关于撰写 AI 供应链（AI-SC）综述的提议

[will-ww]

结合本周的 X-lab 2025 Roadmap 建议，提出撰写对应的 position paper 来推动后续的工作。

特别是在已有工作的基础之上，发展我们自己的特色工作，对推动后续的工作非常重要。

因此，我们首先需要设计一个整体框架综述，进而快速的推动这件事情。

我这边近期关注的几个视角包括：

1、开源 AI 治理相关

• Openness in Artificial Intelligence Models
• Towards a Framework for Openness in Foundation Models
• The Foundation Model Transparency Index
• Large Language Model Supply Chain A Research Agenda
• Lifting the Veil on the Large Language Model Supply Chain: Composition, Risks, and Mitigations

2、开源 AI 运营数据相关

• Analyzing the Evolution and Maintenance of ML Models on Hugging Face
• Exploration of Hugging Face Models by Heterogeneous Information Network and Linking Across Scholarly Repositories
• HFCommunity: A Tool to Analyze the Hugging Face Hub Community
• Lessons Learned from Mining the Hugging Face Repository
• On thes uitability of hugging face hub for empirical studies
• The AI community building the future? A quantitative analysis of development activity on Hugging Face Hub

[will-ww]

AI 供应链分层框架（第一种模式，四层）

1、核心资源层（供应链上游）

• 算力资源
  • 芯片（GPU/TPU）：英伟达、AMD、自研芯片（如Google TPU）
  • 服务器集群：超大规模计算中心（如CoreWeave）
  • 云计算：AWS/GCP/Azure的AI专用算力服务
  • 管理重点：成本控制、供应商锁定风险、算力弹性调度
• 数据资源
  • 训练数据集（如Common Crawl、专业领域数据）
  • 数据处理工具（数据清洗/标注/合成）
  • 数据合规基础设施（隐私计算、版权验证）
  • 管理重点：数据质量评估、版权争议规避、数据飞轮构建

2、技术支撑层（供应链中游）

• 算法模型
  • 基础大模型（GPT-4、Llama、Claude）
  • 领域微调模型（如医学、法律专用模型）
  • 模型开发框架（PyTorch、TensorFlow）
  • 管理重点：模型选型评估、开源闭源策略、版本迭代跟踪
• 开发工具链
  • 训练工具（分布式训练框架）
  • 部署工具（模型压缩/量化工具）
  • 监控工具（模型性能/伦理监测）
  • 管理重点：工具链兼容性、技术债务控制

3、应用服务层（供应链下游）

• 行业解决方案
  • 企业级应用（Salesforce Einstein、医疗AI诊断）
  • 开发者API服务（OpenAI API、Hugging Face）
  • 垂直领域SaaS（Jasper、Midjourney）
  • 管理重点：需求匹配度验证、服务SLA保障
• 终端产品
  • 智能硬件（AI音箱、自动驾驶）
  • 软件应用（Copilot、Notion AI）
  • 管理重点：用户体验优化、边缘计算部署

4、生态治理层（供应链环境）

• 开发者生态
  • 开源社区（Hugging Face、GitHub）
  • 人才培养体系（AI工程师、提示词工程师）
  • 管理重点：社区活跃度监测、技术传播路径
• 合规与伦理
  • 监管框架（欧盟AI法案、生成式AI备案）
  • 伦理审查机制（偏见检测、可解释性）
  • 管理重点：合规成本测算、风险预警系统

---

AI 供应链分层框架（第二种模式，六层）

AI 供应链的六个核心层级：每个层级对应供应链中的不同环节及参与者，并重点分析了各层之间的风险转移与利润争夺关系：

---

1、代工层（Foundry Layer）

• 核心参与者：台积电（TSMC）、英伟达（Nvidia）
• 核心矛盾：
  • TSMC：需平衡产能投资（CapEx）与未来需求波动风险（避免产能过剩）
  • Nvidia：要求TSMC最大化产能以满足其芯片供应需求
• 现状：TSMC在2nm制程规划中倾向于保守投资，产能低于AI芯片公司的需求预期

---

2、半导体层（Semiconductor Layer）

• 核心参与者：英伟达（Nvidia）、云计算巨头（AWS/Azure/GCP）
• 核心矛盾：
  • Nvidia：试图通过控制芯片供应（如优先供应Coreweave）和自建云服务（DGX Cloud）扩大利润
  • 云计算公司：研发自研芯片（如TPU、Trainium）以削弱Nvidia的议价权
• 关键冲突：利润率争夺（Nvidia的高利润 vs. 云厂商的成本压力）

---

3、工业供应层（Industrial Supply Layer）

• 核心参与者：工业供应商（柴油发电机/冷却系统厂商）、云计算巨头
• 核心矛盾：
  • 供应商：不愿扩产（担心未来产能过剩）
  • 云计算公司：通过长期采购协议（如提前锁定多年订单）倒逼供应商扩产
• 典型案例：云计算公司囤积钢铁、变压器等工业物资

---

4、云层（Cloud Layer）

• 核心参与者：AWS、Azure、Google Cloud
• 核心角色：
  • 风险吸收者：通过大规模采购GPU（如H100）和预建数据中心“空壳”承担需求风险
  • 资金枢纽：为上游（模型公司）和下游（客户）提供资金支持（如API补贴、GPU融资担保）
• 关键策略：将资本支出（CapEx）转化为运营支出（OpEx）

---

5、模型层（Model Layer）

• 核心参与者：OpenAI、Anthropic、Gemini（模型公司） vs. 云厂商
• 核心矛盾：
  • 模型公司：要求更多算力用于前沿模型训练
  • 云厂商：优先分配算力给企业客户（利润更高）
• 现状：模型公司依赖云厂商资金支持（如OpenAI与微软的股权绑定）

---

6、客户层（Customer Layer）

• 核心参与者：AI应用层初创公司、企业用户
• 核心特征：
  • 风险转移终点：客户可随时切换供应商或停止使用服务（需求风险最终由供应链承担）
  • 受益者：通过供应商竞争获得低价、高效的AI服务（如按需调用API）

---

AI 供应链分层框架（第三种模式，四层）

融合后的AI供应链完整框架

1、核心资源层
技术视角：算力、数据、能源等基础资源
商业视角：代工层、半导体层、工业供应层
核心内容：

• 物理资源
  • 芯片制造：台积电（TSMC）代工、英伟达GPU设计、自研芯片（Google TPU）
  • 算力基础设施：超大规模计算中心、云计算服务（AWS/GCP/Azure的AI专用算力）
  • 工业设备：数据中心冷却系统、柴油发电机、变压器（通过长期采购协议锁定产能）
• 数据资源
  • 训练数据集（Common Crawl、领域专用数据）
  • 数据处理与合规工具（隐私计算、版权验证）
    管理重点：
• 芯片产能与需求平衡（如TSMC的2nm制程规划）
• 算力弹性调度与成本控制（避免云厂商“双重支付”问题）
• 数据质量评估与合规风险规避

---

2、 技术支撑层
技术视角：算法模型、开发工具链、云服务
商业视角：模型层、云层
核心内容：

• 算法与模型开发
  • 基础大模型（GPT-4、Llama）、领域微调模型（医疗/法律专用模型）
  • 开源框架（PyTorch、TensorFlow）与闭源策略（OpenAI API）
• 云服务与工具链
  • 分布式训练框架、模型压缩工具（如量化技术）
  • 云厂商自研芯片（AWS Inferentia、Google TPU）与算力分配策略
    管理重点：
• 模型选型与版本迭代（跟踪Llama、Claude等更新）
• 工具链兼容性（如AWS自研芯片与开源框架的适配）
• 云厂商与模型公司的利益博弈（如OpenAI与微软的股权绑定）

---

3、应用服务层
技术视角：行业解决方案、终端产品
商业视角：客户层
核心内容：

• 企业级应用
  • 行业解决方案（医疗AI诊断、法律文书生成）
  • 开发者API服务（Hugging Face、OpenAI API）
• 终端产品
  • 智能硬件（自动驾驶、AI音箱）
  • 软件应用（Notion AI、Copilot）
    管理重点：
• 需求匹配度验证（如垂直领域SaaS工具Jasper）
• 用户体验优化与边缘计算部署（如自动驾驶的实时性要求）
• 客户需求波动传导至上游供应链（如API调用量变化影响云层CapEx）

---

4. 生态治理层
技术视角：合规、伦理、开发者生态
商业视角：合规博弈、利润分配、风险缓冲
核心内容：

• 合规与伦理治理
  • 监管框架（欧盟AI法案、生成式AI备案）
  • 伦理审查机制（偏见检测、可解释性工具）
• 供应链韧性
  • 技术冗余方案（多模型并行支持）
  • 风险预警系统（如英伟达GPU供应瓶颈预警）
• 利益分配与生态协同
  • 利润分配“微笑曲线”（高利润端：英伟达/云厂商；低利润端：代工厂/工业供应商）
  • 开发者社区运营（Hugging Face开源生态、AI工程师培养）
    管理重点：
• 合规成本测算（如数据隐私合规投入）
• 大科技公司的风险缓冲作用（如AWS通过预付订单稳定供应链）

---

动态关系与跨层分析
1、风险传导链

• 客户层需求波动 → 模型层算力争夺 → 云层CapEx压力 → 半导体/代工层产能博弈 → 工业供应层扩产矛盾
• 示例：AI应用爆发导致GPU短缺，倒逼台积电扩产，但工业供应商因担忧过剩而拒绝投资，最终由云厂商通过长期协议锁定资源。
  2、技术-商业联动
• 技术驱动：数据飞轮（更多数据→更好模型→更多用户）推动商业增长。
• 商业反哺：云厂商利润支持前沿模型训练（如微软投资OpenAI），形成闭环。

3、脆弱性与应对

• 隐形成本：云厂商囤积GPU的高昂折旧成本与未来需求不确定性。
• 关键结论：供应链稳定性依赖大科技公司的资本投入，需通过多元化供应商（如采用AWS+本地化算力）降低风险。

总结
融合框架通过技术分层与商业分层的交叉映射，完整覆盖AI供应链的以下维度：
1、技术栈：从芯片制造到算法开发，再到终端应用。
2、商业生态：从代工厂到云厂商，最终传导至客户需求。
3、治理与风险：合规审查、利润分配、供应链韧性。

该框架可用于分析供应商依赖、制定库存策略、评估技术路线竞争力，同时预警系统性风险（如中美技术脱钩对代工层的影响）。

[will-ww]

另外，从我们的视角看，下面的综述风格，应该是我们更加熟悉的，可以重点考虑下：

• 开源软件供应链研究综述：https://www.jos.org.cn/html/2024/2/6975.htm

AI 供应链的三大要素：

• 制品（Artifact）：供应链的组成（数据、模型、代码仓、软件包、文档等）
• 流程（Process）：数据制品流程、模型制品流程、软件制品流程、知识制品流程等
• 关系（Relationship）：协作关系、依赖关系、复用关系、训练关系、调用关系、引用关系等

另外，给出供应链领域的部分术语，以便更好的从供应链观和流程观来审视个框架（来源：运营管理：流程与供应链）：

• 流程（process）：是任何一个或一组活动，这些活动利用一个或多个投入要素，对其进行转化，向其顾客提供一种或多种产出。
• 供应链（supply chain）：是一个企业以及跨越多个不同企业的一系列相互关联的流程，这些企业提供服务或产品以满足顾客需求。
• 供应链管理（supply chain management）：是使企业的流程与其供应商的流程及客户同步的过程，以使物流、服务流和信息流与客户需求相匹配。
• 运营（operation）：是指完成一个或多个流程的全部或部分工作的一组资源。
• 运营管理（operations management）：指对流程进行系统化的设计、指挥运营管理和控制，从而将投入转化为服务或产品，以满足内部顾客和外部顾客的需求。

[PureNatural]

这次把数据生态单拎出来可以凸显一些我们自己的优势，不过我们的框架中包含的概念会更多一些，会有一定的解释成本，后续在写的时候可能会在细节上再做一些调整😊

[Peng99999]

这里有一个评估开放程度的表格：来源（https://crfm.stanford.edu/fmti/May-2024/index.html）

它分为三类：
上游资源（如数据、所需劳动力、计算资源）
模型本身（方法、模型基础、是否可获取、规模、能力、风险）
下游使用（分销渠道、使用策略、受影响的地理位置）。

[Peng99999]

开源大模型供应链综述：数据治理与生态治理视角

1. 引言

1.1 研究背景
开源大模型的快速发展及其对技术、经济和社会的影响。

1.2 研究问题
开源大模型供应链中的数据治理和生态治理挑战。

1.3 研究意义
从数据治理和生态治理的角度，为构建可持续、负责任的开源大模型生态系统提供理论支持。

1.4 分层的治理框架

• 框架图

2. 计算资源层：数据与算力的治理

2.1 算力资源

• 2.1.1 显卡（GPU/TPU）：算力的可获取性、成本、环境影响。
• 2.1.2 服务器集群 ： 分布式训练的能源消耗、资源调度效率。
• 2.1.3 云计算：云服务提供商的垄断风险、数据主权问题，以及开源社区与云服务商的合作模式。

2.2 数据资源

• 2.2.1 训练数据集：数据集的规模、质量、多样性和代表性，以及数据偏差对模型性能的影响。
• 2.2.2 数据处理工具：数据清洗、标注和合成工具的开源生态，以及数据质量控制的最佳实践。
• 2.2.3 数据合规基础设施：数据许可证的选择、数据隐私保护，以及数据的伦理问题。

2.3 计算资源中的治理

• 以数据治理为主展开...

3. 技术支撑层：模型开发与治理

3.1 基座大模型

3.2 微调通用模型

3.3 领域大模型

3.4 算法模型与开发工具

3.5 模型及开发中的治理和挑战

• 开源模型的版权归属、衍生模型的合规性问题。
• 开源模型的开放性程度
• 模型开发工具的标准化与社区协作机制。
• 开源社区在模型可解释性和公平性方面的责任。
• 等等

4. 应用服务层：商业化与治理

4.1 行业解决方案

• 4.1.1 企业级应用
• 4.1.2 开发者API服务
• 4.1.3 垂直领域SaaS

4.2 终端产品

• 4.2.1 智能硬件
• 4.2.2 软件应用：软件应用（如Copilot、Notion AI）的用户数据治理与透明度。

4.3 下游应用中的治理和挑战

5. 结论

• 研究总结
• 研究局限
• 未来研究方向
  • 技术趋势：大模型架构创新、多模态学习、可解释性研究对供应链的影响。
  • 治理趋势：数据治理框架的标准化、生态治理机制的完善，以及国际合作的重要性。
  • 应用趋势：开源大模型在垂直领域的深入应用，以及个性化服务与人机协作的发展。

[PureNatural]

1. 引言

   • 研究背景
   • 研究目的与意义（结合实验室的工作，突出本文在运营和治理方面综述的优势）

2. AI 供应链定义
   结合王老师画的图，对AI供应链整体进行介绍，需要理清楚多层之间的关系与联系，数据层和要素层可以作为产业层和研究层的一个数据和要素基座，研究层和产业层可以互相影响，产业层通过实际应用和业务需求驱动研究层的发展，而研究层通过技术创新和理论突破为产业层提供支撑和优化，两者相互促进、协同发展

3. 基本要素

   • 数字制品
   • 流程体系
   • 网络关系

   感觉这里要不可以先考虑介绍数字制品即可，因为像流程体系和网络关系介绍起来跟数字制品对比，不太像是一种实体。介绍起来不太容易达成共识，不过到时候可以先找找是否有对应的论文，通过引用的方式把这些要素都解释清楚

4. 数据生态

   • GIt协作平台
   • 制品库
   • 开源社区平台
   • 论文资源平台

这部分内容王老师图中给出的各个平台感觉基本上已经很全了，可以做个二级分类逐一介绍

5. 产业层
   • 核心资源
     • 算力资源
     • 数据资源
   • 技术支撑
     • 算法模型
     • 开发工具
   • 应用服务
     • 行业应用
     • 终端产品
   • 生态治理
     • 安全伦理
     • 生态治理

这部分内容核心资源、技术支撑和应用服务可能其他工作也有介绍，生态治理方面我们可以多讲讲，可以用我们已有的大量成果

6. 结论与展望

   • 研究总结
   • 未来研究方向

7. 参考文献

   • 相关文献与资源

我没有把研究层暂时列入，主要是觉得研究层和其他几个主要模块，尤其是产业层的内容可能会有交叉，虽然说概念上确实有区分，但是像技术支撑层里面的算法模型，肯定是研究层里面的一个重点，而且研究层覆盖的面特别大，把研究层的内容单拎出来感觉都够一个综述了，不过我们也可以先在研究层里面挑我们认为重要的部分展开。

之前大模型供应链的内容大约有8页的正文内容，其实作为综述不算多，但是参考文献有200余篇，我们第一版感觉也可以仿照该模式，就是不追求太长，把我们认为重要的内容先表达出来，后续慢慢迭代。

[PureNatural]

最近读了一些关于open source license 的相关论文，现有研究大多还都是从license的合规角度出发做传统软件的实证分析，而在AI供应链这块本身我们可能会在AI的开放性方面会进行一定的讨论，对于已经开源的大模型，从license的角度分析使用的合规性可能也是一个研究方向，这就比较细了，不过我们可以在生态治理层方面简单说一下。

[will-ww]

目前，Model cards，Data cads 以及 System cards，也是一个不错的资源，可以支持到该项工作，部分参考如下：

• Towards Responsible AI: Model Cards for Transparent Machine Learning
• Towards Responsible AI: Model Cards for Transparent Machine Learning
• System cards
• Introducing 22 system cards that explain how AI powers experiences on Facebook and Instagram
• System Cards for AI-Based Decision-Making for Public Policy
• AI Cards: Towards an Applied Framework for Machine-Readable AI and Risk Documentation
• Introducing AWS AI Service Cards
• OpenAI GPT-4.5 System Card

[PureNatural]

BLOOMZ模型相关内容，从预训练到指令微调：
https://zhuanlan.zhihu.com/p/603518061

claude 3 家族模型（Haiku、Sonnet 和 Opus）对比：
https://zhuanlan.zhihu.com/p/685281864

llama家族模型对比：
https://zhuanlan.zhihu.com/p/689556634

Gemini模型家族，它包括三种不同规模的模型：Ultra、Pro和Nano：
https://zhuanlan.zhihu.com/p/670821058