生成式人工智能在环境工程中的应用前瞻

齐剑川, 史文杰, 徐常青, 李楠, 徐明. 生成式人工智能在环境工程中的应用前瞻[J]. 环境工程学报, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
引用本文: 齐剑川, 史文杰, 徐常青, 李楠, 徐明. 生成式人工智能在环境工程中的应用前瞻[J]. 环境工程学报, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
QI Jianchuan, SHI Wenjie, XU Changqing, LI Nan, XU Ming. Prospective applications of generative artificial intelligence in Environmental Engineering[J]. Chinese Journal of Environmental Engineering, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
Citation: QI Jianchuan, SHI Wenjie, XU Changqing, LI Nan, XU Ming. Prospective applications of generative artificial intelligence in Environmental Engineering[J]. Chinese Journal of Environmental Engineering, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021

生成式人工智能在环境工程中的应用前瞻

    作者简介: 齐剑川 (1988—) ,男,博士,助理研究员,jcqi@tsinghua.edu.cn
    通讯作者: 徐明(1981—),男,博士,教授,xu-ming@tsinghua.edu.cn
  • 基金项目:
    国家重点研发计划资助项目 (2023YFC3904500) ;国家自然科学基金重大项目 (52293445) ;亚马逊研究奖
  • 中图分类号: X-1

Prospective applications of generative artificial intelligence in Environmental Engineering

    Corresponding author: XU Ming, xu-ming@tsinghua.edu.cn
  • 摘要: 人类社会正处在人工智能跨越式发展的关键节点,以大语言模型为代表的新型生成式人工智能技术为科学研究和社会治理带来新的机遇。与此同时,系统性复杂环境问题日益凸显,使得环境工程学科亟需更加智能化的研究方式、模式和范式。探索新型生成式人工智能技术在环境工程领域的赋能形态、拓展其应用边界,是环境工程学科发展的必经过程,更是响应国家“建设绿色智慧的数字生态文明”重大需求的关键任务。本研究旨在通过分析环境工程智能化需求变化、挖掘人工智能环境工程领域应用现状和趋势,从而探索新型生成式人工智能在环境工程领域的应用场景、方法和技术,从专业基座模型构建与适应研究、需求场景导向的多功能智能辅助应用和基于复合工作流理解与重构的复杂任务智能体三个层次逐层递进,提出我国环境工程的智能化发展关键战略方向。本研究为我国加快推动生成式人工智能在环境工程领域的应用研究,成为该方向的先行者和领导者而助力。
  • 随着矿区农业、采矿业以及化工生产业的不断发展,污染物不断地排放,导致矿区地区浅层地下水不同程度的污染[1-3]。监测显示,某矿区地下水中超标的污染物有重金属Cr、阴离子SO24、F等。Cr(Ⅵ)在环境中呈流动态,毒性很高,很容易穿透细胞壁,在细胞代谢过程中,可引起DNA氧化和非氧化2种形式的损坏,从而导致突变和染色体断裂,影响DNA的自然复制和转录,并能引起突变,主要导致肝细胞功能、肾脏和肺部的癌变[4-6];长期饮用高氟水,轻者牙齿产生斑釉、关节疼痛,重者会影响骨骼发育,甚至丧失劳动力[7-9]。目前,我国有400余个城市以地下水为供水水源[10],有些城市地下水甚至成为唯一供水水源。地下水关乎人民健康,一旦受到污染,造成的危害将无法估量。因此,寻找合适的污染地下水治理技术显得尤为重要。

    硫酸盐还原菌(SRB)价格低廉,是去除重金属离子非常有效的方法之一。董慧等[11]利用SRB去除矿山废水中污染物,在进水pH为3.0、水温为26~27 ℃、进水Fe2+的质量度低于450 mg·L−1mCOD/m硫酸根离子>2.0的条件下,SO24平均去除率在80%以上,且对水中耗氧有机污染物(以COD计)有较好的去除效果,对重金属平均去除率在99%以上。董艳荣等[12]研究了SRB分离及处理煤矿酸性废水工艺,结果表明,在接种量为10%、接种时间为5 d条件下,对煤矿酸性废水中SO24和Fe2+的去除率分别为74.71%和99.18%。SRB虽然在处理污染水方面具有一定的优势,但SRB需要充足碳源,且易受外界因素干扰,单独作用效果差。而SRB固定化技术是将其高度密集于一个有限的空间内,使其保持一定活性,具有处理污水效果好、利于固液分离、可重复利用、回收方便和抗重金属离子抑制能力强等优点[13-14]。安文博等[15]利用生铁屑固定SRB的实验表明,SRB颗粒能够抵抗pH=4的酸溶液,并在碱、盐溶液中能够保持较好稳定性,对Mn2+的吸附容量符合Freundlich等温吸附方程(R2=0.988 68,1/n=0.489 6),吸附动力学符合Elovich动力学模型(R2=0.996 4)。有机-无机杂化材料是一种介于有机聚合物和无机聚合物之间的一种新型纳米复合材料[16-17],其兼具两者的优点,目前,已有研究将其用于水处理技术中。邱迅[18]研究了一种基于二氧化硅的有机-无机杂化材料,将其用于处理水中低浓度的Cu2+、Cr6+等重金属离子,结果表明,该种杂化材料对Cu2+具有一定的吸附选择性,且在中性条件下吸附效果较好,可将50 mg·L−1以下的K2Cr2O7溶液中的Cr(Ⅵ)几乎完全还原并吸附。

    该矿区地下水污染成分复杂,单一杂化材料无法使出水Cr(Ⅵ)、SO24浓度满足要求,单一SRB无法使F有效去除,目前,很少有研究可同时去除该地区多种污染成分的材料。所以,为克服单一处理方法的局限性,考虑将杂化材料与SRB结合,实现对污染物的有效去除。参考周彩华等[19]利用溶胶-凝胶工艺制备氧化锆溶胶、王国祥[20]利用二氧化钛与丙烯酰胺杂化制备杂化材料的实验方法,本研究选择ZrOCl2与丙烯酰胺单体杂化聚合,得到纳米ZrO2-聚丙烯酰胺杂化材料,利用该杂化材料中聚丙烯酰胺这一中间物质对SRB进行固定化处理,形成纳米ZrO2-SRB颗粒。该颗粒对水中污染物具有还原和吸附双重作用,可以同时去除铬和氟。

    实验所用菌株取自阜新市皮革园区生化池。以乙醇为碳源、按5%接种量接入菌株进行富集培养,直至其适应新碳源环境,并能够大量繁殖;采用叠皿夹层培养法对菌株进行纯化分离,直至得到形态单一菌落,将其继续培养即得到纯化的菌株;对菌株分别进行革兰氏染色、芽孢染色、在1 600倍油镜下镜检观察;将菌株置于2份等量的浅层液体培养基中培养:1份进行摇床振荡好氧培养,1份在液体培养基液面滴加石蜡油置于厌氧培养箱中进行厌氧培养。3 d后分别进行基因测序,并利用透射电镜在放大30 000倍条件下进行镜检观察。

    室温下,称取2 g氧氯化锆,溶于200 mL质量分数为95%的乙醇溶液中,ZrOCl2在乙醇溶液中进行水解和缩聚反应,反应如式(1)和式(2)所示。

    ZrCl+H2OZrOH+HCl (1)
    ZrOH+HOZrOZr+H2O (2)

    在得到无色透明的纳米二氧化锆明胶后,向200 mL溶胶中加入0.6 g丙烯酰胺单体、0.05 g亚硫酸氢钠和过硫酸钾作为引发剂,将混合溶液充分搅拌均匀,在25 ℃下,进行聚合反应30 min,得到纳米ZrO2-聚丙烯酰胺无机-有机杂化材料。

    称取质量分数为2.5%的海藻酸钠于300 mL蒸馏水中,充分溶胀后,加入200 mL纳米ZrO2-聚丙烯酰胺杂化材料混匀溶解,密封并于室温下存放8~12 h,再向混合溶液中加入质量分数为2.5%的制孔剂聚乙二醇以及100 mL经驯化培养后处于对数期生长的菌液(平板计数法得到菌液对数期的菌密度为3×108个·mL−1),充分混合、搅拌均匀后,利用注射器滴入到pH=6的2%CaCl2饱和硼酸溶液中,期间利用搅拌器以100 r·min−1的搅拌速率进行交联。4 h后取出颗粒,用0.9%生理盐水进行冲洗,再吸干表面水分,重复3遍。在小球使用前,再放入富集培养基中激活12 h。

    1)机械强度测试。将固定化细菌颗粒放于100 mL的玻璃注射器中,向玻璃注射器施加一定的压力,观察颗粒的破损情况;同时,用手捏固定好的细菌颗粒,根据整个过程细菌颗粒的变化情况来描述其机械强度,从颗粒的硬度以及弹性对其进行强度分级:当颗粒较软时,认为其强度等级较差;当颗粒具有一定的硬度、弹性较差时,认为其强度等级中等;当颗粒具有一定的硬度且弹性好时,认为其强度等级良好;当颗粒硬度大且易碎时,认为其强度等级为优。

    2)传质性能测试。将固定化的细菌颗粒加入到一定量的滴有墨水的蒸馏水中,2 h后取出,观察颗粒颜色进入颗粒的深度,与未加入墨水的固定化颗粒进行对比,确定其传质性能,传质性能分级如下:当颗粒仅有表面变黑且颜色较浅时,认为其传质能力较差;当距离颗粒中心约1/2处变黑且颜色较深时,认为其传质能力中等;当颗粒中心变黑、颜色较浅时,认为其传质能力良好;当颗粒中心变黑、颜色较深时,认为其传质能力为优。

    3)成球性能测试。根据固定化过程肉眼判断成球状况的规则性,根据颗粒成球的黏连性判断颗粒的成球性能。成球性能分级如下:当难于成球、黏连严重时,认为其成球性能较差;当成球的形状不规则、部分黏连时,认为其成球性能中等;当成球形状规则、部分黏连时,认为其成球性能良好;当成球形状规则、无黏连时,认为其成球性能为优。

    4)细菌活性测试。取一定量的细菌颗粒,置于上述配置的细菌富集培养基中,并向培养基中加入浓度为500 mg·L−1SO24,隔一段时间后,观察培养基的颜色变化情况,测定SO24的浓度变化,根据是否产生臭鸡蛋味的气体情况来判断固定化细菌的活性。细菌活性分级如下:当溶液颜色无明显变化、SO24去除率<20%、产生极少臭鸡蛋气味气体时,认为其活性较差;当溶液颜色较浅、SO24去除率为40%~60%、产生少量臭鸡蛋气味气体时,认为其活性中等;当溶液变为较黑色、SO24去除率60%~80%、产生较多臭鸡蛋气味气体时,认为其活性良好;当溶液变为深黑色、SO24去除率80%~95%、产生大量的臭鸡蛋气味气体时,认为其活性为优。

    设计6组直径为50 mm、高为50 cm、总容积为0.98 L的动态柱,底部0~3 cm填有进水炉渣含水层,含水层以上30 cm填充反应层,反应层以上设有3 cm炉渣过滤层,如图1所示。1#柱反应层采用纳米ZrO2-SRB颗粒,颗粒中包含200 mL杂化材料和100 mL菌液,进水水力负荷为2.935 m3·(m2·d)−1,进水成分近似模拟该地区地下水的成分:5 mg·L−1 F、10 mg·L−1 Cr(Ⅵ)、10 mg·L−1 Cr(Ⅲ)、500 mg·L−1 SO24、pH=4.6;2#柱反应层采用与1#柱相同密度的SRB,进行挂膜处理,且在2#柱中加入与1#柱相同量的杂化材料;3#、4#柱进水水力负荷分别为1.468、4.403 m3·(m2·d)−1,5#柱进水成分中将Cr(Ⅵ)提高为50 mg·L−1,6#柱进水成分中将F提高为10 mg·L−1;各柱中保持纳米ZrO2-SRB颗粒数量以及其他进水条件均与1#柱相同。连续测定出水各个污染物的浓度及pH的提升效果。

    图 1  动态装置系统图
    Figure 1.  Dynamic device system

    利用0.1 mol·L−1 HCl、0.2 mol·L−1乙醇和质量分数为2.5%硫脲作为洗脱液,将吸附污染离子后的纳米ZrO2-SRB颗粒加入50 mL洗脱液,并在35 ℃下180 r·min−1下振荡处理60 min,再放入富集培养基中激活12 h。脱附完成后,再次进行吸附,如此吸附-脱附重复3次,并计算每次再生后颗粒对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的去除率。

    pH采用玻璃电极法测定;Cr(Ⅵ)采用二苯碳酰二肼分光光度法测定;Cr(Ⅲ)采用高锰酸钾氧化-二苯碳酰二肼分光光度法测定;SO24采用铬酸钡分光光度法测定;F采用离子选择电极法测定。

    1 600倍油镜下镜检SRB的革兰氏染色、经番红复染的芽孢染色、SRB透射电镜放大30 000倍的检测结果如图2所示。由图2(a)可看出,经革兰氏染色后,SRB被染为红色,初步判断该菌株呈阴性;由图2(b)可看出,经番红复染后被染为红色,说明该菌株无芽孢;由图2(c)可明显看出,该菌株呈杆状,且具有鞭毛。

    图 2  SRB的特性分析
    Figure 2.  Characteristics analysis of SRB

    好氧和厌氧条件下培养的菌株经DNA测序后,测序结果相同,说明该菌株生化类型为兼性厌氧型。基因测序以及BLAST基因库比对、序列同源性分析如表1所示,可看出,该兼性厌氧菌与Citrobacter amalonaticus TB10的相似性最高,相似度达99.93%,说明该菌株与Citrobacter amalonaticus TB10属于同一性质的菌株,均为柠檬酸性杆菌。并利用MEGA 6.0软件得到所测菌株序列与其他物质的亲缘关系;得到的进化树结果如图3所示。

    表 1  序列同源性分析
    Table 1.  Sequence homology analysis
    菌属菌株相似度/%
    Citrobacter amalonaticusTB1099.93
    Citrobacter amalonaticusHAMBI 129699.86
    Citrobacter amalonaticusLMG 787399.78
    Uncultured Citrobacter sp. cloneF2AUG.1199.71
    Citrobacter farmeriCIP 10455399.64
    Citrobacter farmeri17.7 KSS99.57
    Uncultured bacterium cloneKSR-CFL399.49
    Citrobacter amalonaticusOFF799.42
    Citrobacter spCF3-C99.35
    Citrobacter sp. enrichment culture cloneTB39-1599.28
     | Show Table
    DownLoad: CSV
    图 3  菌株的系统进化树
    Figure 3.  Phylogenetic trees of strains

    将制得的纳米ZrO2-聚丙烯酰胺杂化材料在60 ℃条件下烘干,采用SEM在放大倍数为5 000倍下观察其表观结构,并进行EDS能谱和FT-IR红外光谱分析,结果如图4所示。可以看出,纳米ZrO2-聚丙烯酰胺杂化材料表面孔隙明显,质地均匀,分散性较好;主要含N—H、C—H、C=O、C—N、Zr—O—Zr特征峰,说明杂化材料中既有有机物吸收峰又有无机物吸收峰,由此可见,ZrO2与聚丙烯酰胺间是通过共价键连接。

    图 4  纳米ZrO2-聚丙烯酰胺杂化材料特性分析
    Figure 4.  Analysis of properties of nano-ZrO2- polyacrylamide hybrid materials

    固定化细菌颗粒如图5所示。通过对其做系列性能分析后,发现其在成球过程中形状规则且无黏连,说明其成球性好;在玻璃注射器中施加一定的压力后不易破损,压力增大,破损程度增大,说明其具有一定的硬度、弹性较好;将其加入到滴有墨水的蒸馏水中,2 h取出后发现其中心颜色变黑,且颜色较深,说明其传质性能良好;将其放于培养基中一段时间后,发现培养基颜色变深,且有黑色沉淀生成,会产生一种臭鸡蛋气味的气体产生,此时测定硫酸根的去除率为69.9%,说明其活性良好。

    图 5  固定化的细菌颗粒
    Figure 5.  Entrapped bacterial particles

    6个动态柱的出水情况如图6~图11所示。对比1#、2#动态柱出水情况,可以看出,在SRB和杂化材料投加量相同条件下,纳米ZrO2-SRB颗粒反应层对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的去除效果要好于挂膜的SRB,对溶液中Cr(Ⅵ)、Cr(Ⅲ)、SO24的有效去除时间要长于挂膜的SRB反应层,这说明纳米ZrO2-SRB颗粒可以利用杂化材料中的乙醇作碳源。纳米ZrO2-SRB颗粒对溶液中Cr(Ⅵ)、Cr(Ⅲ)、SO24的作用包括SRB和纳米ZrO2的双重作用,而F的去除主要依靠纳米ZrO2的吸附作用。Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的最大去除率分别为99.7%、98.8%、70.4%、92.4%;单独的SRB对Cr(Ⅵ)、Cr(Ⅲ)、SO24的最大去除率分别为99.3%、72.4%、71.2%,对F没有去除效果。且可以看出,2种反应层对pH的提升效果影响较小,这说明溶液中的pH主要靠SRB的作用,纳米ZrO2对溶液pH没有提升作用。

    图 6  1#动态柱的出水情况
    Figure 6.  Outlet water of 1# dynamic column
    图 7  2#动态柱的出水情况
    Figure 7.  Outlet water of 2# dynamic column
    图 8  3#动态柱的出水情况
    Figure 8.  Outlet water of 3# dynamic column
    图 9  4#动态柱的出水情况
    Figure 9.  Outlet water of 4# dynamic column
    图 10  5#动态柱的出水情况
    Figure 10.  Outlet water of 5# dynamic column
    图 11  6#动态柱的出水情况
    Figure 11.  Outlet water of 6# dynamic column

    对比1#、3#、4#动态柱的出水情况,可以看出,不同进水水力负荷均不会影响到纳米ZrO2-SRB颗粒对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的最大去除率,对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的最大去除率分别为99.7%、98.7%、71.2%、93.7%,但随着进水负荷的增大,维持污染物最大去除率的时间较短,pH最大提升水平维持的时间也有所缩短。在进水水力负荷为2.935 m3·(m2·d)−1、反应进行1~14 d时,F的去除率可以维持在最大水平,7~23 d期间对Cr(Ⅵ)和SO24的去除率可以维持在最大水平;而当水力负荷为4.403 m3·(m2·d)−1时,对F的去除率仅在4 d前可维持最大,对Cr(Ⅵ)和SO24的去除率仅在4.5~8.5 d时保持最大,可看出,能够保证各个污染物有效去除的时间明显缩短了。这是因为在反应层高度相同时,进水流速越大,对反应层的传质推动力越大,导致污染物与反应层的接触时间缩短,污染物未来得及和反应层充分接触便流出动态柱,但进水流速也不宜太小,太小的进水流速会延长接触时间,在相同的处理时间内处理的水量小,所以最佳进水水力负荷选择2.935 m3·(m2·d)−1较为适宜。

    对比1#、5#、6# 3个动态柱内的出水情况,可以看出,当Cr(Ⅵ)的浓度增加到50 mg·L−1时,纳米ZrO2-SRB颗粒对Cr(Ⅵ)的最大去除率仍然可维持在99.7%,但在初始1~3 d时,由于SRB的活性较低,5#动态柱出水中Cr(Ⅵ)的去除率仅为62.3%,相比于1#动态柱去除率91.8%,明显有所下降。这说明纳米ZrO2对高浓度Cr(Ⅵ)的选择吸附性较低,但是靠SRB对Cr(Ⅵ)的还原作用仍然可使出水浓度维持在较佳水平,且当Cr(Ⅵ)浓度增大后,不会影响到纳米ZrO2对F和Cr(Ⅲ)的吸附效果,但对SO24的去除效果会有一定影响。由此可见,纳米ZrO2对F和Cr(Ⅲ)的吸附选择性优于Cr(Ⅵ)优于SO24;当F浓度增加到10 mg·L−1时,对比1#和6#动态柱内的出水情况,可以看出,6#动态柱中在反应1~3 d时,对F、Cr(Ⅵ)、SO24的去除率较1#动态柱中的去除率有所变化,对F的去除率由93.7%上升为96.7%,对Cr(Ⅵ)的去除率由原来的91.8%下降为87.8%,对SO24的去除率由原来的30.2%降为17.5%,对Cr(Ⅲ)的去除效果基本上没有变化,说明纳米ZrO2对F的吸附性能优于Cr(Ⅲ)、Cr(Ⅵ)和SO24

    纳米ZrO2-SRB颗粒经过0、1、2、3次脱附再生后,对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的去除结果如图12所示。由图12可看出,经过3次循环再生后,较最初对Cr(Ⅵ)、Cr(Ⅲ)、SO24、F的去除率仅分别降低了1.8%、4.0%、1.5%、4.2%。由此可见,SRB在经过加入碳源乙醇和培养基活化后可以恢复其活性,颗粒可以达到较好的再生效果。这说明0.1 mol·L−1 HCl、0.2 mol·L−1乙醇、质量分数为2.5%硫脲和培养基的活化作用对于纳米ZrO2-SRB颗粒是一种良好的再生剂。

    图 12  纳米ZrO2-SRB颗粒的再生性能
    Figure 12.  Regeneration performance of nano-ZrO2-SRB

    1)微观结构表征。将包埋后得到的纳米ZrO2-SRB颗粒和处理不含Cr(Ⅲ)的污染地下水后得到的颗粒分别在60 ℃条件下烘干,采用SEM在放大倍数为2 000倍下观察材料的表观结构和XRD分析,结果如图13所示。可以看出,处理污染物前,细菌颗粒呈现明显的微球状,孔道通畅,表面较为光滑,主要含有的成分是ZrO2和一种有机物CH4N2O·C2H2O4。吸附处理污染水后的细菌颗粒形状变得不为明显,且表面变得粗糙,出现大量的凸形褶皱;处理污染水后的颗粒成分主要有C、O、Zr、S、H、Cr、F等元素;处理不含Cr(Ⅲ)的污水后,出现了ZrCr2H10、C6Cr2O12、ZrS0.67、ZrO0.67F2、Cr(OH)3新物质,Cr最终以Cr(Ⅵ)和Cr(Ⅲ)形式存在,说明SRB可将溶液中的SO24还原为S2-、将Cr(Ⅵ)还原为Cr(Ⅲ),最终以ZrCr2H10、Cr(OH)3、ZrS0.67的形式被去除,且ZrS0.67是硫化物的最终去向,残留在颗粒中;最终产物中含有Cr(Ⅵ),说明ZrO2-SRB处理污染地下水不但具有还原过程还存在纳米ZrO2的吸附过程,可吸附水中的Cr(Ⅵ)和F,最终分别以C6Cr2O12和ZrO0.67F2形式被去除。

    图 13  纳米ZrO2-SRB颗粒材料表征
    Figure 13.  Characterization of Nano-ZrO2-SRB particles

    2)等温吸附实验。取100 mL含10 mg·L−1 Cr(Ⅵ)、10 mg·L−1 Cr(Ⅲ)、5 mg·L−1 F、500 mg·L−1 SO24的溶液9份,每份分别加入质量为0.83、1.66、2.49、3.32、4.15、4.98、5.81、6.64、7.47 g纳米ZrO2-聚丙烯酰胺杂化材料,调节原始溶液至pH=7,置于温度为25 ℃条件下,振荡反应20 min后取出,经过滤后分别测定溶液中Cr(Ⅵ)、Cr(Ⅲ)、FSO24浓度。

    Langmuir和Freundlich模型的方程式分别如式(3)和式(4)所示。

    CeQe=1bQm+CeQm (3)
    lnQe=lnKf+1nlnCe (4)

    式中:Ce为平衡浓度,mg·L−1bLangmuir吸附常数,L·mg−1Qm为达到饱和时的吸附量,mg·g−1Qe为达到动态平衡时的吸附量,mg·g−1KfFreundlich吸附常数;n为经验常数。

    F、Cr(Ⅵ)、Cr(Ⅲ)、SO244种离子的Langmuir模型和Freundlich模型拟合结果如表2所示。由表2可知,Freundlich模型(R2=0.997 3、0.991 6、0.998 1、0.991 1)相比于Langmuir模型(R2=0.883 9、0.790 0、0.723 2、0.639 6)可以更好地拟合杂化材料对Cr(Ⅵ)、Cr(Ⅲ)、FSO24的吸附过程,这说明吸附不仅仅是均匀的单层吸附,更主要的是多层吸附过程。

    表 2  吸附等温线拟合方程及相关系数
    Table 2.  Adsorption isotherm fitting equation and correlation coefficients
    离子类型LangmuirFreundlich
    拟合方程R2拟合方程R2
    F-0.883 90.997 3
    Cr(Ⅵ)0.790 00.991 6
    Cr(Ⅲ)0.723 20.998 1
    0.639 60.991 1
     | Show Table
    DownLoad: CSV

    1)室内动态柱实验结果表明:纳米ZrO2-SRB颗粒为反应层、进水水力负荷2.935 m3·(m2·d)−1时对污染物的去除效果更好;且ZrO2-SRB颗粒对F的吸附选择性优于Cr(Ⅲ)、Cr(Ⅵ)和SO24

    2)结构表征结果表明:纳米ZrO2-SRB颗粒处理污染物后出现大量凸形褶皱,且颗粒组成中出现S、Cr、F元素。

    3)纳米ZrO2-SRB颗粒处理污染物的机理为:SRB对Cr(Ⅵ)、SO24存在还原作用,杂化材料对Cr(Ⅵ)、Cr(Ⅲ)、F存在吸附作用;且吸附等温线符合Freundlich模型,这说明吸附过程是多层吸附。

    4) 0.1 mol·L−1 HCl、0.2 mol·L−1乙醇、质量分数为2.5%硫脲和培养基的活化共同作用对于纳米ZrO2-SRB颗粒的再生具有良好的效果。

  • 图 1  生成式人工智能发展历程

    Figure 1.  The development process of generative artificial intelligence

    图 2  新时代环境工程生成式人工智能需求

    Figure 2.  The generative artificial intelligence demands for Environmental Engineering in new era

  • [1] 杨小康, 许岩岩, 陈露, 等. AI for science: 智能化科学设施变革基础研究[J]. 中国科学院院刊, 2024, 39(1): 59-69.
    [2] KINGMA D P, WELLING M. Auto-encoding variational bayes[M/OL]. arXiv, 2022. [2024-04-08]. http://arxiv.org/abs/1312.6114.
    [3] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[M/OL]. arXiv, 2014. [2024-04-08]. http://arxiv.org/abs/1406.2661.
    [4] MITCHELL M. Debates on the nature of artificial general intelligence[J]. Science, 2024, 383(6689): eado7069. doi: 10.1126/science.ado7069
    [5] TRIGUERO I, MOLINA D, POYATOS J, et al. General purpose artificial intelligence systems (GPAIS): Properties, definition, taxonomy, societal implications and responsible governance[J]. Information Fusion, 2024, 103: 102135. doi: 10.1016/j.inffus.2023.102135
    [6] 王旭, 董欣. 数据融合驱动学科交叉, 赋能环境工程管理与研究创新——“环境工程基础数据与模型”专刊[J]. 环境工程, 2022, 40(6): 3-4.
    [7] 关琳, 王让会, 刘春伟, 等. 祁连山自然保护区生态环境大数据管理模式的探讨[J]. 测绘通报, 2023(7): 97-106.
    [8] 叶林, 吴兵, 蒋丽娟, 等. 融合大数据分析的环境工程微生物学教学改革探索[J]. 高等工程教育研究, 2024(1): 54-57.
    [9] 程婉清, 袁定波, 熊鹏, 等. 基于多种机器学习算法的水质指数预测模型构建与评估[J]. 环境科学学报, 2023, 43(11): 144-152.
    [10] 侯俊雄, 李琦, 朱亚杰, 等. 融机器学习与WRF大气模式的PM2.5预报方法[J]. 测绘科学, 2018, 43(2): 114-120+141.
    [11] 赵宗慈, 罗勇, 黄建斌. 全球气候指标、气候影响驱动因子与全球变暖[J]. 气候变化研究进展, 2024, 20(3): 1-5.
    [12] 王柯, 张建军, 邢哲, 等. 我国生态问题鉴定与国土空间生态保护修复方向[J]. 生态学报, 2022, 42(18): 7685-7696.
    [13] 滕应, 骆永明, 沈仁芳, 等. 场地土壤-地下水污染物多介质界面过程与调控研究进展与展望[J]. 土壤学报, 2020, 57(6): 1333-1340.
    [14] QI J, GUO J, WANG P, et al. Incorporating generative AI agents into socio-economic metabolism modelling: The next frontier[J]. Resources, Conservation and Recycling, 2024, 207: 107670. doi: 10.1016/j.resconrec.2024.107670
    [15] KOLDUNOV N, JUNG T. Local climate services for all, courtesy of large language models[J]. Communications Earth & Environment, 2024, 5(1): 1-4.
    [16] LI H, LIU J, WANG Z, et al. LITE: Modeling environmental ecosystems with multimodal large language models[M/OL]. arXiv, 2024. [2024-04-06]. http://arxiv.org/abs/2404.01165.
  • 加载中
图( 2)
计量
  • 文章访问数:  3916
  • HTML全文浏览数:  3916
  • PDF下载数:  229
  • 施引文献:  0
出版历程
  • 收稿日期:  2024-06-05
  • 录用日期:  2024-08-04
  • 刊出日期:  2024-09-26
齐剑川, 史文杰, 徐常青, 李楠, 徐明. 生成式人工智能在环境工程中的应用前瞻[J]. 环境工程学报, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
引用本文: 齐剑川, 史文杰, 徐常青, 李楠, 徐明. 生成式人工智能在环境工程中的应用前瞻[J]. 环境工程学报, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
QI Jianchuan, SHI Wenjie, XU Changqing, LI Nan, XU Ming. Prospective applications of generative artificial intelligence in Environmental Engineering[J]. Chinese Journal of Environmental Engineering, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021
Citation: QI Jianchuan, SHI Wenjie, XU Changqing, LI Nan, XU Ming. Prospective applications of generative artificial intelligence in Environmental Engineering[J]. Chinese Journal of Environmental Engineering, 2024, 18(9): 2375-2380. doi: 10.12030/j.cjee.202406021

生成式人工智能在环境工程中的应用前瞻

    通讯作者: 徐明(1981—),男,博士,教授,xu-ming@tsinghua.edu.cn
    作者简介: 齐剑川 (1988—) ,男,博士,助理研究员,jcqi@tsinghua.edu.cn
  • 1. 清华大学环境学院,北京 100084
  • 2. 北京理工大学经济学院,北京 100081
基金项目:
国家重点研发计划资助项目 (2023YFC3904500) ;国家自然科学基金重大项目 (52293445) ;亚马逊研究奖

摘要: 人类社会正处在人工智能跨越式发展的关键节点,以大语言模型为代表的新型生成式人工智能技术为科学研究和社会治理带来新的机遇。与此同时,系统性复杂环境问题日益凸显,使得环境工程学科亟需更加智能化的研究方式、模式和范式。探索新型生成式人工智能技术在环境工程领域的赋能形态、拓展其应用边界,是环境工程学科发展的必经过程,更是响应国家“建设绿色智慧的数字生态文明”重大需求的关键任务。本研究旨在通过分析环境工程智能化需求变化、挖掘人工智能环境工程领域应用现状和趋势,从而探索新型生成式人工智能在环境工程领域的应用场景、方法和技术,从专业基座模型构建与适应研究、需求场景导向的多功能智能辅助应用和基于复合工作流理解与重构的复杂任务智能体三个层次逐层递进,提出我国环境工程的智能化发展关键战略方向。本研究为我国加快推动生成式人工智能在环境工程领域的应用研究,成为该方向的先行者和领导者而助力。

English Abstract

  • 人类社会正处在人工智能跨越式发展的关键节点,人工智能及其应用是环境工程领域未来创新发展的关键方向之一。习近平总书记2023年7月17日在全国生态环境保护大会上的重要讲话指出:“深化人工智能等数字技术应用,构建美丽中国数字化治理体系,建设绿色智慧的数字生态文明”。中共中央、国务院印发的《数字中国建设整体布局规划》也将“推动生态环境智慧治理,加快构建智慧高效的生态环境信息化体系”确定为数字中国赋能经济社会发展的关键内容之一。探索新型人工智能技术在环境工程领域的赋能形态、拓展其应用边界,是环境工程学科发展的必经过程,更是响应国家“建设绿色智慧的数字生态文明”重大需求的关键任务。

    生成式人工智能 (generative artificial intelligence) 是指一类能够创造新内容的人工智能系统,它们能够基于大量的学习理解内容模式,以生成新的内容,包括但不限于文字、图像、视频、音频等,并且具备理解、分析、规划和一定的泛化能力。近两年,以ChatGPT为代表的“大语言模型”井喷式发展,大语言模型背后的生成式人工智能技术被公认为是当前最具有应用前景的人工智能技术,越来越丰富的新应用形态迅速涌现。2023年5月23日国家互联网信息办公室审议通过了《生成式人工智能服务暂行管理办法》,提出鼓励生成式人工智能技术在各行业、各领域的创新应用,探索优化应用场景,构建应用生态体系等,为我国生成式人工智能发展和应用指引方向。

    生成式人工智能发展为人工智能在环境工程领域的应用带来新的机遇。借助生成式人工智能技术高效的信息处理与分析能力和强大的多模态信息处理能力,环境工程领域发展可基于“AI for Science”[1]的理念,在高复杂度、高知识密度、高重复性等研究工作场景下助力科学家做出更快、更准确的决策,推动科学进步和创新。

    • 机器学习是人工智能的子集,生成式模型和判别式模型是机器学习的主要方法。其中,判别式模型专注于直接学习输入数据与输出标签之间的映射关系,用于分类和回归任务,如支持向量机、神经网络等传统机器学习模型。而生成式模型不仅能进行分类或回归,还可以生成与训练数据具有相似分布的新样本,如变分自编码器[2] (variational auto-encoders,VAE) 、生成对抗网络[3] (generative adversarial networks,GAN) 等。生成式模型具有更强的无监督学习、多模态生成及数据增强和创造能力,具有更广泛的应用潜力。其中生成式预训练Transformer (GPT) 是生成式人工智能领域的最新突破,以GPT-4、Claude-3等为代表的生成式大语言模型在文本生成与处理、信息抽取等多个领域提供了强力支撑。

      当前生成式人工智能在特定领域当中展现出强大能力,然而其与通用人工智能 (artificial general intelligence,AGI) [4]相比仍有较大差距,当前研究者将实现通用人工智能作为生成式人工智能发展的重要目标之一。理想的通用人工智能具备广泛的理解、学习、推理和解决问题能力,具备持续学习与自我进化、抽象推理和创造等特性[5]。生成式人工智能发展为科学研究、社会治理、工业生产等各个方面带来了变革性影响,并有望随未来通用人工智能发展重构科学研究范式。

    • 随着生态环境保护要求的发展及环境工程研究内容的不断深入,新时代环境工程学科发展呈现出多学科交叉融合增加、知识边界日益扩展、信息量爆炸增长以及复杂系统性环境问题凸显等趋势,研究人员面临多学科知识汇聚融合、大批量信息处理与分析以及综合性复杂场景分析与决策等挑战。当前亟需基于生成式人工智能技术开发一系列智能研究方法与应用,以应对复杂挑战、全面提升研究效率和水平。

    • 环境工程学科交叉属性明显,研究内容跨越化学、生物、物理、地理等领域,近年来随着环境问题研究不断深入,与新兴材料科学、管理学和信息科学等学科融合日渐紧密,并发展出新的研究方向,如新型污染物行为研究、气候变化、可持续发展与循环经济等[6]。随着环境工程研究领域不断扩展,知识边界也日益扩展,复杂来源信息获取及多学科知识汇聚融合成为挑战。生成式人工智能多模态学习和适应能力使得其可以理解和整合不同学科知识,并且学习不同领域知识的关联,从而支持和促进知识深度融合。通过生成式人工智能构建知识获取管道,助力多学科知识汇聚融合,从而为研究人员提供更加快捷的知识获取通道,同时通过构建专业知识库与可信度验证数据集,为生成式人工智能在环境工程领域应用开发提供数据基础。

    • 环境监测技术的进步以及自动化、物联网、大数据等技术的发展为文字、图片、视频等多模态环境数据获取、处理和存储提供了便利[7]。此外,多学科交叉融合带来的数据量、信息量提升使得环境工程研究当中对于大批量、多模态数据的分析需求不断增加,亟需智能化工具辅助提升效率[8]。近年来,机器学习 (包括深度学习) 等典型人工智能技术在水污染控制、固废管理、污染物迁移转化分析等众多场景中发挥了重要作用[9-10]。随着环境工程学科信息种类和数量迅速增长、应用场景逐步扩展,大规模数据处理需求增多,对环境工程信息化提出了新的要求。生成式人工智能自动化与扩展性,灵活性与适应性以及多模态能力等特点使得其在大规模、多模态、跨领域的数据处理与分析任务中具有显著优势,并且在复合多层次任务当中可与传统机器学习方法联合使用,全面提升环境工程研究的智能化水平。基于生成式人工智能开发面向多种场景的智能应用系统,可以辅助研究人员提高工作效率,增强理解、预测和决策能力。

    • 随着人类社会的不断发展,过度的资源开发与废弃物排放对环境造成巨大压力,复杂系统性环境问题凸显。以气候变化[11]、生态系统退化[12]、多介质污染[13]等为代表的复杂环境问题引起广泛关注,成为环境工程领域的严峻挑战。复杂系统性环境问题涉及到经济发展、社会公平、环境保护等多个领域,且多个领域相互联系,大大增加了分析和决策难度,亟需智能化模拟和分析手段辅助研究,为分析和决策提供参考。传统基于主体建模 (agent based modeling,ABM) 方法在多主体参与的环境行为模拟方面应用广泛,然而其适用性有限且学习能力有限,在更多主体参与、行为模式更复杂的场景下无法适应。生成式人工智能驱动的代理建模,通过使用生成式人工智能模型为各主体提供基于自然语言的理解和交互能力、分析评估能力和自定义工具调用能力、形成智能体,突破传统ABM方法规则化和参数化的局限性,具有更强的理解和响应复杂场景能力。通过刻画多样化的智能体,可构建涵盖社会经济等多个要素的复杂模拟系统[14],从而为复杂系统性环境问题的模拟、分析和解决提供实现路径。

    • 当前国内外已经对生成式人工智能在环境工程领域的应用进行了初步探索,主要包括大语言模型专业知识拓展、专用任务智能体开发等场景。如何进行多学科知识的汇聚融合以及大语言模型专业化,并以此为基础进行智能应用开发和综合智能体系统构建,探索生成式人工智能在环境工程领域的潜在应用形态、扩展其应用边界仍然是当前面临的重要挑战。

    • 目前全球各国、各行业都在探索生成式人工智能的应用场景、方法和技术,在环境工程领域也处于探索和起步阶段。国外部分研究者探索了大语言模型在气候数据获取[15]和环境多维数据模拟预测[16]等任务当中的应用,但是应用场景相对单一,未能充分挖掘生成式人工智能潜力。国内百度智能云发布了《百度智能云水行业大模型白皮书》,提出了水业大模型建设的总体架构,旨在打造水利“2+N”、供水保障、排水防涝、水环境综合治理、绿色低碳等业务场景的大模型创新应用。科大讯飞发布的生态环境大模型通过环保领域的政策法规、行业知识、历史案例进行检索增强生成 (retrieval-augmented generation,RAG) ,为企业和执法人员构建了快速的知识获取通道。然而以上工作目前还停留在理论研究和初步的模型专业化阶段,未对生成式人工智能的智能应用形态进行探索。

      清华大学领衔开发的“天工AI”探索了生成式人工智能在环境、生态和可持续发展领域应用的新形态,初步形成了以检索增强生成、智能应用开发、多智能体模拟等多个层面递进的生成式人工智能应用开发框架,然而当前仍存在专业知识覆盖领域不够广、模型专业化不足以及智能应用场景相对单一等问题。随着生成式人工智能的持续发展和全球气候变化、环境污染等议题日益重要,生成式人工智能在环境工程领域的应用势必成为全球热点。国内外研究人员仍需拓展生成式人工智能在环境工程领域的应用范围,构建全面赋能环境工程研究的智能应用体系。

    • 当前环境工程领域的生成式人工智能应用尚处于探索阶段,难以匹配应用需求。其主要瓶颈在于生成式人工智能专业领域能力不足、智能应用场景不明、智能体自主潜力有待挖掘等。因此,未来生成式人工智能在环境工程领域应用将面临环境工程领域的生成式人工智能模型专业化、生成式人工智能场景下环境工程领域人机边界划分以及面向通用人工智能的环境工程复杂任务智能体构建等挑战。此外,随着生成式人工智能技术的不断发展,通用人工智能等新形态人工智能技术将带来更多潜在的应用场景,如何适应技术发展,拓展其在环境工程领域的应用边界也亟待研究。

      1) 环境工程领域的生成式人工智能模型专业化。生成式人工智能模型一般由广泛获取的信息训练,具有通识知识和一定的泛化能力,但由于专业信息无法全面覆盖导致专业领域知识不足、难以避免生成式人工智能广泛存在的“幻觉”现象。同时,环境工程涉及化学、生物、地理等多个复杂知识体系,如何构建、优化和强化基座模型生成能力以满足科学研究“准确、高质量、高时效性”要求,将成为基础性研究问题。

      2) 生成式人工智能场景下环境工程领域人机边界划分。生成式人工智能相较于基于机器学习等传统人工智能技术具有更多元的能力,并已衍生出全新的人工智能应用体系 (如对话式助手、代码生成与执行器、专业工作领航和复杂任务智能体等) ,具有更大的创新应用可能性。如何根据生成式人工智能的能力、特性和潜力,发掘其在环境工程领域的应用场景并划分新的人机边界,构建符合环境工程领域需要的人工智能应用,将成为重大挑战。

      3) 面向通用人工智能的环境工程复杂任务智能体构建。传统人工智能技术通常被应用于解决特定问题,而通用人工智能是指可以执行跨领域多元复杂任务并展现超越人类水平的能力,且能够像人类一样理解、学习和适应新情境的人工智能系统,是生成式人工智能发展的下一阶段目标。环境工程问题具有系统性、复杂性和多样性特征,如何针对复杂专业任务设计面向通用人工智能的智能体,突破方法瓶颈、形成技术体系,将成为环境工程领域人工智能应用的重大问题。

    • 立足环境工程学科生成式人工智能需求、应用现状及重要挑战,我国环境工程学科在生成式人工智能应用领域需要在生成式人工智能技术快速发展和全球性、系统性复杂环境问题日益突出的背景下,基于生成式人工智能技术的本质、特点和发展路径,更新、迭代和扩展环境工程相关全量知识系统,界定各研究方向通用场景人机边界,构建专业任务智能应用、形成面向通用人工智能的新一代智能应用体系,全面重构环境工程研究工作方式、模式和范式,引领全球环境工程领域的智能化革命。

      在未来5到10年,本领域的具体学科目标包括:

      1) 构建面向生成式人工智能的环境工程跨领域知识汇聚方法和技术体系。基于高效、高度可用和高度可成长的架构,形成广泛覆盖、可信可靠、及时更新的基础知识库。

      2) 构建环境工程通用及典型场景的智能应用。设计生成式人工智能相关数据安全机制,在保护数据产权和安全的前提下,确定和调整人机边界,探索其在环境工程相关研究中的应用潜力,从而在科学研究、工程实施和管理决策中实现智能化辅助和支持、显著提升效率。

      3) 构建环境工程领域的生成式人工智能应用体系。针对环境工程各细分领域复杂任务构建系列智能体,形成环境工程领域的生成式人工智能应用体系,完成生成式人工智能应用对传统工作方法和工具的替代,为科研、工程和管理提供实际支撑。

    • 针对当前生成式人工智能在环境工程领域的应用现状和发展目标,基座模型专业化、场景辅助应用和复杂任务智能体是生成式人工智能在环境工程学科应用主要的战略方向,我国需要在3个层次上逐层递进开展工作,提升环境工程研究智能化水平。

    • 构建环境工程领域相关学科知识库并进行生成式人工智能模型在专业领域的适应研究,是构建环境工程领域的生成式人工智能应用的前提和必要条件。其中重点方向包括面向生成式人工智能的环境工程跨学科信息集成;生成式人工智能基座模型的环境工程领域专业延伸;环境工程领域专业信息置信度验证。

      1) 面向生成式人工智能的环境工程跨学科信息集成。面向化学、生物、地理等环境工程领域涉及的学科,识别高质量、集中且持续更新的优质信息来源,并针对主要信息来源分别构建数据管道,实现多模态数据动态实时/近实时获取;并且面向生成式人工智能模型特点,设计数据集成流程和技术架构,应用向量数据库等新一代数据服务支撑专业知识库构建。

      2) 生成式人工智能基座模型的环境工程领域专业延伸。根据专业场景需求、基于专业知识对生成式人工智能模型进行训练和/或精调,构建具有环境工程领域专业知识的生成式人工智能基座模型。

      3) 环境工程领域专业信息置信度验证。基于环境工程信息学科基本知识和研究重点,构建环境工程学科典型问题数据集,结合生成式人工智能模型自动判断和专家辅助判定方法,建立生成式人工智能模型在环境工程领域的专业能力评价框架,量化评价生成内容的准确性、一致性和可信度,并建立有效的验证机制。

    • 面向环境数据分析与模拟预测、工程设计与优化、环境监测与预警等典型场景,根据持续演进的生成式人工智能模型专业能力,适时调整其和人类在分析与解释、设计与审核、模拟与决策等任务当中的人机边界和权重,构建面向典型场景的环境工程领域生成式人工智能应用。其中重点研究方向包括:面向环境工程专业的新型搜索引擎;基于生成式人工智能的专业数据智能解析;面向环境工程典型场景的智能辅助应用。

      1) 面向环境工程专业的新型搜索引擎。构建基于专业知识库的检索增强生成框架,形成基于专业知识的内容检索和生成能力,构建覆盖环境工程领域涉及学科专业知识的新型搜索引擎,并持续优化检索效果。

      2) 面向环境工程专业数据的智能、安全解析。基于生成式人工智能具备的文件解析、数据指标识别、代码生成等能力,形成覆盖数据文件解析、指标含义分析、数据格式处理、可视化和数据解析内容生成的全流程智能化环境工程专业多模态数据处理能力。同时,建立数据访问控制、数据安全审计、数据去标识等机制,明确数据权属,保障数据安全。

      3) 面向环境工程典型场景的智能辅助应用。在土地利用规划、城市布局设计、水资源管理等典型设计和规划场景,实现基于专业知识和最佳实践的智能化建议及方案初步设计;在项目、产品、组织等维度环境影响评价和优化场景,实现快速评估及环境影响和风险识别,并生成决策建议和依据;在环境污染治理、气候变化应对等复杂系统性环境问题分析场景,根据持续更新的数据、技术及政策等相关信息,解析现状并提出方案和优化建议,以增强理解、预测和决策能力。

    • 面向通用人工智能研发环境工程领域智能体及基于智能体的复杂系统模拟推演,可通过实现对重复性、高人力成本复杂任务的智能化替代和升级,进一步提升环境工程研究效能,为环境工程领域研究提供新一代智能化基础设施和成套工具。其中重点研究方向包括:面向通用人工智能的环境工程领域复杂任务解构;面向通用人工智能的复杂场景专业模型集成;环境工程领域基于智能体的多场景、多层次、多角色模拟推演。

      1) 面向通用人工智能的环境工程领域复杂任务解构。面向通用人工智能、深入理解环境工程领域复杂任务工作流,基于人工智能的特性和能力重构原生任务流程,形成专业任务智能体构建理论和技术框架。

      2) 面向通用人工智能的复杂场景专业模型集成。在环境工程领域内各研究方向识别智能体应用场景并进行设计、编排和构建,包括但不限于减污降碳领域,实现多维度生命周期自动建模、评价、热点识别、优化建议并形成解析内容,环境监测、资源能源管理等领域,实现基于数据、规则和专业模型的智能判断、模拟、预警和决策,物质与微生物分析领域,实现生成式人工智能对相关定量分析及机器学习预测算法模型的集成,实现自动化特征提取、分析和物质行为模拟,环境功能材料设计领域,基于化学、材料等专业数据和模型,实现材料性能智能预测和模拟等。

      3) 环境工程领域基于智能体的多场景、多尺度、多介质模拟推演。面向环境水污染治理、气候变化应对等单介质环境问题,基于大语言模型实现跨多个传统环境模型的深度融合与协同决策,形成具备高级综合分析能力的专家智能体,增强对相关场景和尺度的系统理解和预测决策能力。针对大尺度、跨介质的复杂环境问题,构建混合专家智能体驱动的环境系统模拟器,实现对环境系统的全面模拟和智能评估。

    • 生成式人工智能在环境工程领域的应用经过探索,初步产生了大语言模型专业化及智能体应用开发等应用形态,在提升研究效率、助力环境治理方面展现出应用潜力。对于环境工程领域的研究人员,生成式人工智能除了助力科研效率提升外,还将带来新的研究契机,为复杂综合性环境问题解决提供实现路径。未来研究人员需要积极适应新兴技术的发展,进一步探索生成式人工智能在环境工程领域的应用形态,扩展其应用边界,在已有的研究基础上不断推进模型专业化、丰富智能应用体系,构建面向复杂任务的智能体。全面提升生成式人工智能在环境工程领域的应用水平,助力模拟、分析、决策等多个过程,为环境工程学科智能化水平提升和国家绿色智慧的数字生态文明建设提供技术支撑。

    参考文献 (16)

返回顶部

目录

/

返回文章
返回