报告行业投资评级 未提及 报告的核心观点 新一代大模型推理能力不断增强，基于高质量小数据集可训练专业领域高性能低成本推理模型，通过智能体可基于大模型实现复杂智能应用系统，“推理大模型 + 知识图谱（知识库） + 智能体”或成未来AI系统开发和应用范式 [146] 各部分总结 大模型推理能力快速提升 - 大模型由机器学习、神经网络以及Transformer模型等多种技术模型积累产生，ChatGPT是针对人类反馈信息学习的大规模预训练语言模型，其发布标志对话式AI进入大众应用阶段 [7][9][10] - AI从1.0时代的辨别式AI发展到2.0时代的生成式AI，大模型能力不断增长，参数量从百亿到万亿规模，在多任务上表现超人类水平 [13][18] - 早期大模型推理能力存在短板，易产生幻觉，在数学推理方面表现为简单数值比较错误、多步推理能力弱、推理不一致等 [19][23] - 2023 - 2024年，OpenAI o1/o3、DeepSeek - R1等模型推理能力取得突破性进展，o1在数学和代码问题上超越人类专家，DeepSeek - R1在MATH基准上准确率达87.2% [30][31] 推理模型和思维链 (CoT) - 推理大模型通过测试时拓展、强化学习、蒸馏等技术增强推理能力，如OpenAI o1专注复杂推理任务，o3能模拟推理反思思考过程，Claude3.7是混合推理模型等 [38][39] - 思维链是逐步分解复杂问题的思考过程，DeepSeek - R1是首个将思维链显式展示的开源模型 [40][47] - 通过在小规模数据集上微调并结合预算强制技术，或使用少量高质量样本，可低成本实现推理模型 [48][50] 智能体 (AI Agent) 是什么 - 智能体是大模型的眼和手，能让大模型运用工具与物理世界互动并拥有记忆能力，弥补大模型不足 [64][97] - 以撰写调研报告为例，智能体可通过任务拆解、调用工具等完成复杂任务，其五层基石理论包括Models、Prompt Templates、Chains、Agent、Multi - Agent [67][77][79] - HuggingGPT是大小模型协作的生成式智能体，大模型负责规划决策，小模型负责任务执行，在学术界、开源社区和工业界有较大影响力 [84][86][93] 四链融合产业大脑案例 - 产业认知决策面临国家战略需求，产业竞争从分段互补合作转为争夺主导权和卡脖子技术，精准识别“卡脖子”问题清单至关重要 [100][101][102] - 产业发展决策有广阔社会需求，战略产业和未来产业对产业信息智能分析需求增长，但各地各行业在产业布局中存在选择困难 [104][107][109] - AI推动“科技创新”和“产业创新”深度融合，产业经济面临机遇和挑战，产业网链大模型可解决部分问题 [110][112][116] - 产业网链大模型以通用中文大模型为基座，注入海量产业数据和知识图谱训练得到，具有多种能力，可提供专业产业知识服务 [114][127] - 四链融合知识计算引擎包括SupXmind基础平台和产业垂域大模型iChainGPT，为产业创新提供支持 [125][126] - 典型应用场景包括省级、市域、产业集群的四链融合决策应用实践，如浙江省产业一链通、宁波市产业链智能创新平台、中国视谷产业大脑等 [130][131][138]

表：主要数据集大小汇总，以GB为单位。公开的数据集以粗体表示， 确定的数据以斜体表示。Common Crawl数据集过滤之前为45T DeepSeek 智能时代的全面到来和人机协作的新常态 孙凌云 教 授 计算机科学与技术学院 2025年2月 一、智能演变 二、人机协作 三、产业现状 四、教育成长 到 2020 年的 GPT-3， 模型预训练数据量从 4.6GB 增加到了 45TB 45TB 相当于三千万本《西游记》 主要模型数据集包括： 来源： OpenAI团队，Language Models are Few-Shot ，2022年7月22日 | | 维基 百科 | 书籍 | 杂志 期刊 | Reddit 链接 | Common Crawl | 其他 数据 | 总计 | | --- | --- | --- | --- | --- | --- | --- | --- | | GPT-1 | | 4.6 | | | | | 4.6 | | GPT-2 | | | | 40 | | | 40 | | GPT-3 | 11.4 | 21 | 101 | 50 | 570 | | 753 | | The Pile v ...

报告行业投资评级 无相关内容。[无] 报告的核心观点 1. 新型电力系统的主要特征包括高比例可再生能源并网、高比例电力电子设备化、大量储能设备接入、负荷侧响应资源以及电力市场新规则等。[5][7][8] 2. 新型电力系统运行的主要挑战包括电网运行的动态性、随机性和不确定性显著增强,给电网在线安全稳定性控制带来巨大挑战。[8] 3. 针对新型电力系统的挑战,需要快速准确的在线安全评估方法、有效的在线安全智能调度控制方法、以及基于有限经验与模型仿真的离线策略难以达到最优效果的问题。[8] 报告内容总结 应用1：多时间维度功率预测 1. 开发基于监督式学习的多时间、空间维度功率预测技术,包括负荷、电动车充电、光伏、风电等。[34][35] 2. 该技术可以实现15分钟前、1小时前、4小时前和24小时前的功率预测,并具有较高的预测准确率(97%-98.3%)。[37][39] 应用2：基于无监督式学习的负荷聚类分析 1. 开发基于人工智能的方法进行有效的负荷聚类、关键特征和成分识别。[40][41] 2. 该方法可以通过聚类分析有效识别出居民负荷、工商业负荷等不同类型的负荷特征。[41] 应用3：基于深度强化学习算法的自主安全控制 1. 开发基于深度强化学习的电网自主安全控制技术框架,可以实现电网状态估计、故障诊断、自主调控等功能。[50][54][55][56] 2. 该技术在江苏电网的应用中,可以有效解决电压越限问题,降低主干网络功率损耗,并且智能体的调控性能不断提升。[70][75][76] 应用4：基于强化学习的意志性模型自动调参 1. 开发基于强化学习的发电机和励磁模型关键参数自动校验技术,可以提高模型的准确性。[82][83][94][95] 2. 该技术可以通过训练智能体自动搜索高维模型参数空间,使得模型与实测数据更好匹配。[85][86] 应用5：基于深度强化学习的电网经济运行方式 1. 开发基于深度强化学习的电网经济运行方式优化技术,可以在满足电压约束条件下,最小化发电成本。[97][98][99][100][101][102][103][104][105][106][107] 2. 该技术可以训练DQN智能体搜索最优的电网运行点,并在IEEE 14节点系统上进行了验证。[102][103][104][105] 应用6：分布式资源管理与控制 1. 开发基于虚拟电厂的分布式资源管理与控制技术,可以实现用户侧光伏、储能等设备与电网的协同互动。[118][119][120] 2. 该技术在香港中华电力和浙江宁波的应用中,可以有效降低配网电压波动、削峰填谷,提高电网经济性和可靠性。[121][135][136][137][139][140]