他不擅长的，跟人很类似。比如说他不擅长计算，人类有一个假象是擅长计算，那是因为人类发明了计算器。人类特别善于制造工具。人类因为记忆力不好，所以发明了数据库。其实大模型也没有记忆，他只能根据你的上下文给你推断。人类不擅长的地方要工具加持，那么大模型如何加各类工具，就是当下最前沿的那些研究机构的研究方向。
大模型在工业上的短板，一方面是精确性，比如一些高精度的控制、强机理的输出等还是有局限性；另一方面，大模型大部分还是基于历史数据学习出来的，时效性就相对差一点，需要给大模型做一些扩展和补充。这里就涉及大模型和小模型（机理模型）、数据要素的结合问题。
4、结合业务场景的需要，如何将大模型、小模型和数据组合创新？
大模型技术的单独使用，是基于历史显性知识的重复或增强使用，例如知识的问答。小模型的单独使用就例如仿真等机理模型，伴随工业生产流程。数据的使用，从最基础的实时监测，到趋势类的分析，都比较常见。
大模型和现场实时数据的结合，不仅仅对历史经验的定性描述，而且要定量化地描述当前的实际运行情况，工业专家再根据知识经验来判断到底有没有问题，接下来要做什么。例如设备维修场景下，工程师在检查维修某台水电机组设备的时候，可能会想了解当时水电站外边雨量、径流、水位等情况。这就需要把维修的知识和当前的实时数据结合起来，去应用大模型。
大模型+小模型的组合，在不涉及实时数据的情况下，可能会用在工业产品的设计阶段。以前叫计算机辅助设计，现在叫AI辅助设计。比如说我输入一些加工件的要求和限制条件，输出的是制造零件所需要的一个工艺过程。当然这个工艺过程是特定工厂的加工能力或者工艺能力相关的。
面对小批量、个性化的生产模式，可能一年好几万个型号；或是类似风电场逐点位设计风机的场景下，大模型可以充当一个平均水平的工艺设计师。他可能生成的方案不一定都对，但胜在孜孜不倦，一晚上出100个方案。这100个也不是随便出的，经过训练以后在大面上都是make sense的。大模型出完方案之后，再用一个小模型，或者叫仿真计算，对这100个方案做数值计算，找到其中比较好的组合，显然会比纯的碳基工艺设计师效率要高。你试错一次的时间够我试错100次。
还可能用在经营预测环节，例如电网的经典问题——潮流计算。
以前电网也有潮流计算的软件。在计算之前，要把整个电网架构网、网站结构、各种设备的参数、线路的长度、阻抗等都输入进去，然后专用软件就可以算出来，但本身输入的过程就很繁琐。用大模型的时候，可以考虑给他一张电网拓扑图，让他去识别出来，然后它就能自动调用潮流计算的算法去算一个结果出来。这也是一个大模型+小模型的典型场景。
