1、如何评价当前大模型的产业价值？
对工业领域来说，大模型目前并没有产生颠覆性的影响，但也并不是纯粹的概念炒作。现在的状态就像润物细无声，工业流程没有产生颠覆性的改变，在每一步环节里又频繁出现AI的身影。
当前大模型的影响力主要集中在生产运行以及售后环节，研发设计端将来能有突破的话，那可能是一个颠覆性的改变，但目前还没有出现。
某种程度上，和5G的发展趋势有一定相似之处，但5G和业务没有强关联，而大模型背后承载的行业知识，既有它通用的一面，也有很强的专业属性。
把大模型想象成是一个人。原来很多工业环节都是需要一些有智力的人去做，比如说有一天某个产线突然就出异常了，需要有人通过收集信息，打开数据库查表，把各种信息整合一起，想上解释原因。
这个行为如果交给大模型去做，可能也就几分钟的事。整体表现是一个人，但是比自然人的效率要高好几个数量级。从量变的角度去看，就是效率提升。当这个效率真的提高几个数量级的时候，也许它就会产生质变，那就是颠覆性的一些改变。
就相当于你多了一个硅基同事，他的学习能力很强，记忆能力很强，有很强的语义理解能力，有一定的规划决策，以及持续迭代的能力。大模型更像人的地方，是也会犯错，现在没有办法完全做到自动化。他也会继承一些负面特征，有时会一本正经地跟你说胡话。作为同事而言，大模型确实也挺贵，尤其是商业版。
大模型跟自然人有非常本质的区别。首先，地球上没有任何一个碳基生命的知识储备能够跟大模型媲美，且不停继承和迭代。能够一定程度解决以往工业企业对语料知识管理的难题。第二，大模型7X24小时工作，人是需要休息的。大模型可以看作是人脑的延伸，能不间断代替我们做很多重复性的脑力劳动。第三，大模型的输出能力强大，它的带宽是非常大的，如果GPU够好、模型优化够好的话，它一秒可以出几百个token。第四，大模型情绪比较稳定，输出很稳定，可塑性还非常强。教育人是有风险的，教育方式不对，可能误入歧途，而大模型只要把snapshot删掉，重新训练甚至重置一下就好了。此外，大模型也带来了人机交互方式的变革，可以拟人化实现个性化交流与呈现的效果。
大模型擅长各类重复性脑力劳动，擅长文本处理、语义理解。大模型很擅长做各类生成，背后体现出来的智能想法，从技术上来说，是个概率问题，但是抛开数学来说，他生成的东西其实蕴含了背后投喂的知识。随着技术参数的增加和演进，现在大模型在推理方面的能力也在慢慢显现。
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。
小模型+数据是目前工业数据分析领域比较广泛的应用，例如设备健康诊断、劣化趋势等等。
大模型+小模型+数据，其实是一种新的数字化决策引擎。
原来的专业机理模型、专用的数据分析模型，不是通用智能，需要针对一个个场景去做，但因为永远都有新的场景，根本做不完。例如复杂装备领域，哪怕就只做一个健康评估，通过各个部件的拆解，一个水电机组就可能拆解出几百个模型。
大模型加入了以后，就形成了一套新的双大脑的决策机制。以统计型的数据分析为例，因为需要这些数据的统计分析，还要设计入仓、设计维度，以及最终的展示形式，最后要开发个Web App，便于使用。这种场景下使用大模型，相当于大模型这个员工在现场写代码。你问他一个问题。他明白之后，现场写代码，现场画图。甚至在几秒钟的范围内，他就把这个小项目完成了。效率太快了，以至于它又产生一种新的应用方式。你问他一个问题，他自己把该访问的数据库都访问完了，数据聚合完了，最后你给他个Json，他还能帮你画个图。
这类低层次且大量的分析需求，大模型能够降维打击、降维覆盖。当然，更复杂的模型，目前大模型还没有智能到这个程度。
长远来看，大模型+小模型+数据，可能是一个过渡形态，当前形态的小模型未来可能也会被某种其他形态的大模型兼容取代。
未来大模型代表的是一个硅基同事，很多工作也不能光靠同事一个人做完。比如说实时数据采集，一些专业的有限元计算等，他可能也会用到一些专业的辅助工具。在这个过程当中，他从刚入门，到慢慢成长成一个行业领域的专家，我们优先让他去干什么事？肯定不会一上来就让他去啃行业最难啃的硬骨头，而是像带徒弟一样，先让他去做一些好入门也比较占精力的事情。
例如从监盘出运维报告开始，每天监盘他能看得懂的数据。有人觉得用大模型做监盘或者问答就很low，都想做颠覆性的尝试，比如说工艺设计。但说实话，不是不能做，而是相对投入特别大。
现在做工艺大模型就是无非借了基础大模型的红利，而基础大模型（语言大模型）现在能力就在这，你非得研究一个做工艺的大模型，可以，那就准备几千万至少也是大百万级的研发经费去研究。而务实一点，我们跟着技术潮流，他能干什么，我们就先干什么，对大家对这个技术有了信心，社区技术又进步了，就继续借东风。
大模型技术本身也在快速迭代，百模大战。在务实作风的工业领域，应用大模型和原来设计一个数字化系统的思路完全不一样，我们希望未来大模型能像科幻片的智慧大脑一样好用，但当下我们还得从培养人的角度去看待他，把他当成新招的富有潜力的实习生，投喂丰富的知识，配套一些劳动工具，逐步替代一些原本耗时、创造力不强但又有章可循的工作，改变一些固有的劳动方式。
当然，工业领域还注意知识的隐私性以及数据安全。在学习过程中对怎么样规避这两个问题，这也是后面需要研究的一些课题。
如果说大家只是是想感受这个技术，有很多这种公开的一些基于云的API，不管付费的还是免费的都有。如果说大家要在实际的生产业务当中去用，我们更建议还是用私有化部署的方式。
合法途径，建议找Apache2.0协议的大模型，然后买GPU。选择大模型的参数量，比如7B、13B、70B，把参数量X2就是你需要的显存。比如你布一个7B的模型，那么就是14G显存。如果你想要130B，那就是260G的显存，那就是40G一块单卡乘以八块。
起步阶段，不做训练，只做推理，一两台服务器就可以把好多事跑起来了。大家可以边探索边交流。
