人工智能在建筑的应用现状和前景.docxVIP

ChatGPT 在建筑的应用现状和前景 应用层面来看，ChatGPT 当前更适合文本工作类行业 ChatGPT 是自然语言处理发展的产物。自然语言处理（Natural Language Processing, NLP）作为人工智能的重要研究方向，旨在帮助计算机理解、解释和运用人类语言。回顾发展历程来看，上世纪 50 年代，科学家已经开始进行基于规则的少量数据处理，总体是基于模板和规则的学习的阶段；上世纪 80 年代开始，进入 Machine Learning 的时代，与之前的区别是开始基于一定范围的数据进行参数分类；上世纪 90 年代开始，以CNN、RNN 等为代表的神经网络开始获得突破，开始模仿人脑进行大量数据的标记和训练。2017 年，Ashish Vaswani et.al 在论文《Attention Is All You Need》中提出了一种新的简单架构——Transformer Architecture，这种模型基于注意力机制，不用重复和卷积，因而这些模型在质量上更优，同时更易于并行化，需要的训练时间明显更少。 图1.NLP 发展历程 真格基金， ChatGPT 能实现的人类意图，来自于机器学习、神经网络以及 Transformer 模型的多种技术模型积累。最早在 2018 年OpenAI 推出 GPT-1，其中大约有 1.17 亿个参数，这一代模型的核心手段是预训练，通过不断的手动标记数据，结合无监督预训练和有监督微调减轻 NLP 中的监督学习，本质上模型是相对 Transformer Architecture 的显著简化；后续的 GPT-2 去掉了GPT-1 中的有监督微调的阶段，转向更通用的系统，最终不需要为每个任务都手动创建标记去训练，GPT-3 的参数数量等相对之前有了极大飞跃，达到 1750 亿个参数，在许多 NLP 数据集上都实现了很强的性能。 图2.ChatGPT 发展历程 Priya Shree《The Journey of Open AI GPT models》，Alec RadFord《Improving Language Understanding by Generative Pre-Training》，Jan Gorecki《Pair Programming with Large Language Models for Sampling and Estimation of Copulas》， 基于 ChatGPT 神经网络的类型以及训练方法来看，文本类工作的效率有望得到提升。由于 ChatGPT 已经接受了大量的文本训练集，它可以在教育行业中提供大量的语言和知识学习的资源，协助师生之间的交流和学生的评估；金融领域，可以基于大量文本去分析行业的市场情况、风险评估并给出建议等；商业领域，可以帮助去进行一些营销策略的创作、提供客户服务、或者从事数据分析等工作；媒体领域可以协助创意工作者去生产或者编辑脚本、外发的文稿等内容。 表 表1.ChatGPT 有望应用的领域 应用领域 相关形式 自然语言处理 可以用于自然语言生成、自然语言理解、文本摘要、机器翻译等NLP 任务。智能客服 可以作为智能客服机器人的核心，回答客户的问题、提供帮助和建议。 电子商务 可以用于电子商务平台的客服和推荐系统，为客户提供更好的购物体验和更精准的推荐。教育 可以作为辅助教学工具，为学生提供答案解释、学习建议和自适应学习体验。 媒体 可以用于新闻自动化、内容推荐和智能化编辑，帮助媒体更快速、更精准地生产和传播新闻。医疗 可以用于医疗问诊、病历记录、病症分析等任务，帮助医疗机构提高效率和服务质量。 金融 可以用于智能投资、风险评估、客户服务等金融领域任务，帮助更好地服务客户和管理风险。 数据来源： 整理 建筑业涉及到的数据类型众多，所需要的模型更为繁杂 不同类型数据（图片、文本、音频）的处理适用于不同种类的神经网络： 表2.不同种神经网络适用的数据类型有所差异 网络类型 主要原理 应用领域 主流算法 处理对象 卷积神经网络本质上是一个网络间共享权重参数的多 图片分类 AlexNet、VGG、 GoogLeNet、ResNet、 CNN（卷积神经网络） 层复合函数，其共享权值的思想可以大大减小训练参数的数量，因此常被用来训练深层网络并在大规模数据（如图片）的处理中表现出较好的表达能力。 目标识别 DenseNet 等 RCNN、Fast RCNN、 Faster RCNN、Mask RCNN、YOLO、SSD 等 图片、音频、视频等 循环神经网络的主要思想是在网络模型中不同部分进 RNN（循环神 行权值共享使得模型可以扩展到不同样式的样本。循 自然语言处 LSTM、GRU、双向 RNN 序列信号（如文 经网络）