随着人工智能技术的飞速升级，世界范围内正快速迈入以大模型为核心的人工智能新时代，这次产业升级被认为是第四次产业革命的标志。大模型不仅仅是一种技术手段，更是对人机交互方式的重新定义。过去几十年，人机交互方式经历了从命令行到图形用户界面（GUI）的演变，而如今人工智能的诞生让我们可以用自然语言的方式，与电脑进行交互。业界普遍认为，大模型时代已经到来，每个行业、每个产品、每个业务系统都值得用大模型重新塑造。

在这一背景下，国家能源集团上海庙电厂作为智慧电站建设的先行者，首次尝试用大模型技术重构电厂的智能化系统，旨在应对产业升级及数字化转型的挑战，推动大模型技术在火电行业中的应用，为电厂智能化和高效化提供全新的解决方案，并取得了显著的成果，构建了首个燃煤电厂专属的智能“大脑”。

一、在实践的过程中，我们遇到了诸多挑战：

1. 电厂设备众多，数据繁杂，特别是由于安全生产的要求，一些业务系统无法与其他系统对接，数据无法有效采集；只能通过屏幕拍照或打印成纸质的形式进行采集。

2. 大模型在行业应用中存在先天“缺陷”：

(1)幻觉问题：大模型的底层原理是基于概率，所以它有时候会一本正经胡说八道，有时会犯事实性错误，也就是可靠性问题（俗称“幻觉”）；

(2)行业知识与新鲜度问题：大模型的规模越大（参数、tokens越多），训练成本就越高。因此如何在成本可控的前提下，将行业知识和及时性数据“加入”大模型中，构建专属“知识库”，成为实践中最重要的挑战之一；

(3)数据安全：企业内部存在很多敏感信息，既要保证安全，又要借助AI能力，那么最好的方式就是把数据全部放在本地，企业数据的业务计算全部在本地完成。而大模型仅仅完成一个归纳的功能，甚至，LLM都应该完全本地化部署。

(4)透明可追溯：为了解决大模型的“可靠性”问题，我们需要大模型给出的“答案”是透明可追溯的，即回答问题的同时，要给出答案（或信息）的来源，方便使用者在具体使用过程中确认信息的可靠性。

3. 由于当前大模型的推理能力还比较弱，所以我们还需要使用关系型数据库来对结构化数据进行管理和访问。那如何准确使用大模型的自然语言互动的方式，直接从关系型数据库中获取想要的数据报表呢？

最终经过设计和尝试，在实践中我们已经切实解决了上述问题和挑战，完成了上海庙电厂AI智能助手系统的开发。下面是我们在实践中的一些经验和解决方案分享。

二、国内首个电厂大模型智能化实践—上海庙电厂AI智能助手

1. 根据电厂实际应用场景，定制化开发OCR智能识别算法，特别是屏幕拍照中遇到了角度倾斜问题、多图（多屏）数据融合问题、摩尔纹问题等进行算法优化，最终实现通过屏幕拍照等方式+OCR实现智能采集异构数据的问题。识别出的数据按照数据类型，分别提交进入知识库、数据库和IMS系统中。

2. 通过大模型技术，成功融合关系型数据库与非结构化知识库，运用Text-to-SQL等专利技术，为用户提供统一的“自然语言”调用方式，使员工更方便获取所需知识。

3. 利用国产开源大模型，通过私有化部署，在电厂内部网络中构建了专属智能知识库，基于进阶RAG（Retrieval Augmented Generation，检索增强生成）方案，我们开发了一系列流程和工具，包括数据预处理、长文档拆分、向量库、索引库和资料建立、RAG召回率优化等，为电厂内部提供高效的知识检索渠道。此外，定期更新机制，确保知识库中的业务知识保持最新状态。

4. 集成到IMS系统中的AI智能助手，使员工更方便、更直接的获得知识和答案。AI智能助手可以在消缺决策和建议、安措危险提示、设备智能检索等多个业务中为员工提供更直接的帮助。

国家能源集团上海庙电厂的实践尝试，是火力发电行业知识管理领域极为有价值的创新，验证了应用大模型技术对于电厂智能化升级的可行性，同时探索出了一条火电行业构建专有知识库的可行道路。