资料解读：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
详细资料请看本解读文章的最后内容。在科技飞速发展的当下，大语言模型正逐渐成为推动各行业变革的重要力量，建筑及能源行业也不例外。其中，DeepSeek 的出现，为这两个行业的数字化转型和智能化发展带来了新的契机与思路。
人工智能领域近年来取得了重大突破，研究者因在人工智能方面的基础性发现和发明获得诺奖，开启了智能科学新纪元。DeepSeek 的横空出世更是引人注目，其各项指标逼近或超越 ChatGPT，打破了 AI 领域的垄断局面，推动了 AI 平权，尤其是让中文 AI 实现普惠，激发了大众的创造力。
长期以来，能源领域的人工智能发展面临诸多困境。一方面，大多停留在数据采集和信息展示阶段，实际应用有限，难以突破落地瓶颈。另一方面，面临着范式困境，主要原因包括：应用场景复杂多样、碎片化且个性化，定制化开发成本高；涉及多学科交叉，技术门槛高，人才稀缺且昂贵，普通人才存在天花板效应；项目周期长、链条多，人员配合难度大、效率低，从经济性角度难以支撑。
DeepSeek 等大语言模型带来了新的范式变革。新范式以算法、数据和算力为核心，摆脱了对人类专家的过度依赖，走向自我迭代升级。其本质是将人从开发链条中移出，使得人的智力与芯片算力、运算时长建立转换关系。在未来，AI 计算速度会更快、成本更低，算法能力更强，智能程度更高。DeepSeek 支撑了范式突破，实现了能源人工智能个性化方案的 "3D 打印"，它让 AI 技术更加易于获取和使用，解耦合了开发与应用场景，降低了碎片化应用的成本，推动了能源领域的智力普惠。
在科研方面，大语言模型已有诸多应用案例。在能源负荷预测中，通过人工与 GPT 的交互，可实现建筑能源系统负荷预测任务的自动编程，涵盖数据预处理、模型训练等多个环节。基于大语言模型辅助的运行数据自动化分析方法，能自动生成特征选择提示词和知识解释提示词，对数据进行深度分析，检测能源浪费模式和设备故障。在系统故障检测与诊断中，通过微调大语言模型，构建语料，利用数据增强等手段，不断提升模型的故障检测与诊断能力。浙大 EnergyX 团队在大语言模型相关研究上成果颇丰，发表了多篇涉及建筑能源系统大数据分析、故障检测诊断、负荷预测等场景应用与能力评估的 SCI 论文。
从更广泛的视角看，大语言模型在其他领域的应用也为建筑及能源行业提供了借鉴。例如，某著名企业开源的 RDAgent 致力于打造工业研发自动化助手，智能体多角色协作与循环优化的智能决策流程也展示了大语言模型在优化工作流程方面的潜力。世界模型 / 数字孪生作为大语言模型未来的关键突破点，能够让模型低成本虚拟演练，形成迭代闭环，这对于建筑及能源行业的模拟、优化和决策有着重要意义。浙江大学团队自研的数字孪生平台，以知识图谱为核心，贯通多个领域，可自动生成节能控制策略和 SCADA 群控软件，大幅降低自控开发量。
然而，大语言模型项目落地也面临着不少潜在风险，如从技术出发找场景导致不合理的期望管理，大模型团队不了解业务，技术方案过度设计等。同时，随着 AGI 时代的临近，虽然人工智能有望推动科技革命与产业变革，为能源领域带来数字化变革，提升行业智能程度，但也带来了一系列风险，包括对劳动力市场的影响、黑客攻击、生物攻击以及社会对其失去控制等。目前，无论是人工智能企业还是整个社会，对于 AGI 的到来都尚未做好充分准备。
大语言模型在建筑及能源行业的应用前景广阔，但也面临着诸多挑战。行业从业者应积极探索，充分利用大语言模型的优势，同时关注其潜在风险，在实践中不断优化和完善应用方案。接下来请您阅读下面的详细资料吧。
篇幅所限，本文只能提供部分资料内容，完整资料请看下面链接