現(xiàn)將直播過程中觀眾的提問進(jìn)行整理和回復(fù)，供大家參考和回顧。

 

錯過直播的朋友可以掃描圖片二維碼觀看回放。

 

Q1

ChatGPT可以在與人類對話中學(xué)到新知識嗎？

ChatGPT里的P表示，這個模型是pretrained 也就是說是預(yù)學(xué)習(xí)的，它不會從跟人類的對話里學(xué)到任何新知識。這里要注意，機器學(xué)習(xí)里說的學(xué)習(xí)，是要調(diào)整其內(nèi)部參數(shù)的。之所以給我們的感覺好像是它在跟人類的一問一答中學(xué)到了新知識，那是因為當(dāng)前的聊天歷史是作為模型輸入又輸進(jìn)去了。模型的參數(shù)本身并沒有調(diào)整。換一個人問它同樣的問題，它還會犯同樣的錯誤�；蛘吣銈兞奶煊涗浱�長了以后，前面的他就自動刪掉了，不再做為模型輸入。

Q2

專家系統(tǒng)跟AI有什么區(qū)別？

廣義上說專家系統(tǒng)是人工智能的一種。但是專家系統(tǒng)跟神經(jīng)網(wǎng)絡(luò)等算法有著根本區(qū)別。專家系統(tǒng)更多是基于基本原理以及人的經(jīng)驗得到的一套規(guī)則，而神經(jīng)網(wǎng)絡(luò)等AI則是根據(jù)大量數(shù)據(jù)得到的統(tǒng)計規(guī)律。專家系統(tǒng)適用于缺少數(shù)據(jù)的情況。

 

Q3

為什么這么多年了無論是專家系統(tǒng)

還是人工智能在生物工藝中都沒有得到普及？

這個一言難盡。至少有以下幾個方面的原因。(1)缺少數(shù)據(jù)。無論是實驗還是生產(chǎn)，獲取數(shù)據(jù)的成本一直都很高。尤其是訓(xùn)練模型所需要的較差的數(shù)據(jù)。只有好數(shù)據(jù)是沒法兒訓(xùn)練模型的。（2）過程裝備本身智能化程度較低，無法對接智能算法。（3）合成生物學(xué)產(chǎn)業(yè)本身是很新的一個產(chǎn)業(yè)，現(xiàn)在其實才剛剛起步，從業(yè)人員中掌握了這些技術(shù)的人很少。迪必爾其實一直把解決這些問題當(dāng)作自己不可推卸的責(zé)任。

 

Q4

人工智能跟PID控制哪個好用？

神經(jīng)網(wǎng)絡(luò)能否替代PID?

人工智能與PID控制器的區(qū)別，就好比人的大腦與小腦的區(qū)別。PID像人的小腦，適用于底層基礎(chǔ)過程參數(shù)的控制。人工智能像人的大腦，適用于更高層次的優(yōu)化。簡單的答案是不能替代。但是其實純比例控制器從數(shù)學(xué)上講，跟只有一個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)是一模一樣的。

 

Q5

ChatGPT能裝到本地嗎？

用這個必須聯(lián)網(wǎng)嗎？

ChatGPT這種大語言模型一般的個人電腦是跑不動的，最低成本還是利用云服務(wù)器的算力。有一些小型的模型，功能少一些，可以部署到本地。

Q6

在生成UDF代碼時，

如何確保代碼的安全性和魯棒性?

盡管人工智能擁有海量的知識儲備，但它仍然可能犯錯。為確保AI生成代碼的準(zhǔn)確性，首先要對要實現(xiàn)的任務(wù)進(jìn)行準(zhǔn)確拆解，將其邏輯清晰地表達(dá)出來供AI理解。其次，需要明確定義函數(shù)的輸入?yún)��?shù)和輸出結(jié)果，對其數(shù)據(jù)類型和取值范圍加以限制。最后，在AI生成代碼后，必須對其進(jìn)行仔細(xì)審查，修正其中可能存在的問題，在預(yù)實驗中進(jìn)行驗證，確保其功能、性能和安全性都符合預(yù)期，才能將其投入實際使用。

Q7

是否可以使用python的第三方庫？

D2MS 軟件內(nèi)置了功能完備的 Python 解釋器，允許我們下載和安裝各種第三方庫，從而實現(xiàn)更加廣泛多樣的功能拓展。事實上，在編寫 UDF 代碼的過程中，我們已經(jīng)利用了一些實用的第三方庫。例如，通過使用 NumPy 庫提供的數(shù)組類型，我們可以方便地同時返回多個計算結(jié)果。

Q8

在使用生成式AI生成UDF代碼時，

需要遵循哪些邏輯和規(guī)范?

我們已經(jīng)把所需要的邏輯編寫成提示詞，供AI學(xué)習(xí)。具體來說有以下規(guī)則：D2MS 軟件每秒調(diào)用一次函數(shù)，通過參數(shù)傳遞所需值。函數(shù)應(yīng)返回單個浮點數(shù)或 NumPy 數(shù)組作為輸出參數(shù)。函數(shù)內(nèi)部應(yīng)使用清晰簡潔的變量命名，用全局變量存儲必要信息和計數(shù)器，避免使用阻塞線程的操作，省略異常處理和打印語句。從 D2MS 接收的參數(shù)通常為過程變量或狀態(tài)信息，返回的是設(shè)定值，多個返回值需封裝為 NumPy 數(shù)組。遵循這些規(guī)范，UDF 函數(shù)便能與 D2MS 無縫配合，高效控制生物反應(yīng)器系統(tǒng)。

Q9

是否可以把過程控制的邏輯與人工智能結(jié)合？

除了利用生成式AI編寫UDF代碼，我們還可以進(jìn)一步將過程控制的邏輯與其他人工智能技術(shù)巧妙結(jié)合，以優(yōu)化生物反應(yīng)器系統(tǒng)的運行。舉例來說，機器學(xué)習(xí)算法可用于對生物反應(yīng)過程的時間序列數(shù)據(jù)進(jìn)行建模和預(yù)測，提前預(yù)估關(guān)鍵參數(shù)的變化趨勢。這不僅有助于實現(xiàn)更精準(zhǔn)的控制，還能在異常情況發(fā)生前提供預(yù)警，從而使我們能夠及時采取應(yīng)對措施。此外，強化學(xué)習(xí)也是一個值得探索的方向。通過與生物反應(yīng)器系統(tǒng)不斷交互，強化學(xué)習(xí)智能體可自主學(xué)習(xí)和優(yōu)化控制策略，在動態(tài)變化的環(huán)境中自適應(yīng)地調(diào)整控制參數(shù)，有望在復(fù)雜工藝過程中取得更優(yōu)的控制效果。我們可以期待，人工智能在生物反應(yīng)器系統(tǒng)的智能化控制中將扮演日益重要的角色，為生物工程領(lǐng)域的創(chuàng)新發(fā)展注入新的動力。