在上期直播中，我们邀请了迪必尔生物CEO 李雪良博士及研发工程师 赵北辰先生，带来“从线性回归到GPT：人工智能的演进及其在生物工艺中的应用”主题报告和实操演示。

现将直播过程中观众的提问进行整理和回复，供大家参考和回顾。

Q1  ChatGPT可以在与人类对话中学到新知识吗？
ChatGPT里的P表示，这个模型是pretrained 也就是说是预学习的，它不会从跟人类的对话里学到任何新知识。这里要注意，机器学习里说的学习，是要调整其内部参数的。之所以给我们的感觉好像是它在跟人类的一问一答中学到了新知识，那是因为当前的聊天历史是作为模型输入又输进去了。模型的参数本身并没有调整。换一个人问它同样的问题，它还会犯同样的错误。或者你们聊天记录太长了以后，前面的他就自动删掉了，不再做为模型输入。

Q2  专家系统跟AI有什么区别？
广义上说专家系统是人工智能的一种。但是专家系统跟神经网络等算法有着根本区别。专家系统更多是基于基本原理以及人的经验得到的一套规则，而神经网络等AI则是根据大量数据得到的统计规律。专家系统适用于缺少数据的情况。

Q3  为什么这么多年了无论是专家系统还是人工智能在生物工艺中都没有得到普及？
这个一言难尽。至少有以下几个方面的原因。(1)缺少数据。无论是实验还是生产，获取数据的成本一直都很高。尤其是训练模型所需要的较差的数据。只有好数据是没法儿训练模型的。（2）过程装备本身智能化程度较低，无法对接智能算法。（3）合成生物学产业本身是很新的一个产业，现在其实才刚刚起步，从业人员中掌握了这些技术的人很少。迪必尔其实一直把解决这些问题当作自己不可推卸的责任。

Q4  人工智能跟PID控制哪个好用？神经网络能否替代PID?
人工智能与PID控制器的区别，就好比人的大脑与小脑的区别。PID像人的小脑，适用于底层基础过程参数的控制。人工智能像人的大脑，适用于更高层次的优化。简单的答案是不能替代。但是其实纯比例控制器从数学上讲，跟只有一个神经元的神经网络是一模一样的。

Q5  ChatGPT能装到本地吗？用这个必须联网吗？
ChatGPT这种大语言模型一般的个人电脑是跑不动的，最低成本还是利用云服务器的算力。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代码时，如何确保代码的安全性和鲁棒性?
尽管人工智能拥有海量的知识储备，但它仍然可能犯错。为确保AI生成代码的准确性，首先要对要实现的任务进行准确拆解，将其逻辑清晰地表达出来供AI理解。其次，需要明确定义函数的输入参数和输出结果，对其数据类型和取值范围加以限制。最后，在AI生成代码后，必须对其进行仔细审查，修正其中可能存在的问题，在预实验中进行验证，确保其功能、性能和安全性都符合预期，才能将其投入实际使用。

Q7  是否可以使用python的第三方库？
D2MS 软件内置了功能完备的 Python 解释器，允许我们下载和安装各种第三方库，从而实现更加广泛多样的功能拓展。事实上，在编写 UDF 代码的过程中，我们已经利用了一些实用的第三方库。例如，通过使用 NumPy 库提供的数组类型，我们可以方便地同时返回多个计算结果。

Q8  在使用生成式AI生成UDF代码时，需要遵循哪些逻辑和规范?
我们已经把所需要的逻辑编写成提示词，供AI学习。具体来说有以下规则：D2MS 软件每秒调用一次函数，通过参数传递所需值。函数应返回单个浮点数或 NumPy 数组作为输出参数。函数内部应使用清晰简洁的变量命名，用全局变量存储必要信息和计数器，避免使用阻塞线程的操作，省略异常处理和打印语句。从 D2MS 接收的参数通常为过程变量或状态信息，返回的是设定值，多个返回值需封装为 NumPy 数组。遵循这些规范，UDF 函数便能与 D2MS 无缝配合，高效控制生物反应器系统。

Q9  是否可以把过程控制的逻辑与人工智能结合？
除了利用生成式AI编写UDF代码，我们还可以进一步将过程控制的逻辑与其他人工智能技术巧妙结合，以优化生物反应器系统的运行。举例来说，机器学习算法可用于对生物反应过程的时间序列数据进行建模和预测，提前预估关键参数的变化趋势。这不仅有助于实现更精准的控制，还能在异常情况发生前提供预警，从而使我们能够及时采取应对措施。此外，强化学习也是一个值得探索的方向。通过与生物反应器系统不断交互，强化学习智能体可自主学习和优化控制策略，在动态变化的环境中自适应地调整控制参数，有望在复杂工艺过程中取得更优的控制效果。我们可以期待，人工智能在生物反应器系统的智能化控制中将扮演日益重要的角色，为生物工程领域的创新发展注入新的动力。