北京郵電大學(xué)信息與通信工程學(xué)院沈昕炎，林亞捷，許方敏，趙成林

1　引言

隨著第四次工業(yè)革命的推動，工業(yè)生產(chǎn)逐漸邁入了數(shù)字化和智能化的時代，這不僅改變了傳統(tǒng)制造業(yè)的面貌，也為企業(yè)帶來了前所未有的機(jī)遇與挑戰(zhàn)^[1]。AI大模型作為驅(qū)動工業(yè)創(chuàng)新的關(guān)鍵引擎，在生產(chǎn)制造、研發(fā)設(shè)計(jì)和經(jīng)營管理等方面發(fā)揮了巨大作用，也對構(gòu)建高效、經(jīng)濟(jì)、智能、安全、可靠的網(wǎng)絡(luò)和計(jì)算基礎(chǔ)設(shè)施提出了更為迫切的需求^[2]。算力網(wǎng)絡(luò)，作為“算力+連接”的融合形式，充分反映了新基建對5G、工業(yè)互聯(lián)網(wǎng)等基礎(chǔ)設(shè)施以及AI、云/邊緣計(jì)算、區(qū)塊鏈等新技術(shù)服務(wù)的融合需求。工業(yè)大模型的持續(xù)推進(jìn)，對算力網(wǎng)絡(luò)在計(jì)算資源、海量數(shù)據(jù)傳輸與存儲、實(shí)時性和安全性等方面提出了更高的要求。本文旨在深入調(diào)研工業(yè)大模型的發(fā)展現(xiàn)狀，探究發(fā)展趨勢，提出面向工業(yè)大模型的算力網(wǎng)絡(luò)架構(gòu)，并探討其中的關(guān)鍵技術(shù)問題，以促進(jìn)工業(yè)領(lǐng)域數(shù)字化轉(zhuǎn)型的加速發(fā)展。

2　工業(yè)大模型發(fā)展現(xiàn)狀

2.1　AI大模型發(fā)展歷程

自20世紀(jì)50年代人工智能誕生以來，AI大模型一直以多維共進(jìn)的高速發(fā)展為特點(diǎn)，經(jīng)歷了以CNN等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型為代表的萌芽期、以Transformer為代表的全新神經(jīng)網(wǎng)絡(luò)模型的沉淀期和以GPT為代表的預(yù)訓(xùn)練大模型爆發(fā)期^[3]，如圖1所示。大模型每年的參數(shù)規(guī)模至少提升了10倍，從預(yù)訓(xùn)練模型到大規(guī)模預(yù)訓(xùn)練模型再到超大規(guī)模預(yù)訓(xùn)練模型，實(shí)現(xiàn)了從億級到百萬億級的飛躍。此外，大模型也從最初支持文本、圖像、語音等單一模態(tài)下的單一任務(wù)，逐漸演化為支持多種模態(tài)下的多任務(wù)。在各個發(fā)展階段，涌現(xiàn)出多個代表性的AI大模型。

在技術(shù)架構(gòu)方面，Transformer架構(gòu)是當(dāng)前AI大模型領(lǐng)域的主流算法架構(gòu)基礎(chǔ)。2018年，自然語言處理模型參數(shù)量達(dá)到了3億規(guī)模；2020年，OpenAI提出了首個千億級的GPT-3模型，將模型規(guī)模推向了新的高峰；2023年OpenAI推出新一代多模態(tài)大模型GPT-4，升級了ChatGPT的人機(jī)交互能力；同年5月，谷歌推出升級版多模態(tài)模型PaLM2，宣布在其辦公套件Workspace和搜索引擎中嵌入新一代人工智能系統(tǒng)。在國內(nèi)，華為于2021年發(fā)布了首個中文千億級的盤古模型；同年，中科院自動化所提出了首個三模態(tài)的紫東太初模型，預(yù)示著AI大模型進(jìn)一步走向通用場景。

在應(yīng)用場景方面，AI大模型可分為通用大模型和行業(yè)大模型兩種類型。基于通用大模型，結(jié)合行業(yè)知識，衍生出了以工業(yè)大模型為主的一系列行業(yè)大模型，滿足了工業(yè)制造業(yè)、金融業(yè)、能源業(yè)等不同領(lǐng)域的應(yīng)用需求。

圖1 AI大模型發(fā)展歷程

2.2　AI大模型在工業(yè)領(lǐng)域的應(yīng)用

2023年5月發(fā)布的《工業(yè)數(shù)字化/智能化2030白皮書》^[4]指出，數(shù)字化正全面改變工業(yè)生產(chǎn)的基本功能，正推動新的生產(chǎn)要素、制造體系、研發(fā)范式和組織形態(tài)的涌現(xiàn)，它是塑造工業(yè)體系、推進(jìn)工業(yè)化進(jìn)程和改變?nèi)蚬I(yè)格局的最重要技術(shù)變量。

根據(jù)2023年IDC發(fā)布的《AI大模型在工業(yè)應(yīng)用展望，2023》報告，大模型在工業(yè)中的應(yīng)用主要分為兩個方向，如圖2所示。一是增強(qiáng)場景模型的泛化能力，以提升模型的適用性，二是利用自然語言對話和內(nèi)容生成能力改變應(yīng)用的交互方式，包括生成文檔、報表等。通過運(yùn)用深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等先進(jìn)技術(shù)，工業(yè)大模型能夠高效處理海量數(shù)據(jù)，能夠快速識別生產(chǎn)過程中的問題和瓶頸，實(shí)現(xiàn)對生產(chǎn)過程的精細(xì)化管理^[5]。

圖2 工業(yè)大模型發(fā)展方向

3 工業(yè)大模型對算力網(wǎng)絡(luò)需求和挑戰(zhàn)

近年來，云/邊緣計(jì)算在工業(yè)領(lǐng)域嶄露頭角，為實(shí)現(xiàn)物聯(lián)網(wǎng)設(shè)備的智能和自治提供了關(guān)鍵支持。云計(jì)算作為中心化的大數(shù)據(jù)處理平臺，在復(fù)雜多樣的工業(yè)場景中，對低時延和高可靠性的需求日益凸顯。邊緣計(jì)算充分利用物聯(lián)網(wǎng)設(shè)備的嵌入式計(jì)算能力，在終端實(shí)現(xiàn)了更為智能的數(shù)據(jù)處理和決策，從而降低了數(shù)據(jù)傳輸時延，但邊緣計(jì)算仍面臨著資源有限和管理復(fù)雜的問題。

在這一演進(jìn)過程中，算力網(wǎng)絡(luò)成為解決云/邊緣計(jì)算挑戰(zhàn)的新范式。算力網(wǎng)絡(luò)強(qiáng)調(diào)了算力資源的泛在化部署和協(xié)同優(yōu)化，以支持工業(yè)大模型在復(fù)雜環(huán)境中的高效運(yùn)行。工業(yè)大模型的飛速發(fā)展與以“海量數(shù)據(jù)、低時延、安全傳輸”為特點(diǎn)的關(guān)鍵需求，對現(xiàn)有的算力網(wǎng)絡(luò)提出了如下需求。

3.1　大規(guī)模數(shù)據(jù)處理能力

目前主流的大模型都是建立在巨大的參數(shù)量和運(yùn)算量之上，對計(jì)算和傳輸能力提出了極高要求。以1750億參數(shù)的GPT-3為例，每生成一次1000字回答，所需算力資源約為4PFLOP/s^[6]。工業(yè)模型中數(shù)據(jù)規(guī)模指數(shù)級增長，節(jié)點(diǎn)間需要建立高效的通信和傳輸機(jī)制，以保證龐大的數(shù)據(jù)集在網(wǎng)絡(luò)中可靠流通，確保節(jié)點(diǎn)之間信息的共享與協(xié)同訓(xùn)練，這是保障工業(yè)大模型整體性能的重要環(huán)節(jié)。

3.2　實(shí)時性與低延遲

面向工業(yè)制造、供應(yīng)鏈管理與物流優(yōu)化等重點(diǎn)核心領(lǐng)域的實(shí)時工業(yè)生產(chǎn)，需要在不同的場景中進(jìn)行實(shí)時推理，以應(yīng)對生產(chǎn)過程中的突發(fā)變化，這需要算力網(wǎng)絡(luò)提供足夠的算力資源，確保大模型能夠在短時間內(nèi)做出準(zhǔn)確的決策，從而維持生產(chǎn)線的高效運(yùn)行^[7]。在設(shè)備監(jiān)測和預(yù)測性維護(hù)中，大模型需要獲取終端設(shè)備的實(shí)時數(shù)據(jù)，統(tǒng)籌全局，分析設(shè)備的運(yùn)行狀況并預(yù)測潛在的故障，以提高整體供應(yīng)鏈的靈活性和適應(yīng)性。

3.3　分布式并行計(jì)算

對于需要進(jìn)行訓(xùn)練的工業(yè)大模型，分布式訓(xùn)練是一個關(guān)鍵需求，算力網(wǎng)絡(luò)應(yīng)提供相應(yīng)的框架和策略，支持高效的訓(xùn)練過程并確保模型參數(shù)的一致性和收斂性。針對龐大的工業(yè)大模型參數(shù)，算力網(wǎng)絡(luò)需要支持高效的模型參數(shù)分布和同步，以確保各計(jì)算節(jié)點(diǎn)之間的模型保持同步，這些需求強(qiáng)調(diào)了對于模型、數(shù)據(jù)、計(jì)算任務(wù)的高效管理和協(xié)同處理能力，為分布式計(jì)算系統(tǒng)提供了挑戰(zhàn)和優(yōu)化的方向。

4　面向工業(yè)大模型的算力網(wǎng)絡(luò)架構(gòu)

本文將面向工業(yè)大模型的算力網(wǎng)絡(luò)劃分為四個關(guān)鍵層，如圖3所示，以滿足工業(yè)場景對數(shù)據(jù)處理和智能決策的需求^[8]。首先，數(shù)據(jù)接入層扮演著數(shù)據(jù)源的關(guān)鍵角色，它包括各類工業(yè)設(shè)備傳感器，通過高效的實(shí)時數(shù)據(jù)采集與傳輸機(jī)制以及符合工業(yè)大模型需求的數(shù)據(jù)預(yù)處理，實(shí)現(xiàn)對工業(yè)數(shù)據(jù)的實(shí)時采集和高質(zhì)量精準(zhǔn)傳輸。計(jì)算存儲層整合了智能邊緣節(jié)點(diǎn)和分布式存儲系統(tǒng)，可以對來自數(shù)據(jù)接入層的數(shù)據(jù)進(jìn)行輕量化處理和海量數(shù)據(jù)的分布式存儲及檢索，以提高響應(yīng)速度，減輕中心計(jì)算負(fù)擔(dān)。核心控制層是整個工業(yè)算力網(wǎng)絡(luò)的計(jì)算引擎，集成了分布式計(jì)算引擎和實(shí)時通信與調(diào)度方案，為工業(yè)大模型提供了強(qiáng)大的算力支持。其通過網(wǎng)絡(luò)控制單元和動態(tài)調(diào)整服務(wù)，實(shí)現(xiàn)對整個算力網(wǎng)絡(luò)的靈活管理和優(yōu)化，適應(yīng)了工業(yè)AI任務(wù)的動態(tài)變化和多樣性。工業(yè)AI服務(wù)層涵蓋了模型存儲服務(wù)、模型訓(xùn)練與推理服務(wù)和性能監(jiān)控服務(wù)。這一層確保工業(yè)大模型的高效存儲、訓(xùn)練和推理，同時通過性能監(jiān)控服務(wù)實(shí)現(xiàn)對模型運(yùn)行狀態(tài)的實(shí)時監(jiān)控與優(yōu)化。這一完整而高效的架構(gòu)使得各層次之間能夠高效協(xié)同，為工業(yè)大模型的全生命周期提供了全方位的支持。

圖3 面向工業(yè)大模型的算力網(wǎng)絡(luò)架構(gòu)

如圖4所示是基于工業(yè)大模型與算力網(wǎng)絡(luò)相結(jié)合的質(zhì)量控制流程，在此場景中，工業(yè)大模型需要大量的計(jì)算資源來訓(xùn)練和推理，同時需要與算力網(wǎng)絡(luò)無縫協(xié)作。其主要包含以下步驟：

（1）數(shù)據(jù)采集與預(yù)處理：傳感器和攝像頭分布在廠房不同生產(chǎn)線上，可以實(shí)時收集汽車生產(chǎn)過程中的各種數(shù)據(jù)，并送入工業(yè)算力網(wǎng)絡(luò)的數(shù)據(jù)接入層，進(jìn)行預(yù)處理和清洗。

（2）模型訓(xùn)練與優(yōu)化：工業(yè)大模型在云端的計(jì)算節(jié)點(diǎn)上進(jìn)行訓(xùn)練，并通過分布式并行計(jì)算加速模型的學(xué)習(xí)過程。優(yōu)化過程需要大規(guī)模的計(jì)算資源來調(diào)整模型參數(shù)，以適應(yīng)不同汽車型號和生產(chǎn)變化。

（3）實(shí)時推理與質(zhì)量控制：訓(xùn)練完成的大模型被應(yīng)用到工業(yè)生產(chǎn)中，例如工廠內(nèi)的服務(wù)器或邊緣設(shè)備。在汽車生產(chǎn)過程中，模型實(shí)時進(jìn)行推理，分析各個階段的數(shù)據(jù)，檢測潛在質(zhì)量問題，并共享數(shù)據(jù)信息。

（4）實(shí)時反饋與調(diào)整：通過算力網(wǎng)絡(luò)，模型的實(shí)時推理結(jié)果被反饋到生產(chǎn)線和邊緣算力中心，系統(tǒng)可以根據(jù)反饋實(shí)時調(diào)整生產(chǎn)參數(shù)，甚至在必要時停止生產(chǎn)線，這種實(shí)時性要求對于保障質(zhì)量至關(guān)重要。

上述質(zhì)量控制流程突顯了工業(yè)大模型如何依賴算力網(wǎng)絡(luò)的計(jì)算、通信和實(shí)時性能，以實(shí)現(xiàn)在復(fù)雜的工業(yè)制造環(huán)境中對產(chǎn)品質(zhì)量進(jìn)行精準(zhǔn)控制。

圖4 面向工業(yè)大模型的生產(chǎn)流程圖

5　面向工業(yè)大模型的算力網(wǎng)絡(luò)關(guān)鍵技術(shù)

5.1　面向工業(yè)大模型的算力感知技術(shù)

算力感知是對算力能力信息、算力資源狀態(tài)信息、算力服務(wù)信息等要素的全面感知。在面向工業(yè)大模型場景的算力網(wǎng)絡(luò)中，計(jì)算負(fù)載各不相同使得計(jì)算資源具有異構(gòu)泛在的部署特性和動態(tài)時變的資源特性^[9]，算力感知的目的是明確網(wǎng)絡(luò)中的算力資源部署，滿足不同規(guī)模工業(yè)任務(wù)的算力需求。

當(dāng)前面向工業(yè)大模型場景的算力感知針對工業(yè)中單個節(jié)點(diǎn)存在的感知范圍有限、效率低等問題，將多節(jié)點(diǎn)感知的算網(wǎng)信息進(jìn)行聚合來擴(kuò)展感知的維度和范圍，并利用智能算法構(gòu)建全局統(tǒng)一的算網(wǎng)狀態(tài)視圖^[10]，精準(zhǔn)地對泛在異構(gòu)、動態(tài)時變的工業(yè)信息資源的部署位置、實(shí)時狀態(tài)、負(fù)載信息等進(jìn)行感知，并對工業(yè)網(wǎng)絡(luò)的傳輸時延、抖動、帶寬資源利用率等信息進(jìn)行實(shí)時動態(tài)獲取，保證了工業(yè)生產(chǎn)的可靠性，如圖5所示。

圖5 面向工業(yè)大模型場景的算力感知示意圖

5.2　工業(yè)大模型大規(guī)模數(shù)據(jù)傳輸與存儲技術(shù)

工業(yè)大模型的數(shù)據(jù)量呈指數(shù)級增長，包括來自傳感器、監(jiān)控設(shè)備、移動設(shè)備等多源數(shù)據(jù)，以及歷史數(shù)據(jù)和場景數(shù)據(jù)。為確保算力感知基礎(chǔ)，應(yīng)用時間敏感網(wǎng)絡(luò)（Time-Sensitive Networking，TSN）等確定性傳輸技術(shù)，保障工業(yè)大模型中的業(yè)務(wù)流具備高可靠性和低時延的服務(wù)質(zhì)量。TSN不僅滿足工業(yè)控制的實(shí)時性和確定性需求，還兼容以太網(wǎng)，可實(shí)現(xiàn)工業(yè)控制數(shù)據(jù)和以太網(wǎng)數(shù)據(jù)的混合傳輸^[11]。鑒于工業(yè)數(shù)據(jù)的突發(fā)性，TSN采用基于信用的整形器（Credit-Based Shaper，CBS）平滑流量，有效維護(hù)突發(fā)性實(shí)時業(yè)務(wù)流的時延上界。

此外，在工業(yè)大模型的生產(chǎn)場景中，存儲技術(shù)不斷創(chuàng)新，包括藍(lán)光存儲、硬件高密度、數(shù)據(jù)縮減、編碼算法、芯片卸載、多協(xié)議數(shù)據(jù)互通等技術(shù)，使得大規(guī)模數(shù)據(jù)存儲成為現(xiàn)實(shí)。

5.3　面向工業(yè)大模型的分布式計(jì)算和優(yōu)化

應(yīng)用于工業(yè)AI領(lǐng)域的大型模型，需處理龐大數(shù)量的參數(shù)和變量。為了實(shí)現(xiàn)高效可靠的數(shù)據(jù)處理，通常采用多層級復(fù)雜結(jié)構(gòu)構(gòu)建這些模型。為了應(yīng)對工業(yè)領(lǐng)域龐大的過程性和歷史性數(shù)據(jù)，多數(shù)情況下采用并行計(jì)算和分布式計(jì)算技術(shù)。這利用了多個計(jì)算機(jī)或處理器同時處理數(shù)據(jù)的能力，從而顯著提高了計(jì)算效率，減少了訓(xùn)練模型所需的時間，并解決了計(jì)算能力瓶頸的問題。同時，考慮到工業(yè)環(huán)境中可能存在節(jié)點(diǎn)故障或計(jì)算資源不足的情況，算力網(wǎng)絡(luò)需具備容錯性和彈性計(jì)算的能力，以確保計(jì)算任務(wù)的持續(xù)進(jìn)行和動態(tài)資源調(diào)整。

5.4　面向工業(yè)大模型的協(xié)同資源調(diào)度

在工業(yè)大模型場景中，一方面，海量數(shù)據(jù)的處理很難在單一邊緣節(jié)點(diǎn)中完成，算力網(wǎng)絡(luò)的邊緣計(jì)算節(jié)點(diǎn)計(jì)算資源有限，計(jì)算能力各不相同，計(jì)算負(fù)載狀況動態(tài)變化。當(dāng)多個計(jì)算節(jié)點(diǎn)可以完成某項(xiàng)計(jì)算任務(wù)時，需要考慮選擇哪一個計(jì)算節(jié)點(diǎn)來處理該計(jì)算任務(wù)；另一方面，計(jì)算量較大的計(jì)算任務(wù)需要分派給多個邊緣節(jié)點(diǎn)或者計(jì)算資源充足的邊緣節(jié)點(diǎn)來進(jìn)行處理，如何將計(jì)算任務(wù)分派并調(diào)度至最匹配的邊緣計(jì)算節(jié)點(diǎn)以提升工業(yè)互聯(lián)網(wǎng)計(jì)算任務(wù)處理效率是算力網(wǎng)絡(luò)的關(guān)鍵技術(shù)之一。

協(xié)同資源調(diào)度策略需要將計(jì)算任務(wù)按照某種方式分配給云端或邊緣設(shè)備，同時還需要考慮任務(wù)的執(zhí)行順序和資源的分配情況。在這個過程中，要盡可能地減少任務(wù)的執(zhí)行時間，降低網(wǎng)絡(luò)的傳輸延時，從而提升系統(tǒng)的整體性能^[12]。一種策略是基于設(shè)備的計(jì)算能力和資源利用率來分配任務(wù)，將計(jì)算密集型任務(wù)分派給計(jì)算能力較強(qiáng)的網(wǎng)絡(luò)節(jié)點(diǎn)，而將數(shù)據(jù)密集型任務(wù)分配給邊緣計(jì)算節(jié)點(diǎn)，以最大程度地利用各節(jié)點(diǎn)的資源。另一種策略則是采用任務(wù)切分和協(xié)同執(zhí)行的方式，將一個任務(wù)切割成多個子任務(wù)，并將這些子任務(wù)分配給不同的設(shè)備執(zhí)行，最后將它們的結(jié)果協(xié)同合并，得到最終的計(jì)算結(jié)果，其過程如圖6所示。

圖6 工業(yè)算力網(wǎng)絡(luò)協(xié)同資源調(diào)度流程

5.5　工業(yè)算力網(wǎng)絡(luò)安全性和隱私保護(hù)

在工業(yè)算力網(wǎng)絡(luò)中，云、邊、端各類算力節(jié)點(diǎn)廣泛接入，節(jié)點(diǎn)間存在安全差異，安全風(fēng)險復(fù)雜多樣，可信評估與安全認(rèn)證機(jī)制尚未成熟。為滿足工業(yè)大模型網(wǎng)絡(luò)服務(wù)特點(diǎn)并應(yīng)對安全挑戰(zhàn)，可在網(wǎng)絡(luò)層對數(shù)據(jù)流向、節(jié)點(diǎn)操作等信息進(jìn)行編碼標(biāo)記，構(gòu)建跨系統(tǒng)、跨節(jié)點(diǎn)的數(shù)據(jù)流轉(zhuǎn)標(biāo)記和預(yù)授權(quán)機(jī)制，實(shí)現(xiàn)對數(shù)據(jù)流出網(wǎng)時的有效管控，并在整個數(shù)據(jù)流轉(zhuǎn)過程中全程感知。結(jié)合工業(yè)算力網(wǎng)絡(luò)的保障能力，通過智能化分析和靈活配置，形成主動防護(hù)和聯(lián)動彈性的內(nèi)在安全能力，提高網(wǎng)絡(luò)行為的可預(yù)見性和高效管理，同時滿足端對端極度差異性的安全需求^[13]。

6　結(jié)束語

本文深入研究了面向工業(yè)大模型的算力網(wǎng)絡(luò)架構(gòu)及其關(guān)鍵技術(shù)，并通過對算力網(wǎng)絡(luò)在工業(yè)領(lǐng)域的需求、挑戰(zhàn)以及發(fā)展趨勢的剖析，深刻認(rèn)識到算力網(wǎng)絡(luò)在支持工業(yè)大模型應(yīng)用中的重要性。本文還提出了面向工業(yè)大模型的算力網(wǎng)絡(luò)架構(gòu)，該架構(gòu)包括應(yīng)用服務(wù)層、網(wǎng)絡(luò)控制層、核心資源層、邊緣計(jì)算層和設(shè)備接入層，以全面滿足工業(yè)領(lǐng)域數(shù)字化轉(zhuǎn)型的需求。在關(guān)鍵技術(shù)方面，本文討論了算力感知、數(shù)據(jù)傳輸與存儲、協(xié)同資源調(diào)度等核心技術(shù)，為后續(xù)工業(yè)大模型的深入研究提供了參考。

作者簡介：

沈昕炎（2000-），男，碩士，現(xiàn)就讀于北京郵電大學(xué)，主要研究方向?yàn)楣I(yè)算力網(wǎng)絡(luò)、工業(yè)互聯(lián)網(wǎng)。

林亞捷（1999-），女，碩士，現(xiàn)就讀于北京郵電大學(xué)，主要研究方向?yàn)楣I(yè)算力網(wǎng)絡(luò)、工業(yè)互聯(lián)網(wǎng)。

許方敏（1982-），男，副教授，博士，現(xiàn)就職于北京郵電大學(xué)，主要研究方向?yàn)槲锫?lián)網(wǎng)網(wǎng)絡(luò)、未來網(wǎng)絡(luò)技術(shù)。

趙成林（1964-），男，教授，博士，現(xiàn)就職于北京郵電大學(xué)，主要研究方向?yàn)槎叹酂o線傳輸技術(shù)、認(rèn)知無線電技術(shù)、毫米波技術(shù)、工業(yè)互聯(lián)網(wǎng)網(wǎng)絡(luò)。

參考文獻(xiàn)：

[1] 申元善, 王圣淇. 數(shù)字化質(zhì)量模型及其智能商業(yè)領(lǐng)域應(yīng)用[J]. 中國質(zhì)量, 2023 (1) : 5.

[2] 雷波, 陳運(yùn)清, 王旭亮, 等. 邊緣計(jì)算與算力網(wǎng)絡(luò): 5G+AI時代的新型算力平臺與網(wǎng)絡(luò)連接[M]. 北京: 電子工業(yè)出版社, 2020.

[3] 天翼智庫. 迎接大模型時代: 大模型發(fā)展簡史及攻略[J]. 互聯(lián)網(wǎng)天地, 2023 (5) : 8 - 15.

[4] 華為技術(shù)有限公司, 中國信通院, 羅蘭貝格. 工業(yè)數(shù)字化/智能化2030白皮書[R/OL]. 2023-5.  

[5] 國際數(shù)據(jù)公司 (IDC). AI大模型在工業(yè)應(yīng)用展望，2023 [R/OL]. 2023-5.  

[6] 史庭祥, 張劍波, 曹越, 等. 一種基于超大規(guī)模云資源池的算力供給新模式及其關(guān)鍵技術(shù)[J]. 移動通信, 2023, 47 (1) : 83 - 89.

[7] 劉作國, 廖一星, 綦云華, 等. 一種工業(yè)生產(chǎn)設(shè)備故障預(yù)測分析方法及模型[J].

[8] 祁昊穎. "端-邊-云"超融合背景下的算力網(wǎng)絡(luò)架構(gòu)[J]. 通信電源技術(shù), 2022, 39 (13) : 124 - 128.

[9] 賈慶民, 丁瑞, 劉輝, 等. 算力網(wǎng)絡(luò)研究進(jìn)展綜述[J]. 網(wǎng)絡(luò)與信息安全學(xué)報

[10] 蔡旭輝, 董曉荔, 趙宇, 等. 算網(wǎng)感知能力與關(guān)鍵技術(shù)研究[J]. 中國信息化, 2023 (11) : 64 - 67 + 63

[11] 李宗輝, 楊思琪, 喻敬海, 等. 時間敏感網(wǎng)絡(luò)中確定性傳輸技術(shù)綜述[J]. 軟件學(xué)報, 2022, 33 (11) : 4334 - 4355.

[12] 周旭, 李琢. 面向算力網(wǎng)絡(luò)的云邊端協(xié)同調(diào)度技術(shù)[J]. 中興通訊技術(shù), 2023, 29 (4) : 32 - 37.

[13] 朱文閱, 董江帆, 李玉華, 等. 算力網(wǎng)絡(luò)安全與數(shù)據(jù)安全治理技術(shù)研究[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化, 2024, 37 (1) : 12 - 17.

摘自《自動化博覽》2024年第二期暨《邊緣計(jì)算2024專輯》