人工智能的工业互联网安全技术与应用研究[J]. 信息通信技术与政策, 2024, 50(8): 32-37.
[5]	关伟东. 国外人工智能数据安全规制及对我国的启示[J]. 信息通信技术与政策, 2024, 50(8): 68-72.
[6]	张乾, 黄璜, 苗子聪. 智能计算关键技术产业发展态势研究[J]. 信息通信技术与政策, 2024, 50(6): 10-16.
[7]	硕天鸾, 董一民. 人工智能时代数据库技术创新态势研究[J]. 信息通信技术与政策, 2024, 50(6): 17-22.
[8]	李峰, 乔春庚. 一种基于大模型技术的算力产业监测服务平台设计[J]. 信息通信技术与政策, 2024, 50(6): 45-53.
[9]	李帅峥, 钱正, 董正浩, 史翔. 政务大模型的技术应用路径及发展建议[J]. 信息通信技术与政策, 2024, 50(6): 76-82.
[10]	张东, 白宇, 张腾飞. 工业PON时间确定网络及智能控制融合系统[J]. 信息通信技术与政策, 2024, 50(5): 87-91.
[11]	车碧瑶, 张永航, 廖怡, 唐剑, 樊小平, 赵继壮, 陆钢. 运营商大模型硬件基础设施创新及RDMA流量控制技术研究[J]. 信息通信技术与政策, 2024, 50(2): 26-32.
[12]	陈晓朋, 许可欣, 梁宇栋. 人工智能促进数据中心绿色节能研究[J]. 信息通信技术与政策, 2024, 50(2): 33-39.
[13]	王蕴韬. 大语言模型核心架构演进态势分析[J]. 信息通信技术与政策, 2024, 50(12): 13-20.
[14]	李论, 郭英男, 王子暄. 大模型智算基础设施夯实新型工业化赋能底座[J]. 信息通信技术与政策, 2024, 50(12): 2-6.
[15]	赵晖, 郑思源. NeRF在通信行业的应用研究[J]. 信息通信技术与政策, 2024, 50(12): 37-41.