大模型赋能工业应用电子书

前折页

书名页

版权

丛书编委会

丛书前言

前言

第1章 AI驱动的工业创新范式

1.1 传统科研方法的局限性与AI的崛起

1.1.1 传统科研方法

1.1.2 企业对科研方法创新的迫切需求

1.1.3 AI的发展推动技术突破

1.2 数据密集型科学与AI驱动的创新

1.2.1 第四范式：数据密集型科学

1.2.2 AI驱动的数据分析创新

1.3 AI推动跨学科研究与复杂系统优化

1.3.1 工业复杂系统的多学科协同需求

1.3.2 AI推动跨学科协同

1.4 生成式AI与创新设计

1.4.1 创新设计的方法论

1.4.2 TRIZ在工业领域中的困境

1.4.3 生成式AI在创新设计中的应用

1.5 科研与创新生态系统的构建

第2章 大模型驱动的工业智能

2.1 工业智能的演进

2.1.1 从规则驱动到数据驱动

2.1.2 从数据驱动到语言驱动

2.1.3 大语言模型的认知涌现

2.2 语言模型的突破

2.2.1 从统计语言模型到神经网络模型

2.2.2 Transformer架构的突破性创新

2.2.3 参数规模与涌现能力

2.2.4 科学研究第五范式：语言范式

2.3 基于LLM的工业应用技术路线

2.3.1 莫拉维克悖论

2.3.2 生成式不仅是算法也是方法

2.3.3 生成式工业应用的技术路线

2.3.4 知识图谱是生成式工业应用成败的关键

第3章 LLM的技术演进路径

3.1 LLM的数学基础

3.1.1 概率论与信息论语言模型

3.1.2 优化算法的理论突破

3.1.3 分布式计算的数学建模

3.2 GPT是LLM工业应用的起点

3.2.1 Transformer架构的范式革命

3.2.2 自监督学习的预训练

3.2.3 MOE实现业务小模型与LLM的融合

3.3 DeepSeek类推理模型将机理融入工业LLM

3.3.1 动态稀疏激活机制

3.3.2 多模态融合架构

3.3.3 模型压缩技术创新

3.3.4 机理模型构建强化学习语料

3.4 智能体在工业领域的应用

3.4.1 AI发展的新阶段：智能体

3.4.2 微软的智能体框架

3.4.3 LLM在智能体中的定位

3.4.4 工业智能体的特点

第4章 LLM为工业应用赋智

4.1 工业软件的智能化需求

4.1.1 中国工业软件的发展现状

4.1.2 工业软件的知识化：从知识管理到AI驱动的精准应用

4.1.3 工业软件的智能化：从现状到未来

4.2 LLM领域化应用的设计

4.2.1 需求理解

4.2.2 场景设计

4.2.3 知识工程设计

4.3 LLM领域化应用的设计原则

4.3.1 原则一：多模态数据协同与融合

4.3.2 原则二：数据驱动实时优化

4.3.3 原则三：自然语言交互优化体验

4.3.4 原则四：主动学习积累知识

4.3.5 原则五：模块化、可扩展与自适应

4.4 LLM领域化应用案例

4.4.1 复杂工艺参数优化与动态控制

4.4.2 跨模态质量检测与缺陷溯源

4.4.3 智能供应链协同与自主决策

4.5 未来工业软件的发展趋势

第5章 LLM应用于工业领域的挑战

5.1 数据依赖与安全风险

5.1.1 数据依赖与领域迁移瓶颈

5.1.2 模型训练阶段的数据安全风险

5.1.3 模型推理阶段的数据泄露威胁

5.1.4 全流程数据安全防护体系构建

5.2 模型的可解释性与透明度

5.2.1 模型可解释性缺失的根源分析与发展方向

5.2.2 知识图谱与机理模型的显性知识约束机制

5.2.3 大语言模型与专业工具的协同推理架构

5.2.4 多模态可解释性增强技术体系

5.2.5 可信工业智能系统的构建实例

5.3 工业场景中的计算资源限制

5.3.1 实时推理效率与资源消耗

5.3.2 面向工业场景的模型轻量化策略

5.3.3 机理模型与LLM的混合建模架构

5.3.4 动态协同计算架构设计

5.4 模型更新与维护的挑战

5.4.1 模型更新策略的经济性与技术性矛盾

5.4.2 封闭环境下的模型维护与更新机制

5.4.3 模型版本迭代的风险控制体系

5.5 工业应用中的伦理与法律问题

5.5.1 大模型的安全伦理风险

5.5.2 人机协作模式下的社会伦理重构

5.5.3 知识产权边界的模糊化挑战

5.5.4 合规性风险的自适应治理难题

第6章 LLM工业应用能力评测

6.1 LLM评测的指标体系

6.1.1 基础能力评测指标

6.1.2 场景能力评测指标

6.1.3 工程化特性评测指标

6.2 自动化评测工具与方法

6.2.1 评测流程设计

6.2.2 自动评测工具

6.2.3 指标评测方法

6.3 人类反馈与评测的结合

6.3.1 基于专家知识的多维度反馈标注体系

6.3.2 动态反馈权重的自适应调节机制

6.3.3 反馈驱动的持续学习与评测闭环系统

6.4 分阶段评测策略与实例

6.4.1 LLM分阶段评测策略

6.4.2 LLM分阶段评测实例

6.5 工业应用中的LLM评测挑战

6.5.1 数据稀缺性与领域适配的挑战

6.5.2 动态工业环境下的评测鲁棒性挑战

6.5.3 评测结果的可信度与可解释性挑战

6.5.4 领域专家依赖性与评测一致性的挑战

6.6 评测方法的未来趋势

6.6.1 动态自适应评测框架的构建与优化

6.6.2 可解释性增强评测体系的深化发展

6.6.3 隐私保护联邦评测范式的创新突破

第7章 LLM工业应用实施方法论

7.1 工业应用智能化的企业实施方法论

7.1.1 企业实施知识工程方法论DAPOSI

7.1.2 大语言模型与知识图谱

7.1.3 大模型升级企业实施方法论

7.2 可行性研究

7.2.1 需求收集

7.2.2 需求分析

7.2.3 可行性评估

7.3 数据处理

7.3.1 数据采集

7.3.2 数据清洗

7.3.3 语料标注

7.3.4 知识加工

7.3.5 知识存储

7.4 模型训练

7.4.1 基础大模型选择

7.4.2 算力资源准备

7.4.3 领域模型训练

7.4.4 知识注入模型

7.5 系统部署

7.5.1 资源准备与系统部署

7.5.2 现场实施

7.6 持续优化

7.6.1 常见问题

7.6.2 检测机制

7.6.3 纠正与优化

7.6.4 资源配置

7.6.5 未来趋势

第8章 LLM在工业领域的应用案例

8.1 办公应用

8.1.1 智能会议管家

8.1.2 通用公文撰写

8.2 科研应用

8.2.1 行业知识管理与智能问答

8.2.2 科研报告生成

8.2.3 专业报告总结

8.2.4 翻译助手

8.3 生产应用

8.3.1 生产数据的智能问答

8.3.2 设备健康管理与预测性维护

8.3.3 生产优化智能体

第9章 工业智能的未来新技术

9.1 量子计算与大模型

9.1.1 量子叠加与纠缠特性加速LLM训练

9.1.2 将语言等效为物理问题

9.1.3 量子-经典混合架构的系统设计

9.2 边缘计算与分布式AI

9.2.1 边缘智能的实时性优化

9.2.2 分布式AI的协同训练与推理

9.2.3 边缘-云协同架构的设计与优化

9.3 新型硬件加速技术

9.3.1 专用AI芯片架构创新

9.3.2 存算一体技术突破

9.3.3 光电子与量子混合加速技术

第10章 工业智能的未来方法与新应用

10.1 工业智能的未来方法

10.1.1 复杂系统建模的理论突破

10.1.2 自主协同决策的算法框架

10.1.3 人机共生的智能架构设计

10.2 工业智能的新应用

10.2.1 智能工厂的自主优化系统

10.2.2 跨行业知识迁移的智能解决方案

10.2.3 可持续制造的智能闭环系统

后折页