現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。

錯過直播的朋友可以掃描圖片二維碼觀看回放。

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。或者你們聊天記錄太長了以后，前面的他就自動刪掉了，不再做為模型輸入。

Q2

專家系統跟AI有什么區別？

廣義上說專家系統是人工智能的一種。但是專家系統跟神經網絡等算法有著根本區別。專家系統更多是基于基本原理以及人的經驗得到的一套規則，而神經網絡等AI則是根據大量數據得到的統計規律。專家系統適用于缺少數據的情況。

Q3

為什么這么多年了無論是專家系統

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)缺少數據。無論是實驗還是生產，獲取數據的成本一直都很高。尤其是訓練模型所需要的較差的數據。只有好數據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）合成生物學產業本身是很新的一個產業，現在其實才剛剛起步，從業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？

神經網絡能否替代PID?

人工智能與PID控制器的區別，就好比人的大腦與小腦的區別。PID像人的小腦，適用于底層基礎過程參數的控制。人工智能像人的大腦，適用于更高層次的優化。簡單的答案是不能替代。但是其實純比例控制器從數學上講，跟只有一個神經元的神經網絡是一模一樣的。

Q5

ChatGPT能裝到本地嗎？

用這個必須聯網嗎？

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，需要明確定義函數的輸入參數和輸出結果，對其數據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，我們已經利用了一些實用的第三方庫。例如，通過使用 NumPy 庫提供的數組類型，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范?

我們已經把所需要的邏輯編寫成提示詞，供AI學習。具體來說有以下規則：D2MS 軟件每秒調用一次函數，通過參數傳遞所需值。函數應返回單個浮點數或 NumPy 數組作為輸出參數。函數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 接收的參數通常為過程變量或狀態信息，返回的是設定值，多個返回值需封裝為 NumPy 數組。遵循這些規范，UDF 函數便能與 D2MS 無縫配合，高效控制生物反應器系統。

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，以優化生物反應器系統的運行。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據進行建模和預測，提前預估關鍵參數的變化趨勢。這不僅有助于實現更精準的控制，還能在異常情況發生前提供預警，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不斷交互，強化學習智能體可自主學習和優化控制策略，在動態變化的環境中自適應地調整控制參數，有望在復雜工藝過程中取得更優的控制效果。我們可以期待，人工智能在生物反應器系統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新發展注入新的動力。