大家好，我是朦。ChatGPT雖然少數時候會胡說八道，但它強大功能卻是世人有目共睹的，甚至讓人類感到危機。它能回答歷史、科學等各種問題、能寫文章、詩歌，甚至代碼。其實在它之前就已經有很多類似的工具了，為什么它就有一種橫空出世的感覺？就是“大力出奇跡”。這種人工智能訓練靠的一是模型本身，二就是數據量，ChatGPT勝在數據量，它上一個版本GPT-3訓練的參數量就已經達到了1750億，這個數量是其他工具望塵莫及的。就比如我和你擁有一樣的大腦，你學了100首詩，而我學了1萬首，你說我們誰的詩歌造詣會更好呢？ChatGPT能學習這么多的數據，除了冒著差點被告的風險白嫖了很多新聞網站，最主要的就是微軟等互聯網大佬們金錢的力量，30000 塊顯卡在晝夜不停地學習，那就是money持續在燃燒。

關于ChatGPT的沿革發展啊、介紹啊網上很多視頻或者文章都有提到，所以我就不過多重復的介紹了，其實作為一個工科生，我更關心的是它對工業發展是否有什么幫助或影響。前段時間聽的一個會議報告分析它的“潛力”是否會引爆下一輪工業革命 ，目前來看，不會。人工智能有很多細分方向，面向文本的、數據的、圖像的、語音的，ChatGPT主要是面向文本的，是語言模型。而工業領域，比如產品研發設計或運維端，需要的是結構化的數據模型，這兩個還不太一樣。而且就算ChatGPT未來開發了面向工業領域的算法模型，但數據哪里來，工業領域的汽車、輪船、航天、兵器那大部分都是涉密的，想獲得這些數據可就不是白嫖新聞網站被告那么簡單了。

所以咱工業產品的研發和運維還用不了ChatGPT，但是有一些面向工業端的人工智能工具是能用得上的。雖然現在計算機仿真已經大大加快了工業研發的進度，但如果你看過我之前的視頻，就知道，雖然仿真比實驗是大大節省了時間，但還是很慢啊，每一次計算要幾個小時甚至幾天，還得心里默念著好運來求它收斂。一旦好運沒來，幾天時間白過，重算。

我之前讀研的時候做的是動壓懸浮心臟泵方面的課題，深有體會，這個等待仿真計算結果的過程是相當折磨人的，會出現狂怒抓頭發，小紅小藍和小青三根秀發飄了下來的場景。所以如果一些合適的人工智能工具能一定程度代替仿真，讓我們少建模、少畫網格、少計算，甚至少做實驗，那真的是福音。今天咱們就身體力行，拿一款人工智能工具DTEmpower來試上一試。我拿的是船舶行業的一個案例，行業內的小伙伴應該知道減小船舶行駛過程中的興波阻力很重要，哪怕減小一丟丟，都能省很多燃料，省很多錢。

減小興波阻力的主要途徑就是改進船型，船型由下面幾個參數決定：draft 、Halfbeam、Height 等。每一組參數，都對應一種船型，也就對應一個興波阻力。剛剛這些參數含義我也不懂，其實這工具它也不懂，你就把這些數據放里，它就kuakuakua一頓算，就能找到這些參數之間的關系，從而進行計算和預測。我手里現在的這份數據，有1211組，這些數據，有的是實驗來的，有的是CFD仿真算的。很寶貴，都是前輩們經驗的總結。

咱機械行業不是流傳一句金句嘛：咱干機械的，是越老越吃香。咱們今天怎么試呢，我就把這1211組數據隨機抽出2組，把1209組數據放到DT軟件里讓它去學，學成后，我再輸入這2組數據的draft 、Halfbeam這些值，然后讓DT算出它的興波阻力是多少，再和這個表格中的真實數據核對，看看誤差有多少。一般仿真的誤差能控制在10%以內，已經是不錯的了，看這個DT預測的精度和仿真比怎么樣。

首先，打開軟件，新建項目

第一步數據讀取，讀入剛才的1209組數據。

第二步拖入變量設定模塊。把draft 、Halfbeam、Height等設為自變量，興波阻力設為因變量。

第三步拖入數據清理模塊。就是可以自動檢測出一千多行數據里面明顯不符合整體特征的數據，把它清洗掉。異常點設置80，為什么80呢，我試出來的，試的方法，如果你有興趣，我們之后詳說。

第四步數據分割。測試集占比為25%，意思就是拿75%的數據去學習，生成模型，然后拿25%數據去校核看這個模型預測準不準。

第五步模型訓練。就是選要生成模型的算法，DT里有幾十種算法，不知道選哪個沒問題，你就挨個試，我選1個線性的，這3個非線性的，都拖進去。點擊開始，哇，跑完了。看這速度，和仿真比，真的是過癮！

然后我們看一下哪個模型好，這些數據都是體現精度的，咱們就看R方值，它是這個公式算出來的，總之就是越接近1，模型精度越高。

這個線性模型的精度是最低的，只有0.56。Excel里的多元回歸模型就是這個，而且只有這個，看這個精度，大家以后不要用Excel多元回歸模型做稍復雜的數據分析和預測，準確度太低。

比較R方值之后，選擇ExtraTrees模型。點評估，就彈出了我們最期待的界面，輸入留存的這2組數據，先輸1組，誤差2%，還不錯，下一組數據誤差0%。這個精度，完全可以和仿真媲美，但速度快了無數倍啊，我說話的速度，都耽誤操作，要是不說話還能快不少！這速度讓仿真工程師有沒有感覺到好爽。

這類軟件呢，目前階段也有一定應用局限性，比如對于整體結構和設計參數比較明確的部件就比較合適，像今天的船型啊，像飛機機翼的翼型啊，就定義弦長、中弧線以及相對彎度等幾個參數，來預測升力、像汽車進氣道啊，這些你比較清楚地知道什么作為自變量的，就可以用這樣的人工智能工具去輔助產品的研發，一定程度上代替仿真。但設計那種你也不知道該用什么樣的結構才能讓性能更好的部件時，就不大適用了，畢竟結構都沒定，參數也定不了，也不可能有合適數量的歷史數據，那就只能仿真了，如果通過仿真找到了規律，初定了結構，積累了一定數據量，還沒有得到想要的性能，那就可以接著用DT來跑一跑了，畢竟省時間。

另外，除了工業設計端的場景，運維端也可用這類AI預測工具，比如電廠智能監盤啊、設備預警啊、水處理系統參數預測啊、鍋爐脫銷優化控制啊（畢竟咱熱能人干啥都得想著點兒燒鍋爐）。雖然這類人工智能工具最擅長的是工業，但也還可以干點兒別的事兒，比如預測天氣，預測球賽，反正只要你有歷史數據，想預測啥就預測啥。回到開頭講的ChatGPT，這是它目前干不了，但是特定的AI工具就能干的事兒了。

今天就說到這兒了，如果您喜歡，別忘點個關注，一鍵三聯，我們下期見！