Конференцијата за иновации во мрежата на АИ во 2023 година, одржана во интелигентниот модел на мрежата во Пекинг, на BBS, ZTE кабелски производи модел постар архитект Ji'an-guo lu ја направи мрежата на мудроста нова ера: Големиот модел ја вози иднината на темата на ZTE преку фино подесување на моделот за насочување на моделот за подобрување на квалитетот на корпусот и да користи дигитален близнак за автоматизација на циклусот на податоци, за да се примени интелигенција за интелигенција за интелигенција, ниво на практика.
Лу ianангуо рече дека многу клучни технологии, како што се АИ, овозможување, дигитален близнак и намера, ќе го поддржат нивото на интелигенција на мрежата за самоинтекирање од L4 до L5 и ја прават мрежата за самоинтелигенција да продолжи да ја повторува и да се развива за да заврши самоунамерна. Меѓу овие клучни технологии, АИ е најважниот мотор, а големите модели се клучот во технологијата за АИ.
Како да се примени голем модел на мрежата за самоинтекирање, Лу iangиангу воведе дека голем модел има способност за супер генерација и може брзо да генерира голем број шеми. За операциите на интелектуалната мрежа, таквата потреба да се имплементира голем број на чекори на работа, еквивалентно на во висок димензионален простор за да се најде оптимално решение, решение поставено за сите можни процеси, голем модел за општи решенија, како што е НП (не полиномски) проблем, голем број примероци, проценка, оптимизација, итерација може да игра ефикасно пронаоѓање, брзо да се пристапи кон оптималниот раствор. Сепак, иако големите модели создаваат многу шеми, тешко е да се осигура дека овие шеми се корисни. И покрај тоа што големите модели имаат одредена способност за размислување, сепак им е потребна човечка интервенција кога се занимаваат со сложена логика. Со цел да се реши овој проблем, ZTE сугерира интегрирање на стручно искуство во процесот на постепено пред-обука и фино подесување на моделот за да се формира итерација на затворена јамка. На овој начин, може да се реализира непречена транзиција од учење за засилување за засилување за повратни информации за да се реализира учење за засилување на повратни информации, што може ефикасно да го искористи капацитетот на генерирање на големи модели од една страна, а од друга страна, да се обезбеди дека генерираната шема за дијагностицирање е точна и сигурна. Во оваа шема, тоа е клучна врска за изградба на мапа за знаење и одржување на знаење во комбинација со инженерство на знаење. Генерацијата на шемата за замаец на податоците се заснова на картата за знаење и одржување, со цел да се избегне илузијата на моделот и да се обезбеди веродостојност и точност на шемата за генерирање. Овој пристап заснован на графикони со знаење може подобро да ги интегрира стручното искуство и можностите за генерирање модели за да обезбеди посигурни решенија.
За дизајнот на логиката на апликацијата на големиот модел, Лу iangиангуо понатаму воведе дека ZTE ќе го усвои методот со затворена јамка управувана од моделот, заснован на навремено инженерство. Суштината на дизајнот е да се земе структурираниот израз на човечки јазик (брз образец) како влез, да се генерира структуриран излез (шема за аранжман) преку големиот модел и конечно да се комбинира интерактивното извршување на рамката за апликација. Со цел да се реализира горенаведената логика, ZTE ќе направи технички подготовки од многу аспекти, како што се мулти-модална еволуција на способноста, подготовка на корпус, инјектирање на знаење за графикони со знаење на ресурси, инјектирање на знаење, атомски API резерва / атомска API, резерва, градење вештачка симулација на грешки во симулацијата, дефект на дефект на вештачки симулации, опкружување за дефект на вештачки симулација, дигитална околина за симулација на дефект на дигитална дефект и подготовка на алатки.
Лу ianангуо конечно рече дека главната вредност на големиот модел лежи во неговата способност за појава, односно може да генерира иновации со комбинирање на постојното знаење. Сепак, реализацијата на овој појавен капацитет зависи од висококвалитетното производство на податоци, прифаќање и врнежи. Доблесен циклус на податоци е факторот за утврдување.
Време на објавување: ноември-20-2023 година