DeepSeek在建筑及能源行业的应用趋势和技术方法

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 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025214 当下Al到了哪种程度 报告提纲 能源领域传统Al发展困境 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 muwirotonsnikasemenod Al领域里程碑：研究者首获诺贝尔奖，开启智能科学新纪元430 hustralansniklasemehed THENOBELPRIZEINPHYSICS2024 THENOBELPRIZEINCHEMISTRY2024 JohnJHopfieldGeoffreyEHinton DavidBaker DemisHassabis JohnMJumper forfoundationaldiscoveriesandinventions thatenablemachinelearning withartificialneuralnetworks THEROYALSWEDISHACADEMYOFSCIENCES forcomputationalforproteinstructurepredictionproteindesign THEROYALSWEDISHACADEMYOFSCIENCES DeepSeek横空出世，各项指标逼近或超越ChatGPTo1980 口核心意义：打破AI垄断，带来AI平权，尤其是中文Al普惠，激发大众创造力 DeepSeek对行业带来的新技术思路部分1180 人机智能协同互动 通过大模型驱动对话，实现业务咨询反馈的迅捷与精准，员工能够自动检索和获取相关业务知识 自动化报告编制 实现巡检报告、能耗评估及故障追踪报告的自动撰写和智能校验，提升管理流程标准化和工作效率 多源数据深度挖掘 融合建筑领域各类数据，联动设备运行指标、能耗信息及环境监测，实现精细用户画像，助力科学调度与资源配置 智能故障识别与诊断 结合人工智能算法，自动提取设备特征，识别潜在异常，构建以专家经验为核心的诊断体系，为故障根源定位和问题处理提供有力建议 DeepSeek赋能建筑能源领域 智慧能耗与碳排管控 依托大模型和数字孪生，实时监控、动态仿真与智能调控，形成能耗预测、碳排溯源与节能优化的闭环 辅助决策与趋势预测大模型驱动的数据预测能够提前预警 潜在风险，为决策层提供精准、科学的策略参考，助力管理优化 11 当下Al到了哪种程度 报告提纲 能源领域传统AI发展困境 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 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1580 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 个 期待发展趋势 智能化程度 口主要解决数据采集和信息展示，停留在“展示大屏”阶段 口学术发表算法成果很多，实际应用极少，落地“最后一公里”很难 现有发展趋势 时间 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于信息化阶段 可再生能源热力系统燃煤电厂区域供冷站 公共建筑空调城市区域集中供冷热建筑供热 工厂能动系统 太阳能供热污水废水余热余热驱动制冷热电联产 1680 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1780 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目的天花板 2025年2月，麻省理工学院何凯明指出：Al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。 自动化 工程热物理新能源化工 软件人工 工程智能 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1880 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 迭代 需求分析运维算法设计Al模型开发测试升级 口碎片化口长链条口长周期口难维护 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2080 升级个性化故 验证障检测诊 断算法 测试 维护 人工迭代 领域知识 经验 人工梳理 人工 构建 知识库 口个性化定制开发口算法开发难度大口工作量大成本高 人工开发 诊断软件 以人为中心 奔爱 诊断推理链条 口迭代维护难度大口知识经验难以传承 以人工为核心串联开发范式 当下Al到了哪种程度 报告提纲 能源领域传统Al发展困境 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2230 新范式摆脱了对人类专家的大部分依赖，走向了自我迭代升级 1997年深蓝战胜人类国际象棋冠军 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。 2017年10月，AlphaGoZero在3天内自我对弈490万盘，以1000击败AlphaGo 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。 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2430 口重要意义：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 热力 工业10 创造了机器工厂的“蒸汽时 代” 电力 工业20 将人类带入分工明确、大批量生产的流水线模式和“电 人的智力 工业30 应用电子信息技术，进一步提高自动化水平 Al智力 工业40 人、机、物互联互通 服务的互联网门车的 皙箱中网智芎T厂 能楼字 18世纪末 20世纪初 1970年代初 Eh文 物品的互联网 今天 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2530 口未来Al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 传统模式的局限性： 靠经验驱动，无法快速适应复杂变化 难以扩展，效率低，智能化程度受限 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 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 2024年11月27日，王坚《无尽的计算：Al和研究范式变革》的演讲： “我们目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Al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2630 1人工智能民主化：Al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Al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：降低开发难度，推动能源领域智力普惠2730 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、大算力、大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Al到了哪种程度 报告提纲 能源领域传统Al发展困境 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 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3080 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 Prompt EvaluationMetrics Humans Cannotworkorneedmodification GPT CodeAccuracy PredictionAccuracy MAEMSERMSEMAPER2CVRMSE Predictionresults Python Codes Consistency 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3580 EnergywastepatternsusuallyonlycorrespondtospecificdevicesorsubsystemsItisnotnecessarytoanalyzetherelationshipsamongallavailablevariables HenceGPTisutilizedtoselectsuitablefeaturesforvariousdataminingtasksassociatedwithdifferentdevicesorsubsystems InputinformationGenerationofdataminingtasks Componentsofthetargetbuildingenergysystemx Typeofthetargetbuildingenergysystemx Relationsamongcomponentsx Seriesdevicesleveltasks Paralleldevicesleveltasks Deviceleveltasks Devicesorsubsystemsassociatedwiththetargetdataminingtasksx Featureselectionfordataminingtasks Availablevariablcsinthctargctbuildingenergysystemx Energywastepatternsthatusersareinterestedinx ProuptingfunctionThcrcarcxinaxxThefollowingvariablesareavailableinthisxxPleaseselectapprupriatevariablesforthepurposeofidentifyingthexsofthexPlcascdontsclcctvariablcswhicharenotincludedintheavailablevariablesPleasedontselectvariableswhicharenotassociatedwiththex Promptingfunction GPT Seriesdevicesleveltasks Feature1Feature2 Paralleldevicesleveltasks Feature3Feature4 Deviceleveltasks Feature5Feature6 Featureselection 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3680 AtemplatebasedpromptgenerationmethodisproposedtoautomaticallygeneratefeatureselectionpromptsforGPT Apromptoffeatureselectionforthedataminingtask T