强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 4/37 在人工智能领域，数据、算力与算法构成发展基石——数据驱动模型训练，算力支撑复杂计算，算法优化 技术路径，三者协同推动人工智能向更高阶形态演进。 利用模型、仿真生成 虚拟现实 自动驾驶 生态 PyTorch TensorFlow MindScope 训练算法 无监督预训练 强化学习 前沿探索阶段 底层计算库： CUDA 、 CANN( 华为 ) 有监督微调 对比学习 * 互联网爬取、规模大 LLM 预训练 多维并行算法 状态监测、任务调度 语言通用模型： 通用模型是当下研究热点与未来趋势； 研究高效训练算法具有重要创新意义。 如何提高数据的规模与质量 是当前人工智能领域的关键问题。 5/37 早期的深度学习受限于计算能力和数据规模，难以发挥优势。随后多层感知机与卷积神经网络结合反向传 播算法，显著提升了模型的学习能力。随后，基于注意力机制的 Transformer 架构改变了自然语言处理 的范式，使大规模预训练成为可能。近年来，大模型凭借

采取多源、多模态和多场景的数 据采集； 然后，通过人脸检测、关键点 对齐、光 照归一化和去噪增强实现识别。 商品所需数量分析 通过如下流程实现商品所需数量分析： 数据清洗→模型训练→需求预测。 顾客商品需求分析 通过如下两点实现： 1 ）基于消费记录的消费习惯分析； 2 ）基于表情动作的购买意向分析， 核心应用技术：主要为如下 3 种 Core Applied Technology Of Purchase Intention Based On Facial Expressions 需求预测 Demand Forecast 数据清洗 Data Cleaning 模型训练 Model Training 需求预测 Demand Forecast 商品所需数量分析 Analysis Of The Required Quantity Of Goods 机器学习工作流 Scheme 顾客商品需求分析 Customer Product Demand Analysis 分析可能购买数量 数据清洗后，进行模型训 练，然后分析出可能的需 求。 让模型在已见过的训练样 本上把误差降到足够低， 确保它能学会数据中的规 律而非噪声。 数据抽取 从门店销售系统中抽取顾 客的历史消费数据。 输入顾客可能购买数量和 购买意向数据进入模型， 输出顾客的商品需求数量。

•使用回归分析进行预测 •Weka ：导入数据集 •利用散点图观察数据的变化趋势 •选择线性回归算法 •设置训练集、验证集数据 •执行训练 •分析误差 •分类分析算法思想 •如何评估分类模型的优劣 •查准率、查全率、 ROC 与 AUC •使用分类分析进行预测 •Weka 导入数据 •选择分类算法 •设置训练集、验证集数据 •分析误差、可视化 •拓展知识 •集成学习、聚类分析、关联规则、时 间序列 （一）使用大数据分析工具  模型训练 模型开发过程是一个从数据中学习得到模型的过程，称为“训练”或“学习”。模型中可以适当变化 的部分，一般叫做参数。应基于实际的业务数据来确定最合适的模型参数。  数据集划分 算法建模所用的数据集一般分为两个部分。一部分用于训练模型的，叫“训练集”；另一部分用于 评估模型的，叫“验证集”。原则上不用训练集作为验证集。  模型评估 用验证集来判断训练得到的模型 用验证集来判断训练得到的模型是否适用。如果在训练集和验证集上的预测效果差不多，就表 示模型质量尚好，可直接使用。如果发现训练集和验证集上的预测效果相差太远，说明模型还有优 化的余地。 建立算法模型的关键环节 三、工业大数据建模  机器学习 通过算法使得机器能从历史数据中学习规律，从而对新的样本能做出智能识别或预测。 。 机器学习的应用场景  常见应用 • 预测：设备故障预测、降雨预测、产品质量预测……

络化共享”转变，更加速了人工智能应用在千行百业的落地进程，是构建未来智能社会不可或缺的神经中枢。从空 间维度上看，联算网络由智算中心网络和智能 IP 广域网组成，二者正日益成为业界关注的重点领域。 智算中心网络是支撑 AI 训练和推理的核心载体，承担着在智算中心内提升算力利用率、实现资源动态调度 的重要使命，正向超大规模集群扁平化组网、算网协同、设备液冷等方向演进。一方面，AWS、Meta 等科技巨 头推动智算集群向百 2024 年跨 DC 训练推 动 AI DCI 成为热点，2025 年 AI 推理与边缘智能兴起，驱动运营商、云厂商及设备商共同关注智能 IP 广域网发 展。面对 AI 大模型训练中高频次、大批量的“大象流”传输需求，智能 IP 广域网通过 IP 广域无损的 RDMA 无损保 障和流级精准控制等关键技术，实现高吞吐、低丢包甚至“0”丢包的无损传输，保障跨 DC 协同训练性能可达单中 心的 95% 的网络优化模式。使能系统具备全天在线的网络 专家能力，可自主完成决策与优化；80% 以上的无线网络问题无需人工介入即可实现自动修复。 （三）联数 随着数据成为新型生产要素，行业数据交易、公共数据共享及授权运营、数据集交易训练等典型场景对数据 网络流通提出“安全、合规、高速”三大挑战。传统网络面临数据面感知难、控制面调度难、管理面溯源难等难题， 基于可信接入、安全传输、数网协同等技术的高弹性、高吞吐、高安全的高速数据网，成为实现数据可信流通、

计算池化部署，按需弹性配置，构建超强计算池，满足 大规模多工区连片处理和解释需求，地震处理效率提升 主要产品及优势 全自主创新软硬能力，丰富云服务，全系列大模型 • 全自主创新软硬能力：算力、算子、训练框架、开发平台、大模型、工程套件 • 丰富云服务：数据采集、分析、训推、应用开发、流通全流程 • 全系列大模型：支持CV、NLP、预测、多模态、科学计算5个基础模型；完备的数据、模型、应用开发工程套件 程套件 湖仓智一体，内置60+数据清洗算子，数据加工效率提高10倍 计算加速，训推时长下降20%；算力切分，一卡多用，并行任务数提升8倍 存储加速，SFS Turbo数据加载提升10倍，训练提升2.5倍 ModelArts AI开发平台 AI开发框架 高阶云服务 DataArts CodeArts MRS/DWS TICS* 算力调度 算力切分 算子加速 机器视觉 | 自然语言 | 提升运维效率： 基于边缘计算和云管理架构，实现 管理效率提升50% 智慧井场 • 云边协同架构： 集团训练中心云和油田边缘推理协 同，管理生产效率双提升 • 边用边学，越用越好： 专家经验赋予人工智能能力持续提 升，边用边学，越用越好 • 非正常即异常： 理念革新，模型训练工作量节省 85%以上 油气生产大模型 11 智慧勘探开发 / 智慧油气田 / 智慧管网 依托新一代

门控循环单元 GRU 为 LSTM 的 简化 变体，将遗忘门与输入门合并为更 新门，将输出门替换为重置门，可 对前序信息进行记忆或遗忘，兼顾 负荷序列时序性与非线性，进一步 减少参数需求，降低训练难度 GRU h- hi Transformer 由多个编码器 和 解码器组成，核心在于多头自 注意力机制，捕捉输入序列中 人 t 是 LSTM 保留 RNN 的 隐 含层传递关系，加入 遗忘门、输入门和输 出门，解决 RNN 在 时间序列训练时的梯 度消失与梯度爆炸 L Q saly M⁹ 简化结构，模型 参数更少，训练 速度更快 2017 Vaswani 等在论文《 Attention Is All You Need 》中提出 2014 Kyunghyun network TimeGAN Random noise ● 极端天气 ( 如热浪、寒潮 ) 和新型负 荷 ( 如氢能、数据中心 ) 缺乏历史数据， 导致学习困境 · 小样本训练的模型在面对新场景时，泛 化能力差 负荷预测的小样本问题 Recovery network Embedding network Real data 1 7 1 5 1 著 #4

混合模型 l 数据贯穿模型训练、部署、应用的全过程 : 大模型的能力源于从海量数据中学习模式和知识。没有高质量、多维度、大规 模的数据 ，电力大模型就是无源之水 ，其价值也无从谈起。 l 数据质量决定模型上限 : 数据的准确性、完整性、一致性、时效性直接决定了模型训练的效果和最终应用的可靠性。低质 量数据可能导致模型产生错误认知甚至误导决策。 成） , 构造指令数据集进行微调 , 让模型 学会 遵循特定格式和要求执行任务 ，可蒸 馏小模 型 ，部署在硬件配置更低的终端中。 领域数据预训练 / 微调 使用包含大量电力专业文献、报告、规 程、 运行日志等语料库对模型进行训练或微调 , 使 其掌握行业语言和基础知识。 知识图谱融合 构建电力专业知识图谱 , 将结构化的实体、 关 系、规则与大模型相结合 , 增强模型的逻辑 整合与优化：整合大模型的初步分析结果、外部知识库信息、实时数据以及业务规则约束。 精炼与输出：进行更精确的计算、优化或模拟 ，生成最终的、可执行的决策建议或行动指令。 技术实现：能采用预训练大模型（经过电力领域微调） + 专用推理 / 优化算法（如运筹优化、强化 学习）。 核心大模型 与 推理决策引擎 < 整合与优化

使得模型能够捕捉到更多的细节和特征 ，提高了任务的准确性。 2 、训练数据海量。 AI 大模型需要训练大量数据才能发挥出其强大的 性能 ，这些数据来自于各种来源 ，如互联网、企业内部数据等。 3 、计算资源需求高。 由于参数规模庞大 ， AI 大模型的训练需要高性 能的计算资源 ，如 GPU 集群、分布式训练框架等。 二、 AI 大模型的核心技术与特 点 Te n c e n 应对策略：以人为本 1 、构建专业语料库： 收集能源领域的专业文献、研究报告、行业标准、技术规范等资料，构建专门的能源语料库。并对数据进行清 洗、标注和分类，确保数据的准确性和一致性，为模型提供高质量的训练数据。融合能源生产、传输、消费等不同环节以及气象、地 理等相关领域的数据，让 DeepSeek 能从更丰富的维度理解能源问题中的逻辑关系。 。 2 、模型优化：利用能源领域的特定数据集对 DeepSeek

融合了用于时间序列分析的 LSTM 模型和 MIP 数学规划工具；  高精度预测“将会发生什么”，更基于实际业务规则，计算出“应该怎么做实现最 优”，真正实现从数据洞察到行动决策的无缝衔接。 模型训练库（评价多模型效果） 算法 底层大模型 + 行业模型 如锂电池行业模型： • 化成工序预测模型 • 分容工序预测模型 • 涂布、辊分、卷绕等工序闭环 调优 AI 模型 ... 项目推广—— AI 系统的试用模式 试用 试用后项目规划 • 把工厂现有的数据接入底层大模 型已积累的行业模型，展示初 步成效； 根据客户需求，进一步梳理数 据（预清洗和标注）； 经过大量数据训练后，打造解 决具体业务问题的 AI 模型系统。 客户工厂 试用模式 图形 1 客户案例 案例 行业 客户 案例 新能源 亿维锂能 AI 质量预测平台（灯塔标准） 新能源 德赛电池 大数据质量管理平台 充电能耗节约 业务价值 1) 全链路闭环：研发设计 → SPC 监控→ AI 预测 → 知识沉 淀闭环 →研发改进。 2) 动态优化：过程监控与知识库 实时交互（如新故障案例自动纳 入模型的训练数据）。 3) 一体可视化：从原始数据 （ SPC 图表）到决策建议（ AI 输出）均在同一平台可视化呈现。 12% 4 小时 1 小时内 100% 98%+ 95%+ 30% 亿纬锂能—— AI+

线 基于领域知识 +AI 的测井数据仿真 测井解释数据少、 解释结果主观性强、 标注成 本高 借助正演模型进行数据仿真 ，利用仿真数据帮助训练 AI 模 型 中国石油大学（北京） 人工智能学院 通过深度学习模型训练 ，使生成 的 仿真曲线接近真实 曲 • 通过正演模型驱动的 AI 建模 ， 可生成符合物理约 束、 与真实曲线较为接近的仿真曲线。 • 具 DJ 数据分类工具 原 始图 片 无人机 无人机 • 需求部门： 设备部 人工数据标注工具 云端训练 ， 边缘推理的视频云框 架 5G 人工智能 云 VR/AR 绝缘子检测 防震锤