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

如果无法正常显示，请先停止浏览器的去广告插件。

相关话题： #DeepSeek

1. 建筑节能杂志社浙江大学 IRC Zhejiang University 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 2025.2.14

2. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 结论和展望

3. 在人工智能发展史上，DeepSeek掀起首次中国Al热潮 3/80 deepseek 研究低谷热度 1990-2000 低谷 AI诞生 1956 达特茅斯会议专家系统发展乏力神经网络研究受深度学习 2006-至今爽破性进展，进入发展热潮 2014 卷积神经网络在图像识别任务中超过人类 ChatGPT发布 1956-1980 计算能力无法突破，复杂任务不能完成 AlphaGo 2016 2011 专家系统 1957 感知神经网战胜人美围棋大师 IBMWaston在电视规智力竞赛中战胜人类冠军李世石 2022 大语言模型时代崛起 1982年后神经网络+5代计算络发明 1 第一次发展浪潮第二次发展浪潮现状和未来(J).智慧中国,2019（Z1)：87-91 第三次发展浪潮时间

4. AI领域里程碑：研究者首获诺贝尔奖，开启智能科学新纪元 THENOBELPRIZE THENOBELPRIZE INCHEMISTRY2024 INPHYSICS2024 Geoffrey E.Hinton JohnJ.Hopfield David Baker Demis Hassabis forfoundationaldiscoveriesand inventions "forcomputational "forproteinstructureprediction" thatenablemachinelearning proteindesign withartificial neuralnetworks THEROYALSWEDISHACADEMYOFSCIENCES THEROYALSWEDISHACADEMYOFSCIENCES JohnM. Jumper 4/30

5. 人工智能技术突飞猛进，尤其在2024年取得了大幅进步 5/80 Alperformancevshumanperformanceonselectbenchmarks ASUMHIDN International 0.2 AlSafetyReport HumanLevelPerformance 00 0.2 0.4 0.6 0.8 1,0 2000 链接： https://pan.baidu. Q?pwd=25ai提取码：25ai Ori 2012 2016 2020 基强英语语言理解（GLUE) +语音识别（总机）图像分类（ +多任务语言理解（MMLU) 基础调读理解(SQuAD1.1) JSs8rN6XDH1EQq 2008 +阅读笔迹(MNIST) ImageNet) com/s/1AgZXymu 2004 +中级阅读理解（SQuAD2.0) 一般问题解决(BigBench) 竞弃级数学（MATH) 博士级科学题（GPQA) 2024

6. 在人类博士级别专业问题上，人工智能逐步逼近上限 HumanPh.D.-levelexperts 70% 6/80 ol-preview ol-mini 60% Claude3.5Sonnet Claude3Opus 50% Gemini15Pro(2024-02-15) GPT-4Turbo(2023-11-06) 40% 1Claude2 FO GPT-4(2024-06-13) 30% HO- Randomguessing 20% 数据源 10% 0% Oct.2023 July2023 Jan.2024 Apr.2024 Al Google OpenAl +Anthropic MetaAl Other July2024 Oct.2024

7. 以ChatGPTo1为代表的Al技术在不断刷榜（2024年11月数据） 7/80 口ChatGPTo1在数学等领域正确率大幅上升，甚至博士级科学问题要比人类专家解答正确率高8.3% 竞赛数学（AIME2024）博士级科学问题竞争代码(CodeForces) 100 100 100 89.0 83.3 78.3 80 80 80 62.0 准60 准 60 准60 56.7 确确 40 20 gpt4o 20 01预览 o1 56.1 40 20 11.0 0 0 69.7 确 40 13.4 78.0 0 gpt4o 01预览 o1 gpt4oo1预览 o1 专家人类

8. 2024年人工智能模型能力获得了阶跃式提高（截止2025年1月） 8/80 100 80 FrontierMath：高等数学 ARC-AGI：抽象推理（半秘密评估） 60 sw-bench：现实世界的软件工程 GPQA：研究生水平的科学 40 AIME2024:精英学生数学竞赛 20 数据源 .01 -05 09 202 2024 .01 2024 Model release date FrontierMath: Advanced mathematics +GPQA: Graduate-level science ARC-AGI:Abstract reasoning (semi-secret evaluation) AIME 2024: Mathematics competition for elite students SWE-bench: Real-world software engineering

9. DeepSeek横空出世，各项指标逼近或超越ChatGPTo1 9/80 口核心意义：打破AI壁断，带来A/平权，尤其是中文AI普惠，激发大众创造力 ns DeepStek-R1 AIME2824 CpenAl-01-1217 Codeforces OpenAl-ol-mind GPOA Diamoud Figure1|Benchmark performance of DeepSeek-R1, MATII-S00 DeepSeek-V3 MMIE SWT-bemchVirified

10. 开源与平权的AI将加速把能源行业带向阶跃式的新高度先前认知（摘自本人2018年的一个报告） 4.发展趋势与展望未来的人工智能+复杂热力系统口狭义智能是务实且必经之路口大部分复杂热力系统将连到智慧云脑通用智能革命基于届时通用人工智能的技术革命，重新定义复杂热力系统人工智能口大量运维管理人工被替代口从粗放运行转为精细化运行智能程度狭义智能：有多少人工，就有多少智能进阶智能完全普及（智慧财代）基于大量已处理数据和案例，达到能够实初级智能基础智能开发出各种核心能力，尚未充分现自我选代的寄点开发出适用于复杂热力系统的智能计算框架，有机融合各种核心能力逐渐普及（大航海时代）考虑通用性基本可用难以应用 2018年 5年内 10年内（铁器时代）（石器时代）时间 20-40年内？ 10/80

11. DeepSeek对行业带来的新技术思路（部分）人机智能协同互动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业务知识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，助力科学调度手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 11/80 智慧能耗与碳排管控 DeepSeek赋能建筑能源领域依托大模型和数字李生·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整潜在风险·为决策层提供情准·料学的策略参考，助力管理优化 11

12. 工业流程中的大语言模型典型应用场景（截止2024年9月） 12/80 工业大语言模型的应用已经渗透到研发设计、生产制造、经营管理、产品服务等多个环节。其中生产制造环节的落地案例最多（占比44.8%），当前主要以知识问答助手和产品交互等方式辅助人快速获取知识和进行决策生产制造(44.8%) 研发设计（7.1%) 产品服务经营管理(24.6%) (23.5%) 17.5% 15.3% 8.2% 7.79 5.5% 5.5% 1.1% 大语言模型在工业流程中的典型应用场景统计（2024.9） 2024年中国工业大榄型应用限踪报告.https://www.shaqiu.cn/zhiku/article/jE3o98eKL2k7[EB/OL]

13. 工业大模型典型应用场景 13/80 生产制 Research &design Manufacturing Managenent Test Maintenance 卷数优设计网客 Parametric design Q&A Operation guidance OperationQ&A Equipmentdiagnosis Q&A 生产状态闲利工业文款 RUCARRS Production status inguiry Industrialdocumeatretrierel Inteligemt QhA O Equipment rmaintenenceQ&A Intelligeet after-sale service 零的件/产品外现认验设计国 Hand-draun sketch recognition Testenviror Parts/product appearancecognitios Productstal Design draming understanding 按留状态控 ntcognition 产品春认知生产工老 Resource status dynarnic uogdaoad Equipmert status monitoring mition Scene cognition 方毫分折生产质装装控 Customited design deision 方保贷化润理全 maling euuesAagenD Test program analysis Management report analysis 生产调度化 Health status prediction Testresult Design optim 产线设计调型控制生产设备通动控制润试染能及果集系能控制 Eqiprent motios control Energyequipiment control 生产消程过程控制 Testequipment and acquition rystemcontro adjustment and centrol AGVRI制按备/产品造行客精控用 Equipment/μroductoperation fault-tolerant contrel AGVcontrol CAXR+生成 CAX design generation 仿真系统生成机园人就道生管理服者生成 Manugement reportgeneration 网家方家生成控制指中生成 sa5puet Core 黑试方聚生成 Test scheme generation Robot trajectorygeneration Test sar ertgeners 通行样本生球 Scheduling plan generatioe 多用代生产装理多学科镇合机理发理维护方家生成 Malitenance solution generation 性超通化限建发理 Mult-objective aptimired Degredation pattem discevery 超料/工艺理 productiosmode diacevery Complex correlatedquality analysis Root cause reasoning analysis 科学ER Newmaterial/processdiscovery Scientific discevery 品/产品通得校式品 Equipment/product opesation Aaanossip pattern discovery

14. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 结论和展望

15. 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期待发展趋势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”很难智能化程度一现有发展趋势 ★时间

16. 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 16/80 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手信息化阶段可再生能源热力系统公共建筑空调燃煤电厂区域供冷站建筑供热城市/区域集中供冷/热工厂能动系统 HRARA 太阳能供热污水废水余热余热驱动制冷热电联产

17. 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/环节是整个项自的天花板 2025年2月，麻省理工学院何凯明指出：A/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“。自动化最不靠谱的环节/人工程热物理新能源软件工程化工人工智能 17/80

18. 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选代需求分析运维算法设计 AI模型开发测试升级 AI 口碎片化口长链条 AD 口长周期口难维护

19. 传统范式的本质：有多少人工就有多少智能 19/80 例如专家系统，依赖于人工手动编码和规则设计专家系统的工作原理：领域专家经验编写决策规则执行计算机程序完成推理和决策这一过程严革依赖于人工限制了人工智能的可扩展性和灵活性： >规则设计与编码：专家必须深入分析领域问题，总结并转化为规则这个过程高度依赖人工经验知识库维护：随差问题和应用场景的变化，专家系统需要不断更新和维护其知识库和规则，也需要不断的人工干预。尽管专家系统在计算上较为高效，但它们的效率受限于人力设计的规和程序，在面对更复杂、多变的任务时，往往无法灵活应对，

20. 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领域知识经验开个性化故障检测诊断算法口个性化定制开发口算法开发难度大维子人工达代知识库 aet 以人为中心奔天诊断软件人1 开发口工作量大成本高送代维护难度大诊断推理链条以人工为核心串联开发范式口知识经验难以传承 20/80

21. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 结论和展望

22. 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，走向了自我选代升级 AlphaGoZero Startingfromsoratch 1997年深蓝战胜人类国际象棋冠军 2017年10月，AlphaGoZero在3天内自我对奔490万盘，以100:0击败AlphaGo 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。》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。

23. 以AlphaGoZero为例：自主学习达到超人类水平 ■AlphaGoZero通过强化学习和自我对奔，月 AlphaGoZero Startingfromsoratch 23/30 展现了人工智能自动生成与优化决策的强大能力，国环境状态+奖惩动作交互人工智能强化学习让A与环境互动，通过奖励与撼罚机制来学习，让A能够自主发现最优策略，并不断优化其决策过程，显著提高了A的可扩展性和灵活性自动化生成与优化：无需人工干预，AlphaGoZero决策过程是完全自动化生成的。与传统专家系统相比，人力需求大大减少。算力需求与自我进化：AlphaGoZero在训练过程中运行了大量的自对奔后面，使用了数干个TPU进行高效计算。经过21天的训练，超越了当时最强的围棋AI。通过不断的训练和送代，A的决策能力得到了自我进化和提升。 AlphaGoZero在自对奔过程中展现出来的围棋定式上的新发现以AlphaGoZero为代表的Al新范式不再依赖人工规则，而是通过自我探素、自动化生成策略，表现出前所未有的灵活性和智能化，成为未来A/发展的方向

24. 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 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！电力热力工业1.0 创造了机器工厂的“蒸汽时工业2.0 将人类带入分工明确、大批量生产的流水线模式和“电 AI智力人的智力工业3.0 工业4.0 应用电子信息技术进一步提高自动化水平人、机、物互联互通 - 18世纪末 20世纪初 1970年代初今天时间

25. 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A/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：A/和研究范式变革》的演讲： “我们自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A扩展人类的创造力，进一步探索世界。

26. DeepSeek支撑范式突破：实现能源人工智能个性化方案的 “3D打印"！26/30 1.人工智能民主化：AI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A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。

27. DeepSeek支撑范式突破：P 降低发难度，推动能源领域智力普惠大模型的特性： ·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、天算力、天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 27/30

28. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 结论和展望

29. 大语言模型在能源领域应用的一些探讨研究（浙大团队工作） 29/80 口大模型具有的强大编程、自然语言理解与认知推理能力。以能源场景为例，大模型能否辅助提高系统能源管理的自动化程度？用户需求运行数据与系统信息能源系统能源负荷预测代码大模型运行数据挖掘分析数据挖掘结果用户故障法检测诊断能源系统 Time 能耗预测结果系统能源浪费情况故障检测与诊断结果

30. 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、模型评估、结果可视化和模型解释等环节 EvaluationMetrics: Prompt CC = Code Accuracy: m Humans Cannotworkor GPT MAE,MSE,RMSE,MAPE, needmodification PredictionAccuracy: R2,CV-RMSE = Consistency: Prediction results Codes Python m

31. 研究一：基于大语言模型辅助的能源负荷预测方法 31/80 自动生成能源负荷预测代码 Teitialpram m JeA Iheolecadryereperziculdas ean cioe h ding,Thevedaa am udtyaeCeclinload a7e redtafilen 描述建筑运行数据 medBuikisy_operutianal_ha_d_m_ofce_bilcing cThuare tsCeotreloafwameana ct-ves ociekadprdchanedelra ngrers ap3:Moki tnir rance cmor, Ecae 告诉GPT对建筑能源负荷预测的具体要求 sp f: Mecdl irtepritatien ttitiz Shupley addiet vt (xp'anatirs mdetd to esplisin he final mroil, The itzpetut Initialeutput GPT生成代码 neTimvNeReemifm"TasNyan

32. 研究一：基于大语言模型辅助的能源负荷预测方法 32/80 自动纠正错误代码 epprompt 代码的错误信息 mitethebatca1shpe(255432) Follow-epoutput ApclogiesforthecorfizionThe amareaciemetbeen _iefone the target variedle y_ieat, while the scala as flned with theentire daiacet r-MinMasc 纠正后代码 -epprompt eateTypekmer 代码的错误信息 mTury_legacyUgtasuresetadseywidwrmantso_frn Follow-epoutpst ApclociesfotthewensielTesharsurmryploclYfinoliandoeahaveCetitlefocninrandxisfontamnepaarees.TocastoizetheforLyoucenasaupkodibtsm odfvi nin.HothesoRtadaleapafiethSHAPp 纠正后代码 SHAP hepvaigaXmaiiladelesurgtmrpoplrt_tyee-ar dupsmray.plosisep_vaias,X_msladearetumepuib

33. 研究一：基于大语言模型辅助的能源负荷预测方法 33/80 大语言模型！（GPT-4）能够自动的通过编写程序实现数据预处理到模型解释的负荷预测全部过程。 Chat R2:~0.95 Chat 2 Char3 Char 4 RMSE MSE Chat 5 240000 1920h 300,0 144000.0 200,0 96000.0 000,0 48000.0 MAPI) 40 0.4 06 . MAF 0.0 0230 200%00%12.0%8.0% 0.0 140.0.210.0/280350.0 6.0% Historicalenergy loads 9.0% arethemostimportant 12.0g model inputs R2 CV-RMNE 预测精度 Zhang Chaobo, Lu Jie,Zhao Yang.Generative pre-trained transformers (GPT)-based automated data mining forbuilding energy management: Advantages,limitationsandthefuture.EnergyandBuiltEnvironment2024,5:143-169 模型解释

34. 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 34/80 口运行数据挖掘分析：大模型与无监督挖掘算法结合，实现能源系统运行数据的自动化数据挖掘分析方法四个步骤：数据预处理、特征选择、知识挖掘与知识解释，可对系统能源浪费模式进行挖掘与分析，指导系统节能降耗。 Building operational data Prompting function Pronptingfunctioe sed data cles Inpat Input P Output Maximelfre Output utlers CoeimTeslled Kernel detusily estiumaliot- oaseddatatrarsfommation Features in various data User requirements Knowledgeint mining tasks Input information Data preprocessing Feature selecfion Knowledge discovery Knowledgeinterpretation onresalts

35. 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 Energywastepatternsusuallyonlycorrespondtospecificdevice(s)orsub-system(s).Itis notnecessarytoanalyzetherelationshipsamongallavailablevariables .Hence,GPTisutilizedto select suitablefeatures forvarious data miningtasks associated withdifferent device(s)or subsystem(s). Inputinformation Generation ofdata miningtasks Series-devices-level tasks Device(s)orsub-system(s)associated Components of the target building Parallel-devices-level tasks with thetargetdatamining tasks (x) energysystem (x,) Device-level tasks Typeofthetargetbuilding energy system (x.) Relationsamongcomponents(xs) Featureselectionfordataminingtasks Prompting function = "There arc [x,] Series-devices-level tasks in a [x,]. [xy], Tae following variables Available variables in thc targct Feature I, Feature 2, .. are available in this [xa]: [x]. Pleast select appropriale variables building energy system (x.) Parallel-devices-level tasks purpose of identifying the [xs] of tho Feature 3, Feature 4, ... [x]. Plcnsc don't scloct variables which are not included in the available GPT Device-leveltasks: variables. Pleuse don't select variables Feature 5, Feature 6, ... Energywaste patterns that users which are not associated with the [xs]." are interested in (xs) Prompting function Feature selection 35/80

36. 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 Atemplate-basedpromptgenerationmethod isproposedto automaticallygenerate feature selectionpromptsforGPT. Apromptoffeatureselectionforthedataminingtask: There are 2 chillers (chiller1 and chiller2),and 2 chilled waterpumps (chilled waterpump1 and chilled water pump2)ina chillcdwatcrplantsystcm.Chillcrs arc conncctcd inparallcl.Chillcdwatcrpumps arc conncctcd in parallel.Chillers and chilled waterpumps are connected in series.Thechilled water loop contains chillers and chilled water pumps.Thefollowing variables are available in this chilled water plant system: load rateof chiller 1, cooling water outlet temperature of chiller l, chilled water outlet temperature of chiller 1,load rate of chiller 2, coolingwateroutlettemperatureof chiller2,chilledwateroutlettemperatureof chiller2,frequencyof chilled waterpump1,frequencyofchilledwaterpump2.Pleaseselectappropriatevariablesforthepurposeof identifying theimpropercontrol,devicefaults,and sensorfaultsofthechillerI.Pleasedon'tselectvariableswhicharenot included in the available variables.Please don't select variables which arenotassociated with the chiller 1. function are not included in the available variables.Please don't select variables which are not associated with the [x]" 36/80

37. 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 37/80 Animprovedmaximalfrequentitemsetmining-basedknowledgediscoverymethodisproposed toextract knowledgefrombuildingoperationaldata.Itcandecreasetheamountofthe knowledgeextractedfrombuildingoperationaldata ID Listofitems ltem Support a,b,c,e,j.o 80% a,c,g 80% e,i a %08 a, c, d, e, g 50% a, c,e,g, I 20% e.j 20% a,b,c,e,f.p a,c,d Node-link a:6 20% Maximalfrequent Minimum support is 20% 6:2 itemsets a, c,e,gm (e,c,a,b,) a,c,eg.1 (e,c,a,g) (c,a,d) Transaction database FP-tree A maximal frequent itemset related to a chiller: "Chilled water outlet temperature of chiller1 is 5-6 oC", "Switch status ofchiller1is on"? Maximalfrequentitemsettree

38. 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 The template-based prompt generation method is applied to automatically generate knowledge interpretationpromptsforGPT Promptingfunction Knowledge interpretationresults There are [x]]in a [x2]. [x3].One ope The operation pattern of chiller7 ration pattern is extracted from the op indicatespotential impropercontr erational data of the[x6]. It is describ olandsensorfaults.l.Improper ed as follows:[x7] Please analyze the Control:The chilled water valve above operation pattern to figure out switch status of chiller7 is off.T whetherthex6has/have[x5].Ifthe [x6]has/have[x5],pleasefurthertell me what [x5] happen/happens... Insertthemaximalfrequentitemsetintotheslot[x-] GPT hisis abnormal because the chille rison... 38/80

39. 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 :313maximalfrequentitemsetsareextractedbytheknowledgediscoverymethod :GPT-3.5andGPT-4areutilizedtoanalyzethe313maximalfrequentitemsets :ThedetectionaccuracyofGPT-4is 89.17%forenergywastepatterns and99.48%for normal operationpatterns 15 13 192 193 euue [eLON Abnormal Norral Predicted label (a) GPT-3.5 Confusionmatrixesof (a)GPT-3.5and (b)GPT-4. Zhang Chaobo, Zhang Jian,Zhao Yang.Lu Jie.Automated data mimingfiramework for building energy conservation aided by generative pre- trainedtransformers(GPT).EnergyandBuildings2024:113877 Nonal Abnormal Predicted bibel (b) GPT-4 39/80

40. 研究三：基于微调大语言模型的系统故障检测与诊断 40/80 口故障检测诊断：基于标注数据，结合模型自纠正与数据增强算法，实现大语言模型的自动化监督微调训练方法，提高了LLMs在执行能源系统故障诊断任务中的准确性模型微调测试模型能力新模型故障检测与诊断能力测试提示词库 Normal Fault1 微调大模型模型微调检测诊断精度模型微调数据集补充生成微调训练数据 ? New sample 利用数据增强算法合成新的数据构建提示词原始大模型错误诊断的对话模型自我纠正

41. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 41/80 第一步：对原始数据进行预处理，并基于室外温度、相对湿度等特征变量匹配与当前故障阶段最相似的无故障运行阶段，形成系统状态对比，构建数据形式提示。 2.数据匹配 1.原始数据→稳态数据系统故障运行数据人滑动密口（日标区间） Initial data Initial data : a ollidic: Be di uf icta'say arihu har Le[t] dsig ote sludy-dile 故障运行格式转换正常运行 pslisprinc (pe'l litheaexsylor md Utdel derxne ef fint adutgirpetdas.caakilcm 特征变 hret B l edsthedita:fthestrrisbiles fomthe[leningathisr dierty-trle Delete 时间 teeiesdgdindah Pax) 最库部最近邻索 Hesomcnstedealladat omtiepeodwtfatfaperiodufit utdata:Palatadidinghspeoc t.F.ancoetemt:etylegexs tehcftownggs Time Dedaticeapliiddo 多个滑动害口特征变量 Phe thal4 fib The ma, kdy tag ofis tedl mn fs I-e lind 1 tcnle Steady-state data 故障运行 Steady-state data 正常运行时间系统正常运行数据 purph thn yn tau; dasts the.us heinc ya deain:i: thJng puyepa 故障与检测诊断提示

42. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 42/80 基于模板格式，自动填充相应内容，批量化生成用于大语言模型故障检测与诊断的提示词 PFput diupe(X, X, X, X, X, X, X, X)= "There are [X,] in a[X] [X]. The[X] NO. 待填充内容 X1 系统组成形式（设备、组件） operates duringthe [X]. I have collected the data of some key variables from the [X,] during one steady-state operation period (period 1).The average values and standard deviations of these variables duringthis period are listed as follows: X2 X3 设备之间的关系（申联、并联...） X4 系统的运行模式（制冷、制热...） [X,] I have also collected the data of these variables from the [X.] during another steady-state operation period. Thisperiod is fiault-free.The average values and standard deviations of 系统的类型 these variables during this fault-free period are listed as follows: 系统关键数据变量在一段时间内的平 [x] X5 Please compare the data collected from the period 1 and fault-free period to figure out 均值和标准偏差 whether the [X.] has a fault during the period 1. Please choose the most likely diagnosis 系统关键数据变量在正常运行时的平 resultfrom thefollowing options: ['x] X6 均值和标准偏差 The aforementioned options are explained in detail as follows: [X] You should write the most likely diagnosis result on the first line as a separate paragraph. Then, you should describe the reasons behind your decision in following parasraphs." X7 X8 系统可能存在的状态选项回答格式要求

43. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 43/80 对原始模型进行能力测试，结合标注信息使其自纠正错误诊断内容，构建语料，微调大模型 2.模型的自我纠正 1.测试原模型能力故障检测与诊断能力测试提示词库 Normal Fault 原始大模型诊断错误的对话检测诊断精度大模型自我纠正生成 3.模型微调 from openai import OpenAl from openai import OpenAl client =OpenAI0 client =OpenAIO f"prompt"："<Fault diagnosisprompt1>" "completion" client.fine tuning.jobs.createf client.files.create( "<Corrected fault training_file="fileID" file=open"fine-tune.jsonl","rb"). model="gpt-3.5-turbo"] purpose="finc-tuneh diagnosisresponseI>m 生成微调模型加载数据集模型微调数据集

44. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调大模型的自我纠正策略： Promptforafault or fault-free classgenerated bythefaultdiagnosispromptfunction Response of a LLM with incorrect diagnosis Acorrected chataddedintothe fine-tuning dataset Prompt for a fault PFself-cot stine(X,)= The real diagnosis result is generatedbythefault [X,].Thereisamisdiagnosisinyourprevious diagnosis prompt diagnosis response. Please correct this mistake function andprovideanaccuratediagnosisresponse based on thereal diagnosisresult.Ensurethe formatofthecorrectedresponsemalchesthe previousresponse. Response of a LLM withcorrectdiagnosis CorrectedresponseofaLLM No Yes Is theresponse correct? 44/80

45. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 45/80 评估微调后模型能力，利用数据增强合成新的训练数据，对模型偏弱的能力进行针对性提升。测试微调后模型能力模型持续微调 (06) 新模型故障检测与诊断能力测试提示词库 NormalFault1 微调大模型模型微调检测诊断精度模型微调数据集补充生成额外的微调训练数据 ? Newsample 利用数据增强算法合成新的数据构建提示词原始大模型错误诊断的对话模型自我纠正

46. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 46/80 基于诊断准确率自适应调整每类样本需新增的提示量，并基于SMOTE算法合成新样本口根据评估结果对诊断准确率较低的故障类别按照比例生成额外提示，以提高训练量 1 P; 口基于已有检测与诊断提示数据样本，利用SMOTE算法合成每类别提示对应数量的新的提示样本，一段时间内征兆变量的平均值和标准差 EN (1 - P) 第一段提示中的数据样本 Nadd为第i个类生成的额外微调对话的数系统正常运行期间征兆变量的平均值和标准差量 N Ntotal 故障类和无故障类的数量原始微调数据集中的对话数第二段提示中优化后的模型在第类的诊断准确率 P 优化后的模型在第类的诊断准确率合成祥本的数据样本为需生成的新的提示量增加的百分比 P .... : 第n段提示中的数据样本

47. 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调口原始GPT-3.5模型和四种微调GPT-3.5模型对RP-1312数据集中12种故障和无故障的最低诊断准确率分别为11.1%、78.8%、88.9%、92.0%和100.0%，能够实现高精度的故障检测诊断。口最终的微调后模型较原GPT-3.5模型对13类别的平均诊断准确率提高了73.3%。 100 GPI-3.S FT-GPT-V1 . FT-GPT-V2 FT-GPT-V3 FT-GPT-V4 50 诊断精度在m次对话中模型正确诊断的比例DiA=4 conditioningsystemsbylabeled-data-supervisedfine-tuning.AppliedEnergy.Volume377.PartA.2025.124378.ISSN0306-2619. m 47/80

48. 浙大EnergyX团队研究成果列表及下载链接 48/80 2024-2025期间浙大EnergyX课题组共发表大语言模型相关研究Scl论文5篇，涉及大语言模型在建筑能源系统中的大数据分析、故障检测诊断、负荷预测等场景的应用与能力评估。序号题目年份期刊 Generativepre-trained transformers (GPT)-based 1 Energy and Built automated dataminingforbuildingenergy 2024 Environment management:Advantages,limitations and thefuture Evaluation of large languagemodels (LLMs)on the 2 EnergyandBuilt mastery ofknowledge and skills in the heating. 2024 Environment ventilationandairconditioning (HVAC)industry Automateddataminingframeworkforbuilding Energy and energyconservationaidedbygenerativepre-trained Buildings transformers (GPT) 本二维码文件永久有效 Domain-specific large language models for fault diagnosis of heating,ventilation, and air conditioning 2024 Applied Energy systems by labeled-data-supervised fine-tuning Automated data-driven building energyload 5 predictionmethod based ongenerativepre-trained transfomers (GPT) 2025 Energy 微信扫码即可获取文件

49. 浙大Energyx团队相关作者 49/80 博士生鲁洁章文恺冯晨昕硕士生张健郑泽宇博士后王嘉茜贺佳宁蒋睿勤章超波荷兰埃因霍温理工大学

50. 浙大EnergyX团队成果：相关教材和课件 50/80 课件地址：能源系统人工智能方法 https.//pan.baidu.com/s/1culBC3QKGuTyNhXfiMiJyA?pwd=az3g 提取码：az3g Artificsal Intolligence Methods for Fnergy Systems 公众号EnergyX 5量173含-ppx 人小 7.4M 12.2M 7,73 22.4M 10.4M 机械出版社，2023.12出版

51. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 结论和展望

52. 未来大语言模型的关键突破点二：智能体！ 52/30 2025年2月10日，OpenAl联合创始人兼首席执行官SamAltman说：“这种Agent最终将能够胜任顶级公司中，拥有数年经验的软件工程师所能完成的大部分工作，处理时长不超过几天的任务。” Profile Profile Contents Memory Action Planning Memory Structure ActionTarget Planning w/o Feedback >Unified Memory >TaskCompletion>Eploration >Communication >DemographicInformation > Hybrid Memory > Single-path Reasoning >PersonalityInformation >Multi-path Reesoning MemoryFormats >Social information ActionProduction >MemoryRecollection > ExternalPlenner >Languages GenerationStrategy >Handcrafting Method > Erbeddings > Lists >Databeses > Plan Following Planning w/ Feedback MemoryOperation ActionSpace >Tools >Self-Knowiedge >Environment Feedback > LLM-Generation Method > Memory Reading ActionImpact > Human Feedback > Memory Writing > Dataset AlignmentMethod > Model Feedback > Memory Relection >Environmerts>NewActions >IrtemalStates

53. 例子：自动化研发，微软提出工业级Agent落地方案RDAgent 53/30 2024年11月28日，微软开源RDAgent，致力于打造一个工业研发过程的自动化助手，专注于数据驱动场景，通过提出新想法和实施它们来简化模型和数据的开发。假设实验发展（实现想法的能力） 1.创意与研究：从创意到研究提案 2.假设与实验：形成假设进行实验 3.能力开发：实现创意的能力应用程序/场景全融 4.反馈与实施：收集反馈，工作空医疗间实施研究（构思理议） https://mp.weixin.qq.com/s/9_zXOJTXIFD9j44phglK0A 反馈工作区中的实理 5.应用场景：金融医疗等领域应用

54. 例子：自动化研发，微软提出工业级Agent落地方案RDAgent 54/30 从假设生成到实验反馈的各个环节，每个步骤都是实验和开发流程中的关键环节，确保从创意到实现的转化和优化。 1.动态学习与适应：Agent通过假设反馈不断学习和适应，优化决策过程 nt2Feedback 假设实验·生成反馈提升问题解决能力。 2.跨领域应用能力：Agent能够 Experiment实验 +sub_tasks:lisBaseTask基础任务 .gen Dave Soenark 假设生成 sub_workspace_list:istWorkspace 工作区开发者+研发灵活应用于金融、医疗等多个领域，满足不同场景需求。 +experiment_workspace:Worksg 3.集成开发与反馈：Agent在集 Hypothesis2Experiment Hypones 假设假设实验+转化成环境中开发，通过反馈循环实现持续选代和性能提升。 https://mp.weixin.qg.com/s/9zXOJTXIFD9j44phglK0A

55. 例子：自动化研发，微软提出工业级Agent落地方案RDAgent 原始信息代码方法配方：博客_1.pdf 报售Lpdf 报告_2-pd 信息提取模型： I.VisNet 2. DirGNNConv 以数据为中心的自动化研发的一个简单例子 .成功跑步； 2.正储的放字： 2读取款联文件； 2.挥发性抢文3pd 结果 L进口包； 1.STR 伦文_2pdf 3.更能的信息； 3.预处理数据；代代码 4.实报方洁 5计算结果 6.存懂结果； 55/30 代码执行 1.信息提取：从报告和论文中提取研究方法和模型 4.相关性高； 5.准销的值； 6.正屏的/O位宝通过Readme.md进行数据选择 2.方法实现：将提取的方法转化为可执行的代码和模型 Readme.md#a data.h5domain_b data.h5domain c_data.xts domain_d_data csvdomain_e 3.结果分析：执行代码，获取并分析研究结果，为发展 datara 数据文件夹研发过程概述：研究人员阅读论文和报告，提取可实现的方法（通常制定为数学公式或模型架构），以寻求潜在的研究方向。然后，他们准确地实施这些方法，以获得进一步分析和开发的结果。 https://mp.weixin.q.com/s/9zXOJTXIFD9i44phglK0A 提供依据。

56. 例子：智能体多角色协作与循环优化的智能决策流程 56/80 Adam David Bob Charles ，任务细化与分配：由GPT担任游戏公司内各个关键角色，·信息整合与决策制定：基于收集到的信息，决策者进行每个角色均被赋予明确且对应的职责。总结与分析，以形成全面的决策依据 ·协作与互动：各个角色之间建立高效的沟通机制，通过·循环优化与送代：流程采取循环选代的方式进行，确保交流，提供必要的支持与反馈。问题得到持续的优化与解决。

57. 未来大语言模型的关键突破点二：世界模型/数字李生 AlphaGoZero的成功不仅是算力+算法+数据，还有数字化的棋盘！ 2016年3月，AlphaGo以4：1 赢了人类围棋世界冠军 2017年10月，AlphaGoZero在3天内自我对奔490万盘，以100:0击败 AlphaGo o.GoogleDeepM AlphaGoZero Startingfromseratch 57/80

58. 世界模型/数字李生：让大语言模型能够低成本虚拟演练 58/80 些学者坚信世界有一种「世界模型」，并着力开发一种新的类似大脑的A架构，是通过更真实地模拟现实世界（多模态输入训练）来解决当前系统的局限性，例如幻觉和逻辑上的缺陷。这也是想要AI接近人类智力水平，需要像婴儿一样学习世界运作的方式。 2018图灵奖得主卷积神经网络创始人 YannLeCun Real-Time Autonomous Adaptive Conceptual Human Learning & Intelligence Reasoning ognitive Al LLMs peroep 公众号·新智元 (Static) Knowledge&Skills tit元

59. 世界模型/数字李生：形成迭代闭环，这是AI获得生命的关键所在！反馈：GPT输出的文字和文字答案之间的差距反馈：世界模型的反馈，学到因果！送代进化！执行动作训线 ChatGPT 看到因果！ ChatGPT 海量的文字大语言模型生命1.0 生命2.0 59/80

60. 世界模型/数字李生：SORA是世界模型吗？ 60/80 Prompt: Drone view of waves crashing against the rugged cliffs along Big Sur's garay point beach. Thecrashing blue waters create white tipped waves, while the golden light of the setting sun illuminates therocky shore. A small island with a lighthouse sits in the distance, and green shrubbery covers the cliff'sedge. The steep drop fromthe road downtothebeachis a dramatic feat, with the cliff's edges jutting outover the sea.Thisisaviewthat captures the raw beauty of the coast and the rugged landscape ofthePacific Coast Highway. 提示词：俯瞰无人机视角，海浪拍打着比克瑟尔加雷海滩的崎枢悬崖。湛蓝的海水激起白色的浪花，而落日的金色光辉照亮了岩石海岸，远处有一个带灯塔的小岛，最岸边缘覆盖若绿色的灌木。公路到海滩之间的陡哨落差极具戏剧性悬崖的边缘向海洋突出。画面捕捉了海岸线的原始之美以及太平洋沿岸公路崎呕壮丽的自然风光。视频源：https://openai.com/index/sora/

61. 世界模型/数字李生：SORA是世界模型吗？ 61/80 真实画面质感生成复杂场景视频风格多样 Sora 模拟科学规律理解社会行为显示可读信息过程可解释性视频源：htps-//www.tiktok.cmom/@openai/ 发布时间：2024年12月12日

62. 世界模型/数字李生：SORA是世界模型吗？ 62/80 这里不是人类文字！

63. 世界模型/数字李生：SORA是世界模型吗？ 63/80 这里不是人类文字！

64. 世界模型/数字李生：数字李生的真正意义，是打通了进化的闭环！ 64/80 超智能机器可以设计出更好的机器，毫无疑问，这会带来智能爆炸，而人类的智能将远远落后。因此，第一台超智能机器将是人类最后需要发明的机器一欧文·约翰·古德，反馈：世界模型的反馈，学到因果！执行动作 deepseek 能源系统数字李生看到因果！完成进化闭环！：1965年

65. 世界模型/数字李生：浙江大学团队自研仿真平台的一点体会面向未来智能化需求，历时八年花费干万，开发新一代数字李生平台、SCADA和边缘控制器以知识图谱为核心，贯通物理仿真、AI、故障诊断和群控，代码量逾百万行支持冷、热、气（汽）大规模机理和数据驱动混合仿真平台简介能够自动生成节能控制策略，并进一步自动生成SCADA群控软件，节能性好，且降低自控开发量90%以上领域知识 deepseek 数据驱动建模 SCADA群控软件现场群控数字李生云平台故障诊断模块 A建模（脚本嵌入）边缘控制器 65/80

66. 世界模型/数字李生：浙江大学团队自研仿真平台的一点体会口需要深度工匠精神，要有迭代思维，年复一年升级迭代，人才是关键口群控软件和仿真软件开发难度、周期和代价非常高荣单栏开发工具栏工R栏开发工月栏子栏 EnergyX1.0版本配置栏系统流程图 Energyx2.0版本 66/80

67. 浙大经验：在专用软件方面，依然需要死磕的精神 67/80 口赵阳博士有十年国内外带软件开发团队经验，具有出色软件架构能力口长期在开发一线，有死嗑的工匠精神、永不放弃的热情、有核心团队赵阳博士亲自架构和开发90%内核代码，基于Rust语言 Java 第一代：2018 Java 第二代：2021 第三代：2022 第四代：2023 第五代：2024

68. 导致大语言模型项目落地失败的十大潜在风险从技术出发找场景大模型团队不了解业务 68/80 不合理的期望管理缺乏清晰的产品/技术路线技术方案过度设计缺乏对技术发展的认知沉迷于模型训练高估项目的成功率低估评估的重要性忽略微调的隐藏成本

69. 当下AI到了哪种程度能源领域传统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将带来颠覆报告提纲 6 未来展望和结论

70. 未来最大的变数：AGI距离我们还有多远？ 70/80 ■AI领域各路大咖预测：5-10年内，人类将迎来AGI的时代 2024年11月9日【我们距离AGI 「通往AGI只差最后一步还有大约10年的时间」 2025年实现AGI 通往AG的道路现已洁晰可见：未来的AI系统需要更主动、更学中的所有难题都将得到解决。行规划和推理，并在现实世界智能，能够像AlphaGo一样进当智能和能源极为充足时，物理 OpenAICEO SamAltman DeepMindCEO ～2024年11月29日「5年实现AGI, OPL [AGI将在5到10年降临， 10年算力提高100万倍 A 未来的AI将会自我生成数据来要让AI完美地生成图像与视频必须要让它基于物理学，创建个世界模型。 JEPA路线将代替LLMJ >LeCun坚信有一种世界模型并着力开发一种类似大脑的AI 进行强化学习；黄仁勋中采取行动。 DemisHassabis 2023年6月15日 NVIDIA CEO 2024年10月21日 2018图灵奖得主卷积神经网络创始人 YannLeCun 架构，通过模拟现实世界来解决幻觉和逻辑上的缺陷。

71. OpenAI宣告通用人工智能（AGI）时代临近（2025年2月10日） 2025年2月10日，OpenA/联合创始人兼首席执行官Sam Altman在其社交媒体发布重磅文章《ThreeObservations 我们持续见证看人工智能开发的飞速进展。以下是我们对人工智能经济学的三个观察 1.人工智能模型的智能水平，大致与训练和运行它所消耗的资源量（取对数后）成正比。这些资源主要包括训练所需的算力、数据和推理算力。看起来，只要持续投入资金，就能获得持续且可预测的智能提开： 2.预测这一趋势的规模定律，在多个数量级上都得到了验证。使用同等水平人工智能的成本，天约每12个月下降10倍。价格降低显著促进了使用量的增加。从2023年初 GPT-4的token成本，到2024年年中GPT-4o的token成本变化中，我们可以看到这一点一一期间每token的价格下降了约150倍。摩尔定律曾以每18个月翻倍的速度改变世界；而人工智能成本下降的速度，比这还要快得不可思议。 3.智能水平的线性提升，其社会经济价值的增长本质上是超指数级的。由此推断，我们认为在可预见的未来，没有理由停正对人工智能进行指数级增长的投资 71/80

72. OpenA/宣告通用人工智能（AGI）时代临近（2025年2月10日） 72/80 任何在2035年的人，都应能调动相当于 2025年全体人类的智力资源。每个人都应有权获取无限的“天才”力量 OpenAl 并能随心所欲地加以运用。如今，世界上存在看大量才华横溢却缺之充分发展资源的群体。如果我们能改变这种状况，由此释放出的创造力，将为我们所有人带来巨大的福证。

73. 顶尖人工智能专家对于AI影响就业的判断（2025年1月）随着通用人工智能变得更有能力，额外风险的证据正在逐渐出现。这些风险包括大规模劳动力市场影响、人工智能黑客攻击或生物攻击，以及社会失去对通用人工智 ASUAMTION 能的控制。专家们对这些风险的现有证据有不同的解读：一些人认为这些风险还需 International 要几十年的时间，而另一些人则认为通用人工智能可能在未来儿年内导致社会规模的危害。通用人工智能能力的最新进展一一特别是在科学推理和编程测试方面 AlSafetyReport 为人工智能支持的黑客攻击和生物攻击等潜在风险提供了新的证据，导致一家主要 As general-purpose Al becomesmore capable, evidenceofadditional risks is graduallyemerging.Theseincluderiskssuchaslarge-scalelabourmarket impacts,Al-enabledhackingorbiologicalattacks,andsocietylosingcontrol overgeneral-purposeAl.Expertsinterprettheexistingevidenceontheserisks differently:somethinkthatsuchrisksaredecadesaway,whileothersthink thatgeneral-purposeAlcouldleadtosocietal-scaleharmwithinthenextfew years.Recentadvancesingeneral-purposeAlcapabilities-particularlyintests ofscientificreasoningandprogramming-havegeneratednewevidencefor potentialrisks such as Al-enabled hacking andbiological attacks, leading onemajor Alcompanyto increaseitsassessmentofbiologicalriskfromitsbestmodelfrom'low'to 'medium'. 73/80

74. 未来最大的变数：AGI对世界会带来什么影响？ 74/80 ■AGI将带来人类历史上最深远的变革 AGI将10-1000倍提高生产效率，包括开发出能源领域专用人工智能的效率（个人观点）》经济结构快速调整自动化可能导致大量传统职业消失，尤其是基》提升效率与创造力 AG能够快速解决复杂问题，推动科研创新创意生成时间被大大压缩，缺之判断力易被淘汰！础性和中等技能岗位，对社会经济带来冲击。》解放劳动力伦理和数据安全问题 AG可以解放人类从事重复性、危险性、高强度的在军事、金融和医疗等关键领域，AGI的应用工作，使人类专注于更有创造力或更具意义的活如果没有充分的监管，会带来巨大的安全隐患动，解放劳动力。》社会公平与教育普及 AGI可能弥补教育资源不均问题，为偏远地区或欠发达地区提供个性化学习、医疗和公共服务。 AGI + 世界模型市场竞争与商业模式领先企业可能因率先采用AG技术而获得不可替代的竞争优势，董新定义市场格局，而落后的企业可能面临淘汰。

75. 大趋势：人工智能推动科技革命与产业变革口人工智能是新一轮科技革命和产业变革的核心驱动力。加快发展新一代人工智能技术，将决定国家在未来科技与产业领域的战略地位口制造业的数字化、网络化、智能化转型，将全面提升研发设计、生产制造、经营管理与运维服务的效率与质量。企业通过智能化升级，增强综合竞争力，抢占未来产业发展制高点口每一次科技与产业革命都形成了符合当时需求的新质生产力。历史证明，技术革命催生了全新的产业格局，推动生产方式的优化与系统性重构 A/是一场通用技术革命，预计将对各行各业带来深远的影响，推动全社会生产力和竞争力的提升！ 75/80

76. 能源领域：人工智能赋能能源领域的数字化变革口人工智能是能源领域一种新的生产力，正在重新定义行业工作方式和技术路径口通过大模型与智能体的结合，能源行业从数据收集到优化决策的智能化口大模型的强大推理能力为复杂问题提供精准分析，而智能体的灵活适配性保证了任务的高效执行，能够大幅提升了行业智能程度口通过实时数据的循环优化和反馈机制，人工智能持续推动能源体系的数字化与智能化变革，为未来的可持续发展提供了强大动力 76/80

77. AGI，我们都没准备好 77/80 口对于即将到来的AGl，无论是OpenAl还是DeepSeek，以及这个世界，都还没有做好充分准备口这些人工智能在数量和质量上都将超越人类，会以前所未有的速度处理信息，并生成超出人类理解的新解决方案口有可能在短短的10年内，人工智能就会复杂和超级智能到我们甚至无法理解它是如何运作的地步。口和届时的AGI相比，我们将会像幼儿园的孩子想努力拿到一个数学博士学位人们不仅容易高估未来1-2年的趋势而且更容易低估未来10年的趋势！

78. 这一次AI浪潮是一次百年一遇的技术阶跃组织机构和社会都存在巨大的思维惯性和发展惯性阶跃式的突变发生时，真理往往掌握在少数人手里 ■当看不懂的时候，先去做，和做得明白的人/单位做朋友，慢慢就懂了看不见、看不起、看不懂、来不及 78/80

79. 预告：浙大EnergyX人工智能平台即将开放，推动A/平权普惠 79/80 公众号 Energyx平台

80. 建筑节能花杂志社浙江大学 Zhejiang University 敬请各位专家指正！汇报人：赵阳浙江大学能源学院制冷与低温研究所 2025.2.14 IRC

81. 浙大Energyx团队 81/80 研究方向：复杂热力系统数字季生、故障检测诊断、智能控制口中组部“千人计划”青年专家口浙江省特聘专家，中控集团智库专家能源系统人工智能方法 EnergyandBuiltEnvironment，BuildingSimulation编委赵阳博士、研究员浙江大学能源工程学院口主持国家重点研发中国芬兰合作能效诊断项目1项口主持中国荷兰自然科学基金委国际合作智慧能源项目1项口主持热力系统故障诊断相关自然科学基金2项口主持浙江省尖兵领雁”复杂场景高端工业运维软件”重点项目口华为数据中心故障诊断算法及代码开发项目相关研究成果专利成果：获得授权国家发明专利28件，登记软件著作权1项论文成果：发表SCl论文83篇，迄今所有论文被SCI引用5000余次，H-index24 ■一作/通讯作者论文篇均被引47次 ■ES/高被引论文3篇（工程领域前1%），1篇被400次以上，16篇被引100次以上能源领域第一本人工智能教材