久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

中國科學(xué)院沈陽自動化研究所李安順，許馳，曾鵬

1　概述

在數(shù)字化轉(zhuǎn)型浪潮下，工業(yè)互聯(lián)網(wǎng)作為新一代信息技術(shù)與工業(yè)制造技術(shù)深度融合的產(chǎn)物，正重塑全球工業(yè)格局。它將互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等前沿技術(shù)融入工業(yè)生產(chǎn)全流程，為制造業(yè)智能化升級注入強大動力。然而，面向智能化升級的迫切要求，工業(yè)互聯(lián)網(wǎng)仍面臨諸多嚴(yán)峻挑戰(zhàn)。

首先，在數(shù)據(jù)層面，工業(yè)場景數(shù)據(jù)海量、多源且異構(gòu)。各類生產(chǎn)設(shè)備、傳感器及管理系統(tǒng)產(chǎn)生的數(shù)據(jù)格式多樣，格式涵蓋結(jié)構(gòu)化生產(chǎn)參數(shù)、半結(jié)構(gòu)化日志文件和非結(jié)構(gòu)化圖像、視頻等。不同來源數(shù)據(jù)接口協(xié)議和存儲格式各異，導(dǎo)致數(shù)據(jù)整合、清洗與分析難度極大，數(shù)據(jù)價值難以充分挖掘。

其次，在算力層面，工業(yè)互聯(lián)網(wǎng)涉及從云、邊、端廣泛部署的計算資源，各層級算力差異顯著。云端計算能力強大，但數(shù)據(jù)傳輸延遲較高，適用于大規(guī)模非實時計算任務(wù)；邊緣設(shè)備靠近數(shù)據(jù)源，能滿足部分實時性需求，但受硬件條件限制，算力相對薄弱。這種算力異構(gòu)與不均衡嚴(yán)重制約整體計算效率。

最后，在算法層面，工業(yè)生產(chǎn)涵蓋設(shè)備故障預(yù)測、生產(chǎn)流程優(yōu)化、供應(yīng)鏈管理等復(fù)雜業(yè)務(wù)場景，各場景對算法要求不同，且不同算法協(xié)同困難，難以實現(xiàn)全局最優(yōu)決策。

面向上述挑戰(zhàn)，迫切需要開展工業(yè)互聯(lián)網(wǎng)的云邊端協(xié)同調(diào)度，如圖1所示。然而，傳統(tǒng)的優(yōu)化算法及小模型機器學(xué)習(xí)，并不足以解決復(fù)雜的網(wǎng)絡(luò)系統(tǒng)調(diào)度問題，成為當(dāng)前研究熱點。以大模型為代表的生成式人工智能，憑借強大的學(xué)習(xí)、泛化學(xué)習(xí)能力，為工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調(diào)度提供了新的思路。將網(wǎng)絡(luò)大模型與工業(yè)互聯(lián)網(wǎng)相結(jié)合意義重大。大模型不僅可深度分析工業(yè)互聯(lián)網(wǎng)中的海量異構(gòu)數(shù)據(jù)，挖掘潛在規(guī)律和趨勢，為工業(yè)決策提供更具前瞻性和精準(zhǔn)性的支持，還能根據(jù)業(yè)務(wù)需求和算力條件，智能優(yōu)化算法選擇與組合，實現(xiàn)高效任務(wù)調(diào)度和資源分配。其中，大模型可協(xié)調(diào)云邊端算力資源，根據(jù)任務(wù)實時需求動態(tài)分配計算任務(wù)，提高整體算力利用率，降低能耗。

圖1 工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同

本文聚焦工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調(diào)度，綜合考量數(shù)據(jù)、算力、算法異構(gòu)等因素，深入探討網(wǎng)絡(luò)大模型的應(yīng)用。首先，本文剖析了云邊端協(xié)同調(diào)度的挑戰(zhàn)，然后闡述了NetGPT、NetLLM和LAMBO等典型網(wǎng)絡(luò)大模型及其應(yīng)用，探討了不同網(wǎng)絡(luò)大模型的優(yōu)勢，最后提出了未來發(fā)展方向并分析了實施難點與解決方案。

2　基于網(wǎng)絡(luò)大模型的云邊端協(xié)同調(diào)度分析

2.1　工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)異構(gòu)難題與大模型破局

在工業(yè)互聯(lián)網(wǎng)領(lǐng)域，數(shù)據(jù)生態(tài)極為復(fù)雜，數(shù)據(jù)來源廣泛且多樣。不同設(shè)備和系統(tǒng)所采用的數(shù)據(jù)采集協(xié)議、格式存在巨大差異，結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)同時存在。以汽車制造生產(chǎn)線為例，傳感器、機器人、數(shù)控機床等設(shè)備產(chǎn)生的數(shù)據(jù)，要進行統(tǒng)一處理難度極大。在數(shù)據(jù)融合過程中，繁瑣的協(xié)議轉(zhuǎn)換和格式適配工作，會嚴(yán)重拉低數(shù)據(jù)處理的效率。同時，隨著工業(yè)設(shè)備數(shù)量不斷攀升，數(shù)據(jù)量呈爆發(fā)式增長態(tài)勢。傳統(tǒng)的數(shù)據(jù)處理方法以及傳統(tǒng)AI模型，由于其自身局限性，在特征提取和學(xué)習(xí)能力上較為薄弱，已難以滿足工業(yè)互聯(lián)網(wǎng)對數(shù)據(jù)深度分析和智能決策的要求。

與之形成鮮明對比的是，網(wǎng)絡(luò)大模型憑借其強大的特征提取和學(xué)習(xí)能力，能夠高效地整合并處理多種異構(gòu)數(shù)據(jù)。大模型可以快速理解和分析不同格式、不同協(xié)議的數(shù)據(jù)，減少了數(shù)據(jù)處理過程中的繁瑣轉(zhuǎn)換環(huán)節(jié)。這不僅提升了數(shù)據(jù)處理效率，還為云邊端協(xié)同調(diào)度提供了全面、準(zhǔn)確的數(shù)據(jù)支持，有力地推動了工業(yè)互聯(lián)網(wǎng)智能化發(fā)展。

2.2　云邊端算力異構(gòu)困境下的大模型的協(xié)同賦能

在工業(yè)互聯(lián)網(wǎng)體系里，云邊端設(shè)備算力呈現(xiàn)出顯著的異構(gòu)特性。云端擁有充沛的計算資源，具備強大的運算能力。然而，由于數(shù)據(jù)傳輸需要經(jīng)過網(wǎng)絡(luò)鏈路，不可避免地存在較高的通信時延，導(dǎo)致其難以滿足工業(yè)任務(wù)嚴(yán)苛的實時性要求。例如，工業(yè)生產(chǎn)線上毫秒級響應(yīng)的設(shè)備控制與故障預(yù)警等場景。與之相對，邊緣設(shè)備雖然在數(shù)據(jù)傳輸上具有低時延的優(yōu)勢，能夠快速地對本地數(shù)據(jù)做出反應(yīng)，但其硬件配置相對受限，算力單一且資源有限，難以獨立承擔(dān)復(fù)雜的計算任務(wù)，如大規(guī)模數(shù)據(jù)的深度分析與復(fù)雜模型的訓(xùn)練。在生產(chǎn)高峰期，這種云邊端算力的不均衡問題愈發(fā)凸顯。傳統(tǒng)的靜態(tài)資源分配策略缺乏靈活性與智能性，常導(dǎo)致邊緣設(shè)備因任務(wù)量過載而出現(xiàn)任務(wù)積壓，無法及時處理數(shù)據(jù)；與此同時，云端卻存在大量資源閑置未被充分利用，造成資源的極大浪費，嚴(yán)重制約了工業(yè)生產(chǎn)效率的提升和智能化發(fā)展進程。

網(wǎng)絡(luò)大模型的出現(xiàn)為解決這一難題提供了創(chuàng)新思路與有效方案。與傳統(tǒng)機器學(xué)習(xí)小模型相比，網(wǎng)絡(luò)大模型在結(jié)構(gòu)設(shè)計和算法優(yōu)化上展現(xiàn)出獨特優(yōu)勢。它能夠依據(jù)不同的算力條件，動態(tài)調(diào)整自身的運行模式，實現(xiàn)高效運行。在邊緣側(cè)，大模型可利用其輕量化的結(jié)構(gòu)和高效算法，快速對海量原始數(shù)據(jù)進行預(yù)處理和初步分析，篩選出關(guān)鍵信息，極大地減少了向云端傳輸?shù)臄?shù)據(jù)量，降低了網(wǎng)絡(luò)帶寬壓力和傳輸時延。而在云端，憑借其強大的計算能力，大模型可開展深度模型訓(xùn)練和復(fù)雜決策計算，挖掘數(shù)據(jù)深層價值。通過這種云邊端協(xié)同的方式，網(wǎng)絡(luò)大模型可望實現(xiàn)云邊算力的合理分配與協(xié)同利用，有效克服了傳統(tǒng)機器學(xué)習(xí)在應(yīng)對云邊算力異構(gòu)問題時的局限性，為工業(yè)互聯(lián)網(wǎng)的智能化升級提供了堅實的技術(shù)保障。

2.3　工業(yè)互聯(lián)網(wǎng)算法困局與大模型協(xié)同優(yōu)化

工業(yè)互聯(lián)網(wǎng)體系復(fù)雜，業(yè)務(wù)場景豐富多樣，其涵蓋生產(chǎn)制造、設(shè)備維護、供應(yīng)鏈管理等多個領(lǐng)域。不同場景對調(diào)度算法有著差異化的需求，例如在設(shè)備故障預(yù)測場景中，更側(cè)重于基于歷史數(shù)據(jù)和設(shè)備運行狀態(tài)進行精準(zhǔn)的故障概率推算；而在生產(chǎn)任務(wù)調(diào)度場景，則著重于在有限資源下，依據(jù)訂單需求、生產(chǎn)流程等因素實現(xiàn)生產(chǎn)任務(wù)的高效分配。更為復(fù)雜的是，這些不同的算法之間存在相互干擾的可能性。

傳統(tǒng)的調(diào)度方法，包括基于規(guī)則的調(diào)度策略以及傳統(tǒng)機器學(xué)習(xí)所衍生的調(diào)度算法，在如此復(fù)雜的情況下暴露出諸多局限性。一方面，傳統(tǒng)方法難以對眾多不同類型算法的內(nèi)在關(guān)系進行有效協(xié)調(diào)。由于其缺乏對各類算法深層次理解和動態(tài)調(diào)整能力，在實際應(yīng)用中，當(dāng)多個算法同時運行時，往往會出現(xiàn)顧此失彼的情況，無法實現(xiàn)系統(tǒng)整體的最優(yōu)調(diào)度。另一方面，傳統(tǒng)方法在面對場景變化時，缺乏自適應(yīng)性和靈活性，難以快速調(diào)整算法以適應(yīng)新的業(yè)務(wù)需求和約束條件。

網(wǎng)絡(luò)大模型憑借其強大的自適應(yīng)學(xué)習(xí)能力，為解決上述難題提供了新的途徑。大模型能夠自動學(xué)習(xí)不同算法的特點、適用條件以及它們之間潛在的相互作用關(guān)系。通過對大量歷史數(shù)據(jù)和實時信息的深度挖掘與分析，大模型可以進行智能決策，在不同業(yè)務(wù)場景下精準(zhǔn)選擇最合適的算法，并實現(xiàn)多算法的有機融合。這種算法協(xié)同優(yōu)化機制，不僅提高了云邊協(xié)同調(diào)度的整體效率，還增強了調(diào)度結(jié)果的準(zhǔn)確性和穩(wěn)定性。在實際工業(yè)生產(chǎn)中，大模型能夠顯著提升生產(chǎn)效率、降低成本，有效克服傳統(tǒng)方法和傳統(tǒng)機器學(xué)習(xí)在工業(yè)互聯(lián)網(wǎng)調(diào)度應(yīng)用中的瓶頸。

3　典型網(wǎng)絡(luò)大模型及其應(yīng)用

3.1　NetGPT大模型

NetGPT是一款基于Transformer框架的網(wǎng)絡(luò)大模型，旨在攻克網(wǎng)絡(luò)流量建模與網(wǎng)絡(luò)任務(wù)優(yōu)化難題。在網(wǎng)絡(luò)流量處理與網(wǎng)絡(luò)任務(wù)執(zhí)行中，傳統(tǒng)方法面臨數(shù)據(jù)、算力、算法異構(gòu)的嚴(yán)峻挑戰(zhàn)。數(shù)據(jù)異構(gòu)方面，網(wǎng)絡(luò)流量模式多樣，不同協(xié)議下流量頭部與負(fù)載語法結(jié)構(gòu)差異大，加密流量增加了數(shù)據(jù)語義整合難度，且不同網(wǎng)絡(luò)任務(wù)數(shù)據(jù)處理需求不同，加劇了復(fù)雜性。算力異構(gòu)方面，傳統(tǒng)針對特定任務(wù)構(gòu)建模型，小樣本任務(wù)下模型訓(xùn)練不充分，開發(fā)成本高且算力利用低效，不同任務(wù)算力需求和計算方式差異大，調(diào)度協(xié)同困難。算法異構(gòu)方面，不同網(wǎng)絡(luò)任務(wù)算法差異大，缺乏統(tǒng)一標(biāo)準(zhǔn)和接口，協(xié)同工作和整合困難，影響整體性能。

圖2 NetGPT架構(gòu)

圖2所示是NetGPT的基本架構(gòu)。處理數(shù)據(jù)異構(gòu)時，采用基于十六進制的通用編碼策略統(tǒng)一處理不同模式流量，重構(gòu)詞匯表保留復(fù)雜語義，同時兼顧明密文流量，實現(xiàn)多源異構(gòu)數(shù)據(jù)語義整合。應(yīng)對算力異構(gòu)，預(yù)訓(xùn)練階段使用多場景無標(biāo)簽數(shù)據(jù)集增強泛化能力以減少算力的浪費；微調(diào)階段通過打亂頭部字段等操作優(yōu)化數(shù)據(jù)處理，提升單向?qū)W習(xí)性能，緩解小樣本問題，提高算力利用率。針對算法異構(gòu)，建立統(tǒng)一算法框架整合不同算法模塊，實現(xiàn)數(shù)據(jù)和參數(shù)共享，設(shè)計標(biāo)準(zhǔn)化接口，提升算法兼容性和整體性能。

3.2　NetLLM大模型

NetLLM大模型結(jié)合大語言模型（LLMs）可解決數(shù)據(jù)、算力和算法異構(gòu)問題突出。數(shù)據(jù)異構(gòu)時，網(wǎng)絡(luò)任務(wù)輸入模態(tài)多樣，與LLMs的純文本輸入不匹配，像ABR（自適應(yīng)比特率流）任務(wù)中的網(wǎng)絡(luò)數(shù)據(jù)就難以被LLMs處理。算力異構(gòu)時，設(shè)計適配的DNN架構(gòu)困難且成本高，不同任務(wù)單獨建模導(dǎo)致算力分散，LLMs的應(yīng)用更使問題加劇，CJS（集群作業(yè)調(diào)度）任務(wù)就是典型例子。算法異構(gòu)讓不同任務(wù)的算法協(xié)同困難，缺乏統(tǒng)一標(biāo)準(zhǔn)和接口，ABR與CJS任務(wù)的算法就難以協(xié)同。

圖3所示是NetLLM的基本架構(gòu)。處理數(shù)據(jù)異構(gòu)時，其多模態(tài)編碼器能把多模態(tài)數(shù)據(jù)轉(zhuǎn)成LLM可處理的形式，VP（視口預(yù)測）任務(wù)借助該編碼器，MAE（平均絕對誤差）相比提示學(xué)習(xí)方案降低19.7%。應(yīng)對算力異構(gòu)，NetLLM用網(wǎng)絡(luò)頭替代默認(rèn)語言建模頭，提升算力效率，同時DD-LRNA（數(shù)據(jù)驅(qū)動的低秩網(wǎng)絡(luò)適配）方案降低LLMs獲取知識成本，減少訓(xùn)練時間和GPU內(nèi)存消耗，ABR和CJS任務(wù)的訓(xùn)練時間分別減少51.1%和37.7%，GPU內(nèi)存消耗分別降低60.9%和15.1%。針對算法異構(gòu)，NetLLM構(gòu)建統(tǒng)一框架、設(shè)計標(biāo)準(zhǔn)化接口，提升算法兼容性與整體性能。在實際應(yīng)用中，NetLLM在VP、ABR、CJS任務(wù)上優(yōu)勢明顯，分別降低MAE10.1%~36.6%、提升QoE14.5%~36.6%、減少JCT6.8%~41.3%，充分展現(xiàn)出其解決網(wǎng)絡(luò)異構(gòu)問題的能力。

3.3　LAMBO大模型

圖4 LAMBO架構(gòu)

LAMBO同樣是一款基于Transformer架構(gòu)的大模型，如圖4所示。但是，LAMBO是專門面向邊緣智能卸載的框架，旨在解決傳統(tǒng)邊緣智能卸載架構(gòu)面臨的異構(gòu)約束、部分感知、不確定泛化和缺乏可處理性等難題，推動邊緣智能領(lǐng)域的發(fā)展。在傳統(tǒng)的邊緣智能卸載過程中，系統(tǒng)面臨數(shù)據(jù)、算力和算法異構(gòu)的多重挑戰(zhàn)。

針對數(shù)據(jù)異構(gòu)問題，LAMBO采用輸入嵌入（Input Embedding，IE）技術(shù)，將各種異構(gòu)輸入信息（如用戶設(shè)備的信道狀態(tài)、任務(wù)需求、邊緣服務(wù)器資源約束等）以及任務(wù)提示（如最小延遲或最小能耗）轉(zhuǎn)化為統(tǒng)一的歸一化特征表示，從而實現(xiàn)復(fù)雜約束條件下的高質(zhì)量特征表征。

針對算力異構(gòu)問題，LAMBO設(shè)計了非對稱編碼器解碼器（Asymmetric Encoder-Decoder，AED）架構(gòu)，其中深編碼器通過多層自注意力機制提取全局特征，淺解碼器則利用輕量級結(jié)構(gòu)生成卸載決策與資源分配結(jié)果。在動態(tài)環(huán)境中，LAMBO僅需對解碼器進行微調(diào)，顯著降低了計算資源需求，并支持并行計算加速，提升了資源受限場景下的推理效率。

針對算法異構(gòu)問題，LAMBO通過演員-評論家學(xué)習(xí)（Actor-Critic Learning，ACL）預(yù)訓(xùn)練模型，使AED能夠從大量無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)多任務(wù)優(yōu)化目標(biāo)的通用策略。進一步，結(jié)合基于專家反饋的主動學(xué)習(xí)，LAMBO在動態(tài)環(huán)境中利用最大熵查詢策略篩選高價值樣本，并通過專家算法、混合整數(shù)規(guī)劃或啟發(fā)式算法，實現(xiàn)不同優(yōu)化目標(biāo)與動態(tài)環(huán)境的自適應(yīng)跟蹤，且無需全模型重訓(xùn)練。此外，LAMBO還引入自然語言提示（Prompts）作為任務(wù)指令，指導(dǎo)模型針對不同優(yōu)化目標(biāo)生成差異化決策。例如，“最小延遲”提示驅(qū)動模型優(yōu)先優(yōu)化時延敏感任務(wù)，而“最小能耗”提示則引導(dǎo)模型聚焦能效優(yōu)化。通過預(yù)訓(xùn)練階段對多提示任務(wù)的聯(lián)合學(xué)習(xí)，LAMBO實現(xiàn)了單一模型對多目標(biāo)任務(wù)的靈活適配，進一步降低了算法異構(gòu)場景下的模型維護成本。

4　未來研究方向

4.1　多模態(tài)模型協(xié)同

在未來工業(yè)互聯(lián)網(wǎng)應(yīng)用中，業(yè)務(wù)復(fù)雜性使單一模型難以滿足需求，多模態(tài)模型融合成為提升云邊協(xié)同調(diào)度性能的關(guān)鍵。以智能電網(wǎng)為例，Transformer模型預(yù)處理電力數(shù)據(jù)，提取時間序列特征；圖神經(jīng)網(wǎng)絡(luò)（GNN）模型分析電網(wǎng)拓?fù)浣Y(jié)構(gòu)；強化學(xué)習(xí)模型依據(jù)實時反饋動態(tài)調(diào)整配電策略，多模型協(xié)作互補，降低電網(wǎng)損耗，提高運行效率，增強電網(wǎng)對復(fù)雜工況的適應(yīng)能力。

多模態(tài)模型融合面臨著很多技術(shù)挑戰(zhàn)。不同模態(tài)模型架構(gòu)、訓(xùn)練及數(shù)據(jù)處理差異大，融合時易出現(xiàn)參數(shù)不匹配、數(shù)據(jù)接口不兼容問題；各模型優(yōu)化目標(biāo)不同，協(xié)同優(yōu)化時參數(shù)調(diào)整相互干擾，統(tǒng)一優(yōu)化策略制定困難。

為此，可開發(fā)統(tǒng)一數(shù)據(jù)接口規(guī)范與中間件，構(gòu)建通用數(shù)據(jù)預(yù)處理模塊，實現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換與傳遞；采用分層優(yōu)化與聯(lián)合訓(xùn)練方法，利用多目標(biāo)優(yōu)化算法平衡模型優(yōu)化目標(biāo)，減少模型間干擾，提升協(xié)同優(yōu)化效果，推動工業(yè)互聯(lián)網(wǎng)發(fā)展。

4.2　大模型的云邊端協(xié)同部署

大模型的云邊端協(xié)同部署是推動工業(yè)互聯(lián)網(wǎng)高效運行的核心。云端利用強大計算資源進行模型訓(xùn)練和復(fù)雜數(shù)據(jù)處理；邊緣端憑借低時延特性，對實時性要求高的數(shù)據(jù)進行快速預(yù)處理和本地決策；終端設(shè)備負(fù)責(zé)數(shù)據(jù)采集和簡單交互操作。這種協(xié)同部署可減少數(shù)據(jù)傳輸量，降低網(wǎng)絡(luò)壓力，提高系統(tǒng)響應(yīng)速度和整體性能。結(jié)合5G技術(shù)的低時延特性和物聯(lián)網(wǎng)的數(shù)據(jù)采集能力，能為大模型協(xié)同運行提供有力支撐，助力實現(xiàn)更高效、智能的工業(yè)生產(chǎn)。

然而，大模型云邊端協(xié)同部署仍面臨一定問題。首先，工業(yè)場景網(wǎng)絡(luò)環(huán)境復(fù)雜，信號干擾與網(wǎng)絡(luò)擁塞影響數(shù)據(jù)穩(wěn)定及時傳輸。其次，云邊端協(xié)同作業(yè)涉及大量敏感數(shù)據(jù)，存在泄露、篡改風(fēng)險，威脅企業(yè)生產(chǎn)運營安全。最后，不同工業(yè)場景對云邊端資源需求不同，資源分配不均衡影響系統(tǒng)整體性能。

針對這些問題，可采取以下策略：網(wǎng)絡(luò)優(yōu)化方面，借助5G切片技術(shù)為不同工業(yè)應(yīng)用分配專屬網(wǎng)絡(luò)資源，結(jié)合邊緣緩存和本地處理技術(shù)，降低網(wǎng)絡(luò)傳輸壓力，保障數(shù)據(jù)穩(wěn)定、高效傳輸；數(shù)據(jù)安全層面，運用加密算法確保數(shù)據(jù)在傳輸與存儲過程中的保密性和完整性，通過身份認(rèn)證和訪問控制技術(shù)杜絕非法訪問，防止數(shù)據(jù)泄露；資源分配領(lǐng)域，開發(fā)基于實時資源監(jiān)測和任務(wù)需求預(yù)測的智能調(diào)度算法，依據(jù)云邊端資源使用狀況和任務(wù)負(fù)載動態(tài)調(diào)整分配策略，實現(xiàn)資源合理配置與高效利用。

4.3　行業(yè)定制模型開發(fā)

工業(yè)互聯(lián)網(wǎng)涉及眾多行業(yè)，各行業(yè)生產(chǎn)流程、業(yè)務(wù)需求和數(shù)據(jù)特征獨特，通用模型難以滿足特定行業(yè)精準(zhǔn)需求。開發(fā)行業(yè)定制模型成為未來工業(yè)互聯(lián)網(wǎng)發(fā)展的重要方向。以汽車制造行業(yè)為例，結(jié)合其高精度裝配要求、復(fù)雜供應(yīng)鏈管理和嚴(yán)格質(zhì)量控制需求，采集生產(chǎn)過程、零部件、質(zhì)量檢測等數(shù)據(jù)，利用深度學(xué)習(xí)技術(shù)構(gòu)建定制模型，可在生產(chǎn)過程監(jiān)控、質(zhì)量預(yù)測、供應(yīng)鏈優(yōu)化等方面發(fā)揮重要作用，相比通用模型其性能和準(zhǔn)確性顯著提升。能源開采、電子制造、航空航天等行業(yè)也可依自身特點開發(fā)定制模型，實現(xiàn)工業(yè)互聯(lián)網(wǎng)在各行業(yè)的深度應(yīng)用和智能化升級。

在行業(yè)定制模型開發(fā)過程中，面臨行業(yè)數(shù)據(jù)獲取困難、模型泛化性與特異性難平衡、行業(yè)知識融合復(fù)雜等問題。對此，可建立數(shù)據(jù)共享與合作機制，如搭建共享平臺、運用聯(lián)邦學(xué)習(xí)技術(shù)；采用多階段模型訓(xùn)練與優(yōu)化，先訓(xùn)練通用基礎(chǔ)模型再結(jié)合行業(yè)數(shù)據(jù)微調(diào)；借助知識圖譜與專家系統(tǒng)輔助，如構(gòu)建知識圖譜、結(jié)合專家系統(tǒng)并加強團隊建設(shè)提升協(xié)作效率等方式解決。

5　結(jié)論

本文全面深入地探討了工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調(diào)度中的關(guān)鍵問題，以及網(wǎng)絡(luò)大模型在解決這些問題中的創(chuàng)新應(yīng)用和未來發(fā)展方向。通過對數(shù)據(jù)、算力、算法異構(gòu)挑戰(zhàn)的分析，本文揭示了傳統(tǒng)方法的局限性，凸顯了網(wǎng)絡(luò)大模型的優(yōu)勢。NetGPT、NetLLM和LAMBO等模型在工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調(diào)度中的應(yīng)用，為實現(xiàn)高效、智能的調(diào)度提供了新途徑。同時，多模態(tài)模型融合、云邊端協(xié)同部署創(chuàng)新和行業(yè)定制模型開發(fā)等未來方向，為工業(yè)互聯(lián)網(wǎng)的進一步發(fā)展指明了道路。隨著技術(shù)進步和工業(yè)互聯(lián)網(wǎng)應(yīng)用拓展，網(wǎng)絡(luò)大模型在云邊端協(xié)同調(diào)度中的應(yīng)用將更加廣泛深入，有望推動工業(yè)互聯(lián)網(wǎng)實現(xiàn)更高水平的自動化和智能化。

★基金項目：國家自然科學(xué)基金資助項目（92267108，62173322）；遼寧省科學(xué)技術(shù)計劃資助項目（2023JH3/10200004，2022JH25/10100005）；興遼英才計劃項目（XLYC2403062）。

作者簡介：

李安順（2002-），男，河南周口人，碩士研究生，現(xiàn)就讀于中國科學(xué)院大學(xué)、中國科學(xué)院沈陽自動化研究所，研究方向為網(wǎng)絡(luò)大模型、邊緣計算。

許　馳（1987-），男，遼寧沈陽人，研究員，博士，現(xiàn)就職于中國科學(xué)院沈陽自動化研究所，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算和人工智能。

曾　鵬（1976-），男，遼寧沈陽人，研究員，博士，現(xiàn)任中國科學(xué)院沈陽自動化研究所副所長，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算。

摘自《自動化博覽》2025年2月刊