課程簡介
本課程旨在幫助學員全面、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）領域的核心概念、技術原理、前沿進展和企業(yè)級應用實踐。課程將從 AI 的思想源流和技術演進講起，重點剖析深度學習和 Transformer 架構如何驅動 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 的特點與適用場景。詳細講解檢索增強生成（RAG）等關鍵解決方案模式，并通過豐富的行業(yè)案例，展示 AIGC/LLM 如何在企業(yè)中創(chuàng)造價值。最后，課程將探討企業(yè)應用 AIGC 的最佳實踐與挑戰(zhàn)，以及伴隨技術發(fā)展而來的倫理與社會影響，幫助學員在擁抱技術的同時，承擔起相應的責任。
目標收益
?理解 AI、AIGC 和 LLM 領域的核心概念和技術原理。
?掌握深度學習和 Transformer 架構的關鍵技術細節(jié)。
?深入理解 LLM 的工作原理、能力與局限，以及 RAG 等關鍵解決方案模式。
?掌握評估和比較主流 LLM 的方法，能夠根據(jù)實際需求進行模型選型。
?了解 AIGC/LLM 在各行業(yè)的應用案例，掌握企業(yè)應用 AIGC 的最佳實踐。
?認識到 AIGC 技術帶來的倫理和社會影響，能夠負責任地推動技術發(fā)展。
培訓對象
?對人工智能、AIGC 和 LLM 感興趣的技術人員、產(chǎn)品經(jīng)理、項目經(jīng)理、管理人員和創(chuàng)業(yè)者。
?希望了解 AIGC/LLM 技術原理及其應用場景的在校學生和研究人員。
?希望將 AIGC/LLM 技術應用于企業(yè)實際業(yè)務，提升效率、降低成本、驅動創(chuàng)新的專業(yè)人士。
?關注人工智能倫理和社會影響，希望負責任地推動技術發(fā)展的相關人士。
課程大綱
| 模塊 1：AI 與 AIGC 浪潮：從基礎到前沿 - 知識背景與脈絡梳理 |
?AI 基礎回顧與演進： –AI 的起源與夢想，符號主義與連接主義的比較 –機器學習核心概念：監(jiān)督學習、無監(jiān)督學習、強化學習 –深度學習：連接主義的復興與突破 ?為何深度學習成為當前 AI 突破的關鍵？ ?AIGC 的爆發(fā)與驅動力： –定義與范疇 –關鍵驅動因素：算法（Transformer）、算力、數(shù)據(jù) –AIGC 發(fā)展時間線關鍵節(jié)點（近三年重點） |
| 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 –關鍵要素拆解 –關鍵特征：強大語言能力、通用性、涌現(xiàn)能力、上下文學習 ?LLM 工作原理解密：揭開“黑盒”的面紗 –核心架構：Transformer （再深入） –訓練流程：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 ?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 為標桿） –國內(nèi)主流 LLM （以 DeepSeek V3/R1 為標桿） ?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 解決方案與應用案例 |
?核心解決方案模式：檢索增強生成 （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) –何時用 RAG？何時用微調(diào)？ ?更深層次的定制：訓練/蒸餾細分領域模型 （Brief Mention） ?業(yè)界成熟應用案例剖析 —— AIGC/LLM 價值落地 –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)級應用 |
| 模塊 5：企業(yè)內(nèi)部 AIGC 應用的最佳實踐與挑戰(zhàn) |
?制定 AIGC 戰(zhàn)略 —— 指明方向，謀定而后動 –目標導向、場景選擇、衡量指標 ?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、訪問控制與權限管理 ?模型選擇與集成 —— 平衡藝術與工程挑戰(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 —— 精打細算，降本增效 ?負責任的 AI （Responsible AI） —— 規(guī)避風險，建立信任 ?人才培養(yǎng)與組織變革 —— 賦能于人，適應未來 |
| 模塊 6：總結、倫理挑戰(zhàn)與未來展望 |
?關鍵知識點回顧 —— 串珠成鏈，構建體系 ?倫理挑戰(zhàn)與社會影響再探討 —— 深思熟慮，責任在肩 –深度偽造、就業(yè)沖擊、知識產(chǎn)權與版權、偏見與歧視、能源消耗、數(shù)字鴻溝 ?未來趨勢 —— 持續(xù)演進，智能無界 –更強、更原生的多模態(tài)，AI Agent 的興起，個性化與情境化，端側 LLM 與效率提升，可解釋性與可控性提升，與物理世界融合 ?學習資源推薦——持續(xù)探索的起點 |
|
模塊 1：AI 與 AIGC 浪潮：從基礎到前沿 - 知識背景與脈絡梳理 ?AI 基礎回顧與演進： –AI 的起源與夢想，符號主義與連接主義的比較 –機器學習核心概念：監(jiān)督學習、無監(jiān)督學習、強化學習 –深度學習：連接主義的復興與突破 ?為何深度學習成為當前 AI 突破的關鍵？ ?AIGC 的爆發(fā)與驅動力： –定義與范疇 –關鍵驅動因素：算法（Transformer）、算力、數(shù)據(jù) –AIGC 發(fā)展時間線關鍵節(jié)點（近三年重點） |
|
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 –關鍵要素拆解 –關鍵特征：強大語言能力、通用性、涌現(xiàn)能力、上下文學習 ?LLM 工作原理解密：揭開“黑盒”的面紗 –核心架構：Transformer （再深入） –訓練流程：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 ?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 為標桿） –國內(nèi)主流 LLM （以 DeepSeek V3/R1 為標桿） ?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 解決方案與應用案例 ?核心解決方案模式：檢索增強生成 （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) –何時用 RAG？何時用微調(diào)？ ?更深層次的定制：訓練/蒸餾細分領域模型 （Brief Mention） ?業(yè)界成熟應用案例剖析 —— AIGC/LLM 價值落地 –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)級應用 |
|
模塊 5：企業(yè)內(nèi)部 AIGC 應用的最佳實踐與挑戰(zhàn) ?制定 AIGC 戰(zhàn)略 —— 指明方向，謀定而后動 –目標導向、場景選擇、衡量指標 ?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、訪問控制與權限管理 ?模型選擇與集成 —— 平衡藝術與工程挑戰(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 —— 精打細算，降本增效 ?負責任的 AI （Responsible AI） —— 規(guī)避風險，建立信任 ?人才培養(yǎng)與組織變革 —— 賦能于人，適應未來 |
|
模塊 6：總結、倫理挑戰(zhàn)與未來展望 ?關鍵知識點回顧 —— 串珠成鏈，構建體系 ?倫理挑戰(zhàn)與社會影響再探討 —— 深思熟慮，責任在肩 –深度偽造、就業(yè)沖擊、知識產(chǎn)權與版權、偏見與歧視、能源消耗、數(shù)字鴻溝 ?未來趨勢 —— 持續(xù)演進，智能無界 –更強、更原生的多模態(tài)，AI Agent 的興起，個性化與情境化，端側 LLM 與效率提升，可解釋性與可控性提升，與物理世界融合 ?學習資源推薦——持續(xù)探索的起點 |
近期公開課推薦
