尹智老師 人工智能和數(shù)智化咨詢專家

“企業(yè)在人工智能大模型時代的核心競爭力，是把自己行業(yè)/領(lǐng)域的專有知識經(jīng)驗和數(shù)據(jù)轉(zhuǎn)化封裝成AI模型，并將之有機聯(lián)接到自身數(shù)字化體系的能力。”

  -- 尹智

課程綱要：

模塊一：通用人工智能的曙光：以ChatGPT為代表的AIGC大模型

1、 人類歷史是一部生產(chǎn)力和科技發(fā)展史——從效率的角度看數(shù)字化和人工智能的源起

2、 第四次工業(yè)革命的特征和要求

3、 從早期人工智能算法到機器學習，到人工神經(jīng)網(wǎng)絡(luò)和深度學習：對“智能”的“壓縮”的進化

4、 從“偏科專才”到“通才”，通用人工智能的曙光：GPT為何如此令人興奮？

5、 AIGC興起 - 從分析式AI到生成式AI，AI從做判斷題/選擇題，到做填空/問答題

6、 以ChatGPT為代表的等大語言模型基本核心原理

a) 如何看ChatGPT?如何看到ChatGPT的核心架構(gòu)：Transformer?

b) 為什么通用人工智能的曙光出現(xiàn)在“大”“語言”領(lǐng)域？

c) 詞的“內(nèi)嵌”：GPT如何理解文字？

d) 簡述注意力機制 – GPT如何理解句子和邏輯？

e) 如何打造高科技行業(yè)專家？—— 為什么深度人工神經(jīng)網(wǎng)絡(luò)可以學習到幾乎一切模式和規(guī)律？

7、 ChatGPT的獨到之處

8、 其他大模型主要類別和基本原理

a) 文生圖模型：訓(xùn)練機器對像素的“組裝”

b) 圖生3D 模型：算法對世界的“腦補”

9、 如何利用大模型？基本模式

a) 提示詞工程 – 為大模型描述上下文環(huán)境和方法論

b) 插件 -為大模型加上“視覺中樞”“聽覺中樞”“行動中樞”

c) 外接“云盤” - 為大模型加上“海馬體”（大模型的長期記憶機制）

d) 精調(diào) — 通過調(diào)參真正提升大模型“智商”

10、 大模型的部署/訓(xùn)練方式

a) 公有云模式

i. AISaas

ii. AIPaas

iii. Model as a service

iv. AIIaas

b) 公有私有云/管理云模式

c) 私有云模式 

模塊二：大模型體系在汽車行業(yè)數(shù)字化轉(zhuǎn)型中的潛力范式，機遇和挑戰(zhàn)

11、 AI大模型的幾大能力：檢索、創(chuàng)造和邏輯推理 — 邏輯能力的可解釋性挑戰(zhàn)

12、 AI大模型具有成為“人”“機”翻譯和系統(tǒng)“總調(diào)度”的巨大潛力

13、 生成式AI2.0：AI Agent — GPT如何從一個“語言中樞”，演化為“具身智能”？

14、 下一代AI:多模態(tài)大模型和機器人系統(tǒng)會有何化學反應(yīng)？

15、 汽車行業(yè)大模型落地路徑：預(yù)訓(xùn)練模型 + 專業(yè)訓(xùn)練精調(diào) + 行業(yè)知識庫 + 插件

模塊三：人工智能和元宇宙技術(shù)在汽車行業(yè)的落地應(yīng)用和案例

 16、 新一代移動智能助手：智能車艙應(yīng)用

a) 空間環(huán)境理解及用戶狀態(tài)感知

b) 多模態(tài)指令解析

c) AI大模型賦能車載虛擬助手：

i. 個性化數(shù)字形象生成

ii. 語音語義理解

iii. 多輪邏輯對話和內(nèi)容生成

iv. 基于大模型推理的規(guī)劃和LBS等第三方服務(wù)集成

 17、 視覺智能賦能的汽車零部件工業(yè)質(zhì)檢

18、 汽車行業(yè)生產(chǎn)數(shù)字孿生：針對能耗、設(shè)備設(shè)施運行、雙碳、安全等運營的從事后分析，事中監(jiān)控，到事前模擬優(yōu)化的全周期管理

19、 AR/AI賦能的汽車行業(yè)設(shè)備設(shè)施巡檢

20、 基于機器學習的汽車零部件生產(chǎn)過程的模型化優(yōu)化

21、 車企倉儲物流的AI& AR應(yīng)用

22、 生成式AI賦能的汽車業(yè)數(shù)字人客服和咨詢

23、 汽車行業(yè)文檔和數(shù)據(jù)分析：GPT Code Interpreter

24、 AIGC賦能的汽車數(shù)字營銷：千人千面的個性化定制內(nèi)容營銷

25、 大模型賦能的針對性個性化技能培訓(xùn)

26、 基于AI大模型的汽車企業(yè)（數(shù)據(jù)查詢/分析/業(yè)務(wù)邏輯）代碼生成和系統(tǒng)集成

27、 生成式AI賦能的工業(yè)設(shè)計：基于“進化”機制的AI賦能產(chǎn)品設(shè)計

28、 基于多模態(tài)大模型對原生數(shù)據(jù)解析的客戶和市場“大”數(shù)據(jù)整合和分析

29、 自動駕駛車、自動設(shè)備和機器人訓(xùn)練中的AI: 訓(xùn)練數(shù)據(jù)和環(huán)境的AI生成；大行為模型LBM的應(yīng)用

30、 汽車元宇宙應(yīng)用模式及案例：

a) 產(chǎn)品設(shè)計和研發(fā):

i. Nvidia Omniverse汽車設(shè)計和仿真

ii. Microsoft HoloLens 設(shè)計工具 

b) 品牌認知和產(chǎn)品展示：

i. BMW iXFLOW變色車身

ii. BMW X VR

iii. Unity 選配車體驗

c) 購買交易和增值服務(wù)

i. Porsche NFT收藏品平臺‘Fanzone’

ii. Mercedes-Benz “Maschine”NFT

iii. 汽車區(qū)塊鏈游戲平臺Chase 2 earn

d) 客戶體驗和互動：

i. 商湯科技AR小巴

ii. BMW JOYTOPIA體驗平臺

iii. Audi X VR體驗