大模型的案例
大模型技術在自動駕駛中的應用
一、人工智能與大模型技術
人工智能（Artificial Intelligence，簡稱AI）是一種計算機科學技術，旨在使計算機能夠模仿、學習和執行人類智能任務。它涉及到多個不同的子領域，包括機器學習、自然語言處理、計算機視覺和強化學習等。通過使用大數據、算法、神經網絡等技術，人工智能可以通過分析和理解數據來建立模型，并對新數據進行決策和預測，從而實現某些特定的任務。與傳統計算機程序不同的是，人工智能可以根據以前的經驗和學習來改進自己的性能，在某些情況下能夠比人類更準確和高效地完成任務。人工智能被廣泛應用于各種領域，例如醫療保健、金融、交通運輸、制造業、社交媒體、游戲和安全等。
大模型通常指的是由數億至數千億個參數組成的深度學習模型。這些模型需要巨大的計算資源和存儲空間，因此非常昂貴且能夠運行的硬件配置也要足夠強大。大型模型代表了人工智能領域最先進的技術，廣泛應用于自然語言處理、圖像識別、語音識別和推薦系統等領域。擁有更多的參數可以提高模型的準確性和精度，但同時也會導致更復雜的訓練過程、更長的訓練時間和更高的硬件成本。GPT-3就是一種例子，它具有1750億個參數，在人工智能技術中占據著重要的地位。
二、神經網絡算法與大模型
神經網絡（Neural Network）是一種復雜的數學模型，建立在類比生物大腦神經元之間傳遞信息的基礎上。
展開 AI大模型+具身智能“2026北京·世亞智博會”打造創新技術高地
隨著大模型在多模態感知與復雜推理能力上的突破性進展，具身智能正從簡單的"執行工具"向具備自主決策能力的"智能體"進化。這一轉變不僅重新定義了機器人的能力邊界，更徹底重構了人工智能技術創新的底層邏輯，推動產業進入"認知智能+物理執行"深度融合的全新周期。
技術突破：從感知到決策的跨越式發展
當前，大模型技術已經突破了傳統AI的局限，展現出前所未有的多模態理解能力。通過海量數據的預訓練，這些模型能夠同時處理視覺、聽覺、觸覺等多種感知信號，實現對物理世界的立體認知。更重要的是，新一代大模型在復雜推理能力上取得了顯著進步，能夠進行多步邏輯推演、因果分析和不確定性決策，這為機器人賦予了類似人類的"常識"和"判斷力"。
在技術實現路徑上，研究人員通過構建"感知-認知-行動"的閉環系統，將大模型的決策能力與機器人的執行機構無縫銜接。例如，某實驗室開發的具身智能系統已經能夠理解"請把桌上的紅色杯子移到廚房"這樣的復雜指令，自主規劃移動路徑、識別目標物體并完成精確抓取，整個過程無需人工干預。這種能力標志著機器人從"程序化響應"向"情境化決策"的根本轉變。
產業變革：重構技術創新邏輯
大模型作為核心"大腦"的技術架構，正在重塑整個機器人產業的發展軌跡。傳統上，機器人研發面臨著感知、決策、執行三大模塊割裂的困境，各環節的進步難以形成合力。而現在，以大模型為統一中樞的新范式，實現了從環境理解到物理執行的全鏈路貫通，極大提升了系統的整體性能。
這一變革催生了一批創新應用場景。在工業領域，具備自主診斷能力的維修機器人能夠分析設備異常聲音和振動信號，快速定位故障原因并執行修復操作；在醫療領域，手術輔助系統可以理解醫生的自然語言指令，實時調整手術方案；在家庭服務場景，新一代家政機器人不僅能完成清潔任務，還能根據家庭成員的習慣主動優化服務流程。
展開 2026北京人工智能展會：大模型賦能機器人，開啟智能產業新周期
當大模型突破多模態感知與復雜推理瓶頸，具身智能正從“執行工具”進化為“自主智能體”——大模型作為核心“大腦”，為機器人賦予環境理解、自然交互與自主決策能力，徹底重構技術創新邏輯，開啟“認知智能+物理執行”的全新產業周期。定于2026年6月10日-12日在北京舉辦的“2026北京人工智能展會-世亞智博會”，精準錨定這一技術融合趨勢，以“大模型賦能·機器人進化”為核心，打造亞洲頂級的融合技術發布與生態協同高地，推動產業從單點突破邁向全鏈共振。
作為立足北京、輻射全球的高端AI產業盛會，本屆世亞智博會緊扣國家數字經濟發展戰略，依托北京作為全國科技創新中心的資源稟賦，匯聚清華、北大等頂尖高校、中科院等重點科研院所，以及百度、小米等科技巨頭的創新力量，構建起覆蓋“基礎層-技術層-應用層”的全產業鏈展示體系，全方位呈現大模型與機器人融合的前沿成果，破解產業發展痛點，鏈接全球創新資源
展會現場將設置五大核心展區，精準匹配行業需求，打造沉浸式觀展體驗。其中，大模型核心技術展區聚焦多模態大模型、輕量化部署、訓練數據治理等核心領域，集中展示可獨立復核的技術指標與創新成果，涵蓋推理延遲、準確率、能耗等關鍵參數，直觀呈現大模型在環境感知、復雜推理上的突破；具身智能機器人展區則匯聚人形機器人、四足機器人、智能巡檢機器人等各類產品，既有像Galbot那樣可實現透明物體精準抓取、24小時無人值守運營的前沿機型，也有應用于工業巡檢、醫療服務、公共服務等場景的成熟解決方案，現場演示機器人自主導航、協同作業、人機交互等核心能力，讓觀眾近距離感受“自主智能體”的科技魅力，其中基于具身大模型的多場景智能巡檢機器人，將展示其通過多模態數據融合、云邊協同機制實現精準檢測的核心優勢，凸顯在提升效率、保障安全、降低成本方面的價值。
展開 設計仿真 | 融合DeepSeek大語言模型的SimManager仿真平臺
3.4
融合大語言模型和機器學習的SimManager智能仿真平臺應用場景
融合大語言模型和機器學習的智能仿真平臺應用場景，除了常規的基于仿真平臺的仿真工作以外，基于大語言模型LLM+機器學習ML的賦能，擴展應用場景如下：
圖 3 融合大語言模型的智能仿真平臺擴展應用場景
基于上述架構的進行了SimManager+DeepSeek+Odyssee的本地化集成部署。采用DeepSeek開源的大語言模型,并在本地部署文字向量化數據庫，將本地（用戶生產環境則對應SDM數據庫）的仿真知識，進行向量化存入本地向量數據庫，作為在仿真專業領域進行更精確回答的基礎。
因原始的大語言模型未涵蓋本地知識，在構建本地向量數據庫前，針對相關問題不能給出準確的回答。在將相關數據和文檔上傳SimManager平臺，同時進行向量化。當用戶提問時，系統自動將帶有提示詞的上下文信息提供給大語言模型，能夠給出準確的回答。如下圖：
圖 4 基于DeepSeek本地知識庫的仿真平臺問答場景（1）
圖 5 基于DeepSeek本地知識庫的仿真平臺問答場景（2）
04
應用成效與價值提升
通過應用實踐，融合大語言模型和機器學習的SimManager智能仿真平臺，能夠進一步擴展仿真平臺的使用場景，協助仿真人員實現仿真知識快速反饋、仿真數據挖掘和重用、協助文檔生成、專家經驗重用等，如下所示：
圖5 融合大語言模型和機器學習的SimManager智能仿真平臺
展開 
『分享』用I-DEAS對大模型劃分網格實例
詳細講述了對大模型進行網格劃分的方法
用I-deas對大模型劃分網格_實例.part1.rar
用I-deas對大模型劃分網格_實例.part2.rar
用I-deas對大模型劃分網格_實例.part3.rar
用I-deas對大模型劃分網格_實例.part4.rar
國創中心助力TCL華星等發布全球首個顯示行業垂域大模型: 星智X-Intelligence
為支持星智X-Intelligence大模型開發，國家新型顯示技術創新中心依托行業專家，全力構建行業知識體系并開發顯示領域專業知識數據庫，推動大模型快速迭代，進一步提升了該大模型的專業性。未來，國家新型顯示技術創新中心將繼續為行業服務，積極支持國內更多產業鏈企業，開發企業專屬大模型，挖掘大模型在顯示領域的巨大潛力，推動我國顯示行業可持續高質量發展。
星智X-Intelligence大模型的發布不僅在技術上推動中國顯示產業的升級，也有望成為中國在全球顯示技術領域的一張重要名片。這一創新的背后，國家新型顯示技術創新中心以其專業化創新平臺的優勢，匯聚了產業鏈企業、高校、科研院所等多方力量，凝聚了來自不同領域的頂級科研人才，推動著顯示產業的升級與創新。
展開 用I-deas對大模型劃分網格_實例
用I-deas對大模型劃分網格_實例
用I-deas對大模型劃分網格_實例.part1.rar
用I-deas對大模型劃分網格_實例.part2.rar
Simright 2018.1.11更新:優化大模型加載速度，提升5-10倍！
https://www.simright.com/zh/blogs/simright-2018-1-11-jiazaisudu/
更新語錄
伴隨著計算機硬件及有限元技術的發展，對于復雜模型的常用分析方法也從早期的一維單元模擬發展至二維及三維單元模擬，模型組件的部件數量及細節特征數量也急劇上升。為降低用戶硬件成本，Simright推出了使用瀏覽器即可進行分析的CAE軟件，本周重點針對大模型的加載及操作響應速度進行了優化。更新共有3項改進和修復，歡迎大家體驗，多提建議！希望大家支持云端CAE，支持Simright！
2018.1.5-2019.1.11
Simulator(在線結構分析軟件)
1.改進：優化大模型加載速度提升模型響應速度，優化大模型操作體驗，提升5-10倍。
Toptimizer(在線拓撲優化軟件)
1.改進：優化大模型加載速度提升模型響應速度，優化大模型操作體驗，提升5-10倍。
CAE Converter(在線CAE格式轉換軟件)
1.修復：INP轉換BEAM單元至BDF時失敗修復使用INP文件轉換至BDF格式時，BEAM單元轉換失敗的問題。
展開 I-deas 對大模型進行自由網格劃分
主要針對非常大的汽車部件模型進行網格劃分
希望對大家有用！
用I-deas對大模型劃分網格.part02.rar
用I-deas對大模型劃分網格.part01.rar
大語言模型(LLM)在塑膠射出成型產業上的應用
科盛科技 / 簡錦昌 副總經理
(轉載自繁體版ACMT電子技術月刊No.092)
什么是大語言模型(LLM)？
大語言模型(Large Language Model, LLM)是人工智能領域中一種基于深度學習的技術，它通過處理大量的文本資料來理解、生成和翻譯自然語言。這些模型以龐大的參數規模為特點，并利用了現代神經網絡架構，尤其是變換器(Transformer)架構，使得它們在自然語言處理(NLP)任務中表現出色。
大語言模型通常由數十億甚至上千億個參數構成。這些參數是在大量的文本資料上訓練得到的，通過深度學習算法來優化。訓練一個大語言模型需要巨大的計算資源，通常使用數百個GPU或TPU并行處理，以處理海量的資料集。
圖1：大家看到LLM提供的問答服務只是冰山的一角，其背后隱含著大量的文字數據資料
常見的LLM應用方式
ChatGPT就是一種LLM，相信大家都有接觸過，只要在聊天框中輸入問題或請求，例如撰寫文章、翻譯文本或生成程序碼，等待幾秒鐘，ChatGPT將自動生成文字。如果需要進一步調整輸出，可以繼續與其互動，輸入更具體的指令或要求。大語言模型的應用范圍非常廣泛。它們在各種自然語言處理任務中表現優異，常見的應用包括：
? 自然語言生成
LLM能夠生成流暢且連貫的文本，常用于自動化內容生成、寫作輔助和對話系統。
? 機器翻譯
通過理解多種語言之間的復雜關系，LLM可以進行高質量的語言翻譯。
? 文本摘要
LLM能夠自動從長文檔中提取關鍵內容，生成簡短的摘要。
? 對話系統
基于LLM的聊天機器人能夠與人類進行自然的對話，并且能夠理解上下文進行合理的回復。
展開 用I-deas對大模型劃分網格
用I-deas對大模型劃分網格,有可能對大家有用
深度學習與大模型Transformer
ChatGPT是一種基于深度學習的人工智能模型，其核心技術是神經網絡。ChatGPT使用多層神經網絡來學習和預測自然語言序列的概率分布，以實現對話生成和自然語言處理等任務。深度學習是一種多層神經網絡的機器學習方法，可以通過大量數據的訓練來學習復雜的特征和模式，并實現高效的分類和預測。
為積極響應科研及工程人員的需求，根據《國務院關于推行終身職業技能培訓制度的意見》提出的“緊跟新技術、新職業發展變化，建立職業分類動態調整機制，加快職業標準開發工作”要求，中國管理科學研究院現代教育研究所（http://www.zgyxdjy.com）聯合北京龍騰亞太教育咨詢有限公司特舉辦“深度學習核心技術實踐與圖神經網絡新技術應用研修班”。本次培訓采用全實戰培訓模式。
本次培訓由北京龍騰亞太教育咨詢有限公司承辦并進行相關費用收取及發票開具。具體通知如下：
一、培訓專家:
來自中國科學院自動化技術研究所、北京理工大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事人工智能、機器學習、深度學習、大數據分析等領域的教學與研究工作。
二、時間地點:
2023年7月27日 — 2023年7月31日 上海（同時轉線上直播）
（27日報到發放上課材料，28日-31日上課）
三、培訓特色：
1、采用深入淺出的方法，結合實例并配以大量代碼練習，重點講解深度學習框架模型、科學算法、訓練過程技巧。
2、能夠把握深度學習的技術發展趨勢，可以熟練掌握深度學習核心技術、實踐技巧，同時針對工作中存在的疑難問題進行分析講解和專題討論，有效的提升學員解決復雜問題的能力；
3、掌握深度學習大模型Transformer訓練網絡搭建與配置、掌握數據價值的深度挖掘。
展開 已儲存大量英偉達芯片，騰訊：足以開發好幾代大模型
騰訊控股表示，目前騰訊的AI芯片庫存是中國最大的之一，擁有足夠芯片開發未來幾代的大模型，禁令在短期內不會影響大模型發展及集團人工智能發展。
騰訊總裁劉熾平在周三財報發布后的分析師電話會議上表示，公司已經儲存大量英偉達（NVIDIA）H800 AI芯片，足以再開發好幾代自家的通用大模型「混元」。
劉熾平表示，我們實際上是中國AI芯片庫存最多的企業之一，我們是第一個訂購H800芯片的公司，因此有相當充足的H800芯片庫存來持續發展。
美國總統拜登政府10月升級對中國人工智能半導體的出口管制，阻止英偉達等公司向中國出口先進的 AI 芯片與生產設備供應。
好比先前中國人工智能獨角獸「零一萬物」（01.AI）創辦人李開復就指出，公司每次籌資約有四分之三資金用來購買英偉達的圖形處理器（GPU），我們更儲備大量的英偉達芯片，足以供應未來18個月所需；晨星分析師王凱在9月報告中援引快手科技會議也指出，該公司已經儲備10000顆 Nvidia A800芯片。
展開 Ansys Workbench利用超單元子結構技術，提升大模型計算效率 ￥10
問題：
對于復雜模型進行仿真計算時，網格規模巨大、計算難度驟增。Ansys針對這類工程問題提供模態綜合法（CMS）利用超單元，將非關鍵部件進行縮減計算。
本文根據查閱到的網絡資料，對超單元縮減計算如何在Ansys Workbench 中實現，進行了介紹。
示例：
工業設計產品需要模擬工作環境進行振動試驗，產品本身結構已經很復雜，再加上工裝往往是一個更大的結構。因此這類仿真計算非常適合適用子結構技術，將工裝等大模型進行超單元縮減計算，可以顯著提升計算效率。
如下圖所示，產品+工裝進行振動模擬仿真，仿真產品結構模態和端點的振動響應加速度曲線。
結果展示：
使用超單元縮減計算，可以有效完成復雜模型的計算需求。且計算結果基本一致。
詳細步驟：
模型說明：
? 產品由PartA和PartB兩個部分構成，其中PartA兩端夾持部位做了共面處理（驗證連接關系，可以忽略）；
? 各個零件的連接面有一定間隙，使用Bonded MPC Radius 3mm 連接；
? 約束工裝底面 fix；
一：產品+工裝完整模型計算
產品+工裝一起進行模態和5-2000Hz的諧響應仿真，提取前6階模態和軸端點的加速度響應，作為驗證結果與子結構方法進行對比。
1、模態計算
模態計算結果如下所示。
2、模態疊加法，諧響應掃頻計算
諧響應掃頻提取端點加速度響應以及688Hz、1620Hz處的應力云圖如下所示。
二：子結構，超單元縮減工裝進行簡化計算
1、 工裝模型進行超單元縮減
? 首先，由工裝+產品的模態計算模塊，復制一個新的模態計算模塊；
? 在新模態計算模塊中只保留需要縮減為超單元的工裝模型，其余模型均做supress抑制。
展開 AI大模型時代，軟件許可證管理如何適配彈性算力需求？
當Stable Diffusion的GPU集群在深夜進入休眠狀態，而某AI創業公司的推理算力需求卻暴漲300%時，CIO張總盯著監控屏上的算力曲線，終于意識到：傳統許可證管理模式在AI大模型時代已瀕臨崩潰。這種矛盾背后，折射出整個軟件行業正在經歷的深層變革——在算力需求呈現脈沖式增長的今天，靜態的許可證分配方式正遭遇前所未有的挑戰。
一、彈性算力需求下的管理困境
在深圳某AI產業園，一場由算力分配引發的"資源爭奪戰"正在上演。某自動駕駛團隊的仿真訓練任務，因GPU許可證被隔壁大模型團隊"長期占用"，導致項目進度滯后兩周。這種"平時閑置，忙時搶購"的怪圈，讓企業年均算力成本超支40%以上。
彈性需求的沖擊遠不止于預算浪費。某生物醫藥企業的真實案例更具戲劇性：為加速新藥研發，AI團隊緊急采購的A100算力集群，因許可證分配系統滯后，導致60%的算力在非高峰時段閑置。這種"為采購而采購"的短視行為，正在將企業推向創新陷阱。
二、動態適配：重構管理的"彈性基因"
要打破這個惡性循環，需要構建智能化的資源供給體系。在杭州某云計算基地，一套"智能算力調度平臺"正在重塑軟件使用邏輯：當某AI訓練任務進入低優先級階段，系統自動將其許可證釋放至公共資源池；當檢測到突發推理需求時，通過毫秒級調度算法完成算力重組。這種"算力市場"模式，使整體算力利用率從38%躍升至89%。
展開 