第 28 章 未来趋势

学习目标

• 理解「更大 vs 更小」的路线之争与各自的工程含义；
• 理解 MoE、多模态、Agent、世界模型的演进方向；
• 理解端侧 AI、联邦学习、隐私计算的趋势；
• 理解绿色 AI 与可持续计算；
• 展望自动化 MLOps/LLMOps。

---

28.1 更大 vs 更小：路线的分岔

第 4 章的规模账推到这里，两条路线已经清晰：

%%{init: {"themeVariables": {"primaryTextColor": "#000000", "textColor": "#000000", "labelColor": "#000000", "nodeTextColor": "#000000", "labelTextColor": "#000000", "scaleLabelColor": "#000000"}}}%%
flowchart LR
    A[规模路线] --> B[更大
旗舰/万卡/通用天花板]
    A --> C[更小
端侧/专用/效率]
    B --> D[强能力
高成本]
    C --> E[低延迟低成本
专用场景]
    D -.蒸馏/合成数据.-> C

• 更大路线：MoE 化（第 4 章）让「总参数万亿、激活百亿」成为主流——规模与效率兼得；旗舰模型继续统治复杂推理与 Agent 底座；
• 更小路线：蒸馏 + 量化 + 端侧（第 13、18 章）让「够用的小模型」统治高频低延迟场景；
• 结论不是二选一：大模型负责「能力的上限」，小模型负责「成本的底线」，中间靠蒸馏与路由连接（第 26 章「路由 + 压缩」的规模化）——这是全书的选型哲学在趋势层面的收束。

28.2 MoE、多模态、Agent、世界模型

四大方向，每个都是本书某个主题的「进化」：

方向	现状（2026）	工程挑战	本书对应
MoE	旗舰标配（DeepSeek-V3 等）	存储 1.3TB、EP 通信	第 4、10、20 章
多模态	VLM 成默认（第 25 章）	视觉 token 爆炸	第 25 章
Agent	从玩具到生产	可靠性、成本、安全	第 17、26 章
世界模型	视频生成 + 规划	算力、评测	第 25 章

• MoE 的下一步：细粒度专家、共享专家、更高效的 all-to-all（第 4 章 DeepSeek-V3 的 1.8 倍激活效率）——推理侧 EP 的通信优化是下一个主战场；
• 多模态的下一步：统一「理解 + 生成」的双向模型（既能看也能画），音频视频进同一 token 空间——KV 与上下文管理（第 14 章）继续承压；
• Agent 的下一步：多 Agent 协作、长期记忆、自主规划——可靠性（循环控制、权限、评测）是量产的门槛（第 26 章），不是模型能力；
• 世界模型：用视频理解「物理世界」——训练数据（视频）与评测（物理一致性）是最大难点。

28.3 端侧 AI、联邦学习、隐私计算

端侧 AI 的成熟曲线（第 18 章）：

• 端侧从「语音唤醒」走向「端侧 LLM/VLM」：1B-7B 量化模型进手机、PC、车机；
• 端云协同成为默认架构：端侧即时响应 + 云端深度能力（第 20 章分层推理）；
• 联邦学习与隐私计算（第 7、23 章）：数据不出域训「公共模型」——LoRA 联邦是现实路径（通信量小，第 7 章）。

趋势判断：端侧 AI 的瓶颈不是模型（够小了），是应用生态与工具链（端侧推理框架、内存管理、OTA 模型更新）——这是工程机会。

28.4 绿色 AI、可持续计算

第 4 章的能耗账：训练一个旗舰模型 = 数千吨碳排放，推理的持续性消耗更大（第 11 章「推理是持续性大头」）。绿色 AI 的三个工程抓手：

1. 效率优先：MFU 优化（第 11 章）= 省电；量化（第 13 章）= 省显存省带宽；
2. 算力调度：用「低碳时段 + 绿色能源」跑训练（第 12 章调度的能源维度）；
3. 更少地算：蒸馏小模型替代大模型（第 13 章）、缓存命中减少重复计算（第 16 章）、模型路由不浪费算力（第 15 章）。

绿色 AI 的商业化动力：能耗 = 成本。可持续计算与降本在工程上是一件事——这不是道德选择，是经营选择。

28.5 自动化 MLOps/LLMOps

第 5 章定义过 MLOps/LLMOps，趋势是「自动化」：

阶段	现状	自动化方向
数据	人工清洗 + 规则	自动质量检测、自动合成、自动配比
训练	人工调参	AutoML、自动并行配置
评估	人工评测 + 裁判模型	自动在线评估、自动回归门禁
部署	人工发布	自动金丝雀、自动回滚
监控	人工设告警	自动漂移检测、自动触发 CT
治理	人工文档	自动模型卡、自动审计

%%{init: {"themeVariables": {"primaryTextColor": "#000000", "textColor": "#000000", "labelColor": "#000000", "nodeTextColor": "#000000", "labelTextColor": "#000000", "scaleLabelColor": "#000000"}}}%%
flowchart LR
    A[数据自动管线] --> B[自动 CT]
    B --> C[自动评估门禁]
    C --> D[自动发布+金丝雀]
    D --> E[自动监控+漂移检测]
    E -->|触发| A

自动化 ≠ 无人化：每个环节的自动化都建立在「第 5-23 章的方法论」之上（没有评估门禁就自动化发布是灾难）。LLMOps 的终极形态是「模型生命周期闭环自动旋转」——数据变 → 模型自动跟 → 发布自动走 → 质量自动验——这本书讲的每一步，都是这个闭环上可自动化的点。

28.6 收束：全生命周期工程的一贯之道

回顾全书，28 章讲的是同一件事的不同侧面：

模型的真正价值不在「训练出一个好模型」，而在「让模型在整个生命周期里持续、稳定、合规地创造价值」——从数据到预训练到对齐到评估，从分布式训练到压缩到推理到服务，从部署到监控到治理。

几个贯穿始终的判断（也是本书的「中心思想」）：

1. 概念不变，规模变了（第 1 章）：所有工程问题的本质，在 LLM 时代只是规模与约束不同；
2. 权衡思维：显存 vs 速度（第 8 章）、能力 vs 成本（第 4 章）、延迟 vs 吞吐（第 14 章）、可靠 vs 成本（第 20 章）——没有免费午餐，只有清醒的取舍；
3. 闭环思维：监控 → 数据 → 训练 → 发布 → 再监控（第 5、22 章）——模型是活的生命，不是一次性产物；
4. 治理是底线：安全、隐私、合规不是附加项，是流程的一等公民（第 23 章）。

---

本章要点回顾

1. 更大 vs 更小不是二选一：大模型管上限、小模型管成本、蒸馏与路由连接两端。
2. MoE、多模态、Agent、世界模型四大方向，工程挑战分别是 EP 通信、视觉 token、可靠性、评测。
3. 端侧 AI 的瓶颈在生态与工具链；端云协同是默认架构。
4. 绿色 AI 与降本是一件事：MFU、量化、缓存、路由都是可持续计算。
5. 自动化 LLMOps 让生命周期闭环自动旋转，但每个自动化点都建立在方法论之上。
6. 全书中心思想：概念不变规模变了、权衡思维、闭环思维、治理是底线。

习题

1. 三年后你的应用还会用「通用大模型」吗？画出「大-中-小」模型的分工图。
2. Agent 量产的最大障碍是模型能力还是工程可靠性？给出论据。
3. 设计一个「绿色 AI」改造方案：把现有推理服务降碳 30%，列出可落地的 5 个动作与预估收益。
4. 你的团队要上「自动 CT + 自动发布」，列出必须先具备的 5 个前置条件（防自动化灾难）。

延伸阅读

• DeepSeek-V3 / Llama 3 技术报告（MoE 与基础设施趋势）
• Anthropic / OpenAI / Google 的模型路线图文章
• 各厂商端侧 AI 白皮书（Apple Intelligence、端侧 VLM）
• 绿色 AI 报告（MLPerf 能效、各云厂商碳核算）
• LangChain / LangGraph 的 Agent 未来展望

全书结语

到这里，28 章全部讲完。这本书从「模型是什么」讲到「模型怎么造」，从「造出来之后怎么跑」讲到「跑起来之后怎么管」，最后落到「接下来往哪走」。附录 A-J 提供数学基础、工具链、术语表与四张检查清单，供实战查阅。

愿你的每个模型，都能走完它完整、健康、受治理的一生。