從DeepSeek探討大語(yǔ)言模型在建筑及能源行業(yè)的應(yīng)用趨勢(shì)和技術(shù)方法匯報(bào)人：

趙陽(yáng)浙江大學(xué)能源學(xué)院制冷與低溫研究所2025.2.14報(bào)告提綱當(dāng)下Al到了哪種程度能源領(lǐng)域傳統(tǒng)Al發(fā)展困境DeepSeek

等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例臨近奇點(diǎn)：AGI

將帶來(lái)顛覆結(jié)論和展望John J.Hopfield Geoffrey E.Hinton"forfoundationaldiscoveriesand

inventionswithartificialneural

networks"THEROYALSWEDISHACADEMYOF

SCIENCESAl領(lǐng)域里程碑：研究者首獲諾貝爾獎(jiǎng)，開(kāi)啟智能科學(xué)新紀(jì)元4/30"forproteinstructure

prediction"THEROYALSWEDISHACADEMYOF

SCIENCESTHENOBELPRIZEIN CHEMISTRY2024THENOBELPRIZEINPHYSICS

2024thatenablemachine

learningDemisHassabisJohn M.Jumpermuwirotonsnika

semenodDavidBaker"forcomputationalprotein

design"hustralans;niklas

emehedDeepSeek

橫空出世，各項(xiàng)指標(biāo)逼近或超越ChatGPT

o1

9/80口核心意義：打破AI壟斷，帶來(lái)AI平權(quán)，尤其是中文Al普惠，激發(fā)大眾創(chuàng)造力多源數(shù)據(jù)深度挖掘融合建筑領(lǐng)域各類數(shù)據(jù)，聯(lián)動(dòng)設(shè)備運(yùn)行指標(biāo)

、能耗信息及環(huán)境監(jiān)測(cè)，實(shí)現(xiàn)精細(xì)用戶畫(huà)像，助力科學(xué)調(diào)度與資源配置智能故障識(shí)別與診斷結(jié)合人工智能算法，自動(dòng)提取設(shè)備特

征

，識(shí)別潛在異常，構(gòu)建以專家經(jīng)驗(yàn)為核心的診斷體系，為故障根源定位和問(wèn)題處理提供有力建議智慧

能耗與碳排管控依托大模型和數(shù)字孿生，實(shí)時(shí)監(jiān)控、動(dòng)態(tài)仿真與智能調(diào)控，形成能耗預(yù)測(cè)、碳排溯源與節(jié)能優(yōu)化的閉環(huán)輔助決策與趨勢(shì)預(yù)測(cè)大模型驅(qū)動(dòng)的數(shù)據(jù)預(yù)測(cè)能夠提前預(yù)警潛在風(fēng)險(xiǎn)，為決策層提供精準(zhǔn)、科學(xué)的策略參考，助力管理優(yōu)化人機(jī)智能協(xié)同互動(dòng)通過(guò)大模型驅(qū)動(dòng)對(duì)話，實(shí)現(xiàn)業(yè)務(wù)咨詢反饋的迅捷與精準(zhǔn)，員工能夠自動(dòng)檢索和獲取相關(guān)業(yè)務(wù)知識(shí)自動(dòng)化報(bào)告編制實(shí)現(xiàn)巡檢報(bào)告、能耗評(píng)估及故障追蹤報(bào)告的自動(dòng)撰寫(xiě)和智能校驗(yàn)，提升管理流程標(biāo)準(zhǔn)化和工作效率DeepSeek

對(duì)行業(yè)帶來(lái)的新技術(shù)思路(部分)11

/

80DeepSeek

賦能建筑能源領(lǐng)域11報(bào)告提綱當(dāng)下Al到了哪種程度能源領(lǐng)域傳統(tǒng)AI發(fā)展困境………

…DeepSeek

等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例·臨近奇點(diǎn)：AGI將帶來(lái)顛覆結(jié)論和展望……長(zhǎng)期以來(lái)，

能源領(lǐng)域人工智能止步于信息化階段，

發(fā)展范式陷入困境15

/

80口能源領(lǐng)域智能化目前大多停留在數(shù)據(jù)采集和信息展示階段，盡管研究成果豐富，但實(shí)際應(yīng)用有限，尤其難以突破落地應(yīng)用的瓶頸期待發(fā)展趨勢(shì)口主要解決數(shù)據(jù)采集和信息展示，停留在“展示大屏”階段口學(xué)術(shù)發(fā)表算法成果很多，實(shí)際應(yīng)用極少，落地“最后一公里”很難— -

現(xiàn)有發(fā)展趨勢(shì)個(gè)智能化程度→時(shí)間范式困境主要原因一：場(chǎng)景多、碎片化、個(gè)性化，定制化開(kāi)發(fā)成本高口有限的人力、物力和財(cái)力去應(yīng)對(duì)復(fù)雜而多變的需求，最終的平衡點(diǎn)大多位于信息化階段可再生能源熱力系統(tǒng)燃煤電廠區(qū)域供冷站公共建筑空調(diào)城市/區(qū)域集中供冷/熱建筑供熱工廠能動(dòng)系統(tǒng)太陽(yáng)能供熱污水廢水余熱余熱驅(qū)動(dòng)制冷熱電聯(lián)產(chǎn)16/80范式困境主要原因二：

多學(xué)科交叉、技術(shù)門(mén)檻高、木桶理論效應(yīng)凸顯17

/

80口多學(xué)科交叉人才極其稀缺，而且非常昂貴口

普通人才天花板效應(yīng)明顯，最不靠譜的人/環(huán)節(jié)是整個(gè)項(xiàng)目的天花板2025年2月，麻省理工學(xué)院何凱明指出：Al正在悄然重塑全球科研生態(tài)：“過(guò)去，不同學(xué)科間的交流像隔著一堵高墻；如今，人工智能正成為所有科學(xué)家都能聽(tīng)懂的通用語(yǔ)言"。自動(dòng)化工程熱物理新能源化工軟件工程人工智能范式困境主要原因三：

周期長(zhǎng)、鏈條多、人員配合難度大效率低18

/

80口需要多個(gè)團(tuán)隊(duì)深度長(zhǎng)期協(xié)作，難度大成本高口從經(jīng)濟(jì)性角度而言，大部分項(xiàng)目支撐不起如此開(kāi)銷迭代需求分析運(yùn)維算法設(shè)計(jì)Al模型開(kāi)發(fā)測(cè)試升級(jí)口碎片化口長(zhǎng)鏈條口長(zhǎng)周期口難維護(hù)范式破局的關(guān)鍵：如何不再依賴人工去實(shí)現(xiàn)能源領(lǐng)域的人工智能20/80口

迭代維護(hù)難度大口

個(gè)性化定制開(kāi)發(fā)口

算法開(kāi)發(fā)難度大口工作量大成本高領(lǐng)域知識(shí)

經(jīng)驗(yàn)人工梳理維護(hù),人工迭代以人為中心人工開(kāi)發(fā)診斷軟件升級(jí)個(gè)性化故驗(yàn)證障檢測(cè)診斷算法測(cè)試口

知識(shí)經(jīng)驗(yàn)難以傳承以人工為核心串聯(lián)開(kāi)發(fā)范式診斷推理鏈

條人工構(gòu)

建知識(shí)庫(kù)奔愛(ài)報(bào)告提綱當(dāng)下Al到了哪種程度……

·能源領(lǐng)域傳統(tǒng)Al發(fā)展困境…

…DeepSeek 等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例……

·臨近奇點(diǎn)：AGI將帶來(lái)顛覆結(jié)論和展望引爆這一輪人工智能的新范式：算法+數(shù)據(jù)+算力22/30新范式擺脫了對(duì)人類專家的大部分依賴，走向了自我迭代升級(jí)2017

年10

月，

AlphaGo Zero在3

天內(nèi)自我對(duì)弈4

9

0

萬(wàn)盤(pán)，

以1

0

0

:

0

擊敗AlphaGo>人工智能擁有了從無(wú)到有的學(xué)習(xí)能力，從基于規(guī)則的專家系統(tǒng)轉(zhuǎn)向了自我學(xué)習(xí)與適應(yīng)的智能體系。1997年深藍(lán)戰(zhàn)勝人類國(guó)際象棋冠軍這一階段的人工智能主要依賴于預(yù)先設(shè)定的規(guī)則和邏輯推理，強(qiáng)調(diào)專用算法設(shè)計(jì)實(shí)現(xiàn)特定任務(wù)。新范式的本質(zhì)：替代了人類專家的角色，把人從開(kāi)發(fā)鏈條中移出24/30口重要意義：人的智力和工作時(shí)長(zhǎng)，與芯片算力和運(yùn)算時(shí)長(zhǎng)之間建立了轉(zhuǎn)換關(guān)系!Al智

力工業(yè)4.0人、機(jī)、物互聯(lián)互通服務(wù)的互聯(lián)網(wǎng)門(mén)車 的皙箱中網(wǎng)智

芎T

廠今天◎

E

h

文物品的互聯(lián)網(wǎng)人的智力工業(yè)3.0應(yīng)用電子信息技術(shù)，進(jìn)一步提高自動(dòng)化水平電力工業(yè)2.0將人類帶入分工明確、大批量生產(chǎn)的流水線模式和“電熱力工業(yè)1.0創(chuàng)造了機(jī)器工廠的“蒸汽時(shí)代 ”1970年代初20世紀(jì)初18世紀(jì)末能樓字新范式的本質(zhì)：替代了人類專家的角色，把人從開(kāi)發(fā)鏈條中移出25/30口

未

來(lái)Al計(jì)算速度將更快、成本更低口未來(lái)算法的能力將會(huì)更大，智能程度將會(huì)更高2024年11月27日，王堅(jiān)《無(wú)盡的計(jì)算：Al和研究范式變革》的演講：“我們目前已經(jīng)進(jìn)入計(jì)算科學(xué)時(shí)代，云計(jì)算在未來(lái)的研究中可以發(fā)揮重要作用。未來(lái)通過(guò)計(jì)算能力，我們可以利用Al

擴(kuò)展人類的創(chuàng)造力，進(jìn)一步探索世界。"新時(shí)代的核心動(dòng)力：算力：

提供強(qiáng)大的計(jì)算能力，推動(dòng)算法復(fù)雜性提升算

法

：更加精準(zhǔn)、高效的智能算法，支持決策優(yōu)化數(shù)據(jù)：

數(shù)據(jù)規(guī)模和質(zhì)量驅(qū)動(dòng)模型訓(xùn)練與性能優(yōu)化傳統(tǒng)模式的局限性：靠經(jīng)驗(yàn)驅(qū)動(dòng)，無(wú)法快速適應(yīng)復(fù)雜變化難以擴(kuò)展，效率低，智能化程度受限1.

人工智能民主化：

Al

技術(shù)觸手可及· 簡(jiǎn)化使用：通過(guò)用戶友好的界面和預(yù)訓(xùn)練模型，大語(yǔ)言模型使得Al技術(shù)更加易于獲取和使用，即使是沒(méi)有深厚編程背景的能源專業(yè)人士也能輕松應(yīng)用。2.

解耦合開(kāi)發(fā)與應(yīng)用場(chǎng)景· 靈活性增強(qiáng)：

大模型的架構(gòu)允許開(kāi)發(fā)者不必深入了解每個(gè)具體業(yè)務(wù)場(chǎng)景的復(fù)雜性，即可快速構(gòu)建適用的應(yīng)用程序。3.碎片化應(yīng)用的成本效益革命. 減少定制成本：

大語(yǔ)言模型減少了為每個(gè)單獨(dú)任務(wù)或小規(guī)模項(xiàng)目定制解決方案的需求，從而降低了總體實(shí)施成本。DeepSeek支撐范式突破：實(shí)現(xiàn)能源人工智能個(gè)性化方案的

"3

D打印"!26/30大模型的特性：工程化產(chǎn)物：大模型是基于現(xiàn)有技術(shù)的“大工業(yè)流水線式”工程化成果柔性制造：在實(shí)現(xiàn)智能化的過(guò)程中，需要更靈活的開(kāi)發(fā)與部署方式實(shí)現(xiàn)的關(guān)鍵：工程化要求：需要熟練的工程實(shí)現(xiàn)人員參與，確保模型從實(shí)驗(yàn)到生產(chǎn)的平穩(wěn)過(guò)渡高投入：必須依賴大數(shù)據(jù)、大算力、大資金和大能耗的支持，推動(dòng)模型性能最大化面臨的挑戰(zhàn)：開(kāi)發(fā)難度：當(dāng)前人工智能模型的開(kāi)發(fā)周期長(zhǎng)，難度高，存在成本與效率的矛盾·規(guī)模化瓶頸：從試驗(yàn)性產(chǎn)品到生產(chǎn)線產(chǎn)品，需要解決模型適配性與通用性問(wèn)題解決路徑：口推動(dòng)模型的柔性制造，實(shí)現(xiàn)更高效、更低成本的開(kāi)發(fā)流程口借助自動(dòng)化、模塊化和流水線技術(shù)，降低生產(chǎn)成本，提升部署速度DeepSeek

支撐范式突破：降低開(kāi)發(fā)難度，推動(dòng)能源領(lǐng)域智力普惠27/30報(bào)告提綱當(dāng)下Al到了哪種程度…

·能源領(lǐng)域傳統(tǒng)Al發(fā)展困境…DeepSeek

等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例…

·臨近奇點(diǎn)：AGI將帶來(lái)顛覆結(jié)論和展望研究一：基于大語(yǔ)言模型輔助的能源負(fù)荷預(yù)測(cè)方法(能源領(lǐng)域第一篇)

30/80口能源負(fù)荷預(yù)測(cè)：通過(guò)人工與GPT

的交互，可以實(shí)現(xiàn)建筑能源系統(tǒng)負(fù)荷預(yù)測(cè)的任務(wù)的自動(dòng)編程，涉及數(shù)據(jù)預(yù)處理、特征工程、模型訓(xùn)練、模型評(píng)估、結(jié)果可視化和模型解釋等環(huán)節(jié)PromptCannotworkorneed

modificationPredictionAccuracy:Prediction

resultsPythonConsistency:CodesMAE,MSE,RMSE,MAPE,R2,CV-RMSEEvaluation

Metrics:Code Accuracy:HumansGPT·Energy waste patterns usually only correspond to specific device(s)or sub-system(s).It isnotnecessarytoanalyzetherelationshipsamongallavailable

variables.·Hence,GPT is utilized to select suitable features for various data mining tasks associatedwithdifferentdevice(s)or

subsystem(s).energy system(x?)Typeofthetargetbuilding

energysystem(x?)Relationsamongcomponents

(x?)Availablevariablcsinthc

targctbuildingenergysystem(x?)Energywastepatternsthat

usersareinterested

in(x?)·Series-devices-level tasks:Feature 1,Feature 2,..·Parallel-devices-level tasks:Feature3,Feature4,

….·Device-level tasks:Feature5,Feature6,

…Feature

selectionina[x?].[x?].Thefollowingvariablesareavailableinthis[x?]:[x?].Pleaseselectapprupriatevariablesforthepurposeofidentifyingthe[xs]ofthe[x?].Plcascdon'tsclcctvariablcswhicharenotincludedintheavailablevariables.Pleasedon'tselectvariableswhicharenotassociatedwiththe

[x?]."Prompting

function· Series-devices-level

tasks·Parallel-devices-level tasks·Device-level tasksDevice(s)orsub-system(s)associatedwiththetargetdataminingtasks

(x?)Featureselectionfordatamining

tasksProupting function="Thcrcarc

[x?]Inputinformation Generationofdatamining

tasksComponentsofthetarget

building研究二：基于大語(yǔ)言模型輔助的運(yùn)行數(shù)據(jù)的自動(dòng)化分析方法35/80GPTA template-based prompt generation method is proposed to automatically generate featureselectionpromptsfor

GPT.Apromptoffeatureselectionforthedatamining

task:Thereare2chillers(chiller1andchiller2),and2chilledwaterpumps(chilledwaterpump1andchilledwaterpump2)inachilledwaterplantsystcm.Chillersarcconncctedinparallcl.Chilledwatcrpumpsarcconncctedinparallel.Chillersandchilledwaterpumpsareconnectedinseries.Thechilledwaterloopcontainschillersandchilledwaterpumps.Thefollowingvariablesareavailableinthischilledwaterplantsystem:loadrateofchiller1,coolingwateroutlettemperatureofchiller1,chilledwateroutlettemperatureofchiller1,loadrateofchiller2,coolingwateroutlettemperatureofchiller2,chilledwateroutlettemperatureofchiller2,frequencyofchilledwaterpump1,frequencyofchilledwaterpump2.Pleaseselectappropriatevariablesforthepurposeofidentifyingtheimpropercontrol,devicefaults,andsensorfaultsofthechiller1.Pleasedon'tselectvariableswhicharenotincludedintheavailablevariables.Pleasedon'tselectvariableswhicharenotassociatedwiththe

chiller1.Ifunctionselectappropriatevariablesforthepurpose

of

isentifing the[x?]ofthe[x?].Pleasedon'tselectvariableswhicharenotincludedintheavailablevariables.Pleasedon'tselectvariableswhicharenotassociatedwiththe

[x?]."研究二：基于大語(yǔ)言模型輔助的運(yùn)行數(shù)據(jù)的自動(dòng)化分析方法36/80Prompting

functionThereare[xl]ina[x2].[x3].Oneoperationpatternisextractedfromtheoperationaldataofthe[x6].Itisdescribedasfollows:[x7]|Pleaseanalyzetheaboveoperationpatterntofigureoutwhetherthe[x6]has/have[x5].If

the[x6]has/have [x5],pleasefurther

tellKnowledge interpretation resultsTheoperationpatternofchiller7indicatespotentialimpropercontrol

and sensor

faults. 1.ImproperControl:The chilled water valveswitchstatusofchiller7isoff.Thisisabnormalbecausethechillerison

...Thetemplate-basedpromptgenerationmethodisappliedtoautomaticallygenerateknowledgeinterpretationpromptsfor

GPT.研究二：

基于大語(yǔ)言模型輔助的運(yùn)行數(shù)據(jù)的自動(dòng)化分析方法38

/

80me what [x5]happen/happens...Insertthemaximalfrequentitemsetintotheslot

[x?].GPT研究二：基于大語(yǔ)言模型輔助的運(yùn)行數(shù)據(jù)的自動(dòng)化分析方法39/801071Abnormal NormalPredicted

labelAbnormal NormalPredicted

label105193150(a)GPT-3.5 (b)GPT-4Confusion

matrixes

of

(a)GPT-3.5

and

(b)GPT-4.Zhang Chaobo,Zhang Jian,Zhao Yang,Lu Jie.Automated data mining framework for

building energy conservation aided

by generaivepre-trained transformers(GPT).EnergyandBuildings

2024:113877.Tue

labelNoma

AbnormalIue

labelNormal

Abnomal19213·313maximalfrequentitemsetsareextractedbytheknowledge

discoverymethod.·GPT-3.5 and GPT-4 are utilized to analyze the 313 maximal frequent itemsets.·The detection accuracy of

GPT-4 is 89.17%for energy waste patterns and

99.48%fornormal operation patterns.are[X?]ina[X?].[X?].The[X?]PFFaut

dha （X?,X?,X?,X?,X,X?,X,X?)="Thereoperatesduring

the[X?].Ihavecollectedthedataofsomekeyvariablesfromthe[X?]duringonesteady-state

operationperiod(period1).Theaveragevaluesandstandarddeviationsofthesevariablesduringthisperiodarelistedas

follows:[X?]Ihavealsocollectedthedataofthesevariablesfromthe[X?]duringanothersteady-stateoperationperiod.Thisperiodisfault-free.Theaveragevaluesandstandarddeviationsof

thesevariablesduringthisfault-freeperiodarelistedas

follows:[X?]Pleasecomparethedatacollectedfromtheperiod1andfault-freeperiodtofigureoutwhetherthe[X?]hasafaultduringtheperiod1.Pleasechoosethemostlikelydiagnosisresultfromthefollowing

options:[X?]Theaforementionedoptionsareexplainedindetailasfollows:[X?]Youshouldwritethemostlikelydiagnosisresult

onthefirstline

asaseparateparagraph.Then,youshoulddescribethereasonsbehindyourdecisioninfollowingparagraphs."NO.待填充內(nèi)容X1系統(tǒng)組成形式(設(shè)備、組件)X2系統(tǒng)的類型X3設(shè)備之間的關(guān)系(串聯(lián)、并聯(lián)…)X4系統(tǒng)的運(yùn)行模式(制冷、制熱

….)X5系統(tǒng)關(guān)鍵數(shù)據(jù)變量在一段時(shí)間內(nèi)的平均值和標(biāo)準(zhǔn)偏差X6系統(tǒng)關(guān)鍵數(shù)據(jù)變量在正常運(yùn)行時(shí)的平均值和標(biāo)準(zhǔn)偏差X7系統(tǒng)可能存在的狀態(tài)選項(xiàng)X8回答格式要求研究三：基于微調(diào)大語(yǔ)言模型的系統(tǒng)故障檢測(cè)與診斷：模型微調(diào)42/80基于模板格式，

自動(dòng)填充相應(yīng)內(nèi)容，

批量化生成用于大語(yǔ)言模型故障檢測(cè)與診斷的提示詞fromopenaiimportOpenAIclient=OpenAIOclient.files.create(file=open"fine-tune.jsonl","rb"),purpose=

"fine-tune")fromopenai

imporlLOpenAIclient=OpenAIOclient.line tuning.jobs.creale(training_file= "fileID"

,model="gpt-3.5-turbo"

})研究三：基于微調(diào)大語(yǔ)言模型的系統(tǒng)故障檢測(cè)與診斷：模型微調(diào)43/80{"prompt":"<Faultdiagnosisprompt1>","completion":"<Corrected faultdiagnosisresponse

1>"}對(duì)原始模型進(jìn)行能力測(cè)試，結(jié)合標(biāo)注信息使其自糾正錯(cuò)誤診斷內(nèi)容，構(gòu)建語(yǔ)料，微調(diào)大模型生成微調(diào)模型加載數(shù)據(jù)集模型微調(diào)數(shù)據(jù)集1.測(cè)試原模型能力2.模型的自我糾正檢測(cè)診斷精度診斷錯(cuò)誤的對(duì)話大模型自我糾正3.模型微調(diào)故障檢測(cè)與診斷能力測(cè)試提示詞庫(kù)原始大模型Accuracy(%)NormalFaultI…生成研究三：基于微調(diào)大語(yǔ)言模型的系統(tǒng)故障檢測(cè)與診斷：模型微調(diào)45/80評(píng)估微調(diào)后模型能力，利用數(shù)據(jù)增強(qiáng)合成新的訓(xùn)練數(shù)據(jù)，對(duì)模型偏弱的能力進(jìn)行針對(duì)性提升。測(cè)試微調(diào)后模型能力 模型持續(xù)微調(diào)新模型deem66模型微調(diào)模型微調(diào)數(shù)據(jù)集利用數(shù)據(jù)增強(qiáng)算法合成新的數(shù)據(jù)NormalFault1

..檢測(cè)診斷精度生成額外的微調(diào)訓(xùn)練數(shù)據(jù)故障檢測(cè)與診斷能力測(cè)試提示詞庫(kù)錯(cuò)誤診斷的對(duì)話模型自我糾正原始大模型構(gòu)建提示詞微調(diào)大模型New

sample補(bǔ)充歸一化系統(tǒng)正常運(yùn)行期間征兆變量的平均值和標(biāo)準(zhǔn)差歸一化歸一化一段時(shí)間內(nèi)征兆變量的平均值和標(biāo)準(zhǔn)差研究三：基于微調(diào)大語(yǔ)言模型的系統(tǒng)故障檢測(cè)與診斷：模型微調(diào)46/80基于診斷準(zhǔn)確率自適應(yīng)調(diào)整每類樣本需新增的提示量，

并基于SMOTE

算法合成新樣本·Nadd 為第i個(gè)類生成的額外微調(diào)對(duì)話的數(shù)量N?·Ntotalr故障類和無(wú)故障類的數(shù)量原始微調(diào)數(shù)據(jù)集中的對(duì)話數(shù)為需生成的新的提示量增加的百分比·P;

優(yōu)化后的模型在第i類的診斷準(zhǔn)確率·Pj

優(yōu)化后的模型在第j類的診斷準(zhǔn)確率口基于已有檢測(cè)與診斷提示數(shù)據(jù)樣本，利用SMOTE算

法

，合成每類別提示對(duì)應(yīng)數(shù)量的新的提示樣本?？诟鶕?jù)評(píng)估結(jié)果對(duì)診斷準(zhǔn)確率較低的故障類別按照比例生成額外提示，以提高訓(xùn)第一段提示中的數(shù)據(jù)樣本第二段提示中的數(shù)據(jù)樣本第n段提示中的數(shù)據(jù)樣本合成樣本

序號(hào) 題

目 年份 期刊Generativepre-trained

transformers

(GPT)-based Energyand

Built

1 automateddatamining

forbuilding

energy 2024 Environmentmanagement:Advantages,limitationsandthe

futureEvaluationoflargelanguagemodels

(LLMs)on

the Energyand

Built

2 masteryofknowledgeandskillsin

the

heating 2024ventilationand

air

conditioning(HVAC)industry EnvironmentAutomateddataminingframeworkfor

building3 energyconservationaidedby

generative

pre-trained 2024 Energy

andtransformers(GPT) BuildingsDomain-specificlargelanguagemodelsfor

fault4 diagnosisofheating,ventilation,and

air

conditioning 2024 Applied

Energysystemsbylabeled-data-supervised

fine-tuningAutomateddata-drivenbuildingenergy

load5 predictionmethodbasedon

generative

pre-trained 2025 Energytransformers(GPT)浙大EnergyX

團(tuán)隊(duì)研究成果列表及下載鏈接48/802024-2025期間浙大EnergyX

課題組共發(fā)表大語(yǔ)言模型相關(guān)研究SCI論文5篇，涉及大語(yǔ)言模型在建筑能源系統(tǒng)中的大數(shù)據(jù)分析、故障檢測(cè)診斷、負(fù)荷預(yù)測(cè)等場(chǎng)景的應(yīng)用與能力評(píng)估。博士生碩士生浙

大EnergyX團(tuán)隊(duì)相關(guān)作者49/80魯潔章文愷馮晨昕張健鄭澤宇章超波荷蘭埃因霍溫理工大學(xué)王嘉茜賀佳寧蔣睿勤博士后報(bào)告提綱臨近奇點(diǎn)：AGI將帶來(lái)顛覆結(jié)論和展望當(dāng)下Al到了哪種程度……

·能源領(lǐng)域傳統(tǒng)Al發(fā)展困境DeepSeek

等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例……

·例子：自動(dòng)化研發(fā)，微軟提出工業(yè)級(jí)Agent

落地方案RDAgent53/30應(yīng)用程序/

場(chǎng)景金融…研究(構(gòu)思建議)反饋工作區(qū)中的實(shí)現(xiàn)3.能力開(kāi)發(fā)：實(shí)現(xiàn)創(chuàng)意的能力4.反饋與實(shí)施：收集反饋，工作空間實(shí)施5.應(yīng)用場(chǎng)景：金融醫(yī)療等領(lǐng)域應(yīng)用2024年11月28日，微軟開(kāi)源RDAgent,

致力于打造一個(gè)工業(yè)研發(fā)過(guò)程的自動(dòng)化助手，專注于數(shù)據(jù)驅(qū)動(dòng)場(chǎng)景，通過(guò)提出新想法和實(shí)施它們來(lái)簡(jiǎn)化模型和數(shù)據(jù)的開(kāi)發(fā)。1.創(chuàng)意與研究：從創(chuàng)意到研究提案2.假設(shè)與實(shí)驗(yàn)：形成假設(shè)進(jìn)行實(shí)驗(yàn)/s/9_zXOJTXIFD9j44phglK0A發(fā)展(實(shí)現(xiàn)想法的能力)盈假設(shè)實(shí)驗(yàn)想法例子：智能體多角色協(xié)作與循環(huán)優(yōu)化的智能決策流程56/80(a)Role

Specialization(b)Memry Stream)Self-RellcctionAdamDavid用Bob Charles任務(wù)細(xì)化與分配：由GPT

擔(dān)任游戲公司內(nèi)各個(gè)關(guān)鍵角色，

·

信息整合與決策制定：基于收集到的信息，決策者進(jìn)行每個(gè)角色均被賦予明確且對(duì)應(yīng)的職責(zé)。 總結(jié)與分析，以形成全面的決策依據(jù)。協(xié)作與互動(dòng)：

各個(gè)角色之間建立高效的溝通機(jī)制，

通過(guò)

·

循環(huán)優(yōu)化與迭代：流程采取循環(huán)迭代的方式進(jìn)行，

確保交流，提供必要的支持與反饋。 問(wèn)題得到持續(xù)的優(yōu)化與解決。未來(lái)大語(yǔ)言模型的關(guān)鍵突破點(diǎn)二：世界模型/數(shù)字孿生57/80AlphaGo Zero的成功不僅是算力+算法+數(shù)據(jù)，還有數(shù)字化的棋盤(pán)!2017年10月，AlphaGo

Zero在3天內(nèi)自我對(duì)弈490萬(wàn)盤(pán)，以100:0擊敗AlphaGo2016年3月，

AlphaGo

以4:1贏了人類圍棋世界冠軍一些學(xué)者堅(jiān)信世界有一種「世界模型」,并著力開(kāi)發(fā)一種新的類似大腦的Al架構(gòu)，是通過(guò)更真實(shí)地模擬現(xiàn)實(shí)世界(多模態(tài)輸入訓(xùn)練)來(lái)解決當(dāng)前系統(tǒng)的局限性，例如幻覺(jué)和邏輯上的缺陷。這也是想要Al接近人類智力水平，需要像嬰兒一樣學(xué)習(xí)世界運(yùn)作的方式。世界模型/數(shù)字孿生：讓大語(yǔ)言模型能夠低成本虛擬演練58/80Real-TimeAutonamousAdaptiveConceptualLearning&ReasoningCognitive

Al公眾號(hào)

·新智元(Static)Knowledge&Skills智

元ActorC*kCanactianperceptAGHumanIntelligenceLLMs…2018圖靈獎(jiǎng)得主卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)始人Yann

LeCun世界模型/數(shù)字孿生：形成迭代閉環(huán)，這是Al獲得生命的關(guān)鍵所在!59/80生命1.0生命2.0反饋：GPT

輸出的文字和文字答案之間的差距海量的文字大語(yǔ)言模型反饋：世界模型的反饋，學(xué)到因果!迭代進(jìn)化!Prompt:DroneviewofwavescrashingagainsttheruggedcliffsalongBigSur'sgaraypointbeach.Thecrashingbluewaterscreatewhite-tippedwaves,whilethegoldenlightofthesettingsunilluminatestherockyshore.A

smallislandwithalighthousesitsinthedistance,andgreenshrubberycoversthecliff'sedge.Thesteepdropfromtheroaddowntothebeachisadramaticfeat,withthecliff'sedgesjuttingoutoverthesea.ThisisaviewthatcapturestherawbeautyofthecoastandtheruggedlandscapeofthePacificCoast

Highway.提示詞：俯瞰無(wú)人機(jī)視角，海浪拍打著比克瑟爾加雷岬海灘的崎嶇懸崖。湛藍(lán)的海水激起白色的浪花，而落日的金色光輝照亮了巖石海岸。遠(yuǎn)處有一個(gè)帶燈塔的小島，

懸崖邊緣覆蓋著綠色的灌木。公路到海灘之間的陡峭落差極具戲劇性，懸崖的邊緣向海洋突出。畫(huà)面捕捉了海岸線的原始之美以及太平洋沿岸公路崎嶇壯麗的自然風(fēng)光。60/80occe物

交

口N視頻源：/index/sora/世界模型/數(shù)字孿生：SORA

是世界模型嗎?停世界模型/數(shù)字孿生：SORA

是世界模型嗎?真實(shí)畫(huà)面質(zhì)感生成復(fù)雜場(chǎng)景視頻風(fēng)格多樣擅 長(zhǎng)Sora薄弱模擬科學(xué)規(guī)律理解社會(huì)行為顯示可讀信息過(guò)程可解釋性視頻源：/@openail61/80發(fā)布時(shí)間：2024年12月12日世界模型/數(shù)字孿生：SORA

是世界模型嗎?62/80世界模型/數(shù)字孿生：SORA

是世界模型嗎?63/80面向未來(lái)智能化需求，

歷時(shí)八年花費(fèi)干萬(wàn)，

開(kāi)發(fā)新一代數(shù)字孿生平臺(tái)、

SCADA

和邊緣控制器以知識(shí)圖譜為核心，貫通物理仿真、Al、故障診斷和群控，代碼量逾百萬(wàn)行支持冷、熱、氣(汽)大規(guī)模機(jī)理和數(shù)據(jù)驅(qū)動(dòng)混合仿真能夠自動(dòng)生成節(jié)能控制策略，并進(jìn)一步自動(dòng)生成SCADA

群控軟件，節(jié)能性好，且降低自控開(kāi)發(fā)量90%以上世界模型/數(shù)字孿生：浙江大學(xué)團(tuán)隊(duì)自研仿真平臺(tái)的一點(diǎn)體會(huì)故障診斷模塊Al建模(腳本嵌入)邊緣控制器領(lǐng)域知識(shí)deepseek數(shù)據(jù)驅(qū)動(dòng)建模數(shù)字孿生云平臺(tái)SCADA群控軟件現(xiàn)場(chǎng)群控平臺(tái)簡(jiǎn)介65/80中心世界模型/數(shù)字孿生：

浙江大學(xué)團(tuán)隊(duì)自研仿真平臺(tái)的一點(diǎn)體會(huì)66/

80口需要深度工匠精神，

要有迭代思維，

年復(fù)一年升級(jí)迭代，

人才是關(guān)鍵口群控軟件和仿真軟件開(kāi)發(fā)難度、周期和代價(jià)非常高配置欄系統(tǒng)流程圖菜單欄工具欄開(kāi)發(fā)工具欄子欄EnergyX1.0版

本EnergyX

2.0版

本開(kāi)發(fā)工具欄浙大經(jīng)驗(yàn)：在專用軟件方面，依然需要死磕的精神67/80口趙陽(yáng)博士有十年國(guó)內(nèi)外帶軟件開(kāi)發(fā)團(tuán)隊(duì)經(jīng)驗(yàn)，具有出色軟件架構(gòu)能力口長(zhǎng)期在開(kāi)發(fā)一線，有死磕的工匠精神、永不放棄的熱情、有核心團(tuán)隊(duì)趙陽(yáng)博士親自架構(gòu)和開(kāi)發(fā)90%內(nèi)核代碼，基于Rust

語(yǔ)言第一代：2018第二代：2021第三代：2022第四代：2023第五代：2024,TheRustProgrammingLanguageTheRustProgrammingLanguageTheRustProgrammingLanguageJavaJava從技術(shù)出發(fā)找場(chǎng)景不合理的期望管理大模型團(tuán)隊(duì)不了解業(yè)務(wù)缺乏清晰的產(chǎn)品/技術(shù)路線技術(shù)方案過(guò)度設(shè)計(jì)缺乏對(duì)技術(shù)發(fā)展的認(rèn)知沉迷于模型訓(xùn)練高估項(xiàng)目的成功率低估評(píng)估的重要性忽略微調(diào)的隱藏成本導(dǎo)致大語(yǔ)言模型項(xiàng)目落地失敗的十大潛在風(fēng)險(xiǎn)68/80報(bào)告提綱·臨近奇點(diǎn)：AGI將帶來(lái)顛覆未來(lái)展望和結(jié)論當(dāng)下Al到了哪種程度……

·能源領(lǐng)域傳統(tǒng)Al發(fā)展困境DeepSeek

等帶來(lái)的新范式大語(yǔ)言模型應(yīng)用的科研案例2

023年6月15日NVIDIA

CEO黃仁勛「5年實(shí)現(xiàn)AGI,10年算力提高100萬(wàn)倍」>未來(lái)的Al

將會(huì)自我生成數(shù)據(jù)來(lái)進(jìn)行強(qiáng)化學(xué)習(xí)；>要

讓Al

完美地生成圖像與視頻，必須要讓它基于物理學(xué)，創(chuàng)建一

個(gè)世界模型。2018圖靈獎(jiǎng)得主卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)始人Yann

LeCun學(xué)中的所有難題都將得到解決。DeepMindCEODemis

Hassabis還有大約10年的時(shí)間」>未來(lái)的Al系統(tǒng)需要更主動(dòng)、更智能，能夠像AlphaGo

一樣進(jìn)行規(guī)劃和推理，并在現(xiàn)

實(shí)世界中采取行動(dòng)。~2024年11月29日[

AGI將在5

到10

年降臨，JEPA

路線將代替LLM」>LeCun

堅(jiān)信有一種世界模型，并著力開(kāi)發(fā)一種類似大腦的Al架構(gòu)，通過(guò)模擬現(xiàn)實(shí)世界來(lái)解決幻覺(jué)和邏輯上的缺陷。未來(lái)最大的變數(shù)：AGI

距離我們還有多遠(yuǎn)?70/80Al

領(lǐng)域各路大咖預(yù)測(cè)：

5

-

10年內(nèi)，人類將迎來(lái)AGI

的時(shí)代。2024年11月9日「通往AGI

只差最后一步，2025

年實(shí)現(xiàn)AGI」>

通

往AGI

的道路現(xiàn)已清晰可見(jiàn)；>當(dāng)智能和能源極為充足時(shí)，

物理2

0

2

4

年1

0

月2

1

日OpenAI

CEOSam

Altman「我們距離AGI我們持續(xù)見(jiàn)證著人工智能開(kāi)發(fā)的飛速進(jìn)展。以下是我們對(duì)人工智能經(jīng)濟(jì)學(xué)的三個(gè)觀察：人工智能模型的智能水平，大致與訓(xùn)練和運(yùn)行它所消耗的資源量(取對(duì)數(shù)后)成正比。這些資源主要包括訓(xùn)練所需的算力、數(shù)據(jù)和推理算力。看起來(lái)，只要持續(xù)投入資金，就能獲得持續(xù)且可預(yù)測(cè)的智能提升；預(yù)測(cè)這一趨勢(shì)的規(guī)模定律，在多個(gè)數(shù)量級(jí)上都得到了驗(yàn)證。使用同等水平人工智能的成本，大約每12個(gè)月下降10倍。價(jià)格降低顯著促進(jìn)了使用量的增加。從2023年初GPT-4 的

token 成本，到2024年年中GPT-40 的

token 成本變化中，我們可以看到這一點(diǎn)——期間每token

的價(jià)格下降了約150倍。摩爾定律曾以每18個(gè)月翻倍的速度改變世界；而人工智能成本下降的速度，比這還要快得不可思議。智能水平的線性提升，其社會(huì)經(jīng)濟(jì)價(jià)值的增長(zhǎng)本質(zhì)上是超指數(shù)級(jí)的。由此推斷，我們認(rèn)為在可預(yù)見(jiàn)的未來(lái)，沒(méi)有理由停止對(duì)人工智能進(jìn)行指數(shù)級(jí)增長(zhǎng)的投資。OpenA

I 宣告通用人工智能

(AGI)時(shí)代臨近(2025年2月10日)71

/

802025年2月10日，OpenAl 聯(lián)合創(chuàng)始人兼首席執(zhí)行官SamAltman

在其社交媒體發(fā)布重磅文章《Three

Observations》blogsmaitmancnmThee

DzservatlcnsOurminsiorintnensusethatAGF(Artifcisi

GnnerallnteliecelhenefitsallzfhumanitySystemsthatstart

tL上午5:06-2025年2月10日

·388萬(wàn)業(yè)石TheeObservatlong:任何在2035

年的人，

都應(yīng)能調(diào)動(dòng)相當(dāng)于2025年全體人類的智力資源。每個(gè)人都應(yīng)有權(quán)獲取無(wú)限的“天才”力量，并能隨心所欲地加以運(yùn)用。如今，世界上存在著大量才華橫溢卻缺乏充分發(fā)展資源的群體。如果我們能改變這種狀況，由此釋放出的創(chuàng)造力，將為我們所有人帶來(lái)巨大的福祉。Op

enAl

宣告通用人工智能

(AGI)時(shí)代臨近(2025年2月10日)72

/

80隨著通用人工智能變得更有能力，額外風(fēng)險(xiǎn)的證據(jù)正在逐漸出現(xiàn)。這