从DeepSeek探讨大语言模型在建筑及能源行业的应用趋势和技术方法报告

汇报人：赵阳 浙江大学能源学院制冷与低温研究所2025.2.14 当下AI到了哪种程度 能源领域传统AI发展困境 报告提纲 DeepSeek等带来的新范式 临近奇点：AGI将带来颠覆 结论和展望 AI领域里程碑：研究者首获诺贝尔奖，开启智能科学新纪元 人工智能技术突飞猛进，尤其在2024年取得了大幅进步 在人类博士级别专业问题上，人工智能逐步逼近上限 以ChatGPTo1为代表的Al技术在不断刷榜（2024年11月数据）7/80 口ChatGPTo1在数学等领域正确率大幅上升，甚至博士级科学问题要比人类专家解答正确率高8.3% 2024年人工智能模型能力获得了阶跃式提高（截止2025年1月） 8/80 数据源 DeepSeek横空出世，各项指标逼近或超越ChatGPTo1 口核心意义：打破AI壁断，带来A/平权，尤其是中文AI普惠，激发大众创造力 开源与平权的AI将加速把能源行业带向阶跃式的新高度 先前认知（摘自本人2018年的一个报告）4.发展趋势与展望 DeepSeek对行业带来的新技术思路（部分） 工业流程中的大语言模型典型应用场景（截止2024年9月） 工业大语言模型的应用已经渗透到研发设计、生产制造、经营管理、产品服务等多个环节。其中生产制造环节的落地案例最多（占比44.8%），当前主要以知识问答助手和产品交互等方式辅助人快速获取知识和进行决策 大语言模型在工业流程中的典型应用场景统计（2024.9） 工业大模型典型应用场景 当下AI到了哪种程度 能源领域传统AI发展困境 报告提纲 DeepSeek等带来的新范式 临近奇点：AGI将带来颠覆 结论和展望 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但实际应用有限，尤其难以突破落地应用的瓶颈 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 口有限的人力、物力和财力去应对复杂而多变的需求，最终的平衡点大多位手信息化阶段 范式困境主要原因二：多学科交叉、技术门槛高、木桶理论效应凸显 口多学科交叉人才极其稀缺，而且非常昂贵口普通人才天花板效应明显，最不靠谱的人/环节是整个项自的天花板 2025年2月，麻省理工学院何凯明指出：A/正在悄然重塑全球科研生态：“过去，不同学科间的交流像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言“。 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 口需要多个团队深度长期协作，难度大成本高口从经济性角度而言，大部分项目支撑不起如此开销 传统范式的本质：有多少人工就有多少智能 例如专家系统，依赖于人工手动编码和规则设计 专家系统的工作原理： 这一过程严革依赖于人工限制了人工智能的可扩展性和灵活性： >规则设计与编码：专家必须深入分析领域问题，总结并转化为规则这个过程高度依赖人工经验 知识库维护：随差问题和应用场景的变化，专家系统需要不断更新和维护其知识库和规则，也需要不断的人工干预。 尽管专家系统在计算上较为高效，但它们的效率受限于人力设计的规和程序，在面对更复杂、多变的任务时，往往无法灵活应对， 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 当下AI到了哪种程度 能源领域传统AI发展困境 报告提纲 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 引爆这一轮人工智能的新范式：算法+数据+算力 新范式摆脱了对人类专家的大部分依赖，走向了自我选代升级 1997年深蓝战胜人类国际象棋冠军 2017年10月，AlphaGoZero在3天内自我对奔490万盘，以100:0击败AlphaGo 这一阶段的人工智能主要依赖于预先设定的规则和逻辑推理，强调专用算法设计实现特定任务。 》人工智能拥有了从无到有的学习能力，从基于规则的专家系统转向了自我学习与适应的智能体系。 以AlphaGoZero为例：自主学习达到超人类水平 ■AlphaGoZero通过强化学习和自我对奔，月展现了人工智能自动生成与优化决策的强大能力，国 人工智能 强化学习让A与环境互动，通过奖励与撼罚机制来学习，让A能够自主发现最优策略，并不断优化其决策过程，显著提高了A的可扩展性和灵活性 自动化生成与优化：无需人工干预，AlphaGoZero决策过程是完全自动化生成的。与传统专家系统相比，人力需求大大减少。 算力需求与自我进化：AlphaGoZero在训练过程中运行了大量的自对奔后面，使用了数干个TPU进行高效计算。经过21天的训练，超越了当时最强的围棋AI。通过不断的训练和送代，A的决策能力得到了自我进化和提升。 以AlphaGoZero为代表的Al新范式不再依赖人工规则，而是通过自我探素、自动化生成策略，表现出前所未有的灵活性和智能化，成为未来A/发展的方向 AlphaGoZero在自对奔过程中展现出来的围棋定式上的新发现 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系！ AI智力 人的智力 电力 工业4.0人、机、物互联互通 热力 工业2.0 应用电子信息技术进一步提高自动化水平 将人类带入分工明确、大批量生产的流水线模式和“电 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 口未来A/计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 新时代的核心动力：算力：提供强大的计算能力，推动算法复杂性提升 传统模式的局限性靠经验驱动，无法快速适应复杂变化 算法：更加精准、高效的智能算法，支持决策优化数据：数据规模和质量驱动模型训练与性能优化 难以扩展，效率低，智能化程度受限 2024年11月27日，王坚《无尽的计算：A/和研究范式变革》的演讲： “我们自前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力我们可以利用A扩展人类的创造力，进一步探索世界。 DeepSeek支撑范式突破：实现能源人工智能个性化方案的“3D打印"！26/30 1.人工智能民主化：AI技术触手可及 简化使用：通过用户友好的界面和预训练模型，大语言模型使得A技术更加易于获取和使用，即使是没有深厚编程背景的能源专业人士也能轻松应用。 2.解耦合开发与应用场景 灵活性增强：大模型的架构允许开发者不必深入了解每个具体业务场景的复杂性，即可快速构建适用的应用程序。 3.碎片化应用的成本效益革命 减少定制成本：大语言模型减少了为每个单独任务或小规模项目定制解决方案的需求，从而降低了总体实施成本。 DeepSeek支撑范式突破：P降低发难度，推动能源领域智力普惠 大模型的特性：·工程化产物：大模型是基于现有技术的“大工业流水线式”工程化成果 柔性制造：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键：工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 高投入：必须依赖大数据、天算力、天资金和大能耗的支持，推动模型性能最大化 面临的挑战：开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题 解决路径：口推动模型的柔性制造，实现更高效、 更低成本的开发流程口借助自动化、模块化和流水线技术，降低生产成本，提升部署速度 当下AI到了哪种程度 能源领域传统AI发展困境 报告提纲 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 大语言模型在能源领域应用的一些探讨研究（浙大团队工作） 口大模型具有的强大编程、自然语言理解与认知推理能力。以能源场景为例，大模型能否辅助提高系统能源管理的自动化程度？ 研究一：基于大语言模型辅助的能源负荷预测方法（能源领域第一篇）30/80 口能源负荷预测：通过人工与GPT的交互，可以实现建筑能源系统负荷预测的任务的自动编程涉及数据预处理、特征工程、模型训练、模型评估、结果可视化和模型解释等环节 研究一：基于大语言模型辅助的能源负荷预测方法 自动生成能源负荷预测代码 Teitialpram Initialeutput 研究一：基于大语言模型辅助的能源负荷预测方法 研究一：基于大语言模型辅助的能源负荷预测方法 大语言模型！（GPT-4）能够自动的通过编写程序实现数据预处理到模型解释的负荷预测全部过程。 Zhang Chaobo, Lu Jie,Zhao Yang.Generative pre-trained transformers (GPT)-based automated data mining forbuilding energy management:Advantages,limitationsandthefuture.EnergyandBuiltEnvironment2024,5:143-169 研究二：基于大语言模型辅助的运行数据的自动化分析方法 口运行数据挖掘分析：大模型与无监督挖掘算法结合，实现能源系统运行数据的自动化数据挖掘分析方法四个步骤：数据预处理、特征选择、知识挖掘与知识解释，可对系统能源浪费模式进行挖掘与分析，指导系统节能降耗。 研究二：基于大语言模型辅助的运行数据的自动化分析方法 Energywastepatternsusuallyonlycorrespondtospecificdevice(s)orsub-system(s).Itisnotnecessarytoanalyzetherelationshipsamongallavailablevariables .Hence,GPTisutilizedto select suitablefeatures forvarious data miningtasks associatedwithdifferent device(s)or subsystem(s). 研究二：基于大语言模型辅助的运行数据的自动化分析方法 Atemplate-basedpromptgenerationmethod isproposedto automaticallygenerate featureselectionpromptsforGPT. Apromptoffeatureselectionforthedataminingtask: There are 2 chillers (chiller1 and chiller2),and 2 chilled waterpumps (chilled waterpump1 and chilled waterpump2)ina chillcdwatcrplantsystcm.Chillcrs arc conncctcd inparallcl.Chillcdwatcrpumps arc conncctcd inparallel.Chillers and chilled waterpumps are connected in series.Thechilled water loop contains chillers andchilled water pumps.Thefollowing variables are available in this chilled water plant system: load rateof chiller 1,cooling water outlet temperature of chiller l, chilled water outlet temperature of chiller 1,load rate of chiller 2,cooli