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：預訓練模型 + 專業(yè)訓練精調(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
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)備和機器人訓練中的AI: 訓練數(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
