【技术干货】华为云受邀出席ArchSummit2024 分享AI原生应用引擎的架构与实践

近日， InfoQ在深圳举办行业技术盛会——ArchSummit全球架构师峰会2024，华为云aPaaS平台首席架构师马会彬受邀出席，和技术爱好者分享AI原生应用引擎的架构与实践。

AI大模型与AI重塑软件的大趋势下，软件会发生哪些本质的变化？如果“所有软件都值得用AI重做一遍”，那么该如何重做？马会彬从AI重塑软件的本质变化、AI原生的概念与内涵解剖，分享华为云AI原生应用引擎的架构设计和实践思考。

华为云aPaaS平台首席架构师马会彬在ArchSummit现场分享

AI重塑软件产业：变化与趋势

大模型正在推动历史性的技术革命，企业想要成为AI科技浪潮的赢家，需要回答是否要训练自己的行业大模型、如何寻找或打造自己的ChatGPT时刻、如何从既有的企业IT架构和组织能力上支撑落地这三个问题。

大模型的四大技术驱动力，使得AI重塑软件成为可见的未来

驱动力1：万物皆可Embedding，泛化万物的通用机器智能表示

Embedding解决了文字、图片、声音、视频转化为一个可计算的token的问题，使得纯文本NLP快速演进到多模态大模型，对整个大模型和AI技术浪潮产生根本性的影响。

驱动力2：Transformer架构催生Scaling Law，统一了模型架构

过去经典模型没有通用性能力，解决的都是个性化问题，Transformer架构目前被证明是最有效的大模型架构，模型参数规模、数据规模、训练计算量的规模都会显著提升大模型的治理智力能力，它的演进是有确定性方向的。

驱动力3：从智能摩尔定律到场景摩尔定律，大模型成为通用生产力引擎

算力本身的演进，包括模型治理智力能力和模型场景泛化能力的演进，都符合摩尔定律，甚至在一定程度上，演进的速度可能超过了摩尔定律，；就模型而言，解决的问题和适用的场景，随着时间就会自然获得，不需要在编程或者算法设计上做太多的处理。

驱动力4：LLM OS抽象了通用AI计算架构，使AI原生应用成为可能

LLM OS是以大模型为核心处理单元所构造的一种理论计算架构，业界基于此做了通用实现，证明了它有解决通用问题的能力。

AI重塑软件、赋能行业智能化

业务视角的变化

大模型带来3大颠覆性技术创新，即创造能力、推理能力、自然交互能力，对整个软件行业产生重大影响，生产效率提升10倍，主要体现在两大维度：（1）AI赋能人，在一定程度上模拟人、超越人，比如具身智能和AI Agent分别在物理世界、数字世界辅助人、替代人；（2）AI重塑存量软件及工具，显著提升人的效率及体验。

技术视角的变化

软件架构之变：以前的传统程序或软件1.0是构成式架构，是精心设计的、确定性的，而AI原生软件或软件2.0现在是以大模型为主底座的生成式架构。

软件工程之变：以前传统程序的软件工程是以人为本的协同式开发，强调开发流程、工具、人之间的协同配合，现在而以大模型为底座驱动力的软件开发过程，纯粹是以数据为本的生成式开发，对协同的要求没有那么高。

软件体验之变：以前传统软件是通过键盘鼠标或触摸式交互，到大模型时代，到了AI原生时代则变成了AI时代的时空自然交互，不止是简单对话，AI能理解人所处的时间和空间，这是一个非常大的改变。

软件商业之变：以前传统上是软件即服务，是把软件功能以服务的形式去交付，现在是服务即软件，不仅提供功能，而且直接提供操作软件完成业务的“服务”。

基于这4个变化，大概会出现有3种形态：第一种，凡是这4个变化都采纳或遵从了的，就是新式的AI原生应用（AI native）；第二种，程序或应用保持不变，但改变了软件跟用户交互的方式；第三种，程序或应用保持不变，但改变了软件开发的工程体系和工具体系，后两类可以认为是AI重塑的传统软件（AI enabled）。

AI原生架构及AI原生应用新范式

大模型催生新的AI原生应用新范式

• 新架构：从构成式架构到生成式架构的变化；

• 新体验：从键鼠与触摸到自然交互的变化；

• 新工程：从以人为本的协作开发到以数据为本的生成式开发的变化；

• 新商业：从软件即服务到服务即软件的变化。

基于这4点，AI原生应用新范式包括两层意思：第一是AI First新思想，想做以大模型为基座的软件或应用，首要是转变思维模式；第二是AI Native新实践，是架构和工程方法的问题。只有将这两者综合在一起，才能真正实现以大模型为驱动力的新应用和新软件产业的落地。

AI原生架构之变：从经典编程架构，进入生成式架构模式

传统软件强调算法、逻辑、数据，有确定的输入和确定的输出，大量的工作需要提前设计和开发，生成式的软件架构跟之前有很大根本的区别。模型是单独开发的，软件功能或场景的开发，即提示词输入，不是在大模型开发过程中确定的，而是在任务的场景上下文里确定的。整个工作方式完全发生变化，意味着整个软件开发过程中的角色、方式发生了变化。因为开发阶段只是确定了模型或软件框架，在业务的过程中有实时的软件功能或者结果的形成生成。

AI原生工程之变：从以人为本的协同开发，到以数据为本的生成式开发

以人为本的协同开发，无论是瀑布模式还是敏捷模式，都可以归纳为是以人为本的，特别强调项目管理和软件工程，迁移到大模型驱动的以数据为本的生成式开发，跟之前相比有产生了几个大根本性的变化。：

• 全流程数字化：意味着设计和需求都可以用文本、语音、视频方式记录，通过大模型去理解、生成，之前软件开发的需求在传递过程中总有丢失，现在可能不需要会了，软件研发全面进入数字化时代。

• AIGC：生成软件（software）的各种ware，代码、测试脚本、文档都是生成式的。

• 极致的持续交付：过程中对人的依赖性极大地降低了，交付周期极致缩短，真正实现持续交付。

• 人机交互智能：人机交互过程即开发过程。

• 以数据和模型为本：研发人员服务于大模型和大数据平台。

AI原生体验之变： 从点击、触摸交互模式到新的自然交互模式

一个应用或一个软件可以分为两层，底层是记录系统，没有变化，上层是交互系统，交互方式因大模型发生很大变化，体现在三个方面。：

• 自然空间交互：基于语音、姿态、眼神，甚至脑电波等更自然的交互形式，人的Prompt输入速度远远跟不上大模型token生成的速度，未来可能基于脑机接口来作为输入；。另外，不同于传统的桌面、App入口，转为场景式的智能时空入口，没有一个确定的入口方式，功能请求随时可以被触发。

• 系统嵌套触达：未来应用之间的边界会进一步消除，不再彼此孤立，而是可嵌套的系统级触达，所有的传统应用软件最终可能退化成背后的一个个业务工具。

• 全个性化体验：之前软件交付面临定制化问题，现在以大模型为驱动，一定是以用户、以任务为中心，本身就是个性化的，业务结果是实时生成的，在这种情况下，需要一种新的跨系统、跨平台的分布式自然人身份系统，不再可能用之前传统的账号模式。

AI原生商业之变： 从“软件即服务”到“服务即软件”的新商业模式

1. 当前产业界在软件、服务和雇员费用上的开支，软件占比还较低，以大模型为驱动的Agent在一定程度上能辅助人或者代替人，产业空间非常大。

2. 以大模型为驱动的Agent跟人的成本对比，目前统计是1:80，未来比例可能会进一步放大。

3. 人的知识、技能、经验如果被压缩进大模型，再以大模型为基础提供给业务场景，可以实现完美实现经验、技能的0成本复制。

AI原生应用的架构演进与成熟度等级演进

将AI自主能力等级和AI成熟度等级作为两个象限去看，大概会经历5个阶段：应用+AI特性（初级阶段）、应用+Copilot（任务阶段）、应用+Agent（助手阶段）、Agent+应用（代理阶段，Agent为主、应用为辅）、超级智能体ASI（共生阶段，人、AI驱动的机器人、agent协同工作），目前每个阶段都有在尝试，但应用的场景和范围都还有一定的限制和问题。

华为云AI原生应用引擎的架构实践

华为基于内部实践以及跟客户、生态伙伴的合作打磨了一款AI原生应用引擎产品，旨在帮助企业从应用视角选好、用好、管好大模型，赋能AI原生应用创新，主要包含Agent编排中心、知识中心、模型中心、AI可信治理和AI资产库5大模块，解决6个业务问题。

1. 如何选择合适的大模型，目前模型种类繁多，哪些场景、哪些任务适用哪种模型？如何去考虑BCM、考虑延续可演进性？

2. 如何提升大模型在业务场景中的能力和效果，？因为模型是通用的，场景又是个性化的，两者如何去匹配？

3. 如何给模型和AI应用提供高质量数据，？因为它不是一次性的，如何不断提升模型和应用的效果？

4. 如何建立AI安全机制，确保安全可信治理，？比如大模型驱动的具身智能在物理世界可能会有环境和人身安全方面的问题。

5. 如何降低运营成本，？技术投资必然要考虑成本和收益之间的均衡。

6. 如何快速创新，让更多的人参与到场景中快速创新？

AI原生应用落地企业生产场景要解决的关键挑战

• 安全性：数据安全、模型交互安全、应用安全；

• 专业性、协作性：如何让大模型能够理解并解决复杂的业务问题；

• 责任性：AI辅助人或者代替人，责任怎么界定，它是否能承担这个责任。

具体来说，主要有从5个方面来应对和解决：

1. 企业词表：每个企业都有自己的术语表，要加载企业专业用词术语，让大模型准确理解，消除歧义，提升准确率。

2. 领域知识库：所有大模型落地一定要外挂知识库，因为模型的训练是有周期的，不可能实时进行，但是外部的实时数据和实时的知识生成更新是很快的，所以需要让模型跟知识库结合，保证知识的动态更新，解决知识的及时性及有效性。

3. 场景范式：模型是通用的，业务场景是多变的，如何用通用的问题架构去解决个性化或多变的场景问题？为此，华为云参照人解决问题的思考方式，构建了7大Agent场景范式（会话交互、内容理解、感知接收、中枢决策、知识查询、设计生成、数据分析），从而简化Agent开发。

4. 模型网关：基于大模型的应用开发一定需要模型网关，有以下方面的原因：（1）市面上的模型很多，对企业来说，包括自建的模型、外购的第三方模型，什么业务应该路由给哪一个模型，需要考虑业务路由问题。（2）各模型在提示词输入输出的格式上有一些差异，需要一个统一的接口进行切换。（3）大模型是个IT系统，也会出现故障甚至宕机，基于网关制定Failover机制，可以提升大模型的应用可用性。（4）模型生成的结果，真实效果或准确性如何，要有个控制点来集中点去控制，建立可观测性，就是来持续度量解决这些推理性能、成本、度量、及跟踪反馈的问题。

除了4个功能性的需求之外，还需要从企业CIO视角去做模型治理，因为模型是一个关键的IT基础设施，如何引入、升级版本、退出，都要有管理规范和流程。

5. 知识飞轮：如何持续提升模型能力，如何从企业现有应用和业务系统中提取高质量数据、把数据回流给记忆和模型，需要建立知识、模型、应用数据回流及的迭代机制，持续提升智能效果。

华为云AI原生应用引擎的案例实践

场景案例1：基于AI Agent的智能化招聘协作空间

HR Agent协助HR进行招聘，在一定程度上是自然人与Agent协同的一种新的工作空间模式。岗位描述、投放渠道推荐、岗位发布、候选人搜索和推荐、候选人沟通、预约面试与答疑、组织面试、记录生成、结果匹配和评估、录用通知等过程，都以Agent为主完成或独立完成，涉及到多轮面试、结果确认、录用决策、入职培训等业务决策则需要人工参与。

场景案例2：基于AI Agent的智能化、自动化客服

把大模型应用到客服场景，目前基本上是两种方式：第一种是在一些具体的环节，通过模型来解决业务问题，辅助生成结果，第二种是模型、Agent、人同步协同工作，当前客服、保险代理、保险理赔等环节都在用这种方式。现在RAG的默认准确度，大概在50%，如果要提升到很高的等级，做到生产力可以投产，至少要达到80%~90%以上，除了Prompt和垂域知识之外，还需要通过数据飞轮，业务产生高质量数据来对模型微调，提升高质量数据产生的过程，再通过建立数据回流机制，进一步提升效果。

华为内部实践：从RPA到AI Agent，在业务流程全面应用数智员工

华为All Intelligence实践从2019年就开始了，内部的零售、公共沟通、合同、工程、客服，员工各领域，有很多不同的岗位和角色，在这些流程中全面应用AI和大模型技术来赋能提升效率和改善企业体验，华为内部称之为知识和经验的一次革命，！之前所有的知识和经验都是通过流程规范和业务文档去传承，现在可以压缩到模型里面，以模型驱动的AI应用的方式，直接进入到业务流程里面去实现交付。