網(wǎng)絡(luò)大模型十大問(wèn)題白皮書(shū)2024

1網(wǎng)絡(luò)大模型十大問(wèn)題白皮書(shū)6GANASIG22023.12.21

摘要作為6G的研究熱點(diǎn)，網(wǎng)絡(luò)與AI被ITU-R正式提出作為6G的6大場(chǎng)景之一。其一直以來(lái)受到學(xué)術(shù)和工業(yè)界的廣泛關(guān)注，6GANA也提出了網(wǎng)絡(luò)AI的理念并展開(kāi)了深入的研究。而隨著大模型的興起以及其在各行業(yè)表現(xiàn)出來(lái)的強(qiáng)大潛力，可以預(yù)見(jiàn)到大模型也將在6G網(wǎng)絡(luò)中扮演重要的角色，相關(guān)的研究也將逐漸進(jìn)入高發(fā)期。本白皮書(shū)將首先對(duì)網(wǎng)絡(luò)大模型（NetGPT）給出明確的定義，隨后從基礎(chǔ)理論、場(chǎng)景需求、網(wǎng)絡(luò)架構(gòu)、部署管控、數(shù)據(jù)治理等方面系統(tǒng)闡述NetGPT的10大點(diǎn)研問(wèn)題分析在的究路，希能夠后續(xù)的NetGPT的關(guān)工指引向。2

目錄摘要.................................................................................................................................................21.背景..........................................................................................................................................42.網(wǎng)大模的定義....................................................................................................................43.十基礎(chǔ)題...........................................................................................................................53.1NetGPT場(chǎng)和需問(wèn)題.......................................................................................................6

3.2NetGPT的礎(chǔ)理問(wèn)題.......................................................................................................7

3.3NetGPT的致性要求題...............................................................................................9

3.4NetGPT間協(xié)同題........................................................................................................10

3.5NetGPT的生分式部問(wèn)題..........................................................................................12

3.6NetGPT的絡(luò)架設(shè)計(jì)題.............................................................................................13

3.7NetGPT的全隱問(wèn)題.....................................................................................................14

3.8NetGPT的據(jù)服問(wèn)題.....................................................................................................16

3.9NetGPT的判體與方問(wèn)題..........................................................................................16

3.10NetGPT的生命期管和編問(wèn)題.............................................................................184.總與展望.............................................................................................................................203

1.背景ITU-RWP5D第44次會(huì)議正式通過(guò)了《IMT面向2030及未來(lái)發(fā)展的框架和總體目標(biāo)建議

書(shū)》,作為6G研究的一個(gè)重要的里程碑，代表了全球的6G愿景共識(shí)，其中AI與通信融合被作為6大鍵場(chǎng)之一與6GANA提的NetworkAI理不謀合。隨大模的顛性發(fā)展，AI在然語(yǔ)處理計(jì)算機(jī)覺(jué)、音識(shí)等領(lǐng)的任處理能

力得到了極大的突破。特別是大語(yǔ)言模型，如ChatGpt，能夠準(zhǔn)確識(shí)別并理解用戶的意圖，為用戶提供問(wèn)題，生成文本等，并在結(jié)合多模態(tài)技術(shù)后不斷向更多領(lǐng)域拓展?？梢灶A(yù)計(jì)，大模型將會(huì)成為AI通信融合的關(guān)鍵組成部分。在提高網(wǎng)絡(luò)中AI的通用性和多任務(wù)處理能力等方面發(fā)揮重要作。然而我們需要意識(shí)到，大模型與AI在應(yīng)用上是有著很大不同的。在以往AI模型的使用上，

是通過(guò)收集大量的數(shù)據(jù)然后從頭訓(xùn)練模型，因此需要關(guān)注是如何針對(duì)具體任務(wù)設(shè)計(jì)模型結(jié)構(gòu)、網(wǎng)絡(luò)何收需要數(shù)據(jù)網(wǎng)絡(luò)何為AI模的訓(xùn)推理供算和算支撐。大型在用上，是以訓(xùn)練基模型底座，通過(guò)種策略，如promptfine-tune以及量庫(kù)等方式適配各

類具體任務(wù)。另外，大模型意圖理解和涌現(xiàn)能力，也給大模型的應(yīng)用帶來(lái)了更多的可能性，例如

可以實(shí)現(xiàn)基于意圖的編排，調(diào)用各種工具實(shí)現(xiàn)具體任務(wù)等。同時(shí)，大模型的巨大參數(shù)量和算力需

求，也為其在網(wǎng)絡(luò)中的應(yīng)用帶來(lái)了新的挑戰(zhàn)。為此，我們需要重新梳理大模型和網(wǎng)絡(luò)結(jié)合這個(gè)領(lǐng)

域的關(guān)問(wèn)題為后的研指明向。2.網(wǎng)絡(luò)大模型的定義大模型將在運(yùn)維、執(zhí)行、驗(yàn)證等方面為移動(dòng)網(wǎng)絡(luò)服務(wù)。通過(guò)整合通信知識(shí)，大模型可以幫助

檢測(cè)故障和生成解決方案。隨著網(wǎng)絡(luò)服務(wù)的多樣性和復(fù)雜性，大模型可以用來(lái)編排和調(diào)度任務(wù)流程，還可以進(jìn)行性能優(yōu)化、環(huán)境預(yù)測(cè)、資源分配等。通過(guò)出色的生成能力，大型模型有望在驗(yàn)證階段發(fā)揮重要作用，如室外復(fù)雜環(huán)境的通道生成、高鐵場(chǎng)景模擬等。因此，我們將無(wú)線通信網(wǎng)絡(luò)中用的模型義為絡(luò)大型（NeGPT）。由無(wú)線信網(wǎng)絡(luò)含RAN/CN/OAM這不同技術(shù)域他們功能性、據(jù)結(jié)構(gòu)以

及性能需求上都有著明顯的區(qū)別。例如，應(yīng)用在運(yùn)維領(lǐng)域的模型可能與NLP領(lǐng)域LLM類似，可以直接對(duì)LLM進(jìn)行微調(diào)得到；而應(yīng)用于空口的模型與自然語(yǔ)言完全是另一套體系。因此，NetGPT并不是一個(gè)單一模型通配所有網(wǎng)絡(luò)場(chǎng)景，而是一系列模型的組合。需要注意的是，這種4

組并不簡(jiǎn)單將孤的模擺放一起我們?yōu)镹etGPT建了三模型即L，L1和L2。其中，L0代表全網(wǎng)通用大模型；L1代表網(wǎng)絡(luò)不同領(lǐng)域大模型，如RAN/CN/OAM域大模型；L2代特定場(chǎng)下的絡(luò)模，如道預(yù)或者載均等，圖1所。NetGPT在通用性、基礎(chǔ)性和規(guī)模上，都是傳統(tǒng)各網(wǎng)元各自訓(xùn)練出的特定場(chǎng)景模型所不能相比的。通用性上，NetGPT-L0要能在全網(wǎng)各領(lǐng)域通用，包含是電信領(lǐng)域的基礎(chǔ)知識(shí)，NetGPT-L1的通用性就差一些，局限在對(duì)應(yīng)的領(lǐng)域內(nèi)；基礎(chǔ)性指的是能夠通過(guò)few-shot甚至zero-shot就很好的適配到下游任務(wù)上，這一點(diǎn)NetGPT-L0/1都要具備，特別是L1，要能夠作為NetGPT-L2的基礎(chǔ)模型，通過(guò)各種策略來(lái)快速適配到新的場(chǎng)景中去，不再需要從頭開(kāi)始訓(xùn)練L2。而在模型規(guī)模，NetGPT-L0/1的參數(shù)要滿足大模型基準(zhǔn)門(mén)限，目前業(yè)普遍的看法是產(chǎn)生智能涌的最參數(shù)在70。NetGPT-2的數(shù)量以小多，方其部在網(wǎng)邊緣端。圖1NetGPT三層L0/1/23.十大基礎(chǔ)問(wèn)題盡管大模型，尤其是LLM，已經(jīng)在很多領(lǐng)域展現(xiàn)出了令人驚嘆的能力，網(wǎng)絡(luò)大模型仍然還有很多基礎(chǔ)問(wèn)題需要去研究和解決。這些問(wèn)題可以分為兩類，一類是大模型本身的設(shè)計(jì)類問(wèn)題，另一類是網(wǎng)絡(luò)設(shè)計(jì)如何支撐大模型應(yīng)用類問(wèn)題，如圖3-1所示。也就是說(shuō)，我們讓NetGPT既要造的，也用得。5

圖2網(wǎng)絡(luò)大模型NetGPT十大問(wèn)題3.1NETGT場(chǎng)和需問(wèn)題網(wǎng)絡(luò)技術(shù)研究，以需求和場(chǎng)景始。研究NetGPT的需求和典型場(chǎng)景是網(wǎng)絡(luò)大模型制定發(fā)展策略、規(guī)劃和優(yōu)化的基礎(chǔ)，并對(duì)網(wǎng)絡(luò)長(zhǎng)期規(guī)劃、技術(shù)升級(jí)和演進(jìn)決策具有重要意義。只有具備高增益的典型場(chǎng)景、高價(jià)值的典型業(yè)務(wù)，才能為NetGPT后續(xù)的落地和部署提供必要保障，否則只能是停留在紙面的空中樓閣。因此，NetGPT的需求是否真實(shí)存在，需求程度如何，需要通過(guò)研究過(guò)程逐步去偽存真，為后續(xù)的網(wǎng)絡(luò)設(shè)計(jì)和NetGPT發(fā)展提供必要依據(jù)。另外，在NetGPT需求和場(chǎng)景研究中，需要結(jié)合對(duì)未來(lái)技術(shù)趨勢(shì)的分析，需求和場(chǎng)景研究可以一定程度適度超前當(dāng)前科技水。單從IT視角進(jìn)而CT視角看GPT技術(shù)，從IT視角看，GPT既是一種AI大模型，也是超級(jí)AI大用；從CT視看GPT既以是種輔工作賦能段，可是種創(chuàng)設(shè)計(jì)范式。而就6G網(wǎng)絡(luò)發(fā)展而言，從“需求搜集”到“系統(tǒng)設(shè)計(jì)“，再到”規(guī)范標(biāo)準(zhǔn)“，“研發(fā)測(cè)試”，“規(guī)劃，建設(shè)，運(yùn)維，管理，優(yōu)化，營(yíng)銷(xiāo)”等全生命周期的各個(gè)環(huán)節(jié)，GPT類技術(shù)都可以在其中發(fā)揮重要作用，而從一開(kāi)始最具價(jià)值的毫無(wú)疑問(wèn)是GPT賦能網(wǎng)絡(luò)，即NetGPT。而無(wú)線網(wǎng)絡(luò)邊緣單設(shè)備/終端相對(duì)于云較為受限的計(jì)算能力，決定了NetGPT并不能像傳統(tǒng)AI那樣對(duì)網(wǎng)絡(luò)中的功能和算法進(jìn)行簡(jiǎn)單替換，而需要重新設(shè)計(jì)，包括適配無(wú)線網(wǎng)絡(luò)的NetGPT算法，以及原生支持NetLM應(yīng)的無(wú)網(wǎng)絡(luò)構(gòu)。6

（1）NetGPT在網(wǎng)絡(luò)中提質(zhì)、增效、降本和拓收的需求和場(chǎng)景。體現(xiàn)在提高網(wǎng)絡(luò)AI普適性、網(wǎng)絡(luò)性能提升、網(wǎng)絡(luò)智能化管控優(yōu)化等方面。面向沉浸式通信、超大規(guī)模連接、超高可靠低時(shí)延、泛在連接、智能內(nèi)生、通感融合等未來(lái)網(wǎng)絡(luò)應(yīng)用場(chǎng)景，相對(duì)目前的網(wǎng)絡(luò)管理與服務(wù)方式，使用NetGPT是可以現(xiàn)新管控式，而AI服可以加廣，AI準(zhǔn)度得有效障，網(wǎng)絡(luò)獲得較大的增益。例如，在多樣性的場(chǎng)景中，為不同場(chǎng)景的需求提供定制化的解決方案，根據(jù)不同場(chǎng)景精準(zhǔn)編排網(wǎng)絡(luò)服務(wù)，從而實(shí)現(xiàn)網(wǎng)絡(luò)的泛在智能，提高網(wǎng)絡(luò)的適應(yīng)性和用戶滿意度。在網(wǎng)絡(luò)傳統(tǒng)的管控優(yōu)化方面，大模型能否提供更普適性的AI，在自動(dòng)化網(wǎng)絡(luò)管理和故障排除、網(wǎng)絡(luò)優(yōu)和資分配輔助建自應(yīng)網(wǎng)、檢網(wǎng)絡(luò)脅和常活從、助分網(wǎng)絡(luò)據(jù)等面，進(jìn)綜合的分與管，提網(wǎng)絡(luò)局的率。（2）6G網(wǎng)絡(luò)架構(gòu)支撐NetGPT發(fā)展的需求和場(chǎng)景。6G網(wǎng)絡(luò)新的創(chuàng)新技術(shù)，天然具備支撐NetGPT獨(dú)具優(yōu)勢(shì)發(fā)展的土壤，如移動(dòng)算力網(wǎng)絡(luò)、分布式網(wǎng)絡(luò)架構(gòu)等。但是6G網(wǎng)絡(luò)架構(gòu)、功能、接口設(shè)計(jì)，與NetGPT的發(fā)展速度時(shí)間窗口不一定完全匹配。6G網(wǎng)絡(luò)設(shè)計(jì)在原生支持NetGPT方面，通過(guò)云計(jì)算、邊緣計(jì)算移動(dòng)算力網(wǎng)絡(luò)的計(jì)算資源，為NetGPT提供訓(xùn)練算力、分布式部署、分布式推理等場(chǎng)景是否具有需求與可行性。另外，在NetGPT算法設(shè)計(jì)中，是否匹配6G網(wǎng)絡(luò)泛在終端、異構(gòu)資源特點(diǎn)；以及NetGPT的出現(xiàn)，是否會(huì)對(duì)目前6G架構(gòu)，功能與協(xié)議棧成沖。這將是6G網(wǎng)和NetGPT需共同對(duì)的題。（3）NeGPT在6G網(wǎng)絡(luò)應(yīng)用中的邊界。無(wú)線網(wǎng)絡(luò)的層級(jí)越低，對(duì)服務(wù)質(zhì)量（QoS）（包括實(shí)時(shí)性和準(zhǔn)確性）的要求就越高。目前的大模型技術(shù)并不能滿足移動(dòng)通信網(wǎng)絡(luò)對(duì)高確定性QoS保障的要求，未來(lái)NetGPT的發(fā)展是否會(huì)只能用于特定層級(jí)或特定功能。例如，NetGPT是否只適用于空中接口的高層，而不適用于物理層？這些邊界問(wèn)題還涉及NetGPT在每個(gè)具體應(yīng)用中可能發(fā)揮的作用。例如，NetGPT能在多大程度上支持未來(lái)的OAM系統(tǒng)--完全或部分自治網(wǎng)絡(luò)。在究NetGPT時(shí)有必澄清述基情況邊界題。3.2NETGT的礎(chǔ)理問(wèn)題在未來(lái)無(wú)線網(wǎng)絡(luò)全面智能化時(shí)代，通信、計(jì)算、數(shù)據(jù)、AI的融合是不可避免的趨勢(shì)，而構(gòu)建NetGPT是現(xiàn)這目標(biāo)關(guān)鍵然而要實(shí)現(xiàn)NetGPT的建，要解許多礎(chǔ)理問(wèn)題。（1）NetGPT與LLM的差異。作為最具代表性的基礎(chǔ)模型，大型語(yǔ)言模型LLM也被很多研究者作為網(wǎng)絡(luò)模型的底座，通過(guò)微調(diào)或者提示等方式來(lái)解決網(wǎng)絡(luò)任務(wù)。然而，通信領(lǐng)域與自然語(yǔ)言處理領(lǐng)域的根本差異導(dǎo)致了NetGPT與大型語(yǔ)言模型在理論上的顯著差異。這些差異主要體現(xiàn)以下個(gè)方：7

1.數(shù)據(jù)特性：NetGPT處理的數(shù)據(jù)集涉及通信信號(hào)，例如通道信息，這些以高維張量形式

表，與型語(yǔ)模型處理基于牌tokens）數(shù)據(jù)式有質(zhì)區(qū)。2.后端任務(wù)：無(wú)線網(wǎng)絡(luò)處理的任務(wù)種類迥異，因此NetGPT的輸出形式可能多樣化，與大

型言模使用牌輸輸出式不。3.模型大?。篘etGPT定義了多層次的結(jié)構(gòu)，在不同層次上部署多種規(guī)模的模型。特別是

在網(wǎng)絡(luò)邊緣部署的NetGPT模型，如基站中的NetGPT-L2，其參數(shù)規(guī)?？赡軆H為1至

0億相較集中大型言模的50至200億數(shù)規(guī)有相大的異。另，隨模型模的斷增，我看到LLM的能提也逐出現(xiàn)際效遞減情況，是否還有其他更好更高效的架構(gòu)，或者說(shuō)更適合移動(dòng)網(wǎng)絡(luò)的架構(gòu)？例如transformer在一定程度上犧牲了捕捉局部特征的能力，特別是失去的位置信息對(duì)于時(shí)序數(shù)據(jù)非常重要，PositionEmbedding也只是一個(gè)權(quán)宜之計(jì)，在作用域?qū)τ跁r(shí)序要求更高的移動(dòng)通信系統(tǒng)時(shí)是否能產(chǎn)生好的效果？transformer的Embedding對(duì)于結(jié)構(gòu)化數(shù)據(jù)的處理效果并不太好，尚未有效解決如何將非連續(xù)數(shù)據(jù)映射到向量空間的問(wèn)題，這對(duì)于目前以結(jié)構(gòu)化數(shù)據(jù)為主的電信運(yùn)營(yíng)商來(lái)講也是一個(gè)亟需解決的基礎(chǔ)問(wèn)題。因此，對(duì)于NetGPT是否能與大型語(yǔ)言模型使用同樣的模型架構(gòu)，或者NetGPT將發(fā)新理論架構(gòu)究，然有進(jìn)一的探。（2）NetGPT的泛化能力如何滿足網(wǎng)絡(luò)任務(wù)的多樣性。大模型的一大優(yōu)勢(shì)就是可以利用非

常少的下游數(shù)據(jù)來(lái)進(jìn)行特定任務(wù)的適配，或者是few-shot甚至zero-shot的學(xué)習(xí)，都能達(dá)到不錯(cuò)的效果。這就為各類下游任務(wù)節(jié)省了大量的數(shù)據(jù)收集、清洗和標(biāo)注的時(shí)間，大大節(jié)約了開(kāi)發(fā)成本。另外一個(gè)就是基于大模型來(lái)適配新任務(wù)，可能并不需要調(diào)整大量的參數(shù)，只需要調(diào)整非常少的參數(shù)量就可以，有很多parameterefficient的微調(diào)方法都能得到不遜色于全量參數(shù)調(diào)整的性能。但是，網(wǎng)絡(luò)任務(wù)的多樣性可能遠(yuǎn)遠(yuǎn)超過(guò)自然語(yǔ)言領(lǐng)域。我們需要深入研究大模型泛化性的理論基礎(chǔ)，為什么可以使用少量數(shù)據(jù)和參數(shù)就可以學(xué)習(xí)到新的任務(wù)知識(shí)，然后才能去有針對(duì)性的優(yōu)化NetGPT在網(wǎng)絡(luò)任務(wù)上的泛化性能。雖然這方面已經(jīng)有一些非常重要的研究理論，包括過(guò)參數(shù)化等理論，但是其深層次的理論框架依然沒(méi)有建立，包括我們應(yīng)該建立起怎樣的數(shù)學(xué)或者分析模型對(duì)大型進(jìn)定量分析。（3）大模型參數(shù)規(guī)模問(wèn)題也是構(gòu)建NetGPT的一個(gè)基礎(chǔ)問(wèn)題。隨著模型參數(shù)規(guī)模的增加，

模型的性能和泛化能力也會(huì)隨之提高，并且只需要更少的參數(shù)調(diào)整就能適配到新的下游任務(wù)。然而，大規(guī)模的模型參數(shù)也會(huì)帶來(lái)計(jì)算和存儲(chǔ)上的挑戰(zhàn)，以及在訓(xùn)練和使用時(shí)帶來(lái)更大的能耗。如何對(duì)網(wǎng)的復(fù)性設(shè)與之配的型參規(guī)模是非值得究的個(gè)挑性問(wèn)。8

當(dāng)我們想要去獲得一個(gè)大型系統(tǒng)如移動(dòng)網(wǎng)絡(luò)領(lǐng)域?qū)Ｓ玫男袠I(yè)大模型時(shí)，我們必然要去弄清楚這些大模型上的理論問(wèn)題。對(duì)于每個(gè)問(wèn)題，都需要深入研究其具體的內(nèi)涵和挑戰(zhàn)，以推動(dòng)NetGPT的究和用。3.3NETGT的致性要求題通使用度學(xué)、強(qiáng)學(xué)習(xí)先進(jìn)人工能技，大型可從大移動(dòng)絡(luò)數(shù)中提

取用信，并現(xiàn)智化的策和制，泛應(yīng)于移網(wǎng)絡(luò)信號(hào)理、輸控、無(wú)資源配、擾管等多方面為智物聯(lián)、智醫(yī)療智能通等域提有力撐。了實(shí)這些用，型必實(shí)時(shí)效，夠快處理入并行決；模必須確可，盡避免誤決造成網(wǎng)絡(luò)題；型必穩(wěn)定用，障網(wǎng)運(yùn)行服務(wù)量不模型障影；模必須有可展性能夠應(yīng)不場(chǎng)景不同戶的求。（1）NeGPT的時(shí)性求。線通網(wǎng)絡(luò)應(yīng)用景常涉及各種時(shí)任，如動(dòng)

駕、遠(yuǎn)醫(yī)療智能造等這些景對(duì)絡(luò)的時(shí)性求極，即微小延遲可能致嚴(yán)的后。這需要模型與到絡(luò)業(yè)的處時(shí)，夠在短的間內(nèi)行決和執(zhí)，以對(duì)快變化網(wǎng)絡(luò)境。如基上的源調(diào)的時(shí)粒度是0.5~1ms。而大型的雜計(jì)過(guò)程大規(guī)參數(shù)帶來(lái)理的遲，難直應(yīng)用網(wǎng)絡(luò)底層輯上我們要為

NeGPT開(kāi)高效模型理和行方，甚在模架構(gòu)進(jìn)行新設(shè)和簡(jiǎn)，從提升其

推效率進(jìn)一地，以通采用效的件加、進(jìn)軟件加速化、縮優(yōu)模型法

和型結(jié)等方來(lái)形芯片框架系統(tǒng)整體化。外，移動(dòng)絡(luò)中數(shù)據(jù)不斷新

的可以用增學(xué)習(xí)更新法，對(duì)更的數(shù)進(jìn)行練和整，減少算量時(shí)間本。（2）NeGPT的靠性求。動(dòng)網(wǎng)中醫(yī)診斷金融控等用對(duì)絡(luò)的靠性求

很，任通信題都能引重大安全件。而大型依沒(méi)有破神網(wǎng)絡(luò)AI的解釋問(wèn)，其推理可能生的覺(jué)現(xiàn)容易致不確甚誤導(dǎo)的輸，就可能網(wǎng)絡(luò)生

錯(cuò)的決，從引發(fā)絡(luò)事。所目前大模應(yīng)用然局在外輔助無(wú)法及核系

統(tǒng)雖然模型幻覺(jué)題還能立解決但是們?nèi)钥梢蕴岣邠?jù)質(zhì)、改模型構(gòu)、引領(lǐng)域識(shí)、強(qiáng)防措施方面可能降低類風(fēng)。

（3）NeGPT的可用要求。線傳的環(huán)復(fù)雜存在種不定性干擾例如信號(hào)減、聲干、多效應(yīng)。同，由硬件模和信量模龐，大型訓(xùn)甚至理9

過(guò)中難遇到件故或軟問(wèn)題大模需要備高用性在各干擾故障保持高

的用性以避由于理中造成絡(luò)通的低或故。一面，要考如何數(shù)據(jù)份、模模塊、異處理分布部署方面升大型容率，障大型不因單故障瘓；另方面也需大模利用據(jù)冗、快恢復(fù)制等式提一定容災(zāi)，保災(zāi)難生

后模型快速?gòu)?fù)，供可和穩(wěn)的網(wǎng)服務(wù)。（4）NeGPT的靈活性擴(kuò)展性要求。當(dāng)前移動(dòng)網(wǎng)絡(luò)用戶業(yè)務(wù)呈現(xiàn)出多樣化的特點(diǎn)。未來(lái)，傳感器網(wǎng)絡(luò)、智能物聯(lián)網(wǎng)等應(yīng)用促進(jìn)網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，新型業(yè)務(wù)也不斷涌現(xiàn)。大模型需要能夠適應(yīng)多種移動(dòng)網(wǎng)絡(luò)環(huán)境和業(yè)務(wù)需求，并進(jìn)行靈活配置和調(diào)整。大模型應(yīng)該具備在計(jì)算、存儲(chǔ)、通信等方面進(jìn)行擴(kuò)展的能力，以根據(jù)移動(dòng)網(wǎng)絡(luò)的需求進(jìn)行擴(kuò)展，處理更多的用戶、更復(fù)雜的業(yè)務(wù)場(chǎng)景以及更高的數(shù)據(jù)流量等。同時(shí)，由于移動(dòng)網(wǎng)絡(luò)設(shè)備和協(xié)議多種多樣，不同的設(shè)備和協(xié)議具有不同的特性和要求。大模型需要能夠針對(duì)不同的網(wǎng)絡(luò)協(xié)議、設(shè)備類型和網(wǎng)絡(luò)制式進(jìn)行自適應(yīng)調(diào)整，以便為不同的設(shè)備和應(yīng)用場(chǎng)景提供一致的服務(wù)。目前，增強(qiáng)模型靈活性的技術(shù)包括模型壓縮、模型移等。3.4NETGT間協(xié)同題大模是從弱人工能向通用人智能的突破探索，能用來(lái)解決了統(tǒng)AI應(yīng)用片化問(wèn)題，未來(lái)多模態(tài)只會(huì)讓大模型越來(lái)越大，但性能與能耗提升不成比例的效率問(wèn)題限制了規(guī)模的繼續(xù)擴(kuò)張。相較大模型，小模型專注在特定場(chǎng)景，相對(duì)而言參數(shù)較少、結(jié)構(gòu)簡(jiǎn)單、精度低、計(jì)算量較少，適用于處理規(guī)模較小、簡(jiǎn)單的數(shù)據(jù)集，可以快速迭代，便于快速試驗(yàn)的一種模型結(jié)構(gòu)。因此讓網(wǎng)絡(luò)大小模型的協(xié)同進(jìn)化，各司其職可能是更適合的方式，大模型向邊、端的小模型輸出模型能力，小模型在真實(shí)場(chǎng)景收集的增量數(shù)據(jù)，負(fù)責(zé)實(shí)際的推理與執(zhí)行，小模型讓大模型有再進(jìn)化的元素；不需要重復(fù)訓(xùn)練相似的大模型，同時(shí)小模型再向大模型反饋算法與執(zhí)行成效，讓大模型的力持強(qiáng)化形成機(jī)循的智體系。10

圖3NetGPT大小模型協(xié)同示例

網(wǎng)絡(luò)大模型NetGPT間的協(xié)同關(guān)系主要是體量較大適合在云端部署的L0全網(wǎng)通用大模型、L1網(wǎng)絡(luò)專業(yè)大模型，與體量較小適合在邊緣部署的L2網(wǎng)絡(luò)小模型之間，在模型訓(xùn)練和推理方面的同，明如：（1）L0全通用模型與L1網(wǎng)專業(yè)模型協(xié)同

在模型訓(xùn)練上，L0全網(wǎng)通用大模型為L(zhǎng)1網(wǎng)絡(luò)專業(yè)大模型提供預(yù)訓(xùn)練模型，可利用專業(yè)領(lǐng)域數(shù)據(jù)模型參調(diào)整來(lái)行模型調(diào)，生成L1網(wǎng)絡(luò)業(yè)大模；L1網(wǎng)絡(luò)業(yè)大模為L(zhǎng)0全網(wǎng)通用模型供反數(shù)據(jù)進(jìn)行型優(yōu)，即模型練上行數(shù)協(xié)同參數(shù)同。在模型推理上，針對(duì)跨域任務(wù)，L0全網(wǎng)通用大模型可調(diào)度多個(gè)L1網(wǎng)絡(luò)專業(yè)大模型，并提供通知識(shí)進(jìn)行域任協(xié)同知識(shí)同。（2）L1網(wǎng)專業(yè)模型與L2網(wǎng)小模間協(xié)同

在模型訓(xùn)練上，L1網(wǎng)絡(luò)專業(yè)大模型通過(guò)模型蒸餾、微調(diào)，生成L2網(wǎng)絡(luò)小模型；L2網(wǎng)絡(luò)小模型為L(zhǎng)1網(wǎng)絡(luò)專業(yè)大模型提供反饋數(shù)據(jù)來(lái)進(jìn)行模型優(yōu)化，即在模型訓(xùn)練上進(jìn)行數(shù)據(jù)協(xié)同和參數(shù)協(xié)同。在模型推理上，針對(duì)單域任務(wù)，L1網(wǎng)絡(luò)專業(yè)大模型可調(diào)度多個(gè)L2網(wǎng)絡(luò)小模型，并提供單域?qū)ＶR(shí)進(jìn)行域任協(xié)同知識(shí)同。在上述場(chǎng)景中，某些關(guān)鍵算法有待進(jìn)一步研究，例如根據(jù)L0全網(wǎng)通用大模型的相關(guān)性進(jìn)行

參數(shù)修剪參數(shù)，并進(jìn)行有效的微調(diào)以適應(yīng)新的任務(wù)；如何實(shí)現(xiàn)大模型的知識(shí)與能力向小模型降維11

遷移的有效性、小模型的小樣本學(xué)習(xí)向大模型的升維融合、以及不同維度數(shù)據(jù)的清洗與治理等；并從數(shù)學(xué)上保證協(xié)同后的效果等價(jià)，一致性，并能實(shí)現(xiàn)大模型推理性能，結(jié)果等不發(fā)生偏移，除了算法挑戰(zhàn)外，支持NetGPT的跨供應(yīng)商協(xié)作，包括功能和程序在內(nèi)的協(xié)作內(nèi)容的標(biāo)準(zhǔn)化、協(xié)同集生成法與統(tǒng)控等，是需繼續(xù)入研問(wèn)題。3.5NETGT的生分式部問(wèn)題隨著大模型越來(lái)越大，從幾百億到幾千億到現(xiàn)在GPT4的萬(wàn)億參數(shù)，其對(duì)計(jì)算和存儲(chǔ)成本的消耗也越來(lái)越大。當(dāng)我們要將這樣的龐然大物部署到網(wǎng)絡(luò)內(nèi)時(shí)，需要考慮可能出現(xiàn)的分布式部署方式，例如部署在網(wǎng)絡(luò)邊緣提供即時(shí)服務(wù)，或者部署在基站和終端來(lái)增強(qiáng)空口特性等。那么如何將NetGPT成功地部署到分布式環(huán)境中，以實(shí)現(xiàn)模型性能的最大化和資源利用的最優(yōu)化，將面臨著多挑。（1）NetGPT的分布式拆分。在分布式網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)的計(jì)算資源和存儲(chǔ)能力都有所不同，需要根據(jù)節(jié)點(diǎn)的實(shí)際情況合理拆分模型，以獲取節(jié)點(diǎn)間的負(fù)載均衡，同時(shí)最大化資源利用效率。網(wǎng)絡(luò)的一大特點(diǎn)是動(dòng)態(tài)性，終端的移動(dòng)或者基站網(wǎng)元的忙閑時(shí)變化都可能導(dǎo)致模型的性能受到響，能還模型分進(jìn)自適的動(dòng)調(diào)整。（2）NetGPT的分布式訓(xùn)練。大模型并不是一錘子買(mǎi)賣(mài)，其需要在不斷執(zhí)行中自我優(yōu)化演進(jìn)，完善自身的能力建設(shè)，為此我們需要針對(duì)大模型研究有效的分布式學(xué)習(xí)算法?？紤]到大模型本身的特點(diǎn)，已有的模型并行（如拆分學(xué)習(xí)）或者數(shù)據(jù)并行（如聯(lián)邦學(xué)習(xí)）方式可能存在一定的局限性，達(dá)不到理想的的學(xué)習(xí)效果。我們需要去深入探索更多的可能，例如混合并行等方向。另外特別需要注意的是模型訓(xùn)練的一致性問(wèn)題，如何確保所有節(jié)點(diǎn)訓(xùn)練的同步性和一致性，從而保證型訓(xùn)能夠確有的進(jìn)收斂。（3）高效的節(jié)點(diǎn)間通信機(jī)制。不論是進(jìn)行大模型的推理還是訓(xùn)練，分布式節(jié)點(diǎn)間的通信瓶頸都會(huì)成為制約模型性能的關(guān)鍵因素。與數(shù)據(jù)中心中可以部署高速的機(jī)器間高速通道不同，網(wǎng)絡(luò)節(jié)點(diǎn)間的傳輸帶寬更加受限。一方面我們當(dāng)然還是可以從算法上入手，進(jìn)行模型壓縮，如剪枝和量化等；但是另一方面我們應(yīng)該在網(wǎng)絡(luò)內(nèi)設(shè)計(jì)一套更加高效的節(jié)點(diǎn)間通信機(jī)制，能夠讓網(wǎng)絡(luò)節(jié)點(diǎn)間模型據(jù)流的更高效捷。針對(duì)以上問(wèn)題，需要深入研究相關(guān)的理論和技術(shù)，探索創(chuàng)新性的解決方案，結(jié)合網(wǎng)絡(luò)自身的

拓?fù)浣Y(jié)構(gòu)，建立高效的分布式部署方案。例如，可以采用分布式一致性算法來(lái)保證模型訓(xùn)練的一12

致性；通過(guò)動(dòng)態(tài)負(fù)載均衡策略來(lái)優(yōu)化資源的利用效率；利用高效的通信和同步技術(shù)來(lái)提高模型的訓(xùn)效率同時(shí)需要發(fā)安的模訓(xùn)練使用略，保護(hù)戶的據(jù)安和隱權(quán)益。3.6NETGT的絡(luò)架設(shè)計(jì)題大模型主要部署在網(wǎng)絡(luò)，云端的智算中心，利用集中的算力對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，AI模型訓(xùn)練和驗(yàn)證等，會(huì)對(duì)網(wǎng)絡(luò)的傳輸帶寬帶、性能指標(biāo)等帶來(lái)壓力。而目前終端側(cè)的智能化則由于算力，算法模型數(shù)據(jù)等不足還需要較的提升。如實(shí)現(xiàn)在架層面實(shí)現(xiàn)通連接、計(jì)、數(shù)據(jù)和AI算法模型的深度融合，充分利用網(wǎng)絡(luò)中分布式的算力和數(shù)據(jù)，引入多節(jié)點(diǎn)間以及終端與網(wǎng)絡(luò)間協(xié)同機(jī)制，實(shí)現(xiàn)分布與集中處理的融合，提升了數(shù)據(jù)處理、決策推理和資源利用的效率。同時(shí)基于“大規(guī)模預(yù)訓(xùn)練﹢微調(diào)”的范式，使NetGPT做到相對(duì)標(biāo)準(zhǔn)化，成為網(wǎng)絡(luò)AI基礎(chǔ)設(shè)施與底座的能力，能網(wǎng)絡(luò)內(nèi)各個(gè)場(chǎng)，降低網(wǎng)絡(luò)AI技術(shù)應(yīng)于下游場(chǎng)景的成，NetGPT將帶來(lái)下網(wǎng)絡(luò)架的影。（1）網(wǎng)絡(luò)服務(wù)的優(yōu)化：在網(wǎng)絡(luò)的運(yùn)營(yíng)層基于NetGPT解釋語(yǔ)義信息的能力，未來(lái)的無(wú)線網(wǎng)絡(luò)可以為每個(gè)單獨(dú)的應(yīng)用程序生成一個(gè)專有網(wǎng)絡(luò)，從業(yè)務(wù)等角度提供相應(yīng)的服務(wù)邏輯、網(wǎng)絡(luò)邏輯和網(wǎng)絡(luò)資源。例如利用大模型在自然語(yǔ)言上的強(qiáng)大能力可用于提升智能客服、智能化經(jīng)營(yíng)、智能營(yíng)銷(xiāo)等運(yùn)營(yíng)服務(wù)功能，大模型在自然語(yǔ)言上的成功，啟示了在語(yǔ)音、視覺(jué)等多模態(tài)數(shù)據(jù)上的擴(kuò)展空間，賦能行業(yè)數(shù)字化，改進(jìn)信息通信服務(wù)能力。利用現(xiàn)有大模型的研發(fā)內(nèi)容對(duì)大模型封裝，將各類任務(wù)上的推理能力封裝成統(tǒng)一的應(yīng)用程序接口，對(duì)外API模式提供服務(wù)。大模型賦能網(wǎng)絡(luò)運(yùn)營(yíng)可以獲得這些接口，可以利用現(xiàn)有各種大模型即服務(wù)的模式，作為網(wǎng)絡(luò)外部一種服務(wù)，像調(diào)用云力一，直調(diào)用務(wù)，要是用大型已多模機(jī)器習(xí)、言理，文生成力，對(duì)絡(luò)架變化響較。

（2）網(wǎng)絡(luò)的能力更新：由于網(wǎng)絡(luò)中不同的技術(shù)域場(chǎng)景在功能特性、數(shù)據(jù)結(jié)構(gòu)、以及性能需求上都有著明顯的區(qū)別，未來(lái)的網(wǎng)絡(luò)需要持基礎(chǔ)大模型，NetGPT,第三方大模型的原生部署支能力。此外由于參數(shù)數(shù)量巨大，大模型的知識(shí)更新帶來(lái)巨大的計(jì)算開(kāi)銷(xiāo)，需要在考慮NetGPT的增量訓(xùn)練能力，在線學(xué)習(xí)演進(jìn)的能力，實(shí)現(xiàn)在網(wǎng)絡(luò)領(lǐng)域內(nèi)對(duì)模型數(shù)據(jù)進(jìn)行有效的變更，模型的“即時(shí)”更新。例如目前隨著大模型及其相關(guān)技術(shù)的出現(xiàn)和普及，可以在智能運(yùn)維領(lǐng)域智能運(yùn)維相關(guān)問(wèn)題的快問(wèn)答以及運(yùn)維人員認(rèn)后的快速執(zhí)行等景。大模型與智能運(yùn)維AIOps可以協(xié)同力運(yùn)維人員快速識(shí)別系統(tǒng)故障類型、高效提供故障處置策略并生成自動(dòng)化腳本實(shí)現(xiàn)故障自愈。由于網(wǎng)絡(luò)運(yùn)維需要在已有大模型自然語(yǔ)言理解能力上增強(qiáng)豐富的運(yùn)維能力，故障的解決方案或修復(fù)策13

略知識(shí)庫(kù)，不能直接已有大模型，用來(lái)輔助人工，對(duì)實(shí)時(shí)性要求不嚴(yán)格，大模型可以作為一種網(wǎng)絡(luò)部功在，信網(wǎng)可以過(guò)網(wǎng)內(nèi)部口進(jìn)交互。網(wǎng)絡(luò)接口/協(xié)議變化：隨著NetGPT的不斷集成融入未來(lái)通信網(wǎng)絡(luò)，基于模型之間的協(xié)作接口（例如基于Token，Prompt）可能取代基于當(dāng)前網(wǎng)絡(luò)中的標(biāo)準(zhǔn)化經(jīng)典字符串接口協(xié)議。通信網(wǎng)絡(luò)入大模型的種場(chǎng)景下模型必須以理的延遲出響應(yīng)。移通信網(wǎng)絡(luò)實(shí)現(xiàn)AI泛在普惠的礎(chǔ)平臺(tái)，也使能AI成為在化的社會(huì)服務(wù)。由端邊側(cè)資源限制，對(duì)終端設(shè)備而言UE受于其算、儲(chǔ)和模資源難以障完的大型服務(wù)無(wú)法決推大模端側(cè)帶不動(dòng)，小模型性能達(dá)不到。在移動(dòng)通信網(wǎng)絡(luò)內(nèi)部引入基于模型之間的協(xié)作接口，通過(guò)端云大模型分以聚合模式實(shí)現(xiàn)模型云協(xié)進(jìn)化構(gòu)。網(wǎng)元智能化演變：隨著通信網(wǎng)絡(luò)逐漸演進(jìn)成熟，通過(guò)引入NetGPT將網(wǎng)絡(luò)的事后觸發(fā)優(yōu)化流程整為前預(yù)及主優(yōu)化能，解時(shí)，實(shí)網(wǎng)絡(luò)源及項(xiàng)性的及調(diào)整優(yōu)化配，增強(qiáng)網(wǎng)絡(luò)自身的功能和特性得到,網(wǎng)絡(luò)在運(yùn)行時(shí)，需要性能的穩(wěn)定性可靠性保證，而大模型運(yùn)行較慢，當(dāng)推理請(qǐng)求的次數(shù)和請(qǐng)求數(shù)據(jù)量過(guò)大時(shí)，API的響應(yīng)時(shí)間和返回?cái)?shù)據(jù)質(zhì)量將難以保證，實(shí)際的反應(yīng)時(shí)較長(zhǎng)，短時(shí)間內(nèi)要獲得大規(guī)模的應(yīng)用和及時(shí)響應(yīng)體驗(yàn)比較困難。需要把大模型功能嵌入已有的應(yīng)用和服務(wù)中，與網(wǎng)絡(luò)架構(gòu)進(jìn)行融合，保證實(shí)時(shí)性，因此NetGPT可能將進(jìn)一步深度融入6G的絡(luò)架，并獨(dú)立元和絡(luò)功實(shí)體形式在。3.7NETGT的全隱問(wèn)題大模作為預(yù)訓(xùn)練基礎(chǔ)模型，所承擔(dān)的智業(yè)務(wù)范圍數(shù)量和種類以前的AI模型不能比擬的。當(dāng)前基于大模型的應(yīng)用還處于發(fā)展階段，隱私保護(hù)政策由服務(wù)商自行制定，用戶不得不忍受寬松的隱私條件。未來(lái)大模型將成為網(wǎng)絡(luò)設(shè)備和應(yīng)用的基礎(chǔ)功能，為千行百業(yè)帶來(lái)普惠智能，用戶（尤其是掌握敏感信息的用戶）則會(huì)更加關(guān)注無(wú)處不在的隱私威脅，彼時(shí)數(shù)據(jù)安全問(wèn)題將成為限制大模型發(fā)展的枷鎖。正因?yàn)槿绱?，其所面臨的數(shù)據(jù)和模型安全問(wèn)題也更加嚴(yán)峻，特別是基礎(chǔ)絡(luò)設(shè)服務(wù)的NetGPT，全更重中重。（1）NetGPT本身的可靠性面臨安全問(wèn)題。大模型很容易出現(xiàn)被攻擊的情況，可能稍微改一改輸入就使得大模型不能正常工作。例如使用簡(jiǎn)單的越獄攻擊（JailbreakingAttack）即可讓大模型解鎖倫理限制，進(jìn)而產(chǎn)生大量誤導(dǎo)性內(nèi)容，給用戶和服務(wù)商造成危害。另外，大模型特別容易被攻擊者植入一些后門(mén)（backoor），從而讓NetGPT專門(mén)在某些特定場(chǎng)景下將潛在的網(wǎng)14

絡(luò)漏洞傳輸給攻擊者，這是非常重要的安全性問(wèn)題，特別是NetGPT面對(duì)是的通信基礎(chǔ)設(shè)施，一

旦出現(xiàn)問(wèn)題影響的是人們的基礎(chǔ)生活，甚至造成嚴(yán)重的社會(huì)問(wèn)題。除此之外，此前的研究表明模

型越變?cè)酱笾?，?huì)變得越來(lái)越有偏見(jiàn)，越來(lái)越不值得被信任，這些問(wèn)題都需要我們對(duì)大模型進(jìn)

行針對(duì)的約。（2）NetGPT的可解釋性對(duì)網(wǎng)絡(luò)安全同樣至關(guān)重要?？山忉屝源碇Ｐ驮诿鎸?duì)同一問(wèn)題時(shí)能夠提供一貫且穩(wěn)定的答案。這一特性對(duì)我們更深入地理解模型行為、快速識(shí)別異?；驖撛谕{、并采取必要的預(yù)防措施至關(guān)重要。然而，缺乏可解釋性可能會(huì)導(dǎo)致難以辨別異常行為、誤判漏報(bào)、難以進(jìn)行審計(jì)和驗(yàn)證。例如，異常流量模式或攻擊嘗試等情況。若模型不具備可解釋性，可能會(huì)錯(cuò)失對(duì)某些潛在攻擊的發(fā)現(xiàn)，或?qū)⒑戏ɑ顒?dòng)誤報(bào)為異常。另外，基礎(chǔ)模型的可解釋性對(duì)下游調(diào)模的可釋性有深影響若基模型解釋不足可能響整系統(tǒng)可解性，使得后續(xù)微調(diào)模型難以理解基礎(chǔ)模型的輸出或推理過(guò)程。對(duì)模型決策基礎(chǔ)的理解，是進(jìn)行網(wǎng)絡(luò)安

全審計(jì)和驗(yàn)證的關(guān)鍵一環(huán)。如果模型缺乏可解釋性，可能會(huì)導(dǎo)致難以驗(yàn)證其符合安全標(biāo)準(zhǔn)或法規(guī)

要求，從而增加系統(tǒng)受到攻擊的風(fēng)險(xiǎn)。因此，在構(gòu)建NetGPT等模型時(shí)，確保模型具備良好的可

解釋性至關(guān)重要。這不僅有助于提高模型的可信度，還能幫助分析人員深入了解模型行為，并及

時(shí)取有的安措施應(yīng)對(duì)在的脅和常情。（3）NetGPT的隱私問(wèn)題包含訓(xùn)練數(shù)據(jù)泄露和用戶輸入數(shù)據(jù)泄露兩個(gè)方面。一方面，

NetGPT會(huì)使用大量的網(wǎng)絡(luò)數(shù)據(jù)和網(wǎng)絡(luò)基礎(chǔ)服務(wù)設(shè)施數(shù)據(jù)等，這些數(shù)據(jù)中可能包含潛在的隱私或者網(wǎng)絡(luò)漏洞，攻擊者通過(guò)鏈?zhǔn)教釂?wèn)（Chain-of-Thoughtprompting）即可能獲取訓(xùn)練數(shù)據(jù)中的敏感信息，這可能給網(wǎng)絡(luò)以及數(shù)據(jù)提供方帶來(lái)難以估量的威脅。另一方面，用戶在使用NetGPT的過(guò)程中，會(huì)暴露自身的隱私和敏感數(shù)據(jù)。因?yàn)橛脩舯仨毶蟼髯约旱臄?shù)據(jù)或者提示詞(Prompt)給大模型供方，才能通過(guò)算獲得預(yù)期的推（Inference）結(jié)果這個(gè)過(guò)程中用戶私面臨來(lái)自服務(wù)和網(wǎng)絡(luò)攻者的多種脅。例如OpenAI在其私政策中到，ChatGPT會(huì)收用戶賬戶信息、對(duì)話相關(guān)的所有內(nèi)容、互動(dòng)中網(wǎng)頁(yè)內(nèi)的各種隱私信息（Cookies、日志、設(shè)備信息等），這些信息可能會(huì)被共享給供應(yīng)商、服務(wù)提供商以及附屬公司。目前全球范圍內(nèi)發(fā)生了多起因使用ChatGPT導(dǎo)的數(shù)泄露件，較著的有生在2023年3月“三芯片據(jù)泄“事，此后Apple禁止內(nèi)部員工使用ChatGPT。美國(guó)政府與OpanAI簽訂條款禁止其在服務(wù)期間收集

政府?dāng)?shù)據(jù)，此外多國(guó)監(jiān)管機(jī)構(gòu)亦先后宣布將關(guān)注大模型帶來(lái)的數(shù)據(jù)安全風(fēng)險(xiǎn)。即便服務(wù)商不會(huì)收

集用戶數(shù)據(jù)，惡意攻擊者也會(huì)通過(guò)諸如數(shù)據(jù)偷取攻擊（Prompt-stealingattack）等手段非法竊

取用戶數(shù)據(jù)。當(dāng)前大模型還缺少執(zhí)行標(biāo)準(zhǔn)以及安全約束，當(dāng)我們談到NetGPT時(shí)，尤其是面對(duì)未

來(lái)普惠能時(shí)，不避免要有對(duì)性設(shè)計(jì)據(jù)安的原和規(guī)。15

3.8NETGT的據(jù)服問(wèn)題大模型的訓(xùn)練需要使用到大量的數(shù)據(jù)，并且是高質(zhì)量的數(shù)據(jù)。ChatGPT和Llama的訓(xùn)練語(yǔ)料都達(dá)到了T級(jí)別。相比于自然語(yǔ)言，網(wǎng)絡(luò)大模型需要的網(wǎng)絡(luò)數(shù)據(jù)難獲取的多，除了因特性網(wǎng)上的基礎(chǔ)語(yǔ)料外，很多數(shù)據(jù)需要從網(wǎng)絡(luò)系統(tǒng)中獲取，其面臨的挑戰(zhàn)也就大得多。為此，我們需要從網(wǎng)設(shè)計(jì)原生為網(wǎng)大模提供據(jù)支持（1）效處大量異構(gòu)據(jù)NetGPT需處理種類的數(shù)，有是空口數(shù)據(jù)有的是RAN側(cè)的調(diào)度數(shù)據(jù)或者資源管理數(shù)據(jù)，有的是更高層的統(tǒng)計(jì)數(shù)據(jù)。這些數(shù)據(jù)的特征維度差異非常大，甚至有的是結(jié)構(gòu)化數(shù)據(jù)，有的是非結(jié)構(gòu)化數(shù)據(jù)。有的數(shù)據(jù)自于不同的源，但是表征相似的內(nèi)容，比如對(duì)于某個(gè)用戶的業(yè)務(wù)量，可以來(lái)自于端側(cè)的業(yè)務(wù)統(tǒng)計(jì)，網(wǎng)絡(luò)在調(diào)度時(shí)授權(quán)的空口流量，或者是管理面上利用話統(tǒng)得到的統(tǒng)計(jì)流量等，因此網(wǎng)絡(luò)需要保證所有數(shù)據(jù)的一致性和正確性。（2）大規(guī)模數(shù)據(jù)的分布式部署和實(shí)時(shí)供給。網(wǎng)絡(luò)中的核心網(wǎng)設(shè)備、基站以及終端設(shè)備上都會(huì)存儲(chǔ)各自的數(shù)據(jù)，網(wǎng)絡(luò)需要為這些碎片化的數(shù)據(jù)建立一套統(tǒng)一的管理體系，在進(jìn)行NetGPT訓(xùn)練和推理是能夠快速便捷的獲取到相應(yīng)的數(shù)據(jù)。特別是在一些對(duì)實(shí)時(shí)性能要求高的場(chǎng)景下，如MAC的資源調(diào)度，空口的波束賦形等，對(duì)于模型的更新效率和推理時(shí)延都有著QoS要求，數(shù)據(jù)供給作為關(guān)鍵一環(huán)將直接影響到最后的性能表現(xiàn)。另外，NetGPT是會(huì)出現(xiàn)大量并發(fā)運(yùn)行的，這也網(wǎng)絡(luò)務(wù)提了高發(fā)的求。（3）網(wǎng)絡(luò)知識(shí)圖譜的構(gòu)建。為了提供更加可靠的服務(wù)，一種有效的方案是讓NetGPT與知識(shí)譜結(jié)。知圖譜以表和生思維，通結(jié)構(gòu)更好思維提升模型推理力，并且對(duì)于大模型的回答進(jìn)行關(guān)聯(lián)分析，減少大模型的幻覺(jué)現(xiàn)象。當(dāng)然，目前知識(shí)圖譜也還面臨著知的多態(tài)表、深知識(shí)取等戰(zhàn)，待進(jìn)步研解決。3.9NETGT的判體與方問(wèn)題由于網(wǎng)絡(luò)領(lǐng)域?qū)Υ_定性，可靠性，正確性高度要求，如何對(duì)NetGPT進(jìn)行全面、客觀的評(píng)判成為了一個(gè)亟待解決的問(wèn)題，對(duì)NetGPT的發(fā)展至關(guān)重要。一方面通過(guò)對(duì)NetGPT性能的評(píng)測(cè)，可以為NetGPT優(yōu)化和改進(jìn)提供有力依據(jù)，提高其應(yīng)用效果和商業(yè)價(jià)值。另一方面NetGPT評(píng)測(cè)可以作為基準(zhǔn)，了解不同廠商提供的NetGPT的性能和適用性，促進(jìn)網(wǎng)絡(luò)與大模型技術(shù)的發(fā)展和應(yīng)用。此外，NetGPT評(píng)測(cè)還可以促進(jìn)不同領(lǐng)域研究者的技術(shù)交流和合作，共同推動(dòng)網(wǎng)絡(luò)人工智能技術(shù)的發(fā)展。為了保證評(píng)測(cè)技術(shù)方案的整體實(shí)用性、均衡性和系統(tǒng)性，可以包含指標(biāo)，方法，手幾個(gè)面的判維：16

（1）網(wǎng)絡(luò)場(chǎng)景領(lǐng)域特征評(píng)判?，F(xiàn)有評(píng)判方法如準(zhǔn)確率Accuracy（反映模型正確預(yù)測(cè)樣本的比例），F(xiàn)1Score（綜合考察精確率（Precision）和召回率（Recall），兼顧模型在正類樣本上的預(yù)測(cè)準(zhǔn)確性和覆蓋率，EM（ExactMatch，模型生成的答案與參考答案是否完全相同），BLEU值（BilingualEvaluationUnderstudy，用于衡量語(yǔ)言模型生成文本與參考文本之間的相似度的預(yù)測(cè)準(zhǔn)確性和覆蓋率）等是評(píng)估大模型性能的重要指標(biāo)。NetGPT除了以上問(wèn)題，需要針對(duì)網(wǎng)絡(luò)領(lǐng)域特征制定一套更為全面的評(píng)測(cè)體系，更具有針對(duì)性較強(qiáng)的評(píng)估指標(biāo)，如功能正確性、任務(wù)成功率、問(wèn)題的推理鏈長(zhǎng)度和多輪推理等。這些特定指標(biāo)結(jié)合起來(lái)有助于對(duì)模型在特定網(wǎng)絡(luò)場(chǎng)下的現(xiàn)進(jìn)更精化的估，而為同網(wǎng)場(chǎng)景的任提供具參價(jià)值評(píng)測(cè)果，以全面評(píng)價(jià)NetGPT的能力。而對(duì)于網(wǎng)絡(luò)專業(yè)領(lǐng)域任務(wù)，需要關(guān)注模型對(duì)領(lǐng)域特定術(shù)語(yǔ)、概念和規(guī)的理和應(yīng)，量指標(biāo)可執(zhí)性，確保測(cè)結(jié)的可性。此之，考設(shè)計(jì)用、實(shí)、可、經(jīng)性等顧能、效和質(zhì)的綜指標(biāo)系。（2）NetGPT場(chǎng)景泛化性評(píng)判：雖然某些語(yǔ)言大模型在很多任務(wù)上已經(jīng)達(dá)到或超過(guò)了人類的水平，但是通信區(qū)別與語(yǔ)言領(lǐng)域有所區(qū)別，相對(duì)比較封閉，能公開(kāi)獲取的標(biāo)注數(shù)據(jù)更少，如在智化運(yùn)場(chǎng)景，通學(xué)習(xí)錯(cuò)誤據(jù)來(lái)動(dòng)智化運(yùn)任務(wù)模型收集足夠運(yùn)行常，運(yùn)行錯(cuò)誤數(shù)據(jù)比較困難，很難獲取到覆蓋實(shí)踐中可能遇到的各種用戶和場(chǎng)景。如何針對(duì)網(wǎng)絡(luò)中的低頻任務(wù)，評(píng)測(cè)者需要關(guān)注模型在使用少量訓(xùn)練數(shù)據(jù)時(shí)的表現(xiàn)，考慮不同網(wǎng)絡(luò)場(chǎng)景之間的差異性和復(fù)雜性，使用更廣泛的測(cè)試集和跨場(chǎng)景領(lǐng)域的評(píng)判任務(wù)，以便更好地評(píng)判模型在不同場(chǎng)景下的泛能力。（3）NetGPT安全性評(píng)判：網(wǎng)絡(luò)攻擊者可能會(huì)利用特定數(shù)據(jù)來(lái)攻擊NetGPT，或者破壞模型的性能。對(duì)抗性攻擊是一種常見(jiàn)的攻擊類型，通過(guò)向網(wǎng)絡(luò)模型輸入有意制造的數(shù)據(jù)或惡意樣本來(lái)欺騙模型或破壞模型的性能。面對(duì)以上問(wèn)題，需要考慮如何防范各種攻擊模型，并設(shè)計(jì)相應(yīng)任務(wù)評(píng)估NetGPT安性。為了評(píng)方法合理，需設(shè)計(jì)蓋全期、要素工程，包訓(xùn)練理，素權(quán)、綜目標(biāo)評(píng)判法。在體的價(jià)方上NetGPT可采用下兩方式：（1）客觀評(píng)測(cè)：是大模型評(píng)測(cè)中常用的方法之一，適用于對(duì)NetGPT性能進(jìn)行定量評(píng)估，具有客觀性、可重復(fù)性和高效性等優(yōu)點(diǎn)?？梢灾苯油ㄟ^(guò)程序?qū)崿F(xiàn)自動(dòng)化評(píng)測(cè)，從而提高評(píng)測(cè)的效率準(zhǔn)確。（2）主觀評(píng)價(jià)：相比之下，更依賴于網(wǎng)絡(luò)領(lǐng)域的專家的經(jīng)驗(yàn)和判斷，對(duì)NetGPT的表現(xiàn)進(jìn)

行主觀評(píng)估和比較。通常包括內(nèi)容有效性、邏輯性和規(guī)范性等，以確定NetGPT優(yōu)缺點(diǎn)和改進(jìn)方17

向，可以提供更加全面和深入的評(píng)估結(jié)果，彌補(bǔ)客觀評(píng)測(cè)的局限性，但需要大量的時(shí)間和人工資源。此外，還需要提出適用不同階段、精準(zhǔn)和效率兼顧的評(píng)判手段，如高精度網(wǎng)絡(luò)仿真平臺(tái)、數(shù)字生網(wǎng)、網(wǎng)統(tǒng)計(jì)。3.10NETGT的生命