語(yǔ)言模型的案例
什么是大型語(yǔ)言模型 （LLM）？
LLM 有能力為 AI 驅(qū)動(dòng)的應(yīng)用程序帶來(lái)革命，但該領(lǐng)域的進(jìn)步似乎有點(diǎn)困難，因?yàn)閮H僅增加模型的大小可能會(huì)提高其性能，但在特定時(shí)間之后，性能會(huì)達(dá)到飽和，處理這些模型的挑戰(zhàn)將大于通過(guò)進(jìn)一步增加模型大小所實(shí)現(xiàn)的性能提升。
常見(jiàn)問(wèn)題解答
1. 什么是大型語(yǔ)言模型？
大型語(yǔ)言模型是一種強(qiáng)大的人工智能系統(tǒng)，經(jīng)過(guò)大量文本數(shù)據(jù)的訓(xùn)練。
2.什么是 AI 中的 LLM？
在 AI 中，LLM 是指專為自然語(yǔ)言理解和生成而設(shè)計(jì)的大型語(yǔ)言模型，例如 GPT-3。
3. 什么是最好的大型語(yǔ)言模型？
打開(kāi) AI，ChatGPT，GPT-3，GooseAI，Claude，Cohere，GPT-4。
4. LLM 模型如何運(yùn)作？
LLM 的工作原理是針對(duì)不同的語(yǔ)言數(shù)據(jù)、學(xué)習(xí)模式和關(guān)系進(jìn)行訓(xùn)練，使他們能夠理解和生成類似人類的文本。
5. 什么是 LLM 模型的示例？
GPT-3 （Generative Pre-trained Transformer 3） 是 AI 中最先進(jìn)的大型語(yǔ)言模型的一個(gè)例子。
6. 什么是用于教育的大型語(yǔ)言模型？
大型語(yǔ)言模型被廣泛用于教育目的：
提供學(xué)習(xí)目標(biāo)
向?qū)W生提供任何主題的批判性總結(jié)
就學(xué)生想學(xué)習(xí)的任何主題進(jìn)行教育。
?
展開(kāi) 使用大型語(yǔ)言模型（LLMs）、檢索增強(qiáng)生成（RAG） ￥5
你將超越簡(jiǎn)單的提示詞實(shí)驗(yàn)，學(xué)習(xí)如何利用大型語(yǔ)言模型、嵌入技術(shù)、檢索、智能體、工具和全棧應(yīng)用架構(gòu)，設(shè)計(jì)可靠、可擴(kuò)展且適合企業(yè)使用的AI系統(tǒng)。課程的每個(gè)部分都包含循序漸進(jìn)的實(shí)踐實(shí)驗(yàn)，確保你不僅理解概念，還能通過(guò)真實(shí)代碼實(shí)現(xiàn)這些概念。
- 課程模塊：
- 模塊1——生成式AI入門：通過(guò)理解生成式AI與判別式模型的區(qū)別、生成式系統(tǒng)的重要性以及它們?cè)谄髽I(yè)軟件、醫(yī)療保健、金融和航空等真實(shí)行業(yè)中的應(yīng)用，建立堅(jiān)實(shí)的概念基礎(chǔ)。實(shí)踐實(shí)驗(yàn)：比較判別式模型與生成式模型，使用基于Transformer的模型生成文本，并繪制真實(shí)世界中生成式AI的應(yīng)用場(chǎng)景。
- 模塊2——Transformer架構(gòu)與大型語(yǔ)言模型基礎(chǔ)：揭開(kāi)Transformer的工作原理，包括自注意力機(jī)制、位置編碼以及編碼器與解碼器架構(gòu)。你還將探索令牌化、嵌入技術(shù)、上下文窗口，以及大型語(yǔ)言模型如何通過(guò)預(yù)訓(xùn)練、微調(diào)、指令調(diào)優(yōu)和基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）進(jìn)行訓(xùn)練。實(shí)踐實(shí)驗(yàn)：實(shí)現(xiàn)自注意力概念，可視化令牌化和嵌入過(guò)程，并在高層模擬大型語(yǔ)言模型的訓(xùn)練流程。
- 模塊3——大型語(yǔ)言模型實(shí)踐：親手實(shí)踐熱門的大型語(yǔ)言模型系列，包括GPT、Claude、Gemini、LLaMA、Mistral和Falcon，并學(xué)習(xí)如何根據(jù)質(zhì)量、成本、延遲和應(yīng)用場(chǎng)景要求選擇合適的模型。實(shí)踐實(shí)驗(yàn)：構(gòu)建多模型評(píng)估工具，測(cè)試幻覺(jué)現(xiàn)象和偏見(jiàn)，并使用溫度參數(shù)、核采樣（top-p）和最大令牌數(shù)等參數(shù)集成大型語(yǔ)言模型API。
- 模塊4——工程師的提示詞工程：將提示詞工程作為軟件工程學(xué)科進(jìn)行教學(xué)，涵蓋系統(tǒng)、用戶和助手角色，零樣本、單樣本和少樣本提示技術(shù)，以及思維鏈、自一致性和基于約束的提示等高級(jí)技術(shù)。實(shí)踐實(shí)驗(yàn)：設(shè)計(jì)穩(wěn)健的提示詞模板，防范提示詞注入攻擊，并為安全提示實(shí)現(xiàn)輸入/輸出驗(yàn)證。
展開(kāi) 設(shè)計(jì)仿真 | 融合DeepSeek大語(yǔ)言模型的SimManager仿真平臺(tái)
3.4
融合大語(yǔ)言模型和機(jī)器學(xué)習(xí)的SimManager智能仿真平臺(tái)應(yīng)用場(chǎng)景
融合大語(yǔ)言模型和機(jī)器學(xué)習(xí)的智能仿真平臺(tái)應(yīng)用場(chǎng)景，除了常規(guī)的基于仿真平臺(tái)的仿真工作以外，基于大語(yǔ)言模型LLM+機(jī)器學(xué)習(xí)ML的賦能，擴(kuò)展應(yīng)用場(chǎng)景如下：
圖 3 融合大語(yǔ)言模型的智能仿真平臺(tái)擴(kuò)展應(yīng)用場(chǎng)景
基于上述架構(gòu)的進(jìn)行了SimManager+DeepSeek+Odyssee的本地化集成部署。采用DeepSeek開(kāi)源的大語(yǔ)言模型,并在本地部署文字向量化數(shù)據(jù)庫(kù)，將本地（用戶生產(chǎn)環(huán)境則對(duì)應(yīng)SDM數(shù)據(jù)庫(kù)）的仿真知識(shí)，進(jìn)行向量化存入本地向量數(shù)據(jù)庫(kù)，作為在仿真專業(yè)領(lǐng)域進(jìn)行更精確回答的基礎(chǔ)。
因原始的大語(yǔ)言模型未涵蓋本地知識(shí)，在構(gòu)建本地向量數(shù)據(jù)庫(kù)前，針對(duì)相關(guān)問(wèn)題不能給出準(zhǔn)確的回答。在將相關(guān)數(shù)據(jù)和文檔上傳SimManager平臺(tái)，同時(shí)進(jìn)行向量化。當(dāng)用戶提問(wèn)時(shí)，系統(tǒng)自動(dòng)將帶有提示詞的上下文信息提供給大語(yǔ)言模型，能夠給出準(zhǔn)確的回答。如下圖：
圖 4 基于DeepSeek本地知識(shí)庫(kù)的仿真平臺(tái)問(wèn)答場(chǎng)景（1）
圖 5 基于DeepSeek本地知識(shí)庫(kù)的仿真平臺(tái)問(wèn)答場(chǎng)景（2）
04
應(yīng)用成效與價(jià)值提升
通過(guò)應(yīng)用實(shí)踐，融合大語(yǔ)言模型和機(jī)器學(xué)習(xí)的SimManager智能仿真平臺(tái)，能夠進(jìn)一步擴(kuò)展仿真平臺(tái)的使用場(chǎng)景，協(xié)助仿真人員實(shí)現(xiàn)仿真知識(shí)快速反饋、仿真數(shù)據(jù)挖掘和重用、協(xié)助文檔生成、專家經(jīng)驗(yàn)重用等，如下所示：
圖5 融合大語(yǔ)言模型和機(jī)器學(xué)習(xí)的SimManager智能仿真平臺(tái)
展開(kāi) 大語(yǔ)言模型(LLM)在塑膠射出成型產(chǎn)業(yè)上的應(yīng)用
科盛科技 / 簡(jiǎn)錦昌 副總經(jīng)理
(轉(zhuǎn)載自繁體版ACMT電子技術(shù)月刊No.092)
什么是大語(yǔ)言模型(LLM)？
大語(yǔ)言模型(Large Language Model, LLM)是人工智能領(lǐng)域中一種基于深度學(xué)習(xí)的技術(shù)，它通過(guò)處理大量的文本資料來(lái)理解、生成和翻譯自然語(yǔ)言。這些模型以龐大的參數(shù)規(guī)模為特點(diǎn)，并利用了現(xiàn)代神經(jīng)網(wǎng)絡(luò)架構(gòu)，尤其是變換器(Transformer)架構(gòu)，使得它們?cè)谧匀?em>語(yǔ)言處理(NLP)任務(wù)中表現(xiàn)出色。
大語(yǔ)言模型通常由數(shù)十億甚至上千億個(gè)參數(shù)構(gòu)成。這些參數(shù)是在大量的文本資料上訓(xùn)練得到的，通過(guò)深度學(xué)習(xí)算法來(lái)優(yōu)化。訓(xùn)練一個(gè)大語(yǔ)言模型需要巨大的計(jì)算資源，通常使用數(shù)百個(gè)GPU或TPU并行處理，以處理海量的資料集。
圖1：大家看到LLM提供的問(wèn)答服務(wù)只是冰山的一角，其背后隱含著大量的文字?jǐn)?shù)據(jù)資料
常見(jiàn)的LLM應(yīng)用方式
ChatGPT就是一種LLM，相信大家都有接觸過(guò)，只要在聊天框中輸入問(wèn)題或請(qǐng)求，例如撰寫文章、翻譯文本或生成程序碼，等待幾秒鐘，ChatGPT將自動(dòng)生成文字。如果需要進(jìn)一步調(diào)整輸出，可以繼續(xù)與其互動(dòng)，輸入更具體的指令或要求。大語(yǔ)言模型的應(yīng)用范圍非常廣泛。它們?cè)诟鞣N自然語(yǔ)言處理任務(wù)中表現(xiàn)優(yōu)異，常見(jiàn)的應(yīng)用包括：
? 自然語(yǔ)言生成
LLM能夠生成流暢且連貫的文本，常用于自動(dòng)化內(nèi)容生成、寫作輔助和對(duì)話系統(tǒng)。
? 機(jī)器翻譯
通過(guò)理解多種語(yǔ)言之間的復(fù)雜關(guān)系，LLM可以進(jìn)行高質(zhì)量的語(yǔ)言翻譯。
? 文本摘要
LLM能夠自動(dòng)從長(zhǎng)文檔中提取關(guān)鍵內(nèi)容，生成簡(jiǎn)短的摘要。
? 對(duì)話系統(tǒng)
基于LLM的聊天機(jī)器人能夠與人類進(jìn)行自然的對(duì)話，并且能夠理解上下文進(jìn)行合理的回復(fù)。
展開(kāi) 
AI芯課程 | 基于大語(yǔ)言模型的VC SpyGlass Lint Advisor流程與應(yīng)用
3月20日，新思科技芯課程AI系列主題第三講即將推出：「基于大語(yǔ)言模型的VC SpyGlass Lint Advisor流程與應(yīng)用」，將介紹GenAI技術(shù)和傳統(tǒng)Lint流程相結(jié)合的新技術(shù)--VC SpyGlass Lint Advisor。該技術(shù)不僅能理解Lint報(bào)錯(cuò)的原因并提供精準(zhǔn)的代碼修復(fù)建議，還能通過(guò)自然語(yǔ)言描述來(lái)滿足定制化Lint檢查的需求；另外它還能通過(guò)自然語(yǔ)言描述直接生成期望的waiver來(lái)過(guò)濾掉不期望看到的違例。采用該技術(shù)能加快 Lint違例的修復(fù)和收斂的效率，從而極大解放開(kāi)發(fā)者的生產(chǎn)力。
GenAI+Lint全新技術(shù)：VC SpyGlass Lint Advisor實(shí)戰(zhàn)課程即將上線，歡迎大家報(bào)名！
時(shí)間：3月 20日（星期五），14:00–15:00
地點(diǎn)：線上直播
講師簡(jiǎn)介：
羅木江 | 新思科技首席應(yīng)用工程師
負(fù)責(zé)數(shù)字電路驗(yàn)證系列產(chǎn)品的支持，在RTL Signoff靜態(tài)驗(yàn)證領(lǐng)域以及跨技術(shù)域驗(yàn)證方法學(xué)具有豐富的經(jīng)驗(yàn)。
掃碼立即報(bào)名參會(huì)
展開(kāi) 工程碩士：碩士人工智能和大型語(yǔ)言模型（LLMS） ￥6
MP4 |視頻：h264， 1920×1080 |音頻：AAC，44.1 KHz
語(yǔ)言：英語(yǔ) |大小：5.65 GB |時(shí)長(zhǎng)： 7h 26m
掌握生成式 AI 和大型語(yǔ)言模型 （LLM）。探索和部署 LLM 應(yīng)用程序，學(xué)習(xí)基礎(chǔ)理論。
您將學(xué)
到什么 通過(guò)選擇、培訓(xùn)和應(yīng)用 LLM 來(lái)設(shè)計(jì)和開(kāi)發(fā)給定業(yè)務(wù)問(wèn)題的完整解決方案
比較和對(duì)比提高 LLM 解決方案性能的最新技術(shù)，例如 RAG、微調(diào)和代理工作流程
權(quán)衡領(lǐng)先的 10 個(gè)前沿 LLM 和 10 個(gè)開(kāi)源 LLM，并能夠?yàn)榻o定任務(wù)
選擇最佳選擇通過(guò)應(yīng)用領(lǐng)先的開(kāi)源平臺(tái)、框架和工具來(lái)解決問(wèn)題，包括Hugging Face、Gradio和Weights & Biases
。 說(shuō)明常見(jiàn)的AI范式，并確定最適合每個(gè)
范式的業(yè)務(wù)問(wèn)題類型。 定義圍繞深度學(xué)習(xí)的基本數(shù)據(jù)科學(xué)概念，包括訓(xùn)練與推理，泛化與過(guò)度擬合，以及神經(jīng)網(wǎng)絡(luò)
背后的關(guān)鍵思想。描述核心概念，如生成式AI、LLMs和Transformer架構(gòu)，并討論以最先進(jìn)的性能
可以實(shí)現(xiàn)什么。 詳細(xì)解釋LLMs如何工作，以便能夠訓(xùn)練和測(cè)試它們，將它們應(yīng)用于新的場(chǎng)景，并診斷和修復(fù)常見(jiàn)問(wèn)題
。 使用前沿和開(kāi)源模型在Python中實(shí)施LLM解決方案，包括API和直接推理。
執(zhí)行代碼以編寫文檔、回答問(wèn)題和生成圖像。
要求
熟悉 Python。本課程不涵蓋 Python 基礎(chǔ)知識(shí)，而是用 Python 完成的。
描述
掌握生成式 AI 和 LLM：為期 8 周的實(shí)踐之旅通過(guò)行業(yè)資深人士 Ed Donner 領(lǐng)導(dǎo)的實(shí)踐項(xiàng)目加速您在 AI 領(lǐng)域的職業(yè)生涯。構(gòu)建高級(jí)生成式 AI 產(chǎn)品，試驗(yàn) 20 多種開(kāi)創(chuàng)性模型，并掌握最先進(jìn)的技術(shù)，如 RAG、QLoRA 和 Agents。? 使用尖端模型和框架構(gòu)建高級(jí)生成式 AI 產(chǎn)品。
展開(kāi) 應(yīng)用ANSYS ADPL語(yǔ)言建立波紋鋼梁模型
1、模型描述：鋼梁為工字型梁，但中間腹板為正弦曲線，因此為波紋腹板鋼梁。鋼梁上板跨度8m，高6m，下板跨度7m，高5m。上下梁寬1m。波紋為正弦曲線，在下板上的波長(zhǎng)為0.4m，波紋半幅高0.1m。
用APDL語(yǔ)言對(duì)其進(jìn)行建模，得到模型見(jiàn)下圖所示：
上部局部模型見(jiàn)下圖：
2、單元?jiǎng)澐郑? 采用SHELL181單元進(jìn)行網(wǎng)格劃分，該單元適合對(duì)薄殼體結(jié)構(gòu)進(jìn)行分析。它是一個(gè)4結(jié)點(diǎn)單元，每個(gè)結(jié)點(diǎn)具有6個(gè)自由度：x,y,z方向的位移自由度和繞X,Y,Z軸的轉(zhuǎn)動(dòng)自由度。Shell181單元非常適用于分析線性的，大轉(zhuǎn)動(dòng)變形和非線性的大形變。殼體厚度的變化是為了適應(yīng)非線性分析。在該單元的應(yīng)用范圍內(nèi)，完全積分和降階積分都是適用的。SHELL181單元闡明了以下（荷載剛度）分布?jí)簭?qiáng)的效果。 SHELL181單元可以應(yīng)用在多層結(jié)構(gòu)的材料，如復(fù)合層壓殼體或者夾層結(jié)構(gòu)的建模。
3、載荷和邊界條件
對(duì)模型施加垂直向下的力F，對(duì)兩邊進(jìn)行全約束，具體見(jiàn)下圖：
4、求解結(jié)果
通過(guò)靜力分析，得到模型在垂直載荷作用下的應(yīng)力和變形，分別見(jiàn)下圖：
5、總結(jié)
本文主要對(duì)波紋腹板鋼梁進(jìn)行建模，這里重點(diǎn)為波紋腹板的模型建立。采用APDL語(yǔ)言進(jìn)行模型建立，展示了APDL語(yǔ)言的強(qiáng)大功能。
展開(kāi) 自回歸式語(yǔ)言XLNet模型的文本生成試驗(yàn)
1 引言
自回歸式語(yǔ)言生成基于假設(shè)：一個(gè)詞序列的概率分布可以分解為鄰接的下一個(gè)詞條件概率分布的乘積。使用不同的解碼策略，目前產(chǎn)生出許多用于自回歸語(yǔ)言生成的模型，最流行的模型有GPT2, XLNet, OpenAi-GPT, CTRL, TransfoXL, XLM, Bart和T5，對(duì)GPT2模型我們已經(jīng)作了很多探索性的工作：
GeotechSet數(shù)據(jù)集在GPT2上的訓(xùn)練過(guò)程
GPT2-Large模型解碼方法比較
GPT2-Large模型解碼方法---Top-K and Top-p
新探索---EleutherAI的GPT Neo/GPT-3模型
GeotechSet模型的擴(kuò)展和優(yōu)化---集成了aitextgen
開(kāi)放式文本生成(Open-Ended Text Generation)
同時(shí)也對(duì)T5模型作了探索性的工作:
生成摘要(Summarization)的新方法
Transformers的Text2TextGeneration管道測(cè)試
這個(gè)筆記探索另一個(gè)模型XLNet。
2 XLNet模型
XLNet來(lái)自Google公司Yang等人(2019)的論文《XLNet: Generalized Autoregressive Pretraining for Language Understanding(XLNet: 用于語(yǔ)言理解的廣義自回歸預(yù)訓(xùn)練)》，XLNet是一種無(wú)監(jiān)督的語(yǔ)言表征學(xué)習(xí)方法，它基于一種新的廣義包絡(luò)語(yǔ)言建模目標(biāo)。XLnet是Transformer-XL模型的一個(gè)擴(kuò)展，使用自回歸方法進(jìn)行預(yù)訓(xùn)練，在涉及長(zhǎng)上下文的語(yǔ)言任務(wù)中表現(xiàn)出優(yōu)異的性能。XLNet在各種下游語(yǔ)言任務(wù)上取得了最先進(jìn)的(SOTA)結(jié)果，包括問(wèn)題回答、自然語(yǔ)言推理、情感分析和文檔排名。
展開(kāi) 暢(wang)想一下GPT時(shí)代的仿真軟件
比如遠(yuǎn)算可以考慮用大語(yǔ)言模型的接口幫助用戶建立code_Aster的仿真模型；像WELSIM或者其他對(duì)開(kāi)源的OpenRadioss求解器感興趣的公司也可以調(diào)用語(yǔ)言模型來(lái)閱讀參考Radioss的文檔，幫助用戶做顯式動(dòng)力學(xué)模型的前處理。甚至可以考慮把語(yǔ)言模型接入OpenFOAM這樣的開(kāi)源流體求解器，不僅閱讀文檔，還能輔助用戶閱讀部分源代碼，幫用戶理解一些具體的算法實(shí)現(xiàn)。
用人工智能代替確定性的物理解算器的思路只是人工智能和CAE結(jié)合的路線之一。像GPT這樣的通用語(yǔ)言模型，如果能對(duì)各類專業(yè)軟件，在易用性上做出革命性的改善，一定能獲得大量用戶的歡迎。
這篇文章只是一個(gè)暢想，或者說(shuō)妄想。但我覺(jué)得，這件事在技術(shù)上應(yīng)該不是不可實(shí)現(xiàn)的。我希望在不遠(yuǎn)的未來(lái)，我的妄想就能成真。
大語(yǔ)言模型的“開(kāi)悟”
最后，關(guān)于GPT的底層技術(shù)，最近網(wǎng)絡(luò)上已有很多免費(fèi)的、付費(fèi)的資料做了不同深度的介紹。作為一個(gè)純粹的外行，我讀過(guò)的一個(gè)版本的介紹來(lái)自得到APP， 萬(wàn)維鋼《精英日課》。
得到在精英日課的AI專題基礎(chǔ)上，專門做了一門萬(wàn)維鋼·AI前沿 課程。
感興趣的讀者可以自己去試讀一下。簡(jiǎn)單來(lái)說(shuō)， 就是使用經(jīng)典的方法來(lái)訓(xùn)練一個(gè)語(yǔ)言模型，當(dāng)語(yǔ)料足夠多、模型足夠大的時(shí)候，語(yǔ)言模型好像就突然學(xué)會(huì)了即興演講和創(chuàng)造性發(fā)揮。量變的過(guò)程產(chǎn)生了質(zhì)變，模型發(fā)生了「開(kāi)悟（Grokking）」。
紅色曲線代表訓(xùn)練，綠色曲線代表生成性發(fā)揮。訓(xùn)練到100萬(wàn)步，模型對(duì)生成性題目的正確率接近100%。
我們生存在一個(gè)變革的時(shí)代。
任何人、任何組織，哪怕是圖靈獎(jiǎng)得主，都沒(méi)辦法阻礙AI技術(shù)向AGI方向發(fā)展。
展開(kāi) AI for CAE：仿真智能體開(kāi)啟“普惠仿真”新時(shí)代
當(dāng)大語(yǔ)言模型突破技術(shù)奇點(diǎn)，智能體與CAE的深度融合，正在重塑人類使用仿真的模式。
人工智能（AI）自20世紀(jì)40年代誕生以來(lái)，經(jīng)歷了從理論探索到技術(shù)實(shí)踐的漫長(zhǎng)發(fā)展歷程。早期的AI主要依賴邏輯推理和規(guī)則引擎，受限于數(shù)據(jù)和算力的不足，發(fā)展較為緩慢。隨著大數(shù)據(jù)的興起、算力的指數(shù)級(jí)躍升以及深度學(xué)習(xí)算法的突破，AI在2010年后迎來(lái)了飛速發(fā)展的黃金時(shí)期。
近年來(lái)，大語(yǔ)言模型（LLM）的強(qiáng)勢(shì)崛起為AI領(lǐng)域帶來(lái)了一場(chǎng)波瀾壯闊的科技革命，從消費(fèi)互聯(lián)網(wǎng)到工業(yè)制造、醫(yī)療健康等領(lǐng)域，正在重塑各行各業(yè)的運(yùn)作邏輯。DeepSeek作為大語(yǔ)言模型領(lǐng)域的變革力量，憑借算法創(chuàng)新和算力優(yōu)化的雙重突破，成為推動(dòng)大語(yǔ)言模型普及與變革的關(guān)鍵力量。DeepSeek通過(guò)開(kāi)源策略和低成本部署，降低了技術(shù)門檻，讓大語(yǔ)言模型的應(yīng)用觸手可及，其在多領(lǐng)域的廣泛應(yīng)用也進(jìn)一步彰顯了其技術(shù)優(yōu)勢(shì)和產(chǎn)業(yè)價(jià)值。
在CAE（計(jì)算機(jī)輔助工程）領(lǐng)域，AI正引發(fā)一場(chǎng)顛覆性變革。AI不僅能夠顯著提升仿真的效率和精度，同時(shí)也在不斷改變?nèi)藗兪褂梅抡孳浖男问健I Agent通過(guò)自然語(yǔ)言交互理解用戶需求，不僅能夠生成解決方案，還能深入到具體的應(yīng)用場(chǎng)景中，為用戶提供更加精準(zhǔn)、高效的服務(wù)，標(biāo)志著AI技術(shù)從“能思考”到“會(huì)做事”的跨越，為各行業(yè)的智能化發(fā)展注入了新的活力。
云道智造的工程師正在致力于研發(fā)仿真智能體，融合了多智能體交互、檢索增強(qiáng)生成（RAG）、強(qiáng)化學(xué)習(xí)修正和生成式等技術(shù)，并采用國(guó)產(chǎn)開(kāi)源的DeepSeek 作為底層大語(yǔ)言模型。系統(tǒng)支持用戶通過(guò)自然語(yǔ)言輸入需求，仿真智能體能夠精準(zhǔn)理解用戶意圖并將其轉(zhuǎn)化為可執(zhí)行的仿真任務(wù)，實(shí)現(xiàn)從模型構(gòu)建到仿真分析的全流程自動(dòng)化。
有了仿真智能體，用戶無(wú)需具備任何仿真知識(shí)或軟件使用經(jīng)驗(yàn)，即可完成復(fù)雜的仿真任務(wù)，極大地降低了技術(shù)門檻。
展開(kāi) 直播預(yù)告 | SimManager仿真平臺(tái)多體學(xué)科和智能化應(yīng)用方案
面對(duì)海量仿真數(shù)據(jù)與知識(shí)積累帶來(lái)的管理和應(yīng)用挑戰(zhàn)，高效管理仿真數(shù)據(jù)與流程、并借助機(jī)器學(xué)習(xí)與大語(yǔ)言模型技術(shù)實(shí)現(xiàn)智能化驅(qū)動(dòng)，已成為提升仿真業(yè)務(wù)數(shù)據(jù)重用與效率的關(guān)鍵方向。
融合大語(yǔ)言模型和機(jī)器學(xué)習(xí)的SimManager平臺(tái)
海克斯康的仿真流程與數(shù)據(jù)管理平臺(tái)SimManager，可根據(jù)客戶需求進(jìn)行配置與開(kāi)發(fā)，涵蓋仿真數(shù)據(jù)管理、流程管理、知識(shí)管理、權(quán)限管理及外部集成等模塊。該平臺(tái)不僅在多體學(xué)科領(lǐng)域提供獨(dú)特的仿真數(shù)據(jù)管理方案，更在智能化研發(fā)方面支持機(jī)器學(xué)習(xí)與大語(yǔ)言模型的集成應(yīng)用，助力企業(yè)實(shí)現(xiàn)技術(shù)變革。
本期直播講堂請(qǐng)到了海克斯康工業(yè)軟件仿真平臺(tái)高級(jí)技術(shù)經(jīng)理宿新東，在直播間中講師將深入講解SimManager的平臺(tái)整體架構(gòu)、在多體學(xué)科的應(yīng)用方案，以及結(jié)合機(jī)器學(xué)習(xí)和大語(yǔ)言模型技術(shù)的智能化應(yīng)用方案等。敬請(qǐng)關(guān)注！
6月26日 14:00
▲ 掃碼參與報(bào)名
立即預(yù)定
直播內(nèi)容聚焦
SimManager仿真流程和數(shù)據(jù)管理平臺(tái)如何解決以下5大問(wèn)題:
? 如果利用仿真數(shù)據(jù)管理進(jìn)行數(shù)據(jù)規(guī)范化、提升效率?
? 如何解決多體學(xué)科數(shù)據(jù)更新帶來(lái)的版本管理問(wèn)題?
? 如何高效實(shí)現(xiàn)多體學(xué)科不同用戶協(xié)同工作?
? 如何實(shí)現(xiàn)利用仿真平臺(tái)進(jìn)行機(jī)器學(xué)習(xí)?
? 如何借助大語(yǔ)言模型，在仿真平臺(tái)實(shí)現(xiàn)仿真知識(shí)的重用?
宿新東
海克斯康工業(yè)軟件仿真平臺(tái)高級(jí)技術(shù)經(jīng)理
在CAE/SDM領(lǐng)域擁有超過(guò)18年經(jīng)驗(yàn)，長(zhǎng)期工作在各仿真數(shù)據(jù)管理平臺(tái)（SDM）建設(shè)項(xiàng)目，特別是汽車行業(yè)仿真數(shù)據(jù)管理平臺(tái)建設(shè)領(lǐng)域。
展開(kāi) 
GTC-2021：英偉達(dá)抱緊元宇宙，推出全能阿凡達(dá)平臺(tái)
5
NeMo Megatron框架：
發(fā)力大型語(yǔ)言模型開(kāi)發(fā)
NVIDIA 今天還打開(kāi)了開(kāi)發(fā)和部署大型語(yǔ)言模型 (LLM) 的大門，推出了用于訓(xùn)練具有數(shù)萬(wàn)億個(gè)參數(shù)的語(yǔ)言模型的NVIDIA NeMo Megatron框架、可針對(duì)新領(lǐng)域和語(yǔ)言進(jìn)行訓(xùn)練的Megatron 530億參數(shù)的可定制大型語(yǔ)言模型，以及具有多 GPU、多節(jié)點(diǎn)分布式推理功能的NVIDIA Triton推理服務(wù)器。
這些工具提供了一個(gè)完備的企業(yè)級(jí)解決方案，簡(jiǎn)化了大型語(yǔ)言模型的開(kāi)發(fā)和部署。
NVIDIA NeMo Megatron以Megatron項(xiàng)目為基礎(chǔ)，Megatron是一個(gè)由英偉達(dá)研究人員領(lǐng)導(dǎo)的開(kāi)源項(xiàng)目，旨在大規(guī)模研究大型轉(zhuǎn)換器語(yǔ)言模型的高效訓(xùn)練。
該框架使用數(shù)據(jù)處理庫(kù)自動(dòng)處理LLM復(fù)雜訓(xùn)練，可以獲取、管理、組織和清理數(shù)據(jù)。它使用先進(jìn)的數(shù)據(jù)、張量和管道并行化技術(shù)，使大型語(yǔ)言模型的訓(xùn)練能夠高效地分布在數(shù)千個(gè)GPU上。
NVIDIA Triton推理服務(wù)器中的多GPU、多節(jié)點(diǎn)功能使LLM推理負(fù)載可以實(shí)時(shí)、跨多個(gè)GPU和節(jié)點(diǎn)進(jìn)行擴(kuò)展。
使用Triton推理服務(wù)器，Megatron 530B可以在兩個(gè)NVIDIA DGX系統(tǒng)上運(yùn)行，將CPU服務(wù)器上的處理時(shí)間從一分鐘多縮短到0.5秒，從而實(shí)現(xiàn)在應(yīng)用程序上快速、實(shí)時(shí)地部署大型語(yǔ)言模型。
展開(kāi) 什么是世界模型？有什么用？
大語(yǔ)言模型提高了工作效率，也讓人焦慮：自己好像退化成了AI操作工，離開(kāi)AI，大腦空空。
但轉(zhuǎn)念一想，目前它助力甚至取代的似乎只是文字、代碼這種輕辦公。畢竟大語(yǔ)言模型再大，依然還是語(yǔ)言模型，只會(huì)耍嘴皮子。
它讀過(guò)世界上所有劇本，看過(guò)所有小說(shuō)，對(duì)每個(gè)學(xué)科教材都倒背如流。但，它沒(méi)有真正進(jìn)入過(guò)現(xiàn)實(shí)世界。
你問(wèn)它：“杯子從桌上掉下來(lái)會(huì)怎樣？”它會(huì)根據(jù)自己讀過(guò)的書(shū)告訴你：“杯子會(huì)碎，水會(huì)濺出來(lái)。”
這個(gè)回答的本質(zhì)，是它知道在人類的語(yǔ)言習(xí)慣里，“杯子掉落”后面通常跟著“碎了”。看似回答很有邏輯，但它并不理解重力，也不理解碰撞。
這也是為什么大語(yǔ)言模型容易一本正經(jīng)胡說(shuō)八道，因?yàn)樗辉诤踹@話聽(tīng)起來(lái)像不像真的，而不是這件事在現(xiàn)實(shí)中能不能發(fā)生。
一個(gè)人的成長(zhǎng)，講究讀萬(wàn)卷書(shū)行萬(wàn)里路。如果 AI 只讀書(shū)不出門，那它就永遠(yuǎn)只能活在文字的世界里。所以，研究者開(kāi)始讓 AI 接觸文字之外的世界：
讓它看視頻，看人唱跳打籃球，看雨滴下落，看木材燃燒……
讓它接收傳感器數(shù)據(jù)，機(jī)械臂的坐標(biāo)和力反饋，汽車方向盤旋轉(zhuǎn)的角度，汽車的加速度……
人工帶教，成本高數(shù)據(jù)少
讓它在虛擬環(huán)境中反復(fù)試錯(cuò)，在游戲物理引擎甚至工業(yè)仿真軟件生成的虛擬世界中握、抓、撞、摔。
天洑具身智能靈巧手建模及握持模擬
相比視頻，仿真準(zhǔn)確度更高。相比人工帶教，仿真成本更低。因此，長(zhǎng)期來(lái)看基于物理公式的數(shù)值仿真將是構(gòu)建高精度世界模型的地基。
海量數(shù)據(jù)喂下去，人工智能就會(huì)逐漸明白“如果……那么……”的關(guān)系：
你一拳打在水里，下一刻會(huì)出現(xiàn)水花；
你用手捏氣球，下一刻氣球會(huì)變形；
你拋出一個(gè)蘋果，蘋果將以什么軌跡上升和下降。
展開(kāi) 跟著NASA學(xué)習(xí)MBSE：關(guān)于系統(tǒng)模型和SysML建模語(yǔ)言
SysML 是一種用來(lái)描述系統(tǒng)的建模語(yǔ)言，而MBSE是建模語(yǔ)言、建模方法、建模工具和領(lǐng)域知識(shí)的綜合應(yīng)用，從而實(shí)現(xiàn)對(duì)系統(tǒng)的分析、定義、設(shè)計(jì)和驗(yàn)證。
誤區(qū)5: MBSE不是全新的概念，系統(tǒng)工程師已經(jīng)創(chuàng)建了很多類型的模型
建模并不是全新的概念，MBSE的獨(dú)特之處在于采用形式化建模語(yǔ)言來(lái)描述系統(tǒng), 同時(shí)系統(tǒng)模型發(fā)揮了將源自其它模型的信息加以集成的重要作用。
誤區(qū)6: SysML工具僅僅類似 Visio? 和 PowerPoint? 的畫(huà)圖工具
錯(cuò). 模型信息存在數(shù)據(jù)倉(cāng)庫(kù)中，可以進(jìn)行一致性和完整性分析，可以據(jù)此生成技術(shù)文檔報(bào)告，可以與其它專業(yè)的模型進(jìn)行交互。
（未完待續(xù)）
----------------------------
文章來(lái)源：數(shù)字化轉(zhuǎn)型與系統(tǒng)工程
展開(kāi) 基于Python語(yǔ)言的用于Abaqus的隨機(jī)振動(dòng)分析的CAE模型的模板 ￥9
<p>對(duì)于公司產(chǎn)品開(kāi)發(fā)過(guò)程中，基本每個(gè)項(xiàng)目都會(huì)重復(fù)進(jìn)行某類CAE分析，如隨機(jī)振動(dòng)分析，頻率響應(yīng)分析，或機(jī)械沖擊分析，基于這類重復(fù)性的工作，可以制作分析模板來(lái)提高工作效率，下面就以隨機(jī)振動(dòng)為例，使用Python程序語(yǔ)言來(lái)創(chuàng)建用于Abaqus隨機(jī)振動(dòng)分析的CAE模型的模板，該模板適合6.12以上的版本，對(duì)于舊的Abaqus版本，隨機(jī)振動(dòng)分析需要利用添加關(guān)鍵字來(lái)創(chuàng)建PSD表和隨機(jī)振動(dòng)載荷邊界（低版本Abaqus有一定的局限性，建議使用高版本）。</p><p>該分析模板的模型導(dǎo)入也很簡(jiǎn)單</p><p>方法一：File>Run Script，選擇模型的文件 .py，點(diǎn)擊OK即可</p><p><img src="https://img.jishulink.com/upload/202003/6ab9aca7e6e04404a83595d0665a335d.jpg" height="486" width="335"></p><p><img src="https://img.jishulink.com/upload/202003/d3afaa214b2b4a46833946fd30b97723.gif"></p><p><br></p><p>方法二：用文本打開(kāi)模型 .py文件，復(fù)制里面的所有內(nèi)容，在軟件界面下端粘貼運(yùn)行即可（如下圖所示）。</p><p><img src="https://img.jishulink.com/upload/202003/2a047dc5e49e404c8b9db51021838d44.jpg" height="259" width="414"></p><p><br></p><p>下面為該模板模型的部分代碼示意圖，代碼中有中文注釋，方便讀者閱讀，這些代碼對(duì)于Python創(chuàng)建Abaqus模型的初學(xué)者也有一定的幫助。
展開(kāi) 