數(shù)字孿生水利建設中的人工智能大模型應用探索

Exploration of artificial intelligence large model applications in digital twin water conservancy construction

舒全英1，馬媛2，陳亮3，李磊?，郭磊?，吳健柏?

（1.浙江省水利水電勘測設計院有限責任公司，310002，杭州；2.太湖流域管理局水文局（信息中心），200434，上海；3.黃河水利委員會信息中心，450000，鄭州；4.水利部信息中心，100053，北京；5.廣東省水利水電科學研究院，510635，廣州；6.新疆維吾爾自治區(qū)水利廳網(wǎng)絡信息中心，830099，烏魯木齊）

摘要：人工智能大模型可為數(shù)字孿生水利建設提質增效提供新動能。按照“分析定位、探索路線、摸清需求、落地應用、推廣模式”思路，在分析數(shù)字孿生水利建設面臨的問題挑戰(zhàn)、人工智能大模型發(fā)展及行業(yè)應用情況、大模型在數(shù)字孿生水利建設應用的必要性與可行性基礎上，從技術、業(yè)務、管理視角對大模型在數(shù)字孿生水利業(yè)務場景中的落地應用進行了探索思考。以“場景數(shù)字化、模擬智能化、決策精準化”為技術路徑，梳理了動態(tài)數(shù)字場景構建、復雜系統(tǒng)智能模擬、人機協(xié)同精準決策等關鍵技術；按照“2+N”業(yè)務需求清單并以防洪預報、預警、預演、預案“四預”應用、網(wǎng)絡安全防護場景為例，闡述人工智能大模型在具體業(yè)務場景落地應用的思路和應用步驟；提出了人工智能大模型在數(shù)字孿生水利應用中的共建共享模式，給出“共建共享、統(tǒng)分結合、合作推廣”的建設思路。研究成果可為人工智能大模型在數(shù)字孿生水利建設中的功能定位和業(yè)務場景落地應用提供參考和借鑒。

關鍵詞：數(shù)字孿生水利；人工智能；大模型；智能模擬；人機協(xié)同

作者簡介：舒全英，正高級工程師，主要從事流域防洪減災、數(shù)字孿生水利相關工作。

基金項目：國家重點研發(fā)計劃“流域多源異構信息智能融合與數(shù)據(jù)底板構建”（2023YFC3209201）;國家自然科學基金長江水科學研究聯(lián)合基金計劃“基于數(shù)字孿生技術的長江下游感潮河網(wǎng)地區(qū)多目標調度研究項目”（U2340221）。

DOI：10.3969/j.issn.1000-1123.2025.06.002

習近平總書記指出：“中國高度重視創(chuàng)新發(fā)展，把新一代人工智能作為推動科技跨越發(fā)展、產(chǎn)業(yè)優(yōu)化升級、生產(chǎn)力整體躍升的驅動力量，努力實現(xiàn)高質量發(fā)展?！边M入新發(fā)展階段，云計算、大數(shù)據(jù)、人工智能技術快速發(fā)展，推動水利發(fā)展向數(shù)字化、網(wǎng)絡化、智能化轉變的技術條件已經(jīng)具備。數(shù)字孿生水利是發(fā)展水利新質生產(chǎn)力的重要標志。2024年全國水利工作會議明確提出，要大力推進數(shù)字孿生水利建設，推動人工智能大模型算法落地應用，提升“2+N”智能業(yè)務水平；2025年全國水利工作會議提出，推進水利智能業(yè)務應用，實施“人工智能+水利”行動，構建水利大模型建設應用框架。人工智能大模型是新質生產(chǎn)力中的領先生產(chǎn)工具，在數(shù)字孿生水利建設中，需要借助人工智能技術在專業(yè)技術和業(yè)務應用等方面實現(xiàn)創(chuàng)新與突破，以更加智能化和精準化的方式提升水安全管理水平、增強水災害防御能力并服務于水利事業(yè)各個環(huán)節(jié)，驅動數(shù)字孿生水利建設場景數(shù)字化、模擬智能化、決策精準化，助力新階段水利高質量發(fā)展。

背景分析

1.數(shù)字孿生水利建設面臨的問題和挑戰(zhàn)

目前數(shù)字孿生流域、數(shù)字孿生水網(wǎng)、數(shù)字孿生工程組成的數(shù)字孿生水利框架體系構建基本完成，算據(jù)獲取、算法優(yōu)化、算力提升取得突破，正在賦能洪水災害防御、水資源管理調配等決策支持。但總體而言數(shù)字孿生水利建設處于初步應用和探索階段，存在算據(jù)不足、算法不強、算力不夠、預報不準、預演不實等問題，網(wǎng)絡安全隱患也普遍存在。對標新階段水利高質量發(fā)展和“人工智能+水利”行動要求，數(shù)字孿生水利建設仍存在短板弱項。

（1）業(yè)務應用智能化水平亟待提升

目前水利“2+N”業(yè)務應用整體智能化水平亟待提升。流域防洪方面，尚未全面實現(xiàn)洪水分布式模擬預報和基于大數(shù)據(jù)驅動的人工智能預報，缺乏從降水到流域洪水的全過程、全要素智能化模擬，受制于數(shù)據(jù)底板、模型庫和知識庫平臺不健全等因素，無法實現(xiàn)多場景預演和預案優(yōu)選推薦。水資源管理與調配方面，主要是以數(shù)據(jù)統(tǒng)計分析為主，數(shù)字化場景和智能化模擬能力不足，面向決策支持的分析評價等方面能力較弱，諸多環(huán)節(jié)依賴人工分析和經(jīng)驗判斷。此外其他N項業(yè)務現(xiàn)有應用系統(tǒng)功能主要以信息匯集、展示查詢、統(tǒng)計分析為主，欠缺對業(yè)務的智能分析、智能交互、輔助決策和自動化提醒，整體水平不能滿足水利業(yè)務智能化應用需要。

（2）智能模型與知識平臺和應用場景融合不深

智能模型應用場景覆蓋度與穩(wěn)定性不高。智能識別模型類型較少，與業(yè)務融合不深入，衛(wèi)星遙感智能識別地物類型不夠多、不夠準，視頻識別模型精度及穩(wěn)定性不足，語音識別模型應用場景較為單一，不能滿足水資源管理、水利工程建設與運行等業(yè)務需求。水利知識總體處于分散建設與應用試點階段，知識組織管理方式數(shù)字化程度不高，成熟應用場景較少，知識建設、管理、應用與服務等各環(huán)節(jié)缺少技術規(guī)范和工具平臺，未與相關業(yè)務耦合應用，規(guī)?；c實用性不明顯。

（3）數(shù)字孿生水平與智能管控、自主演化有較大差距

根據(jù)國家標準計劃《信息技術 數(shù)字孿生能力成熟度模型》，數(shù)字孿生能力成熟度分為五個等級，自低向高分別為一級（虛擬建模）、二級（以虛映實）、三級（雙向交互）、四級（智能管控）、五級（自主演化），各層級遞進且較高層級涵蓋較低層級能力要素要求。根據(jù)目前數(shù)字孿生水利建設情況來看，大部分數(shù)字孿生系統(tǒng)處于二級向三級演進階段，少數(shù)（主要為少數(shù)重點大型數(shù)字孿生工程）由三級向四級演進，距離最高級的自主演化（即實現(xiàn)數(shù)字實體和目標實體在全生命周期中的自主學習和迭代優(yōu)化）還有很大的差距，需要進一步加強人工智能、大數(shù)據(jù)等新技術應用。

（4）大模型在水利行業(yè)中的落地應用尚在摸索階段

通用大語言模型在面向專業(yè)性較強的領域時，經(jīng)常出現(xiàn)語義幻象和答非所問的問題，其能否在行業(yè)有效落地，衡量關鍵是其可否理解行業(yè)的專業(yè)語言和邏輯，可否調用行業(yè)專業(yè)模型和相關工具，可否易于理解地展示行業(yè)需求，可否驅動使用行業(yè)的專有設備和能力。針對以上問題，目前水利部本級、清華大學、中國水利水電科學研究院、長江水利委員會水文局針對水利、水文和水電等不同業(yè)務領域探索大模型的落地應用，但也存在科研難落地、缺少相關技術環(huán)境等問題，在高質量數(shù)據(jù)集開放共享、復合型人才、算力資源、標準制度等多方面存在制約。

2.人工智能大模型發(fā)展及行業(yè)應用情況

（1）人工智能大模型發(fā)展及特點

隨著人工智能技術的飛速發(fā)展，大模型正引領全球科技創(chuàng)新新潮流。2017年Transformer結構的提出使深度學習模型參數(shù)突破1億個，標志著大模型時代來臨。國際科技巨頭不斷突破技術瓶頸，推出更強大、更高效的大模型，2023年年底至2025年年初OpenAI、谷歌、元公司（Meta）、阿里巴巴、百度、華為、深度求索等國內(nèi)外頭部企業(yè)新興大模型應用密集亮相，如OpenAI GPT-4、o1，Google PaLM，Gemini，Meta Llama，Qwen，DeepSeek-R1等。2024年，“人工智能”首次寫入我國的《政府工作報告》，諾貝爾物理學獎和化學獎均授予人工智能相關學者；2025年年初，以DeepSeek-R1為代表的推理大模型引爆了各行各業(yè)對人工智能的關注，激發(fā)了AI市場活力，在國內(nèi)外引起強烈反響。

（2）大模型發(fā)展及行業(yè)應用情況

大模型通識能力強，但缺少行業(yè)專業(yè)知識，通用大模型在泛化性（訓練樣本集之外的表現(xiàn)能力）、專業(yè)性（特定領域問題和任務的準確性和效率）和經(jīng)濟性（投入產(chǎn)出比）上存在“不可能三角”，如何將大模型融入千行百業(yè)，是大模型落地應用發(fā)展的重點。在垂直領域和行業(yè)應用方面，盤古氣象大模型應用于氣象預測預報；自然資源行業(yè)的“后土”大模型應用于國土空間規(guī)劃、執(zhí)法督查等；光明電力及大瓦特大模型應用于電網(wǎng)智能調度、智能巡查和智能運維等；醫(yī)療大模型應用于輔助診斷、藥物研發(fā)、病歷生成等，顯著提升診療準確性和效率；金融大模型應用于智能客服、風控分析、投資決策支持場景等，可定制化解決高頻、高精度需求；教育行業(yè)大模型可進行智能作文批改、個性化學習推薦等；制造行業(yè)將大模型應用于設備故障預測、生產(chǎn)流程優(yōu)化等場景，實現(xiàn)降本增效。隨著技術不斷成熟和政策積極引導，在可預見的未來，大模型將在更多領域展現(xiàn)其獨特價值，產(chǎn)生更加廣泛而深刻的影響，為經(jīng)濟社會發(fā)展注入新的強勁動力。

3.大模型在數(shù)字孿生水利建設中應用的必要性與可行性

（1）必要性分析

大模型是實現(xiàn)智慧水利“數(shù)字化場景、智能化模擬、精準化決策”的關鍵路徑。水利部《關于大力推進智慧水利建設的指導意見》《智慧水利頂層設計》中提出，要堅持融合創(chuàng)新，加強新一代信息技術與水利業(yè)務的深度融合，強化數(shù)字孿生、大數(shù)據(jù)、人工智能、區(qū)塊鏈等技術在水利業(yè)務中的應用研究，總體目標是實現(xiàn)數(shù)字化場景、智能化模擬、精準化決策，建成具有預報、預警、預演、預案“四預”功能的智慧水利體系。

水利大模型是水利新質生產(chǎn)力的重要引擎。模型和知識是數(shù)字孿生水利建設的關鍵所在，針對水利業(yè)務需求融合大模型、水利專業(yè)模型和知識形成的“水利大模型”，是發(fā)展水利新質生產(chǎn)力的重要引擎。目前水利部推動人工智能在數(shù)字孿生水利中的應用，構建以人工智能為新引擎的具有“四預”功能的數(shù)字孿生水利體系，推進水利人工智能應用關鍵技術裝備標準攻關研發(fā)，統(tǒng)籌開展水利人工智能大模型建設，打造典型創(chuàng)新應用場景，完善水利人工智能發(fā)展生態(tài)和制度，提升水利治理管理水平。

行業(yè)大模型是AI+落地的“最后一公里”。目前數(shù)字孿生水利業(yè)務中，行業(yè)數(shù)據(jù)和知識利用率低，智能模型算法與業(yè)務融合不深，數(shù)字化場景和智能化模擬有較大差距，面向決策支持的分析評價等方面能力較弱，諸多環(huán)節(jié)依賴人工分析和經(jīng)驗判斷。大模型在行業(yè)落地應用的出發(fā)點和落腳點，就是提升行業(yè)的工作效率和業(yè)務智能化、決策精準化水平。

（2）可行性分析

數(shù)字孿生水利建設已有一定基礎。隨著近年數(shù)字孿生水利快速推進，一套較為成熟的數(shù)字孿生水利數(shù)據(jù)底板、模型平臺建設體系已經(jīng)建立。94項先行完成的數(shù)字孿生水利建設任務為水利大模型的建設提供了數(shù)據(jù)、知識庫基礎，并初步探索了相關業(yè)務模式。數(shù)據(jù)底板作為數(shù)字化場景構建的基石，涵蓋多維度、多時空尺度數(shù)據(jù)模型，提供了堅實的算據(jù)支撐。模型平臺作為數(shù)字孿生水利的核心與關鍵，集成了水利專業(yè)模型，為各類業(yè)務的模擬仿真和調度決策提供了有力的算法支持。這些基礎已初步具備構建水利大模型的訓練數(shù)據(jù)和標準化應用場景。

通用大模型底座技術較成熟，且具備國產(chǎn)軟硬件支持。技術架構方面，目前國內(nèi)已全面開展大模型研發(fā)應用工作，在預訓練語言模型時代，自然語言處理領域廣泛采用“預訓練+微調”范式，大模型底座技術趨向成熟。國內(nèi)軟硬件為行業(yè)大模型開發(fā)提供了良好支持，硬件層面，國產(chǎn)GPU、服務器等不斷夯實支撐人工智能的“算力底座”；軟件層面，國產(chǎn)的開源大模型DeepSeek、Qwen等為開發(fā)者提供了更多選擇。

人工智能大模型在水利行業(yè)的落地應用實踐有初步基礎。在行業(yè)大模型研究方面，水利部組織研發(fā)的“上善”水利大模型，為行業(yè)大模型建設提供了指引。同時各科研院校、企事業(yè)單位也積極探索行業(yè)大模型落地應用場景，如長江水利委員會水文局的九派OpenHI，中國水利水電科學研究院的水科專業(yè)大模型SkyLIM，清華大學的“瀚沫”水電大模型，中國移動的九天·物聯(lián)水利大模型等，這些初步研究成果為行業(yè)大模型落地提供了引導和借鑒。

技術架構

1.總體技術框架

按照“需求牽引、應用至上、數(shù)字賦能、提升能力”要求，在水利部數(shù)字孿生水利框架體系基礎上，建立人工智能大模型與數(shù)字孿生水利平臺的交互關系，以“場景數(shù)字化、模擬智能化、決策精準化”為技術路徑，建立基于人工智能大模型的數(shù)字孿生水利技術框架，使場景構建更高效、系統(tǒng)模擬更智能、調度決策更精準。總體技術框架包括數(shù)字孿生水利、人工智能大模型及智能服務。

總體技術框架

2.框架組成

（1）數(shù)字孿生水利

數(shù)字孿生水利是面向新階段水利高質量發(fā)展需求，為水利決策管理提供前瞻性、科學性、精準性、安全性支持，實現(xiàn)水利業(yè)務與現(xiàn)代信息技術融合發(fā)展的智慧水利實施措施。數(shù)字孿生水利體系主要由數(shù)字孿生流域、數(shù)字孿生水網(wǎng)、數(shù)字孿生工程、業(yè)務應用“四預”及網(wǎng)絡安全和保障體系構成。

數(shù)字孿生水利體系

（2）人工智能大模型

針對不同行業(yè)和業(yè)務場景需求的大模型能力構建是一個復雜的系統(tǒng)工程，利用大模型技術，針對特定行業(yè)數(shù)據(jù)和任務進行訓練或優(yōu)化，形成具備專業(yè)知識與能力的大模型及應用。當前大模型行業(yè)應用落地主要有4種路徑：專業(yè)預訓練、模型微調、知識增強檢索（RAG）、提示工程。在L0通用大模型基礎上，基于通用技術架構，增加水利領域數(shù)據(jù)和知識進行微調或預訓練，形成L1水利行業(yè)大模型，在此基礎上對特定的業(yè)務場景繼續(xù)進行有監(jiān)督微調（SFT）形成L2水利業(yè)務大模型，進一步進行工程化應用可形成L3水利智能體應用產(chǎn)品。行業(yè)大模型構建與應用技術路徑見下圖。

行業(yè)大模型構建與應用技術路線

（3）智能服務（關鍵技術）

基于人工智能大模型驅動的“場景數(shù)字化、模擬智能化、決策精準化”關鍵技術是賦能數(shù)字孿生水利建設提質增效的主要路徑，主要包括動態(tài)數(shù)字場景構建、復雜系統(tǒng)智能模擬和人機協(xié)同的精準決策等相關技術組合，三者之間相互關聯(lián)、層層遞進。

智能服務（關鍵技術）

關鍵技術

1.動態(tài)數(shù)字場景構建

當前數(shù)字孿生水利場景與數(shù)據(jù)聯(lián)系松散，應用時數(shù)據(jù)采集、計算、展示等專業(yè)性強、復雜度高，需要大量專業(yè)人員通過人工交互進行操作與處理，與“同步仿真、虛實交互”的要求仍有差距。動態(tài)數(shù)字場景構建以水利業(yè)務場景為導向，以人工智能大模型為驅動，通過場景引導的數(shù)據(jù)自動關聯(lián)、場景驅動的“天空地水工”協(xié)同感知、場景匹配的可視化智能構建等技術，構建協(xié)調統(tǒng)一、及時更新的動態(tài)數(shù)字場景，有序組織來自物理流域、工程和水網(wǎng)的不同類型、不同形態(tài)、不同來源的數(shù)據(jù)，為水利治理管理提供詳實的基礎算據(jù)，實現(xiàn)物理水利與數(shù)字孿生水利之間動態(tài)、實時的信息交互和深度融合，保持交互的精準性、同步性、及時性。關鍵技術路線見下圖。

動態(tài)數(shù)字場景關鍵技術路線

（1）場景引導的數(shù)據(jù)自動關聯(lián)技術

以業(yè)務場景為核心，通過構建“場景-流程-數(shù)據(jù)-模型”動態(tài)關聯(lián)體系，實現(xiàn)多源數(shù)據(jù)的智能調用與協(xié)同。

①場景驅動數(shù)據(jù)關聯(lián)構建。以水旱災害防御、水資源調配等業(yè)務場景為牽引，解析場景內(nèi)因果事件鏈，結合業(yè)務流程分析形成業(yè)務流程樹，明確各環(huán)節(jié)所需數(shù)據(jù)與模型，通過場景編碼與流程標簽技術建立四者映射關系。

②知識圖譜與動態(tài)建模。利用時序動態(tài)知識圖譜技術，從業(yè)務推演數(shù)據(jù)中提取時空多維度特征，構建場景模式庫，直觀展示流程步驟、實體關系及數(shù)據(jù)流向，支撐復雜業(yè)務可視化分析與決策。

③大模型驅動的動態(tài)迭代。基于大模型的數(shù)據(jù)挖掘能力，在場景時空演變中持續(xù)優(yōu)化業(yè)務流程，更新知識圖譜，實現(xiàn)關聯(lián)關系的動態(tài)調整，確保數(shù)據(jù)與模型適配場景變化。

④多源數(shù)據(jù)智能調用。通過自動化關聯(lián)機制，按需調用基礎數(shù)據(jù)、監(jiān)測數(shù)據(jù)、地理空間數(shù)據(jù)及跨行業(yè)共享數(shù)據(jù)等異構資源，提升數(shù)據(jù)利用效率。

（2）場景驅動的“天空地水工”協(xié)同感知技術

水利對象全要素和治理管理全過程的監(jiān)測需要依靠“天空地水工”立體監(jiān)測感知體系，涉及感知裝備類型多、數(shù)量巨大、分布廣、監(jiān)測要素多樣，高效、協(xié)同地驅動各種裝備實施監(jiān)測對動態(tài)數(shù)字場景構建至關重要。場景驅動的“天空地水工”協(xié)同感知技術路線見下圖。

場景驅動的“天空地水工”協(xié)同感知技術路線

①構建“天空地水工”感知設備知識庫。對設備信息和運行方式進行知識化管理，為實現(xiàn)設備智能協(xié)同驅動奠定基礎。通過構建水利對象實體與監(jiān)測感知設備拓撲關聯(lián)的知識圖譜，可以快速根據(jù)空間位置定位感知設備；建立“天空地水工”監(jiān)測感知方案庫，記錄各種監(jiān)測感知設備監(jiān)測對象、監(jiān)測要素、監(jiān)測范圍、監(jiān)測時機、監(jiān)測頻次、監(jiān)測條件、數(shù)據(jù)傳輸、數(shù)據(jù)管理平臺等信息。

②基于大模型根據(jù)場景動態(tài)變化按需智能驅動“天空地水工”監(jiān)測設備協(xié)同感知。在場景-流程-數(shù)據(jù)智能關聯(lián)分析基礎上，根據(jù)特定業(yè)務場景，智能分析數(shù)據(jù)監(jiān)測感知需求，運行設備監(jiān)測感知方案。根據(jù)方案，調用設備拓撲關聯(lián)知識圖譜和“天空地水工”設備運行管理平臺，監(jiān)視設備運行狀態(tài)，根據(jù)需要適時調整已運行感知設備的監(jiān)測要素和頻次，啟用相關智能感知設備對事件關聯(lián)實體及影響區(qū)進行數(shù)據(jù)采集，并將數(shù)據(jù)匯集到數(shù)據(jù)庫；調用衛(wèi)星、無人機、視頻等多模態(tài)智能識別模型對采集的遙感影像和視頻進行目標檢測、信息提取與變化檢測。通過場景驅動設備監(jiān)測，調用智能識別模型，實現(xiàn)面向業(yè)務場景的多尺度、全周期、全過程基礎數(shù)據(jù)和實時數(shù)據(jù)的高效匯聚與更新，滿足模型智能模擬和精準化決策所需多源異構監(jiān)測數(shù)據(jù)的實時采集需要。

（3）場景匹配的可視化智能構建技術

大模型具有強大的意圖識別、智能推薦與便捷交互能力，無需過多專業(yè)人員參與，便可根據(jù)業(yè)務場景特點和目標，結合用戶角色和習慣等，通過場景-流程-數(shù)據(jù)關聯(lián)分析，智能匹配并自動配置場景主題相關數(shù)據(jù)，快速、個性化地構建面向業(yè)務的物理實體可視化、動態(tài)過程可視化和業(yè)務專題可視化場景。場景匹配的可視化智能構建技術路線見下圖。

場景匹配的可視化智能構建技術路線

①物理實體可視化。根據(jù)場景所涉及業(yè)務主題和時空范圍，通過場景-流程-數(shù)據(jù)關聯(lián)分析，智能調用關聯(lián)的水利對象基礎數(shù)據(jù)和L1、L2和L3級地理空間數(shù)據(jù)等，構建時空多尺度二三維一體化的可視化基礎場景。根據(jù)業(yè)務流程變化，靈活動態(tài)切換不同場景下的物理實體可視化場景。

②動態(tài)過程可視化。根據(jù)業(yè)務場景分析需要，智能調用可視化工具，采用合適的形式和風格在物理實體可視化場景上自動實時展示模型模擬的水流演進、洪水淹沒、污染團擴散等動態(tài)變化結果。

③業(yè)務專題可視化。在數(shù)字化基礎場景上采用專題圖表等展示模擬計算和決策分析等成果，根據(jù)業(yè)務場景特點、用戶角色和習慣等，調用監(jiān)測數(shù)據(jù)和業(yè)務數(shù)據(jù)，自動推薦最有價值的可視化組合，支持概化圖、表格、專題圖等多種形式，將抽象的業(yè)務數(shù)據(jù)形象生動、直觀易懂、多維立體地展示，便于各級用戶使用。

2.復雜系統(tǒng)智能模擬

復雜系統(tǒng)智能模擬主要解決的技術問題包括：靈活編排復雜系統(tǒng)涉及的多個和多類模型；融合傳統(tǒng)機理模型與數(shù)據(jù)驅動模型，發(fā)揮各自優(yōu)勢；根據(jù)實際情況對模型進行實時調優(yōu)互饋等。通過建立場景—流程—數(shù)據(jù)—模型相互關系，以大模型驅動的多模型動態(tài)編排技術為主線，將數(shù)據(jù)驅動模型和水利專業(yè)機理模型相融合，實現(xiàn)模擬智能化和智能化模擬。主要技術路線見下圖。

復雜系統(tǒng)智能化模擬技術路線

（1）機理-數(shù)據(jù)融合驅動的智能模擬技術

通過機理-數(shù)據(jù)融合模型，有效結合機理建模與數(shù)據(jù)建模的優(yōu)點，利用內(nèi)在機理知識，并利用數(shù)據(jù)模型彌補機理知識缺失部分，實現(xiàn)問題全局和局部特征、經(jīng)驗與規(guī)則的結合。融合模式主要有以下幾種：

①機理引導結構。機理模型基于已知的物理規(guī)律或理論假設構建，參數(shù)具有明確的物理意義，通過機理模型篩選特征因子（參數(shù)靈敏度分析或因子影響分析），以特征因子作為數(shù)據(jù)驅動模型的輸入，減少數(shù)據(jù)驅動模型的計算量，提高模型的預測精度。

②串行結構。利用數(shù)據(jù)驅動修正機理模型的相關參數(shù)，使模型能夠快速響應環(huán)境變化，保證模擬預測的可靠性，提高模型的泛化能力。

③機理嵌入結構。以機理模型的輸出結果作為數(shù)據(jù)驅動模型的輸入因子，降低原始輸入數(shù)據(jù)的選擇對數(shù)據(jù)模型精度的影響。

④反饋結構。機理模型構建過程中，內(nèi)部有大量未知的中間變量和參數(shù)，利用數(shù)據(jù)驅動模型對這些未知中間變量進行模擬預測，增強模型的可靠性。

⑤并行結構。在機理模型預測性能較差的情況下，在數(shù)據(jù)驅動模型和機理模型的輸出結果中引入加權因子或專家經(jīng)驗，以控制模型的輸出結果。

（2）機理模型參數(shù)自動優(yōu)化技術

模型參數(shù)優(yōu)化需要依賴專家專業(yè)知識和相關經(jīng)驗進行數(shù)據(jù)預處理、模型選擇以及超參數(shù)調優(yōu)。利用自動化機器學習進行數(shù)據(jù)集自動化特征選擇，選擇相關算法進行參數(shù)自動優(yōu)化調整。以洪水預報模型參數(shù)自動調優(yōu)為例，模擬預報人員的參數(shù)調整過程，建立洪水預報場景，提取特征，采用增量式自動優(yōu)化模型參數(shù)。在洪水預報過程中，將新收集的各類監(jiān)測感知數(shù)據(jù)進行多源融合，形成洪水樣本數(shù)據(jù)，提取本次洪水特征值進行洪水分類識別，并且結合增量學習等人工智能技術，優(yōu)化傳統(tǒng)參數(shù)率定算法的尋優(yōu)策略，提高模型參數(shù)率定速度。

（3）大模型驅動模型動態(tài)編排技術

根據(jù)“業(yè)務解耦、模型耦合”思路，利用Agent實現(xiàn)大模型驅動并進行多個模型組件的動態(tài)選擇和組合，以適應水利管理治理不同業(yè)務應用場景的需求。大模型驅動的動態(tài)編排技術主要涉及模型知識圖譜引入和多模型融合驅動，通過模型知識圖譜，建立模型平臺中預報方案、各類模型組件等與水利對象及用戶需求之間的關聯(lián)關系，為大模型的工具調用提供輔助支撐。將不同業(yè)務場景（問題分解）與不同模型組件的相關信息進行特征交互，根據(jù)業(yè)務場景需求，實現(xiàn)對模型的接口調用。

大模型通過模型知識圖譜和業(yè)務知識庫，對模型組件進行篩選、組合，在運行時根據(jù)輸入數(shù)據(jù)和任務需求調整模型組件，并調用具體執(zhí)行任務的Agent，調用篩選的模型組件，模型組件通過標準的接口協(xié)議及數(shù)據(jù)傳輸協(xié)議進行通信、計算。大模型驅動的多模型動態(tài)編排技術如下圖。

大模型驅動的多模型動態(tài)編排技術

3.人機協(xié)同精準決策

人機協(xié)同精準決策針對決策者經(jīng)驗不同導致決策不確定、歷史場景經(jīng)驗運用不足導致決策缺乏科學性或延續(xù)性、數(shù)字孿生平臺復雜性影響決策效率等問題，聚焦智能交互、歷史場景經(jīng)驗知識挖掘、專家知識經(jīng)驗量化等方面應用研究，包括基于大模型意圖識別和智能調用技術、基于知識圖譜的歷史場景模式庫構建、基于大模型的混合專家經(jīng)驗模型研究。主要技術路線見下圖。

人機協(xié)同精準決策技術路線

（1）基于大模型的意圖識別和智能調用技術

①意圖識別。大模型本身具有一定的意圖識別能力，就防洪“四預”平臺而言，需要提高大模型的專業(yè)意圖識別能力，技術實現(xiàn)方法通常包括上下文理解和多輪對話、規(guī)則或模式匹配、思維鏈等。

上下文理解和多輪對話將輸入（Query）和平臺功能集作為Prompt方式，并結合多輪交互對話，最終確定意圖功能點，技術難度小，效率不高，效果與平臺功能集質量相關。規(guī)則或模式匹配要求“四預”平臺或行業(yè)領域專家定義一系列規(guī)則來捕捉特定意圖的表達方式，優(yōu)點是簡單直接，易于理解和維護，但是難以覆蓋所有情況，擴展性和泛化能力較弱。思維鏈形式需提前設定“四預”平臺業(yè)務鏈條過程，作為大模型默認輸入，讓其“照葫蘆畫瓢”。

②智能調用。智能調用包括模型計算、預案生成、圖表生成、智能問答模塊等調用，其基礎是意圖識別。模型計算調用，可通過由大模型生成的中間數(shù)據(jù)交換文件進行驅動，通常的中間數(shù)據(jù)交換格式包括XML、JSON等。對于預案、圖表等功能模塊的調用，則主要通過大模型意圖識別，確定特定范圍和對象的數(shù)據(jù)資源，然后調用功能模塊進行展現(xiàn)，因此大模型與數(shù)據(jù)資源的對接關聯(lián)是關鍵。

（2）基于知識圖譜的歷史場景模式庫構建

水利治理管理過程中積累了大量的歷史資料，蘊含豐富的經(jīng)驗規(guī)律。利用知識圖譜技術，通過聚類方法將歷史典型事件數(shù)據(jù)集根據(jù)數(shù)據(jù)相似性劃分為多個子集，在此基礎上借助大語言模型的語義理解和生成能力抽取知識，通過分析水利業(yè)務類型、產(chǎn)生原因、演變記錄與結果，快速構建基于歷史場景的水利專題知識圖譜，采用主流的圖數(shù)據(jù)庫技術實現(xiàn)知識存儲、快速檢索與智能匹配，實現(xiàn)在業(yè)務應用中根據(jù)輸入水利事件的特征自動匹配對應類型的知識圖譜，對比篩選出與其最為相似的歷史場景記錄，同時通過可視化表達形式為決策者提供參考?；谥R圖譜技術的歷史場景模式庫構建流程見下圖。

基于知識圖譜技術的歷史場景模式庫構建流程

（3）基于大模型的混合專家經(jīng)驗模型研究

水利行業(yè)領域專家眾多、經(jīng)驗豐富，通過利用大模型深度學習優(yōu)勢，對各類專家的技能、知識和行為方式進行模仿學習，得到具有特征經(jīng)驗的行為策略，可進一步發(fā)揮專家各自特長，形成優(yōu)勢互補的綜合經(jīng)驗。混合專家（Mixture of Experts，MoE）方法，實質上就是將復雜問題分解為多個子問題單獨求解，利用每個專家模型可以專注于解決特定子問題的優(yōu)勢，結合可學習門控網(wǎng)絡，可在處理特定復雜問題時獲得全局最優(yōu)解。根據(jù)具體業(yè)務應用場景收集與處理相關領域涉及的專家經(jīng)驗資料，包括歷史會商記錄資料、發(fā)言語音轉換文字、提交的技術報告、最終決策記錄等，形成豐富全面的專家經(jīng)驗資料庫?；旌蠈＜医?jīng)驗模型構建流程見下圖。

混合專家經(jīng)驗模型構建流程

首先將具有相同特征優(yōu)勢的專家資料利用神經(jīng)網(wǎng)絡進行訓練學習，形成多個專家模型，每一類專家模型之間相互獨立；其次將訓練得到的單類專家模型通過門控網(wǎng)絡開展專門的混合訓練，根據(jù)具體事件場景決定應對特定輸入數(shù)據(jù)或任務負責的專家模型，并通過調整權重分配體現(xiàn)在該事件中對不同專家模型的認可程度，利用生成對抗模仿學習等技術方法最終計算得到混合專家模型的輸出結果。建立完成的混合專家模型在投入實際應用過程中，會根據(jù)新的決策信息、專家經(jīng)驗等信息持續(xù)更新優(yōu)化，可通過重新訓練單個專家模型或者調整混合專家模型的權重分配等多種手段，得到與實際決策行為最相近的結果。

業(yè)務需求及典型場景

1.業(yè)務智能化應用場景需求

按照“需求牽引、應用至上”要求，人工智能大模型在行業(yè)落地的出發(fā)點和落腳點是提升業(yè)務應用的智能化水平。分析了流域防洪、水資源管理與調配等“2+N”業(yè)務中可以運用人工智能模型算法（包括自然語言內(nèi)容生成、語音識別、遙感圖像識別、視頻識別、智能預測模型等）的應用場景，并初步評價場景的成熟度（指在特定業(yè)務場景中，從業(yè)務、技術、數(shù)據(jù)等方面的綜合準備程度和發(fā)展水平評估該場景是否具備規(guī)模化應用或持續(xù)優(yōu)化的評價指標），具體見下表。

業(yè)務智能化應用場景需求分析

2.防洪業(yè)務典型場景

（1）防洪業(yè)務智能化總體思路

人工智能大模型能否在行業(yè)有效落地，衡量關鍵是其可否理解行業(yè)的專業(yè)語言和邏輯，可否調用行業(yè)專業(yè)模型和相關工具，可否易于理解地展示行業(yè)需求，可否驅動使用行業(yè)的專有設備和能力。從水利的專業(yè)性、防洪“四預”場景的豐富性、模擬的復雜性、決策的精準性等方面考慮，流域防洪業(yè)務都是檢驗大模型應用成效的典型業(yè)務場景。根據(jù)上述關鍵技術研究，防洪應用技術路線見下圖。

人工智能大模型流域防洪應用技術路線

（2）防洪業(yè)務智能化應用步驟

以某流域典型降雨事件為切入點，闡述大模型進行意圖識別，分解任務，調用數(shù)據(jù)底板、模型平臺的相關數(shù)據(jù)、算法，動態(tài)構建數(shù)字化場景、智能化模型，支撐精準化決策的步驟。

問題提出：“（在某流域）根據(jù)未來3天降雨預報，分析××站洪水位漲到多少、哪里有風險，并生成風險提示清單（或：假定未來24小時降雨200mm，哪里可能有風險，如何調度風險最小）”。

主要實現(xiàn)步驟如下。

①第一步：意圖識別

針對需求，大模型需在通用意圖識別能力基礎上，對輸入進行專業(yè)性意圖識別。通用大模型已經(jīng)具備一定水利專業(yè)意圖識別能力，通過在輸入中限定范圍、提示或示例，可有效提高大模型專業(yè)意圖識別精度和速度。對于數(shù)字孿生水利建設，對相關的技術規(guī)范、標準、指引、指南等，進行適當量化、結構化或自然語言處理，形成通用和標準的規(guī)則、模式或知識庫，可有效提高大模型助力決策的能力和效率。

②第二步：任務分解

根據(jù)流域歷史洪水大數(shù)據(jù)和防汛相關資料，結合流域防洪業(yè)務流程分析，建立流域防洪業(yè)務流程樹，并將業(yè)務流程樹與調用數(shù)據(jù)和監(jiān)測感知設備相關聯(lián)。當用戶輸入“假定未來24小時降雨200mm，哪里可能有風險”問題后，無需人工的繁雜操作，大模型按照流程智能調用防洪業(yè)務流程樹，對該場景進行任務分解，如首先將該任務分解成“預報—預警—預演—預案”，又將“預報”任務分解成“明確任務—調用方案—作業(yè)預報”。

防洪業(yè)務流程樹

③第三步：動態(tài)場景構建

大模型通過場景-流程-數(shù)據(jù)-模型自動關聯(lián)，驅動設備監(jiān)測感知和模型計算，動態(tài)構建可視化場景進行成果展示，將大幅度降低操作復雜性，提高業(yè)務人員與系統(tǒng)的交互效率。

在大模型逐一分解任務基礎上，將任務動態(tài)分解為多個場景，執(zhí)行到某個場景時根據(jù)“場景-數(shù)據(jù)”關聯(lián)關系，智能調用該場景所需要的數(shù)據(jù)。如在“調用方案”環(huán)節(jié)，無需人工輸入，系統(tǒng)將自動調用實測的水文氣象數(shù)據(jù)以及大斷面、土地利用、數(shù)字高程模型等數(shù)據(jù)，以水文模型等進行計算，并將洪水演進過程以動態(tài)圖的方式實時在“一張圖”上展示。

④第四步：調用專業(yè)模型

根據(jù)當前事件和業(yè)務推理鏈，篩選調用模型平臺中的模型方案、模型接口。例如，選擇串聯(lián)式XAJ-LSTM模型，在運行時可以通過人機交互調整模型組件及參數(shù)。利用Agent技術，將專業(yè)模型組件和外部交互工具封裝成供大模型調用的工具函數(shù)，以業(yè)務庫的方式為大模型函數(shù)提供參數(shù)，將計算結果以上下文的形式傳遞給大模型，使大模型了解函數(shù)的計算結果，重新組織語言回答用戶的問題。執(zhí)行流程如下圖。

大模型調用專業(yè)模型執(zhí)行流程

⑤第五步：風險分析

以預報預演智能化模擬結果和風險研判專題數(shù)字場景作為輸入，依托構建好的知識圖譜、訓練好的混合專家經(jīng)驗模型、調度決策支持系統(tǒng)以及社會經(jīng)濟等數(shù)據(jù)，開展風險影響分析和智能決策推薦，最終形成智能調度決策預案，見圖16。

基于人工智能技術的精準化決策預案制定流程

⑥第六步：調度決策

在風險分析研判的基礎上回答“如何調度”等關鍵問題，精準、快速地給出決策者可以參考或執(zhí)行的推薦方案。根據(jù)風險影響分析結果，結合給定的約束目標可得到相應的工程調度和防御預案。但是對于預案的針對性、可操作性、合理性，通常需要召集專家結合工程調度經(jīng)驗、洪水災害防御經(jīng)驗、洪水預報不確定性經(jīng)驗和影響區(qū)域實際情況等會商研討，依賴現(xiàn)場會商專家的經(jīng)驗知識進行決策，不可避免受制于場地、時間和人員等因素影響。而通過混合專家經(jīng)驗模型可以充分利用已有專家經(jīng)驗知識，同時可考慮各類別專家（如洪水預報專家、工程調度專家、工程安全專家等）在歷史事件決策中的表現(xiàn)給予相應的重視程度，綜合各類專家的特點和優(yōu)勢，自動推薦與當前實際情況貼合的方案，由決策者決定繼續(xù)優(yōu)化或直接采用該方案，進一步提高決策會商效率，提升決策的精準性和全面性。

3.網(wǎng)絡安全應用場景

（1）網(wǎng)絡安全智能化防護總體思路

網(wǎng)絡安全是信息化工作的底線和紅線。數(shù)字孿生水利建設涉及大量敏感數(shù)據(jù)，數(shù)據(jù)安全保護至關重要。運用人工智能技術賦能網(wǎng)絡安全防護，是人工智能大模型的重要應用場景。

通過“大模型+小模型”安全防護技術路徑，實現(xiàn)安全設備自動聯(lián)動處置、安全事件輔助運維決策的全過程智能防護路徑。采用本地部署機器學習小模型結合云端網(wǎng)絡安全大模型的協(xié)同防護模式，構建端云協(xié)同的智能安全防護體系。通過對網(wǎng)絡安全大模型運用模型剪枝、模型量化、知識蒸餾等技術，構建本地輕量化小模型。提取常規(guī)手段監(jiān)測輸出的告警結果，對具備業(yè)務特征的誤報數(shù)據(jù)進行人工標注，供小模型學習訓練，使其具備識別本地正常業(yè)務流量特征的能力。將本地小模型與云端大模型通過協(xié)同訓練技術聯(lián)合應用，其中端側小模型進行數(shù)據(jù)特征提取、多級特征融合和輕量化模型訓練，云側大模型處理通用型情報規(guī)則分析和智能應用，從而解決大模型在識別水利業(yè)務流量時存在的個性化識別能力不足的問題。構建完成后，通過軟件開發(fā)、端口調用等方式將人工智能大模型和專業(yè)小模型與已有安全設備進行對接，形成情報、規(guī)則、專業(yè)小模型、人工智能大模型多級互通、協(xié)同研判、綜合處置的防護模式。技術路線見下圖。

端云協(xié)同智能防護模式示意

（2）網(wǎng)絡安全防護智能化應用路線

以一次網(wǎng)絡安全事件為例，闡述“大模型+小模型”的端云協(xié)同智能防護體系在網(wǎng)絡安全事件處置的各節(jié)點如何發(fā)揮效能，實現(xiàn)告警篩選研判、事件分析解讀、防護設備智能聯(lián)動、處置報告自動生成等關鍵功能。按照網(wǎng)絡安全事件處置流程，從監(jiān)測判別、威脅處置、總結上報3個階段展開描述。

網(wǎng)絡安全事件處置流程對比

①監(jiān)測判別階段

當安全事件發(fā)生，設備告警，云端大模型和本地小模型將同時對監(jiān)測流量進行協(xié)同研判。大模型調用云端多源威脅分析情報、實時漏洞信息、高危攻擊地址，對可疑流量進行分析；小模型經(jīng)過對業(yè)務特征流量的專業(yè)訓練，主要對可疑數(shù)據(jù)進行數(shù)據(jù)特征提取、多級特征融合和流量特征比對，從而判別可疑流量是否為業(yè)務數(shù)據(jù)。在此環(huán)節(jié)，小模型判別結果有較高的優(yōu)先級，若大模型判定結果為高危，小模型判別結果為業(yè)務流量，將優(yōu)先放行該數(shù)據(jù)并同步建議進行人工識別。在監(jiān)測判別階段通過應用“大模型+小模型”協(xié)同研判的方式提高威脅監(jiān)測準確性，有效降低告警噪率，保障業(yè)務流量優(yōu)先通行。

②威脅處置階段

經(jīng)分析可疑流量，確定出現(xiàn)安全事件時，進入威脅處置階段。此階段主要發(fā)揮網(wǎng)絡安全大模型對云端海量威脅情報資源和安全事件處置案例的學習能力。通過匹配安全事件知識，利用安全事件編排與自動化響應技術（SOAR），對不同的安全事件靈活編排不同的處置流程，整合安全運營相關的技術、流程，形成立體縱深的綜合處置方案。根據(jù)處置方案，通過應用開發(fā)、端口調用方式聯(lián)動本地各類安全設備，對預授權的設備和命令進行自動化處置，對未授權的操作和設備提出處置建議。

③總結上報階段

安全事件處置結束后，事件進入總結上報階段。通過運用大模型的自然語言能力、多設備日志關聯(lián)分析能力、向量數(shù)據(jù)檢索學習能力，經(jīng)過多輪對話或對歷史威脅處置報告的學習，描述安全事件處置的各個環(huán)節(jié)，生成威脅處置情況報告，快速閉環(huán)網(wǎng)絡安全事件處置流程。

基于以“大模型+小模型”構建的端云協(xié)同防護模式，由云端大模型研判海量流量數(shù)據(jù)和文件載荷等，及時溯源相關資產(chǎn)漏洞和威脅情報，發(fā)揮大模型實時威脅情報同步、智能分析監(jiān)測、自然語言交互、設備聯(lián)動處置和安全事件編排與自動化響應技術特點；小模型針對水利業(yè)務特定場景進行優(yōu)化，識別放行水利業(yè)務特征數(shù)據(jù)，降低告警噪率，發(fā)揮小模型部署靈活性強和專業(yè)化的特點。“大模型+小模型”端云協(xié)同技術結合大模型通用能力和小模型專用能力，優(yōu)勢互補，從而在保障數(shù)字孿生水利網(wǎng)絡安全方面提供一種更加智能高效的防護方式。

端云協(xié)同防護技術架構

共建共享模式

當前人工智能大模型行業(yè)應用仍然受到一些關鍵要素的制約，導致模型孤島和數(shù)據(jù)孤島、應用開發(fā)和復制邊際成本高、自主可控不足等情況，不利于聚合形成產(chǎn)業(yè)優(yōu)勢。構建水利行業(yè)大模型技術體系意義重大，考慮到建設資金成本高，涉及數(shù)據(jù)安全、網(wǎng)絡安全和內(nèi)容安全，需要統(tǒng)籌規(guī)劃，按照“共建共享、統(tǒng)分結合、合作推廣”的建設思路，協(xié)調行業(yè)主管部門、行業(yè)信息化支撐單位和人工智能企業(yè)等共同推動水利行業(yè)大模型高質量建設，減少重復建設，提高建設和利用效率，助力提升行業(yè)數(shù)字化、網(wǎng)絡化、智能化水平。其中，“分”指的是不同層級不同業(yè)務分工細化的各自任務場景，根據(jù)地方和部門的需求及業(yè)務場景，基于水利行業(yè)大模型公共基礎設施開展自身業(yè)務場景應用和開發(fā)工作；“統(tǒng)”指的是統(tǒng)籌行業(yè)大模型建設框架，統(tǒng)籌管理算力資源、數(shù)據(jù)資源、技術規(guī)范、測評標準等，形成更大范圍更多方面行業(yè)性共識。在實際工作中，需要將“分”的試點探索經(jīng)驗“統(tǒng)”起來加以提煉和推廣，通過試點創(chuàng)新為統(tǒng)籌規(guī)劃和應用提供成熟經(jīng)驗。行業(yè)大模型共建共享框架見下圖。

大模型共建共享框架

結語

數(shù)字孿生水利建設是發(fā)展水利新質生產(chǎn)力的重要標志，是實現(xiàn)水利現(xiàn)代化的關鍵舉措。隨著人工智能技術的飛速發(fā)展，大模型正引領全球科技創(chuàng)新新潮流，當前全球人工智能技術呈現(xiàn)出快速迭代、多模態(tài)融合以及大規(guī)模行業(yè)應用加快落地的趨勢。本文通過“分析定位、探索路線、摸清需求、落地應用、建設模式”的思路，分析數(shù)字孿生水利建設面臨的問題挑戰(zhàn)，結合人工智能大模型能力特點，找準人工智能大模型在數(shù)字孿生水利建設體系中的定位，建立基于人工智能大模型的數(shù)字孿生水利技術框架；以防洪“四預”和網(wǎng)絡安全防御應用場景為例闡述人工智能大模型的具體業(yè)務場景落地應用路線和步驟。大模型在水利行業(yè)的落地應用前景廣闊，在技術、業(yè)務和管理方面的協(xié)同發(fā)展是關鍵。技術上，需注重模型適配與實時處理能力；業(yè)務上，需明確核心場景并解決應用落地的具體需求；管理上，需統(tǒng)籌大模型分級分類建設，加強人才培養(yǎng)、數(shù)據(jù)治理和政策支持。

致謝：本研究是首屆水利部卓越水利工程師培養(yǎng)工程（數(shù)字孿生水利班）六位學員于培訓期間，在蔡陽、朱躍龍、馮鈞、直偉等導師指導下完成的，導師對論文提出了許多寶貴建議，在此表達誠摯謝意。

Abstract: Artificial intelligence (AI) large models can provide new momentum for enhancing the quality and efficiency of digital twin water conservancy construction. Following the approach of “positioning analysis, route exploration, needs assessment, implementation, and model promotion”, this study analyzes the challenges in digital twin water conservancy, the development and industry applications of AI large models, and the necessity and feasibility of their application in this field. From the perspectives of technology, business, and management, the study explores the application of AI large models in digital twin water conservancy scenarios. Using the technical path of “scenario digitization, intelligent simulation, and precise decision-making”, the study outlines key technologies such as dynamic digital scenario construction, intelligent simulation of complex systems, and precise human-machine collaborative decision-making. Based on a “2+N” business demand framework, the application routes and steps of AI large models are illustrated through specific scenarios, such as the “four pre” (forecasting, warning, rehearsal, and planning) flood control applications and network security protection. The study proposes a co-construction and sharing model for the application of AI large models in digital twin water conservancy, offering a “co-construction and sharing, unified and distributed, collaborative promotion” development approach. The findings provide references for the functional positioning and business scenario implementation of AI large models in digital twin water conservancy construction.

Keywords: digital twin water conservancy; artificial intelligence; large models; intelligent simulation; human-machine collaboration

本文引用格式：

舒全英，馬媛，陳亮，等.數(shù)字孿生水利建設中的人工智能大模型應用探索[J].中國水利，2025（6）：14-30.

封面供圖水利部黃河水利委員會

責編王慧

校對劉磊寧

審核軒瑋

監(jiān)制趙洪濤

---

聲明：本文系轉載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關內(nèi)容。若對該稿件內(nèi)容有任何疑問或質疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應并做處理，再次感謝您的閱讀與關注。