《AI大模型催化企業(yè)數(shù)智化轉(zhuǎn)型》

《AI大模型催化企業(yè)數(shù)智化轉(zhuǎn)型》
——段方
某世界 100 強(qiáng)企業(yè)大數(shù)據(jù)/AI總設(shè)計(jì)師
教授 北京大學(xué)博士后
1 AI 大模型的概念和特點(diǎn)
1.1 什么是”大模型、多模態(tài)“？
1.2 大模型帶來了什么？
1.3 大模型為什么能產(chǎn)生質(zhì)變？
1.4 算法層面的躍升
1.4.1 RNN 到 transformor
1.4.2 擴(kuò)散模型 diffusion
1.4.3 跨模態(tài)的 CLIP 框架
1.5 AIGC 的耀眼成果
1.5.1 AI 的 “詩詞歌賦”
1.5.2 AI 的小說
1.5.3 AI 繪畫
1.5.4 AI 音樂
1.5.5 AI 主播等等
1.6 AIGC 的代表——chatGPT
1.6.1 chatGPT 的江浙發(fā)展報(bào)告
1.6.2 對(duì)圖靈測(cè)試的超越
1.6.3 普通人 or 專家？
1.6.4 ChatGPT 帶來的“爆品”
1.7 “大模型、多模態(tài)”推動(dòng)了 AI 的“質(zhì)變 ”
1.7.1 從傳統(tǒng)機(jī)器學(xué)習(xí)開始
1.7.2 深度學(xué)習(xí)開啟了“突破”
1.7.3 大模型帶來的“質(zhì)變”
1.7.4 AIGC 產(chǎn)生的合成數(shù)據(jù)
1.8 【思考】 AI 會(huì)有自我意識(shí)嗎？
1.9 【示例】附件——AIGC 帶來的藝術(shù)震撼
2 為什么是 chatGPT？
2.1 從 OpenAI 說起
2.1.1 馬斯克的 “沖動(dòng) ”
2.1.2 最大的閉源公司卻控股了最大的開源公司
2.1.3 微軟能彎道超車嗎？
2.2 GPT
2.2.1 參數(shù)擴(kuò)展到 1750 億
2.2.2 算力消耗驚人
2.2.3 數(shù)據(jù)的海量喂養(yǎng)
2.2.4 開源的資源投入
2.3 GPT 模型的演進(jìn)
2.3.1 GPT1 到 GPT2
2.3.2 GPT3
2.3.3 instructGPT
2.4 chatGPT 站在 GPT 之上
2.4.1 對(duì) GPT 的改進(jìn)
2.4.2 算力方面的消耗
2.4.3 大數(shù)據(jù)的收集和標(biāo)注
2.4.4 應(yīng)用場(chǎng)景的“耀眼 ”
2.5 chatGPT 的革新
2.5.1 chatGPT 不是“忽悠”
2.5.2 基于互聯(lián)網(wǎng)海量數(shù)據(jù)
2.5.3 算法領(lǐng)域的突破
2.5.4 NLP 領(lǐng)域的“厚積薄發(fā)”
2.5.5 肯尼亞小哥的 “標(biāo)注”
2.6 【思考】中國為什么沒有產(chǎn)生 chatGPT？
2.6.1 基礎(chǔ)研究的投入
2.6.2 開源文化的滲透
2.6.3 風(fēng)險(xiǎn)投資的機(jī)制
2.6.4 A100 芯片會(huì)是中國的“痛”嗎？
2.6.5 還有什么？
2.7 【示例】附件-chatGPT 的“神跡 ”
3 ChatGPT 基礎(chǔ)
3.1 基本算法的原理
3.1.1 從深度學(xué)習(xí)算法開始
3.1.2 強(qiáng)化學(xué)習(xí)算法
3.1.3 遷移學(xué)習(xí)算法
3.1.4 大模型算法等
3.2 Transformor 算法的原理
3.2.1 RNN 算法的原理
3.2.2 注意力機(jī)制
3.2.3 算法簡(jiǎn)介
3.3 diffusion 擴(kuò)散算法的基礎(chǔ)
3.3.1 噪音的概念
3.3.2 反向擴(kuò)散的原理
3.3.3 算法簡(jiǎn)介
3.4 CLIP 框架基礎(chǔ)
3.4.1 還有多模態(tài)
3.4.2 大模型+多模態(tài)
3.4.3 CLIP 框架原理
3.5 如何從 GPT 演化到 chatGPT？
3.5.1 數(shù)據(jù)標(biāo)注的變革
3.5.2 chatGPT 的復(fù)現(xiàn)為什么那么難？
3.5.3 還有什么秘密？
3.6 【思考】 chatGPT 能否超過人腦？
3.7 【示例】附件-chatGPT 使用示例
4 主流的 AI 大模型及實(shí)踐
4.1 OpenAI 的 chatGPT
4.1.1 chatGPT 基礎(chǔ)
4.1.2 Midjourney 基礎(chǔ)
4.2 谷歌的 PaLM 大模型
4.3 Meta 的 Llama(羊駝)大模型
4.4 清華大學(xué)的 chatGLM-6B
4.5 百度的文心一言
4.6 科大訊飛的星火
4.7 阿里的通義大模型
4.8 華為的盤古大模型
5 AI 大模型在企業(yè)應(yīng)用舉例
5.1 改良類應(yīng)用
5.1.1 從深度學(xué)習(xí)到大模型的精度躍升
5.1.2 預(yù)測(cè)類分析的改良效果
5.1.3 客戶分析的改良？
5.2 改革類應(yīng)用
5.2.1 改革類應(yīng)用的想象空間
5.2.2 智力大腦的“ 變革 ”
5.2.3 工業(yè)革命/智能革命的類比
5.3 設(shè)備監(jiān)控領(lǐng)域
5.3.1 設(shè)備的多模態(tài)監(jiān)控變革
5.3.2 故障學(xué)習(xí)智能
5.3.3 能否實(shí)現(xiàn)“ 自治網(wǎng)絡(luò)”？
5.4 客戶服務(wù)領(lǐng)域
5.4.1 AI 替代的人類客服
5.4.2 客服模式的“質(zhì)變 ”
5.4.3 客戶服務(wù)的“專家 ”
5.5 產(chǎn)品設(shè)計(jì)領(lǐng)域
5.5.1 AIGC 的“新 ”設(shè)計(jì)
5.5.2 AI 根據(jù)客戶反饋的“ 自動(dòng)修復(fù)”
5.5.3 產(chǎn)品設(shè)計(jì)的“個(gè)性化”
5.6 產(chǎn)品生產(chǎn)領(lǐng)域
5.6.1 產(chǎn)品的機(jī)器人生產(chǎn)
5.6.2 產(chǎn)品生產(chǎn)的智能監(jiān)控
5.6.3 AI 產(chǎn)品質(zhì)檢
5.7 產(chǎn)品的迭代
5.7.1 從大生產(chǎn)到個(gè)性生產(chǎn)的“質(zhì)變”
5.7.2 產(chǎn)品如何 AI 迭代設(shè)計(jì)？
5.7.3 產(chǎn)品的迭代反饋
5.8 供應(yīng)鏈領(lǐng)域
5.8.1 能否實(shí)現(xiàn) “零庫存 ”？
5.8.2 供應(yīng)鏈如何智能、顆?；?？
5.8.3 供應(yīng)鏈不僅是信息化，更需要智能化
5.9 【思考】 chatGPT 能否把所有的行業(yè)“ 重新”做一遍？
5.10 【示例】附件-chatGPT 的某些應(yīng)用領(lǐng)域示例
6 AI 大模型在電力行業(yè)應(yīng)用
6.1 AI 大模型賦能電力的“輸、發(fā)、配、變、用、調(diào)”
6.2 負(fù)荷波動(dòng)分析
6.3 能源需求預(yù)測(cè)
6.4 智能優(yōu)化調(diào)度
6.5 能源管理與智能控制
6.6 智能維護(hù)與故障預(yù)警
6.7 智能交互與用戶服務(wù)
7 AI 大模型的深遠(yuǎn)影響
7.1 AIGC 成為元宇宙的“ 生產(chǎn)力 ”
7.1.1 元宇宙需要大量的虛擬場(chǎng)景
7.1.2 AIGC 不僅是“裝修”
7.1.3 AIGC 如何設(shè)計(jì)營業(yè)廳？
7.1.4 AIGC 會(huì)成為“三體人”嗎？
7.2 AIGC 是否有原創(chuàng)？
7.2.1 藝術(shù)的原創(chuàng)定義
7.2.2 AIGC 的交叉創(chuàng)新
7.2.3 AIGC 的自主創(chuàng)新與自主意識(shí)
7.3 chatGPT 會(huì)替代人類的大腦嗎？
7.3.1 人腦的腦細(xì)胞限制
7.3.2 大模型的參數(shù)量突飛猛進(jìn)
7.3.3 數(shù)據(jù)量和算力優(yōu)勢(shì)
7.3.4 周鴻祎的“轉(zhuǎn)變 ”
7.4 chatGPT 對(duì)一些行業(yè)的影響
7.4.1 人腦創(chuàng)造了各個(gè)行業(yè)
7.4.2 AI 可以重塑各個(gè)行業(yè)
7.4.3 互聯(lián)網(wǎng)帶來電商， chatGPT 呢？
7.5 chatGPT 如何改變教育行業(yè)？
7.5.1 現(xiàn)有 K12 教育的初衷
7.5.2 還要“死記硬背 ”嗎？
7.5.3 創(chuàng)新能力的訓(xùn)練
7.5.4 AI 會(huì)替換 99%的人類嗎？
7.6 chatGPT 如何改變金融業(yè)？
7.6.1 金融的本質(zhì)是數(shù)學(xué)
7.6.2 華爾街的數(shù)學(xué)家會(huì)被 AI 替換嗎？
7.6.3 chatGPT 能否改寫“美元”霸權(quán)？
7.6.4 銀行的借貸能一直保護(hù)下去嗎？
7.7 chatGPT 是否會(huì)產(chǎn)生新的“洋槍洋炮 ”？
7.7.1 中國在工業(yè)革命的痛！
7.7.2 俄烏戰(zhàn)爭(zhēng)中的信息戰(zhàn)和智能戰(zhàn)
7.7.3 chatGPT 能替代“指揮員”嗎？
7.7.4 這是一次不能錯(cuò)過、也無法錯(cuò)過的戰(zhàn)略機(jī)遇
7.8 【思考】 chatGPT 如何改變自己的行業(yè)？
7.9 【案例】附件-chatGPT 對(duì)教育行業(yè)的沖擊
8 AI 大模型的反思
8.1 知識(shí)版權(quán)問題
8.1.1 工業(yè)革命產(chǎn)生現(xiàn)有知識(shí)產(chǎn)權(quán)體系
8.1.2 創(chuàng)造性的重新定義
8.1.3 哪些內(nèi)容還要保護(hù)？
8.2 信息安全問題
8.2.1 AI 黑客會(huì)比你還聰明嗎？
8.2.2 信息安全的現(xiàn)有模式面臨挑戰(zhàn)
8.2.3 大模型會(huì)改變現(xiàn)有的加密模式嗎？
8.2.4 矛和盾在比拼 AI 智能
8.3 政治影響問題
8.3.1 民主政治如何被操作？
8.3.2 互聯(lián)網(wǎng)數(shù)據(jù)的政治傾向
8.3.3 chatGPT 的政治傾向風(fēng)險(xiǎn)
8.3.4 會(huì)是下一個(gè)“總統(tǒng) ”的幕后嗎？
8.4 算力與能耗問題
8.4.1 算力消耗能量
8.4.2 中國能源大國的機(jī)遇
8.4.3 能耗與算力的國運(yùn)
8.5 chatGPT 后還有人口紅利嗎？
8.5.1 勞動(dòng)力的人口紅利
8.5.2 AI 能解決勞動(dòng)力短缺嗎？
8.5.3 AI 后人力價(jià)值在哪里？
8.6 【思考】 chatGPT 還需要哪些方面的反思？
9 總結(jié)

段方老師的其它課程