新書推薦：
《
经济与社会（第1卷）
》
售價：NT$
551
《
2035年的世界：全球预测
》
售價：NT$
755
《
汉代风俗制度史
》
售價：NT$
245
《
1920年代中国的党派与青年研究
》
售價：NT$
454
《
汉籍东渐：李瑢《唐宋八家诗选》与东亚汉学播迁
》
售價：NT$
500
《
黑石传
》
售價：NT$
561
《
从觉醒到破局：普通人的非线性成长密码
》
售價：NT$
301
《
无形之笼：算法如何控制劳动者
》
售價：NT$
454
|
| 編輯推薦： |
紧扣时代命题，探寻工业新路：立足“AI for Industry”与新型工业化发展背景，深入解读大模型如何成为工业创新与效率跃升的关键引擎，呼应国家推动制造业高端化、智能化发展的战略需求。
聚焦工业场景，赋能全业务流程：围绕办公、科研、生产、创新四类核心业务领域，通过跨行业真实案例，展示大模型在智能研发、生产优化管理协同、知识挖掘等方面的具体应用，体现“它山之石，可以攻玉”的借鉴价值。
理论结合实践，构建完整体系：不仅系统阐述大语言模型基础理论与技术演进，更独创“领域大模型设计方法论”与“企业大模型实施方法论”，从架构设计到落地推进，提供清晰可操作的实践框架。
源于实践创新，兼顾前瞻实用：作者团队拥有二十余年创新培训与咨询以及十余年人工智能在工业场景的研发与推广经验，书中观点源于长期一线实践，兼顾技术前沿与产业实情，具有较强的参考性与实用性。
|
| 內容簡介： |
|
本书基于作者团队的多年实践经验，给出了一套经过实践验证的、行之有效的大模型赋能工业应用方法论。本书共10章：第1~3章系统梳理了工业智能化的需求、大语言模型的技术发展脉络；第4~8章聚焦大语言模型在领域化应用的探索，分析大模型落地工业应用的主要挑战、工业场景中大模型能力的测评策略和方法、深入探讨大语言模型工业实践的具体案例，并升级了企业实施知识工程的方法论；第9~10章探讨了工业智能的前沿技术方向，并展望其在智能工厂的创新应用，为工业智能的未来发展提供前瞻性的思考与方向指引。
|
| 關於作者： |
史晓凌 工业技术软件化产业联盟知识工程专委会主任、创新方法研究会AI专委会秘书长、国际 TRIZ 三级专家。拥有20年创新方法与知识工程、知识图谱及大模型的理论研究与实践经验。擅长为企业数字化转型和工业软件智能化升级提供总体方案与落地实施。主持及参与国家及省部级课题 10 余项，出版专著 15 部，拥有发明专利 9 项，参与制定国家标准 4 项。
茹海燕 国际 TRIZ 三级专家、6sigma 黑带。拥有20余年知识工程、人工智能、创新方法和数字化转型领域的咨询、产品研发及定制化实施经验。擅长引导企业开展知识工程规划和实践，推动管理转型。服务的多家跨行业客户获得国际、国内 MIKE 奖和最佳运营奖。参与撰写国家标准 3 项，发表国内外论文 10 余篇，出版书籍 10 余部，拥有专利授权 8 项。
谭培波 高级工程师、国际 TRIZ 三级专家、6sigma 黑带。深耕通信领域 20 年，专注于知识工程与创新工作 18 年。在卫星通信、射频技术、知识工程、创新创意及质量改进等方向积累了丰富的探索、设计与实践经验，近年来聚焦于大模型和 Agent 项目的实施，对人工智能技术与创新方法的融合应用有深入且独到的见解。已发表核心期刊论文 4 篇，获授权专利 10 余项，参与撰写书籍 10 部、参与制定国家标准 4 项。
张学龙 长期从事技术研发工作，专注于人工智能软件研发领域。主导知识图谱、知识工程、数字化工厂及行业大模型等产品的研发。对国内外大模型发展有深入的理解，创新性地融合知识图谱与大模型技术，支持其在企业成功落地应用。参与制定国资委组织的油气行业大模型测评体系。在人工智能技术领域获授权发明专利 8 项、实用新型专利 2 项。
柳晶晶 创新方法研究会 AI 专委会副秘书长、高级工程师。长期从事知识工程、知识图谱与大模型等技术的理论研究和产品研发，以及赋能企业业务转型与升级实战工作，拥有 10 余年行业经验。出版专著 3 部，发表文章 2 篇，拥有发明专利 8 项。
|
| 目錄：
|
丛书前言
前言
第1章 AI驱动的工业创新范式
1.1 传统科研方法的局限性与AI的崛起 / 1
1.1.1 传统科研方法 / 1
1.1.2 企业对科研方法创新的迫切需求 / 3
1.1.3 AI的发展推动技术突破 / 4
1.2 数据密集型科学与AI驱动的创新 / 6
1.2.1 第四范式：数据密集型科学 / 6
1.2.2 AI驱动的数据分析创新 / 7
1.3 AI推动跨学科研究与复杂系统优化 / 11
1.3.1 工业复杂系统的多学科协同需求 / 11
1.3.2 AI推动跨学科协同 / 14
1.4 生成式AI与创新设计 / 17
1.4.1 创新设计的方法论 / 17
1.4.2 TRIZ在工业领域中的困境 / 19
1.4.3 生成式AI在创新设计中的应用 / 24
1.5 科研与创新生态系统的构建 / 26
第2章 大模型驱动的工业智能
2.1 工业智能的演进 / 29
2.1.1 从规则驱动到数据驱动 / 30
2.1.2 从数据驱动到语言驱动 / 34
2.1.3 大语言模型的认知涌现 / 35
2.2 语言模型的突破 / 36
2.2.1 从统计语言模型到神经网络模型 / 36
2.2.2 Transformer架构的突破性创新 / 37
2.2.3 参数规模与涌现能力 / 39
2.2.4 科学研究第五范式：语言范式 / 42
2.3 基于LLM的工业应用技术路线 / 44
2.3.1 莫拉维克悖论 / 44
2.3.2 生成式不仅是算法也是方法 / 46
2.3.3 生成式工业应用的技术路线 / 47
2.3.4 知识图谱是生成式工业应用成败的关键 / 48
第3章 LLM的技术演进路径
3.1 LLM的数学基础 / 51
3.1.1 概率论与信息论语言模型 / 51
3.1.2 优化算法的理论突破 / 53
3.1.3 分布式计算的数学建模 / 53
3.2 GPT是LLM工业应用的起点 / 54
3.2.1 Transformer架构的范式革命 / 54
3.2.2 自监督学习的预训练 / 56
3.2.3 MOE实现业务小模型与LLM的融合 / 57
3.3 DeepSeek类推理模型将机理融入工业LLM / 59
3.3.1 动态稀疏激活机制 / 60
3.3.2 多模态融合架构 / 61
3.3.3 模型压缩技术创新 / 61
3.3.4 机理模型构建强化学习语料 / 62
3.4 智能体在工业领域的应用 / 65
3.4.1 AI发展的新阶段：智能体 / 65
3.4.2 微软的智能体框架 / 66
3.4.3 LLM在智能体中的定位 / 68
3.4.4 工业智能体的特点 / 68
第4章 LLM为工业应用赋智
4.1 工业软件的智能化需求 / 71
4.1.1 中国工业软件的发展现状 / 71
4.1.2 工业软件的知识化：从知识管理到AI驱动的精准应用 / 73
4.1.3 工业软件的智能化：从现状到未来 / 75
4.2 LLM领域化应用的设计 / 77
4.2.1 需求理解 / 77
4.2.2 场景设计 / 77
4.2.3 知识工程设计 / 78
4.3 LLM领域化应用的设计原则 / 79
4.3.1 原则一：多模态数据协同与融合 / 80
4.3.2 原则二：数据驱动实时优化 / 80
4.3.3 原则三：自然语言交互优化体验 / 81
4.3.4 原则四：主动学习积累知识 / 81
4.3.5 原则五：模块化、可扩展与自适应 / 82
4.4 LLM领域化应用案例 / 82
4.4.1 复杂工艺参数优化与动态控制 / 82
4.4.2 跨模态质量检测与缺陷溯源 / 83
4.4.3 智能供应链协同与自主决策 / 83
4.5 未来工业软件的发展趋势 / 84
第5章 LLM应用于工业领域的挑战
5.1 数据依赖与安全风险 / 87
5.1.1 数据依赖与领域迁移瓶颈 / 87
5.1.2 模型训练阶段的数据安全风险 / 89
5.1.3 模型推理阶段的数据泄露威胁 / 90
5.1.4 全流程数据安全防护体系构建 / 91
5.2 模型的可解释性与透明度 / 92
5.2.1 模型可解释性缺失的根源分析与发展方向 / 92
5.2.2 知识图谱与机理模型的显性知识约束机制 / 94
5.2.3 大语言模型与专业工具的协同推理架构 / 94
5.2.4 多模态可解释性增强技术体系 / 95
5.2.5 可信工业智能系统的构建实例 / 95
5.3 工业场景中的计算资源限制 / 100
5.3.1 实时推理效率与资源消耗 / 100
5.3.2 面向工业场景的模型轻量化策略 / 102
5.3.3 机理模型与LLM的混合建模架构 / 103
5.3.4 动态协同计算架构设计 / 104
5.4 模型更新与维护的挑战 / 105
5.4.1 模型更新策略的经济性与技术性矛盾 / 105
5.4.2 封闭环境下的模型维护与更新机制 / 108
5.4.3 模型版本迭代的风险控制体系 / 110
5.5 工业应用中的伦理与法律问题 / 112
5.5.1 大模型的安全伦理风险 / 112
5.5.2 人机协作模式下的社会伦理重构 / 113
5.5.3 知识产权边界的模糊化挑战 / 115
5.5.4 合规性风险的自适应治理难题 / 116
第6章 LLM工业应用能力评测
6.1 LLM评测的指标体系 / 120
6.1.1 基础能力评测指标 / 120
6.1.2 场景能力评测指标 / 121
6.1.3 工程化特性评测指标 / 124
6.2 自动化评测工具与方法 / 127
6.2.1 评测流程设计 / 128
6.2.2 自动评测工具 / 129
6.2.3 指标评测方法 / 133
6.3 人类反馈与评测的结合 / 136
6.3.1 基于专家知识的多维度反馈标注体系 / 136
6.3.2 动态反馈权重的自适应调节机制 / 137
6.3.3 反馈驱动的持续学习与评测闭环系统 / 137
6.4 分阶段评测策略与实例 / 138
6.4.1 LLM分阶段评测策略 / 138
6.4.2 LLM分阶段评测实例 / 140
6.5 工业应用中的LLM评测挑战 / 152
6.5.1 数据稀缺性与领域适配的挑战 / 152
6.5.2 动态工业环境下的评测鲁棒性挑战 / 152
6.5.3 评测结果的可信度与可解释性挑战 / 153
6.5.4 领域专家依赖性与评测一致性的挑战 / 153
6.6 评测方法的未来趋势 / 154
6.6.1 动态自适应评测框架的构建与优化 / 155
6.6.2 可解释性增强评测体系的深化发展 / 155
6.6.3 隐私保护联邦评测范式的创新突破 / 156
第7章 LLM工业应用实施方法论
7.1 工业应用智能化的企业实施方法论 / 158
7.1.1 企业实施知识工程方法论DAPOSI / 159
7.1.2 大语言模型与知识图谱 / 161
7.1.3 大模型升级企业实施方法论 / 164
7.2 可行性研究 / 167
7.2.1 需求收集 / 167
7.2.2 需求分析 / 171
7.2.3 可行性评估 / 174
7.3 数据处理 / 176
7.3.1 数据采集 / 178
7.3.2 数据清洗 / 178
7.3.3 语料标注 / 182
7.3.4 知识加工 / 193
7.3.5 知识存储 / 195
7.4 模型训练 / 197
7.4.1 基础大模型选择 / 197
7.4.2 算力资源准备 / 200
7.4.3 领域模型训练 / 201
7.4.4 知识注入模型 / 209
7.5 系统部署 / 212
7.5.1 资源准备与系统部署 / 212
7.5.2 现场实施 / 212
7.6 持续优化 / 220
7.6.1 常见问题 / 221
7.6.2 检测机制 / 222
7.6.3 纠正与优化 / 223
7.6.4 资源配置 / 223
7.6.5 未来趋势 / 224
第8章 LLM在工业领域的应用案例
8.1 办公应用 / 225
8.1.1 智能会议管家 / 225
8.1.2 通用公文撰写 / 229
8.2 科研应用 / 233
8.2.1 行业知识管理与智能问答 / 233
8.2.2 科研报告生成 / 240
8.2.3 专业报告总结 / 243
8.2.4 翻译助手 / 247
8.3 生产应用 / 250
8.3.1 生产数据的智能问答 / 250
8.3.2 设备健康管理与预测性维护 / 255
8.3.3 生产优化智能体 / 258
第9章 工业智能的未来新技术
9.1 量子计算与大模型 / 263
9.1.1 量子叠加与纠缠特性加速LLM训练 / 263
9.1.2 将语言等效为物理问题 / 264
9.1.3 量子–经典混合架构的系统设计 / 265
9.2 边缘计算与分布式AI / 265
9.2.1 边缘智能的实时性优化 / 265
9.2.2 分布式AI的协同训练与推理 / 266
9.2.3 边缘–云协同架构的设计与优化 / 266
9.3 新型硬件加速技术 / 267
9.3.1 专用AI芯片架构创新 / 267
9.3.2 存算一体技术突破 / 267
9.3.3 光电子与量子混合加速技术 / 268
第10章 工业智能的未来方法与新应用
10.1 工业智能的未来方法 / 269
10.1.1 复杂系统建模的理论突破 / 269
10.1.2 自主协同决策的算法框架 / 270
10.1.3 人机共生的智能架构设计 / 271
10.2 工业智能的新应用 / 271
10.2.1 智能工厂的自主优化系统 / 271
10.2.2 跨行业知识迁移的智能解决方案 / 272
10.2.3 可持续制造的智能闭环系统 / 273
|
| 內容試閱：
|
在当今时代，人工智能技术的迅猛发展正在深刻重塑全球产业格局。其中，大模型—尤其是参数规模达亿级以上的深度学习模型—作为核心驱动力，凭借其卓越的学习能力与泛化能力，在自然语言处理、计算机视觉等领域不断突破技术边界。大语言模型作为大模型的重要分支，通过海量数据的训练与优化，已能够高质量地完成文本生成、语义理解、跨语言翻译等任务，显著提升工业场景的信息处理效率与智能化水平。从智能客服到自动化文档生成，从研发辅助到生产流程优化，大语言模型正逐步成为企业数字化转型的核心引擎，为工业领域注入了前所未有的创新动能。在本书中，大模型主要指大语言模型。
然而，如何将大语言模型的理论优势转化为工业场景中的实际生产力？如何应对模型落地过程中面临的技术适配性、领域知识融合、数据安全等挑战？这些问题亟待全面且深入的探讨，以找到有效的解决方案。与此同时，工业软件的智能化升级已成为全球制造业竞争的关键赛道。基于这些现实需求，本书以大语言模型为核心，结合智能化工业软件的发展趋势，系统梳理了其理论基础、技术路径、实施方法论及行业实践，旨在为工业领域的智能化转型提供兼具前瞻性与实操性的指导。
本书立足“技术驱动产业变革”的视角，围绕大语言模型在工业场景中的应用展开多层次、系统化的探讨。
第1～3章首先阐述工业科研范式的四次演进，通过分析传统方法的特点与局限，揭示当今时代对人工智能技术的迫切需求。接着探讨大模型的崛起及其对科研范式演进的推动作用。这些章节重点解析大语言模型的核心技术原理及其在语义理解、知识推理、多模态融合等方面的突破，还结合工业领域特点，提出“工业语言”这一概念，阐明如何通过领域知识嵌入与模型优化来应对工业场景中的专业术语理解、长文本解析等挑战。最后，这些章节系统梳理了大语言模型的技术发展脉络，以及与工业软件结合构建智能体的探索。
第4～8章聚焦大语言模型领域化应用中的需求，深入探讨企业级大语言模型的构建与落地实践。
多种技术与模型的融合驱动：涵盖大语言模型、知识图谱、机理模型的协同互动，为企业提供将智能技术适配到业务应用中可靠且高效的技术
路径。
企业大模型应用构建的实施方法论：通过“定义—分析—定位—构建—
模拟—验证”的闭环流程，确保技术投入与业务目标高度对齐。
在此基础上，详细拆解企业构建大语言模型面临的挑战与应对方法、工业应用能力评测体系与策略、工业应用实施方法论等。同时，结合离散制造与流程制造领域中办公、科研、生产等应用场景，展示大语言模型如何显著提升工业场景的工作效率。
第9～10章探讨了工业智能中的前沿技术方向，包括复杂系统建模、自主协同决策算法、人机共生架构等，并展望其在智能工厂自主优化、跨行业知识迁移、可持续制造的智能闭环系统等方向上的创新应用，为工业智能的未来发展提供前瞻性的思考与方向指引。
本书特色与创新
系统性指南：首次将大语言模型的理论框架与工业实践深度融合，构建了从技术原理到落地实施的完整知识体系。
双方法论架构：独创“领域化设计 + 企业实施”双框架，既能满足技术研发人员对技术的探索需求，又能为企业管理者提供战略规划与决策的有力工具。
实战导向：包含 20 多个实际案例，涵盖离散制造、油气能源、服务等多个领域，详细剖析实施痛点与解决方案，为读者提供丰富的实战参考。
工具赋能：详细介绍了相关的大模型评测工具的设计和应用示例，助力读者快速上手实践并加速技术落地。
本书读者对象
技术研发人员：工业软件工程师、AI算法开发者可通过本书掌握领域模型优化、轻量化部署等核心技术。
企业管理者：数字化转型负责人、CIO（首席信息官）可从本书中获取企业战略规划框架与ROI评估方法，从而规避技术投资风险。
政策制定者与研究者：政府机构与高校研究人员可据此洞察工业智能化趋势，推动产研协同创新。
跨界学习者：对AI与工业融合感兴趣的学生、创业者，可通过案例解析快速理解技术落地逻辑，开启跨界学习与创新之路。
致谢与展望
本书的顺利完成，得益于工业界与学术界众多专家的深度参与和无私贡献。他们提供了宝贵的实践经验与深刻的技术洞见。在此，我们特别感谢长期与我们紧密合作的制造、能源领域的客户。每一个成功落地应用的案例，都是双方不懈探索、持续学习、精益求精的结果。这些案例或许并非尽善尽美，但真实记录了我们一起走过的历程，见证了我们彼此的成长，这份经历弥足珍贵。
未来，随着大模型技术的不断演进，工业智能化的应用边界将不断拓展。我们希望本书能够成为读者探索这一领域的指南，助力更多企业跨越“从实验室到生产线”的鸿沟，真正释放人工智能的产业价值。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
