課程簡介
本課程旨在幫助學(xué)員全面、深入地理解人工智能（AI）、人工智能生成內(nèi)容（AIGC）和大型語言模型（LLM）領(lǐng)域的核心概念、技術(shù)原理、前沿進(jìn)展和企業(yè)級應(yīng)用實(shí)踐。課程將從 AI 的思想源流和技術(shù)演進(jìn)講起，重點(diǎn)剖析深度學(xué)習(xí)和 Transformer 架構(gòu)如何驅(qū)動(dòng) AIGC 的爆發(fā)。深入解析 LLM 的工作原理、能力與局限，并對比分析主流 LLM 的特點(diǎn)與適用場景。詳細(xì)講解檢索增強(qiáng)生成（RAG）等關(guān)鍵解決方案模式，并通過豐富的行業(yè)案例，展示 AIGC/LLM 如何在企業(yè)中創(chuàng)造價(jià)值。最后，課程將探討企業(yè)應(yīng)用 AIGC 的最佳實(shí)踐與挑戰(zhàn)，以及伴隨技術(shù)發(fā)展而來的倫理與社會(huì)影響，幫助學(xué)員在擁抱技術(shù)的同時(shí)，承擔(dān)起相應(yīng)的責(zé)任。
目標(biāo)收益
?理解 AI、AIGC 和 LLM 領(lǐng)域的核心概念和技術(shù)原理。
?掌握深度學(xué)習(xí)和 Transformer 架構(gòu)的關(guān)鍵技術(shù)細(xì)節(jié)。
?深入理解 LLM 的工作原理、能力與局限，以及 RAG 等關(guān)鍵解決方案模式。
?掌握評估和比較主流 LLM 的方法，能夠根據(jù)實(shí)際需求進(jìn)行模型選型。
?了解 AIGC/LLM 在各行業(yè)的應(yīng)用案例，掌握企業(yè)應(yīng)用 AIGC 的最佳實(shí)踐。
?認(rèn)識到 AIGC 技術(shù)帶來的倫理和社會(huì)影響，能夠負(fù)責(zé)任地推動(dòng)技術(shù)發(fā)展。
培訓(xùn)對象
?對人工智能、AIGC 和 LLM 感興趣的技術(shù)人員、產(chǎn)品經(jīng)理、項(xiàng)目經(jīng)理、管理人員和創(chuàng)業(yè)者。
?希望了解 AIGC/LLM 技術(shù)原理及其應(yīng)用場景的在校學(xué)生和研究人員。
?希望將 AIGC/LLM 技術(shù)應(yīng)用于企業(yè)實(shí)際業(yè)務(wù)，提升效率、降低成本、驅(qū)動(dòng)創(chuàng)新的專業(yè)人士。
?關(guān)注人工智能倫理和社會(huì)影響，希望負(fù)責(zé)任地推動(dòng)技術(shù)發(fā)展的相關(guān)人士。
課程大綱
| 模塊 1：AI 與 AIGC 浪潮：從基礎(chǔ)到前沿 - 知識背景與脈絡(luò)梳理 |
?AI 基礎(chǔ)回顧與演進(jìn)： –AI 的起源與夢想，符號主義與連接主義的比較 –機(jī)器學(xué)習(xí)核心概念：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí) –深度學(xué)習(xí)：連接主義的復(fù)興與突破 ?為何深度學(xué)習(xí)成為當(dāng)前 AI 突破的關(guān)鍵？ ?AIGC 的爆發(fā)與驅(qū)動(dòng)力： –定義與范疇 –關(guān)鍵驅(qū)動(dòng)因素：算法（Transformer）、算力、數(shù)據(jù) –AIGC 發(fā)展時(shí)間線關(guān)鍵節(jié)點(diǎn)（近三年重點(diǎn)） |
| 模塊 2：大型語言模型（LLM）深度解析 |
?LLM 定義與核心特征：“大”帶來的質(zhì)變 –關(guān)鍵要素拆解 –關(guān)鍵特征：強(qiáng)大語言能力、通用性、涌現(xiàn)能力、上下文學(xué)習(xí) ?LLM 工作原理解密：揭開“黑盒”的面紗 –核心架構(gòu)：Transformer （再深入） –訓(xùn)練流程：從“通才”到“專才”再到“對齊” –推理 （Inference）：模型如何“說話” ?LLM 的“幻覺” （Hallucination） 問題：能力伴生的陰影 |
| 模塊 3：主流 LLM 橫向比較與選型考量 |
?市場格局概覽：群雄逐鹿的時(shí)代 –主要玩家陣營：國際巨頭、開源力量、國內(nèi)主要玩家 –格局特點(diǎn) ?核心評估維度：如何衡量與比較 LLM？ –性能 （Performance） –多模態(tài)能力 （Multi-modal Capability） –上下文窗口 （Context Window） –開源 vs。 閉源 –API 易用性 & 成本 –特定能力傾向 ?代表性 LLM 深度比較 –國際主流 LLM （以 OpenAI GPT-4o/GPT-4 為標(biāo)桿） –國內(nèi)主流 LLM （以 DeepSeek V3/R1 為標(biāo)桿） ?模型選型考量因素：從需求出發(fā)的綜合決策 |
| 模塊 4：成熟 AIGC 解決方案與應(yīng)用案例 |
?核心解決方案模式：檢索增強(qiáng)生成 （RAG） —— 讓 LLM“開卷考試” –為何需要 RAG？ –RAG 工作流程 –RAG 的優(yōu)勢與挑戰(zhàn) ?微調(diào) （Fine-tuning） —— 塑造 LLM 的“行為習(xí)慣”與“專業(yè)技能” –什么是微調(diào)？ –微調(diào)的核心優(yōu)勢與適用場景 –微調(diào)的核心劣勢與挑戰(zhàn) –何時(shí)用 RAG？何時(shí)用微調(diào)？ ?更深層次的定制：訓(xùn)練/蒸餾細(xì)分領(lǐng)域模型 （Brief Mention） ?業(yè)界成熟應(yīng)用案例剖析 —— AIGC/LLM 價(jià)值落地 –智能客服/虛擬助手、企業(yè)知識庫問答、代碼生成與輔助、自動(dòng)化內(nèi)容創(chuàng)作、數(shù)據(jù)分析等 ?主流云廠商 AIGC 平臺 —— 賦能企業(yè)級應(yīng)用 |
| 模塊 5：企業(yè)內(nèi)部 AIGC 應(yīng)用的最佳實(shí)踐與挑戰(zhàn) |
?制定 AIGC 戰(zhàn)略 —— 指明方向，謀定而后動(dòng) –目標(biāo)導(dǎo)向、場景選擇、衡量指標(biāo) ?數(shù)據(jù)隱私與安全 —— 不可逾越的紅線 –API 數(shù)據(jù)策略評估、私有化部署、數(shù)據(jù)脫敏、訪問控制與權(quán)限管理 ?模型選擇與集成 —— 平衡藝術(shù)與工程挑戰(zhàn) –"造" vs。 "買" vs。 "改"、集成挑戰(zhàn) ?提示工程 （Prompt Engineering） 的企業(yè)化 —— 發(fā)揮 LLM 潛力的鑰匙 ?成本管理與優(yōu)化 —— 精打細(xì)算，降本增效 ?負(fù)責(zé)任的 AI （Responsible AI） —— 規(guī)避風(fēng)險(xiǎn)，建立信任 ?人才培養(yǎng)與組織變革 —— 賦能于人，適應(yīng)未來 |
| 模塊 6：總結(jié)、倫理挑戰(zhàn)與未來展望 |
?關(guān)鍵知識點(diǎn)回顧 —— 串珠成鏈，構(gòu)建體系 ?倫理挑戰(zhàn)與社會(huì)影響再探討 —— 深思熟慮，責(zé)任在肩 –深度偽造、就業(yè)沖擊、知識產(chǎn)權(quán)與版權(quán)、偏見與歧視、能源消耗、數(shù)字鴻溝 ?未來趨勢 —— 持續(xù)演進(jìn)，智能無界 –更強(qiáng)、更原生的多模態(tài)，AI Agent 的興起，個(gè)性化與情境化，端側(cè) LLM 與效率提升，可解釋性與可控性提升，與物理世界融合 ?學(xué)習(xí)資源推薦——持續(xù)探索的起點(diǎn) |
|
模塊 1：AI 與 AIGC 浪潮：從基礎(chǔ)到前沿 - 知識背景與脈絡(luò)梳理 ?AI 基礎(chǔ)回顧與演進(jìn)： –AI 的起源與夢想，符號主義與連接主義的比較 –機(jī)器學(xué)習(xí)核心概念：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí) –深度學(xué)習(xí)：連接主義的復(fù)興與突破 ?為何深度學(xué)習(xí)成為當(dāng)前 AI 突破的關(guān)鍵？ ?AIGC 的爆發(fā)與驅(qū)動(dòng)力： –定義與范疇 –關(guān)鍵驅(qū)動(dòng)因素：算法（Transformer）、算力、數(shù)據(jù) –AIGC 發(fā)展時(shí)間線關(guān)鍵節(jié)點(diǎn)（近三年重點(diǎn)） |
|
模塊 2：大型語言模型（LLM）深度解析 ?LLM 定義與核心特征：“大”帶來的質(zhì)變 –關(guān)鍵要素拆解 –關(guān)鍵特征：強(qiáng)大語言能力、通用性、涌現(xiàn)能力、上下文學(xué)習(xí) ?LLM 工作原理解密：揭開“黑盒”的面紗 –核心架構(gòu)：Transformer （再深入） –訓(xùn)練流程：從“通才”到“專才”再到“對齊” –推理 （Inference）：模型如何“說話” ?LLM 的“幻覺” （Hallucination） 問題：能力伴生的陰影 |
|
模塊 3：主流 LLM 橫向比較與選型考量 ?市場格局概覽：群雄逐鹿的時(shí)代 –主要玩家陣營：國際巨頭、開源力量、國內(nèi)主要玩家 –格局特點(diǎn) ?核心評估維度：如何衡量與比較 LLM？ –性能 （Performance） –多模態(tài)能力 （Multi-modal Capability） –上下文窗口 （Context Window） –開源 vs。 閉源 –API 易用性 & 成本 –特定能力傾向 ?代表性 LLM 深度比較 –國際主流 LLM （以 OpenAI GPT-4o/GPT-4 為標(biāo)桿） –國內(nèi)主流 LLM （以 DeepSeek V3/R1 為標(biāo)桿） ?模型選型考量因素：從需求出發(fā)的綜合決策 |
|
模塊 4：成熟 AIGC 解決方案與應(yīng)用案例 ?核心解決方案模式：檢索增強(qiáng)生成 （RAG） —— 讓 LLM“開卷考試” –為何需要 RAG？ –RAG 工作流程 –RAG 的優(yōu)勢與挑戰(zhàn) ?微調(diào) （Fine-tuning） —— 塑造 LLM 的“行為習(xí)慣”與“專業(yè)技能” –什么是微調(diào)？ –微調(diào)的核心優(yōu)勢與適用場景 –微調(diào)的核心劣勢與挑戰(zhàn) –何時(shí)用 RAG？何時(shí)用微調(diào)？ ?更深層次的定制：訓(xùn)練/蒸餾細(xì)分領(lǐng)域模型 （Brief Mention） ?業(yè)界成熟應(yīng)用案例剖析 —— AIGC/LLM 價(jià)值落地 –智能客服/虛擬助手、企業(yè)知識庫問答、代碼生成與輔助、自動(dòng)化內(nèi)容創(chuàng)作、數(shù)據(jù)分析等 ?主流云廠商 AIGC 平臺 —— 賦能企業(yè)級應(yīng)用 |
|
模塊 5：企業(yè)內(nèi)部 AIGC 應(yīng)用的最佳實(shí)踐與挑戰(zhàn) ?制定 AIGC 戰(zhàn)略 —— 指明方向，謀定而后動(dòng) –目標(biāo)導(dǎo)向、場景選擇、衡量指標(biāo) ?數(shù)據(jù)隱私與安全 —— 不可逾越的紅線 –API 數(shù)據(jù)策略評估、私有化部署、數(shù)據(jù)脫敏、訪問控制與權(quán)限管理 ?模型選擇與集成 —— 平衡藝術(shù)與工程挑戰(zhàn) –"造" vs。 "買" vs。 "改"、集成挑戰(zhàn) ?提示工程 （Prompt Engineering） 的企業(yè)化 —— 發(fā)揮 LLM 潛力的鑰匙 ?成本管理與優(yōu)化 —— 精打細(xì)算，降本增效 ?負(fù)責(zé)任的 AI （Responsible AI） —— 規(guī)避風(fēng)險(xiǎn)，建立信任 ?人才培養(yǎng)與組織變革 —— 賦能于人，適應(yīng)未來 |
|
模塊 6：總結(jié)、倫理挑戰(zhàn)與未來展望 ?關(guān)鍵知識點(diǎn)回顧 —— 串珠成鏈，構(gòu)建體系 ?倫理挑戰(zhàn)與社會(huì)影響再探討 —— 深思熟慮，責(zé)任在肩 –深度偽造、就業(yè)沖擊、知識產(chǎn)權(quán)與版權(quán)、偏見與歧視、能源消耗、數(shù)字鴻溝 ?未來趨勢 —— 持續(xù)演進(jìn)，智能無界 –更強(qiáng)、更原生的多模態(tài)，AI Agent 的興起，個(gè)性化與情境化，端側(cè) LLM 與效率提升，可解釋性與可控性提升，與物理世界融合 ?學(xué)習(xí)資源推薦——持續(xù)探索的起點(diǎn) |
近期公開課推薦
