上海爱数信息技术股份有限公司 AISHU Technology Corp 数据驱动智慧校园建设 爱数围绕全域数据能力，打造多款数据管理平台，增强数字化韧性，以“数据”和 “ 知识”双擎驱动智慧校园建设，筑梦智慧教育新未来，为教育大计护航助力。 www.aishu.c n 无论时代如何发展 ，教育“传道、授业、解惑”的本质从未改变。 随着云计算、物联网、大数据和人工智能等技术的发展 ，教育的内涵在不断深化。教育 • 知识沉淀难度高 • 知识赋能无法达成 “ 数据”和“知识”双擎驱动智慧校园 数据是高校的“血液” ，是保障正常管理和服务运营效能提升的基础。高校中存在海量 的非结构化数据 ，且正以每年几十、几百 TB 级快速增长。对于高校如此庞大的数据量， 如何将其在安全合规的基础上进行协同共享 ，是高校数据资源能够高效利用的保障。 在这些数据资源中 ，积累着大量的知识 ，其中不乏教学资料、学术文献、科研报告、试 ，其中不乏教学资料、学术文献、科研报告、试 验数据、会议视频音频等。知识于高校而言 ，是最大的资源、也是最强的生产力 ，知识 是高校的智力 ，是高校保持旺盛生命力、保持可持续发展的能力源泉。 但当前 ，数据资源中的知识并未被高效利用 ，知识沉淀、传承与赋能仍无法达成。因而， 在“数据”和“知识”双引擎驱动下 ，将围绕高校数据资源的整合、协同共享与知识沉 淀进 行智慧校园建设。 智慧校园建设三要素

4 亿 数据量约 78GB CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn 2019 年 8 月 清华大学提出知识注入 BERT 模型，后由 Baidu AI 更新迭代 到 3.0 版本 参数量 1.15 亿， 1.25 亿， 100 亿 数据量约 12GB ， 22.9G ， 4TB 2020 年 3 月 成本高、部署困难、每次调用花费不菲，对 工程能力有很高的要求， GPT-3 模型的 训 练成本在 875 万 -1093.75 万美元之间 03 因为数据的偏见性，很可能生成有害内容 05 时效性差，无法实时地融入新知识，知 识范围局限于基础大规模语言模型使用 的预训练数据时间之前 02 反映的是标注人员的偏好，在标注人 员分布不均的情况下，可能会引入新 的偏见问题 06 CHIMA 20Pag2 大模型精确性提升思路：知识嵌入 ③ 精 准 可 解 释 ④ 医 疗 应 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练 大模型语言本身具有很强的语言理解或生成能 力，然而为了提高其叙述内容的真实性和严谨 性，需要采用特定的技术路线，例如将知识图 谱中的事实描述融入大模型的训练过程中。 知识嵌入： Zhang 等人通过将知识图谱的表示 向量加入到

座不仅提供理论 指导，更注重提供实操模板与案例，强调无需依赖专门AI系统，普通教育和学术工作者也能便捷应用通用模型与开放工具实 现专业功能，具有广泛实用性和迁移价值。 二、教育和学术领域是一个知识密度极高的领域，也是受大语言模型技术影响较大的领域。本讲座共包括五个部分，逐层递 进、环环相扣，从技术概述到教学应用、学习辅助、科研支持再到管理赋能，通过教-学-研-管四个教育环节构建了 Dee 。 二、DeepSeek与AI认知 此部分从DeepSeek的历史开始，逐步讲解AI的演进及认知： 1. DeepSeek解密：详细介绍DeepSeek技术历程、核心优势及其算法在理解、推理、知识应用上的提升。解析V3、R1等模 型特性，旨在为听众构建对这一前沿技术价值的坚实理解基础。 2. AI技术演进与认知框架：梳理AI从规则系统到大模型的技术演进，探讨AI时代的认知升级与人才观变革。为教育者提供认 强的理解和生成能力，但是需要更多计算资源。 2. 硬件需求：参数越多，对内存（RAM）和显存 （VRAM）的需求就越高。 3. 运行速度：参数量大的模型，推理速度更慢，尤 其是资源不足的时候。 4. 知识密度百日定律：参数量每3.3个月降低一半。 1. 本地部署DeepSeek时，需根据硬件配置选择合 适模型版本。如1.5B模型适合资源受限设备， 671B模型需服务器集群支持。 2. 合理匹配参数量与硬件，可优化模型性能，提升

...15 1.3.1 设计灵活的教育 AI 模型.............................................................17 1.3.2 实现知识的有效传播..................................................................18 2. 用户需求分析............... 3.3.1 用户数据管理.............................................................................57 3.3.2 知识库构建.................................................................................59 4. 教育内容的整合. .......................................69 4.2 知识图谱构建......................................................................................70 4.2.1 学科知识点关联............................................

标。 报告从技术、社会与教育三个维度深入审视机遇与挑战：在技术层面，算力、数据与算法的突破孕育创新红利， 但面临安全、伦理、偏差与治理等现实约束；在社会层面，发展契机与潜在风险并存；在教育层面，知识去中 心化、学习个性化的进程中，需要同步重塑价值导向与能力结构。基于深入分析，报告提出推动高等教育走向 智能、高效、开放、可持续发展的总体目标，涵盖升级智慧教育环境建设、创新人才培养模式、促进跨学科和 面向未来，报告从五个方面提出发展愿景：构建智算生态体系赋能智慧教育环境，重塑高教专业体系优化人才 培养机制，变革知识生产范式重塑科研新样态，推动教育公平承担社会责任，着眼共同发展为世界高等教育提 供中国方案。同时，报告正视大模型应用中的算法偏差与“黑箱”问题、内容同质化风险、知识产权与数据权 益等挑战，强调强化教师与管理者人工智能素养，保护学生主体性与创造力，完善数据确权与合规流通机制， 推进绿色计算与可持续运营。 ········ 29 2.1.2 社会层面：发展契机与潜在风险并存 ··············································· 30 2.1.3 教育层面：知识平权化机遇与价值重塑挑战并存 ······································ 33 2.2 推动高等教育走向智能、高效、开放、可持续发展 ································

：一切问题都是模型问题 • 模型： 一个映射， 一个函数 科学范式 ◼ 从规则到数据：逐步破除我执（去人类中心主 义） 1. 第一代（规则系统）： 推理为核心 2. 第二代（知识工程）： 知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机 器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 时达 到 • NLG+NLU ：语言理解、语言表达（包括温度和情商） • 人类语言、代码语言、 XX 语言 2. 知识能力：海量公开知识，言之有物， GPT-2 时达 到 • 顺带学习（基座模型）：文字中蕴含了知识 • 压缩：幻觉 • 遗忘：微调（迁移学习），尤其是 RLHF 用人工神经网络获取网络模型：深度学习 -Transformer 大语言模型的三层能力：语言能力 - 知识能力 - 推理能力 01 对 AI 技术的认知：大模型的能力边 界 nLLM 的三个能力的应用：选型标准 1. 语言处理场景：语言能力 • 文字处理：翻译、摘要、判别、生成等 • 人机界面：指令、信息、 prompt 2. 知识助手场景：语言能力 + 知识能力 • 知识压缩、知识提取、知识组织 • 智能问答 3.

作为全球参考，该工具指导国家人工智能能力框架的发展，影响教 师培训项目，并帮助设计评估标准。它还提供了教师构建人工智能 知识、应用伦理原则和支持其职业发展的策略。 教学方法，以及专业学习中的AI应用。这些能力被划分为三个进 阶层次：获取、深化和创造。 The AI能力框架针对这一缺口，通过定义教师在AI时 代必须掌握的知识、技能和价值观来解决这一问题。 该框架基于保护教师权益、增强人类自主性和推动可 持续性的原则进行开发，并详细列出了五个维度下的 通技术能力框架 ： 对决策者的指导 ， 以及最近的 教育和研究中的生成人工智能指南。 它基于来自广泛利益相关方的贡献，受益于联 合国教科文组织成员国在开发和实施人工智能学校课程方面的见解、国际工作组的专 业知识，以及四次国际咨询会议和多轮在线咨询的成果。 该框架通过倡导以人为本的方法，将人工智能能力与人权原则和人类责任原则相结合， 从而与联合国教科文组织的使命相契合。以此方式，它响应了2021年联合国教科文组织 为什么要建立 AI 能力 框架 ？ 这一教师人工智能能力框架（AI CFT） 旨在支持教师发展人工智能相关能力，使 他们能够以安全、有效和伦理的方式在其 教学实践中使用这些技术工具。该框架基 于以人为中心的知识方法论。 因此，教育中人工智能的使用需要谨慎考 虑，包括审视教师需要扮演的角色如何演 变以及他们需要具备哪些能力以实现伦理 且有效的AI应用。教师是教育中人工智能 的主要用户，他们被期望成为利用人工智

并能够像人类一样 分析问题 ，寻找思路 ， 并给出答案（解决方案） ； 它是一位 “过目不忘”的全能型老师 ，（通过 训 练） 掌握了人类各个方面的知识 ，免费解答你各种问题； 它还是一位 “好学上进”的学生 ， 能 够学 习人类的资料 ，进一步丰富自己的知识 ，更好解答。 DeepSeek 是的各种 AI 大模型中一个 ，他的基本原理与 chatGPT 、 GROK3 等一样。 认识 deepseek 服务器 ... ） 算力 算法 装软件（神经网络 ... ） 数据训练（网络信息、 文献、 资料） 数据 内容生成（ “词语接龙” ... ） 语言是知识的载体 ，也是人类沟通的桥梁 ，理解了人类语言 ，就能理解各类知识 ，能 跟人沟通。 因此自然语言处理是人工智能皇冠上的明珠 ，大语言模型就是基于深度学习技术 的自然语言处理工具 ，通过海量数据训练实现对人类语言的理解、生成和推理能力。 基于前期内容训练成果 ，根据用户输入的提示词 ，一个接一个地“算”下一个词（根据前面的词 生成后面的词） 。从而写出一段又一段符合你期望的文字。 生成式人工智能 (Generative AI) ：学习知识 + 生成新知识 了解生成式人工智能（ AI GC ） 的工作原 理 DeepSeek 的主要优势 1. 推理能力强大 DeepSeek 在推理能力上与国际领先的模型如 OpenAI 的 GPT-4 相媲美。

但容易出错，得人类盯着。 ·L4 ( 更浅黄 ): “ 发明家” → 能创造人类想不到的东西，比如发明新物理定律、设计从未有过的音乐风格。 → 现状：科幻片水平，目前 Al 只能组合现有知识 ( 比如写歌还是模仿人类风 格 ) 。 ·L5 ( 顶层，接近白色 ): " 幕后大 BOSS" → 一个人工智能管一家公司甚至一个国家，自己定战略、招员工、搞创新，人类 躺 平 收 钱 。 → 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、 更连贯的回答 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 加丰富、多样的娱乐体验。 例如，通过 大模型的语音识别功能，人们可以通过 语音指令控制游戏，实现更加智能化的 游戏体验 提高学习效率 大模型在教育领域的应用，可以帮助人 们更高效地学习新知识。例如，通过大 模型的智能推荐功能，人们可以根据自 己的兴趣和需求，获取更加个性化的学 习资源 改善生活质量 大模型在智能家居、智能客服等领域的 应用，使得人们的生活更加便利、舒适。

沟通的必备平台。 基 础 支 撑 统一规范性建设 基础网络环境建设 基础教育办公设备建设 平台运行基础 大数据和人工智能系统能力  2800TB+ 用户教学行为数据  60000+ 每个学生知识点评价  10000+ 用户教学与行为数据采集点  5000+ 每秒用户教学行为采集 主要的技术能力：  全终端设备支持： 包括个人智能设备和学校智能教学设备  云架构： 云服务架构 面向不同角色的全方位教育大数据分析体系和教学轨迹  开放平台：具备完善的开放接口 API ，满足各种应用  知识图谱：基于机器学习的知识图谱全年级跨学科  用户画像：基于机器学习的用户画像包含师生个人和组织画像  智能教育内容： 智能管理、解析和制作的教育资源内容  智能评价引擎： 包括课堂教学评价、知识点评价、题目作答评价、教学应用评价、易错题评价、题目难度评价、教学进度 评 台师生用户使用信息化应用的时 间总和 热点分布：通过热力图的形式直 观展示本区教育信息化建设的开 展情况。每一个热力点都代表一 所当地开展信息化服务的学校 智慧管理 2. 区域信息化成果 知识点掌握情况：展示本区学生 本学期掌握的知识点总和，是教 育信息化成果最直观的展示 “ 信息化成果”展示使用本区师生通过教育信息化应用减负增效的各类数据指标，是展示本区教育信息化建设成果、增 强区域师生应用信心的重要依据。