在上期直播中，我們邀請(qǐng)了迪必爾生物CEO 李雪良博士及研發(fā)工程師 趙北辰先生，帶來(lái)“從線性回歸到GPT：人工智能的演進(jìn)及其在生物工藝中的應(yīng)用”主題報(bào)告和實(shí)操演示。

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

Q1  ChatGPT可以在與人類對(duì)話中學(xué)到新知識(shí)嗎？
ChatGPT里的P表示，這個(gè)模型是pretrained 也就是說(shuō)是預(yù)學(xué)習(xí)的，它不會(huì)從跟人類的對(duì)話里學(xué)到任何新知識(shí)。這里要注意，機(jī)器學(xué)習(xí)里說(shuō)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(jué)好像是它在跟人類的一問(wèn)一答中學(xué)到了新知識(shí)，那是因?yàn)楫?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(méi)有調(diào)整。換一個(gè)人問(wèn)它同樣的問(wèn)題，它還會(huì)犯同樣的錯(cuò)誤�；蛘吣銈兞奶煊涗浱�長(zhǎng)了以后，前面的他就自動(dòng)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(shuō)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(yàn)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(jì)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(wú)論是專家系統(tǒng)還是人工智能在生物工藝中都沒(méi)有得到普及？
這個(gè)一言難盡。至少有以下幾個(gè)方面的原因。(1)缺少數(shù)據(jù)。無(wú)論是實(shí)驗(yàn)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(méi)法兒訓(xùn)練模型的。（2）過(guò)程裝備本身智能化程度較低，無(wú)法對(duì)接智能算法。（3）合成生物學(xué)產(chǎn)業(yè)本身是很新的一個(gè)產(chǎn)業(yè)，現(xiàn)在其實(shí)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(shí)一直把解決這些問(wèn)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(gè)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(guò)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(jiǎn)單的答案是不能替代。但是其實(shí)純比例控制器從數(shù)學(xué)上講，跟只有一個(gè)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(gè)必須聯(lián)網(wǎng)嗎？
ChatGPT這種大語(yǔ)言模型一般的個(gè)人電腦是跑不動(dòng)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(shí)，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(shí)儲(chǔ)備，但它仍然可能犯錯(cuò)。為確保AI生成代碼的準(zhǔn)確性，首先要對(duì)要實(shí)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(lái)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(duì)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(duì)其進(jìn)行仔細(xì)審查，修正其中可能存在的問(wèn)題，在預(yù)實(shí)驗(yàn)中進(jìn)行驗(yàn)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(shí)際使用。

Q7  是否可以使用python的第三方庫(kù)？
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(kù)，從而實(shí)現(xiàn)更加廣泛多樣的功能拓展。事實(shí)上，在編寫(xiě) UDF 代碼的過(guò)程中，我們已經(jīng)利用了一些實(shí)用的第三方庫(kù)。例如，通過(guò)使用 NumPy 庫(kù)提供的數(shù)組類型，我們可以方便地同時(shí)返回多個(gè)計(jì)算結(jié)果。

Q8  在使用生成式AI生成UDF代碼時(shí)，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(xiě)成提示詞，供AI學(xué)習(xí)。具體來(lái)說(shuō)有以下規(guī)則：D2MS 軟件每秒調(diào)用一次函數(shù)，通過(guò)參數(shù)傳遞所需值。函數(shù)應(yīng)返回單個(gè)浮點(diǎn)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(jiǎn)潔的變量命名，用全局變量存儲(chǔ)必要信息和計(jì)數(shù)器，避免使用阻塞線程的操作，省略異常處理和打印語(yǔ)句。從 D2MS 接收的參數(shù)通常為過(guò)程變量或狀態(tài)信息，返回的是設(shè)定值，多個(gè)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(wú)縫配合，高效控制生物反應(yīng)器系統(tǒng)。

Q9  是否可以把過(guò)程控制的邏輯與人工智能結(jié)合？
除了利用生成式AI編寫(xiě)UDF代碼，我們還可以進(jìn)一步將過(guò)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(yùn)行。舉例來(lái)說(shuō)，機(jī)器學(xué)習(xí)算法可用于對(duì)生物反應(yīng)過(guò)程的時(shí)間序列數(shù)據(jù)進(jìn)行建模和預(yù)測(cè)，提前預(yù)估關(guān)鍵參數(shù)的變化趨勢(shì)。這不僅有助于實(shí)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(shí)采取應(yīng)對(duì)措施。此外，強(qiáng)化學(xué)習(xí)也是一個(gè)值得探索的方向。通過(guò)與生物反應(yīng)器系統(tǒng)不斷交互，強(qiáng)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(dòng)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(guò)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(dòng)力。