2024网络大模型10大问题

网络大模型10问题白皮书20241PAGEPAGE10目录摘要 2背景 4网大模的定义 4十基础题 5NetGPT场和需问题 6NetGPT的础理问题 7NetGPT的致性要求题 9NetGPT间协同题 10NetGPT的生分式部问题 12NetGPT的络架设计题 13NetGPT的全隐问题 14NetGPT的据服问题 16NetGPT的判体与方问题 16NetGPT的生命期管和编问题 18总与展望 20背景ITU-RWP5D第44次会议正式通过了《IMT面向2030及未来发展的框架和总体目标建议书》,作为6G研究的一个重要的里程碑，代表了全球的6G愿景共识，其中AI与通信融合被作为6大关键场景之一，与6GANA提出的NetworkAI理念不谋而合。AIChatGpt，能够准确识别并理解用户的意图，为用户提供问题，生成文本等，并在结合多模态技术后不断向更多领域拓展。可以预计，大模型将会成为AI通信融合的关键组成部分。在提高网络中AI的通用性和多任务处理能力等方面发挥重要然而我们需要意识到，大模型与AI在应用上是有着很大不同的。在以往AI模型的使用上，是通过收集大量的数据然后从头训练模型，因此需要关注是如何针对具体任务设计模型结构、网络如何收集需要的数据，网络如何为AI模型的训练推理提供算力和算法支撑等。大模型在应用上，是以预训练基础模型为底座，通过各种策略，如prompt，fine-tune以及向量库等方式来适配各类具体任务。另外，大模型意图理解和涌现能力，也给大模型的应用带来了更多的可能性，例如可以实现基于意图的编排，调用各种工具实现具体任务等。同时，大模型的巨大参数量和算力需求，也为其在网络中的应用带来了新的挑战。为此，我们需要重新梳理大模型和网络结合这个领域中的关键问题，为后续的研究指明方向。网络大模型的定义大模型将在运维、执行、验证等方面为移动网络服务。通过整合通信知识，大模型可以帮助检测故障和生成解决方案。随着网络服务的多样性和复杂性，大模型可以用来编排和调度任务流程，还可以进行性能优化、环境预测、资源分配等。通过出色的生成能力，大型模型有望在验证阶段发挥重要作用，如室外复杂环境的通道生成、高铁场景模拟等。因此，我们将无线通信网络中使用的大模型定义为网络大模型（NetGPT）。由于无线通信网络包含RAN/CN/OAM这些不同的技术域，他们在功能特性、数据结构、以及性能需求上都有着明显的区别。例如，应用在运维领域的模型可能与NLP领域LLM类似，可以直接对LLM进行微调得到；而应用于空口的模型与自然语言完全是另一套体系。因此，NetGPT并不是一个单一模型通配所有网络场景，而是一系列模型的组合。需要注意的是，这种NetGPT建立了三层模型，即L0，L1和L2。其中，L0；L1代表网络不同领域大模型，如RAN/CN/OAM；L21NetGPT在通用性、基础性和规模上，都是传统各网元各自训练出的特定场景模型所不能相比的。通用性上，NetGPT-L0要能在全网各领域通用，包含是电信领域的基础知识，NetGPT-L1的通用性就差一些，局限在对应的领域内；基础性指的是能够通过few-shot甚至zero-shot就很好的适配到下游任务上，这一点NetGPT-L0/1都要具备，特别是L1，要能够作为NetGPT-L2的基础模型，通过各种策略来快速适配到新的场景中去，不再需要从头开始训练L2。而在模型规模上，NetGPT-L0/1的参数量要满足大模型的基准门限，目前业界普遍的看法是，产生智能涌现的最少参数量在70亿。NetGPT-L2的参数量可以小很多，方便其部署在网络边缘和端侧。图1NetGPT三层L0/1/2十大基础问题尽管大模型，尤其是LLM，已经在很多领域展现出了令人惊叹的能力，网络大模型仍然还有很多基础问题需要去研究和解决。这些问题可以分为两类，一类是大模型本身的设计类问题，另一类是网络设计如何支撑大模型应用类问题，如图3-1所示。也就是说，我们让NetGPT既要造的出，也要用得好。图2网络大模型NetGPT十大问题NETGPT网络技术研究，以需求和场景始。研究NetGPT的需求和典型场景是网络大模型制定发展策略、规划和优化的基础，并对网络长期规划、技术升级和演进决策具有重要意义。只有具备高增益的典型场景、高价值的典型业务，才能为NetGPT后续的落地和部署提供必要保障，否则只能是停留在纸面的空中楼阁。因此，NetGPT的需求是否真实存在，需求程度如何，需要通过研究过程逐步去伪存真，为后续的网络设计和NetGPT发展提供必要依据。另外，在NetGPT需求和场景研究中，需要结合对未来技术趋势的分析，需求和场景研究可以一定程度适度超前当前科技水平。单从ITCTGPT技术，从ITGPTAI大应用；从CTGPT而就6G网络发展而言，从“需求搜集”到“系统设计“，再到”规范标准“，“研发测试”，“规划，建设，运维，管理，优化，营销”等全生命周期的各个环节，GPT类技术都可以在其中发挥重要作用，而从一开始最具价值的毫无疑问是GPT赋能网络，即NetGPT。而无线网络边缘单设备/终端相对于云较为受限的计算能力，决定了NetGPT并不能像传统AI那样对网络中的功能和算法进行简单替换，而需要重新设计，包括适配无线网络的NetGPT算法，以及原生支持NetLM（1）NetGPT在网络中提质、增效、降本和拓收的需求和场景。体现在提高网络AI普适性、网络性能提升、网络智能化管控优化等方面。面向沉浸式通信、超大规模连接、超高可靠低时延、泛在连接、智能内生、通感融合等未来网络应用场景，相对目前的网络管理与服务方式，使用NetGPTAIAIAI，在自动化网络管理和故障排除、网络（2）6G网络架构支撑NetGPT发展的需求和场景。6G网络新的创新技术，天然具备支撑NetGPT独具优势发展的土壤，如移动算力网络、分布式网络架构等。但是6G网络架构、功能、接口设计，与NetGPT的发展速度时间窗口不一定完全匹配。6G网络设计在原生支持NetGPT方面，通过云计算、边缘计算移动算力网络的计算资源，为NetGPT提供训练算力、分布式部署、分布式推理等场景是否具有需求与可行性。另外，在NetGPT算法设计中，是否匹配6G网络泛在终端、异构资源特点；以及NetGPT的出现，是否会对目前6G架构，功能与协议6G网络和NetGPT（3）NetGPT在6G网络应用中的边界。无线网络的层级越低，对服务质量（QoS）（包括实时性和准确性）的要求就越高。目前的大模型技术并不能满足移动通信网络对高确定性QoS保障的要求，未来NetGPT的发展是否会只能用于特定层级或特定功能。例如，NetGPT是否只适用于空中接口的高层，而不适用于物理层？这些边界问题还涉及NetGPT在每个具体应用中可能发挥的作用。例如，NetGPT能在多大程度上支持未来的OAM系统--完全或部分自治网络。在研究NetGPT时，有必要澄清上述基本情况和边界问题。NETGPT在未来无线网络全面智能化时代，通信、计算、数据、AI的融合是不可避免的趋势，而构建NetGPT是实现这一目标的关键。然而，要实现NetGPT的构建，需要解决许多基础理论问题。NetGPT与LLM的差异。作为最具代表性的基础模型，大型语言模型LLM也被很多研究者作为网络模型的底座，通过微调或者提示等方式来解决网络任务。然而，通信领域与自然语言处理领域的根本差异导致了NetGPT与大型语言模型在理论上的显著差异。这些差异主要体数据特性：NetGPT处理的数据集涉及通信信号，例如通道信息，这些以高维张量形式（tokens）后端任务：无线网络处理的任务种类迥异，因此NetGPT的输出形式可能多样化，与大模型大小：NetGPT定义了多层次的结构，在不同层次上部署多种规模的模型。特别是在网络边缘部署的NetGPT模型，如基站中的NetGPT-L2，其参数规模可能仅为1502000另外，随着模型规模的不断增长，我们看到LLM的性能提升也逐渐出现边际效益递减的情况，是否还有其他更好更高效的架构，或者说更适合移动网络的架构？例如transformer在一定程度上牺牲了捕捉局部特征的能力，特别是失去的位置信息对于时序数据非常重要，PositionEmbedding也只是一个权宜之计，在作用域对于时序要求更高的移动通信系统时是否能产生好的效果？transformer的Embedding对于结构化数据的处理效果并不太好，尚未有效解决如何将非连续数据映射到向量空间的问题，这对于目前以结构化数据为主的电信运营商来讲也是一个亟需解决的基础问题。因此，对于NetGPT是否能与大型语言模型使用同样的模型架构，或者NetGPT将激发新的理论和架构研究，仍然有待进一步的探索。NetGPT的泛化能力如何满足网络任务的多样性。大模型的一大优势就是可以利用非常少的下游数据来进行特定任务的适配，或者是few-shot甚至zero-shot的学习，都能达到不错的效果。这就为各类下游任务节省了大量的数据收集、清洗和标注的时间，大大节约了开发成本。另外一个就是基于大模型来适配新任务，可能并不需要调整大量的参数，只需要调整非常少的参数量就可以，有很多parameterefficient的微调方法都能得到不逊色于全量参数调整的性能。但是，网络任务的多样性可能远远超过自然语言领域。我们需要深入研究大模型泛化性的理论基础，为什么可以使用少量数据和参数就可以学习到新的任务知识，然后才能去有针对性的优化NetGPT在网络任务上的泛化性能。虽然这方面已经有一些非常重要的研究理论，包括过参数化等理论，但是其深层次的理论框架依然没有建立，包括我们应该建立起怎样的数学或者分析模大模型参数规模问题也是构建NetGPT的一个基础问题。随着模型参数规模的增加，模型的性能和泛化能力也会随之提高，并且只需要更少的参数调整就能适配到新的下游任务。然而，大规模的模型参数也会带来计算和存储上的挑战，以及在训练和使用时带来更大的能耗。如当我们想要去获得一个大型系统如移动网络领域专用的行业大模型时，我们必然要去弄清楚这些大模型上的理论问题。对于每个问题，都需要深入研究其具体的内涵和挑战，以推动NetGPT的研究和应用。NETGPT通过使用深度学习、强化学习等先进的人工智能技术，大模型可以从大量移动网络数据中提取有用信息，并实现智能化的决策和控制，广泛应用于移动网络的信号处理、传输控制、无线资源分配、干扰管理等多个方面，为智能物联网、智慧医疗、智能交通等领域提供有力支撑。为了实现这些应用，模型必须实时高效，能够快速处理输入并进行决策；模型必须准确可靠，尽量避免错误决策造成的网络问题；模型必须稳定可用，保障网络运行和服务质量不受模型故障影响；模型必须具有可扩展性，能够适应不同场景和不同用户的需求。NetGPT0.5~1msNetGPTNetGPTAINetGPT过程中难免遇到硬件故障或软件问题。大模型需要具备高可用性，在各种干扰或故障下保持较高的可用性，以避免由于推理中断造成网络通信的低效或故障。一方面，需要考虑如何从数据备份、模型模块化、异常处理和分布式部署等方面提升大模型容错率，保障大模型不会因单一故障瘫痪；另一方面，也需要大模型利用数据冗余、快速恢复机制等方式提供一定的容灾性，保证灾难发生后大模型能快速恢复，提供可用和稳定的网络服务。NetGPT的灵活性扩展性要求。当前移动网络用户业务呈现出多样化的特点。未来，传感器网络、智能物联网等应用促进网络规模不断扩大，新型业务也不断涌现。大模型需要能够适应多种移动网络环境和业务需求，并进行灵活配置和调整。大模型应该具备在计算、存储、通信等方面进行扩展的能力，以根据移动网络的需求进行扩展，处理更多的用户、更复杂的业务场景以及更高的数据流量等。同时，由于移动网络设备和协议多种多样，不同的设备和协议具有不同的特性和要求。大模型需要能够针对不同的网络协议、设备类型和网络制式进行自适应调整，以便为不同的设备和应用场景提供一致的服务。目前，增强模型灵活性的技术包括模型压缩、模NETGPTAI图3NetGPT大小模型协同示例网络大模型NetGPT间的协同关系主要是体量较大适合在云端部署的L0全网通用大模型、L1网络专业大模型，与体量较小适合在边缘部署的L2网络小模型之间，在模型训练和推理方面的协同，说明如下：L0L1在模型训练上，L0全网通用大模型为L1网络专业大模型提供预训练模型，可利用专业领域L1；L1L0在模型推理上，针对跨域任务，L0全网通用大模型可调度多个L1网络专业大模型，并提供通用知识，进行跨域任务协同和知识协同。L1网络专业大模型与L2在模型训练上，L1网络专业大模型通过模型蒸馏、微调，生成L2网络小模型；L2网络小模型为L1网络专业大模型提供反馈数据来进行模型优化，即在模型训练上进行数据协同和参数协同。在模型推理上，针对单域任务，L1网络专业大模型可调度多个L2网络小模型，并提供单域专业知识，进行跨域任务协同和知识协同。在上述场景中，某些关键算法有待进一步研究，例如根据L0全网通用大模型的相关性进行参数修剪参数，并进行有效的微调以适应新的任务；如何实现大模型的知识与能力向小模型降维迁移的有效性、小模型的小样本学习向大模型的升维融合、以及不同维度数据的清洗与治理等；并从数学上保证协同后的效果等价，一致性，并能实现大模型推理性能，结果等不发生偏移，除了算法挑战外，支持NetGPT的跨供应商协作，包括功能和程序在内的协作内容的标准化、协同集的生成方法与系统控制等，也是需要继续深入研究问题。NETGPT随着大模型越来越大，从几百亿到几千亿到现在GPT4的万亿参数，其对计算和存储成本的消耗也越来越大。当我们要将这样的庞然大物部署到网络内时，需要考虑可能出现的分布式部署方式，例如部署在网络边缘提供即时服务，或者部署在基站和终端来增强空口特性等。那么如何将NetGPT成功地部署到分布式环境中，以实现模型性能的最大化和资源利用的最优化，将面临NetGPT的分布式拆分。在分布式网络中，每个节点的计算资源和存储能力都有所不同，需要根据节点的实际情况合理拆分模型，以获取节点间的负载均衡，同时最大化资源利用效率。网络的一大特点是动态性，终端的移动或者基站网元的忙闲时变化都可能导致模型的性能受NetGPT的分布式训练。大模型并不是一锤子买卖，其需要在不断执行中自我优化演进，完善自身的能力建设，为此我们需要针对大模型研究有效的分布式学习算法。考虑到大模型本身的特点，已有的模型并行（如拆分学习）或者数据并行（如联邦学习）方式可能存在一定的局限性，达不到理想的的学习效果。我们需要去深入探索更多的可能，例如混合并行等方向。另外特别需要注意的是模型训练的一致性问题，如何确保所有节点训练的同步性和一致性，从而保高效的节点间通信机制。不论是进行大模型的推理还是训练，分布式节点间的通信瓶颈都会成为制约模型性能的关键因素。与数据中心中可以部署高速的机器间高速通道不同，网络节点间的传输带宽更加受限。一方面我们当然还是可以从算法上入手，进行模型压缩，如剪枝和量化等；但是另一方面我们应该在网络内设计一套更加高效的节点间通信机制，能够让网络节点针对以上问题，需要深入研究相关的理论和技术，探索创新性的解决方案，结合网络自身的拓扑结构，建立高效的分布式部署方案。例如，可以采用分布式一致性算法来保证模型训练的一致性；通过动态负载均衡策略来优化资源的利用效率；利用高效的通信和同步技术来提高模型的训练效率；同时，需要研发安全的模型训练和使用策略，以保护用户的数据安全和隐私权益。NETGPT大模型主要部署在网络，云端的智算中心，利用集中的算力对数据进行预处理，AI模型训练和验证等，会对网络的传输带宽带、性能指标等带来压力。而目前终端侧的智能化则由于算力，算法AI机制，实现分布与集中处理的融合，提升了数据处理、决策推理和资源利用的效率。同时基于“大规模预训练﹢微调”的范式，使NetGPT做到相对标准化，成为网络AI基础设施与底座的能力，赋能网络内各个场景，降低网络AINetGPT网络服务的优化：在网络的运营层基于NetGPT解释语义信息的能力，未来的无线网络可以为每个单独的应用程序生成一个专有网络，从业务等角度提供相应的服务逻辑、网络逻辑和网络资源。例如利用大模型在自然语言上的强大能力可用于提升智能客服、智能化经营、智能营销等运营服务功能，大模型在自然语言上的成功，启示了在语音、视觉等多模态数据上的扩展空间，赋能行业数字化，改进信息通信服务能力。利用现有大模型的研发内容对大模型封装，将各类任务上的推理能力封装成统一的应用程序接口，对外API模式提供服务。大模型赋能网络运营可以获得这些接口，可以利用现有各种大模型即服务的模式，作为网络外部一种服务，像调用网络的能力更新：由于网络中不同的技术域场景在功能特性、数据结构、以及性能需求上都有着明显的区别，未来的网络需要持基础大模型，NetGPT,第三方大模型的原生部署支能力。此外由于参数数量巨大，大模型的知识更新带来巨大的计算开销，需要在考虑NetGPT的增量训练能力，在线学习演进的能力，实现在网络领域内对模型数据进行有效的变更，模型的“即时”更新。例如目前随着大模型及其相关技术的出现和普及，可以在智能运维领域智能运维相关AIOps略知识库，不能直接已有大模型，用来辅助人工，对实时性要求不严格，大模型可以作为一种网络内部功存在，通信网络可以通过网络内部接口进行交互。网络接口/协议变化：随着NetGPT的不断集成融入未来通信网络，基于模型之间的协作接口（例如基于Token，Prompt）可能取代基于当前网络中的标准化经典字符串接口协议。通信AI惠的基础平台，也是使能AI网元智能化演变：随着通信网络逐渐演进成熟，通过引入NetGPT将网络的事后触发优化流慢，当推理请求的次数和请求数据量过大时，API的响应时间和返回数据质量将难以保证，实际的反应时较长，短时间内要获得大规模的应用和及时响应体验比较困难。需要把大模型功能嵌入已有的应用和服务中，与网络架构进行融合，保证实时性，因此NetGPT可能将进一步深度融入6GNETGPTAI是为基础网络设施服务的NetGPTNetGPT本身的可靠性面临安全问题。大模型很容易出现被攻击的情况，可能稍微改一改输入就使得大模型不能正常工作。例如使用简单的越狱攻击（JailbreakingAttack）即可让大模型解锁伦理限制，进而产生大量误导性内容，给用户和服务商造成危害。另外，大模型特别容易被攻击者植入一些后门（backdoor），从而让NetGPT专门在某些特定场景下将潜在的网络漏洞传输给攻击者，这是非常重要的安全性问题，特别是NetGPT面对是的通信基础设施，一旦出现问题影响的是人们的基础生活，甚至造成严重的社会问题。除此之外，此前的研究表明模型越变越大之后，会变得越来越有偏见，越来越不值得被信任，这些问题都需要我们对大模型进行有针对性的约束。NetGPT的可解释性对网络安全同样至关重要。可解释性代表着模型在面对同一问题时能够提供一贯且稳定的答案。这一特性对我们更深入地理解模型行为、快速识别异常或潜在威胁、并采取必要的预防措施至关重要。然而，缺乏可解释性可能会导致难以辨别异常行为、误判漏报、难以进行审计和验证。例如，异常流量模式或攻击尝试等情况。若模型不具备可解释性，可能会错失对某些潜在攻击的发现，或将合法活动误报为异常。另外，基础模型的可解释性对下NetGPT等模型时，确保模型具备良好的可解释性至关重要。这不仅有助于提高模型的可信度，还能帮助分析人员深入了解模型行为，并及NetGPT的隐私问题包含训练数据泄露和用户输入数据泄露两个方面。一方面，NetGPT会使用大量的网络数据和网络基础服务设施数据等，这些数据中可能包含潜在的隐私或者网络漏洞，攻击者通过链式提问（Chain-of-Thoughtprompting）即可能获取训练数据中的敏感信息，这可能给网络以及数据提供方带来难以估量的威胁。另一方面，用户在使用NetGPT的过程中，会暴露自身的隐私和敏感数据。因为用户必须上传自己的数据或者提示词(Prompt)给大（Inference）务商和网络攻击者的多种威胁。例如OpenAIChatGPT息、对话相关的所有内容、互动中网页内的各种隐私信息（Cookies、日志、设备信息等），这些信息可能会被共享给供应商、服务提供商以及附属公司。目前全球范围内发生了多起因使用ChatGPT20233此后AppleChatGPT。美国政府与OpanAI签订条款禁止其在服务期间收集政府数据，此外多国监管机构亦先后宣布将关注大模型带来的数据安全风险。即便服务商不会收集用户数据，恶意攻击者也会通过诸如数据偷取攻击（Prompt-stealingattack）等手段非法窃取用户数据。当前大模型还缺少执行标准以及安全约束，当我们谈到NetGPT时，尤其是面对未来NETGPT大模型的训练需要使用到大量的数据，并且是高质量的数据。ChatGPT和Llama的训练语料都达到了T级别。相比于自然语言，网络大模型需要的网络数据难获取的多，除了因特性网上的基础语料外，很多数据需要从网络系统中获取，其面临的挑战也就大得多。为此，我们需要从网络设计上原生的为网络大模型提供数据支持NetGPT的是RAN侧的调度数据或者资源管理数据，有的是更高层的统计数据。这些数据的特征维度差异非常大，甚至有的是结构化数据，有的是非结构化数据。有的数据自于不同的源，但是表征相似的内容，比如对于某个用户的业务量，可以来自于端侧的业务统计，网络在调度时授权的空口流量，或者是管理面上利用话统得到的统计流量等，因此网络需要保证所有数据的一致性和正确性。大规模数据的分布式部署和实时供给。网络中的核心网设备、基站以及终端设备上都会存储各自的数据，网络需要为这些碎片化的数据建立一套统一的管理体系，在进行NetGPT训练和推理是能够快速便捷的获取到相应的数据。特别是在一些对实时性能要求高的场景下，如MAC的资源调度，空口的波束赋形等，对于模型的更新效率和推理时延都有着QoS要求，数据供给作为关键一环将直接影响到最后的性能表现。另外，NetGPT是会出现大量并发运行的，这网络知识图谱的构建。为了提供更加可靠的服务，一种有效的方案是让NetGPT与知NETGPT由于网络领域对确定性，可靠性，正确性高度要求，如何对NetGPT进行全面、客观的评判成为了一个亟待解决的问题，对NetGPT的发展至关重要。一方面通过对NetGPT性能的评测，可以为NetGPT优化和改进提供有力依据，提高其应用效果和商业价值。另一方面NetGPT评测可以作为基准，了解不同厂商提供的NetGPT的性能和适用性，促进网络与大模型技术的发展和应用。此外，NetGPT评测还可以促进不同领域研究者的技术交流和合作，共同推动网络人工智能技术的发展。为了保证评测技术方案的整体实用性、均衡性和系统性，可以包含指标，方法，手段几个方面的评判维度：网络场景领域特征评判。现有评判方法如准确率Accuracy（反映模型正确预测样本的比例），F1Score（综合考察精确率（Precision）和召回率（Recall），兼顾模型在正类样本上的预测准确性和覆盖率，EM（ExactMatch，模型生成的答案与参考答案是否完全相同），BLEU（BilingualEvaluationUnderstudy，用于衡量语言模型生成文本与参考文本之间的相似度的预测准确性和覆盖率）等是评估大模型性能的重要指标。NetGPT除了以上问题，需要针对网络领域特征制定一套更为全面的评测体系，更具有针对性较强的评估指标，如功能正确性、任务成功率、问题的推理链长度和多轮推理等。这些特定指标结合起来有助于对模型在特定网络NetGPT的能力。而对于网络专业领域任务，需要关注模型对领域特定术语、概念和NetGPT场景泛化性评判：虽然某些语言大模型在很多任务上已经达到或超过了人类的水平，但是通信区别与语言领域有所区别，相对比较封闭，能公开获取的标注数据更少，如在NetGPT安全性评判：网络攻击者可能会利用特定数据来攻击NetGPT，或者破坏模型的性能。对抗性攻击是一种常见的攻击类型，通过向网络模型输入有意制造的数据或恶意样本来欺骗模型或破坏模型的性能。面对以上问题，需要考虑如何防范各种攻击模型，并设计相应任务来评估NetGPT为了评判方法的合理性，需要设计覆盖全周期、全要素的工程化，包括训练推理，要素权重、综合目标等评判方法。在具体的评价方法上，NetGPT可以采用以下两种方式：客观评测：是大模型评测中常用的方法之一，适用于对NetGPT性能进行定量评估，具有客观性、可重复性和高效性等优点。可以直接通过程序实现自动化评测，从而提高评测的效主观评价：相比之下，更依赖于网络领域的专家的经验和判断，对NetGPT的表现进行主观评估和比较。通常包括内容有效性、逻辑性和规范性等，以确定NetGPT优缺点和改进方向，可以提供更加全面和深入的评估结果，弥补客观评测的局限性，但需要大量的时间和人工资源。此外，还需要提出适用不同阶段、精准和效率兼顾的评判手段，如高精度网络仿真平台、数字孪生网络、网管统计等。NETGPTNetGPT的训练所需数据规模更大、模型复杂度更高、算力开销更多，这对各场景下NetGPT的生命周期管控与编排提出了更高要求。首先，NetGPT的全生命周期管理将面临模型的拆分与聚合、模型的更新与维护，以及NetGPT大模型的分布式管理。一方面，大模型训练所需数据呈现高维度，大规模，多数据源的特点；另一方面，大模型的训练对算力的需求巨大。因此，在部分场景下需要将NetGPT进行拆分以进行分布式的部署与训练。根据大模型的功能、神经网络结构、数据分布与特征，需要对NetGPT拆分为多个子模型或将子模型进行聚合的过程进行统一的管理。在这个过程中，可能涉NetGPT知识产权保护。网络中部署的大模型可能来自于不同的厂商，部分NetGPT