大模型 / 智能体在智能运维领域的应用总结与发展趋势概述

智能体 + 智能运维 = ？

回顾大模型的发展

大模型的发展在过去两年间呈现出爆炸式的增长，成为推动人工智能领域快速进步的关键力量。

2023年3月：百度发布了其知识增强的大语言模型产品“文心一言”，这标志着国内AI大模型产业竞争的开始，即所谓的“百模大战”。
2023年7月初：中国电信在世界人工智能大会上展示了百亿参数的星辰语义模型，并宣布了商业化落地过程中遇到的问题及解决方案。
2023年7月8日：中国移动在世界人工智能大会期间正式发布了面向政务领域的九天·海算政务大模型和面向客服领域的九天·客服大模型。
2023年11月11日：中国电信进一步披露了其大模型布局，包括开源开放的时间表以及首批试商用的12个行业大模型。
2024年2月：百度推出了多模态大模型“ERNIE-ViL”，它结合了图像识别和自然语言处理的能力，可以同时理解和分析文本与图片内容，在视觉问答、图像字幕生成等任务上表现出色。
2024年7月：字节跳动发布了针对教育市场的智能辅导助手，结合了自然语言处理和深度学习技术，帮助学生更好地理解和掌握知识点。
2024年8月：百度升级了其智能云平台，增强了对大规模预训练模型的支持力度。新的云计算架构优化了模型训练速度和推理效率，为用户提供了一个更为稳定高效的开发环境。
2024年9月19日：全球首个多模态地理科学大模型“坤元”在北京发布，这是我国科研团队在全球范围内的一项重要创新成果。
2024年11月：百度发布了最新的语音合成系统“Deep Voice 4”，该系统基于深度学习技术，可以在保持高质量语音输出的同时大幅降低计算成本，适用于各类语音交互场景。
……
……
2025年1月21日：腾讯开源了混元3D生成大模型2.0，专注于游戏、具身智能等领域的应用，显示了国内企业在特定垂直领域的探索和技术进步。

从大模型到智能体

不知道从哪一天起，大家聊天的时候不再讨论哪家发布新的大模型，而是哪家公司发布具有新功能的应用。比如：

2024年9月12日：百度在其年度大会上揭示了最新的智能体生态方案，推出了开放的文心智能体平台，开发者可以通过简单的文本指令“一句话”创建智能体，降低了开发门槛，吸引了超过10万家企业和60万名开发者参与。
2024年7月：阿里云进一步扩展了通义系列，发布了支持多模态数据处理的智能体“通义万相”，增强了对图像、视频等内容的理解和生成能力。
2024年5月15日字节跳动发布的火山引擎原动力大会上正式推出了豆包大模型，并且在之后几个月内不断扩展其能力和应用场景。
2024年4月：华为发布了针对金融行业的定制化智能体，优化了风险评估、智能投顾等功能，满足金融机构对于精准决策的需求。
联想：2024年11月30日，联想发布了国内首款IT服务智能体“联想百应”，该智能体集成了三大AI应用及五大核心技术能力，为中小企业提供了安全可靠的AI解决方案。
……

智能体 + 智能运维 = ？

前面介绍那么多大模型与智能体的发展，仿佛一切都充满希望，甚至给人一种 “智能体无所不能” 的 错觉。

这里首先需要回答 第一个问题：什么是智能运维？

这里我们先摘一段大模型的回答结果：

智能运维（AIOps, Artificial Intelligence for IT Operations）是利用人工智能技术（如机器学习、数据挖掘和自然语言处理）来优化、自动化和智能化 IT 运维管理的技术和方法。它旨在通过数据驱动的方式帮助企业提升运维效率、降低成本、减少人为干预，并快速响应和解决系统故障。

换而言之：智能是手段，是期望；运维是目的，是根本。

那么，基于大模型，或者精心调教后的智能体，是否可靠？ 这个问题非常非常关键。

假设，你是一名运维工程师，你需要担心某台机器响应延迟突增，需要考虑某个实例突然挂掉，需要考虑 QPS 突增是否可能存在风险，需要考虑数据库写入速率突增是否存在问题 …… 你是否愿意相信智能体，让它帮你过滤掉误报，保留甚至强调真实报警？

你可能会回答：我使用智能体仅仅用来做一些分析，它给出的结果也仅仅是给我提供参考，我不会完全相信它，所以不会给自己带来损失。

但是，这才是问题的关键。

在大模型/智能体应用在智能运维场景下之前，需要招聘一堆开发者进行研发，并且收集数据，更新知识库，不断迭代更新产品。然后在有一定把握的情况下，才能尝试让运维工程师使用。

经过这么多困难，我们才刚刚开始！

需要考虑的事情还包括：

复杂的业务场景。运维领域的业务场景极其复杂，根本就不是一句话，一百句话，一万句话能讲清楚的事情，甚至业务场景还是一个动态变化的过程。即便是超长时间的运维人员，也没有办法保证自己能解决各种复杂业务场景下的运维问题，更何况目前还不够成熟的大模型/智能体？
复杂的真实数据。如果稍微参与过智能运维的真实场景研发，就一定会发现真实数据其实非常非常 “恶心”，换而言之，毫无美感。真实数据最最最大的价值，仅仅在于真实，而不是它具有研发价值。算法能够 cover 的数据场景目前也仅仅是一小块内容。给出一段历史数据，我们训练得到一个模型，在已有数据上表现非常好，但是真实世界很魔幻，数据分布经常发生变化。真实的数据场景是不具备稳定性的。稳定性很可能是短暂的，当且仅当业务稳定，整个世界都平静无波澜才行。但真实世界往往与童话差别很大。
复杂的需求场景。同一份数据，在不同的场景下可能被判定存在风险，也可能被判定非常平稳 —— 这是由需求场景决定的。哪怕是同一个需求场景，因为领导、同事的偏好不同，也可能导致大家的理解不同。这个问题在标准化之前，是无解的。