AI·大模型·领地
报告：清华大学-关于人工智能大模型的几点思考2025
人工智能进入大模型时代，大模型从单模态向多模态发展，在文本交互、图像创作、视频生成等方面成果显著，并加速行业智能化升级。但大模型发展面临数据存储、算力、数据预处理等挑战，如海量小文件存储的元数据管理难、训练需海量算力、数据预处理开销大等。为此提出多种解决方案，包括设计新的文件系统、以数据为中心的计算模式、分布式检查点策略等。同时，中国 AI 内循环加速，国产算力快速发展，相关基础软件层不断完善，在大模型训练和推理方面取得性能提升。
技术报告的思维导图如下：
这篇由清华大学郑纬民教授在2025年QCon全球软件开发大会上的演讲PPT（文末免费下载），主要围绕人工智能大模型的发展趋势、技术挑战及国产化解决方案展开。
内容深入浅出，我整理成了几个关键点：
1. 大模型时代的核心特点
- *多模态融合***：**AI基础模型从文本转向图像、音频、视频等多模态数据，例如阿里云的“12VGen-XL”可通过一张图生成高清视频。
- *行业深度结合***：**AI+金融、医疗、司法等领域已见成效，比如药物研发周期从数年缩短到1个月，企业业务识别准确率提升20%。
2. 大模型生命周期的五大环节与挑战
大模型从数据到落地需经历五个环节，每个环节都对算力和存储提出“爆炸式需求”：
- *数据获取***：**海量小文件（文本、图像等）存储困难，传统文件系统（如Ceph）元数据管理效率低。
- *数据预处理***：**占训练时间30%~65%，随机读取小样本导致网络开销大。解决方案是“以数据为中心”，将计算任务调度到数据所在节点（如诸葛弩引擎）。
- *模型训练***：**硬件错误率高，检查点文件巨大（万亿参数需12TB存储）。优化方法包括分布式检查点策略，将写入时间从3小时缩短至10分钟。
- *模型微调***：**需可控算力优化垂直领域模型。
- *模型推理***：**实时响应需稳定算力，显存容量不足（如万亿模型需86张显卡存KV-Cache）。通过分离式存储（如FastDecode用CPU内存分担）提升吞吐量7倍。
3. 国产化算力系统的突破
- *现状***：**英伟达GPU被限制，国产芯片生态薄弱（如编程框架、算子库不完善）。
- *解决方案***：**构建“八卦炉”国产智算基础软件生态，覆盖并行加速、编译器、存储系统等10类核心软件。已在神威超算实现174万亿参数模型训练，性能对齐国际水平。
- *案例***：**在沐曦国产GPU集群优化后，模型训练性能提升30%，部分算子效率提升300%。
4. 企业如何用好大模型？
- *三步走***：**选基础模型→微调→适配企业需求。
- *关键条件***：**企业需有高质量数据，且AI应解决“人做不好”的问题，而非替代已有高效流程。
5. 总结与反思
- *趋势***：**规模法则（Scaling Law）仍是核心，但需重视工程基建和软件优化。
- *差距***：**中美AI技术差距约半年，国产化生态（如软件适配、异构训练）是当前最大瓶颈。
- *机会***：**中国在政策支持、产业结合（如智能制造、医疗）上有独特优势，低成本开源模型（如DeepSeek）将加速AI普及。
金句提炼
- “国产芯片性能达国外60%+生态完善=用户满意。”
- “AI不是替代人，而是解决人做不好的事。”
- “大模型正在重新定义软件。”
总之，这份PPT既有技术深度（如解耦元数据存储的SuperFS系统），又接地气（企业落地方法论），清晰勾勒出大模型时代的技术图谱与国产化路径。
这份《清华大学：关于人工智能大模型的几点思考》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
PDF书籍： 完整版本链接获取
👉[CSDN大礼包🎁：《清华大学：关于人工智能大模型的几点思考》免费分享（安全链接，放心点击）]👈
部分内容展示如下：
这份《清华大学：关于人工智能大模型的几点思考》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
PDF书籍： 完整版本链接获取
👉[CSDN大礼包🎁：《清华大学：关于人工智能大模型的几点思考》免费分享（安全链接，放心点击）]👈
