面向个性化联邦智能的基础模型调查

大型语言模型（LLM）如 ChatGPT、Gemini 和 Grok 的兴起已重塑了人工智能格局。作为基础模型（FMs）的典型代表，它们在生成类人内容方面展现出惊人的能力，推动了人工通用智能（AGI）的边界。然而，它们的大规模特性、隐私敏感性以及巨大的计算需求，构成了面向最终用户进行个性化定制的重大挑战。为弥合这一鸿沟，我们提出了人工个性化智能（API）的愿景，旨在确保在适应个体用户的同时保护隐私。作为 API 的核心使能手段，我们提出了个性化联邦智能（PFI），这是一种新的范式，不仅集成了联邦学习（FL）的隐私优势，还将个性化置于核心。为此，我们首先调查了为 PFI 奠定基础的最新 FL 和 FMs 进展。随后，我们探讨了 PFI 管道的核心阶段：边缘端的高效个性化、可信适应以及通过检索增强生成进行自适应细化。最后，我们指出了推动 PFI 未来发展的方向。总体而言，本次调查旨在为 API 的开发奠定基础，作为 AGI 的补充方向，PFI 作为关键的使能范式。