授課題目第10章人工智能應用技術授課形式理論講授授課周次授課時間授課學時2學時教學目標知識目標理解人工智能的核心概念及其在計算機視覺、自然語言處理中的主要應用。掌握大模型的發(fā)展背景、基本特征以及在不同行業(yè)的應用場景。了解生成式人工智能（AIGC）的發(fā)展歷程、核心技術和主要應用方向。能力目標能夠分析和解釋人工智能在實際應用中的價值與挑戰(zhàn)。能結合案例識別AI技術在不同領域（如醫(yī)療、交通、教育、創(chuàng)意產業(yè)）的潛在應用。具備利用人工智能工具進行信息處理、內容生成與問題解決的基本能力素質目標增強在數字化社會中適應新技術的能力，提升信息素養(yǎng)。教學重點AIGC的發(fā)展背景與技術原理教學難點大模型的內部機制與其對行業(yè)的深遠影響。AIGC的技術原理及與傳統(tǒng)人工智能方法的區(qū)別。如何將人工智能應用案例與理論知識有機結合。教學方法與手段講授法：系統(tǒng)闡述計算機視覺、自然語言處理、大模型與AIGC的核心知識。案例教學：結合醫(yī)療、教育、創(chuàng)意產業(yè)中的AI應用案例，增強學生理解。多媒體演示：利用視頻、圖表直觀展示AI應用場景。作業(yè)與思考題01、完成課后題。02、請結合某一行業(yè)（如醫(yī)療、交通、教育）分析人工智能應用的優(yōu)勢與不足。03、大模型的應用有哪些潛在風險？請?zhí)岢鼋鉀Q思路。有關本內容的新進展多模態(tài)大模型：GPT-4o、Claude、Gemini等，能夠同時處理文本、圖像、音頻等多模態(tài)信息。行業(yè)化落地：AI正在快速進入醫(yī)療診斷、智慧城市、個性化教育等實際場景。主要考資 料《人工智能基礎》——清華大學出版社《生成式人工智能》——人民郵電出版社教學反思本章節(jié)涉及的技術發(fā)展迅速，需及時補充最新進展，保持教學內容前沿性。學生對理論興趣較高，但在理解應用案例時存在抽象化傾向，今后應增加更多貼近生活的實例。教學過程設計旁批10.1計算機視覺1.導入新課（5分鐘）“這些系統(tǒng)是如何識別圖像中的物體的？”2.新課講授（30分鐘）（1）計算機視覺的概念與定義概念：利用攝像機和計算機對圖像/視頻進行識別、跟蹤、分析和處理。學科交叉：計算機科學、信號處理、統(tǒng)計學、生物學等。應用領域:①工業(yè)視覺：生產線檢測、質量控制②人機交互：手勢識別、動作識別③安全監(jiān)控：人臉識別、異常行為檢測發(fā)展歷程：1960s：起步階段1970s：基礎理論成型1980s：三維視覺與目標識別萌芽1990s：機器學習方法引入2000s：圖像檢索與概率模型2010s：深度學習革命2020s：多模態(tài)與自監(jiān)督學習基于PyTorch進行圖像分類CIFAR-10數據集PyTorchCIFAR-10圖像分類案例常用命令實現步驟：步驟1設置環(huán)境步驟2數據預處理步驟3定義模型步驟4定義損失函數與優(yōu)化器步驟5模型訓練步驟6模型評估3.課堂活動與討論（10分鐘）在“醫(yī)療/交通/4.課堂總結（5分鐘）計算機視覺是人工智能重要分支，發(fā)展歷程從傳統(tǒng)圖像處理到深度學習。CNN提升了圖像識別能力，推動了醫(yī)療、交通、工業(yè)等應用落地。實踐案例（CIFAR-10圖像分類）展示了基本實現路徑。展望未來：多模態(tài)學習、自監(jiān)督學習將進一步拓展視覺應用邊界。10.2自然語言處理1.導入新課（5分鐘）通過播放Siri/ChatGPT/技術惠民與社會責任：通過醫(yī)療影像診斷、工業(yè)質檢等應用案例，強調技術需服務于人民健康與產業(yè)升級，引導學生樹立"科技為民"的價值導向。結合自動駕駛、安防監(jiān)控等場景，探討技術落地中的安全倫理與隱私保護責任。教學過程設計旁批（30）NLP概述自然語言處理（NaturalLanguageProcessing,NLP）是計算機科學、人工NLP語法分析：解析句子的結構，理解句法和語義關系。命名實體識別NER：識別文本中的人物、地點、組織等實體。情感分析：分析文本的情感傾向，如積極、消極或中性。機器翻譯：將文本從一種語言翻譯成另一種語言。……（3）發(fā)展歷程初期階段（1950s-1970s）1950s：自然語言處理的早期工作開始于計算機科學的奠基時期。1960：ELIZA（1966，基于模式匹配的早期對話系統(tǒng)。1970s：基于規(guī)則的NLP系統(tǒng)，如SYSTRAN翻譯系統(tǒng)。統(tǒng)計方法的興起（1980s-1990s）1980：引入統(tǒng)計模型（HMM、n-gram，應用于語言建模與語音識別1990s：機器學習方法（SVM）用于文本分類、情感分析深度學習突破（2000s-2010s）2000s：RNN、LSTM用于序列建模，提升語言處理能力2010s：詞向量技術（Word2Vec、GloVe）2018：BERT、GPT基于Transformer架構，突破語言理解與生成當前與未來發(fā)展（2020s以后）大規(guī)模預訓練模型：GPT-3、GPT-4廣泛應用于對話、寫作、助手多模態(tài)學習：結合語言、視覺、語音，拓展應用場景道德與隱私挑戰(zhàn)：數據隱私、算法偏見、生成內容真實性未來趨勢（4）核心技術原理語言表示：詞向量、上下文嵌入。語言建模：n-gram→RNN/LSTM→Transformer。自注意力機制：提升長文本依賴建模能力。（5）案例展示：機器翻譯(1)模型選擇使用MarianMTModel和MarianTokenizer在大規(guī)模平行語料上預訓練，專門用于翻譯(2)輸入處理使用分詞器對中文句子進行分詞與編碼轉換為模型可處理的張量格式(3)生成翻譯使用預訓練模型生成英文翻譯文化傳承與語言安全：在機器翻譯、文本生成等技術講解中，融入中華語言文化保護與傳播的使命意識。通過內容審核、輿情分析等應用，強調語言技術對國家文化安全和意識形態(tài)安全的重要性。教學過程設計旁批(4)輸出解碼將翻譯結果解碼為可讀的英文句子3．課堂活動與討論（10分鐘）學生分組討論NLP在醫(yī)療、交通、教育中的應用，舉例說明優(yōu)勢與不足。4.課堂總結（5分鐘）NLP是人工智能的重要分支，核心任務包括理解與生成語言。典型應用：翻譯、問答、情感分析、智能客服。布置作業(yè)：完成課后題思考：分析NLP在教育領域的應用優(yōu)勢與不足。10.3大模型1.導入新課（5分鐘）ChatGPT、DeepSeek等大模型的實際演示（寫文章、改代碼、答疑解惑。2.新課講授（30分鐘）（1）大模型的產生與發(fā)展從LeNet-5→Word2Vec→GAN→Transformer→GPT-1/2/3/4→DeepSeek強調Transformer架構與自注意力機制的革命性突破。（-R1。（2）大模型的主要特點數據與參數的協(xié)同擴展（Chinchilla定律，規(guī)模與效率的平衡。訓練與推理的分工（預訓練—微調—推理。多任務學習能力（一次訓練，多種應用。計算資源需求與挑戰(zhàn)（高能耗→環(huán)境影響→分布式訓練探索。（3）大模型的構建與訓練流程（RLHF。+強化學習逐步優(yōu)化回答。（4）大模型的典型應用通用應用：寫作潤色、代碼生成、公文寫作、圖片理解。行業(yè)應用：（Med-PaLMChatGPT臨床表現智慧教育：個性化教學、智能答疑、自動測評。產業(yè)賦能：制造業(yè)優(yōu)化、廣告?zhèn)€性化推薦、金融風控、廣電內容創(chuàng)作。3.課堂活動與討論（10分鐘）案例討論（5）自主創(chuàng)新與產業(yè)引領：以國產大模型（如華為盤古、百度文心一言）為例，展現我國在AI領域的突破性進展，增強科技自信。通過算力基礎設施、數據資源等講解，引導學生認識國家發(fā)展人工智能的戰(zhàn)略意義。教學過程設計旁批教師總結要點：大模型是深度學習的升級成果，核心在于“數據+參數規(guī)模+訓練方法”。發(fā)展脈絡：從基礎網絡→Transformer→GPT→多模態(tài)模型。主要特點：規(guī)模大、泛化強、多任務、資源消耗高。應用：寫作、編程、教育、醫(yī)療、產業(yè)賦能。作業(yè)：完成課后思考。人工智能生成內容（AIGC）1.導入新課（5分鐘）AI互動提問：你覺得這些展示內容是人類創(chuàng)作還是AI生成的？AI（30）AIGCAIGC（ArtificialIntelligenceGeneratedContent是繼PGC（專業(yè)生成內容）和UGC（用戶生成內容）之后的新型創(chuàng)作方式核心：AI優(yōu)勢：提高內容生產效率，降低創(chuàng)作門檻應用：媒體、教育、娛樂、科研等多個領域內容創(chuàng)作的演進階段AIGC早期：n-gram、LSTM、GAN→簡單內容生成大模型：Transformer大模型推動AIGC能力提升AIGC反饋推動大模型優(yōu)化10.4.3常用的AIGC工具語言生成：ChatGPT、訊飛星火、文心一言圖像生成：美圖秀秀風格轉換、訊飛星火圖生圖音頻生成：文心一言語音定制、SoundfulAIAI編程：CodeGeeX、百度飛槳、華為盤古3.課堂活動與討論（10分鐘）分組活動：每組選擇一個場景（電商、健康管理、教育等）任務：設計一個AIGC應用方案，例如：電商：生成虛擬主播、商品展示圖健康管理：個性化健康課程、智能疾病監(jiān)測報告4.課堂總結（5分鐘）AI