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.pptx

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;

报告提纲;;

DeepSeek横空出世，各项指标逼近或超越ChatGPTo19/80

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;

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;

报告提纲;

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15/80

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;

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17/80

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。;

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18/80

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20/80;

报告提纲;

引爆这一轮人工智能的新范式：算法+数据+算力22/30

■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;

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24/30

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!;

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25/30

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;

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。;

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;

报告提纲;

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