高校AI实训｜人工智能通识——某本科高校

近日，TsingtaoAI教研团队为某高校交付AI通识实训。本实训构建“基础 - 前沿 - 落地”全链路 AI 知识体系。实训从计算演进与数据基石出发，深入机器学习与深度学习核心，重点聚焦大模型时代技术变革。内容紧贴产业，详解 Transformer 架构、提示工程、RAG 及智能体开发，覆盖 NLP、多模态至具身智能前沿。实训兼顾技术原理、实战与伦理。结合 AI for Science（如 AlphaFold）、智慧金融等真实案例，纳入算法公平与治理框架，培养负责任的 AI 人才。20 课时系统实训，平衡理论与工程，助力学生掌握从数据科学到 AGI 的关键能力，直接对接产业需求，成为真正具备全局视野的复合型创新人才，全面赋能高校新工科建设。

实训样例

实训方案

第1课：计算机技术的演进、分类与未来趋势

计算设备的演化史：从图灵机到个人电脑再到移动设备

计算机系统分类：超级计算机、服务器、个人计算机、嵌入式系统

当前核心趋势：量子计算、 neuromorphic computing简介

计算机技术对社会的影响

第2课：数据洪流与数字基石：大数据、云计算

大数据的4V特征与关键技术

云计算：弹性的算力源泉

数据科学与AI的关系：从数据中挖掘价值

案例：一个AI项目背后的数据与云架构

第3课：人工智能导论：历史、现状与哲学思考

人工智能的起源与三大流派：符号主义、连接主义、行为主义

人工智能的“三起两落”发展简史

人工智能现状：从专用智能向AGI的探索

图灵测试与中文屋子：如何定义“智能”？

第4课：数据科学与人工智能的桥梁

数据科学的工作流程：数据采集、清洗、分析与可视化

常用的数据分析工具与编程语言（Python, R, SQL）

统计学基础在AI中的重要性：相关性、回归、假设检验

案例：如何从一个商业问题出发，构建数据驱动的AI解决方案

第5课：机器学习基石：概念、分类与算法

什么是机器学习？与传统编程的根本区别

三大学习范式：监督学习、无监督学习、强化学习

机器学习代表算法

第6课：深度学习革命：神经网络入门

从感知机到多层神经网络：为何“深度”如此重要？

神经网络的核心机制：前向传播与反向传播

激活函数（Sigmoid, ReLU）与损失函数的作用

常用的深度学习框架简介（TensorFlow, PyTorch）

第7课：人工智能新突破：大模型时代

大模型发展历史

自注意力机制：为什么它是核心

大模型基石：Transformer架构

第8课：大模型的“思考”方式：提示工程与应用开发

什么是提示工程？原则与模式

零样本、小样本及思维链提示

大模型应用开发模式：RAG与智能体

实战：构建一个基于大模型的智能应用

第9课：NLP：规则、统计、智能

NLP的目标与挑战

NLP的技术演进

大模型时代下的NLP

Prompt工程入门：如何高效地与模型对话

第10课：智能语音技术：语音识别与合成

语音信号处理基础：从声音波形到声学特征

端到端的语音识别模型（如DeepSpeech）

TTS技术：让机器“开口说话”

智能音箱与语音助手背后的技术栈

第11课：计算机视觉前沿：超越“识别”的“理解”

图像生成技术：GAN和扩散模型（如Stable Diffusion）原理浅析

图像内容理解：视觉问答与图像描述生成

三维计算机视觉：SLAM与三维重建

视频分析技术：行为识别与事件检测

第12课：AI Agents与强化学习

什么是AI智能体？感知-规划-行动循环

强化学习基础：环境、状态、动作与奖励

经典案例：AlphaGo如何击败人类冠军？

智能体的应用：游戏AI、机器人控制、自动化决策

第13课：多模态大模型：融合视觉与语言

多模态学习的意义与挑战

CLIP模型：如何让AI理解图文关系？

GPT-4V、Gemini等多模态大模型能力展示

未来应用展望：真正的全能AI助手

第14课：机器人学与具身智能

机器人学三大核心：感知、认知、控制

什么是具身智能？为何“身体”对智能很重要？

人形机器人的技术挑战与突破（如波士顿动力）

从虚拟智能到物理世界的跨越

第15课：AI基础设施与工具链

AI芯片

MLOps

开源与闭源模型生态

如何构建企业级AI平台

第16课：前沿技术探秘

图神经网络

因果推断

世界模型

神经符号集成

第17课：人工智能的治理、伦理与安全

算法偏见与公平性：AI会歧视吗？

数据隐私与安全：如何在利用数据的同时保护用户？

可解释AI（XAI）：我们能信任“黑箱”模型吗？

人工智能的治理框架与法规展望

第18课：AI for Science：人工智能驱动科学发现

AI在生命科学中的应用：蛋白质结构预测（AlphaFold）

AI在材料学与药物研发中的革命

AI与气候变化：优化能源消耗与预测极端天气

人工智能如何加速人类的科学前沿探索

第19课：行业赋能：人工智能的落地实践

智慧金融：风控、投顾与欺诈检测

智能驾驶：环境感知、路径规划与决策控制

智慧医疗：辅助诊断、个性化治疗

新零售与智能制造：供应链优化与质量控制

第20课：课程总结与未来展望：走向通用人工智能？

全书知识体系回顾与串联

当前技术的边界与瓶颈

AGI的路径猜想与技术挑战

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