深圳网站seo教程,Vs做的网站调试时如何适应网页,建设银行网站信息补充,福步外贸app下载智能体 智能运维 #xff1f;
回顾大模型的发展
大模型的发展在过去两年间呈现出爆炸式的增长#xff0c;成为推动人工智能领域快速进步的关键力量。
2023年3月#xff1a;百度发布了其知识增强的大语言模型产品“文心一言”#xff0c;这标志着国内AI大模型产业竞争的…智能体 智能运维
回顾大模型的发展
大模型的发展在过去两年间呈现出爆炸式的增长成为推动人工智能领域快速进步的关键力量。
2023年3月百度发布了其知识增强的大语言模型产品“文心一言”这标志着国内AI大模型产业竞争的开始即所谓的“百模大战”。2023年7月初中国电信在世界人工智能大会上展示了百亿参数的星辰语义模型并宣布了商业化落地过程中遇到的问题及解决方案。2023年7月8日中国移动在世界人工智能大会期间正式发布了面向政务领域的九天·海算政务大模型和面向客服领域的九天·客服大模型。2023年11月11日中国电信进一步披露了其大模型布局包括开源开放的时间表以及首批试商用的12个行业大模型。2024年2月百度推出了多模态大模型“ERNIE-ViL”它结合了图像识别和自然语言处理的能力可以同时理解和分析文本与图片内容在视觉问答、图像字幕生成等任务上表现出色。2024年7月字节跳动发布了针对教育市场的智能辅导助手结合了自然语言处理和深度学习技术帮助学生更好地理解和掌握知识点。2024年8月百度升级了其智能云平台增强了对大规模预训练模型的支持力度。新的云计算架构优化了模型训练速度和推理效率为用户提供了一个更为稳定高效的开发环境。2024年9月19日全球首个多模态地理科学大模型“坤元”在北京发布这是我国科研团队在全球范围内的一项重要创新成果。2024年11月百度发布了最新的语音合成系统“Deep Voice 4”该系统基于深度学习技术可以在保持高质量语音输出的同时大幅降低计算成本适用于各类语音交互场景。…………2025年1月21日腾讯开源了混元3D生成大模型2.0专注于游戏、具身智能等领域的应用显示了国内企业在特定垂直领域的探索和技术进步。
从大模型到智能体
不知道从哪一天起大家聊天的时候不再讨论哪家发布新的大模型而是哪家公司发布具有新功能的应用。比如 2024年9月12日百度在其年度大会上揭示了最新的智能体生态方案推出了开放的文心智能体平台开发者可以通过简单的文本指令“一句话”创建智能体降低了开发门槛吸引了超过10万家企业和60万名开发者参与。 2024年7月阿里云进一步扩展了通义系列发布了支持多模态数据处理的智能体“通义万相”增强了对图像、视频等内容的理解和生成能力。 2024年5月15日字节跳动发布的火山引擎原动力大会上正式推出了豆包大模型并且在之后几个月内不断扩展其能力和应用场景。 2024年4月华为发布了针对金融行业的定制化智能体优化了风险评估、智能投顾等功能满足金融机构对于精准决策的需求。 联想2024年11月30日联想发布了国内首款IT服务智能体“联想百应”该智能体集成了三大AI应用及五大核心技术能力为中小企业提供了安全可靠的AI解决方案。 ……
智能体 智能运维
前面介绍那么多大模型与智能体的发展仿佛一切都充满希望甚至给人一种 “智能体无所不能” 的 错觉。
这里首先需要回答 第一个问题什么是智能运维
这里我们先摘一段大模型的回答结果
智能运维AIOps, Artificial Intelligence for IT Operations是利用人工智能技术如机器学习、数据挖掘和自然语言处理来优化、自动化和智能化 IT 运维管理的技术和方法。它旨在通过数据驱动的方式帮助企业提升运维效率、降低成本、减少人为干预并快速响应和解决系统故障。
换而言之智能是手段是期望运维是目的是根本。
那么基于大模型或者精心调教后的智能体是否可靠 这个问题非常非常关键。
假设你是一名运维工程师你需要担心某台机器响应延迟突增需要考虑某个实例突然挂掉需要考虑 QPS 突增是否可能存在风险需要考虑数据库写入速率突增是否存在问题 …… 你是否愿意相信智能体让它帮你过滤掉误报保留甚至强调真实报警
你可能会回答我使用智能体仅仅用来做一些分析它给出的结果也仅仅是给我提供参考我不会完全相信它所以不会给自己带来损失。
但是这才是问题的关键。
在大模型/智能体应用在智能运维场景下之前需要招聘一堆开发者进行研发并且收集数据更新知识库不断迭代更新产品。然后在有一定把握的情况下才能尝试让运维工程师使用。
经过这么多困难我们才刚刚开始
需要考虑的事情还包括
复杂的业务场景。运维领域的业务场景极其复杂根本就不是一句话一百句话一万句话能讲清楚的事情甚至业务场景还是一个动态变化的过程。即便是超长时间的运维人员也没有办法保证自己能解决各种复杂业务场景下的运维问题更何况目前还不够成熟的大模型/智能体复杂的真实数据。如果稍微参与过智能运维的真实场景研发就一定会发现真实数据其实非常非常 “恶心”换而言之毫无美感。真实数据最最最大的价值仅仅在于真实而不是它具有研发价值。算法能够 cover 的数据场景目前也仅仅是一小块内容。给出一段历史数据我们训练得到一个模型在已有数据上表现非常好但是真实世界很魔幻数据分布经常发生变化。真实的数据场景是不具备稳定性的。稳定性很可能是短暂的当且仅当业务稳定整个世界都平静无波澜才行。但真实世界往往与童话差别很大。复杂的需求场景。同一份数据在不同的场景下可能被判定存在风险也可能被判定非常平稳 —— 这是由需求场景决定的。哪怕是同一个需求场景因为领导、同事的偏好不同也可能导致大家的理解不同。这个问题在标准化之前是无解的。
所以
不知不觉写了快3000字 —— 尽管我一直在提醒自己应该做总结而不是强调智能体在智能运维领域落地有多难。
写了这么多回顾这近一年时间自己的真实投入这里我必须给出一个自己的答案经过23年与24年大模型 / 智能体 的迅猛发展在当前场景下智能体 智能运维 等于什么。
我的答案是进展微乎其微需要解决的问题太多就连知识库的构建都很难做好。
但是未来依然是美好的 ~ 共勉 ~
Smileyan 2025.01.23 23:59
