AI大模型（AIGC類）的原理及應(yīng)用

《AI 大模型（AIGC 類）的企業(yè)應(yīng)用》
段方
某世界 100 強大數(shù)據(jù)/AI總設(shè)計師
教授 北京大學(xué)博士后
1 AI 大模型的概念和特點
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 從 NLP 開始的 chatGPT
1.6.2 chatGPT 的“江浙發(fā)展報告 ”
1.6.3 對圖靈測試的超越
1.6.4 普通人 or 專家？
1.6.5 ChatGPT 帶來的“爆品”
1.7 “大模型、多模態(tài)”推動了 AI 的“質(zhì)變 ”
1.7.1 從傳統(tǒng)機器學(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 從 SaaS 到 MaaS
1.8.1 AIGC 開辟了 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
1.8.4 面向行業(yè)大模型
1.9 【思考】 AI 會有自我意識嗎？
1.10 【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 ”
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 模型的特點
2.2.1 GPT3.5 參數(shù)擴展到 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
2.2.5 訓(xùn)練框架的研究
2.3 GPT 模型的演進
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 GPT 的改進
2.4.2 算力方面的消耗
2.4.3 大數(shù)據(jù)的收集和標注
2.4.4 應(yīng)用場景的“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 “標注”
2.6 chatGPT 的商業(yè)模式創(chuàng)新
2.6.1 從閉源說起。。。
2.6.2 嵌入 office 產(chǎn)品體系
2.6.3 提供個人客戶服務(wù)
2.6.4 支撐 2B 客戶市場
2.6.5 通用大模型的擴展空間
2.7 【思考】中國為什么沒有產(chǎn)生 chatGPT？
2.7.1 基礎(chǔ)研究的投入
2.7.2 開源文化的滲透
2.7.3 風(fēng)險投資的機制
2.7.4 A100 芯片會是中國的“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)用場景
3.2.1 文本生產(chǎn)
3.2.2 語言理解
3.2.3 文本分類
3.2.4 問答等
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 知識倫理
3.3.5 推理模型
3.4 【思考】 GPT5 會更驚艷嗎？
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 改寫人類創(chuàng)造模式
4.1.4 AIGC 推動元宇宙的內(nèi)容設(shè)計
4.2 基本算法的原理
4.2.1 從深度學(xué)習(xí)算法開始
4.2.2 強化學(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 注意力機制
4.3.3 算法簡介
4.4 Diffusion 擴散算法的基礎(chǔ)
4.4.1 噪音的概念
4.4.2 反向擴散的原理
4.4.3 算法簡介
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 國內(nèi)的 AIGC 產(chǎn)業(yè)發(fā)展
4.7.1 從百度的“文心一言”開始
4.7.2 山寨 chatGPT 的模式
4.7.3 解決 AIGC 體系架構(gòu)問題
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 的自動編程
5.1.1 開源文化的啟發(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 微軟開源的 SDK:semantic-kernel
5.2.4 命令行的 Shell GPT
5.2.5 飛書 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 的對比結(jié)構(gòu)
GAN
AutoEncoder
DAE 等
5.4.3 CLIP 的應(yīng)用場景
5.5 【思考】 AIGC 會改變哪些工作內(nèi)容？
5.6 【示例】附件-AIGC 的編程介紹
6 AIGC 的企業(yè)應(yīng)用場景舉例
6.1 改良類應(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)測類分析的改良效果
6.1.3 客戶價值分析的改良？
6.2 改革類應(yīng)用
6.2.1 改革類應(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/智能革命的類比
6.3 客戶營銷領(lǐng)域
6.3.1 客戶視圖的多模態(tài)變革
6.3.2 數(shù)字人的智能營銷
6.3.3 營銷場景的 “元宇宙化”
6.4 客戶服務(wù)領(lǐng)域
6.4.1 AI 替代的人類客服
6.4.2 客服模式的“質(zhì)變 ”
6.4.3 客戶服務(wù)的“專家 ”
6.5 產(chǎn)品設(shè)計領(lǐng)域
6.5.1 AIGC 的“新 ”設(shè)計
6.5.2 AI 根據(jù)客戶反饋的“ 自動修復(fù)”
6.5.3 產(chǎn)品設(shè)計的“個性化”
6.6 產(chǎn)品生產(chǎn)領(lǐng)域
6.6.1 產(chǎn)品的機器人生產(chǎn)
6.6.2 個性化的 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)到個性生產(chǎn)的“質(zhì)變”
6.7.2 產(chǎn)品如何 AI 迭代設(shè)計？
6.7.3 產(chǎn)品的迭代反饋
6.8 供應(yīng)鏈領(lǐng)域
6.8.1 能否實現(xiàn) “零庫存 ”？
6.8.2 供應(yīng)鏈如何智能、顆?；?？
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 目前不對中國開放
7.1.1 通過代理訪問
7.1.2 等待中國的類 chatGPT
7.1.3 中文僅占其數(shù)據(jù)訓(xùn)練量的 0.1%
7.2 個人客戶的20 美元每月
7.2.1 個人與 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 對話場景的擴展
7.3.1 數(shù)字人到數(shù)智專家
7.3.2 領(lǐng)域知識的突破只是時間問題
7.3.3 AI 分析的神話
7.3.4 AIGC 遠超印刷術(shù)的價值
7.4 NLP 的深度思考
7.4.1 人類知識的傳承模式——語言
7.4.2 語言分析與知識分析
7.4.3 各個領(lǐng)域的知識與通用知識
7.5 云計算到腦智能
7.5.1 云計算的算力局限
7.5.2 算力產(chǎn)生智力
7.5.3 外腦的“咨詢 ”模式
7.5.4 AI 會是上帝嗎？
7.6 能否產(chǎn)生類似的“百度”？
7.6.1 chatGPT 的政治傾向風(fēng)險
7.6.2 谷歌的高傲成就了百度
7.6.3 類 chatGPT 的戰(zhàn)略機遇
7.6.4 基于大模型的二次開發(fā)
7.7 【思考】企業(yè)數(shù)智化轉(zhuǎn)型能否借助 chatGPT“超車”？
7.8 【示例】附件-企業(yè)數(shù)智化的 AI 演進案例
8 總結(jié)

段方老師的其它課程