清华大学：网络大模型NetGPT研究进展（2025）

根据文档内容，《网络大模型NetGPT研究进展（2025）》围绕NetGPT的设计、部署、挑战及未来方向展开，主要内容总结如下：

---

一、 NetGPT核心架构与设计

定位

NetGPT是面向未来6G网络的AI原生架构，作为“所有LLM的基础模型”，通过云端、边缘和终端协作实现生成式服务。

功能特性

支持多代理系统（Multiagent System），具备规划、推理、决策、通信等能力。

结合Transformer架构与大模型技术，支持端到端的云-网-代理/用户协同。

分层模型

L0 全网通用大模型L1（领域级大模型，如无线接入网、核心网） L2（场景专用模型）三级架构，适配不同网络层级需求。

---

二、 部署与优化技术

• 云边端协同模式
• 性能指标

  • 不同分割方案下的存储需求（486.8 MB至12.6 GB）、推理延迟（0.15-1.55 ms）等对比。

---

三、关键挑战（6GANA提出的十大问题）

1. 场景需求与边界

   明确NetGPT在无线网络中的适用场景（如能否支持物理层或仅高层）。

2. 理论差异

   通信数据（高维张量）与自然语言（Token）差异导致模型架构创新需求。

3. 极致性能

   满足6G网络的0.1ms级实时推理与超高可靠性，需优化算法及抗幻觉机制。

4. 协同机制

   通用模型（L0/L1）与场景模型（L2）的协同训练与推理规则标准化。

5. 分布式部署

   动态环境下的模型拆分、增量训练一致性及通信效率优化。

6. 网络架构设计

   网元智能化、接口协议变革（如Token通信）及终身学习能力支持。

7. 安全隐私

   防御后门攻击、偏见排除及数据隐私法规适配。

8. 数据治理

   统一多源异构数据的治理框架，结合知识图谱提升模型可靠性。

9. 评测指标与服务协议

   制定性能评估标准（如PPL、推理延迟）及SLA保障机制。

10. 全生命周期管理

    模型的部署、更新、淘汰及跨域编排策略。

---

4. 未来展望

• AI与6G融合

  • 嵌入生成式服务的“AI原生网络”架构（GPT4Net & Net4GPT）。

  • 支持多模态任务（通信、感知、定位一体化）。

• 潜在风险

  警惕“黑天鹅”事件（如模型失控或安全漏洞），需完善治理框架。

• 研究方向

  • 高性能异构硬件适配

  • 基于意图的网络协议（Intent-Driven Networking）

  • 联邦学习与模型并行技术优化

---

参考文献与作者

• 主要研究者包括张宏纲、Yuxuan Chen等，相关论文发表于《IEEE Network》（2024）及《FITEE》（2025）。

• 6GANA发布的《Ten Issues of NetGPT》白皮书系统阐述了十大问题。

• • 模型分割（Splitting）

    根据网络动态性自适应划分模型层，利用强化学习（如PPO算法）优化分割点。

  • 参数高效调优

    采用低秩适应（LoRA）等技术减少训练资源需求（如LLaMA-7B的显存需求从112GB降至28GB）。

  • 分布式推理

    在无线信道波动下，通过模型分割与部分层激活，降低边缘设备计算负载。

往期精彩

Hive跨表JOIN性能优化：基于抽样统计的实战解决方案

面向CIO的AI落地指南—DeepSeek 启示录

基于大模型DeepSeek的企业典型AI应用

3分钟学会Hive中TABLESAMPLE函数用法，轻松搞定数仓中抽样的用法。

数据治理的「乐高式搭建哲学」：从元模型到元数据的五层构建法则

憨憨雷军 VS 小米数据团队面试官：全量表变增量表，表名还需要区分吗？