2025年卓越工程师系列课程_走进人工智能2.0_53页_36mb

一、人工智能的前世今生

发展阶段：

• AI0.0（古代1956-1996）: 规则与知识时代
  • 第二次浪潮：专家系统、知识工程
• AI0.1（近代1996-2006）: 机器学习时代
  • 第三次浪潮：数据+学习，特征工程
• AI1.0（现代2006-2020）: 深度学习时代
  • 第四次浪潮：大数据+深度学习
• AI2.0（当代2020-2025）: 大模型时代
  • 预训练 + 微调 + 推理，通用智能体

趋势：

• AGI（大模型）核心：Token预测 + 注意力机制 + 强化学习。
• 趋势拐点：从编码到代码理解（推理能力）。

二、大模型的原理与能力边界

1. 工作原理

   • NTP（Next Token Prediction）：预测下一个token（单词或符号）。
   • 架构：Transformer（自注意力机制），预训练 + 后训练 + 推理。

2. 工作步骤

   • 预训练（自监督）+ 后训练（RLHF + SFT）+ 推理（提示词/上下文）。

3. 能力边界

   • 语言能力强，但知识关联性弱（无内在推理）。
   • 多轮推理能力强，但幻觉（生成虚假信息）仍存在问题。
   • 支持多模态任务，但对复杂物理世界模拟仍有短板。

三、大模型的现状与发展趋势

1. 技术演进
   • 2022-2025：多模态模型（如GPT-4、GPT-5、Sora）。
   • 趋势：从泛化能力到任务导向型Agent（如Manus），从生成到推理模型普及。
   • 国产大模型快速崛起，如DeepSeek、Qwen、易灵、即梦等。

四、大模型应用场景与提示词工程（Human-AI协作）

1. 典型应用方向

   • 垂直领域：金融业风控、医疗病历解析、科研论文辅助、教育内容生成。
   • 多模态任务：生成图像、视频、文字等。

2. 提示词工程（Prompt Engineering）

   • 设定任务背景 + 定义目标 + 图示化表达 + 验证反馈。
   • 技巧示例：说服策略（用钱奖励/拉出去枪毙）、模仿语气、反向批评优化输出。
   • 上下文工程：通过系统设定+记忆+动态调整实现交互连续性。

五、大模型对未来的影响

转变方向：

• 工作方式：推动办公自动化、知识叠加与任务导向型Agent。
• 能力重构：弱化记忆与基础计算，强化批判思维与工具使用能力。
• 伦理风险：持牌制度可能出台，数据垄断打破（DeepSeek等开源模型下垂成本）。
• 国际竞争：中国从“跟随者”到“领跑者”，大模型技术缩小与美差距，进入“一超多强”格局。

总结

现代人工智能（大模型）是数据智能，以理解和生成语言为核心，具备通用性能力，效率和应用普及率显著提升，正迅速冲击传统行业。未来应以 “用AI做工具”为导向，培养 “人类主导+模型辅助” 的协作模式，实现人机共荣发展。