刘晖：《ChatGPT、AI大模型与算力网络技术及应用》培训大纲

刘晖注册讲师 171查看

课程概要

培训时长 : 3天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 16851

联系老师

适用对象

课程介绍

培训主要内容：

本课程采用模块化教学方法，总体架构主要包括以下8个教学模块：

模块一：概念篇-ChatGPT概念诠释及技术发展

模块二：架构篇-ChatGPT系统架构及工作流程

模块三：技术篇-ChatGPT关键技术及原理详解

模块四：AIGC篇-AIGC概念与关键能力及创作

模块五：大模型-ChatGPT与AIGC通用大模型

模块六：应用篇-ChatGPT/AIGC应用场景案例

模块七：算力篇-ChatGPT算力需求及算力网络

模块八：产业篇-AIGC/GPT产业发展及商业模式

培训内容及时间安排：3天，6小时/天

授课时间		授课内容	授课时长
第一天	上午	模块一：概念篇-ChatGPT概念诠释及技术发展	1小时
	上午	模块二：架构篇-ChatGPT系统架构及工作流程	2小时
	下午	模块三：技术篇-ChatGPT关键技术及原理详解	3小时
	下午	课程小结、答疑、交流讨论与互动环节	0.5小时
第二天	上午	模块四：AIGC篇-AIGC概念与关键能力及创作	2小时
	上午	模块五：大模型-ChatGPT与AIGC通用大模型（1）	1小时
	下午	模块五：大模型-ChatGPT与AIGC通用大模型（2）	3小时
	下午	课程小结、答疑、交流讨论与互动环节	0.5小时
第三天	上午	模块六：应用篇-ChatGPT/AIGC应用场景案例	2小时
	上午	模块七：算力篇-ChatGPT算力需求及算力网络（1）	1小时
	下午	模块七：算力篇-ChatGPT算力需求及算力网络（2）	2小时
		模块八：产业篇-AIGC/GPT产业发展及商业模式	1小时
		课程总结、答疑、交流讨论与互动环节	0.5小时

培训对象：
课程详细大纲：

培训主题

详细内容

模块一：概念篇-ChatGPT概念诠释及技术发展

1．ChatGPT概念诠释及技术发展

1.1什么是ChatGPT？（技术视角、OpenAI、维基百科的定义）

1.2 ChatGPT技术核心要点诠释

1.3 问题：如何理解ChatGPT？-理解ChatGPT的关键点

1.3.1 ChatGPT是如何工作的？

1.3.2 ChatGPT的训练数据来源于何处？

1.3.3 ChatGPT如何进行模型预训练？

1.3.4 ChatGPT是如何自动生成文本的？

1.3.5 ChatGPT如何准确回答问题？

1.3.6 ChatGPT如何按照人类思维回答问题？

1.4问题：ChatGPT的主要技术有哪些？

1.5 ChatGPT的主要特点有哪些？

1.6ChatGPT的最大创新点是什么？

1.7ChatGPT优化对话语言模型的优化目标是什么？

1.8ChatGPT与普通聊天机器人的区别是什么？

1.9 GPT-4的概念及关键技术

1.9.1什么是GPT-4？GPT-4的核心要点诠释

1.9.2什么是多模态生成模型？GPT-4如何实现跨模态融合？

1.9.3 GPT-4的关键技术有哪些？

1.9.4 GPT-4的预训练模型是什么？（预训练语言模型、预训练图像模型、预训练音频模型、预训练视频模型）

1.9.5 GPT-4如何进行模型预训练？

1.9.6 GPT-4如何根据图形、音频、视频等自动生成文本？

1.9.7 GPT-4对于ChatGPT实现哪些方面能力的提升？

1.9.8 GPT-4与GPT系列内容窗口对比

1.9.9 GPT-4与ChatGPT的比较

1.9.10 GPT-4技术与ChatGPT有哪些不同点？

1.10ChatGPT/GPT-4存在的问题与不足是什么？

1.11ChatGPT/GPT-4界面及网址

1.12ChatGPT/GPT-4的基本功能与高级功能

1.13 ChatGPT/GPT-4和AIGC的关系是什么？

1.14 ChatGPT/GPT-4、AIGC和元宇宙的关系是什么？

1.15 ChatGPT/GPT-4对推动元宇宙的商用落地与快速发展有何影响？

1.16ChatGPT/GPT-4的产生、发展及影响

1.16.1 ChatGPT/GPT-4的产生

1.16.2 ChatGPT/GPT-4的发展历程（GTP-1,GTP-2,GTP-3, ChatGPT, GTP-4）

1.16.3 ChatGPT/GPT-4的研究现状

1.16.4 ChatGPT/GPT-4的产生与发展对人类社会将带来什么影响？

1.16.5 ChatGPT/GPT-4对哪些职业和工作产生挑战和影响？

1.17 ChatGPT/GPT-4对我们的启示有哪些？

1.18如何从ChatGPT/GPT-4的技术方案中学习有价值的东西？

1.19 如何运用基于人工智能的ChatGPT/GPT-4技术方案赋能行业智慧应用与商用落地和快速发展？

模块二：架构篇-ChatGPT系统架构及工作流程

2. ChatGPT的系统架构及工作流程

2.1 ChatGPT的总体技术路线是什么？

2.1.1自然语言处理+搜索引擎集成架构

2.1.2 GPT3.5+大型语言模型（LLM）+强化学习微调训练模型架构

2.1.3 ChatGPT实现的关键要素有哪些？

2.2 构建ChatGPT系统架构需要考虑哪些关键问题？

2.2.1 ChatGPT技术架构的关键点是什么？

2.2.2 ChatGPT预训练模型有哪些？

2.2.3 ChatGPT预训练数据集有哪些？

2.2.4 ChatGPT如何进行模型预训练？

2.2.5 ChatGPT进行模型训练的步骤有哪些？

2.3 ChatGPT的工作流程-理解ChatGPT架构的基础

2.3.1 有监督微调（SFT）

2.3.2 奖励模型（RM）训练

2.3.3 PPO模型强化学习

2.3.4 基于人类反馈的强化学习-RLHF

2.3.5 例子：ChatGPT语言处理的工作流程

语言处理数据流转流程：输入文本、语言识别、情感分析、信息抽取、命名实体识别、句子相似性处理、文本分类、全文搜索、文本生成、上下文管理、问题解答、输出文本

2.4 GPT-4的系统架构及工作流程

2.4.1 GPT-4实现的关键要素有哪些？

2.4.2构建GPT-4系统架构需要考虑哪些关键问题？

2.4.3 GPT-4的技术路线是什么？

2.4.4 GPT-4的系统架构及组成

2.4.5 GPT-4系统架构的关键点是什么？

2.4.6 GPT-4的工作原理及工作流程

2.4.7 GPT-4预训练模型有哪些？

2.4.8 GPT-4预训练数据集有哪些？

2.4.9 GPT-4如何进行模型预训练？

2.4.10 GPT-4进行模型训练的步骤有哪些？

2.4.11 GPT-4的工作流程

2.5 ChatGPT/GPT-4的系统架构-Transformer架构

2.51什么是Transformer？

2.5.2 Transformer模型的作用

2.5.3 Transformer总体架构及组成

（1）输入部分，（2）输出部分，（3）编码器部分，（4）解码器部分

2.5.4 Encoder-Decoder编码器-解码器框架

2.5.5 输入部分的实现

（1）文本嵌入层及作用，（2）位置编码器及作用

2.5.6编码器部分的实现

（1）掩码张量，（2）注意力机制，（3）多头注意力机制，（4）前馈全连接层，（5）规范化层，（6）子层连接结构，（7）编码器层，（8）编码器

2.5.7解码器部分的实现

（1）解码器层，（2）解码器

2.5.8 输出部分的实现

（1）线性层，（2）softmax层

2.5.9模型构建

2.6案例分析：使用Transformer构建语言模型

2.7 GPT3.5预训练模型架构

2.8 大型语言模型（LLM）架构

2.9 强化学习微调训练模型架构-RLHF架构

2.10 ChatGPT/GPT-4应用系统架构及组成-端边网云（水平分割）

2.10.1 ChatGPT/GPT-4应用终端（PC机、智能手机、PAD等）

2.10.2 边缘计算（边缘算力）

2.10.3 互联网/移动互联网

2.10.4 云（超级计算机、超级算力）-云数据中心（Microsoft Azure、国资云（国家云）、天翼云、移动云、沃云、华为云、百度云、阿里云、腾讯云等）

2.11 ChatGPT/GPT-4系统架构优化及应用推广

模块三：技术篇-ChatGPT关键技术及原理详解

3. ChatGPT关键技术及原理详解

3.1 ChatGPT/GPT-4的关键技术体系

3.2 ChatGPT/GPT-4的技术基础-AI：人工智能

3.2.1机器学习- ML

3.2.2深度学习

3.2.3 神经网络

3.2.4自然语言处理-NLP

3.2.5 人工智能生成内容-AIGC

3.3 ChatGPT/GPT-4的关键技术-Transformer技术

3.3.1什么是Transformer？

3.3.2 Encoder-Decoder技术

3.3.3 Transformer分类模型

3.3.4 Transformer算法-GTP3.5预训练模型

3.3.5预训练模型-自然语言理解

3.3.6预训练模型-长序列建模

3.3.7预训练模型-模型优化

3.3.8 Transformer算法流程

3.3.9 问题:Transformer算法的改进及主要优点是什么？

3.4 ChatGPT的关键技术-GPT：预训练生成模型

3.5 ChatGPT的关键技术-LLM：大型语言模型

3.6 ChatGPT的关键技术-RLHF:基于人类反馈的强化学习

3.7 ChatGPT的关键技术-数据标注

3.8 GPT-4的关键技术

3.8.1多模态生成模型及关键技术

3.8.2预训练语言模型及关键技术

3.8.3预训练图像模型及关键技术

3.8.4预训练音频模型及关键技术

3.8.5预训练视频模型及关键技术

3.8.6多模态融合关键技术

模块四：AIGC篇-AIGC概念与关键能力及创作

4.AIGC概念诠释与关键能力及创作工具

4.1AIGC的概念及关键能力

4.1.1 什么是AIGC？

4.1.2 AIGC的类型

4.1.3 AIGC的关键能力

4.2 AIGC的关键技术

4.2.1人工智能生成文本

4.2.2人工智能生成图形、图像

4.2.3人工智能生成音频

4.2.4人工智能生成视频

4.3 AIGC的体系架构及组成

4.4 AIGC的应用场景

4.5 AIGC创作工具介绍

模块五：大模型-ChatGPT与AIGC通用大模型

5.ChatGPT与AIGC通用大模型

5.1通用大模型应用现状与发展

5.2国外主要通用大模型分析

5.2.1Transformer语言模型架构及功能

5.2.2微软旗下OpenAI大模型架构及功能

5.2.3谷歌大模型架构及功能

5.2.4Meta大模型架构及功能

5.2.5英伟达大模型架构及功能

5.2.6其他公司或机构布局

5.3我国主要通用大模型分析

5.3.1国内大模型发展

5.3.2华为盘古大模型架构及功能

5.3.3科大讯飞星火大模型架构及功能

5.3.4百度文心大模型架构及功能

5.3.5腾讯混元大模型架构及功能

5.3.6阿里通义大模型架构及功能

5.3.7其他公司或机构布局

模块六：应用篇-ChatGPT/AIGC应用场景案例

6. ChatGPT基本功能及使用体验

6.1 ChatGPT的基本功能及特征

6.2 ChatGPT的基本功能-语言处理功能及描述

文本生成、文本补全、文本分类、文本校正、诗歌生成、内容创建、问答、翻译、摘要、改写、情感分析、聊天机器人等

6.3 ChatGPT的高级功能-高端应用功能及描述

编写和调试计算机程序、程序修改、模拟Linux系统、企业策划、方案设计、项目咨询、文学创作、撰写演讲提纲、撰写分析报告、金融分析、工业自动化、医学诊断、教育、供应链管理、销售和营销、法律应用、科学研究等。

6.4 ChatGPT使用体验及效果评估

7. ChatGPT/AIGC应用场景案例

7.1 ChatGPT/GPT-4/AIGC应用总体思路：运用ChatGPT/GPT-4/AIGC技术方案及思想赋能行业数智化转型及落地实施

7.2 ChatGPT/GPT-4/AIGC应用场景及行业领域分析

7.3案例： ChatGPT+机器人场景应用方案及布局

7.3.1 ChatGPT生成式预训练模型升级各行业机器人

7.3.2 ChatGPT+行业机器人赋能行业应用

7.4 案例：ChatGPT聊天机器人+智慧家庭应用方案及布局

7.4.1 ChatGPT聊天机器人精心陪伴老人

7.4.2 ChatGPT聊天机器人陪伴儿童成长

7.5案例：基于ChatGPT聊天机器人的智能客服应用

7.6 案例：ChatGPT/GPT-4+工业场景应用方案及布局

7.6.1 ChatGPT/GPT-4+生成式预训练模型+专家系统融合应用

7.6.2 ChatGPT/GPT-4+生成式预训练模型优化专家系统

7.6.3 ChatGPT/GPT-4预训练优化模型提高产品质检效率

6.6.4 ChatGPT/GPT-4预训练优化模型提高设备预测性维护的能力

7.6.5 ChatGPT/GPT-4预训练优化模型提高设备精准故障定位的能力

7.7ChatGPT/GPT-4+农业场景应用方案及布局

7.8 ChatGPT/GPT-4+医疗场景应用方案及布局

7.9 ChatGPT/GPT-4+教育场景应用方案及布局

7.10 ChatGPT/GPT-4+金融场景应用方案及布局

7.11 ChatGPT/GPT-4+展览宣传场景应用方案及布局

7.12 ChatGPT/GPT-4+新媒体场景应用方案及布局

模块七：算力篇-ChatGPT算力需求及算力网络

8. 算力篇-ChatGPT算力需求及算力网络

8.1 人工智能（AI）复杂算法的算力需求分析

8.1.1 人工智能不同算法的算力需求分析

8.1.2 ChatGPT/GPT-4算力需求分析

8.1.3 ChatGPT/GPT-4算力需求举例

8.2算力的概念及量纲

8.3 算力的分类

8.3.1基础算力（基于CPU芯片）

8.3.2 智能算力（基于AI芯片，包括GPU/DPU/FPGA/ASIC芯片等）

8.3.3 超算算力（超级计算机、计算集群）

8.3.4 量子算力（量子计算机）

8.4 算效的概念

8.5 综合算力（算力+存力+运力）

8.6算力应用场景

8.7 算力部署策略-“东数西算”工程

8.7.1“东数西算”的概念

8.7.2 “东数西算”的应用场景

8.7.3 “东数西算”的数据处理

8.7.4 “东数西算”工程总体架构（8大枢纽中心、10大数据中心集群）

8.7.5数据中心业务类型

8.7.6数据中心集群建设规模

8.7.7 “东数西算”工程建设方案：联接力+运力+算力+智力

8.8算力部署方案-算力网络

8.8.1 算力网络的定义及技术特点

8.8.2 算力网络与现有通信网络的区别

8.8.3 算力网络的工作原理及业务流程

8.8.4 算力网络的标准架构与接口

8.8.5 算力网络系统架构与组成

8.8.6 算力网络的建设方案

8.9 基于“东数西算”工程的ChatGPT/GPT-4部署策略-安全、高可靠运行等

8.9.1 西部数据中心-ChatGPT/GPT-4大模型建模与训练

8.9.1 东部数据中心-ChatGPT/GPT-4推理服务等

8.10 基于“算力网络”的ChatGPT/GPT-4部署策略-海量数据处理、超级算力、高可靠、低时延、安全等

模块八：产业篇-AIGC/GPT产业发展及商业模式

9. AIGC/GPT产业发展及投资分析

9.1 AIGC/GPT产业生态构建与参与角色

9.2 AIGC/GPT涉及的上下游产业链分析

9.2.1 算力相关产业分析（AI芯片/GPU/DPU/FPGA/ASIC芯片等，服务器、数据中心、云计算、边缘计算等）

9.2.2 算法服务相关产业分析

9.2.3 算力网络相关产业分析

9.2.4自然语言处理（NLP）相关产业分析

9.2.5人工智能生成内容（AIGC）相关产业分析

9.2.6数据标注相关产业分析

9.2.7 AIGC/GPT下游应用场景相关产业分析（智能客服、搜索引擎、图像、文字、代码生成等）

9.2.8 AIGC/GPT产业发展的切入点及路径分析

9.2.9 AIGC/GPT对我国AI技术和产业发展的示范效应分析

9.2.10 AIGC/GPT产业发展市场前景分析

9.3 AIGC/GPT产业投资机会及方向分析

9.4 我国AIGC/GPT相关上市公司核心竞争力及投资分析

10. AIGC/GPT商业模式及商机挖掘

10.1 AIGC/GPT商业模式架构-MaaS（模型即服务）

10.1.1 什么是MaaS（模型即服务）？

10.1.2 MaaS（模型即服务）架构

10.1.3 MaaS（模型即服务）架构基座-大模型

10.1.4 MaaS（模型即服务）整体产业架构

10.1.5 MaaS（模型即服务）商业模式的核心：“模型→单点工具（如ChatGPT）→应用场景”的服务路径

10.2 AIGC/GPT的商业模式

10.2.1 订阅制收费模式-直接收费

10.2.2 通过API接口提供技术服务-赋能收费（根据API的使用量和质量级别收取费用）

（1）提供大模型服务-赋能行业应用

（2）许可证销售服务

10.3 案例：Hugging Face商业模式

10.3.1 AutoTrain模式

10.3.2 Interface API & Infinity模式

10.3.3 Private Hub模式

10.3.4 Expert Support模式

10.3 AIGC/GPT的商机挖掘-赋能行业应用

刘晖老师的其他课程

• 刘晖：ChatGPT 引发的大模型时代变革: 一、课纲 1天1 CHATGPT 引发人工智能投资热潮1.1CHATGPT是什么?1.2 CHATGPT 技术和传统的AI有什么区别?1.3 CHATGPT 将给行业带来哪些机会?1) 语音识别与自然语言处理行业快速发展2) 激活产业链2 数据要素资源基础，满足大模型训练需求2.1 政策引导数据要素确权使用，扫清人工智能发展障碍2.2 大数据管理能力需求提升 2.3 数据标注，是AI模型的基础2.4 案例解析1) 星环科技:平台、数据库集一身的数据要素稀缺标的2) 海天瑞声:人工智能基础数据服务提供商，产品矩阵不断丰富3 CHATGPT带来的变革-大模型算法3.1 大模型时代的引言:DoUBLE DESCENT(双下降)现象3.2 首要关键技术:TRANSFORMER模型3.3 GPT快速迭代，从GPT1.0迅速步入3.5时代." 3.4国内外 AI大模型项目百舸争流.3.5案例解析1) 商汤科技2) 科大讯飞3) 云从科技4) 依图科技5) 旷视科技4算力与网络是大模型运行的必要条件4.1大模型发展，算力需求激增4.2 GPU/GPGPU/FPGA多路线支持算力4.3 高带宽网络是对人工智能算力的重要支撑4.4 量子计算有望成为AI算力突破的"神助攻"4.5 案例解析1) 海光信息:国产CPU与GPGPU重要参与者2) 复旦微电:FPGA受益算力增长3) 中际旭创:全球光模块龙头迎来800G时代4) 联特科技:欧美中低速WDM主流供应商，数通光模块“黑马5) 天孚通信:光通信精益制造代表，光引擎、激光雷达成长速度快6) 国质量子:量子计算机已实现原型机搭建7) 浪潮信息:国内领先AI服务器厂商5 从元宇宙到大制造，大模型应用领域不断丰富5.1“生成式 A1在互联网及元宇宙应用1)“生成式 AI”在智能客服领域的潜在应用 2)“生成式AI"在搜索引擎领域的潜在应用5.2 AI赋能制造业转型升级，智能制造浪潮兴起1) 智能装备产业百花齐放，工业机器人与高端数控机床空间广阔2) 智能工厂是实现智能制造的载体，协作机器人与智能仓储物流是工厂新星5.3 AI 赋能工业互联网，打造高效率设备管理和生产流程5.4 人工智能功力汽车智能化1) 智能驾驶:从驾驶辅助到自动驾驶2) 智能座舱:从出行工具到出行管家二、授课方式理论讲授：通过讲解和演示，使学员掌握课程内容；实践操作：提供实际操作和实践的机会，使学员能够亲自动手进行实践；案例分析：通过案例分析，使学员了解课程内容的应用前景和实际效果；互动讨论：鼓励学员提问、分享经验和见解，促进知识交流与碰撞。

• 刘晖：AI技术能力提升: 【课程大纲】新一代人工智能内涵及概念新一代人工智能结合了多个学科的优势，具有更高的水平，以提高人的智力能力活动为主要目标，并融入日常生活。新一代人工智能最独特的优势在于能够解决不确定性问题，是开放型的人工智能。新一代人工智能是基于与出现重大变化的信息新环境和发展新目标。新一代人工智能产业的涉猎面很广，能够与三大产业融合发展，与实体经济互相融合，产生互补性创新，驱动经济发展。新一代人工智能研究现状及发展趋势（一）人工智能简要发展历程第一次浪潮：人工智能诞生并快速发展，但技术瓶颈难以突破第二次浪潮：模型突破带动初步产业化，但推广应用存在成本障碍.第三次浪潮：信息时代催生新一代人工智能，但未来发展存在诸多隐忧（二）新一代人工智能的主要驱动因素1、人机物互联互通成趋势，数据量呈现爆炸性增长2、数据处理技术加速演进，运算能力实现大幅提升3、深度学习研究成果卓著，带动算法模型持续优化4、资本与技术深度耦合，助推行业应用快速兴起（三）新一代人工智能主要发展特征1、大数据成为人工智能持续快速发展的基石2、文本、图像、语音等信息实现跨媒体交互3、基于网络的群体智能技术开始萌芽4、自主智能系统成为新兴发展方向5、人机协同正在催生新型混合智能形态人工智能使能技术人工智能应用的基础原理（一）新一代人工智能的技术演进1、从原有的 CPU 架构，转变为 GPU 并行运算架构2、从单一算法驱动，转变为数据、运算力、算法复合驱动3、从封闭的单机系统，转变为快捷灵活的开源框架4、从学术研究探索导向，转变为快速迭代的实践应用导向（二）新一代人工智能技术体系1、云计算：基础的资源整合交互平台2、大数据：提供丰富的分析、训练与应用资源3、机器学习：持续引导机器智能水平提升4、模式识别：从感知环境和行为到基于认知的决策5、人机交互：支撑实现人机物交叉融合与协同互动（三）国内外技术对比分析1、发达国家基础平台布局完善，国内仍缺乏自主核心技术2、发达国家在机器学习和人机交互领域具备先发优势，国内企业存在技术差距与人才短板3、国内外模式识别研究水平基本处于同一起跑线，重点聚焦于语音识别与图像识别人工智能应用的一般方法（一）新一代人工智能的产业边界（二）基础层1、智能传感器：智能转型引领行业发展2、智能芯片：初创企业蓄势待发3、算法模型：通过开源构建生态已是大势所趋（三）技术层…1、语音识别：正在步入应用拉动的快速增长阶段2、图像视频识别：在安防监控市场具有巨大增长潜力3、文本识别：全面进入云端互联时代（四）应用层1、智能机器人2、智能金融3、智能压疗4、智能安防5、智能驾驶6、智能搜索7、智能教育8、智能人居

• 刘晖：《AI技术及汽车行业应用》: 【课程大纲】人工智能基础人工智能结合了多个学科的优势，具有更高的水平，以提高人的智力能力活动为主要目标，并融入日常生活。人工智能最独特的优势在于能够解决不确定性问题，是开放型的人工智能。人工智能是基于与出现重大变化的信息新环境和发展新目标。人工智能产业的涉猎面很广，能够与三大产业融合发展，与实体经济互相融合，产生互补性创新，驱动经济发展。人工智能研究现状及发展趋势（一）人工智能简要发展历程第一次浪潮：人工智能诞生并快速发展，但技术瓶颈难以突破第二次浪潮：模型突破带动初步产业化，但推广应用存在成本障碍.第三次浪潮：信息时代催生新一代人工智能，但未来发展存在诸多隐忧（二）人工智能的主要驱动因素1、人机物互联互通成趋势，数据量呈现爆炸性增长2、数据处理技术加速演进，运算能力实现大幅提升3、深度学习研究成果卓著，带动算法模型持续优化4、资本与技术深度耦合，助推行业应用快速兴起（三）人工智能主要发展特征1、大数据成为人工智能持续快速发展的基石2、文本、图像、语音等信息实现跨媒体交互3、基于网络的群体智能技术开始萌芽4、自主智能系统成为新兴发展方向5、人机协同正在催生新型混合智能形态汽车制造业中主要的人工智能技术计算机视觉：该技术试图创建能够从图像或者多维数据中获取“信息”的人工智能系统。在汽车制造业中，计算机视觉是应用最广最成熟的技术之一。比如在工业机器人生产线上，计算机视觉可以帮助生产机械获得更加精确的测量数据，保证生产线的高精度。大数据分析：该技术指对各种不同来源的非结构化或者结构化数据进行分析，从中挖掘信息，观察和追踪发生的事情，从而帮助人类决策和判断。在汽车制造业生产线上，操作人员利用大数据分析系统可以学习并预测生产线状态，提前进行设备维护，防止在车辆生产时候出现故障。机器人：该技术涵盖了机器人的设计、建造运作等。得益于人工智能技术的进步，机器人技术有了更广泛和灵活的应用，可以实现柔性生产和精确抓取等复杂操作。汽车生产线上的机械臂利用强化学习技术，提高了精确度，强化了协作关系，提高了车辆的良品率。语音识别与自然语言处理：自然语言处理(NLP)是让系统理解并明白人类写作、说话方式的核心技术。而语音识别技术则是自然语言处理的眼睛与耳朵。它们的结合使用可以完成文字抽取，信息归纳，语音转文字等多项任务，在相关的文件处理、售后服务以及汽车的交互功能中广泛应用。云计算：云计算是利用网络将本地任务上传至云端服务器进行处理，从而实现本地设备无法实现的功能的技术。包括车载电脑的路径规划手机互动、车辆自检、行车数据记录及分析等功能均有云计算的支持。AR/VR：增强现实与虚拟现实是基于虚拟和现实环境，并结合视觉识别,机器学习，深度学习等多种前沿技术的集合体。此项技术能为车企通过打造虚拟场景以提高产品的设计、研发效率，同时为车辆本身的智能化升级提供支持。人工智能在汽车制造业中的局限和发展趋势一、局限性基础设施不完善性：对于车联网来说，要实现车与车、车与路、车与周遭环境互联的愿景离不开道路基础设施支持。而当前的道路上的基础网络设施建设尚未完善，不足以支撑未来汽车的网联需求。法律法规不成熟性：智能驾驶技术自诞生以来一直承受着部分道德因素的诟病，而针对智能驾驶，乃至未来自动驾驶的法律法规也尚未成熟，因而限制了智能驾驶技术的发展。网络交互的安全性：随着互联网技术的发展，大量信息在网络中得以查看，也从而引发了部分信息和隐私安全的问题。同理，车联网通过让车与网络交互以提供更优质的功能与服务，但随之也带来了车载计算机系统与外界交互的安全隐患。二、发展趋势汽车设计智能化：而随着信息时代的到来，智能设计软件的出现正把设计工作的试错成本大幅降低。将专家系统植入设计软件以配合设计师整合素材将是一个充满潜力的发展方向。人车交互灵活化：借助人工智能技术实现更便捷的人车交互将是汽车行业近期内的热门发展方向。虚拟车载助手，车主身份识别、疲劳监测、手势识别等应用正逐渐出现在汽车市场中。跨行合作共赢化：伴随市场对自动驾驶的关注，传统车厂、互联网公司、初创公司等都在试图进入智能驾驶的领域。而这些公司的侧重和优势各有不同。因此跨行业机构进行合作，共同打造未来智能汽车将成为人工智能在汽车行业的一大趋势。人工智能应用开发流程1、数据处理-AI的粮食加工人工智能项目研发的首要阶段就是数据处理，既然是数据处理，那么需要有数据才能处理。2、模型设计-AI的灵魂熔炉如果数据是材料，那么模型就是容器，好的材料配上好的丹炉，才有产出好的丹药的可能。3、训练优化-AI的学习成长模型训练是最考验算法工程师的实战经验的，比如选择什么样的主干模型，进行怎么样的微调，以及选择什么样的损失函数和优化方法，是否进行多阶段训练，或者对图像数据进行多尺度训练等。4、评估验证-AI的监理指导模型评估是和模型训练伴随而行的，可以说训练一开始，评估也随之开始。5、测试调整-AI的战前试炼模型测试是项目交付前的最后一次试验，测试的目的就是和项目方给出的指标做对比，比如精度、速度等指标。6、部署实施-AI的落地成型模型部署是模型在实际项目中的落地应用。第六章人工智能技术在汽车制造业中的应用场景1、人工智能在自动驾驶定位技术中的应用。2、人工智能在自动驾驶图像识别与感知中的应用。3、人工智能在自动驾驶深度学习中的应用.4、人工智能在自动驾驶信息共享中的应用。5、场景一：智能分拣。以分拣零件为例。6、场景二：设备健康管理。基于对设备运行数据的实时监测，利用特征分析和机器学习技术，一方面可以在事故发生前进行设备的故障预测，减少非计划性停机。另一方面，面对设备的突发故障，能够迅速进行故障诊断，定位故障原因并提供相应的解决方案。7、场景三：基于视觉的表面缺陷检测。8、场景四：基于声纹的产品质量检测与故障判断。9、场景五：智能决策。制造企业在产品质量、运营管理、能耗管理和刀具管理等方面，可以应用机器学习等人工智能技术，结合大数据分析，优化调度方式，提升企业决策能力。例如，一汽解放无锡柴油机厂的智能生产管理系统，具有异常和生产调度数据采集、基于决策树的异常原因诊断、基于回归分析的设备停机时间预测、基于机器学习的调度决策优化等功能。10、场景六：数字孪生。11、场景七：创成式设计。12、场景八：需求预测，供应链优化。第七章智能客服开发1、什么是对话机器人2、对话机器人的分类3、对话机器人的交互流程4、对话机器人的设计方法确认对话机器人的基础建设建立机器人的人设设计对话洞察用户提升对话体验第八章基于人工智能技术的汽车产品应用案例通用汽车：通用汽车在设计阶段引入人工智能技术，利用Fusion 360学习原始的汽车零件设计图，之后人工智能算法会根据现有的条件、重量、需要、材料等提供上百种不同设计，供设计师选择。该步骤可以减轻零件重量，优化安装流程，增加零件耐用性。宝马汽车：宝马汽车利用人工智能优化汽车冲压过程。宝马推出的先进的测量和分析系统，可以针对每一部分材料分别收集数据，智能化调节冲压模式，让整个流程可以更精确和有针对性，产出的产品也更加稳定。起亚汽车：起亚汽车人工智能销售聊天系统采用了CarLabs.ai的人工智能销售系统，让用户可以直接与机器人对话并解决销售中的问题。该虚拟助手利用了自然语言处理技术，分析用户的问题与答复，充分理解后提供特定的答复。该聊天机器人目前主要存在于Facebook的平台内，可以为用户提供偏好匹配，车型比较，车辆细节信息，线下商店信息，试驾预约，财务计算等功能。吉利汽车：吉利汽车借助人工智能技术将语言识别率提高到98%以上。该语音助手可以把大量需要触控的操作转换成语音操作，让驾驶员在驾驶时候更加安全，不需要转移视线即可完成众多命令。同时，由于语音助手的灵活性，车主也可以更方便的接入其他汽车服务，打通车内空间与车外世界。

刘晖：《ChatGPT、AI大模型与算力网络技术及应用》培训大纲

课程概要

适用对象

课程介绍

刘晖老师的其他课程

相关课程

添加企业微信