AI 大模型行业应用面临的问题与挑战

在 AI 大模型行业应用推进与思考的分享活动中，针对行业应用面临的常见问题进行了答疑。以下是关于智慧水务、煤矿能源、储能科研及人才培养等核心领域的详细讨论。

回答： 智慧水务涉及大量的不同场景，其核心价值在于对水务全系统进行智能化升级的管理，需要人工智能技术进行支持。

针对此行业，可以尝试通过人工智能以自然语言为基础，解决部分供水业务逻辑推理问题。具体应用场景包括：

知识问答：通过学习水务相关规章制度、业务流程、规则规范等知识，为运营管理人员和外部用户提供对话式的智能知识问答。这通常结合检索增强生成（RAG）技术，确保回答基于权威文档。
内容生成：通过调度方案和经验、运营管理报告等日常运营材料智能写作，支持业务人员便捷获取管理数据，减少重复性文书工作。
推理判断：大模型可以识别业务意图，根据思维链和业务规则，并通过复杂逻辑判断和服务插件调用，最终完成任务。例如自动分析管网压力异常原因并推荐调整策略。

实施建议中，需注意将大模型与传统 SCADA 系统对接，确保数据实时性与安全性，避免单纯依赖文本交互而忽略底层控制指令的准确性。

回答： 以煤矿为例，目前已经实现了中心训练、边缘推理、云边协同、边用边学、持续优化功能。67 类算法模型，全面覆盖了煤矿采、掘、机、运、通及安全管理等专业，在矿井提升安全管理、降本增效方面发挥了积极作用。

以某能源集团为例，分别在 4703 采煤工作面、31606 采煤工作面等地点的 171 个摄像仪部署了 230 路模型，通过应用场景的常态化运行，提升了煤矿安全生产及管理水平。另外，部分行业效率提升数据，受业主单位管理要求限制，暂未公开。

从技术角度看，煤矿场景对低延迟要求极高，因此边缘计算节点的处理能力是关键。通过本地化部署小模型配合云端大模型更新，可以在保障隐私的同时实现持续优化。

回答： 在能源领域，储能技术是连接能源生产、分配和消费的重要桥梁。

传统的储能方式存在效率低下、成本高昂等问题，同时随着储能应用的持续增长，安全成为储能行业发展的重中之重。如何及时、准确、全面地监控电芯健康状态，提前进行有效预警及排查处理，已成为行业亟待解决的问题。

AI 技术，可以通过智能化管理和优化控制，提升储能系统的效率、经济性和安全性，为能源行业带来革命性的变革。包含以下三个方面：

这几方面，可随储能企业的业务发展，实现相关创新落地。实施时需关注 BMS（电池管理系统）的数据接口标准化，以便 AI 模型高效接入。

回答： 目前在科研领域，业界重点聚焦基于大模型的推理能力，在学知识、读文献、写文章、处理数据等领域为科研提供助手能力。

科研领域具备行业属性，如气象预测，医疗研究，金融投研投顾等相关细分领域，基于相关行业属性需进行深入洞察，利用人工智能的行业能力，进行专项推动和落地。其中训练、推理需求此消彼长，在未来一段时间内，需头部科研单位持续投入，预计将在科研领域引领人工智能的创新发展。

未来趋势上，垂直领域的专用模型将逐渐取代通用模型成为主流，特别是在需要高精度和专业知识的科学计算场景中。同时，人机协作模式将成为科研新范式，AI 负责数据处理与初步假设，人类专家负责验证与创新。

回答： 开发人才和业务人才，两种培养模式侧重不同。企业规划行业人工智能，建议针对业务人才和开发人才进行如下布局：

在业务人才方面，建议聚焦在价值场景或生产单元的复合型人才，此部分人才是基于业务生产需求布设，也可以理解为传统人才；建议以内部培训、联合创新团队、KPI 提升团队等模式进行，结合业务痛点，重点培养具备 AI 意识和能力的业务人员或人才，形成'金种子'。

在开发人才方面，建议企业通过科技公司或人工智能专项来增加投入，重点在规划，因为未来的场景落地需持续通过此队伍见成效，除培养特定项目的开发人员外，建议重点关注人才来源，寻找适合自身企业特性的人才培养或引进模式。

更多推荐文章