定义：人工智能（Artificial Intelligence，缩写 为AI），又称机器智能，指由人制造出来的机器 所表现出来的智能。 ——维基百科 AI的核心问题：建构能够跟人类似甚至超卓的推 理、知识、计划、学习、交流、感知、移动 、 移物、使用工具和操控机械的能力等。 ——维基百科 一、新一代人工智能 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 预测模型（N-gram） • 优点：可解释、计算速 度快 • 缺点：从前向后单向计 算；单纯基于统计频次、 缺少对上下文的泛化； 随着n的增大，参数空 间呈指数增长 “预训练-微调” 学习范式 （BERT、GPT） 上下文学习、指令微调、 扩展规律 (GPT3、GPT4…) 基于Transformer架构的语言模型 • 优点： ✓ 长距离依赖处理能力强：自注意力机制能捕捉任 意距离的依赖关系。 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google Transformer：引入注意力（Attention）学习, 2017 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研

发卡 / 激 活 坐席维度 服务型 专家型 价值型 卡人画像 精明羊毛档 年轻潜力型 风险用户型 客群属性 高频消费型 分期依赖型 商旅常客 【技术地基】 自然语言处理、 动态学习和智能策略匹配组合 产介 异议处理 促成 开场白 铺垫 核身 结束语 场景维度 场景细分 数字化培训管理 【说明】 1. 每个场景对应不同的话术场景对象； 2. 每个场景中有 成全部 3-4 个，则视为完成场景学习； 请复述下面的话术 … 读 话术 A 团队 一 B 团队 … 团队 3 听录音 5 再次提问 1 交互 2 语音对答 语音对答 大模型对练平 台 使用系统的员 工 2 学习应对技巧 三色话术 + 技巧 1 提问 语音对答 评估打分 学习分享 交流 & 分 享 成果激励 有效提高试驾率 P3 三招学会倾听 录音学习 / 数据分 析 P4 完美授课五步法 PPT 制作 录音辅导 员工面谈 P5 角色转换 三会经营 目标管理 面试技巧 人员履历 合规档案 质量档案 效能档案 工作效率 学习经历 兴趣爱好 软件使用 员工数字化档案

的赋能有望提升 XR 交 互体验和内容生态繁荣，XR 产业有望迎来新发展阶段。2、手机需求放 缓，AIGC 赋能智能手机或将成为刺激换机的重要动力。3、AIoT 融合 在未来数年内不断突破数据处理和智能学习的界限，通过边缘 AI 赋能， 智能机顶盒、智能音响、智能耳机等智能终端产品有望形成软硬件一体 的智能语音交互助理载体。 ◼ AI+提升生产效率， B 端应用场景发展潜力逐渐释放。随着技术和应用 升级至四代，模型能力高速提升。ChatGPT 是由 OpenAI 开发的自然语言生成 模型，采用 Transformer 神经网络架构（又称 GPT-3.5 架构），基于大量的语料库使用指 示学习和人工反馈的强化学习（RLHF）来指导模型训练。模型可理解并生成对各种主 题的类似人类的响应，是 AIGC 技术进展的成果。2023 年 3 月 15 日，OpenAI 正式官宣 了多模态大模型 GPT-4，ChatGPT4 参数量 预训练数据量 Tokens 学习目标 GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 结合无监督学习及有监督的微调 GPT-2 2019 年 2 月 15 亿 40GB 15B 学习在无明确监督情况下执行多种任务 GPT-3 2020 年 5 月 1,750 亿 45TB 499B 结合少样本学习和无监督学习 GPT-4 2023 年 3

S0980522100001 S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 ；据前瞻产业研究院 数据，中国 AI 芯片市场规模预计由 2019 年的 122 亿元增长至 2024 年的 785 亿元，对应 CAGR 达 45.11% 。 AI 芯片中 由于 GPU 通用型强，满足深度学习大量计算 的需求，因此 GPU 在训练负载中具有绝对优势。以 GPT-3 为例，在 32 位的单精度浮点数数据下，训练 阶段所需 GPU 数量为 1558 个，谷歌级应用推理阶段所 需 GPU 数量为 GPU(GPGPU) 计算的 CUDA 平台。 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化， 向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路 英伟

问题解决准确 率达到 92.3%，远超行业平均水平的 78%。特别是在产品推荐场景 中，通过客户画像与产品特征的向量化匹配，推荐转化率提升 40% 以上。 其次，在知识管理方面，模型通过持续学习机制保持知识实时 更新：  动态同步最新监管政策与行内产品手册  自动归档典型服务案例形成可复用的对话模板  支持跨 13 种业务文档的即时检索与摘要生成  维护超过 2000 个金融术语的精准解释库 40%的人力成本节约，同时将客户满意度 (NPS)提升 15 个百分点。项目将分三阶段推进：三个月内完成基础 问答能力部署，六个月内实现复杂业务处理，十二个月内达成全业 务场景覆盖。通过持续迭代的强化学习机制，确保智能体每月更新 业务知识库，保持对监管政策变化的即时响应能力。 2. 智能体功能设计 智能体功能设计围绕银行客户经理的核心工作场景展开，通过 DeepSeek 大模型的多模态交互、知识库整合及实时决策能力，构 300+规则模型）、事 后审计分析（保留完整操作日志）。对疑似欺诈行为自动触发二级 验证流程，误报率需控制在 3%以下。 培训模拟模块包含虚拟沙箱环境，可模拟 200+种客户沟通场 景，智能体通过强化学习持续优化话术策略。每月更新培训案例 库，确保应对市场变化的时效性。测试数据显示，经过 6 个月迭代 的智能体在客户满意度评分上比初期版本提升 41%。 2.1 客户咨询与应答 客户咨询与应答

—— 2023-05-08 大模型参数量级飞涨，相应训练集需同比提升。李开复定义 AI 2.0 时代的 特征是通过海量数据，无需标注自监督学习，训练一个基础大模型，并在各 领域将其专业化。据相关论文，当模型的参数量大于某阈值，会展现出类似 推理、无监督学习等未曾出现的能力，这种现象被称为“涌现”，因此目前 大语言模型参数均在十亿量级以上。同时，Deepmind 研究表明，模型参数的 上涨需要配合 ...... 14 图23： 单独训练子模型反哺主模型 .......................................................... 14 图24： 联邦学习的升级版 FedCG .............................................................14 图25： 两种经典剪枝方法 ......... 增加，且单一领域的数据集和模型形成孤岛，每个领域和应用的优化都是割裂的， 难以形成“通用”。 AI 2.0 时代的特征是通过海量数据，无需标注自监督学习，训练一个基础大模型， 并在各个应用领域将其专业化。具体来说有三个特点：1）对于拥有的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI

DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采 用了更为精细粒度 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循

Q&A 基础概念 AI 是最⼴泛的概念，涵盖所有智能技术。AI技术应⽤于各种场景，如语⾳识 别、图像识别、机器⼈控制等。 ⽣成式AI（GenAI） 是AI的⼀部分，专注于内容⽣成。它通过学习现有数据来 创造新的⽂本、图像、⾳乐等。 ⼤语⾔模型（LLM） 是⽣成式AI的⼀种具体实现，专⻔⽤于⾃然语⾔处理任 务。它通过⼤量⽂本数据训练，能够理解和⽣成⾃然语⾔。 Your paragraph 第⼀步：启动AI思维 ⽬标： 培养领导层和关键员工对生成式AI的认知，了解其在提升生产 力方面的潜力 实施步骤： 组织AI思维培训：重点介绍生成式AI的基础知识、应用场景和 优势。 创建开放的学习环境：鼓励员工积极尝试和反馈生成式AI工 具。 第⼆步：聚焦⾼价值任务 ⽬标： 识别各部门工作流程中最耗时、最重复、最低效的环节，特别 是与沟通相关的任务。 确定首批应用AI的领域，并设定明确的自动化目标。 和管理资产以获得最佳回报。】 具体兴趣：【我有兴趣了解最新的市场趋势并根据客⼾⽬标做出明智的决策。】 价值观和原则：【我优先考虑⻛险评估、多样化以及使投资决策与客⼾⽬标保持⼀致。】 学习⻛格：【我喜欢通过数据分析来学习并了解最新的市场发展。】 个⼈背景：【我有⾦融背景和丰富的投资组合管理经验。】 ⽬标：【我的⽬标是持续增加投资组合的价值，同时降低⻛险并实现丰厚的回报。】 偏好：【我重视开放的沟通并

图形呈现的可视化分析； 5. 【翻译】为使用者智能翻译研报及公告等内容； 6. 【纪要】根据音频或文档智能识别重要内容， 自动生成会议纪要； 7. 【文档智读】基于大模型智能学习单篇、多篇文档 ，总结文档核心内容和逻辑并准确回答 问题 ，还可对多篇文档进行分类处理； 8. 【 AI 识图洞见数据】基于 AI 大模型 ，智能解析图片中的数值。 1. AiFinD ： 2000 亿中文 tokens 的加持， 80+ 中文金融任务的打磨，覆盖了金融绝大多数领域应用场景，且针对于金融任务， 回答速度极快，准确率较高，并支持多种语言输入与输出。 2 ）合规性、安全性高。充分学习中国的金融法律法规，在输出时符合中国金融市场的监管要求。 3 ）轻量化。支持私有化 / 云部署以及灵活 API 调用，推理端仅需一机 2 卡部署。金融机构可以基于 LightGPT 通过私域任务数据定制化精调大模 Vivo BlueLM 1B 、 7B 、 70B 、 130B 、 17 5B Transformer 月之暗面 Moonshot 100B+ 火山引擎机器学习平台 腾讯云混元大模型 100B+ Ti 平台 / 自研机器学习框架 Angel 蚂蚁金融大模型 100B+ 金融 Token 蚂蚁自研基础大模型 恒生电子 LightGPT 400B+ 金融 Token 位置编码改进的 Transformer

移动互联网是移动通信与互联网的结合。移动互联网是一种通过 智能移动终端，采用移动无线通信的方式获取业务和服务的新兴 业务。 智慧城市技术基础：移动互联网  城市生活向移动端转移：订餐、打车、学习、医疗……各种形式的 城市生活都可以在手机上实现，社会公众正在以越来越便捷的形式 获取各种公共服务。  移动互联网将“人”与“公共服务”全面连接，大幅提升社会整体服务效 率和水平。 000 美元 • SolarList— 付钱让学生推广太阳能用电 • 最佳健康生活 APP 奖： 20,000 美元 • HealthyOut— 根据个人偏好推荐健康餐厅 及食物 • 最佳终身学习 APP 奖： 20,000 美元 • Hopscotch— 教育幼儿电脑编程基本 知识 纽约市——自下而上 发展路径：自上而下 vs 自下而上 政府： • 约 300 个优秀的解决城市问题的 平台，提供资源公 共服务平台 • 学校智慧校园：智慧教室、“双课堂”教学解决方案以及优质教学资源、 教学平台、电子书包系统等产品与教学应用服务； • 中小学生课外辅导：为中小学生提供了学习软件、学习资源及线上学 习课程等服务。 智慧教育 硬件设备 面向学生：平板电脑、电脑、手机 面向教师：教师电脑、投影仪等多媒体设备、服务器、无 线 AP 、有线路由器、千兆交换机等 智慧教育