.png){kind=icon}
返回
Large artificial intelligence models for coal mining: Development, applications and challenges
.png){kind=icon}
PRE
AI
DOI：10.1007/s12613-026-3492-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型人工智能（AI）模型正日益影响矿业行业的安全、效率与可持续性。本文综述了煤炭采矿领域专用大型AI模型的发展、应用与挑战。这些模型整合了异构多模态数据——包括文本、图像、视频、音频、设计数据、点云和时间序列——并在涵盖基础设施、数据资源、算法、应用服务和安全的多层架构内实现集成。支持知识服务、可视化分析和智能调度的应用平台展示了在运营决策方面的实际改进。尽管取得进展，部署仍面临数据碎片化、标签数据集有限、少样本/零样本场景、行业特定适配、鲁棒性与可解释性、弱因果推理、边缘计算限制、成本效益权衡和兼容性等问题。克服这些障碍需要数据治理、模型设计和行业标准化的协同推进。
Keyword:
large artificial intelligence models
domain-specific large language models
multimodal data
coal mining applications
期刊
IF:
7.2
论文数:
3.0K
被引数:
8.6K
机构
引用论文
Li, Y.; Qu, C. Research on lightweight compression algorithms and deployment optimization for large language models on mobile terminals. In Proceedings of the 2nd Guangdong-Hong Kong-Macao Greater Bay Area International Conference on Digital Economy and Artificial Intelligence, Dongguan, China, 28–30 March 2025; pp. 164–169. [Google Scholar] [CrossRef]李, Y.; Qu, C. 轻量化压缩算法及在移动终端上部署优化的研究. 第2届粤港澳大湾区数字经济与人工智能国际会议论文集, 中国东莞, 2025年3月28–30日; 第164–169页. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
Transitioning from MLOps to LLMOps: Navigating the Unique Challenges of Large Language Models从MLOps到LLMOps的转变：应对大型语言模型的独特挑战Information
InformationIF0
PREAI
分享收藏RLHF deciphered: a critical analysis of reinforcement learning from human feedback. Commun. ACM 67, 36–47RLHF解读：基于人类反馈的强化学习批判性分析。Commun. ACM，67卷，36–47页。
IF0
PREAI
分享收藏
查看更多内容