师资研修｜AI时代教师信息素养提升与实践——某本科高校

近日，TsingtaoAI教研团队为某高校交付AI时代教师信息素养提升与实践师资研修。TsingtaoAI 团队此次实训直面 AI 重塑教育的核心命题，摒弃泛化理论，聚焦“素养 - 工具 - 模型 - 创新”进阶。实训依托 MaaS 与 Agent 双平台，通过 20 节实战，引领教师从信息检索、知识管理的基础觉醒，跨越至零代码智能体开发与工作流编排。不仅涵盖提示词工程、插件工具调用等即时生产力技能，更深入数据集清洗、模型微调（SFT/DPO）等技术深水区，打破教师对 AI 的黑盒认知。强调伦理底线与数据隐私，确保技术应用安全合规。最终落脚于 PBL 项目式学习与跨学科融合，确保学员结业时交付 3 个定制化教学应用。这是一次从“使用者”到“创造者”的角色蜕变，为智能教育生态储备关键师资力量，达成技术赋能闭环。

实训样例

实训概况

适用对象： 高校教师、教研人员、教育管理者

总课时： 20 节（每节 ≥30 分钟）

研修形式： 理论深度讲解 + 平台实操演示 + 案例工程复刻

核心平台： 某企业教育生态（MaaS 平台、Agent 平台、数字人平台）

📌 研修目标

  1. 认知升级： 清晰界定 AI 时代教师的核心竞争力与伦理底线。

  2. 技能落地： 亲手开发 3 个定制化 AI 教学应用（如智能助教、出题器、个性化导师）。

  3. 思维进阶： 掌握数据驱动教学决策的基本方法，理解模型Fine-tuning的核心逻辑。

📚 模块一：意识觉醒与基础构建（第 1-4 节）

阶段目标： 打破技术恐惧，建立 AI 教育应用的全景认知，筑牢信息安全与伦理底线。

第 1 节：开启智慧教育新篇章——信息素养内涵与 AI 时代机遇

  • 核心议题： AI 不是替代者，而是超级助手。

  • 内容详解：

    • 行业冲击： 深度剖析传统教学模式面临的挑战，解读 AI 如何重塑教师角色（从教书到育人）。

    • 政策风向： 国内外 AI 教育政策与发展趋势关键指标解读。

    • 素养演变： 明确新内涵——从基础 IT 技能进阶到提示工程、智能工具使用及伦理判断。

    • 生态全景： 介绍卓世科技教育生态（MaaS 模型工厂、Agent 应用工作室、数字人创造间）及三平台协同流程。

    • 学习地图： 明确 20 节技能进阶路径及结业成果预期。

  • 实操任务： 登录卓世 Agent 平台和 MaaS 平台，完成账号注册与基础环境配置。

第 2 节：成为高效的"搜商"高手——信息检索与筛选

  • 核心议题： 在信息过载时代，如何快速获取可信资源服务于备课与教研。

  • 内容详解：

    • 搜索进阶： 回顾传统搜索引擎高级指令（site:, filetype:），对比 AI 增强型工具（New Bing 联网总结、Perplexity 学术溯源、ChatGPT 多角度对比）。

    • 学术策略： 中国知网/万方高级检索技巧，谷歌学术/arXiv 使用心法，Zotero 文献管理基础。

    • 可信度评估： 建立信息来源可靠性评估框架，掌握事实核查流程，识别 AI 生成内容特征。

  • 实操任务： 针对“人工智能在小学科学教育中的应用”课题搜集资料，演示用 AI 生成文献综述框架，并进行信息可信度评估练习。

第 3 节：数字资源的"断舍离"与知识管理

  • 核心议题： 构建个人知识体系，缓解数字时代“知识焦虑”。

  • 内容详解：

    • 应对策略： 建立个人知识筛选标准，制定定期清理与更新机制。

    • 最佳实践： 基于教学场景的文件分类体系，标准化命名规范（日期 - 主题 - 版本），多云存储备份方案。

    • 工具入门： 飞书文档（协同沉淀）、Notion（模块化数据库）、印象笔记（捕捉标签）在教育场景的适用性分析。

    • 体系构建： 确定核心领域，建立知识关联网络。

  • 实操任务： 在卓世 Agent 平台创建"我的教学灵感库"知识库，演示 PDF 教案上传、文本分段、标签添加及分类体系实战。

第 4 节：信息安全与伦理道德——AI 应用不可逾越的底线

  • 核心议题： 技术向善，确保 AI 应用合规、安全、公平。

  • 内容详解：

    • 数据安全： 解读《个人信息保护法》教育条款，落实学生数据收集最小化原则及家长知情同意机制。

    • 算法伦理： 识别算法偏见表现形式，掌握教育公平性检测方法及减少偏见策略。

    • 版权规范： 厘清 AIGC 版权认定现状，制定学术诚信与 AI 工具使用规范。

    • 数字公民： 设计各年龄段 AI 伦理教育重点及课堂讨论话题。

  • 实操任务： 案例研讨（AI 监控学生表情伦理边界），小组制定班级 AI 使用公约，模拟家长会解释隐私保护措施。

🛠 模块二：AI 工具赋能教学实践（第 5-12 节）

阶段目标： 掌握零代码开发能力，利用 Agent 平台打造专属教学智能体，实现教学流程自动化。

第 5 节：初见智能体——卓世 Agent 平台核心功能与零代码开发入门

  • 核心议题： 无需编程，像搭积木一样创建 AI 应用。

  • 内容详解：

    • 界面导览： 工作区布局、应用管理、知识库入口详解。

    • 创建方式： 模板创建（快速启动）、空白应用（自定义）、DSL 导入（复用共享）。

    • 提示词初探： 角色设定、任务定义、格式规范结构化输出技巧。

  • 实操任务： 从模板创建"智能客服"应用并测试；修改提示词观察输出变化；复用案例工程文件 1（学科问答助手初始版.dsl）。

第 6 节：打造专属教学顾问——提示词工程与知识库应用

  • 核心议题： 让 AI 懂你的教学语境，输出高质量内容。

  • 内容详解：

    • CRISCO 原则： 清晰、相关、迭代、具体、无偏见、优化的高级提示词技巧。

    • 变量使用： 变量语法 {{变量名}} 及其在交互场景中的应用。

    • 知识库管理： 分段策略（按段落/主题）、清洗规则、多路召回模式配置。

  • 实操任务： 为助手添加难度选择变量；创建学校制度知识库并关联应用；复用案例工程文件 2（学校规章制度查询助手.dsl）。

第 7 节：从对话到生成——文本生成型应用的开发

  • 核心议题： 批量生产教学素材，释放教师创造力。

  • 内容详解：

    • 应用区别： 文本生成与聊天应用在输入输出模式、提示词侧重及评估标准上的差异。

    • 指令链设计： 明确输入要求（格式/约束），定义输出规范（结构/风格），应用 Few-shot learning。

    • 批量生成： "更多类似的"功能技巧，质量控制与筛选方法。

  • 实操任务： 开发课堂小测验生成器；生成结果评估与优化；复用案例工程文件 3（课堂小测验生成器.dsl）。

第 8 节：拥有"超能力"的智能体——为 AI 应用添加工具插件

  • 核心议题： 突破模型知识限制，连接实时世界。

  • 内容详解：

    • 插件价值： 获取实时信息、执行复杂计算、专业任务处理。

    • 内置插件： Bing 搜索（实时信息）、数学计算（公式推导）、网页抓取（信息提取）。

    • 技术模式： Function Calling 工作原理与 ReAct 推理模式优势及适用场景。

  • 实操任务： 为助手添加 Bing 搜索插件；测试插件效果；复用案例工程文件 4（时事新闻解读助手.dsl）。

第 9 节：解锁复杂任务——低代码工作流编排入门

  • 核心议题： 拆解复杂教学任务，实现自动化流转。

  • 内容详解：

    • 必要性： 处理多步骤任务、条件判断及多工具协同。

    • 核心概念： 节点（功能单元）、变量（数据载体）、连线（逻辑关系）。

    • 常用节点： 开始节点（输入）、LLM 节点（处理）、结束节点（输出）。

  • 实操任务： 创建简单问答工作流；演示变量传递；复用案例工程文件 5（简单问答工作流.dsl）。

第 10 节：让 AI 更懂教学——工作流中的逻辑判断与知识检索

  • 核心议题： 赋予 AI 逻辑判断力，实现精准教学反馈。

  • 内容详解：

    • 条件分支： 条件表达式编写、分支路径设计、复杂逻辑处理。

    • 知识检索： 检索参数设置、结果处理、多知识库协同。

    • 多路召回： 向量检索与全文检索结合，重排序算法及结果融合策略。

  • 实操任务： 升级作文批改工作流；复杂逻辑调试；复用案例工程文件 6（智能作文批改工作流.dsl）。

第 11 节：AI 助教全程陪伴——构建多轮对话型教学应用

  • 核心议题： 打造有记忆、能互动的个性化学习伙伴。

  • 内容详解：

    • 会话管理： 变量类型与作用域，上下文保持机制。

    • 记忆配置： 记忆窗口大小设置，提取与更新，长期记忆实现方案。

    • 体验优化： 开场白设计，下一步问题建议生成。

  • 实操任务： 创建个性化学习导师应用；多轮对话测试与优化；复用案例工程文件 7（个性化学习导师.dsl）。

第 12 节：成果展示与分享——AI 应用的发布与部署

  • 核心议题： 将应用转化为可分享的教学产品。

  • 内容详解：

    • 发布设置： 访问权限（公开/私有/密码），API 密钥管理，用量统计。

    • 集成方法： iframe 嵌入代码获取，网站集成配置，LMS 系统对接方案。

    • 运营维护： 日志查看，用户反馈收集，版本更新管理。

  • 实操任务： 发布个性化学习导师应用；获取分享链接和嵌入代码；查看基础运营数据。

📊 模块三：数据思维与模型初探（第 13-16 节）

阶段目标： 从应用使用者进阶为模型理解者，掌握数据驱动决策与模型微调基础。

第 13 节：用数据说话——教学数据分析与可视化初步

  • 核心议题： 拒绝经验主义，用数据支撑教学决策。

  • 内容详解：

    • 数据源识别： 成绩数据、行为数据（出勤/互动）、过程数据（路径/时间）。

    • 分析方法： 描述性统计（均值/标准差），趋势分析，对比分析（班级/个体）。

    • 可视化呈现： 图表选择原则，工具基础操作，数据故事叙述技巧。

  • 实操任务： Excel 数据分析和图表制作实战；撰写教学数据洞察报告；模拟数据驱动教学决策。

第 14 节：打造专属教育大脑——MaaS 平台与模型训练概念

  • 核心议题： 理解大模型背后的逻辑，何时需要专属模型。

  • 内容详解：

    • 平台模块： 项目管理、数据集管理、模型训练、模型管理（版本/部署）。

    • 微调概念： 通用模型局限性，微调适用场景判断，参数调整机制原理。

    • 训练策略： SFT（有监督微调）、PT（预训练）、DPO（偏好优化）的特点与优势。

  • 实操任务： 浏览 MaaS 平台功能模块；深度分析微调成功案例；练习训练方案设计。

第 15 节：从数据到数据集——训练数据的准备与清洗

  • 核心议题： 数据质量决定模型智商，掌握数据集制备规范。

  • 内容详解：

    • 格式规范： JSONL 文件结构解析，字段定义，编码与大小限制。

    • 质量控制： 噪声识别处理，格式标准化，缺失值处理。

    • 指令构建： 问题设计原则，答案质量评估，多样性保证方法。

  • 实操任务： 数据集格式转换实战；数据质量检查；复用案例工程文件 8（SFT_dataset_template.jsonl）。

第 16 节：训练我的第一个教育模型——MaaS 平台模型微调实战

  • 核心议题： 完成从数据到模型的全链路闭环。

  • 内容详解：

    • 任务创建： 基础模型选择，参数配置，资源分配与成本控制。

    • 任务流编排： 自动化流程阶段，节点依赖管理，异常处理。

    • 评估优化： 评估指标解读，效果优化策略，版本管理 best practice。

  • 实操任务： 演示训练任务创建全过程；分析训练结果；复用案例工程文件 9（model_training_config_template.yaml）。

🚀 模块四：融合创新与未来发展（第 17-20 节）

阶段目标： 回归教育本质，实现 AI 与教学的深度融合，塑造教师个人数字化品牌。

第 17 节：AI 赋能下的项目式学习设计与实践

  • 核心议题： 利用 AI 工具升级 PBL 项目，培养学生高阶思维。

  • 内容详解：

    • 框架重构： 驱动性问题 AI 增强设计，学习路径智能化调整，成果评价多元维度。

    • 阶段应用： 提出问题（头脑风暴）、规划方案（资源推荐）、探索创造（协同创作）、评价反思（自动反馈）。

    • 案例实践： 跨学科项目设计，实施要点与注意事项。

  • 实操任务： PBL 项目方案设计工作坊；跨学科项目设计实战；实施方案讨论与优化。

第 18 节：跨学科融合的 AI 课堂案例拆解

  • 核心议题： 打破学科壁垒，拓展 AI 教育应用边界。

  • 内容详解：

    • AI+ 语文： 古诗词分析创作、作文批改润色、阅读理解深度分析。

    • AI+STEM： 科学实验模拟、数学问题求解、编程辅助调试。

    • AI+ 艺术/社科： 数字艺术创作、音乐编曲、历史事件模拟、地理数据可视化。

  • 实操任务： 优秀案例深度拆解；学科融合方案设计；实施效果评估讨论。

第 19 节：教师 IP 的塑造与数字化成果输出

  • 核心议题： 将教学经验转化为可传播的数字化资产。

  • 内容详解：

    • 成果包装： 成果类型识别，价值提炼，受众分析与内容定位。

    • 输出形式： 教学论文、博客文章、微课视频、工作坊设计。

    • AI 辅助创作： 写作辅助优化，演示文稿自动生成，视频制作自动化。

  • 实操任务： 个人成果梳理练习；制定内容创作计划；实践 AI 辅助创作工具。

第 20 节：课程总结、作品路演与未来展望

  • 核心议题： 复盘成长路径，展望 AGI 时代教育形态。

  • 内容详解：

    • 体系总览： 核心概念回顾，技能进阶路径，关键成功因素。

    • 作品路演： 展示标准与流程，同行评议反馈，改进优化建议。

    • 未来展望： AGI 时代教育形态，新技术应用前景，教师角色演变预测。

    • 持续学习： 个人发展目标设定，资源推荐，社群支持机制。

  • 实操任务： 课程学习成果展；优秀作品评选与颁奖；制定个人发展计划。

实训技术专家

陈老师 AI智算技术专家

研究方向：分布式计算、深度学习模型优化、GPU加速计算。

曾就职某央企高性能计算研发工程师，一线智算厂商高性能AI Infra工程师，现就职TsingtaoAI公司AI框架及AI应用研发工程师。

专业领域

华为昇腾技术栈: 深入掌握华为昇腾AI计算平台，包括昇腾算子开发、HCCL集合通信优化、智算集群建设与性能调优。

智算集群建设与优化: 专注于大规模智算集群的设计、部署、设备选型、网络配置及系统集成，提升集群性能和稳定性。

深度学习与高性能计算: 研究和应用分布式训练框架、优化技术，进行大规模计算任务的高效处理。

网络与系统集成: 在复杂网络环境下进行系统集成，确保数据传输的高效性与系统的稳定性。

AI开发框架: 熟悉多种AI开发框架，包括NCE fabric、NCE insight fabric、MindX和ModelArts平台的高阶使用。

代表性项目经验

GFDX智算集群项目

负责内容: 主导智算集群的整体设计与交付，包括设备选型、系统集成和网络设备配置。负责优化集群性能以满足高负载计算需求。

实际项目交付经验: 成功实施了62.5P的智算集群交付，确保系统的高效能和稳定性。

首都在线智算集群项目

负责内容: 主导智算集群的设计与部署，负责设备选型、集群网络架构设计和HCCL集合通信的优化配置。

实际项目交付经验: 成功交付了80P的智算集群项目，实现了高效的数据处理和计算能力。

北京昇腾人工智能计算中心

负责内容: 智算集群项目的建设与交付，包括设备选型、系统集成、网络设备配置与调优，以及昇腾平台的算子开发与优化。

实际项目交付经验: 主导了100P的智算集群交付，显著提升了计算能力和系统性能，满足了大规模AI应用需求。

教学与培训经验

昇腾技术培训: 为多家企业和研究机构提供昇腾技术栈的定制化培训，涵盖昇腾算子开发、HCCL通信优化、智算集群建设等内容。

教学方法: 善于将复杂的理论知识与实际应用相结合，通过案例分析与实践操作，帮助学员在短时间内掌握核心技术，并能在实际项目中独立应用。

培训案例

某智算中心运维厂商：

  1. IB网络

    1. IB网络的概述与原理

    2. IB网络的传输协议与数据传输原理

    3. 深入讲解InfiniBand的传输协议，包括RC、UC和UD，并解释数据传输机制。

    4. 描述IB网络的硬件架构，包括交换机、路由器、HCA和TCA等。

    5. IB网络的故障诊断与排除

    6. 实操环节，教授如何诊断和解决IB网络中可能出现的问题。

  • GPU架构与CUDA编程

    • NVIDIA GPU架构与特性

    • 介绍GPU的基本概念和CUDA编程模型。

    • 提供CUDA编程的基础知识和入门指导。

    • GPU内部结构与性能优化关键点

    • 分析GPU加速计算的实际案例，包括性能提升和应用场景。

    • 讲解如何优化CUDA程序的性能，以及CUDA生态系统中的各种工具和库。

    • GPU加速计算与案例分析

    • 高级CUDA库与工具链详解

    • 性能优化与CUDA生态系统

  • 算力集群规划与设计

    • 算力集群架构与设计

    • 软件栈设计与集群性能评估

    • 集群性能调优的高级技巧与实践

    • 集群性能调优

智算集群的开发调优-某运营商研发中心

昇腾算子开发相关

  1. 常见错误码与问题排查

  2. 自定义算子的调用与调试

  3. 高阶融合算子实现方法

HCCL集合通信相关

  1. HCCL常见错误码与处理方法

  2. HCCL通信算法与算子开发

  3. HCCL新特性与调优

昇腾智算集群网络设备管理

  1. NSLB1.0和2.0方案实现细节

  2. 端网协同机制

  3. 集合通信建链与mpirun测试

华为AI开发框架与工具链

  1. 华为CCAE与NCE系统使用

  2. MindX与ModelArts框架使用

  3. 昇腾环境适配的AI开发框架

基于华为昇腾的分布式训练技术咨询-某科研学术机构

利用 PyTorch DDP 在多 GPU 上并行训练 ResNet-18，加速 CIFAR-10 训练并保持高准确率。通过环境配置、数据分发与采样、模型分布式包装和自动梯度同步，实现高效训练。结合混合精度、梯度压缩和自适应批大小等策略，大幅减少通信开销、提升计算效率。针对分布式任务调度与容错机制进行深入探索，保障大规模训练的稳定性与可扩展性，提供了高效、易扩展的分布式深度学习解决方案。

马老师 教授 AI与大数据技术专家

广东东软学院软件工程大数据专业方向负责人、大数据实验室负责人、广东东软学院计算机专业教师，中国计算机学会高级会员，广东省研究生联合培养基地硕士生导师，全国高校人工智能与大数据创新联盟理事，佛山人工智能学会理事、中国机电工程协会会员。主持教育部高等学校科学研究中心中国高校产学研创新基金3项，主持广东省高校成果转化中心高校教师特色创新研究项目1项，主持教育部协同育人项目3项，参与省教育厅及佛山政府项目12项目，其中省级项目7项，市级项目5项。主持开发实施企业信息化项目16项。

代老师 AI技术专家 | 能源领域AI Agent专家

30岁博士，拥有3年AI技术经验，专注于大语言模型在能源领域的应用。主导AI大模型落地项目，精通提示词工程、RAG、Multi Agent调度等技术，成功将大语言模型与业务流程结合，实现生产级应用。具备扎实的数学优化基础和系统工程能力，擅长复杂系统建模与算法开发。 

西安交通大学 | 博士 | 控制科学与工程（系统工程）

  • 国家重点实验室，管晓宏院士团队，导师高峰教授 

  • 26岁获得工学博士学位 

  • 博士期间聚焦企业能源管理，发表ESI高被引论文1篇

西安交通大学 | 本科 | 钱学森实验班（自动化）

  • 高考全省507名，专业前10%，本科直博 

  • 学习所有工科专业基础课程，适应高强度淘汰机制

图迹信息科技有限公司 | AI技术专家

  • 担任数据分析部副部长，主导公司AI大模型落地应用，负责技术框架设计 

  • 设计能源领域AI Agent智能体，完成技术调研、框架设计、效果测试、优化、本地部署及上线演示全流程 

  • 应用AI 2.0技术栈： 

    • ✅ Prompt Engineering

    • ✅ RAG）

    • ✅ Multi Agent调度系统

    • ✅ 工作流设计与优化

  • 核心技术突破：解决大语言模型与细分业务流程精准匹配难题，项目满足生产落地要求 

  • 基于Agent成果，制定公司多Agent架构产品规划，推动复杂业务场景的AI化转型

宁波工程学院机器人学院 | 高校讲师

  • 教授《工业互联网》《微机原理》等课程，具备技术培训能力 

  • 科研项目：人工智能—大语言模型研究、电动交通工具储能化V2G研究 

  • 指导学生获浙江省智能机器大赛、全国大学生节能减排比赛奖项

核心项目经历

图迹AI智能体项目 | 主要负责人

  • 设计能源领域AI Agent智能体，实现细分业务自动化 

  • 关键技术细节： 

    • 构建RAG+Multi Agent调度框架，提升业务流程处理效率 

    • 通过提示词工程优化大语言模型输出准确性 

    • 设计多阶段工作流，解决能源业务场景的动态决策问题

  • 成果：项目成功上线，支持公司能源大数据分析与调度业务落地

绿色制造企业能源与生产协调随机优化调度

  • 国家自然基金项目，依托大型钢铁集团 

  • 创新性将员工电动汽车V2G接入企业电网，建立两阶段整数鲁棒优化模型

  • 设计算法提升求解效率10倍，降低企业能源成本70万元/天 

  • 发表4篇论文

发表论文

  1. Dai S, Gao F, Guan X, et al. Robust Energy Management for a Corporate Energy System With Shift-Working V2G[J]. IEEE Transactions on Automation Science and Engineering, 2020. （ESI高被引） 

  2. Dai S, Gao F, Liu K, et al. A Time-domain Decoupling Policy for Multi-stage Robust Scheduling in a Corporate Energy System with V2G [C]. IEEE CASE, 2019. 

  3. Dai S, Gao F, Guan X, et al. A Two-stage Robust Scheduling Model for Energy Intensive Corporation with Shift-work System and V2G Integrated Microgrid [C]. IEEE PES General Meeting, 2018. 

  4. Dai S, Gao F, Cheng X, et al. Basis Invariancy Sensitivity Analysis for Robust Linear Optimization [C]. CCC, 2018. 

  5. 代世豪, 高峰, 董皎皎, 等. 一种采购运输统一优化模型及多变量灵敏度分析 [C]. 中国控制会议, 2015.

李老师 TsingtaoAI AI大模型研发经理

TsingtaoAI大模型研发经理，是一位深耕后端架构并成功转型 AI 尖端领域的复合型专家。他拥有深厚的工程架构底座，擅长将复杂的 LLM 技术转化为具备高商业价值的 AI 应用。

在加入 TsingtaoAI 之前，李老师曾先后任职于亚信科技、美的集团及金蝶等知名领军企业 。这种从大型系统开发到大模型应用的跨界履历，赋予了他独特的“技术+产品”双向思维 。在后端开发阶段，他曾主导过复杂供应链系统的重构与大规模并发处理，通过 Redis+Lua 脚本解决分布式锁难题，利用 EasyExcel+线程池 优化百万级物料数据入库 。这些极具挑战性的工程实践，为他后续在处理大模型预训练数据清洗、向量数据库检索性能优化方面奠定了坚实的底层基础。

作为 TsingtaoAI 的核心技术带头人，李老师专注于 Generative AI技术的工程化落地：

模型精调与优化： 负责基于 Transformer 架构的大模型微调工作，精通 LoRA、P-Tuning 等轻量化参数微调策略，成功将垂域知识注入通用大模型，显著提升了模型在工业、供应链场景下的任务达成率。

RAG 架构专家： 结合其在美的及金蝶期间处理海量业务数据的经验 ，他主导设计了 TsingtaoAI 的企业级知识库 RAG系统，解决了大模型在实际应用中的“幻觉”问题，实现了业务数据与生成式 AI 的深度耦合。

工程化协同： 凭借敏锐的敏捷开发经验（DevOps/YApi/Git） ，他搭建了一套高效的 LLMOps（大模型运维）体系，缩短了从模型实验到 API 部署的周期，极大提升了 AI 产品的迭代效率。

关于TsingtaoAI

TsingtaoAI致力于构建国际领先的工业具身智能技能任务开发平台。公司核心团队汇聚了来自顶尖院校与科技巨头的技术专家，拥有深厚的AI Infra与机器人算法积淀。公司通过自研的通用PoC实验底座与多模态Agent编排引擎，为工业制造、高校实训等场景提供从数据生成、算法训练到即时部署的全栈解决方案。TsingtaoAI具备专业的AI实训教研团队，可以为各类高校提供专业前沿的实训建设服务。

Product & Case.

产品与案例

넳 넲
ꄴ前一个： 无
ꄲ后一个： 无