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 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield 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 — - 现有发展趋势 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 智个 能 化 程 度 → 时 间 范式困境主 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升； 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，大约每 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

5.1 投资组合优化.............................................................................57 3.5.2 市场趋势预测.............................................................................59 3.5.3 自动化交易系统... ........................................................................................136 7.2 行业趋势...........................................................................................138 7.3 时的高效响应，显著提升客户满意度。 为了进一步提升 DeepSeek 技术在金融银行中的应用效果，以 下是一些关键的技术特点：  高精度预测：通过深度神经网络模型，DeepSeek 能够对金融 市场趋势进行高精度预测，为投资决策提供可靠依据。  实时数据分析：DeepSeek 支持对大规模实时数据的快速处理 和分析，确保银行能够及时响应市场变化。  自适应学习：DeepSeek 具备强大的自适应学习能力，能够根

.....................................................................................120 13.1 技术发展趋势.................................................................................121 13.2 行业应用前景.. 面显著提升工程造价管理的效率和质量： 1. 数据处理与分析：模 型能够快速处理海量数据，并提取关键信息，减少人工干预的同时 提高准确性。 2. 动态预测与调整：基于实时数据，模型能够动态 预测成本变化趋势，并提供优化建议，帮助管理者及时调整策略。 3. 跨专业协同：通过集成多源数据，模型能够实现跨部门信息的无 缝交互，提升协作效率。 4. 风险预警与管理：模型能够识别潜在 风险点，并提供可行的应对方案，降低项目的不确定性。 目中的应用效果： 通过引入 DeepSeek-R1 大模型，项目团队能够在项目的各个 阶段实现更精细化的管理，从而显著提升项目的成本控制能力和整 体效益。这一技术的应用不仅符合当前行业发展的趋势，也为未来 工程造价管理的智能化转型提供了切实可行的路径。 1.2 DeepSeek-R1 大模型简介 DeepSeek-R1 大模型的核心优势在于其多维度的数据处理能 力，能够同时处理结构化和非结构化数据。通过整合来自不同来源

大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 5. 未来畅想 目录 CONTENTS PART 01 软件日志运维观点： 智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 log analysis. (ICSE 2024 & ICPC 2024) 团队 repo 地址： https://github.com/LogAIBox 观点 2 ：智能运维演进趋势： 从任务数据驱动到自适应运维智慧体 PART 02 自适应智慧体在运维领域面临的 Gap ： 传统自动运维模型既没法“自适应”，也仅是有限“智慧” Gap1: 传统智能运维算法依赖于任务标注数据，仅仅是拟 Prompt ：把上述内容做个摘要报 告 Prompt: 根据该图分析系统 流量变化趋势？ Response: 该图片描述了项 目 & 文档 & 开发视图页面每 月 的使用趋势。其中横坐标 为 一天中的各个时间，纵坐 标 表示项目 & 文档 & 开发 视图页 面使用数量，单位为 个，总 体趋势在 9 月份有高 峰。 从应用角度来看，从文本、图片、 语音视频等全模态支 撑 LLMOps

持续发展与前景展望................................................................................126 9.1 行业趋势分析....................................................................................128 9.1.1 国际经验借鉴 在这一背景下，AI 大模型在城市轨道交通行业的应用方案应围 绕以下几个核心方面展开： 1. 客流预测与分析：利用 AI 算法对历史客流数据进行深度分 析，可以准确预测不同时间段、不同线路的客流变化趋势，进 而为运营管理提供有效支持。 2. 车辆调度优化：基于实时数据和预测信息，构建高效的车辆调 度模型，以减少因车辆不足或过多造成的资源浪费，提升列车 准点率。 3. 服务质量提升：通过分析乘客反馈数据及行为信息，优化服务 数据驱动的决策支持：城市轨道交通系统在运行中产生了海量 数据，包括乘客流量、列车运行状态、设备状况等。AI 大模 型可以帮助分析这些数据，为决策提供支持，提升服务效率和 质量。 4. 可持续发展的需求：在当前全球倡导可持续发展的趋势下，城 市轨道交通必须采取更科学的运营方式。AI 大模型通过优化 调度和能耗管理，能够显著降低运营成本，推动绿色出行。 为具体展示 AI 大模型在城市轨道交通中的应用场景，可以列 举以下几个关键应用：

2.2.2 竞争策略比较.............................................................................28 2.3 市场趋势.............................................................................................30 2.3 3.1 人工智能技术发展......................................................................32 2.3.2 SaaS 平台趋势...........................................................................34 3. 产品设计............. 作用。 1.4 本文目的和意义 在当前人工智能迅猛发展的背景下，大模型 SaaS（Software as a Service）平台的建设尤为重要。本文旨在通过分析市场需 求、技术现状及未来趋势，制定一套切实可行的大模型 SaaS 平台 设计方案。此方案将为企业和开发者提供灵活、高效且易于集成的 人工智能服务，满足各行业对智能化解决方案的迫切需求。 首先，随着企业对智能技术依赖程度的加深，迫切需要一种便

........................126 16. 未来趋势与展望............................................................................................................127 16.1 技术发展趋势.................................... 智能体的主要功能涵盖多个方面，旨在通过智能化的 技术手段提升企业的运营效率和决策质量。首先，商务 AI 智能体 具备强大的数据分析能力，能够对企业的海量数据进行实时处理和 分析，生成可视化的报告和洞察，帮助企业快速识别市场趋势、客 户行为变化以及潜在的业务机会。其次，智能体能够自动化执行多 种商务任务，如客户关系管理（CRM）、供应链优化、财务分析 等，大大减少了人工操作的繁琐性和错误率。例如，通过智能算 法 势、预测市场需求，并为战略决策提供科学依据。例如，AI 智能体 可以通过分析销售数据，识别出潜在的客户群体，并推荐个性化的 营销策略。 此外，个性化的客户体验是企业获取并保持客户的关键。根据 《2023 年客户体验趋势报告》，85%的消费者表示他们更倾向于 选择那些能够提供个性化服务的品牌。商务 AI 智能体通过分析客 户的行为和偏好，能够为企业提供精准的客户画像，并据此设计定 制化的服务方案。例如，AI 智能体可以根据客户的购买历史和浏览

保业务模型的实时性和准确性，支持实 时决策和业务监控。 大模型能够根据实时业务变化，动态调 整业务模型，确保模型与业务环境的一 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 预测性分析，识别未来业务趋势和风险， 支持前瞻性决策。 大模型通过深度学习和强化学习技术， 提供智能决策支持，优化决策流程，提 升决策质量和效率。 动态建模与实时决策支持能力构建 实时数据集成 动态模型调整 预测性分析 审批和风险评估。 国际领先银行 AI 架构转型案例 花旗银行 AI 架构转型 摩根大通在其企业架构中集成了大模型技术，用于自动化交易和投资组合管理。通过 AI 模型 的预测分析，该银行能够更准确地预测市场趋势，优化资产配置，提升投资回报率。 摩根大通 AI 架构应用 汇丰银行利用大模型技术重构了其客户关系管理系统，通过智能化的客户行为分析，提供个性 化的金融服务。该银行还利用 AI 模型进行反欺诈监测，显著降低了金融欺诈风险。 模型进行市场预测，优化了资产配置策略，提升了投资回报率。 浙江银行 AI 架构实践 广东银行在企业架构中集成了大模型技术，用于自动化交易和风险管理。通过 AI 模型的预测分析，该银行能 够更准确地预测市场趋势，优化资产配置，提升投资回报率。 广东银行 AI 架构创新 跨行业成功经验借鉴（如保险、证券） 平安保险利用大模型技术优化了其理赔流程，通过 AI 模型的自动化处理，显著缩短了理赔时 间，提升了客户满意度。同时，

9.1 技术进步的可能性............................................................................140 9.2 市场趋势分析....................................................................................142 9.3 伦理与社会影响展望 首先，生成式大模型可以应用于临床诊断辅助。通过分析患者 的症状、实验室结果及影像学资料，这些模型能够生成初步的诊断 建议。这不仅提高了诊断的准确性，还可以减少医生的工作负担。 基于以往的病例数据，模型能够识别趋势和模式，从而为疾病的早 期发现和预防提供数据支持。 其次，在治疗方案的制定过程中，生成式大模型同样具有重要 的作用。模型能够整合各类医疗信息，包括患者的病史、当前病情 及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 视。在诊断过程中，医生会面临复杂、模糊的信息，AI 模型可以通 过分析海量的临床数据，提供决策支持，增强诊断的精确性。例 如，AI 能够通过历史病例对比，辅助医生识别类似病例，预测疾病 发展趋势以及患者预后情况。 综上所述，医疗场景对 AI 生成式大模型的需求主要集中在数 据处理能力、个性化医疗、流程优化、互动智能等多个方面。这些 需求指向了 AI 技术在医疗场景中应用的广阔前景，为技术的落地