1月20日，在特朗普宣布啟動總投資5000億美元的“星際之門” (Stargate)AI基礎設施計劃前一天，杭州深度求索人工智能基礎技術研究有限公司——一家此前名不見經(jīng)傳的中國企業(yè)，將其開發(fā)的大語言推理模型DeepSeek-R1以開源形式上線。憑借高性能、低成本優(yōu)勢，這個初出茅廬的大模型立刻成為科技圈、投資圈和媒體圈乃至全網(wǎng)關注的焦點。

　　《中國化工報》記者注意到，春節(jié)假期后第一周，多家上市企業(yè)宣布接入DeepSeek，帶動上證科創(chuàng)板50成份指數(shù)和創(chuàng)業(yè)板指數(shù)均漲超5%。但這場帶著全網(wǎng)起飛的“龍卷風”，吹到石油和化工行業(yè)時卻好像減了速——迄今為止，鮮少有石油和化工企業(yè)加入這場狂歡。

　　對此，工業(yè)智能化、AI等研究領域的多位專家近日接受記者采訪時表示，DeepSeek橫空出世令人鼓舞，但要解決AI大模型在流程工業(yè)垂直應用的諸多難題并非易事，能否帶飛石油和化工行業(yè)，仍需時間檢驗。

　　DeepSeek能在網(wǎng)絡上掀起巨浪，甚至引發(fā)美國股市中英偉達等科技股出現(xiàn)“歷史性”大跌的核心“殺手锏”，在于其顛覆性的低成本與高效率。

　　根據(jù)深度求索公司官方放出的數(shù)據(jù)，DeepSeek僅用2048塊英偉達 H800圖形處理器(GPU)和557.6萬美元的投入，就訓練出了規(guī)模達6710億參數(shù)的DeepSeek-V3。Open AI創(chuàng)始成員之一Andrej Karpathy表示，按照以往經(jīng)驗，行業(yè)內(nèi)類似能力級別的大模型大多使用約10萬張GPU。例如，Llama 3 405B模型消耗了3080萬GPU小時，而DeepSeek-V3則用了280萬GPU小時，計算需求僅為前者的十一分之一。

　　此前，市場上也普遍認為同等參數(shù)規(guī)模的GPT-4訓練花費高達10億美元。而DeepSeek推出的DeepSeek-R1模型，推理成本僅為OpenAI最新模型(o1)的三十分之一。許多后續(xù)研究團隊更是用較低的成本成功復現(xiàn)了DeepSeek的模型樣本。

　　從用戶端來看，這樣的數(shù)據(jù)似乎意味著企業(yè)部署AI大模型的花費從“腳脖子打折”，個人用戶部署一個自有大模型好像也不再是夢想。但這真的意味著誰都“用得起”大模型的時代到來了嗎?

　　“部署和訓練成本并不等同于應用成本?！币晃籌CT從業(yè)人士表示，DeepSeek成本的降低，主要是靠算法創(chuàng)新對訓練成本進行了壓縮。根據(jù)官方數(shù)據(jù)，研究團隊在訓練模型時同時使用了8浮點混合精度訓練技術(FP8)、混合專家模型(MoE)以及自主研發(fā)的多頭潛在注意力(MLA)機制，解決了傳統(tǒng)Transformer模型在處理長輸入序列時的內(nèi)存瓶頸問題，可將顯存占用降至傳統(tǒng)模型的5%~13%。

　　而應用成本則包括計算設施、傳輸設施的建設成本，數(shù)據(jù)收集與存儲成本等。以煉廠為例，一套催化裂化裝置每秒產(chǎn)生的數(shù)據(jù)點可能就多達上千個，其中既包括每秒或幾分鐘就要采集一次的溫度和壓力數(shù)據(jù)，也包括需要長期連續(xù)測定的催化劑活性數(shù)據(jù)，還有一些動設備如泵的噪音、振動幅度等其他數(shù)據(jù)，一家大型煉廠每年產(chǎn)生的數(shù)據(jù)量可能在千億級字節(jié)。即使DeepSeek依靠算法降低了對GPU服務器集群等計算設施的需求，其數(shù)據(jù)存儲與傳輸設施的剛性投入也難以降低，中小企業(yè)搭建自有大模型仍然存在困難。

　　圖靈獎得主、Meta AI科學家楊立昆(Yann LeCun)也公開發(fā)聲強調(diào)，許多投資者對AI基礎設施投資存在“重大誤解”?！澳切?shù)十億美元的資金中，很大一部分都投入到了推理基礎設施中，而不是訓練。數(shù)十億人運行 AI助手服務需要大量的計算，一旦你將視頻理解、推理、大規(guī)模內(nèi)存和其他功能納入AI系統(tǒng)，推理成本就會增加。”楊立昆說。

　　此前，DeepSeek憑借一句“打動你的是人類集體智慧的回聲”在網(wǎng)絡上引起無數(shù)轉(zhuǎn)發(fā)和討論。出于好奇，記者也嘗試讓它進行了多種風格的寫作，在情感及純文學寫作中表現(xiàn)出色的DeepSeek，在涉及專業(yè)數(shù)據(jù)時卻有些“不知所云”，它給出了歐洲某家煉油廠應用AI優(yōu)化運維的案例，但記者按其給出的數(shù)據(jù)無法查證該煉油廠是否真實存在，“追問” DeepSeek也無法得到該煉油廠更具體的信息。

　　“這就是大語言模型(LLM)目前應用的一個大問題——模型幻覺?！敝谢畔⒓夹g有限公司專家委員會副主任、華東理工大學講席教授馮恩波告訴記者，目前LLM僅能勝任知識或數(shù)據(jù)管理方面的工作，但如果讓它產(chǎn)生專業(yè)程度較強的新知識、新內(nèi)容，就需要十分小心，因為“模型幻覺”目前在AI深度學習領域中，仍是難以根除的問題。

　　其中，一部分幻覺數(shù)據(jù)可以通過核對輸入內(nèi)容和生成內(nèi)容發(fā)現(xiàn)，并通過調(diào)整輸入關鍵詞來修正。例如，向AI詢問“中國第一家化工企業(yè)的名字是什么?”，AI可能會由于抓取關鍵詞的不同，給出“1880年成立的上海江蘇藥水廠是中國第一家化工廠”或“始建于1954年的吉林化學工業(yè)公司(中國石油吉林石化分公司前身)，是我國第一家化工企業(yè)”的答案，用戶可以通過添加例如“新中國成立前/后”等關鍵詞再進行篩選。

　　另一部分的幻覺則更加“危險”。“有可能AI會給你一個語言華麗、數(shù)據(jù)漂亮的成果報告，但其中‘融化’了大量不確定性高，甚至在專業(yè)人士看來是謬論的數(shù)據(jù)?！瘪T恩波強調(diào)，尤其要謹防AI講話“真假參半”，將虛假的數(shù)據(jù)掩藏在大量專業(yè)詞匯和華麗的語言之后，因為即使是對相關從業(yè)者來說，一一核對與辨別這些案例和數(shù)據(jù)的不合理之處，也是非常困難的事情。如果這些摻雜“幻覺”的數(shù)據(jù)和知識進入數(shù)據(jù)庫，被用在流程行業(yè)實際生產(chǎn)系統(tǒng)的實時優(yōu)化、實時控制等方面，可能造成嚴重后果。

　　對此，他建議，行業(yè)可以先利用大數(shù)據(jù)，建立較為準確的反應機理模型作為“司令員”，在此基礎上應用大語言推理模型作為“參謀長”進行輔助判斷，再由有經(jīng)驗的操作員最終驗證和確定反應流程的實時優(yōu)化與控制該如何進行，從而提高模型應用的準確性與可靠性。

　　“目前，DeepSeek這樣的大模型也會造成很多‘幻覺’，但企業(yè)需要大模型在決策過程中能保證百分之百的準確性?！北本┲嘘P村科金技術有限公司總裁喻友平說：“大模型在面向企業(yè)端(To B)的應用離理想狀態(tài)還有很大距離，這比面對終端消費者(To C)場景的挑戰(zhàn)要大得多?！?/p>

　　近年來，能源化工行業(yè)AI大模型應用已經(jīng)取得了初步成績，例如中國石油700億參數(shù)昆侖大模型、中控石化化工大模型、中國海油“海能”人工智能模型，但要實現(xiàn)更加廣泛的應用，仍在可用性與易用性方面面臨挑戰(zhàn)。多位業(yè)內(nèi)專家表示，大語言推理模型在流程行業(yè)的應用仍然需要夯實數(shù)據(jù)和機理的“地基”，以保障其安全性與可靠性。

　　中國工程院院士、中國石油勘探開發(fā)研究院正高級工程師劉合此前表示，數(shù)據(jù)治理是油氣行業(yè)AI大模型應用的關鍵，如何在保證數(shù)據(jù)安全和保密的前提下，充分整合分散的數(shù)據(jù)并訓練行業(yè)模型，是行業(yè)一直在探索的一個“大問題”。

　　但對于石化行業(yè)來說，推動數(shù)據(jù)治理，打牢大語言模型應用的“地基”并不容易。一方面，石化行業(yè)的數(shù)據(jù)環(huán)境極為復雜、數(shù)據(jù)來源廣，且受外部環(huán)境影響噪聲高，容易出現(xiàn)數(shù)據(jù)不完整的情況;另一方面，主流深度學習的模型通常在靜態(tài)數(shù)據(jù)集上進行訓練，而實際生產(chǎn)是“牽一發(fā)而動全身”，催化劑中毒、不同批次原料成分的細微改變，都會使設備狀態(tài)及工藝參數(shù)發(fā)生漂移，導致數(shù)據(jù)集逐漸“過期”，優(yōu)化模型也不再有效。劉合在其署名文章《油氣大模型破局需從三方面發(fā)力》中也提出，油氣企業(yè)必須強化數(shù)據(jù)全生命周期管理，從數(shù)據(jù)源頭、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)融合和匹配、數(shù)據(jù)完整性增強、數(shù)據(jù)標注等環(huán)節(jié)嚴格規(guī)范，建立高質(zhì)量的訓練樣本庫，提升數(shù)據(jù)治理能力，從而為行業(yè)大模型提供堅實的數(shù)據(jù)基礎。

　　“除了挖掘數(shù)據(jù)與場景價值點外，石化企業(yè)應用大模型的另一個重點是安全性和保密性問題。”浙江新和成股份有限公司運營首席專家鄭根土認為，數(shù)據(jù)安全治理也是企業(yè)所擔憂的問題，目前國家已經(jīng)出臺了數(shù)據(jù)流通安全治理的相關法案，但數(shù)據(jù)流通安全治理體系仍然有待構建，相關機制也并不完善，需要企業(yè)、行業(yè)與相關部門多方協(xié)同，提高行業(yè)數(shù)據(jù)流通與應用的監(jiān)管效能。

　　喻友平表示：“展望未來，AI在To B領域的應用將面臨轉(zhuǎn)型與創(chuàng)新的雙重挑戰(zhàn)。企業(yè)需要逐步建立基于大模型的智能決策系統(tǒng)，同時考慮如何增強系統(tǒng)的透明性，確保AI生成內(nèi)容的可追溯性與可靠性。此外，還應密切關注相關法規(guī)政策，以預防不當使用AI技術可能帶來的法律和倫理問題。”（靳雅潔）

業(yè)內(nèi)人士眼中的DeepSeek

　　大模型行業(yè)的“黑馬”DeepSeek到底有哪些“本領”，將給石油和化工行業(yè)發(fā)展帶來哪些影響?《中國化工報》記者就此采訪了多名業(yè)內(nèi)人士。

　　廣州石化信息化專家張洪灝：DeepSeek最大的優(yōu)勢在于算法的改進和優(yōu)化，這極大節(jié)省了算力和數(shù)據(jù)量，使得訓練成本大幅降低。同時，其低訓練成本也會降低硬件的投入門檻，從而解決美國限制出口高端GPU“卡脖子”問題。

　　DeepSeek-R1大模型在解決復雜數(shù)學問題時擁有極強的“拆解能力”，能夠?qū)碗s任務分解為更小的步驟并逐一執(zhí)行，從而提高其準確性。打個比方，ChatGPT像“文科生”，擅長編段子、寫文章，而DeepSeek更像理科生，擅長推理和深度思考。DeepSeek基于思維鏈，模型推理能力和深度思考能力極為強大。其通過建立智能化知識庫，可改變知識的獲取模式，借助語言大模型整合各類專業(yè)知識，更加高效精準地反饋給員工。

　　未來，科學智能將是更高層次的人工智能大模型，將在新材料科學探索方面，解決科研人員面臨的缺乏數(shù)據(jù)和有效的數(shù)據(jù)分析方法、很多研究依靠經(jīng)驗和試錯方法、理論研究難以用來解決實際問題等痛點，使實驗與模擬能力大幅提升，加速化工新材料、煉油化工催化劑的研發(fā)進程。

　　北京化工大學教授、博士生導師辛春林：在推動石油和化工行業(yè)轉(zhuǎn)型發(fā)展方面，DeepSeek將提升企業(yè)的數(shù)據(jù)分析與決策能力，助力研發(fā)與可持續(xù)創(chuàng)新，同時優(yōu)化生產(chǎn)運營與成本控制。

　　DeepSeek擁有強大的深度學習與自然語言處理能力，可以快速處理和分析海量行業(yè)數(shù)據(jù)，包括生產(chǎn)數(shù)據(jù)、市場數(shù)據(jù)、供應鏈數(shù)據(jù)等，幫助企業(yè)更準確地預測市場需求、優(yōu)化生產(chǎn)計劃、調(diào)整供應鏈策略，從而提高運營效率和經(jīng)濟效益。

　　DeepSeek通過分析原油價格波動、成品油市場需求變化等數(shù)據(jù)，能為企業(yè)提供決策支持，幫助制定更合理的采購和銷售策略。

　　DeepSeek開源模型的社區(qū)協(xié)作機制還加速了技術的迭代和創(chuàng)新。具體到新材料研發(fā)領域，DeepSeek可以通過高效文獻檢索與知識整合，快速獲取最新的研究成果和技術信息，幫助研究人員了解行業(yè)前沿動態(tài)，啟發(fā)創(chuàng)新思路。同時，DeepSeek還可以協(xié)助進行實驗方案優(yōu)化與預測，為研究人員提供優(yōu)化的實驗方案和預測結果，提高研發(fā)效率和成功率。

　　另外，在生產(chǎn)運營與成本控制方面，DeepSeek可對石化生產(chǎn)過程中的各種數(shù)據(jù)進行實時監(jiān)測和分析，及時發(fā)現(xiàn)生產(chǎn)過程中的異常情況和潛在問題，幫助企業(yè)采取有效的措施進行調(diào)整和優(yōu)化，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。同時，它還能幫助企業(yè)更準確地掌握原材料采購成本、能源消耗成本等信息，制定合理的成本控制策略，降低生產(chǎn)成本和碳排放。

　　江蘇華昌化工股份有限公司有關負責人：DeepSeek等深度分析模型在化工行業(yè)應用前景廣闊，有望推動全產(chǎn)業(yè)鏈智能化升級。在生產(chǎn)環(huán)節(jié)，DeepSeek類模型可通過對反應參數(shù)、設備狀態(tài)等海量數(shù)據(jù)的實時分析，優(yōu)化工藝條件，提升原料轉(zhuǎn)化率，降低能耗;在質(zhì)量控制方面，結合計算機視覺技術，可實現(xiàn)對產(chǎn)品微觀結構的智能檢測，提升缺陷識別準確率;在預測性維護領域，通過建立設備數(shù)字孿生模型，提前預警關鍵機組故障，降低非計劃停機損失;在安全管控層面，可整合DCS、視頻監(jiān)控等多源數(shù)據(jù)，實現(xiàn)動態(tài)風險預警，減少人為誤判風險。隨著化工行業(yè)數(shù)字化轉(zhuǎn)型深化，深度分析技術將成為實現(xiàn)智能制造、綠色生產(chǎn)的關鍵驅(qū)動力。

　　西南化工研究設計院變壓吸附所副總工程師梁軍：如果DeepSeek能夠提供接口，接入石化行業(yè)現(xiàn)有的服務程序中，將會更加適應行業(yè)特點，為行業(yè)提供更加精準的規(guī)劃、資訊等方面的幫助。

　　捷誠能源首席分析師閆建濤：DeepSeek強大的邏輯推理和預測功能，能為我們這些做能源深度研究的人提供更加有益的建議。在企業(yè)發(fā)展戰(zhàn)略層面，DeepSeek能夠提供更充分的數(shù)據(jù)支撐、更多的情景分析，市場分析和營銷預測也會更精準;在生產(chǎn)經(jīng)營層面，能夠引導企業(yè)管理更規(guī)范，風險控制更及時，從而降低全產(chǎn)業(yè)鏈成本。

　　清華大學新聞學院教授沈少陽：如果說傳統(tǒng)的生成式大模型是“兼職助理”，那么推理大模型就是“正式員工”，并且是一位對工作可以“兜底”的員工，包括理解需求、推理使用場景、尋找生產(chǎn)資料，并輸出完整的結構化內(nèi)容。強大的推理大模型是“善解人意”的好助手，但它會因為“太聰明”而自作主張，出現(xiàn)對提示語“視而不見”的情況。因此現(xiàn)階段還需保持耐心，隨時接受推理大模型“罷工”，因為推理大模型也需要“調(diào)教”。（耿明月 郁紅）

本文刊登于《中國化工報·智能制造》周刊，熱線010-82037404