培训回看地址：https://mp.weixin.qq.com/s/bMc-jKA4LqVbl1C7gT-wvA
研讨会集中讨论了大模型在工业应用中的挑战和解决方案，特别是本地化部署和数据处理技术的选择，同时也探讨了如何有效利用大模型进行工业控制和数据分析。 1.公益讨论讲座 公益讨论会的意义：冯恩波提到本次公益讨论会的目的是促进对大模型技术在不同领域的理解和应用，特别是在工业场景中的应用。 会议形式与目的：冯恩波表示此次会议为线上形式，旨在提供一个交流平台，不带有太多商业色彩，希望大家分享各自的观点和见解。 会议重要性及期待：冯恩波强调大模型技术对国家和个人都有好处，希望大家珍惜机会，共同探讨和学习。 2.AI和工业应用 AI在工业的应用现状：冯恩波提到，许多企业在寻求AI解决方案时遇到了困惑，特别是在大模型部署到工业场景后的具体应用。 大模型的技术发展：冯恩波回顾了人工智能的发展历程，特别是近年来大模型如DeepSeek等的爆发式增长及其对各个领域的渗透。 工业生产中的焦虑与对策：冯恩波分享了企业在应用AI技术时产生的焦虑，并提出了解决对策，强调理解大模型原理的重要性。 研发、装置运行及管理应用：冯恩波列举了大模型在研发、装置运行及管理等方面的具体应用案例，展示了其潜力。 3.大模型的定义与分类 大模型的定义：冯恩波总结大模型的主要特点是参数众多，需用大量数据训练，并能从中找出规律。 小模型与大模型的区别：冯恩波解释小模型参数较少，通常基于机理推导或经验公式，适用于简单问题。 大模型的类型：冯恩波介绍了两种大模型：自然语言模型和大数据模型，前者处理语言文字，后者处理数据。 模型构造方法：冯恩波讨论了大模型可以通过深度学习和强化学习来构造，并解释了它们各自的工作原理和特点。 4.深度学习和强化学习 深度学习的原理：冯恩波比喻深度学习为记忆力强的学生自学成才，通过大量书籍来解答问题。 强化学习的原理：冯恩波描述强化学习为学生有老师指导，通过环境和奖励机制来强化学习成果。 两种学习方法的对比：冯恩波指出深度学习依赖大量数据和计算资源，而强化学习更注重讲道理和实际应用。 应用场景与优势：冯恩波提到深度学习和强化学习在不同类型问题上的优势，如自然语言处理和过程控制。 5.大模型的记忆与检索 记忆的原理：冯恩波解释了记忆是通过神经元之间的连接实现的，每个神经元与大量其他神经元相连。 记忆的编码与保持：冯恩波认为记忆需要将信息编码并保存在记忆中，类似于人在脑海中对信息的存储。 记忆的复现：冯恩波提到记忆需要通过某种方式复现，这在计算机中通过机器实现。 记忆的挑战：冯恩波指出，尽管计算机可以快速准确地实现记忆，但在处理复杂问题时仍需解决许多挑战。 6.计算机实现记忆的方法 神经网络的模拟：冯恩波举例说明了如何用计算机模拟人脑的神经元连接来实现记忆功能。 系数与连接强度的关系：冯恩波讨论了神经元之间连接强度与系数之间的关系，以及如何通过调整系数来模拟不同的记忆强度。 大脑的记忆与计算机存储：冯恩波强调，计算机需要足够的存储能力和记忆能力来模拟大脑的记忆功能。 记忆与回忆的差异：冯恩波指出，记忆与回忆在大脑和计算机中的实现方式有所不同，前者涉及心理活动，后者则通过机器实现。 7.人类记忆的实现 人脑的记忆机制：冯恩波提到，人脑的记忆是由神经元之间的复杂连接构成的，这些连接在不断变化和加强。 记忆的巩固：冯恩波认为记忆需要经过一定时间的巩固过程，类似神经元之间的连接逐渐加强。 记忆的丢失与恢复：冯恩波指出，由于神经元之间连接的弱化或断裂，记忆可能会丢失，恢复则需要重新连接。 记忆的干扰：冯恩波提到，记忆会受到各种因素的干扰，例如新信息的插入或旧信息的遗忘。 8.记忆的存储与提取 记忆的存储过程：冯恩波解释记忆存储过程中，神经元之间的连接会逐渐加强，形成稳定的记忆模式。 记忆的提取过程：冯恩波认为记忆提取过程中，需要激活相应的神经网络路径，以恢复过去的记忆。 记忆的准确性：冯恩波强调记忆提取的准确性取决于神经元之间连接的强度和稳定性。 记忆的干扰与恢复：冯恩波指出，记忆在提取过程中可能会受到干扰，恢复记忆需要去除干扰因素。 9.人工智能的记忆与人类记忆的对比 人工智能的记忆方式：冯恩波提到人工智能的记忆是通过机器模拟人脑的神经元连接实现的。 人类记忆的独特性：冯恩波认为人类记忆具有独特性，包括情感因素和记忆联想。 人工智能记忆的局限性：冯恩波指出人工智能记忆在某些方面受限于数据和算法的局限性。 人类记忆与人工智能记忆的未来发展：冯恩波展望了人类记忆与人工智能记忆结合的未来发展方向。 10.数据点的表示与参数选择 数据点与参数的关系：冯恩波解释了数据点与参数之间的关系，并强调参数数量不应超过数据点个数。 回归方程与阶次提高：冯恩波讨论了回归方程的阶次提高对外推泛化能力的影响，并指出提高阶次会导致模型复杂度增加。 差值在模型中的作用：冯恩波提到差值在模型中的作用是提高模型的精度，尤其是在数据点之间关系不明确的情况下。 过拟合与知识密度：冯恩波指出大模型容易出现过拟合现象，特别是在知识密度不均匀的情况下。 11.大模型的可信度问题 可信度的定义：冯恩波解释可信度是指在给定条件下，模型输出的正确性。 知识密度与可信度：冯恩波认为知识密度高的模型在特定领域内具有较高的可信度。 边界效应与可信度：冯恩波指出超出模型知识范围的输出不可信，并强调边界效应的重要性。 颗粒度与可信度：冯恩波提到知识的颗粒度越细，模型的可信度越高。 12.工程细节与模糊性 工程细节的重要性：冯恩波认为工程细节是解决问题的关键，缺乏细节会导致问题无法解决。 模糊性的影响：冯恩波指出大模型在处理模糊性问题时，常常给出不确定性的答案。 模糊性与确定性：冯恩波强调在工程应用中，需要尽可能减少模糊性，追求确定性。 模糊性与文科生：冯恩波提到文科生在处理模糊性问题时的天然优势，但也需要警惕其不确定性。 13.生成式模型与判别式模型 生成式模型原理：冯恩波解释生成式模型基于概率生成，通过接龙方式逐步构建答案。 判别式模型原理：冯恩波指出判别式模型基于逻辑判断，对输入进行分类或识别。 应用场景对比：冯恩波比较生成式模型和判别式模型在不同应用场景中的优劣。 技术成熟度：冯恩波认为生成式模型还不够成熟，可能在细节处理上存在问题。 14.知识库的应用 大模型结合知识库：冯恩波认为大模型可以与知识库结合，提升知识管理和检索效率。 国内外公司应用：冯恩波提到国内外许多公司都在使用大模型构建知识库，但对具体应用效果尚不清楚。 企业数据库识别：David提出大模型需要具备对企业数据库的识别能力，但目前尚无类似案例。 数据标注与工程应用：David认为需要对数据库数据进行大量标注，并将其转化为大模型可识别的数据，但这工作量巨大。 15.工业应用中的推理机制 推理机制与生成式模型：冯恩波解释生成式模型的推理机制不同于传统逻辑推理，依赖于语言特征而非数学推导。 生成式模型的局限性：冯恩波指出生成式模型在处理复杂问题时可能存在逻辑不一致的问题，需谨慎使用。 混合推理的可能性：冯恩波认为可以将生成式模型与数据处理工具结合，提高工业应用的确定性。 经验与技术的结合：冯恩波提到有人已经在探索将生成式模型与专业知识结合的应用场景，未来有潜力。 16.AI 在新材料研发中的应用 新材料研发的挑战：王文财提到新材料研发存在许多不确定性，可能需要借助大模型进行优化。 大模型在新材料研发中的优势：冯恩波认为大模型在新材料研发中可以快速发现新物质和产品，提高研发效率。 具体案例分享：冯恩波分享了利用大模型寻找癌症治疗药物的分子结构的案例，展示了大模型的实际应用价值。 研发与生产的区别：冯恩波指出，研发领域的大模型应用比生产领域更早实现，数据颗粒度更细。 19.工业应用中的工况切换 工况切换的挑战：郭振宇提到在工业应用中，工况切换是一个复杂的问题，特别是涉及多种变量的情况。 小模型的应用：郭振宇介绍了分段小模型的方法，通过识别工况并在每个工况下训练小模型来应对工况切换。 优化模型与约束条件：冯恩波认为，优化模型需要根据当前情况进行调整，并结合机理模型设定上下限。 模式分析与大数据挖掘：冯恩波强调模式分析的重要性，建议通过大数据挖掘找出真正的工况变化模式。 20.时序数据的处理 时序数据的特点：郭振宇询问时序数据的处理方法，冯恩波解释时序数据通常采用神经网络进行处理。 神经网络的选择：冯恩波介绍了不同类型的神经网络，如LSTM和Transformer，在时序数据处理中的应用。 数据的波动性与稳定性：冯恩波提到训练时序数据模型需要足够的数据波动性，以保证实时数据的准确性。 在线更新与模型切换：郭振宇询问模型的在线更新机制，冯恩波解释了通过实时数据预处理和模型微调来实现。 21.大模型的训练与优化 训练数据的多样性：冯恩波强调训练大模型需要多样化的数据，以提高模型的泛化能力和鲁棒性。 模型优化的方法：冯恩波介绍了基于梯度下降法等优化算法，对模型参数进行调整以提升性能。 模型的可解释性：郭振宇关心模型的可解释性，冯恩波解释了如何通过机理模型和约束条件来提升模型的可解释性。 模型在实际应用中的验证：冯恩波认为需要在实际应用中进行模型验证，并根据反馈不断优化模型。 22.大模型在不同领域的应用 大模型在科研中的应用：冯恩波提到大模型在科研领域有广泛应用，特别是在药物发现和材料研究中。 大模型在生产中的应用：冯恩波认为大模型在生产领域也有潜力，但需要解决数据标注和模型泛化等问题。 大模型在不同领域的对比：冯恩波比较了大模型在科研和生产领域中的应用差异，指出科研领域更注重细节和预测能力。 大模型的未来发展方向：冯恩波认为大模型未来的发展方向是结合专业知识，提升在各个领域的应用效果。
| 
发表于 2025-3-9 18:02:12
显示全部楼层
IP卡
狗仔卡
楼主
提升卡
置顶卡
喧嚣卡
变色卡
千斤顶
显身卡
成长值: 7600
