人工智能2.0时代的人才培养和通识教育课程建设_47页_3mb

大模型时代的人才培养与通识教育课程

一、人工智能2.0时代的技术演进

1. 发展阶段

• AI0.0（1956-2006）：规则驱动（专家系统）
• AI1.0（2006-2020）：数据驱动（深度学习）
• AI2.0（2020至今）：多模态大模型（Transformer架构、预训练+微调）

2. 大模型特性

• 优势：跨模态、大规模参数、生成式能力（如ChatGPT、Stable Diffusion）
• 限制：幻觉问题、上下文窗口限制、推理不可解释性
• 创新点：混合专家模型、长链推理、FP8混合精度训练

二、大模型最新发展趋势

• 深化期（2024）：Sora视频生成、DeepSeek R1推理模型突破
• 跃进期（2023）：全球AI浪潮（GPT-4、Gemini）
• 繁荣期（2023.06）：中国模型快速跟进（通义千问、讯飞星火）
• 准备期（2022.12）：开源生态爆发、基础框架成熟

三、大模型引发的产业变革

1. 降低成本与普及

• DeepSeek以$557w训练成本打破行业高价
• 模型普惠化推动中小企业AI应用

2. 技术创新

• 强化学习（RLHF、GRPO）提升推理能力
• 多Token预测降低实际推理成本

四、应用场景与技术边界

1. 应用阶段

• 初级：文本分类、信息提取
• 中级模型微调与提示词工程（结合知识库）
  行业专属模型开发

2. 能力边界

• 语言理解力强，但知识关联能力弱
  幻觉、多轮推理可靠性、跨模态完整性限制

大模型时代的人才需求

三层次需求分析

1. 应回答“有没有会用AI的人”

• 能用好提示词、人机协作、理解技术边界
• � ParseException 教育：提高用户的使用效率

二回回答始答儿“能不够用吗”

• 懂算法原理、会模型微调、具备工程能力
• 新IT教育需求（数据工程师、算力优化师）

三回回答说答道：“需不需要这么多”

掌握底层架构（芯片/操作系统/通讯协议）
大模型核心软件工程能力人才培养

四、通用专业人才培养

各件数据合成、隐私计算、伦理风控

五、人才维度变化

| 传统IT思维 | AI2.0思维 |
---|---|---
特征工程输入 | 预训练自动适配
决策树归纳 | 多头注意力机制
硬件性能评估 | 算力/数据/模型成本优化

AI通识教育课程设计

课程定位

1. 培养全局观：工具/应用/社会责任三维思考
2. 降低门槛：少代码、强应用、案例驱动
3. 能力提升：提示词工程、与AI协作技能

核心理论

1. AI本质是数据建模
2. 语言智能是本轮AI核心突破口
3. 宏观视角：从工具到伙伴，人类不被淘汰

实践路径设计（四维教学）

思考引导→教师示范→学生实操→综合评估

教学工具开发

1. AI辅助的智能教学体
2. 学生生成式学习平台
3. 数字化实验环境套件

教育系统变革方向

1. 课程体系重构

   • 微信公众号矩阵辅助教学管理系统
   • 通识课：理念认知
   • 通育课：人机技能养成
   • 通用课：专业应用场景

2. 师资建设模式

   • 双师制培养：IT专家+AI教练
   • 一线教师AI技能认证体系建立

3. 教学资源池机制

   • 大模型协同备课
   • 开放实验环境云共享
   • 校企课程共建平台