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 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 纲 当下 Al 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 结论和展望 …… 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 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 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高

模式，多样化、跨体系处理器协同成为提升计算并行度和能效的重 要手段。绿色节能方面，一是我国积极推进绿色节能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工智能技术方面，算力技术创新与人工智能技术深度融合，在自 然语言处理、图像识别、语音识别等领域取得突破性进展，为我国 算力产业的应用拓展提供有力支持。 综合算力指数 津、国内领先的人工智能产业创新发展高地。江苏、广东、浙江、 北京、上海则依托自身经济、技术、产业、市场等强大优势，在算、 存、运、模力发展水平方面，均处于全国先进水平，综合算力指数 稳居前列。内蒙古、贵州发挥气候、能源、政策等优势，多次进入 我国综合算力指数 Top10。山西加速算力产业布局，已构建“1+3+N” 数据中心空间体系，以太原为核心，大同、吕梁、阳泉为支撑，多 市协同发展。另外，山东综合算力指数表现优秀，2024 上海市、内蒙古自治区、青海省、山西省、广东省、贵州省、北京 市，具体情况详见图 4。 与去年相比，河北保持全国领先地位，浙江、内蒙古算力分指 数提升明显。河北算力发展成效显著，利用政策、区位、能源、土 地资源等方面综合优势，承接北京大模型训练、推理等任务，形成 “北京出需求、河北供算力”的协同模式，构建起优势互补、协同发 展的算力产业生态，算力分指数远高于其他省份。在规模方面，在 用

争力和自主创新能力，助力数字化转型。 政策性质 指导性政策 政策名称 《关于推进IPv6技术演进和应用创 新发展的实施意见》 颁布主体 发改委、工信部、交通运输部、中 国人民银行、国务院国有资产监督 管理委员会、国家能源局、教育 部、国家互联网信息办公室 生效日期 2023-01-01 影响 8 政策内容 初步形成以IPv6演进技术为核心的产业生态体系，网络芯片、模组器件、整机设备、安全系统、专用软件等 持智能软件在各行业的深度融合与应用。 政策性质 指导性政策 政策名称 《关于推动能源电子产业发展的指 导意见》 颁布主体 工业和信息化部、教育部、科技 部、人民银行、银保监会、能源局 生效日期 2023-01-01 影响 7 政策内容 加强面向新能源领域的关键信息技术产品开发和应用，主要包括适应新能源需求的电力电子、柔性电子、传感物联、智慧能源信息系统及有关的先进计算、工业软 件、传输通信、工业机器人等适配性技术及产品。 件、传输通信、工业机器人等适配性技术及产品。 政策解读 该政策旨在，推动能源电子产业发展，促进智能软件研发行业在能源管理、监控和优化中的应用，增强能源系统的智能化水平。这鼓励开发高效、安全的能源软件解 决方案，加速能源行业的数字化转型，提升产业竞争力。 政策性质 鼓励性政策 政策名称 《关于促进炼油行业绿色创新高质 量发展的指导意见》 颁布主体 发改委、国家能源局、工信部、生 态环境部 生效日期 2023-01-01

AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 万亿美元。海外以美国为例，相关政策出台时间较早， 人工智能领域发展更加成熟，许多智能体应用已在服务各类企业。并且美国有意 与人工智能强国组成战略伙伴，共同发展 AI 科技。智能体发展能推动政府、金融、 制造、能源、医疗、零售等行业的智能化应用向多模态和跨模态转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 程中出现的错误循环和高 token 消耗问题。另外，中国政府积极推动人工智能的发展，各地相继出台相关政策。 预计到 2026 年，中国人工智能市场规模将超过 260 亿美元，将在政府、金融、 制造、能源、医疗、零售等多个领域实现智能化应用。结合国家政策支持以及各 大企业的积极投入，智能体技术将不断进步，特别是在算力快速增长的背景下， AI Agent 的发展前景更加可期。多模态智能体的出现，将进一步推动各行业智能

以便制定优化方案。 3. 设备运行状况：定期监测关键设备（如信号系统、供电系统、 车站设施等）的运转状态和故障记录。通过数据采集和分析， 制定预防性维护计划，降低设备故障率。 4. 能耗指标：监控能源消耗情况，包括电力、水、燃料等的使用 数据。通过比对历史数据，识别异常能耗事件，优化能耗效 率。 5. 服务质量指标：根据客观反馈和乘客调查结果，分析列车正点 率、服务满意度、故障率等数据，以评估运营服务质量并持续 随着运营的推 进，车辆、乘客流量、能源消耗等数据会不断变化。因此，建立一 个数据收集和更新流程，确保模型能随时接入最新的运营数据。这 可以通过自动化的数据管道来实现，定期从各个传感器、车载设 备、乘客反馈系统中收集数据。 其次，模型的性能监测也是优化过程中的核心环节。需要建立 评估指标，实时监控模型的表现。这些指标可以包括故障预测的准 确率、能源消耗预测的误差、乘客流量的预测精度等等。通过设置 的快速响应和处 理能力。 5. 绿色运营管理：在节能减排方面，利用数据分析对列车运行全 生命周期的能耗进行评估，提出能效优化方案。同时，通过建 设与原有系统相兼容的绿色运营管理模块，推进清洁能源的使 用，助力城市轨道交通的可持续发展。 6. 整合多种出行方式：构建多模出行系统，集成地铁、公交、自 行车共享及打车服务等，提供一体化出行服务。利用 AI 技术 计算最优出行路线，增强乘客便利性及满意度。

; 工业总产值 ; 股市交易行情及成交量 ; 央行黄 金及外汇储备 ; 通胀指数 贵金属 国际 / 国内交易行情 , 交易量 ; 美元指数 ; 国际金银期货指 数 ;ETF 价 格 ; 能源价格波劢率 ; 实物价格 外汇 美元指数 ; 各币种央行基准利率 ;FED,ECB, 人行利汇率劢态信 息 ;CNY/CNH 价差 债券 债券指数 ; 人行利率政策发布 ; 银行间同业拆放利率 精功系 浙江 金良顺 精功科技、精工钢构、会稽山 华夏系 河北 王文学 华夏幸福、玉龙股份、黑牛食品 银亿系 浙江 熊续强 银亿股份、康强电子、河池化工 广汇系 新疆 孙广信 广汇汽车、广汇能源、 ST 兴业 汇垠系 广东 万家乐、汇源通信、永大集团 长城系 浙江 赵锐勇 长城影视、长城动漫、天目药业 袁志敏、熊 海涛夫妇 广东 袁志敏、熊 海涛夫妇 毅昌股份、高盟新材、东材科技、

：主导权和卡脖子争夺 过去 ：分段互补合作模 式 终端 制造 技术标准 核心专利 核心器件 高端设备 基础支撑保障 供应风险 政府决策需求 企业创新需求 航空航天、轨道交通、新材料、新能源、电子信息等战略产业、未来产业对产 业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。 产业发展决策：广阔的社会需求 关键核心技术突破 创新链产业链融合 科技创新体系优化 产业创新生态营造

融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和 复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网

分配，确保系 统稳定运行的同时，降低能源消耗。 以下是一个资源调度优化的示例方案： 1. 需求预测：基于历史数据和业务趋势，预测未来一周的资源需 求。 2. 实时监控：通过传感器和数据分析，实时监控各网点的客流和 资源使用情况。 3. 动态调整：根据监控数据，自动调整窗口开放数量和人员配 置。 4. 成本控制：优化 IT 资源分配，减少能源消耗，降低运营成 本。 5. 风险管 性资产的持有，避免了潜在的损失。 此外，DeepSeek 还提供了资产再分配的智能建议。系统基于 实时数据分析，建议银行将部分资金从表现不佳的传统行业转移到 新兴技术领域，如人工智能和绿色能源。这一决策不仅增强了投资 组合的多样性，也显著提升了整体的投资回报率。  提高决策速度：利用实时数据分析，决策时间缩短了 40%。  风险管理：通过预测模型，减少了 15%的潜在投资风险。

造价应用中的数据安全与隐私保护，为项目的顺利实施提供坚实的 安全保障。 11.2 模型偏差与错误处理 在 DeepSeek-R1 大模型应用于工程造价时，模型偏差与错误 处理是确保结果准确性和可靠性的关键环节。模型偏差可能源自数 据质量、算法选择、训练过程或外部环境变化等多个方面，需通过 系统化的方法进行识别、评估和纠正。 首先，数据质量是模型偏差的主要来源之一。工程造价涉及的 数据种类繁多，包括历史项目数据、市场行情、材料价格等，若数 在复杂项目中的自适应能力和多维度数据分析能力。为此，我们将 引入更先进的机器学习技术，如联邦学习和迁移学习，确保模型在 不同类型工程项目中的通用性和灵活性。同时，我们还将开发针对 特定行业的定制化模块，例如针对基础设施、房地产和能源工程的 专业化解决方案，以满足不同领域的精细化需求。 市场拓展方面，我们将通过以下策略逐步扩大应用范围：  试点项目推广：选择具有代表性的工程项目作为试点，展示 DeepSeek-R1 的实际效果，积累用户信任。