大模型技術在企業科研項目管理中的應用研究

摘要：針對當前企業科研項目管理中存在的監管難、質量差、效率低等問題，提出應用大模型技術賦能企業科研項目管理。設計基于大模型技術的企業科研項目管理系統應用架構和智能科研管理助手，并對大模型技術在企業科研項目管理全生命周期中的應用進行分析。以智能問答系統流程為例，具體介紹大模型技術在企業科研項目管理中的應用場景，為企業在科研項目管理中應用大模型技術提供參考。研究表明，將大模型技術應用于企業科研項目管理，有助于企業降低項目管理風險，大幅提高企業科研項目管理智能化水平和管理效率。

關鍵詞：人工智能；大模型技術；企業科研項目管理；智能科研管理助手；智能問答

0引言

隨著企業科研項目投入逐年增加，科研項目管理的戰略地位不斷提高。當前，企業科研項目管理過程中人員結構復雜、業務流程煩瑣、資源分配困難的特點與傳統科研項目管理模式矛盾突出[1]。企業科研項目管理智能化水平較低，管理過程信息流通困難，參與各方容易產生信息孤島。同時，由于缺乏科學的管理系統和完備的管理策略，管理質量差、效率低等問題不斷顯現。雖然部分企業引入了一些管理工具，但是缺乏核心工具，且眾多管理人員缺少使用經驗，嚴重影響了科研項目管理工作的開展。因此，如何通過先進技術手段提升企業科研項目管理過程的便利性和管理質量，是當前急需解決的問題。

大規模預訓練語言模型（Pretrained Language Model，PLM），也稱“大模型”，是一種具有戰略性、前瞻性的新興技術，具有規模性、涌現性及通用性等特性[24]，可實現海量數據信息的分析、處理，并為用戶提供智能問答、輔助決策、文本生成等能力。因此，將大模型技術應用于企業科研項目管理中不僅能夠有效規避項目風險，增強企業研發投入收益，而且能夠為企業的發展規劃提供真實可靠的數據支撐和科學客觀的決策依據。本文通過對企業科研項目管理現狀進行深入剖析，提出應用大模型技術賦能企業科研項目管理，設計基于大模型技術的企業科研項目管理系統應用架構和智能科研管理助手，旨在為提升企業科研項目管理智能化水平和管理效率提供新方向。

1各行業大模型的發展及應用概述

隨著ChatGPT等強大的人工智能產品的問世，大模型技術得到社會各界的廣泛關注。2022年，人工智能領域的知名創業公司OpenAI發布了人工智能聊天機器人ChatGPT[5]，該產品上線兩個月用戶數量就達到1億人，成為全球估值最高的初創公司[6]。ChatGPT憑借其出色的語言理解、生成能力和邏輯推理能力引發了各界的廣泛關注[79]。繼OpenAI推出ChatGPT后，國外各科技公司紛紛推出各自的大模型產品。微軟公司在Bing搜索引擎的基礎上增加了一系列創新功能和改進，形成了為用戶帶來更高效、更智能的搜索體驗的New Bing，并宣布計劃將ChatGPT集成到Word、PowerPoint、Outlook等軟件中[10]；谷歌推出Bard拓展程序（Extensions），該程序集成了Gmail、Docs、Google Drive、Google地圖、YouTube等多款谷歌應用；蘋果、亞馬孫、Meta等企業積極布局人工智能的開發戰略。國產大模型在2023年呈現出爆發式增長。百度公司率先發布生成式AI產品“文心一言大模型”，隨后，阿里巴巴“通義千問大模型”、華為“盤古大模型”、騰訊“混元大模型”、科大訊飛“星火大模型”、京東“言犀產業大模型”、商湯“日日新大模型”[11]等國產大模型相繼發布或正在研發中。據統計，2019—2023年7月，全球共有268個大模型問世，其中，我國共發布130款不同類型大模型[12]。2019—2023年7月國內外大模型發布數量情況如圖1所示。

經過近幾年的大模型迭代和發展，不同領域的大模型技術布局已初見成效[1316]。在教育領域，大模型技術可以提高學生的學習效率和教師的教學質量，豐富教育內容及教學形式，為教育領域帶來新的可能性和機遇；在醫療領域，大模型技術可以實現醫學圖像診斷疾病、預測病情的發展趨勢，為醫療行業提供重要的輔助決策依據；在金融領域，大模型技術能夠通過分析大量的市場數據預測市場走勢，識別投資風險，為投資者提供投資決策參考；在交通領域，大模型技術可以實現流量預測、擁堵原因分析并優化交通道路布局，為交通管理部門提供決策支持。

2企業科研項目管理大模型

21企業科研項目管理面臨的問題

企業科研項目管理涉及多個部門協同，人員的復雜性進一步提升了科研項目管理難度[17]。在傳統管理模式下，企業科研項目管理存在三大問題，具體如下：

（1）缺乏頂層規劃，科研資源分配不合理。部分企業在實際工作中存在盲目追求科研項目數量，缺乏頂層規劃，大量科研資源耗費在前期項目申報過程中。同時，隨著項目數量的不斷增加，科研項目管理難度大幅提升，當企業多個項目同時開展時，極易發生科研資源配置沖突，出現人員調配、經費投入、工時安排、設備資源等分配不合理的現象，進而影響科研項目的完成質量及管理效率。

（2）市場意識薄弱，科研成果轉化困難。現階段，企業科研項目管理工作的核心仍停留在項目任務表面，管理人員相關專業知識和技能儲備不足，缺乏效益意識和競爭意識，導致科研項目成果難以轉化為現實生產力和經濟效益，無法保證科研項目的規劃科學性和實施穩定性，從而降低企業的核心競爭力，阻礙企業繁榮發展。

（3）數據動態管理不足，存在數據孤島現象。隨著企業科研項目數量逐年遞增，項目復雜程度不斷增加，部分企業缺乏科研項目數據信息動態管理，導致數據信息不能充分收集，關鍵細節易被忽略，存在數據孤島現象；缺乏信息管理平臺，各項目成員溝通效率低，存在信息交流障礙；數據動態管理不足，無法保障信息的及時性。

22基于目的導向的企業科研項目管理大模型

建設企業科研項目管理大模型系統，首先應充分考慮企業項目管理模式的特點和企業的發展經營目標，進而明確本系統所需功能。結合當前企業科研項目管理存在的普遍問題及大模型的優勢，建設方針上應基于三個目的：一是進行項目規劃布局，統籌規劃項目資源，助力企業價值創造；二是預測行業發展及市場趨勢，智能評價項目完成度，建立成果轉化機制；三是獲取內外部數據，搭建實時數據平臺，優化協同管理模式。構建基于目的導向的企業科研項目管理大模型，不僅能實現科研項目管理全生命周期的跟蹤溯源，為管理人員提供更加直觀、真實、全面準確的項目數據，而且能提供先進管理工具，減輕管理人員負擔，增強企業員工對管理體系的滿意度和認同度，進而提升企業科研項目管理效能，因此，大模型技術為解決傳統科研項目管理面臨的瓶頸問題提供了新的方向。

3企業科研項目管理大模型的構建

企業科研項目管理大模型的構建需要經過預訓練和微調兩個階段。在預訓練階段，從大規模無監督數據中學習科研項目管理相關知識；在微調階段，將少量的標注數據灌注到目標需求中進行監督訓練[1819]，經過離線推理、在線部署，最終形成企業科研項目管理大模型。

本模型建設將從企業科研項目管理實際出發，融合基礎信息網絡，建設市場分析、戰略決策、組織管理、人事管理、財務管理、采購管理、智能審核等業務應用場景，打造智能科研管理助手，形成輔助決策、智能問答、文案生成等創新能力。企業科研項目管理大模型總體架構如圖2所示。

企業科研項目管理大模型以實現企業數字化、智能化為建設目標，采取4層結構設計，包含基礎支撐層、資源要素層、模型訓練層、能力生成層。其中，基礎支撐層為模型提供基本規則約束，保證整個模型的建立及運行合理合規；資源要素層是模型應用的基礎，以數據中臺作為數據底座，為模型訓練提供項目數據、成果數據、歷史數據、財務數據、互聯網數據、領域數據、人力數據及實時數據；模型訓練層主要用于開展大模型的訓練；能力生成層主要為用戶提供各種科研項目管理相關的創新應用。業務網絡為整個系統提供網絡傳輸條件，保證系統數據能夠不斷更新迭代。

模型訓練層分為三個階段。第一階段，基礎大模型（H0）訓練階段，直接使用數據底座提供的通用數據進行訓練，整個訓練過程以無監督預訓練的方式進行，該模型能夠提供對話問答、代碼編輯、語義分析、任務規劃、內容生成等通用能力。第二階段，行業大模型（H1）訓練階段，引入部分科研項目管理行業知識數據對模型進行有監督微調，使模型初步具有人類意圖，具備生成高質量答案的能力。第三階段，企業科研項目管理大模型（H2）訓練階段，引入企業科研項目管理具體業務場景數據，訓練過程采用基于人類反饋的強化學習方法（Reinforcement Learning from Human Feedback，RLHF）[2021]，利用人類反饋提升模型性能，使模型完全能夠識別人類意圖，得到精準答案。

4大模型技術在企業科研項目管理全生命周期中的應用

企業科研項目的全生命周期管理是指從項目建議、立項論證、組織實施、檢查評估、結題驗收、成果申報、成果轉化、推廣應用、后評價到檔案歸檔的全方位、全過程、全要素管理，主要包含科研規劃、項目立項、項目實施、項目驗收、成果管理5個階段[22]。大模型技術在企業科研項目管理全生命周期中的應用設計如圖3所示。

根據圖3可知，企業科研項目管理大模型為技術專家、管理人員和項目負責人提供了一個自動更新、使用便捷、內容豐富的智能科研管理助手，能夠實現對科研項目全生命周期進行科學管控。智能科研管理助手可以幫助項目相關人員對科研項目管理全生命周期中的各種因素進行分析、處理和預測，提供更加精準的決策支持，保證項目進展順利；同時，還可以根據使用人員的反饋情況，不斷優化和完善，保障管理過程更加精細化、智能化。智能科研管理助手主要具備如下6種能力：

（1）智能決策。通過對企業科研項目的歷史數據、實時數據及行業相關互聯網信息數據進行深度挖掘和分析，輔助管理人員制訂更加科學的計劃和決策方案；實現對行業未來發展趨勢的預測，幫助企業提前開展行業布局，為企業科研發展方向提供參考。

（2）資源調度。通過對項目需求、項目進度狀態、采購計劃等信息進行綜合分析，快速生成初步調度方案，輔助管理人員制訂全面、科學、準確的科研項目資源分配方案，實現經費、人員、設備、材料等科研項目資源的高效分配，從而保證科研項目實施過程計劃的穩定性和持續性，保障科研項目高質量完成。

（3）智能協同。在科研項目管理過程中，絕大多數任務場景都需要不同角色人員共同協同完成，人員和流程的復雜性極易造成科研項目管理混亂，導致任務完成效率降低。大模型技術能夠對企業相關管理制度、體系文件、實施計劃進行自動拆解，根據任務場景，自動生成協同方案，并使項目相關人員按照該方案進行工作，從而有效規避因流程混亂造成的風險，保障各個項目執行環節高效運行，進而提升科研項目管理效率。

（4）成果評價。通過對歷史成果評價案例、行業專家知識、專題庫數據等進行綜合分析，形成成果評價模型，提供從多個維度對項目成果進行評價的能力。同時，通過與行業同類成果進行對比分析，實現對項目成果質量的綜合評估和效益預測。此外，在成果評價基礎上，實現成果與市場的供需匹配，使科研成果與市場需求緊密結合，提升需求方的采購效率，擴充供應方的銷售渠道，促進成果的快速轉化應用。

（5）實時展示。大模型技術強大的數據處理能力，能夠實現企業科研項目管理過程中數據的快速整合分析，生成科學、真實、可靠的統計數據，并實現文本、圖像、表單等形式可視化管理，內容包括經費執行率、計劃完成情況、風險識別情況、項目進度等，極大地減輕了管理人員負擔，大幅提高了科研項目管理效率。

（6）培訓教育。當前，企業培訓教育通常采用教材自主學習、講師現場培訓等傳統方式，學習效果有限，且耗費大量時間及人力成本。大模型技術可根據人員崗位特征和技術水平，采用啟發引導式提問，判斷被培訓人員的實際業務水平及培訓需求，對被培訓人員進行個性化互動探究式培訓，并能夠根據被培訓人員反饋的學習情況及時進行培訓內容調整，生成定制化培訓方案。此外，其還可對被培訓人員的培訓成果進行個性化考核評價，考評結果更加客觀準確。

5案例分析

以企業科研項目管理智能問答系統流程為例，對大模型技術在科研項目管理中的應用進行具體介紹。企業科研項目管理智能問答系統流程如圖4所示。

該系統流程包括問題輸入、自然語言處理、信息檢索、模型訓練、答案輸出5個過程。具體智能問答系統流程如下：

（1）用戶提出問題后，通過自然語言處理（Natural Language Processing，NLP）[23]技術，同時結合語義庫數據，對問題文本進行信息處理，將人類語言轉化為機器語言，實現人機交互。

（2）通過大模型意圖識別工具，在標簽化數據庫中檢索與問題相關的知識數據，以提示的方式和問題一起輸入大模型，且通過大模型訓練生成意向答案，意向答案進入滿意度評價模型進行滿意度評價，模型不斷進行訓練迭代，直至生成符合滿意度標準的答案。

（3）經過自然語言處理編輯生成自然語言回答，輸出答案。

在實際應用時，大模型需要提前進行大量訓練，其訓練結果的穩健性直接影響模型的泛化能力，是評價大模型系統性能的重要指標。對于本文構建的企業科研項目管理大模型，其穩健性主要體現為相同輸入條件下能夠得到相對穩定的輸出結果。為提升模型的穩健性，每次模型訓練后，都需對訓練結果進行評估，并根據評估結果對模型參數和訓練策略進行調整，最終得到相對穩定的輸出結果。對于已訓練成熟的企業科研項目管理智能問答系統，當管理人員提出的問題為客觀問題時，如詢問某項目經費執行率時，模型內部能夠快速識別用戶意圖，通過對海量數據庫進行快速檢索，抽取出關鍵字段信息，并經過一定的加工組合后，即能直接得到經費執行率的具體數值；當所提問題為主觀問題時，如詢問某項目繼續執行是否具有進度風險時，大模型通常會參考同類項目歷史執行情況、項目負責人情況及當前項目執行情況等各類因素，進行綜合分析后，得到相關分析報告，但是，模型內部不斷更新迭代，通常再次提問該問題時，所反饋的結果在語言描述上仍然會存在輕微差異。

6結語

本文通過深入剖析當前企業科研項目管理過程中存在的問題，設計了基于大模型技術的企業科研項目管理系統總體架構，同時對大模型技術在科研項目管理全生命周期各階段中的應用展開了分析，并以智能問答系統為例，介紹了大模型技術的具體應用流程。研究表明，大模型技術應用于科研項目管理的各個階段，能極大地提升科研項目管理的智能化水平和管理效率，有利于促進科研項目管理的創新發展。但由于大模型技術的應用依賴于大量數據支撐，在引入大模型技術前，企業應提前建立完善的數據管理體系，為模型訓練提供數據質量保障。同時，企業還需組織人員進行相關技能培訓，并定期對模型使用效果進行評估，推動模型得到持續優化，從而達到用戶的應用需求。

雖然大模型技術具有廣闊的應用前景，但是其作為新興技術在企業科研項目管理領域落地實施還面臨較大的挑戰。例如，數據安全、訓練成本、設備維護等。另外，大模型技術的更多應用模式還有待更深入的探索。例如，探索將大模型技術與虛擬現實技術相結合，構建虛擬仿真環境，將培訓人員帶入真實的操作場景，進而提升培訓效果和項目人員的技能水平。

參考文獻

[1]張驊基于科研項目管理的計算機信息系統開發研究[J].電子元器件與信息技術，2021，5（6）：188191

[2]劉學博，戶保田，陳科海，等大模型關鍵技術與未來發展方向——從ChatGPT談起[J]中國科學基金，2023，37（5）：758766

[3]劉靜，郭龍騰GPT4對多模態大模型在多模態理解、生成、交互上的啟發[J]中國科學基金，2023，37（5）：793802

[4]BOMMASANI R，HUDSON D A，ADELI E，et alOn the opportunities and risks of foundation models（20210816）[20230817]https：//arxivorg/abs/210807258

[5]OUYANG L，WU J，JIANG X，et alTraining language models to follow instructions with human feedback[J]Advances in Neural Information Processing Systems，2022（3）：27730—7744

[6]趙紅勛，郭錦濤，李孝祥人工智能時代人機關系的變革邏輯——基于ChatGPT應用的學術考察[J]中國傳媒科技，2023（2）：1318

[7]趙志梟，王東波數字化時880e8fb82461beccef2cd2fe8750b43743ce7aad34220f19de4b0e5ec821a646代下ChatGPT的開端、發展和影響[J]科技情報研究，2023，5（2）：3747

[8]楊磊大模型的基石——Transformer框架[J]中國信息技術教育，2023（7）：8690

[9]吳砥，李環，陳旭人工智能通用大模型教育應用影響探析[J]開放教育研究，2023，29（2）：1925，45

[10]孫小程，羅茂林GPT4邁入應用層多家公司回應商業化進度[N]上海證券報，20230318（5）

[11]崔亮亮逐鹿大模型：從通用到專用[N]通信產業報，20230619（3）

[12]人工智能產業研究中心2023大模型現狀調查報告.（20230824）[20240824]https：//baijiahaobaiducom/s？id=1775063259580702525&wfr=spider&for=pc，2023

[13]嚴昊，劉禹良，金連文，等類ChatGPT大模型發展、應用和前景[J]中國圖象圖形學報，2023，28（9）：27492762

[14]陶建華，聶帥，車飛虎語言大模型的演進與啟示[J]中國科學基金，2023，37（5）：767775

[15]KRIZHEVSKY A，SUTSKEVER I，HINTON G EImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：8490

[16]MIKOLOV T，SUTSKEVER I，CHEN K，et alDistributed representations of words and phrases and their compositionality [J]Advances in Neural Information Processing Systems，2013（26）：31113119

[17]劉春潔加強高校科研經費管理的意義及對策[J]中國高校科技，2017（4）：2425

[18]張瀟霄，王煊，王磊，等基于預訓練語言模型的管制信息抽取方法[J]指揮控制與仿真，2023，45（2）：107111

[19]LONGPRE S，HOU L，VU T，et alThe flan collection：designing data and methods for effective instruction tuning（20230131）[20230817]https：//arxivorg/abs/230113688

[20]郭全中，張金熠ChatGPT的技術特征與應用前景[J]中國傳媒科技，2023（1）：159160

[21]CHRISTIANO P F，LEIKE J， BROWN T，et alDeep reinforcement learning from human preferences[J]Advances in Neural Information Processing Systems， 2017（12）：4302—4310

[22]張鐵男，張亞娟，楊亦可，等航天科研生產全面內部監督機制研究[J]航天工業管理，2007（1）：4144

[23]張鶴譯，王鑫，韓立帆，等大語言模型融合知識圖譜的問答系統研究[J]計算機科學與探索，2023，17（10）：23772388

收稿日期：20240409

作者簡介：

劉茜（通信作者）（1992—），女，工程師，研究方向：科研管理、力學測試。

楊修通（1991—），男，工程師，研究方向：科研管理。