前言
近期諾貝爾物理學(xué)獎(jiǎng)?lì)C發(fā)給AI科學(xué)家John J. Hopfield、Geoffrey E. Hinton，讓許多人感到詫異。當(dāng)獲獎(jiǎng)電話打到加州時(shí)，Hinton教授正像往常那些平凡的下午一樣，準(zhǔn)備去一個(gè)廉價(jià)酒店做核磁共振，或許平凡中就蘊(yùn)藏著杰出，正如人工智能以潤(rùn)物細(xì)無(wú)聲的方式進(jìn)入千行百業(yè)和人類(lèi)生活。
人工智能從1956年概念提出開(kāi)始，經(jīng)過(guò)了幾起幾落；而今大模型似乎摸到了AGI門(mén)口，各界摩拳擦掌都在嘗試用這項(xiàng)新技術(shù)推動(dòng)行業(yè)變革，顛覆地提升生產(chǎn)力。本文嘗試從生產(chǎn)力要素的視角，思考大模型技術(shù)如何幫助電力行業(yè)進(jìn)行生產(chǎn)力提升。
一、大模型發(fā)展和理解：從深度學(xué)習(xí)到大模型，從點(diǎn)到面的能力突破
1、深度學(xué)習(xí)：GPT的試金石？
回顧Hinton2007年在《科學(xué)》上發(fā)表題為"Reducing thedimensionality of data with neuralnetworks"的論文，該篇論文是公認(rèn)的深度學(xué)習(xí)里程碑，但在2007-2010年期間每年引用次數(shù)僅為100次左右，無(wú)人無(wú)津；同時(shí)期，2007年李飛飛啟動(dòng)ImageNet項(xiàng)目， 2011第二屆圖像識(shí)別競(jìng)賽提交13份，而上一屆是35份；彼時(shí)Nvidia的GPU已經(jīng)通過(guò)CUDA改造初獲成功。算力+算法+數(shù)據(jù)三駕馬車(chē)的加持下，2012年Hinton帶隊(duì)開(kāi)發(fā)AlexNet參加ImageNet第三屆，一舉將錯(cuò)誤率從上一屆的25%降低了11%，高出第二名41%，深度學(xué)習(xí)技術(shù)路線至此獲得各界認(rèn)可，得以蓬勃發(fā)展。從這里我們可以總結(jié)：AI就是關(guān)于三駕馬車(chē)的事。
2、GPT的成功：OpenAI做對(duì)了什么？
過(guò)去十年， GPU算力持續(xù)發(fā)展下，但人工智能算法變成了瓶頸，深度學(xué)習(xí)例如RNN在面向文本等任務(wù)時(shí)無(wú)法并行訓(xùn)練等問(wèn)題，模型參數(shù)規(guī)模和訓(xùn)練數(shù)據(jù)規(guī)模遇到瓶頸。
從下圖可見(jiàn)，從2013年開(kāi)始解決這些問(wèn)題的基礎(chǔ)技術(shù)已經(jīng)陸續(xù)具備，大模型誕生水到渠成。而為什么是OpenAI？OpenAI的GPT成功做對(duì)了什么？簡(jiǎn)單說(shuō)就是在前人（主要是Google做了嫁衣）的基礎(chǔ)上做了集成創(chuàng)新，選對(duì)了方向：利用模型來(lái)做序列化概率預(yù)測(cè)任務(wù)（即預(yù)測(cè)下一個(gè)Token），實(shí)現(xiàn)AI能力遷移學(xué)習(xí)能力和多任務(wù)的泛化性。
圖：OpenAI的成功：選擇比努力重要
3、重塑生產(chǎn)力：大模型如何改變世界？
在思考大模型給行業(yè)和人類(lèi)生活帶來(lái)改變之前，我們應(yīng)該思考的是大模型本身技術(shù)能力是什么?；\統(tǒng)來(lái)說(shuō)，大模型能力包括：語(yǔ)言理解和表達(dá)能力、知識(shí)壓縮能力以及邏輯推理能力。類(lèi)比人類(lèi)，前兩者讓大模型可以實(shí)現(xiàn)記得住、看得懂，已經(jīng)比較成熟；推理能力是會(huì)思考，是最重要的能力（通往AGI的鑰匙），不過(guò)目前還有較大短板，OpenAI 最新發(fā)布的o1就是為了提升這個(gè)能力。
人類(lèi)最大的技能是會(huì)使用工具?；仡檸状喂I(yè)革命發(fā)展，都是圍繞使用新技術(shù)開(kāi)發(fā)出更好的工具來(lái)賦能人類(lèi)的能力，例如望遠(yuǎn)鏡賦能眼、汽車(chē)飛機(jī)賦能腳、紡織機(jī)賦能手、計(jì)算機(jī)賦能腦等等，這些工具本質(zhì)上來(lái)講是人類(lèi)將目標(biāo)任務(wù)的工作規(guī)則，通過(guò)硬件或軟件的方式讓工具實(shí)現(xiàn)自動(dòng)化或半自動(dòng)化，實(shí)現(xiàn)生產(chǎn)力躍遷（對(duì)應(yīng)下圖中的模式二）。
圖：當(dāng)前生產(chǎn)力的三種勞動(dòng)模式
而那些未能進(jìn)行這些改造升級(jí)的勞動(dòng)項(xiàng)目分為直接勞動(dòng)型（對(duì)應(yīng)模式一）和間接勞動(dòng)型（對(duì)應(yīng)模式二）。這兩種生產(chǎn)模式依然需要人來(lái)完成，本質(zhì)上都是在現(xiàn)有技術(shù)條件下還未能實(shí)現(xiàn)自動(dòng)化的工作，需要靠人與環(huán)境、與其他人進(jìn)行信息交換，這個(gè)過(guò)程通常包含信息檢索獲取、信息分析加工和信息決策，最后在物理執(zhí)行階段依靠人根據(jù)作業(yè)過(guò)程的反饋來(lái)持續(xù)作業(yè)，無(wú)法被機(jī)器替代。
這類(lèi)環(huán)節(jié)正是制約生產(chǎn)力的關(guān)鍵因素，總結(jié)起來(lái)有三類(lèi)制約：
（1）某些領(lǐng)域的專(zhuān)業(yè)知識(shí)還停留在大腦里，不能為計(jì)算機(jī)所學(xué)習(xí)和理解；
（2）計(jì)算機(jī)接收后無(wú)法理解、分析和判斷生產(chǎn)條件下的大量外部信息；
（3）物理世界未提供自動(dòng)執(zhí)行的“API”接口或者未具備與環(huán)境協(xié)同作業(yè)裝置。
第（3）點(diǎn)可以理解為何當(dāng)下各種機(jī)器人產(chǎn)業(yè)如火如荼，除了當(dāng)前已經(jīng)出現(xiàn)的掃地機(jī)器人、AGV和工廠機(jī)械臂的初級(jí)版，未來(lái)具身智能保姆機(jī)器人、自動(dòng)駕駛虛擬司機(jī)、搬運(yùn)機(jī)器人，以及更多不需要具身的其他換進(jìn)感知智能機(jī)器，這些工作都是為了模式一和模式三提供物理執(zhí)行階段的裝置，可以說(shuō)解決模式一的問(wèn)題就是造更智能的機(jī)器。
在講（1）（2）制約之前，我們?cè)敿?xì)展開(kāi)模式三分析一下，對(duì)腦力勞動(dòng)者的工作進(jìn)行拆解，看看其中的勞動(dòng)性質(zhì)。除了臨時(shí)交辦事項(xiàng)，核心的工作可以分為四類(lèi)工作：資料收集、信息分析、決策制定，任務(wù)督辦。這個(gè)過(guò)程中會(huì)有大量的人與外界系統(tǒng)（計(jì)算機(jī)系統(tǒng)、物理世界和人等）進(jìn)行的信息交換、群體的大量討論分析并迭代、任務(wù)過(guò)程的信息收集跟催和任務(wù)迭代等等，這些工作之所以還無(wú)法自動(dòng)化，核心的原因就如上所述存在的（1）（2）的問(wèn)題。而（1）（2）恰好屬于大模型擅長(zhǎng)解決的領(lǐng)域，能夠?yàn)槟X力勞動(dòng)者提供更多的腦力智能來(lái)提升、甚至替代，從而提高勞動(dòng)的效率和效果。
至此，我們可以看出今天人工智能產(chǎn)業(yè)技術(shù)研究方向的底層邏輯。
二、電力行業(yè)的生產(chǎn)力需求：圍繞人與電力系統(tǒng)，提升效率和能力的問(wèn)題
電網(wǎng)行業(yè)是電力系統(tǒng)的骨干，承擔(dān)著將電能從發(fā)電站輸送到千家萬(wàn)戶(hù)的重要任務(wù)，包括輸電、變電、配電和用電等關(guān)鍵環(huán)節(jié)。為了高效地開(kāi)展這些業(yè)務(wù)，企業(yè)內(nèi)部通常會(huì)設(shè)立發(fā)展、基建、調(diào)度、運(yùn)檢、營(yíng)銷(xiāo)、配電、物資等多個(gè)部門(mén)，以確保電力系統(tǒng)的穩(wěn)定運(yùn)行和服務(wù)質(zhì)量。
從生產(chǎn)力的角度來(lái)看，電網(wǎng)行業(yè)的行業(yè)特點(diǎn)和痛點(diǎn)，可以籠統(tǒng)歸納為兩個(gè)方面：
1. 業(yè)務(wù)龐大：地域廣、客戶(hù)多、設(shè)備多、從業(yè)人員多
• 地域廣：從農(nóng)村、郊區(qū)到城市，線纜和架空線路遍布全國(guó)各地；
• 客戶(hù)多：從家庭到企業(yè)，事業(yè)單位等，幾乎都是電網(wǎng)的直接客戶(hù)；
• 設(shè)備多：大量的中樞變電站、輸電線和開(kāi)關(guān)柜等設(shè)施；
• 從業(yè)人員多:需要大量的營(yíng)銷(xiāo)、運(yùn)檢等人員進(jìn)行生產(chǎn)作業(yè)；
2. 機(jī)理復(fù)雜：大電網(wǎng)、電氣化特性等使得電網(wǎng)是一個(gè)復(fù)雜機(jī)理系統(tǒng)
• 復(fù)雜性的現(xiàn)狀：電網(wǎng)是一個(gè)高度復(fù)雜的人造物理系統(tǒng)，涉及到電氣、機(jī)械、自動(dòng)化等多個(gè)領(lǐng)域的專(zhuān)業(yè)知識(shí)，人類(lèi)目前主要從電網(wǎng)系統(tǒng)運(yùn)行表征出來(lái)的信息來(lái)與電網(wǎng)進(jìn)行交互，包括調(diào)度方式計(jì)劃、設(shè)備檢修和用電計(jì)劃，而表征系統(tǒng)除了設(shè)備的物理外觀，還需要多個(gè)電氣方程進(jìn)行計(jì)算或估算，例如潮流計(jì)算、短路計(jì)算和穩(wěn)定計(jì)算等，通過(guò)分別的計(jì)算，最后面向特定任務(wù)進(jìn)行專(zhuān)業(yè)決策，中間還需要電力專(zhuān)家的經(jīng)驗(yàn)進(jìn)行過(guò)程干預(yù)以提升計(jì)算效率和效果，所以，這個(gè)過(guò)程對(duì)人和專(zhuān)業(yè)性有巨大的依賴(lài)。
• 復(fù)雜性的挑戰(zhàn)：如果電力系統(tǒng)保持不變，也許可以繼續(xù)沿用過(guò)去的技術(shù)模式；但是隨著“源隨荷動(dòng)”到“源網(wǎng)荷儲(chǔ)互動(dòng)”的新型電力系統(tǒng)升級(jí)，地上一輛電動(dòng)車(chē)，天上一朵云就可能會(huì)導(dǎo)致電網(wǎng)的電氣特性發(fā)生變化例如線路負(fù)載越限，以及設(shè)備損壞例如變壓器高負(fù)載導(dǎo)致繞阻溫度發(fā)生過(guò)高，需要秒級(jí)對(duì)事件進(jìn)行感知、分析和決策，這是當(dāng)前的電網(wǎng)技術(shù)體系下的工作模式無(wú)法應(yīng)對(duì)的。
所以，站在生產(chǎn)力的角度看：
-電網(wǎng)業(yè)務(wù)龐大需要大量的從業(yè)人員參與勞動(dòng)過(guò)程，是效率提升的問(wèn)題；
-電網(wǎng)機(jī)理復(fù)雜需要專(zhuān)業(yè)人員參與且仍有提升需求，是能力提升的問(wèn)題。
三、大模型+電力行業(yè)：從易到難、從外而內(nèi)提升電力行業(yè)生產(chǎn)力
針對(duì)以上提到的電網(wǎng)業(yè)務(wù)現(xiàn)狀和提升需求，以第一章所述大模型如何提升生產(chǎn)力為方向，同時(shí)結(jié)合各類(lèi)大模型技術(shù)的成熟度和能力特性，思考應(yīng)用大模型提升電網(wǎng)生產(chǎn)力的思路，主要包括兩個(gè)方面：
1、作業(yè)效率提升方面。
如前所述，業(yè)務(wù)域大是制約生產(chǎn)力的效率因素，需要人進(jìn)行相對(duì)模式重復(fù)性工作，可以從大模型能力角度分為兩個(gè)方面：
（1）結(jié)合大語(yǔ)言模型解決信息處理任務(wù)
當(dāng)前最成熟的大語(yǔ)言模型（Large Language Model）具備較成熟的語(yǔ)言理解和表達(dá)能力、知識(shí)壓縮能力，以及初級(jí)邏輯推理能力，可以幫助調(diào)度、運(yùn)檢班組長(zhǎng)、設(shè)備主人、電網(wǎng)規(guī)劃專(zhuān)家、物資采購(gòu)、辦公人員等崗位人員完成信息收集、信息分析、決策制定和流程督辦，需要將大模型的能力（RAG、Agent、Prompt以及必要的預(yù)訓(xùn)練微調(diào)等）和業(yè)務(wù)場(chǎng)景深度融合，把業(yè)務(wù)專(zhuān)家的工作技能遷移到大模型上。從技術(shù)的角度上，今天大模型的能力初步具備，重點(diǎn)是大模型與場(chǎng)景結(jié)合的AI工程化。
（2）應(yīng)用多模態(tài)大模型解決環(huán)境感知分析任務(wù)
電網(wǎng)有大量的設(shè)備需要運(yùn)維、檢修和檢測(cè)試驗(yàn)，這些場(chǎng)景需要與物理環(huán)境進(jìn)行信息交換，包括體力勞動(dòng)和腦力勞動(dòng)。體力勞動(dòng)主要是現(xiàn)場(chǎng)數(shù)據(jù)采集獲取，但自動(dòng)化采集技術(shù)已經(jīng)比較完善，例如運(yùn)維巡視的視頻圖片的采集、現(xiàn)場(chǎng)作業(yè)面的視頻采集、設(shè)備聲紋錄波、五遙信息等都能夠采集。
關(guān)鍵的瓶頸在于沒(méi)有直接的技術(shù)手段對(duì)這些數(shù)據(jù)進(jìn)行解析（特別是現(xiàn)場(chǎng)即刻處理），以及解析后的相關(guān)聯(lián)動(dòng)分析和處置決策，所以這些作業(yè)除了巡視缺陷識(shí)別目前應(yīng)用視覺(jué)識(shí)別模型外，其他大多無(wú)法離開(kāi)對(duì)應(yīng)的專(zhuān)業(yè)人員進(jìn)行現(xiàn)場(chǎng)或電腦前的參與。而多模態(tài)大模型（Large Multimodal Model）利用萬(wàn)物皆可Transformer的思想，實(shí)現(xiàn)了對(duì)多模態(tài)數(shù)據(jù)與大語(yǔ)言模型的融合，端到端解決了從感知采集感知理解到信息認(rèn)知分析的問(wèn)題?？梢哉雇诙嗄B(tài)大模型與變電站巡視等領(lǐng)域知識(shí)結(jié)合后，今天的變電站智巡攝像頭、無(wú)人機(jī)的單模態(tài)為主的執(zhí)行巡視，將會(huì)在未來(lái)變成以自動(dòng)化機(jī)器人為主的形式，實(shí)現(xiàn)變電站無(wú)人化的“望聞問(wèn)切”全天候巡視。
不過(guò)，由于當(dāng)前多模態(tài)大模型采用CLIP思想的對(duì)比學(xué)習(xí)方法，需要的半合成樣本數(shù)量是圖像識(shí)別模型的百倍千倍，這些樣本數(shù)據(jù)不像LLM預(yù)訓(xùn)練時(shí)可以完全無(wú)標(biāo)注的自監(jiān)督訓(xùn)練，而是需要根據(jù)使用場(chǎng)景對(duì)圖像/視頻等模態(tài)樣本進(jìn)行自動(dòng)/半自動(dòng)標(biāo)注，并且需要輔以一定的審核工作，所以樣本的數(shù)量和質(zhì)量是瓶頸，算力和算法沒(méi)問(wèn)題。如何突破，從技術(shù)還是數(shù)據(jù)角度，還是兩者結(jié)合，尚有待觀察。
2、電網(wǎng)專(zhuān)業(yè)能力提升方面
隨同諾貝爾物理獎(jiǎng)一同頒發(fā)的其他獎(jiǎng)項(xiàng)，諾貝爾化學(xué)獎(jiǎng)?lì)C發(fā)給了DeepMind的Demis Hassabis 和John Michael Jumper，以表彰其利用在AlphaFold在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方面的貢獻(xiàn)，AlphaFold2完成了98.5%的人類(lèi)蛋白質(zhì)的預(yù)測(cè)，而過(guò)去數(shù)十年人類(lèi)只預(yù)測(cè)了人類(lèi)蛋白質(zhì)的17%。AlphaFold工作原理粗淺的說(shuō)是把蛋白質(zhì)折疊紋路序列化Embedding到Transformer中，結(jié)合StableDiffusion進(jìn)行的蛋白質(zhì)折疊的序列預(yù)測(cè)，具體可以見(jiàn)原理介紹[2]?？梢?jiàn)大模型技術(shù)除了解決文字信息和感知信息的處理理解外，還可以結(jié)合專(zhuān)業(yè)領(lǐng)域定制專(zhuān)用大模型，來(lái)顛覆性解決行業(yè)大難題。所以，可以預(yù)見(jiàn)AI4S（AI For Science）未來(lái)將成為AI領(lǐng)域的重要賽道，成為科研第四范式時(shí)代、科學(xué)發(fā)現(xiàn)的奇點(diǎn)，以后科學(xué)成果的涌現(xiàn)將呈現(xiàn)指數(shù)級(jí)增長(zhǎng)。
回顧第2章所述，電網(wǎng)的機(jī)理復(fù)雜性，幾乎不可能靠大語(yǔ)言模型和多模態(tài)大模型來(lái)完成，在電網(wǎng)領(lǐng)域，通過(guò)構(gòu)建一個(gè)基于Transformer架構(gòu)的行業(yè)大模型，可以重構(gòu)電網(wǎng)分析方法，實(shí)現(xiàn)更高效、更準(zhǔn)確的電網(wǎng)管理和優(yōu)化。
以電網(wǎng)的動(dòng)態(tài)電氣量指標(biāo)的分析為例，它是電網(wǎng)運(yùn)行狀態(tài)評(píng)估的關(guān)鍵，傳統(tǒng)分析方法面臨復(fù)雜性增加、仿真計(jì)算量大耗時(shí)過(guò)長(zhǎng)、穩(wěn)定性定義局限性、設(shè)備動(dòng)態(tài)特性難以準(zhǔn)確刻畫(huà)、不確定性考量缺失、實(shí)時(shí)量測(cè)限制和非線性約束考慮不足等問(wèn)題，一定程度上困擾著電網(wǎng)的安全經(jīng)濟(jì)穩(wěn)定運(yùn)行目標(biāo)。并且，整個(gè)分析過(guò)程是多個(gè)算法分布計(jì)算，最后如何把結(jié)果進(jìn)行決策和組合計(jì)算，還要考慮電力分析的多次迭代，這個(gè)過(guò)程的復(fù)雜度和效率可想而知。這個(gè)過(guò)程也非常類(lèi)似與過(guò)去NLP幾十年無(wú)法突破的問(wèn)題：傳統(tǒng)NLP思想是把實(shí)體識(shí)別、詞性標(biāo)注、情感分析等十幾個(gè)不同的任務(wù)，在最后面向具體應(yīng)用的時(shí)候進(jìn)行組裝，這種架構(gòu)下，從訓(xùn)練到推理的迭代過(guò)程中的優(yōu)化就是一場(chǎng)災(zāi)難，而大模型的特點(diǎn)是多任務(wù)合一，端到端解決問(wèn)題，值得借鑒。
以訓(xùn)練電網(wǎng)分析行業(yè)大模型為目標(biāo)，我們可以將電網(wǎng)中的電壓、電流、負(fù)荷等基礎(chǔ)數(shù)據(jù)，以及有功功率、無(wú)功功率等功率類(lèi)數(shù)據(jù)，通過(guò)特定特征提取方法構(gòu)造序列化數(shù)據(jù)，輸入到Transformer架構(gòu)中，面向預(yù)測(cè)電網(wǎng)的短期態(tài)勢(shì)感知和長(zhǎng)期運(yùn)行趨勢(shì)分析等任務(wù)，例如，通過(guò)分析電網(wǎng)的功率因素識(shí)別出無(wú)功消耗較大的區(qū)域，并提出相應(yīng)的優(yōu)化措施，通過(guò)編解碼架構(gòu)的“預(yù)測(cè)”能力，輸出預(yù)期的分析結(jié)果。通過(guò)這樣的方式，可以用一個(gè)算法架構(gòu)實(shí)現(xiàn)對(duì)大電網(wǎng)海量數(shù)據(jù)的訓(xùn)練吞吐能力、大量電氣特征的表達(dá)能力，以及基于多頭注意力機(jī)制對(duì)用戶(hù)預(yù)期任務(wù)目標(biāo)的精準(zhǔn)“理解” 。
其他的例如電網(wǎng)穩(wěn)定運(yùn)行、電力系統(tǒng)建模與分析、調(diào)度與暫態(tài)分析、保護(hù)與控制等方面，亦可以參考類(lèi)似的算法思想進(jìn)行創(chuàng)新研發(fā)。當(dāng)然，這個(gè)過(guò)程將會(huì)非常復(fù)雜艱辛，未來(lái)如何落地，還需要業(yè)業(yè)內(nèi)各界共同探索和實(shí)踐。
另外，還有相對(duì)成熟的時(shí)序大模型，可以開(kāi)展一些預(yù)測(cè)任務(wù)，例如天氣預(yù)測(cè)、負(fù)荷預(yù)測(cè)等場(chǎng)景，目前也正在技術(shù)結(jié)合場(chǎng)景落地中，預(yù)期會(huì)有一些成效。
四、實(shí)踐心得：大模型應(yīng)用如何少走彎路
社會(huì)各行各業(yè)如火如荼嘗試應(yīng)用大模型技術(shù)，浙達(dá)能源以能源+AI為目標(biāo)，也投身其中。行業(yè)+大模型應(yīng)用剛剛起步，如何避免失敗是重中之重，經(jīng)過(guò)大量項(xiàng)目的實(shí)踐，我們總結(jié)產(chǎn)業(yè)+大模型的過(guò)程中的部分思考和心得，供大家參考。
-
- 場(chǎng)景驗(yàn)證迭代方法，先驗(yàn)證再投資。除了知識(shí)問(wèn)答和客服這些以?xún)?nèi)容交互為主的C端能力是沿用遷移過(guò)來(lái)的，大模型的技術(shù)在B端還沒(méi)有出現(xiàn)成熟的行業(yè)化應(yīng)用場(chǎng)景，更多都是在PMF產(chǎn)品市場(chǎng)需求驗(yàn)證階段，而大模型投資大，特別是算力硬件，所以選擇場(chǎng)景最重要。如何選擇場(chǎng)景，除了做推演評(píng)估，一個(gè)比較好的方案是用能場(chǎng)景驗(yàn)證迭代方法，用當(dāng)前最新主流大模型進(jìn)行場(chǎng)景迭代驗(yàn)證，把一個(gè)業(yè)務(wù)過(guò)程分段驗(yàn)證，一旦驗(yàn)證通過(guò)后，即便無(wú)法達(dá)到90分，但在基模型+提示詞下也可以拿到基本可用的70分以上，足以讓用戶(hù)產(chǎn)生信心進(jìn)行投資，再進(jìn)行平臺(tái)、算力和專(zhuān)屬模型購(gòu)置，預(yù)訓(xùn)練和微調(diào)等后續(xù)完善性工作，通過(guò)這些完善工作可以讓系統(tǒng)最大接近用戶(hù)的期望值。
- 業(yè)務(wù)還原剖解方法，用戶(hù)也是產(chǎn)品經(jīng)理。綜上所述，大模型不是打補(bǔ)丁，如果能夠應(yīng)用成功，可以在生產(chǎn)力層面進(jìn)行顛覆性提升，本質(zhì)上是把團(tuán)隊(duì)中最專(zhuān)業(yè)專(zhuān)家的能力教給大模型。用戶(hù)不再只是項(xiàng)目需求和指揮者，而是項(xiàng)目產(chǎn)品經(jīng)理，需要業(yè)務(wù)專(zhuān)家把專(zhuān)業(yè)能力剖解出來(lái)，通過(guò)大模型工程化（RAG、Agent、Prmopt和微調(diào)等手段）掌握這些技能。未來(lái)大模型技術(shù)趨勢(shì)是：不需要去干預(yù)模型的內(nèi)置參數(shù)，而是通過(guò)任務(wù)提示（Prompt工程）來(lái)正確引導(dǎo)大模型完成任務(wù)，用戶(hù)將會(huì)更直接參與到大模型系統(tǒng)開(kāi)發(fā)中。
- 數(shù)據(jù)能力是關(guān)鍵，數(shù)據(jù)是大模型的短板。可以說(shuō)在目前行業(yè)場(chǎng)景下，算力和算法都沒(méi)有問(wèn)題，缺的是行業(yè)數(shù)據(jù)（數(shù)量和質(zhì)量），隨著用戶(hù)期望的逐步提升，提升大模型的關(guān)鍵是收集、沉淀、創(chuàng)造更多的數(shù)據(jù)。這個(gè)過(guò)程中，如何將傳統(tǒng)企業(yè)內(nèi)部積累的海量結(jié)構(gòu)化和非結(jié)構(gòu)數(shù)據(jù)進(jìn)行治理、加工和挖掘價(jià)值，令其成為投喂大模型的“養(yǎng)料”，成為用戶(hù)未來(lái)最關(guān)心的問(wèn)題之一。
寫(xiě)在最后
以GPT為代表的大模型技術(shù)從2018年推出，2022年底爆火，到今天2024年行業(yè)普遍入局試水，已經(jīng)過(guò)去6個(gè)年頭。任何一項(xiàng)新技術(shù)提出，都需要時(shí)間，時(shí)間讓技術(shù)迭代完善，讓先行者進(jìn)行業(yè)務(wù)創(chuàng)新磨合，讓普羅大眾逐步了解、接受和使用。大模型技術(shù)由于幻覺(jué)不可避免性、工業(yè)容錯(cuò)率低等等問(wèn)題，時(shí)至今日不乏質(zhì)疑、顧慮和觀望，但路已在，也許今天大模型技術(shù)亦如Hinton教授2007提出的深度學(xué)習(xí)框架一樣，從平凡而生。
[1] Hinton, G. E. and Salakhutdinov, R. R.Reducing the dimensionality of data withneural networks. Science, Vol. 313. no.5786, pp.504-507, 28 July 2006.
[2] 深入剖析AlphaFold算法，知乎，https://zhuanlan.zhihu.com/p/39369976
浙達(dá)能源
雙碳科技