AI大模型（AIGC類(lèi)）的原理及應(yīng)用

《AI 大模型（AIGC 類(lèi)）的企業(yè)應(yīng)用》
段方
某世界 100 強(qiáng)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(lái)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(shī)詞歌賦”
1.5.2 AI 的小說(shuō)
1.5.3 AI 繪畫(huà)
1.5.4 AI 音樂(lè)
1.5.5 AI 主播等等
1.6 AIGC 的代表——chatGPT
1.6.1 從 NLP 開(kāi)始的 chatGPT
1.6.2 chatGPT 的“江浙發(fā)展報(bào)告 ”
1.6.3 對(duì)圖靈測(cè)試的超越
1.6.4 普通人 or 專(zhuān)家？
1.6.5 ChatGPT 帶來(lái)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(kāi)始
1.7.2 深度學(xué)習(xí)開(kāi)啟了“突破”
1.7.3 大模型帶來(lái)的“質(zhì)變”
1.7.4 AIGC 產(chǎn)生的合成數(shù)據(jù)
1.8 從 SaaS 到 MaaS
1.8.1 AIGC 開(kāi)辟了 MaaS 模式
1.8.2 模型調(diào)用 orAPI 調(diào)用
1.8.3 產(chǎn)品解決方案層級(jí)
1.8.4 面向行業(yè)大模型
1.9 【思考】 AI 會(huì)有自我意識(shí)嗎？
1.10 【示例】附件——AIGC 帶來(lái)的藝術(shù)震撼
2 為什么是 chatGPT？
2.1 從 OpenAI 說(shuō)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(kāi)源公司
2.1.3 微軟能彎道超車(chē)嗎？
2.2 GPT 模型的特點(diǎn)
2.2.1 GPT3.5 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(kāi)源的資源投入
2.2.5 訓(xùn)練框架的研究
2.3 GPT 模型的演進(jìn)
2.3.1 GPT1 到 GPT2
2.3.2 GPT3
2.3.3 instructGPT
2.3.4 GPT4
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 chatGPT 的商業(yè)模式創(chuàng)新
2.6.1 從閉源說(shuō)起。。。
2.6.2 嵌入 office 產(chǎn)品體系
2.6.3 提供個(gè)人客戶服務(wù)
2.6.4 支撐 2B 客戶市場(chǎng)
2.6.5 通用大模型的擴(kuò)展空間
2.7 【思考】中國(guó)為什么沒(méi)有產(chǎn)生 chatGPT？
2.7.1 基礎(chǔ)研究的投入
2.7.2 開(kāi)源文化的滲透
2.7.3 風(fēng)險(xiǎn)投資的機(jī)制
2.7.4 A100 芯片會(huì)是中國(guó)的“痛” 嗎？
2.7.5 還有什么？
2.8 【示例】附件-chatGPT 的“神跡 ”
3 chatGPT 的原理
3.1 GPT3.5 的原理
3.1.1 GPT 的 原理
3.1.2 大參數(shù)帶來(lái)的“涌現(xiàn)”
3.1.3 數(shù)據(jù) or 算法 or 框架?
3.2 chatGPT 的應(yīng)用場(chǎng)景
3.2.1 文本生產(chǎn)
3.2.2 語(yǔ)言理解
3.2.3 文本分類(lèi)
3.2.4 問(wèn)答等
3.3 chatGPT 的訓(xùn)練框架
3.3.1 chatGPT 的系統(tǒng)環(huán)境
3.3.2 訓(xùn)練框架
3.3.3 人工的介入
3.3.4 知識(shí)倫理
3.3.5 推理模型
3.4 【思考】 GPT5 會(huì)更驚艷嗎？
3.5 【示例】附件-chatGPT 使用示例
4 AIGC 基礎(chǔ)
4.1 UGC/PGC/AIGC 的演化
4.1.1 UGC/PGC
4.1.2 AIGC 改變了大數(shù)據(jù)的產(chǎn)生邏輯
4.1.3 AIGC 改寫(xiě)人類(lèi)創(chuàng)造模式
4.1.4 AIGC 推動(dòng)元宇宙的內(nèi)容設(shè)計(jì)
4.2 基本算法的原理
4.2.1 從深度學(xué)習(xí)算法開(kāi)始
4.2.2 強(qiáng)化學(xué)習(xí)算法
4.2.3 遷移學(xué)習(xí)算法
4.2.4 大模型算法等
4.3 Transformor 算法的原理
4.3.1 RNN 算法的原理
4.3.2 注意力機(jī)制
4.3.3 算法簡(jiǎn)介
4.4 Diffusion 擴(kuò)散算法的基礎(chǔ)
4.4.1 噪音的概念
4.4.2 反向擴(kuò)散的原理
4.4.3 算法簡(jiǎn)介
4.5 CLIP 框架基礎(chǔ)
4.5.1 還有多模態(tài)
4.5.2 大模型+多模態(tài)
4.5.3 CLIP 框架原理
4.6 如何從 GPT 演化到 chatGPT？
4.6.1 數(shù)據(jù)標(biāo)注的變革
4.6.2 chatGPT 的復(fù)現(xiàn)為什么那么難？
4.6.3 還有什么秘密？
4.7 國(guó)內(nèi)的 AIGC 產(chǎn)業(yè)發(fā)展
4.7.1 從百度的“文心一言”開(kāi)始
4.7.2 山寨 chatGPT 的模式
4.7.3 解決 AIGC 體系架構(gòu)問(wèn)題
4.7.4 算力網(wǎng)絡(luò)緩解“算力 ”瓶頸
4.8 【思考】 chatGPT 能否超過(guò)人腦？
4.9 【示例】附件-AIGC 基礎(chǔ)算法原理
5 AIGC 編程
5.1 Copilot X 的自動(dòng)編程
5.1.1 開(kāi)源文化的啟發(fā)
5.1.2 自主編程的原理
5.1.3 自主編程的演示
5.2 GPT 的相關(guān)版本
5.2.1 谷歌的 BARD
5.2.2 chatGPT 的插件
5.2.3 微軟開(kāi)源的 SDK:semantic-kernel
5.2.4 命令行的 Shell GPT
5.2.5 飛書(shū) GPT
5.2.6 代碼搜索引擎 bloop
5.3 DALLE2 基礎(chǔ)
5.3.1 DALLE2 基礎(chǔ)框架
5.3.2 DALLE2 的應(yīng)用場(chǎng)景
5.3.3 DALLE2 的使用演示
5.4 CLIP 基礎(chǔ)框架
5.4.1 CLIP 的原理
5.4.2 CLIP 的對(duì)比結(jié)構(gòu)
GAN
AutoEncoder
DAE 等
5.4.3 CLIP 的應(yīng)用場(chǎng)景
5.5 【思考】 AIGC 會(huì)改變哪些工作內(nèi)容？
5.6 【示例】附件-AIGC 的編程介紹
6 AIGC 的企業(yè)應(yīng)用場(chǎng)景舉例
6.1 改良類(lèi)應(yīng)用
6.1.1 從深度學(xué)習(xí)到大模型的精度躍升
6.1.2 預(yù)測(cè)類(lèi)分析的改良效果
6.1.3 客戶價(jià)值分析的改良？
6.2 改革類(lèi)應(yīng)用
6.2.1 改革類(lèi)應(yīng)用的想象空間
6.2.2 智力大腦的“ 變革 ”
6.2.3 工業(yè)革命/智能革命的類(lèi)比
6.3 客戶營(yíng)銷(xiāo)領(lǐng)域
6.3.1 客戶視圖的多模態(tài)變革
6.3.2 數(shù)字人的智能營(yíng)銷(xiāo)
6.3.3 營(yíng)銷(xiāo)場(chǎng)景的 “元宇宙化”
6.4 客戶服務(wù)領(lǐng)域
6.4.1 AI 替代的人類(lèi)客服
6.4.2 客服模式的“質(zhì)變 ”
6.4.3 客戶服務(wù)的“專(zhuān)家 ”
6.5 產(chǎn)品設(shè)計(jì)領(lǐng)域
6.5.1 AIGC 的“新 ”設(shè)計(jì)
6.5.2 AI 根據(jù)客戶反饋的“ 自動(dòng)修復(fù)”
6.5.3 產(chǎn)品設(shè)計(jì)的“個(gè)性化”
6.6 產(chǎn)品生產(chǎn)領(lǐng)域
6.6.1 產(chǎn)品的機(jī)器人生產(chǎn)
6.6.2 個(gè)性化的 AI 生產(chǎn)成為可能
6.6.3 產(chǎn)品生產(chǎn)的智能監(jiān)控
6.6.4 AI 產(chǎn)品質(zhì)檢
6.7 產(chǎn)品的迭代
6.7.1 從大生產(chǎn)到個(gè)性生產(chǎn)的“質(zhì)變”
6.7.2 產(chǎn)品如何 AI 迭代設(shè)計(jì)？
6.7.3 產(chǎn)品的迭代反饋
6.8 供應(yīng)鏈領(lǐng)域
6.8.1 能否實(shí)現(xiàn) “零庫(kù)存 ”？
6.8.2 供應(yīng)鏈如何智能、顆粒化？
6.8.3 供應(yīng)鏈不僅是信息化，更需要智能化
6.9 【思考】 chatGPT 能否把所有的行業(yè)“重新”做一遍？
6.10 【示例】附件-AIGC 的某些應(yīng)用領(lǐng)域示例
7 企業(yè)如何切入 AIGC？
7.1 chatGPT 目前不對(duì)中國(guó)開(kāi)放
7.1.1 通過(guò)代理訪問(wèn)
7.1.2 等待中國(guó)的類(lèi) chatGPT
7.1.3 中文僅占其數(shù)據(jù)訓(xùn)練量的 0.1%
7.2 個(gè)人客戶的20 美元每月
7.2.1 個(gè)人與 chatGPT 的聊天
7.2.2 chatGPT 能替代谷歌嗎？
7.2.3 chatGPT 能成為外置大腦嗎？
7.3 從 NLP 對(duì)話場(chǎng)景的擴(kuò)展
7.3.1 數(shù)字人到數(shù)智專(zhuān)家
7.3.2 領(lǐng)域知識(shí)的突破只是時(shí)間問(wèn)題
7.3.3 AI 分析的神話
7.3.4 AIGC 遠(yuǎn)超印刷術(shù)的價(jià)值
7.4 NLP 的深度思考
7.4.1 人類(lèi)知識(shí)的傳承模式——語(yǔ)言
7.4.2 語(yǔ)言分析與知識(shí)分析
7.4.3 各個(gè)領(lǐng)域的知識(shí)與通用知識(shí)
7.5 云計(jì)算到腦智能
7.5.1 云計(jì)算的算力局限
7.5.2 算力產(chǎn)生智力
7.5.3 外腦的“咨詢(xún) ”模式
7.5.4 AI 會(huì)是上帝嗎？
7.6 能否產(chǎn)生類(lèi)似的“百度”？
7.6.1 chatGPT 的政治傾向風(fēng)險(xiǎn)
7.6.2 谷歌的高傲成就了百度
7.6.3 類(lèi) chatGPT 的戰(zhàn)略機(jī)遇
7.6.4 基于大模型的二次開(kāi)發(fā)
7.7 【思考】企業(yè)數(shù)智化轉(zhuǎn)型能否借助 chatGPT“超車(chē)”？
7.8 【示例】附件-企業(yè)數(shù)智化的 AI 演進(jìn)案例
8 總結(jié)

段方老師的其它課程