人工智能2.0时代的人才培养和通识教育课程建设

2025年高等学校人工智能通识教育研讨会------------人工智能2.0时代的人才培养和通识教育课程肖睿2025年7月12日 青岛• 北大青鸟人工智能研究院• 北大计算机学院• 北大教育学院学习科学实验室第2页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第2页人工智能2.0时代的人才培养和通识教育课程1.人工智能的前世今生2.大模型的特点和局限3.大模型的发展观察01人工智能2.0时代1.人才需求2.人工智能通识课02人才需求和通识教育课第3页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第3页人工智能0.0：古代（1956-2006，从规则到学习）人工智能：让机器具备人类智能，让机器具备非人类智能（超人类智能）➢传统（知识+规则）：专家系统（知识库+推理机）➢现代（数据+学习）：机器学习（模型、目标、策略），数据模型（IID，用数学模型模拟世界）•常规统计学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，……✓小数据，人工特征，部分可解释，缺乏通用性和跨模态•人工神经网络：与人脑最大的共同点是名字（原理、机制和架构并不一样），用神经网络表达数学模型1、传统神经网络：霍普菲尔德网络，玻尔兹曼机，…..2、深度神经网络：深度学习（Hinton，2006）✓大数据，特征表示，基本不可解释，具备通用性和跨模态第4页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第4页人工智能1.0：近代（2006-2020，深度学习）➢ 2006：传统架构：DBN，CNN，RNN，ResNet，Inception，RWKV，……•ImageNet（超过人眼）•AlphaGO（超过人类棋手）•AlphaFold（超过人类科学家）➢ 2017：Transformer架构：注意力机制（Attention）◼ 预训练模型架构：•编码器（BERT）：embedding，Ernie1.0，……•混合网络：T5、GLM（早期）•解码器（GPT）：生成式人工智能（AIGC）深度学习：深度神经网络◼ 预训练模型架构：•并行矩阵计算（GPU）•堆叠架构，容易扩展，大力出奇迹第5页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第5页人工智能2.0：现代（2020-，大模型）大模型（预训练大模型）：大（数据多、参数多、算力多），模型（语言、视觉、多模态）➢ GPT架构：解码器（GPT），生成式人工智能（AIGC），生成-理解-决策（RL）•Transformer：大语言模型（LLM，大模型），多模态模型ChatGPT（4.1、4o、o1、o3、o4）、Claude；Grok、Gemini；Llama、……DeepSeek、Step、Qwen；Kimi、MiniMax；GLM、火山(豆包)、元宝、百度……•Transformer+Diffusion：视觉模型图像：Stable Diffusion、Mid-Journey、DALL.E等视频：Sora、可灵、即梦、Vidu、海螺等➢ 通用模型 vs 垂直模型（行业模型）•传媒、编码• 教育、医疗、金融等第6页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第6页人工智能2.0时代的人才培养和通识教育课程1.人工智能的前世今生2.大模型的特点和局限3.大模型的发展观察01人工智能2.0时代1.人才需求2.人工智能通识课02人才需求和通识教育课第7页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第7页Generative（生成式）Pre-trained（预训练）Transformer（一种深度神经网络架构）大模型的工作原理: NTP（Next Token Prediction）4.基于上下文预测下一个token•为可能的单词分配概率分数•示例:{“去”:0.7. “停":0.2,“站":0.1}3.采用Transformer架构处理token•理解token之间的关系•识别提示词的整体含义5.根据概率分数选择标记示例:“去”1. 收到提示词示例:“今天天气不错，我决定”自回归（AR）：重复步骤4和步骤5直到形成完整的句子示例：今天天气不错，我决定去公园准确地讲，这里不是“字”，是“token”，可以进行语义计算。2.将输入拆分为token“今天”, “天”, “气”, “不”“,”, “我”, “决定”概率预测+文字接龙LLM:Large Language Model, “错”][,GPT第8页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第8页大模型的工作过程：预训练-后训练-推理大模型工作过程阶段1：模型训练（预训练+后训练）预训练（自监督）阶段2：推理强化学习(RLHF等等)处理输入（上下文）进行推理（测试时计算）生成输出监督微调接收输入（提示词）第9页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第9页大模型的最新发展（从原子弹到氢弹）：推理2022.122023.062023.122024.062025.03生成模型推理模型ref: SuperCLUE团队 中文大模型基准测评2025年3月报告 •OpenAI 推出基于 GPT-4o 模型的图像生成功能，取代此前的 DALL·E 3成为ChatGPT 和 Sora 平台的默认图像引擎•OpenAI发布o3-mini 、GPT-4.5，前者推动成本效益推理，后者展现出较高的情感智能。•Gemini 2.0 Flash Thinking、Claude-3.7-Sonnet、Grok3发布，海外推理模型引发热潮，推理性能大幅度提升。•国内推理模型持续跟进。DeepSeek-R1、QwQ-32B、Kimi1.5、GLM-Zero、Skywork o1、讯飞星火X1等推理模型陆续发布，继续突破推理能力的上限。•国内模型性能持续提升。DeepSeek-V3、Qwen2.5、豆包-Pro、混元-Turbo与GLM-4-Plus等系列模型综合能力上持续提升。•国内开源生态持续引领模型普惠化。DeepSeek-R1通过开源与性价比优势持续推动行业技