随着大模型和智能体技术发展，未来工作模式将发生变革，6G网络需为大模型提供算力与数据支撑。本白皮书阐述大模型发展历程与趋势，分析网络使能大模型的需求、驱动力、服务内容，并通过案例展示其应用，最后展望未来。

AI大模型发展概述

发展历程：可分为传统模型、神经网络模型、Transformer模型、现代AI大模型四个阶段，模型性能不断提升。

发展趋势：多模态能力提升，应用场景扩大；模型轻量化部署，降低资源需求成本；结合外部工具，交互方式更智能。

网络使能大模型的需求和驱动力

通算智融合趋势：6G网络要实现AI即服务，支持低时延推理和训练，保障服务质量与安全隐私。

价值场景

AI手机：分为终端和云端推理，6G网络可通过算力或数据使能提升其性能。

自动驾驶：车辆传感器采集数据，6G网络支持分布式处理和协同，提升驾驶安全性和效率。

展开剩余88%

智能医疗：穿戴设备和传感器收集数据，6G网络保障数据传输处理，支持远程医疗服务。

工业4.0：工业设备和传感器采集数据，6G网络实现高精度低延迟传输处理，提升生产效率和质量。

工业元宇宙：大模型提升其智能化水平，需处理海量数据，实现虚实交互和自动化生成，与小模型融合构建智能系统。

网络使能大模型服务

数据感知服务：6G网络传感设备为大模型提供数据，增强推理精度，提升训练效果。

分布式训练服务

理论与技术：包括分布式机器学习理论、平台和算法设计，有面向扩展性和隐私保护的分类，涉及多种并行策略和算法优化。

分布式训练框架：关键技术包括云边协同计算和分布式训练框架实现，后者含并行计算和智能调度，有数据并行和模型并行两种方法。

联邦学习：实现分布式训练的隐私保护范例，包含五个迭代步骤，有跨孤岛和跨设备两种场景，面临高功耗等挑战。

联邦大模型：解决算力和数据问题，引入联邦学习框架，如联邦分割学习，可降低通信开销和优化内存。

指令优化服务：提高大模型泛化性能，但面临推理性能受限等问题，需设计优化方案。

端边云协同推理服务

部署策略：边缘节点部署小型化模型，面临模型切分挑战，多种技术提升性能和保护隐私。

协同推理策略：探索端边云大小模型协同推理，发挥各自优势，网络需具备标准化智能协作框架。

模型优化服务：提出优化服务，通过基站端模块监控和调度，满足6G网络多样化任务需求。

案例分析

生成式AI与语义通信结合的系统架构包括物理基础设施、数据平面和网络控制平面，资源分配策略智能化。仿真实验表明，该系统能减少图像传输比特数，保持较高传输质量。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系

发布于：广东省