因为ChatGPT太火了，行业内外都在搞自然语言大模型，电力也不例外，新技术就加上这一节。关于自然语言的解析发展，有“知识库->知识图谱->大模型"这么一个过程，笔者把两个合在一起谈。
PART 1概念
知识库有两种含义：一种是指专家系统设计所应用的规则集合，包含规则所联系的事实及数据，它们的全体构成知识库。这种知识库是与具体的专家系统有关，不存在知识库的共享问题；另一种是指具有咨询性质的知识库，这种知识库是共享的，不是一家所独有的。
大模型是指具有大量参数的深度学习或机器学习模型，这些参数可以通过训练过程自动调整以捕获输入数据中的复杂关系。这类模型通常具有较深的网络结构和较多的神经元，以增加模型的表示能力和学习能力。大模型在诸如自然语言处理、计算机视觉和语音识别等领域取得了显著的成果。PART
2 通俗讲解
这些知识库、知识图谱、大模型对非技术人员来说，实在太拗口了。笔者模仿自动驾驶5级分类模型，按自己的理解，绘了张图，把这些当成知识管理”几个阶段的发展应用“，大家看看就图一乐：
L0，最原始的知识库阶段：即传统说法的知识库，上节概念中知识库的二者结合，既是知识的集合体，也是共享的（个人知识库除外）。表现形式为各种文件、词条、文章的集合，应用就是查看和按标题、类型格式等粗颗粒的检索，相当于Windows的文件管理能力。这阶段的分类管理基本靠人，谈不上什么智能，所以叫“L0"。
L1，复杂的检索搜索能力：如全文检索能力，更进一步的如联想、重要性关联、聚合推荐、兴趣推荐等能力，这时候就是有”知识图谱”的应用，知识与知识不只是按类存放，他们之间是有关系的，可以提供基于结构化关系的搜索能力，可以对你的搜索提供一些“相关”的资料。
L2，文字解答问题的能力：对问题的输入不再是提供关键字检索，而是整段输入问题，系统通提供包含文字图形的答案，这需要系统有自然语言解析的能力，能看得懂”问题“，然后对搜索的结果有整合的能力，这阶段就是”自然语言+大模型“的应用，前者理解这段话并组合答案，后者重点在寻找答案。这阶段生成的”答案”，看起是一段可阅读的话，但并不能保证是正确完善的。笔者试用了文心一言等工具，感觉比较像这个阶段，可以理解为小学生写作文，是“人”写的，但内容不一定对。
L3，完善可靠回答问题能力：相比较L2，输出的内容已经是很可靠的内容，并能以规格化的如通知、文案、报告等形式，作为最终答案，可以理解为可靠性非常高，已经是成人在办事。现在ChatGPT在日常文档处理中已经相当接近了这个水平了。但像电力行业的技术很封闭，对可靠性要求很高，还未有能接近这一阶段的模型。
L4，输出方案并执行工单的能力：我们在电力研究自动化当然不是为了聊天或仅仅是查资料，而是为了代替人处理工作。基于L3的可靠性上，可以直接对工单进行自动化处理了。“工单自动化”一直都是有的，但以往的自动化是程序员按即定规则编写的，如“低压投诉转营销部、中压投诉转配电部”，而现在用上了大模型人工智能，系统可以通过“阅读”日常的行为规范，学习到如何可靠执行处理工单，不是硬编码了。让”系统成长自动化“，就像把外行培养成熟练技术人员一样喂资料就行，而不是靠程序员编码敲出来。
L5，输出方案并现场执行的能力：在处理数据工单的技术上，进一步发展，直接操作现场设备，典型如“自动化的调度转供电”操作，到这一阶段，可以实现如“提供场站的图纸，就能让巡检机器人自动规划路线，自动巡检处理缺陷”的完全自动化的工作，人工只起到监督复核的作用，就像L5完全自动驾驶一样。
3 展望
目前已知的电力方向尝试的知识库或大模型，都是在L0~L2阶段，包括ChatGPT也是。
懂大模型的不懂电力，或者拿不到专业可靠的电力数据（主要是他们也不会专做电力），即使是国内某个电力大厂搞的知识问答，数据质量也是很差，因为做数据只是个任务，看量不看质。电力数据因为样本少，少量错误数据即可严重污染整体。
对有一些数据的，没有计算能力做大模型（比如说笔者哈）。笔者做的电知网，目前具备一些L0的实现，正在向L1发展，有L2的条件的同志如果愿意在公网发布成果可以联系合作。
