课程简介
本课程旨在帮助学员全面、深入地理解人工智能（AI）、人工智能生成内容（AIGC）和大型语言模型（LLM）领域的核心概念、技术原理、前沿进展和企业级应用实践。课程将从 AI 的思想源流和技术演进讲起，重点剖析深度学习和 Transformer 架构如何驱动 AIGC 的爆发。深入解析 LLM 的工作原理、能力与局限，并对比分析主流 LLM 的特点与适用场景。详细讲解检索增强生成（RAG）等关键解决方案模式，并通过丰富的行业案例，展示 AIGC/LLM 如何在企业中创造价值。最后，课程将探讨企业应用 AIGC 的最佳实践与挑战，以及伴随技术发展而来的伦理与社会影响，帮助学员在拥抱技术的同时，承担起相应的责任。
目标收益
•理解 AI、AIGC 和 LLM 领域的核心概念和技术原理。
•掌握深度学习和 Transformer 架构的关键技术细节。
•深入理解 LLM 的工作原理、能力与局限，以及 RAG 等关键解决方案模式。
•掌握评估和比较主流 LLM 的方法，能够根据实际需求进行模型选型。
•了解 AIGC/LLM 在各行业的应用案例，掌握企业应用 AIGC 的最佳实践。
•认识到 AIGC 技术带来的伦理和社会影响，能够负责任地推动技术发展。
培训对象
•对人工智能、AIGC 和 LLM 感兴趣的技术人员、产品经理、项目经理、管理人员和创业者。
•希望了解 AIGC/LLM 技术原理及其应用场景的在校学生和研究人员。
•希望将 AIGC/LLM 技术应用于企业实际业务，提升效率、降低成本、驱动创新的专业人士。
•关注人工智能伦理和社会影响，希望负责任地推动技术发展的相关人士。
课程大纲
| 模块 1：AI 与 AIGC 浪潮：从基础到前沿 - 知识背景与脉络梳理 |
•AI 基础回顾与演进： –AI 的起源与梦想，符号主义与连接主义的比较 –机器学习核心概念：监督学习、无监督学习、强化学习 –深度学习：连接主义的复兴与突破 •为何深度学习成为当前 AI 突破的关键？ •AIGC 的爆发与驱动力： –定义与范畴 –关键驱动因素：算法（Transformer）、算力、数据 –AIGC 发展时间线关键节点（近三年重点） |
| 模块 2：大型语言模型（LLM）深度解析 |
•LLM 定义与核心特征：“大”带来的质变 –关键要素拆解 –关键特征：强大语言能力、通用性、涌现能力、上下文学习 •LLM 工作原理解密：揭开“黑盒”的面纱 –核心架构：Transformer （再深入） –训练流程：从“通才”到“专才”再到“对齐” –推理 （Inference）：模型如何“说话” •LLM 的“幻觉” （Hallucination） 问题：能力伴生的阴影 |
| 模块 3：主流 LLM 横向比较与选型考量 |
•市场格局概览：群雄逐鹿的时代 –主要玩家阵营：国际巨头、开源力量、国内主要玩家 –格局特点 •核心评估维度：如何衡量与比较 LLM？ –性能 （Performance） –多模态能力 （Multi-modal Capability） –上下文窗口 （Context Window） –开源 vs。 闭源 –API 易用性 & 成本 –特定能力倾向 •代表性 LLM 深度比较 –国际主流 LLM （以 OpenAI GPT-4o/GPT-4 为标杆） –国内主流 LLM （以 DeepSeek V3/R1 为标杆） •模型选型考量因素：从需求出发的综合决策 |
| 模块 4：成熟 AIGC 解决方案与应用案例 |
•核心解决方案模式：检索增强生成 （RAG） —— 让 LLM“开卷考试” –为何需要 RAG？ –RAG 工作流程 –RAG 的优势与挑战 •微调 （Fine-tuning） —— 塑造 LLM 的“行为习惯”与“专业技能” –什么是微调？ –微调的核心优势与适用场景 –微调的核心劣势与挑战 –何时用 RAG？何时用微调？ •更深层次的定制：训练/蒸馏细分领域模型 （Brief Mention） •业界成熟应用案例剖析 —— AIGC/LLM 价值落地 –智能客服/虚拟助手、企业知识库问答、代码生成与辅助、自动化内容创作、数据分析等 •主流云厂商 AIGC 平台 —— 赋能企业级应用 |
| 模块 5：企业内部 AIGC 应用的最佳实践与挑战 |
•制定 AIGC 战略 —— 指明方向，谋定而后动 –目标导向、场景选择、衡量指标 •数据隐私与安全 —— 不可逾越的红线 –API 数据策略评估、私有化部署、数据脱敏、访问控制与权限管理 •模型选择与集成 —— 平衡艺术与工程挑战 –"造" vs。 "买" vs。 "改"、集成挑战 •提示工程 （Prompt Engineering） 的企业化 —— 发挥 LLM 潜力的钥匙 •成本管理与优化 —— 精打细算，降本增效 •负责任的 AI （Responsible AI） —— 规避风险，建立信任 •人才培养与组织变革 —— 赋能于人，适应未来 |
| 模块 6：总结、伦理挑战与未来展望 |
•关键知识点回顾 —— 串珠成链，构建体系 •伦理挑战与社会影响再探讨 —— 深思熟虑，责任在肩 –深度伪造、就业冲击、知识产权与版权、偏见与歧视、能源消耗、数字鸿沟 •未来趋势 —— 持续演进，智能无界 –更强、更原生的多模态，AI Agent 的兴起，个性化与情境化，端侧 LLM 与效率提升，可解释性与可控性提升，与物理世界融合 •学习资源推荐——持续探索的起点 |
|
模块 1：AI 与 AIGC 浪潮：从基础到前沿 - 知识背景与脉络梳理 •AI 基础回顾与演进： –AI 的起源与梦想，符号主义与连接主义的比较 –机器学习核心概念：监督学习、无监督学习、强化学习 –深度学习：连接主义的复兴与突破 •为何深度学习成为当前 AI 突破的关键？ •AIGC 的爆发与驱动力： –定义与范畴 –关键驱动因素：算法（Transformer）、算力、数据 –AIGC 发展时间线关键节点（近三年重点） |
|
模块 2：大型语言模型（LLM）深度解析 •LLM 定义与核心特征：“大”带来的质变 –关键要素拆解 –关键特征：强大语言能力、通用性、涌现能力、上下文学习 •LLM 工作原理解密：揭开“黑盒”的面纱 –核心架构：Transformer （再深入） –训练流程：从“通才”到“专才”再到“对齐” –推理 （Inference）：模型如何“说话” •LLM 的“幻觉” （Hallucination） 问题：能力伴生的阴影 |
|
模块 3：主流 LLM 横向比较与选型考量 •市场格局概览：群雄逐鹿的时代 –主要玩家阵营：国际巨头、开源力量、国内主要玩家 –格局特点 •核心评估维度：如何衡量与比较 LLM？ –性能 （Performance） –多模态能力 （Multi-modal Capability） –上下文窗口 （Context Window） –开源 vs。 闭源 –API 易用性 & 成本 –特定能力倾向 •代表性 LLM 深度比较 –国际主流 LLM （以 OpenAI GPT-4o/GPT-4 为标杆） –国内主流 LLM （以 DeepSeek V3/R1 为标杆） •模型选型考量因素：从需求出发的综合决策 |
|
模块 4：成熟 AIGC 解决方案与应用案例 •核心解决方案模式：检索增强生成 （RAG） —— 让 LLM“开卷考试” –为何需要 RAG？ –RAG 工作流程 –RAG 的优势与挑战 •微调 （Fine-tuning） —— 塑造 LLM 的“行为习惯”与“专业技能” –什么是微调？ –微调的核心优势与适用场景 –微调的核心劣势与挑战 –何时用 RAG？何时用微调？ •更深层次的定制：训练/蒸馏细分领域模型 （Brief Mention） •业界成熟应用案例剖析 —— AIGC/LLM 价值落地 –智能客服/虚拟助手、企业知识库问答、代码生成与辅助、自动化内容创作、数据分析等 •主流云厂商 AIGC 平台 —— 赋能企业级应用 |
|
模块 5：企业内部 AIGC 应用的最佳实践与挑战 •制定 AIGC 战略 —— 指明方向，谋定而后动 –目标导向、场景选择、衡量指标 •数据隐私与安全 —— 不可逾越的红线 –API 数据策略评估、私有化部署、数据脱敏、访问控制与权限管理 •模型选择与集成 —— 平衡艺术与工程挑战 –"造" vs。 "买" vs。 "改"、集成挑战 •提示工程 （Prompt Engineering） 的企业化 —— 发挥 LLM 潜力的钥匙 •成本管理与优化 —— 精打细算，降本增效 •负责任的 AI （Responsible AI） —— 规避风险，建立信任 •人才培养与组织变革 —— 赋能于人，适应未来 |
|
模块 6：总结、伦理挑战与未来展望 •关键知识点回顾 —— 串珠成链，构建体系 •伦理挑战与社会影响再探讨 —— 深思熟虑，责任在肩 –深度伪造、就业冲击、知识产权与版权、偏见与歧视、能源消耗、数字鸿沟 •未来趋势 —— 持续演进，智能无界 –更强、更原生的多模态，AI Agent 的兴起，个性化与情境化，端侧 LLM 与效率提升，可解释性与可控性提升，与物理世界融合 •学习资源推荐——持续探索的起点 |
近期公开课推荐
