2023年，Open AI公司发布基于“多模态+大模型”技术的ChatGPT产品GPT-4，引领AI发展进入全新阶段。GPT-4突破了AI在传统语音识别、视觉模拟等单一技术领域的限制，通过上亿级参数的大规模训练，形成了支持多种AI功能混用的能力，且能够以问答形式完成任务、提供答案，其工作效能和准确性基本达到人类在特定领域的通用智能水平，甚至在个别场景还有所超越。自此，全世界都看到了大模型技术发展带来的价值突破与应用前景，并先后开始启动基于大模型技术的人工智能研究和商业化应用。从银行视角来看，如将自身积累的海量业务数据用于AI模型训练，银行将可以大幅增强业务创新能力，打造更加精准、有特色的金融服务，并显著降低总体运营成本(TCO)。聚焦运维领域，本文在简要分析大模型技术的基础上，以IT运维转型为典型场景，尝试展望了AI技术在智能运维领域的应用趋势及价值。

一、AI发展历程概述

人工智能作为计算机科学的一个分支，目的是通过研究人类智能活动存在的基本规律，人为创造出可以模拟人类智能的应用系统，同时研究模拟人类智能行为所需的理论、方法和技术手段。在诞生之初，人工智能的研究方向总体上可分为两类，即符号化智能和亚符号智能。其中，符号化智能的发展以自然语言理解分析为基础，期待计算机能够像人一样思考，其典型技术代表是专家系统;亚符号智能发展则是以学习理解为目标，希望计算机通过与外界交互形成智能算法，其典型技术代表是深度学习。

2012年，谷歌公司基于深度神经网络(DNN)计算模型Transformer推出“谷歌翻译”功能，该产品采用深度学习替代专家规则，将语言翻译准确率提高至可接受和可理解的程度，并推动深度学习成为AI发展的主流趋势。在此基础上，通用预先训练(GeneralPre-Training，GPT)同样是基于深度神经网络进行学习的AI技术。Open AI公司基于GPT开发了一系列AI模型，并历经五年时间的算法调优和持续学习，成功发布了ChatGPT产品，其中，GPT-4模型更是在一定程度上具备对现实世界内容进行语义理解和属性分析的能力，并能够回以相应反馈，辅助完成某些特定工作。

从应用角度来看，ChatGPT是文字语言模态的具体应用，其通过大数据学习建立了覆盖多种不同场景的成熟应用，包括知识分析判断(知识问答)、文本生成处理(写论文)、多种程序编写(代码生成)等，在场景应用和商业化方面均突破了传统AI的技术局限。与此同时，GPT-4的成功也带动了多模态、多场景大模型技术的落地推广，加速推动AIGC应用创新，如通过对大规模分布式的多智能体算法进行研究，探索具备更强拓展性、安全性、稳定性、迁移性的多智能AI产品，赋能全行业快速发展。

二、IT运维中的AI应用

在运维领域，业界通常会采用自动化操作的相关技术栈(DevOps、CI/CD等)来提升工作质量和效率，以及解决分布式架构下规模增长带来的生产安全、运维瓶颈等问题，并开始逐步探索AI技术的应用场景。当前，IT运维工作已基本实现对简单、重复操作流程的自动化替代，搭建无人介入的标准化、自动化运维平台，并由此打造了规范化、自动化的技术工作流程，形成了类似制造业中的无人工厂、黑灯工厂(机器人全面替代人工流水线)模式。上述转变的本质是以自动化运维体系替代基础性运维工作，从而减少重复性体力劳动、提升标准化操作水平，进一步提高运维质量和效率。在此模式下，基于自动化流水线的新运维体系可有效保证运维工作的产出一致性和输出确定性，并为在分布式架构下开展大规模运维提供必要支撑。

2023年以来，以GPT为代表的大模型技术愈发成熟，AI技术已能够在多环节构成的复杂工作场景中执行自动化操作，并加速推动IT运维步入智能运维(AIOps)新阶段。顺应这一趋势，众多银行纷纷加大对大模型技术的研发投入力度，通过强化技术储备和人才储备，不断落地智能化场景。在运维领域，智能运维凭借智能化、自动化的处理能力，以及高效、灵活的应用特点，在事务处置的一致性、可重复性、可复制性等方面均具有明显优势，尤其针对故障定位、问题分析、应急处置等场景，可以快速响应和解决业务故障，有效提升业务连续性水平。

三、基于大模型技术的智能运维场景

随着GPT技术的逐步成熟，智能运维也有了新的发展方向，通过融合业务数据和运维数据搭建AIOps工具体系，将可快速打造以人工智能为辅助的新模式、新体验。例如，在自动化运维转向AIOps的过程中，不仅烦琐、重复的机械性工作将被AI处理流程替代，而且如变更、监控、应急等领域的复杂工作也可通过大模型训练实现自动化执行。

1.交互处理与内容生成

通过使用长期积累的运维数据进行机器学习和训练，AI运维平台或可达到对运维指令进行自然语言分析处理的程度，并提供基于自然语言的描述式操作界面，将技术操作转化为语言操作，甚至是进一步实现语音指令操作。

2.智能监控与动态监测

基于系统性能容量历史数据，AI运维平台将可基于多维数据指标进行多参数训练，进而形成综合性的监控阈值，突破传统使用单一指标进行动态监测的技术局限。在此模式下，AI运维平台可对系统运行状态进行动态监测及预测分析，灵活参照节假日、促销活动等场景自动设定监控阈值，并智能化分析可能由其他数据源引发的性能冲击。

3.智能应急与自动恢复

通过对告警日志进行分析判断，AI运维平台可快速调用、执行自动化命令，完成隔离、切换、重启等一系列处置手段，有效减少因信息沟通不充分导致的监控盲区，进而加快业务恢复速度，提升应急判断的精准性。更进一步，AI运维平台还可在确定指令下完成对复杂工作的自动化实施，并对实施过程中的异常问题进行及时处置，尽可能将风险降低到低。

数字化转型背景下，ChatGPT引发的大模型浪潮对运维领域形成了新的技术驱动，并为智能运维发展指明了落地方向。后续，随着智能运维能力的逐步成熟，AI技术将可为云化数据中心提供“由点到面”的全方位运维支撑，显著提升生产运行的安全水平、运维能力，确保运行质量可控、风险可控；此外，通过使用卷积神经网络(CNN)训练和强化机器学习技术，将可推动智能运维实现跨越式发展，打造更高阶的AIOps技术体系，更好助力业务高质量转型发展。