隨著新一波AI浪潮的到來，一場全新的、數字化的轉型升級正在各行各業上演。對數字化進程已行至“深水區”的石油化工行業而言，如何借這波浪潮向下“深潛”，推動行業向高質量發展轉型，成為業內專家在日前舉行的2024華為全聯接大會上深入研討的話題。
“我們需要把常規的化工知識，還有設計規則、實驗規律都結合起來，設計制造化工領域的AI大模型。”中國科學院大連化學物理研究所研究員葉茂說。
自2023年ChatGPT面世起，AI大模型技術在全球興起。大模型的能力和應用快速演進，但對于強知識性、重經驗積累的化工行業來說，依托現有的通用大模型，設計開發化工垂直領域的AI模型，仍是行業擁抱AI的重點。
葉茂認為，現有的通用大模型相當于接受完整通識教育的“高中生”，學習能力很強，什么知識都知道一點，但并不太專業。而通過知識數據訓練的專業模型就相當于化工專業的“本科生”，對化工知識的運用能力更強，但還不能直接去工廠或者設計院“上崗”，需要更進一步將專業模型訓練為在垂直領域應用的智能體模型。
據介紹，目前中國科學院大連化學物理研究所已經和華為合作開發出了面向化工工藝流程研發的智能化工大模型1.0版本，基本能夠實現化工知識的快速檢索、反應動力學的自動生成以及工藝流程的制度化設計，未來還將推出包含三級工廠生成和智能中試系統的2.0版本。
“不是每個企業都要建設大規模AI算力，也不是每個企業都要訓練自己的基礎大模型。”華為副董事長、輪值董事長徐直軍表示，并非所有的應用都要追求“大”。從華為盤古模型在不同行業的實踐來看，十億參數模型可以滿足科學計算、預測決策等業務場景的需求，比如降雨預測、藥物分子優化、工藝參數預測;而百億參數模型就可以初步滿足面向自然語言處理(NLP)、計算機視覺(CV)、多模態的需求，比如在特定領域場景的知識問答、代碼生成、安全檢測。而更加復雜的，面向NLP、多模態的任務如信貸評估、中樞調度、智能投資顧問等，可以用千億參數模型來完成。”
他指出，AI服務器特別是AI算力集群，對供電、散熱等數據中心機房環境要求極高，且隨著大模型越來越大，AI算力也將走向更大規模，而且變化節奏快。隨著AI服務器快速升級換代，數據中心機房面臨要么浪費、要么滿足不了需求的困境。同時，訓練出基礎大模型的關鍵是數據，而準備足夠多的高質量數據是很大挑戰。
“企業應用場景的多樣性，決定了我們必須構建起多模態、多尺寸的模型，實現場景與模型的最優匹配，滿足企業對大模型經濟性和專業性的需求。”華為常務董事、華為云CEO張平安說。
在實際應用中，通用大模型、專業大模型、垂直領域大模型并非是簡單的遞進關系，而是需要多種模型互相協作，構成專業的智能體“團隊”。
中國化工學會副秘書長胡杰認為，化工行業實現智能化需要多模態大模型與專業模型協同進化，建立復雜系統在垂直領域的大模型。具體來說，首先是基于大數據的智能方法，以自動化策略驅動建立虛擬化學實驗室;然后借助知識蒸餾技術，將大模型的能力傳遞給專業模型;再利用大語言模型獲取多模態數據，利用小科學(專業)模型提高精準性，由大數據生成多個專業模型;最后再由專業模型作為“教師”，幫助大模型快速收斂。
“我們希望未來能夠通過多個智能體的協同，承擔開發和設計工程師的部分功能，快速生成數字化工廠設計，并與現有的工廠數據進行功能對比。或者，通過智能體對數據的挖掘和分析，將實體工廠變成數字化的虛擬工廠。”葉茂說。
