面向CPS-IoT的基础模型：机遇与挑战

机器学习（ML）的方法已深刻改变了针对Cyber-Physical Systems（CPS）和Internet of Things（IoT）中感知-认知-通信-行动循环的实现方式，取代了基于机械模型和基本统计模型的做法。然而，第一代ML方法依赖于带有注释数据的监督学习，以创建特定于任务的模型，在面向实际世界CPS-IoT系统所特有的多样化传感器模态、部署配置、应用任务和运行动态时，面临显著的扩展限制。任务无关的基础模型（FMs），包括多模态大型语言模型（LLM），在自然语言、计算机视觉和人类语音等类似领域中克服类似挑战的成功，为在CPS-IoT分析管道中将FMs和LLMs作为灵活构建块的热情激发不断增长，并探索不断增长。尽管如此，当前FMs和LLMs在CPS-IoT领域的能力与其必须满足的要求之间仍存在显著差距。为了弥合这一差距，本文通过对现状的详尽检视以及我们的研究（后者在多个维度上超出现状）进行分析和表征。基于我们的分析和研究结果，我们确定了必须满足的关键需求，以便在CPS-IoT领域建立特定于FMs和LLMs。我们还提出了由CPS-IoT研究人员合作开发关键社区资源的行动计划，以便将FMs和LLMs确立为下一代CPS-IoT系统的基础工具。