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，推动了通用人工智能（AGI）的边界。然而，其大规模特性、隐私敏感性以及巨大的计算需求，构成了针对终端用户进行个性化定制的重大挑战。为弥合这一鸿沟，我们提出了人工智能个性化 intelligence（API）的愿景，聚焦于在确保隐私的前提下将 FMs 适配给个人用户。作为 API 的核心使能手段，我们提出了个性化联邦智能（PFI），一种新范式，不仅集成了联邦学习（FL）的隐私优势，同时融合了 FMs 的泛化能力，更将个性化置于核心。为此，我们首先调查了最近在 FL 和 FMs 方面的最新进展，为 PFI 奠定基础。随后，我们探讨了 PFI 管道的核心阶段：边缘端的高效个性化、可信适配，以及基于检索增强生成的自适应细化。最后，我们指出了推动 PFI 发展的未来方向。总体而言，本调查旨在为 API 的发展奠定基础，将其视为AGI 的补充方向，PFI 则是关键的使能范式。