“人工智能的演進及其在生物工藝中的應用”問答合集

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

現(xiàn)將直播過程中觀眾的提問進行整理和回復，供大家參考和回顧。

Q1  ChatGPT可以在與人類對話中學到新知識嗎？
ChatGPT里的P表示，這個模型是pretrained 也就是說是預學習的，它不會從跟人類的對話里學到任何新知識。這里要注意，機器學習里說的學習，是要調整其內部參數(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到了新知識，那是因為當前的聊天歷史是作為模型輸入又輸進去了。模型的參數(shù)本身并沒有調整。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的人很少。迪必爾其實一直把解決這些問題當作自己不可推卸的責任。

Q4  人工智能跟PID控制哪個好用？神經(jīng)網(wǎng)絡能否替代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)學上講，跟只有一個神經(jīng)元的神經(jīng)網(wǎng)絡是一模一樣的。

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生成代碼的準確性，首先要對要實現(xiàn)的任務進行準確拆解，將其邏輯清晰地表達出來供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，必須對其進行仔細審查，修正其中可能存在的問題，在預實驗中進行驗證，確保其功能、性能和安全性都符合預期，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學習。具體來說有以下規(guī)則：D2MS 軟件每秒調用一次函數(shù)，通過參數(shù)傳遞所需值。函數(shù)應返回單個浮點數(shù)或 NumPy 數(shù)組作為輸出參數(shù)。函數(shù)內部應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，高效控制生物反應器系統(tǒng)。

Q9  是否可以把過程控制的邏輯與人工智能結合？
除了利用生成式AI編寫UDF代碼，我們還可以進一步將過程控制的邏輯與其他人工智能技術巧妙結合，以優(yōu)化生物反應器系統(tǒng)的運行。舉例來說，機器學習算法可用于對生物反應過程的時間序列數(shù)據(jù)進行建模和預測，提前預估關鍵參數(shù)的變化趨勢。這不僅有助于實現(xiàn)更精準的控制，還能在異常情況發(fā)生前提供預警，從而使我們能夠及時采取應對措施。此外，強化學習也是一個值得探索的方向。通過與生物反應器系統(tǒng)不斷交互，強化學習智能體可自主學習和優(yōu)化控制策略，在動態(tài)變化的環(huán)境中自適應地調整控制參數(shù)，有望在復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，為生物工程領域的創(chuàng)新發(fā)展注入新的動力。