马蕊-大模型在水务行业的应用探索与实践.pdf

1、大模型在水务行业的应用探索与实践百度智能云 政务业务部水务资深解决方案架构师 马蕊2025年06月目录01大模型发展趋势与十五五建设重点03百度智能云简介及标杆案例分享02大模型在水务业务场景的应用探索与实践01大模型发展趋势与十五五建设重点 人工智能发展出现临界点，预示更大期待和可能1950s图灵测试1956人工智能概念提出1970-1980s第一个AI冬天1987-1993第二个AI冬天1990s机器学习/人工神经网络兴起2006深度学习兴起2016AlphaGo战胜人类棋手2020AlphaFold 2预测蛋白质结构2023百度文心一言发布，不断迭代已升级至4.0逻辑推理 Logical

2、 reasoning专家系统 Expert system机器学习/深度学习 Machine learning/deep learningSource：Wikipedia,MIT Technology Review,Pedro Domingos,PwC2022ChatGPT为代表的预训练大模型算力数据算法近15年芯片的计算性能提升了600多倍Tesla A100全球数据年均增速预计达到27%IDC,the Digitization of the World全球人工智能算法模型参数急剧增长，已突破千亿级。数据井喷算法创新算力突破顿悟涌现Aha moment“当AI 挣脱人类经验的束缚，真正的智能革

3、命或许才刚刚拉开序幕。”2025是大模型应用爆发的元年，智能体发展的拐点即将出现基础设施大模型应用基础设施大模型应用数据来源：IDC中国、MarketsandMarketsMCP、A2A、图谱、图谱RAG1.2万亿2028年全球AI应用的市场规模CAGR 48%+误区一：思考快与慢，需要结合不同的业务需求灵活选择概念与分类的误区 是否具有思维链只是大模型生成策略的差异 所有基于 Transformer 的模型本质上都是概率预测模型能力与应用的误判“链式推理”模型优势被片面夸大 实际应用中模型选择应为动态切换模式，技术进步模糊模型类型界限“快速反应”模型和“慢速思考”推理模型和通用模型根据具体的

4、任务需求结合使用不同的模型，而不是简单地在“推理模型”和“通用模型”之间进行二选一 误区二：深度思考模型会推理，大模型是万能的任务/需求了解模型上下文/背景明确指令行动导向任务分解理解能力输出格式确定要求提供背景限定条件提供数据有效的提示工程应当建立在人类对任务的理解、解构、效果评估的基础上，并进行动态调整 基础大模型很强大，但在行业落地任重道远亟需解决水务行业落地过程中的各种问题陷入智能体孤岛智能体沦为“高级问答机”预训练/微调陷入灾难性遗忘陷阱与核心业务场景“隔岸观火”行业高质量数据集系统规划与能力构建GPU云与异构芯片应用法则与场景开发大模型技术及应用发展趋势模型/算法基础设施应用模型能

5、力跃升，万亿参数大模型、多模态大模型提供基础保障；AI教AI成为主流国家和地方都在陆续出台高质量数据集建设的政策和标准体系国产化超大GPU集群技术突破，百度已点亮3万卡集群，支持万亿参数大模型训练应用会继续爆发，多智能体协作解决复杂场景问题会逐渐成为主流数据 大模型迭代太快，什么时候入手最合适，应用会不会过时？做好顶层规划，选好技术路线找对场景、选对基础模型、会调模型，做出来的应用就不会过时 建议十五五规划重点考虑的方向业务场景试点数据飞轮高质量数据集私域数据库可扩展的大模型底座02大模型在水务场景的应用探索与实践 行业落地实践法则-数据飞轮是关键冷启动：直接将基座模型作为企业主模型，基于基座

6、模型直接蒸馏业务小模型积累初步反馈：在使用业务小模型过程中，收集用户反馈、了解现有模型能力的不足之处，准备对应的行业/企业专有数据训练行业模型：在基座模型的基础上添加行业/企业专有数据，训练出行业模型，以该行业模型作为企业主模型，再基于此蒸馏业务小模型反复迭代：基于业务实际使用情况重复b、c，持续提升模型在各业务的落地效果基座模型行业模型业务小模型应用反馈添加行业/企业专有数据蒸馏模型平台业务小模型反馈迭代强大的基座模型作为智能基础行业模型拥有行业/企业专精知识效果好、参数量小（成本低）的众多业务小模型做实际推理工作数据飞轮 大模型在水务行业的应用场景规划面向决策应急调度（应急预案的评估、应急