1、2025年高等学校人工智能通识教育研讨会-人工智能2.0时代的人才培养和通识教育课程肖睿2025年7月12日 青岛 北大青鸟人工智能研究院 北大计算机学院 北大教育学院学习科学实验室第2页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第2页人工智能2.0时代的人才培养和通识教育课程1.人工智能的前世今生2.大模型的特点和局限3.大模型的发展观察01人工智能2.0时代1.人才需求2.人工智能通识课02人才需求和通识教育课第3页01.人工智能的前世今生02.大模型的特点和局

2、限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第3页人工智能0.0：古代（1956-2006，从规则到学习）人工智能：让机器具备人类智能，让机器具备非人类智能（超人类智能）传统（知识+规则）：专家系统（知识库+推理机）现代（数据+学习）：机器学习（模型、目标、策略），数据模型（IID，用数学模型模拟世界）常规统计学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，小数据，人工特征，部分可解释，缺乏通用性和跨模态人工神经网络：与人脑最大的共同点是名字（原理、机制和架构并不一样），用神经网络表达数学模型1、传统神经网

3、络：霍普菲尔德网络，玻尔兹曼机，.2、深度神经网络：深度学习（Hinton，2006）大数据，特征表示，基本不可解释，具备通用性和跨模态第4页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第4页人工智能1.0：近代（2006-2020，深度学习）2006：传统架构：DBN，CNN，RNN，ResNet，Inception，RWKV，ImageNet（超过人眼）AlphaGO（超过人类棋手）AlphaFold（超过人类科学家）2017：Transformer架构：注意力机

4、制（Attention）预训练模型架构：编码器（BERT）：embedding，Ernie1.0，混合网络：T5、GLM（早期）解码器（GPT）：生成式人工智能（AIGC）深度学习：深度神经网络 预训练模型架构：并行矩阵计算（GPU）堆叠架构，容易扩展，大力出奇迹第5页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第5页人工智能2.0：现代（2020-，大模型）大模型（预训练大模型）：大（数据多、参数多、算力多），模型（语言、视觉、多模态）GPT架构：解码器（GPT），

5、生成式人工智能（AIGC），生成-理解-决策（RL）Transformer：大语言模型（LLM，大模型），多模态模型ChatGPT（4.1、4o、o1、o3、o4）、Claude；Grok、Gemini；Llama、DeepSeek、Step、Qwen；Kimi、MiniMax；GLM、火山(豆包)、元宝、百度Transformer+Diffusion：视觉模型图像：Stable Diffusion、Mid-Journey、DALL.E等视频：Sora、可灵、即梦、Vidu、海螺等 通用模型 vs 垂直模型（行业模型）传媒、编码 教育、医疗、金融等第6页01.人工智能的前世今生02.大模型的特

6、点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第6页人工智能2.0时代的人才培养和通识教育课程1.人工智能的前世今生2.大模型的特点和局限3.大模型的发展观察01人工智能2.0时代1.人才需求2.人工智能通识课02人才需求和通识教育课第7页01.人工智能的前世今生02.大模型的特点和局限03.大模型的发展观察04.大模型时代的人才需求05.人工智能通识课学习交流可加微信号（zhixingzhaizhuren）第7页Generative（生成式）Pre-trained（预训练）Transformer（一种深度神