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

.................................................................................128 10.1 AI 技术发展的趋势................................................................................................... 析和生态环境监测等多种技术，对环境问题进行有效评估和响应。 随着技术的不断进步和环保意识的增强，智慧诊断在生态环保领域 的应用越来越受到重视。其核心在于通过多模态数据的整合与分 析，及时发现环境污染的源头和变化趋势，并为决策提供科学依 据。 智慧诊断的发展可以追溯到信息技术和环境科学的交叉融合阶 段。在早期，环境监测主要依赖于人工采样和实验室分析，这种方 法不仅效率低下，而且难以实现实时监控。随着信息技术的进步， 数据集成：能够整合来自多源数据（如遥感、传感器、气象数 据等）的信息，形成全面的环境监测体系。 2. 实时分析：利用先进的算法对实时数据进行快速分析，及时发 现问题。 3. 预判能力：通过历史数据和趋势分析，提前识别潜在的环境风 险。 4. 决策支持：为政府、企业和公众提供科学的决策支持，促进可 持续发展。 智慧诊断的应用领域也在逐渐扩展，包括空气质量监测、水体 污染治理、土壤环境管理等多个方面。例如，通过智能监测站点收

.....................................................................................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

.....................................................................................149 19.1 技术发展趋势................................................................................................... DeepSeek 技术作为一种先进的数据挖掘和机器学习框架，近 年来在金融领域的应用逐渐显现其强大潜力。其核心优势在于能够 高效处理大规模、多维度的金融数据，并通过深度学习模型提取出 复杂的市场模式和趋势。DeepSeek 采用了分布式计算架构，能够 实时处理海量交易数据，确保在低延迟的环境下进行高速分析和决 策。此外，其内置的算法库支持多种机器学习方法，包括卷积神经 网络（CNN）、循环神经网络（RNN）以及最新的 工程模块，自动提取关键特征，为后续的模型训练提供有力支持。 模型构建是项目的关键环节，将采用 DeepSeek 的深度学习框 架，设计并训练多层次的神经网络模型。这些模型将针对不同的交 易策略进行优化，例如趋势跟踪、均值回归、套利策略等。模型训 练过程中，将采用动态调参机制，确保模型能够适应市场的快速变 化。同时，项目还将引入强化学习技术，使模型能够在实战中不断 自我优化，提升决策的精准度。 在交

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：

状 态，国产算力加速替代；软件层面，PyTorch、TensorFlow 等框架降低 AI 开发门槛，模型 即服务成为新趋势；应用层面，AI 渗透至智能驾驶、智慧城市、生物医药等领域，推动智 算产业化落地。 未来趋势方面，绿色化，智能化和算网融合是算力未来发展趋势。降低 PUE，采用液 冷、可再生能源技术是绿色低碳发展主要的方向；算力调度与网络协同极大提升资源利用 率；大模型持续进化，推动智算向更高阶发展。 通过对关键指标的分析，联合运维团队可以更加精准地了解系统状态、预测问题、优化 资源配置、评估和改进运维策略，从而提升整个系统的稳定性和运维工作的效率，指标分析 方法包括趋势分析、对比分析、关联性分析、阈值分析等。 趋势分析：通过对运维指标的历史数据进行趋势分析，可以了解指标的变化趋势，预测 未来的系统状态，从而制定合适的运维策略。 对比分析：将不同时间段、不同系统或不同运维策略下的指标数据进行对比，可以找出 性能差异，为优化提供依据。 验。在企业端，为涉旅企业提供专属的 AI 数字员工，从营销获客、游客数据分析到决策支撑，提升企业精准营销能力，降低企业日常 运营成本。在政府侧，通过 AI 数据助手，为相关部门提供客流分析、业态趋势研判和应急 预警，助力实现科学化治理与可持续发展，目前已经在利川、秦皇岛开展落地应用。 为了进一步赋能发挥城市文旅产业特色、提高本地服务水平、实现区域内的共同繁荣， 紧密结合本地丰富的文旅数

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