基本信息
文件名称:2025DeepSeek大模型高校应用.docx
文件大小:94.85 MB
总页数:258 页
更新时间:2025-03-21
总字数:约5.74万字
文档摘要

DeepSeek大模型赋能高校教学和科研

目录

目录

1.人工智能发展简史

2.人工智能思维

3.大模型:人工智能的前沿

4.高校本地部署DeepSeek大模型

5.AIGC应用与实践

6.基于大模型的智能体

7.AI赋能高校科研

8.AI赋能高校教学

人工智能发展简史

图灵测试

人工智能的诞生

人工智能的发展阶段

未来人工智能发展的五个阶段

图灵测试

1950年,“计算机之父”和“人工智能之父”艾伦·图灵(AlanM.Turing)发表了论文《计算机器与智能》,这篇论文被誉为人工智能科学的开山之作。在论文的开篇,图灵提出了一个引人深思的问题:“机器能思考吗?”。这个问题激发了人们无尽的想象,同时也奠定了人工智能的基本概念和雏形

在这篇论文中,图灵提出了鉴别机器是否具有智能的方法,这就是人工智能领域著名的“图灵测试”。

如图所示,其基本思想是测试者在

与被测试者(一个人和一台机器)隔离的情况下,通过一些装置(如键盘)向被测试者随意提问。进行多次测试后,如果被测试者机器让平均每个测试者做出超过30%的误判,那么这台机器就通过了测试,并被认为具有人类智能

1.2人工智能的诞生

1.2人工智能的诞生

人工智能的诞生可以追溯到20世纪50年代。当时,计算机科学刚刚起步,人们开始尝试通过计算机程序来模拟人类的思维和行为。在这个背景下,一些杰出的科学家和工程师们开始研究如何使计算机具备更高级的功能

1956年8月,在美国达特茅斯学院举办的人工智能夏季研讨会,是人工智能领域具有里程碑意义的一次重要会议。这次会议汇聚了众多杰出的科学家和工程师,他们共同探讨和研究人工智能的发展和应用前景

这次会议的主题围绕着人工智能的定义、研究方法和应用场景展开。与会者们深入探讨了人工智能的基本概念、算法和技术,以及其在各个领域的应用潜力。他们共同认识到,人工智能的研究和发展将为人类带来巨大的变革和进步

在这次会议上,“人工智能”这个词汇被约翰.麦卡锡(JohnMcCarthy)首次提出。与会者们不仅对人工智能的研究和应用前景进行了深入探讨,还提出了许多重要的观点和思路,为人工智能的发展奠定了基础。这次会议的召开标志着人工智能作为一个独立学科的正式诞生,因此,达特茅斯会议被称为“人工智能的开端”,1956年也被称为“人工智能元年”。这次会议不仅为人工智能的研究和发展奠定了基础,还为人类带来了巨大的变革和进步

人工智能的发展阶段

从1956年人工智能元年至今,人工智能的发展历程经历了漫长的岁月,大致可以划分为以下6个阶段

未来人工智能发展5个阶段

OpenAI

OpenAIOperator

DeepSeekR1

人工智能思维

2.人工智能思维

2.人工智能思维

了解区分协作

了解

区分

协作

每个人都应了解人工智能的基础运行模式

具备区分人的能力和机器的能力

拥有和人工智能协作的能力,懂得如何运用人工智能

2024年12月,人工智能教母级人物、斯坦福大学终身教授在公开演讲中说道:“斯坦福应该录取最会用ChatGPT的前2000名学生”。

2025年1月,互联网知名企业家发表观点

”未来擅长使用AI的人会淘汰不会使用AI的人“。

大模型:人工智能的前沿

大模型的概念

大模型的发展历程

人工智能与大模型的关系

大模型分类

大模型原理

大模型产品

大模型应用领域

3.1大模型的概念

3.1大模型的概念

大模型通常指的是大规模的人工智能模型,是一种基于深度学习技术,具有海量参数、强大的学习能力和泛化能力,能够处理和生成多种类型数据的人工智能模型。

通常说的大模型的“大”的特点体现在:

参数数量庞大训练数据量大计算资源需求高

参数数量庞大

训练数据量大

计算资源需求高

2020年,OpenAI公司推出了GPT-3,模型参数规模达到了1750亿。

2023年3月发布的GPT-4的参数规模是GPT-3的10倍以上,达到1.8万亿,

2021年11月阿里推出的M6模型的参数量达10万亿。

大模型的设计和训练旨在提供更强大、更准确的模型性能,以应对更复杂、更庞大的数据集或任务。大模型通常能够学习到更细微的模式和规律,具有更强的泛化能力和表达能力

语言生成能力 学习能力强

上下文理解能力

大模型具有更强的上下文理解能

力,能够理解更复杂的语意和语境。这使得它们能够产生更准确、更连贯的回答

大模型可以生成更自然、更流利的语言,减少了生成输时呈现的错误或令人困惑的问题

大模型可以从大量的数据中学习,并利用学到的知识和模式来提供更精准的答案和预测。这使得它们在解决复杂问题和应对新的场景时表现更加色

可迁移性高

学习到的知识和能力可以在不同的任务和领域中迁移和应用。这意味着一次训练就可以将模型应用于多种任务,无需重新训练