摘要

當前，新型計算業(yè)務(wù)如AIGC正在蓬勃發(fā)展，算力網(wǎng)絡(luò)的發(fā)展也呈現(xiàn)出新的趨勢與特點以滿足新型業(yè)務(wù)的發(fā)展需求。重點探討面向AIGC類新型計算業(yè)務(wù)的算力網(wǎng)絡(luò)挑戰(zhàn)與設(shè)計，首先介紹AIGC類業(yè)務(wù)引入算力網(wǎng)絡(luò)的必要性，以及二者結(jié)合發(fā)展的意義和價值；其次設(shè)計了承載AIGC類業(yè)務(wù)的新型算力網(wǎng)絡(luò)架構(gòu)，最后根據(jù)目前的發(fā)展趨勢和挑戰(zhàn)，為后續(xù)研究工作提供參考。

引言

2023年是人工智能（Artificial Intelligence，AI）大模型應(yīng)用元年，多個維度的技術(shù)發(fā)展推動了人工智能生成內(nèi)容（Artificial Intelligence Generated Content，AIGC）的產(chǎn)生，其在知識問答、翻譯、摘要說明、內(nèi)容創(chuàng)作等諸多應(yīng)用中有著非凡的性能表現(xiàn)，成為數(shù)字經(jīng)濟時代的新引擎。目前，AIGC技術(shù)已經(jīng)成為人工智能領(lǐng)域的熱點話題，并延伸至多個應(yīng)用領(lǐng)域，如智能家居、自動駕駛、智能醫(yī)療等。

當前，AI應(yīng)用計算量呈幾何級數(shù)增長，算法模型向巨量化發(fā)展，人工智能模型參數(shù)在過去十年增長了十萬倍[1]。因此，AIGC類新型計算業(yè)務(wù)對算力和通信的要求非常高，需要相匹配的算力網(wǎng)絡(luò)來支持其發(fā)展。隨著數(shù)字化程度加快以及大模型對算力需求的不斷提高，未來數(shù)字經(jīng)濟的發(fā)展將會越發(fā)依賴于算力網(wǎng)絡(luò)，AIGC類新型業(yè)務(wù)與算力網(wǎng)絡(luò)的結(jié)合將會創(chuàng)造出更加智能化、數(shù)字化和人性化的業(yè)務(wù)應(yīng)用。本文將重點探討面向AIGC類新型計算業(yè)務(wù)的算力網(wǎng)絡(luò)挑戰(zhàn)與設(shè)計，為相關(guān)領(lǐng)域的技術(shù)人員提出研究和發(fā)展方向的建議。未來，期待算力網(wǎng)絡(luò)和AIGC有更加廣泛和深入的應(yīng)用，同時，需要關(guān)注技術(shù)發(fā)展中的風(fēng)險和挑戰(zhàn)，推動相關(guān)部門制定政策和采取措施，確保人工智能技術(shù)的發(fā)展能夠更好地為人類社會服務(wù)。

1 AIGC類業(yè)務(wù)和算力網(wǎng)絡(luò)的必要性

1.1 AIGC類業(yè)務(wù)的發(fā)展和應(yīng)用

通用人工智能（Artificial General Intelligence，AGI）是指一種可以具備人類智能水平的人工智能系統(tǒng)。AGI的主要特點是可以通過學(xué)習(xí)、理解、推理和創(chuàng)造等方式，來處理各種復(fù)雜任務(wù)，包括語言理解、圖像識別、自然語言處理（Natural Language Processing，NLP）等。而AIGC作為AGI發(fā)展的第一步，將人工智能、通信技術(shù)和云計算等技術(shù)進行融合，實現(xiàn)智能化的數(shù)據(jù)處理和分析，AIGC既是從內(nèi)容生產(chǎn)者視角進行分類的一類內(nèi)容，又是一種內(nèi)容生產(chǎn)方式，還是用于內(nèi)容自動化生成的一類技術(shù)集合[2]。雖然目前AGI技術(shù)還處于研究階段，但是AIGC的相關(guān)應(yīng)用隨著大模型的出現(xiàn)實現(xiàn)了快速發(fā)展。

當前AIGC類業(yè)務(wù)的發(fā)展和應(yīng)用已經(jīng)非常廣泛，包括音頻、文本、圖像、視頻生成及圖像、視頻、文本間的跨模態(tài)生成，同時AIGC已經(jīng)在許多實際應(yīng)用中取得了顯著成果，如文本生成、藝術(shù)創(chuàng)作、游戲開發(fā)等。許多公司和研究人員已經(jīng)成功將AIGC技術(shù)應(yīng)用于實際項目和產(chǎn)品。

其中較為著名的生成式預(yù)訓(xùn)練轉(zhuǎn)換模型（Generative Pre-trained Transformer，GPT）主要基于三個技術(shù)：自然語言處理中基于注意力機制的序列到序列模型Transformer[3]；采用Prompt機制用于指導(dǎo)模型生成特定類型的輸出；利用Fine-tune微調(diào)技術(shù)針對預(yù)訓(xùn)練模型通過少量的標記數(shù)據(jù)集，在新的任務(wù)或領(lǐng)域上訓(xùn)練模型來改進其性能。

以GPT[4]為例，2023年涌現(xiàn)了大量的大型語言模型（Large Language Models，LLMs）[5-6]和AIGC相關(guān)領(lǐng)域[7-8]的研究。以GPT-3、GPT-4為代表的超大規(guī)模預(yù)訓(xùn)練模型，以數(shù)據(jù)和算力優(yōu)勢取代了一些小型算法模型，展示了一條通向通用人工智能的可行路徑[9]。表1列舉了國內(nèi)外主流AIGC大模型和應(yīng)用概況。

表1 主流AIGC大模型和應(yīng)用概況

AIGC大模型的集體涌現(xiàn)為在算力網(wǎng)絡(luò)中部署AIGC相關(guān)應(yīng)用的研究提供了方向和實踐，同時也對業(yè)務(wù)的算力要求、數(shù)據(jù)安全以及隱私保護提出了挑戰(zhàn)?？傊?，隨著人工智能、物聯(lián)網(wǎng)、云計算等技術(shù)的不斷發(fā)展，AIGC技術(shù)的應(yīng)用將會越來越廣泛，將為各行各業(yè)帶來更高效、安全、智能的服務(wù)。 1.2 AIGC類業(yè)務(wù)的特點 AIGC類業(yè)務(wù)通過使用具有大量算力的大模型，從海量數(shù)據(jù)中提取出有效信息，實現(xiàn)自動化的數(shù)據(jù)處理和決策，如圖1所示。AIGC類業(yè)務(wù)具有以下特點。

圖1 AIGC類業(yè)務(wù)流程 1.2.1 大量、多樣的數(shù)據(jù)上傳和下發(fā) 在AIGC類業(yè)務(wù)中，數(shù)據(jù)上傳通常是指數(shù)據(jù)的采集和傳輸，包括對各類數(shù)據(jù)進行預(yù)處理和標注等操作。如來自傳感器、監(jiān)控設(shè)備、社交網(wǎng)絡(luò)、移動設(shè)備等不同來源的結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)需要進行清洗、轉(zhuǎn)換和整合，以便進行深度學(xué)習(xí)和機器學(xué)習(xí)算法的應(yīng)用。由于傳輸?shù)臄?shù)據(jù)量通常很龐大，需要高帶寬和低延遲的網(wǎng)絡(luò)來支持。數(shù)據(jù)下發(fā)是指將訓(xùn)練好的模型、算法和結(jié)果傳輸回客戶端或其他系統(tǒng)，隨著數(shù)據(jù)規(guī)模的增大和多樣化，處理數(shù)據(jù)的能力也需要不斷提升。 1.2.2 不斷擴大的模型需要大量算力來支持 在AIGC領(lǐng)域應(yīng)用的大模型通常由多層級的復(fù)雜結(jié)構(gòu)組成，需要處理數(shù)以百萬計的參數(shù)和變量，這些模型和算法通常需要大量的計算資源來進行訓(xùn)練和推理。為了處理海量的數(shù)據(jù)和復(fù)雜的模型，需要使用并行計算和分布式計算技術(shù)，以利用多個計算機或處理器來同時處理數(shù)據(jù)。此方式可以顯著提高計算效率，縮短訓(xùn)練模型的訓(xùn)練時間，并幫助解決計算能力的瓶頸問題。同時，也需要高效的算法設(shè)計和優(yōu)化，以減少計算和存儲的成本，提高系統(tǒng)的可擴展性和穩(wěn)定性。因此，對于AIGC類業(yè)務(wù)，大量算力是其發(fā)展和應(yīng)用的基礎(chǔ)和核心，對算力的需求也是其面臨的主要挑戰(zhàn)之一。 在普通的計算任務(wù)和業(yè)務(wù)中，傳統(tǒng)的計算方法如邊緣計算和云計算具有一定的局限性，無法完全滿足AIGC類業(yè)務(wù)的需求。例如在解決數(shù)據(jù)延遲問題上，云計算和邊緣計算在處理大量的AIGC類業(yè)務(wù)數(shù)據(jù)時無法保證低延遲；在傳輸帶寬方面，云計算和邊緣計算通常依賴于網(wǎng)絡(luò)連接進行數(shù)據(jù)傳輸，而網(wǎng)絡(luò)帶寬有限，尤其是在邊緣計算中，邊緣設(shè)備通常只有較低的帶寬和存儲能力，難以處理大量的數(shù)據(jù)傳輸任務(wù)；在數(shù)據(jù)隱私與安全方面，模型的私有化以及AIGC類業(yè)務(wù)中的數(shù)據(jù)往往包含敏感信息，傳輸?shù)綌?shù)據(jù)中心或邊緣設(shè)備進行處理時增加了數(shù)據(jù)被竊取或篡改的風(fēng)險。 云計算和邊緣計算在許多常見的計算任務(wù)和業(yè)務(wù)中發(fā)揮著重要作用。然而，對于一些復(fù)雜和大規(guī)模的計算任務(wù)，傳統(tǒng)的計算方式受限于計算能力、數(shù)據(jù)處理能力和模型表達能力等。因此，針對這些場景，引入人工智能技術(shù)配合算力網(wǎng)絡(luò)的交易分發(fā)，基于AIGC類業(yè)務(wù)的算網(wǎng)架構(gòu)可以提供更高效、準確和自動化的解決方案。 綜上所述，AIGC類業(yè)務(wù)有大量數(shù)據(jù)需要上傳和下發(fā)，大模型也需要大量算力。傳統(tǒng)的計算方法已經(jīng)無法滿足AIGC類業(yè)務(wù)的需求，需要一種高效的數(shù)據(jù)傳輸和處理方法來支持業(yè)務(wù)的快速發(fā)展，而算力網(wǎng)絡(luò)正是具備強大的算力、數(shù)據(jù)處理和自動化的工具，同時具有高度可擴展、可靠和彈性的系統(tǒng)設(shè)計能力。 算力網(wǎng)絡(luò)作為構(gòu)建AIGC落地的基礎(chǔ)設(shè)施，將云—邊—端三層算力結(jié)構(gòu)組織調(diào)度成具有高效和安全性能的網(wǎng)絡(luò)，共同完成大規(guī)模計算任務(wù)。算力網(wǎng)絡(luò)的主要作用是提供分布式計算服務(wù)，可以處理各種復(fù)雜計算任務(wù)，例如人工智能、機器學(xué)習(xí)和大數(shù)據(jù)分析等。 在算力網(wǎng)絡(luò)中，為了解決數(shù)據(jù)上傳和下發(fā)以及大模型的算力問題，AIGC類業(yè)務(wù)通常采用分布式系統(tǒng)和云—邊—端協(xié)同計算等技術(shù)來支持數(shù)據(jù)的高效傳輸和處理。例如，通過分布式存儲和計算等技術(shù)，可以將數(shù)據(jù)和計算任務(wù)分散到多臺計算機上，從而提高數(shù)據(jù)處理和模型訓(xùn)練的效率。同時，邊、云服務(wù)器也提供了豐富的計算資源和服務(wù)，包括高速網(wǎng)絡(luò)、高性能計算等，可以提高數(shù)據(jù)處理和模型訓(xùn)練的效率，進而滿足AIGC類業(yè)務(wù)的需要。

2 承載AIGC類業(yè)務(wù)的算力網(wǎng)絡(luò)架構(gòu)和設(shè)計

傳統(tǒng)的算力網(wǎng)絡(luò)從邏輯功能上可分為算力服務(wù)層、算網(wǎng)管理層、算力資源層、算力路由層和網(wǎng)絡(luò)資源層。其中，算力路由層包含控制面和轉(zhuǎn)發(fā)面，以實現(xiàn)泛在計算和服務(wù)的感知、動態(tài)分布計算與存儲資源的互聯(lián)。如何將遍布在云—邊—端泛在部署的異構(gòu)多樣算力資源以及繁多碎片化AIGC類業(yè)務(wù)間進行有效協(xié)同，驅(qū)使業(yè)務(wù)應(yīng)用能平滑地在各級算力資源上進行流轉(zhuǎn)運行，充分利用巨量算力資源，是承載AIGC類業(yè)務(wù)算力網(wǎng)絡(luò)架構(gòu)設(shè)計的關(guān)鍵點[10]。與傳統(tǒng)的算力網(wǎng)絡(luò)架構(gòu)設(shè)計相比，承載AIGC類業(yè)務(wù)的算力網(wǎng)絡(luò)架構(gòu)把網(wǎng)絡(luò)資源層和算力資源層合并為網(wǎng)絡(luò)基礎(chǔ)設(shè)施層，以實現(xiàn)由網(wǎng)絡(luò)資源、計算資源分治管理到算網(wǎng)統(tǒng)一控制和管理；由網(wǎng)絡(luò)調(diào)度過渡到網(wǎng)絡(luò)和計算聯(lián)合調(diào)度，由網(wǎng)絡(luò)的度量過渡到網(wǎng)元和算力節(jié)點的互聯(lián)、度量和建模；AIGC需要大規(guī)模的計算資源，在算網(wǎng)融合層設(shè)計時通過分布式服務(wù)和存儲以提高大模型的訓(xùn)練效率。 AIGC類業(yè)務(wù)通常需要大規(guī)模的計算資源來支持其復(fù)雜的計算需求[11]。AIGC類業(yè)務(wù)的流程是用戶上傳原始數(shù)據(jù)任務(wù)（包括文本、圖像、視頻）至算力網(wǎng)絡(luò)的算力節(jié)點，由算力提供商接受任務(wù)后利用模型訓(xùn)練生成內(nèi)容，其中模型包括自回歸模型、生成對抗網(wǎng)絡(luò)、變分自動編碼器、基于流的生成模型、擴散模型等大模型；在交易達成后，AIGC類服務(wù)提供商將生成的內(nèi)容分發(fā)給用戶。 承載AIGC類業(yè)務(wù)的算力網(wǎng)絡(luò)架構(gòu)和設(shè)計需要充分考慮業(yè)務(wù)需求和技術(shù)實現(xiàn)，提供高性能、高可靠性、安全的計算資源支持。如圖2所示，新型算力網(wǎng)絡(luò)架構(gòu)可分為網(wǎng)絡(luò)基礎(chǔ)設(shè)施層、算網(wǎng)融合層和應(yīng)用服務(wù)層。

圖2 面向AIGC類新型算力網(wǎng)絡(luò)架構(gòu)設(shè)計 2.1 網(wǎng)絡(luò)基礎(chǔ)設(shè)施層網(wǎng)絡(luò)基礎(chǔ)設(shè)施層是新型算力網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)底座，可構(gòu)建多層次的異構(gòu)算力網(wǎng)絡(luò)，包括云算力節(jié)點、邊緣算力節(jié)點、端側(cè)算力節(jié)點等異構(gòu)多層次算力節(jié)點構(gòu)成的算力資源池。其中網(wǎng)絡(luò)基礎(chǔ)設(shè)施包括5G/超5代移動通信系統(tǒng)（B5G）接入網(wǎng)絡(luò)、確定性邊緣網(wǎng)絡(luò)、確定性廣域網(wǎng)絡(luò)、確定性數(shù)據(jù)中心網(wǎng)絡(luò)等。 2.2 算網(wǎng)融合層算網(wǎng)融合層是新型算力網(wǎng)絡(luò)架構(gòu)的中樞系統(tǒng)，主要實現(xiàn)算網(wǎng)狀態(tài)感知、算網(wǎng)資源調(diào)度以及算網(wǎng)智能決策三大功能。算網(wǎng)狀態(tài)感知方面，在面向AIGC的算力網(wǎng)絡(luò)設(shè)計中，通過對計算與網(wǎng)絡(luò)資源狀態(tài)信息的采集或監(jiān)測，實現(xiàn)對邊緣計算節(jié)點和網(wǎng)絡(luò)設(shè)備運行狀態(tài)的精準感知，進而為計算任務(wù)的調(diào)度決策提供支撐，同時為邊緣計算節(jié)點和網(wǎng)絡(luò)設(shè)備的運營維護提供數(shù)據(jù)支撐。算網(wǎng)資源調(diào)度方面，通過對計算與網(wǎng)絡(luò)資源狀態(tài)信息的采集、處理和分析，結(jié)合機器學(xué)習(xí)相關(guān)算法，實現(xiàn)對邊緣計算節(jié)點算力狀況以及網(wǎng)絡(luò)狀況的預(yù)測，進而提升對計算與網(wǎng)絡(luò)資源狀態(tài)的感知能力，實現(xiàn)資源的精細化分配、計算任務(wù)的實時調(diào)度。算網(wǎng)智能決策方面，基于算網(wǎng)狀態(tài)智能感知，算力網(wǎng)絡(luò)中進行自動化分析建模和決策并將決策結(jié)果反饋至算力網(wǎng)絡(luò)控制系統(tǒng)，提供智能化、自動化決策治理能力，實現(xiàn)算網(wǎng)資源的智能決策。 2.3 應(yīng)用服務(wù)層應(yīng)用服務(wù)層主要包括智能運維、可信交易、開發(fā)支撐、綜合管控四大功能，其中AIGC類業(yè)務(wù)通過算力網(wǎng)絡(luò)交易平臺進行交易。為了保證安全性和可靠性，交易采用區(qū)塊鏈分布式賬本記賬的方式，以鏈式數(shù)據(jù)結(jié)構(gòu)存儲交易信息，并將信息保存在鏈上，確保任何數(shù)據(jù)都是真實且不可篡改的。

3挑戰(zhàn)與展望

在面向AIGC類新型計算業(yè)務(wù)的算力網(wǎng)絡(luò)設(shè)計中，AIGC類新型計算業(yè)務(wù)對算力網(wǎng)絡(luò)具有高計算、高帶寬、高存儲、低延遲、可靠性等要求，而算力網(wǎng)絡(luò)在面向AIGC類新型計算業(yè)務(wù)中的瓶頸和挑戰(zhàn)包括：計算資源的分布分散、資源調(diào)度的復(fù)雜度較高、數(shù)據(jù)傳輸存在帶寬限制、保障數(shù)據(jù)隱私和安全等。其中調(diào)整卸載調(diào)度算法和路由策略、保障安全和優(yōu)化服務(wù)交易是三大關(guān)鍵問題。 在調(diào)整卸載調(diào)度算法和路由策略方面，由于AIGC類業(yè)務(wù)的特殊性，傳統(tǒng)的調(diào)度算法和路由策略不再適用。由于大模型需要大量算力支持，選擇合適的節(jié)點和路徑至關(guān)重要，以確保業(yè)務(wù)能夠高效地運行并最大化利用計算資源。這涉及到算力網(wǎng)絡(luò)中的資源分配、協(xié)調(diào)和管理，需要設(shè)計新的算法和協(xié)議來解決上述問題。根據(jù)具體的應(yīng)用場景和需求，提出以下3項方案。 ·基于網(wǎng)絡(luò)拓撲結(jié)構(gòu)的靜態(tài)調(diào)度方案：根據(jù)AIGC類業(yè)務(wù)和網(wǎng)絡(luò)拓撲結(jié)構(gòu)的不同，將計算任務(wù)調(diào)度到不同的節(jié)點上執(zhí)行，以實現(xiàn)負載均衡和最小化數(shù)據(jù)傳輸成本。 ·基于機器學(xué)習(xí)算法的動態(tài)調(diào)度方案：利用機器學(xué)習(xí)算法對計算任務(wù)進行預(yù)測，實現(xiàn)任務(wù)的動態(tài)調(diào)度和資源的自適應(yīng)分配，以提高整個系統(tǒng)的性能和效率。 ·采用分層架構(gòu)的路由方案：將網(wǎng)絡(luò)按照層次結(jié)構(gòu)劃分，根據(jù)不同的層次對數(shù)據(jù)進行路由轉(zhuǎn)發(fā)處理，實現(xiàn)低延遲和高吞吐量的數(shù)據(jù)傳輸。 在保障安全方面，AIGC類業(yè)務(wù)的大規(guī)模數(shù)據(jù)上傳和下發(fā)以及大模型的計算過程可能涉及機密數(shù)據(jù)和敏感信息。因此，保障數(shù)據(jù)的安全和隱私至關(guān)重要。此外，由于AIGC類業(yè)務(wù)對算力網(wǎng)絡(luò)的高要求，攻擊者可能會利用算力網(wǎng)絡(luò)中的弱點來發(fā)動攻擊，如分布式拒絕服務(wù)攻擊（Distributed Denial of Service，DDoS）和惡意節(jié)點攻擊。因此，需要設(shè)計和實現(xiàn)高效的安全機制來保護算力網(wǎng)絡(luò)和AIGC類業(yè)務(wù)的安全。 在優(yōu)化服務(wù)交易方面，由于AIGC類業(yè)務(wù)的特殊性質(zhì)和大規(guī)模需求，交易模式和機制需要重新設(shè)計和優(yōu)化。需要實現(xiàn)高效的服務(wù)匹配和交易，并確保交易的公正性和透明性。同時需要建立高效的自動化服務(wù)管理和監(jiān)控機制，以提高服務(wù)的質(zhì)量和可靠性。 通過設(shè)計智能合約結(jié)合區(qū)塊鏈的算力交易方案，應(yīng)用區(qū)塊鏈去中心化以及分布式數(shù)據(jù)同步及存儲的技術(shù)優(yōu)勢，將算力交易分布在各個算力資源節(jié)點。為確保交易的安全可信，算力需求方與資源提供方都要向第三方的數(shù)字證書簽發(fā)機構(gòu)申請數(shù)字證書和私鑰，用于對交易結(jié)果進行簽名確認，之后才能進行算力交易，如圖3所示。

圖3 基于區(qū)塊鏈智能合約的算力交易模型 因此，在算力網(wǎng)絡(luò)與AIGC結(jié)合的過程中，通過跨學(xué)科的研究和合作，利用機器學(xué)習(xí)、區(qū)塊鏈等先進技術(shù)，可以創(chuàng)新地調(diào)整卸載調(diào)度算法和路由策略用于保障安全和優(yōu)化服務(wù)，確保算力網(wǎng)絡(luò)和AIGC類業(yè)務(wù)的高效、安全和可靠運行。

4 結(jié)束語

本文面向AIGC類新型計算業(yè)務(wù)的算力網(wǎng)絡(luò)設(shè)計與挑戰(zhàn)，提出AIGC類業(yè)務(wù)引入算力網(wǎng)絡(luò)的必要性，設(shè)計未來承載AIGC類業(yè)務(wù)的算力網(wǎng)絡(luò)架構(gòu)，討論了目前遇到的挑戰(zhàn)和未來的發(fā)展趨勢。未來，業(yè)界將緊跟算力網(wǎng)絡(luò)技術(shù)和AIGC類業(yè)務(wù)及其應(yīng)用領(lǐng)域的需求，持續(xù)關(guān)注相關(guān)的算力網(wǎng)絡(luò)設(shè)計與實現(xiàn)方案。