企業大模型實戰：核心技術與行業賦能

第1章　人工智能的起源與演進 1
1.1 日常生活中的人工智能 1
1.2 從圖靈測試到專家系統 2
1.3　神經網絡的初步探索 4
1.4　本章小結 5
第2章　機器學習的崛起 6
2.1　機器學習的定義與核心思想 6
2.2　機器學習方法 7
2.2.1　有監督學習 7
2.2.2　無監督學習 10
2.2.3　強化學習 12
2.3　機器學習的常用算法 15
2.3.1　有監督學習的常用算法 15
2.3.2　無監督學習的常用算法 17
2.3.3　強化學習的常用算法 19
2.3.4　如何選擇最佳機器學習算法 21
2.4　機器學習在IBM Watson中的應用 25
2.5　本章小結 26
第3章　深度學習的革命 27
3.1　深度學習的發展歷程 27
3.2　深度神經網絡基礎 34
3.2.1　神經元 34
3.2.2　單層神經網絡 35
3.2.3　多層神經網絡 35
3.3　關鍵技術突破：RNN、CNN、GAN 38
3.3.1　RNN：循環神經網絡 38
3.3.2　CNN：卷積神經網絡 40
3.3.3　GAN：生成對抗網絡 42
3.3.4　RNN、CNN和GAN的優缺點對比 43
3.4　ImageNet挑戰賽 43
3.5　經典AI與現代AI的分野 45
3.5.1　IBM深藍：經典AI的巔峰 45
3.5.2　AlphaGo：現代AI的典範 46
3.6　本章小結 47
第4章　大模型的興起與發展 48
4.1　大模型的崛起 48
4.2　大模型的分類 51
4.3　大模型的特點 52
4.3.1　參數規模大 52
4.3.2　算力消耗大 54
4.3.3　數據Token化 55
4.3.4　泛化能力 58
4.4　Transformer 60
4.4.1　Transformer的特點 60
4.4.2　Transformer的架構設計 63
4.4.3　Transformer的發展歷程 70
4.4.4　Transformer的應用場景 71
4.5　GPT系列模型 73
4.6　DeepSeek系列模型 78
4.6.1　DeepSeek的發展歷程 78
4.6.2　DeepSeek的技術創新 79
4.7　大模型發展趨勢：技術與應用的雙向推進 84
4.8　本章小結 86
第5章　提示詞工程：大模型的溝通話術 88
5.1　提示詞的重要性 89
5.2　大模型提示詞的工作流程 90
5.2.1 提示詞工程的工作機制 90
5.2.2 提示詞工程的工作流程 92
5.3 大模型提示詞編寫技術及最佳實踐 93
5.3.1 角色設定與指令註入 93
5.3.2 問題拆解與分層設計 94
5.3.3 編程思維與Few-Shot設計 95
5.3.4 高級提示詞設計技巧 96
5.4 巧用萬能Prompt 97
5.5 使用CO-STAR框架編寫提示詞 99
5.5.1 CO-STAR框架的使用方法 100
5.5.2 CO-STAR框架的代碼案例 101
5.6 推理大模型的提示詞設計 103
5.7　本章小結 107
第6章　智能體應用 108
6.1　智能體：大模型落地的“最後一公裏” 108
6.2　ReAct Agent實現智能體與環境交互 113
6.2.1　ReAct Agent的特點 113
6.2.2　ReAct Agent的架構組成 114
6.2.3　ReAct Agent的工作流程 115
6.3　智能體生態：構建智能體發展的基礎 116
6.4　智能體與具身智能 118
6.5　斯坦福小鎮模擬人類行為 120
6.5.1　技術架構與實現 122
6.5.2　智能體設計與行為生成 123
6.6　本章小結 125
第7章　模型微調與定制化 126
7.1　為什麼需要微調 126
7.2　大模型微調技術路線 128
7.3　大模型的高效微調 132
7.3.1　Hugging Face的三大創新 132
7.3.2　LoRA：參數高效微調的技術突破 133
7.3.3　實戰：高效微調Llama模型 135
7.4　檢索增強生成和微調 140
7.4.1　企業級RAG系統設計 143
7.4.2　企業級微調系統設計 147
7.5　本章小結 151
第8章　大模型推理與服務化 152
8.1　什麼是大模型推理 152
8.2　大模型推理引擎 154
8.2.1　TensorRT-LLM 155
8.2.2　vLLM 157
8.2.3　LMDeploy 162
8.2.4　Hugging Face TGI 165
8.3　大模型的推理優化 168
8.3.1　大模型推理的優化手段 170
8.3.2　提升大模型數學推理能力 171
8.4　大模型推理評估 177
8.5　KServe：基於Kubernetes的標準化模型推理平臺 180
8.5.1　KServe架構解析 181
8.5.2　KServe的關鍵技術優勢 184
8.5.3　Kserve推理服務的發布流程 186
8.5.4　實戰：KServe快速發布推理服務 188
8.6　本章小結 195
第9章　大模型應用開發框架LangChain 196
9.1　為什麼需要LangChain 196
9.2　LangChain的架構設計 198
9.3　LangChain的關鍵概念 201
9.4　實戰：LangChain API 207
9.5　LangGraph Agent：賦予大模型執行力的智能體框架 218
9.6　實戰：基於LangChain構建智能知識庫問答系統 224
9.7　本章小結 239
第10章　醫療健康：大模型助力健康革命 240
10.1　醫療健康行業概覽 241
10.1.1　醫療健康行業面臨的主要挑戰 242
10.1.2　醫療健康數據的特點與價值 243
10.1.3 醫療健康行業的智能化轉型 245
10.2　AI重塑醫療服務價值鏈 247
10.2.1 AI醫療的關鍵能力 247
10.2.2 AI醫療自動化的不同階段 249
10.2.3　AI賦能診前、診中、診後環節 250
10.3　大模型在醫療健康行業的核心應用場景 252
10.3.1　輔助診斷：提升診斷效率與準確性 252
10.3.2　藥物研發：加速新藥發現與優化 255
10.3.3　健康管理與公共衛生：構建智能健康防線 256
10.4　大模型技術在醫療健康行業的創新實踐 257
10.4.1　Google醫療AI模型Med-Gemini 257
10.4.2　清華大學智能體醫院 261
10.5　本章小結 267
第11章　教育革新：大模型重塑學習體驗 269
11.1　教育技術的發展：機遇與挑戰 270
11.1.1　傳統教育技術的局限 270
11.1.2　大模型帶來的機遇 271
11.1.3　教育技術發展面臨的挑戰 272
11.2　大模型賦能教育：個性化學習與教學輔助 274
11.2.1　大模型在個性化學習中的應用：千人千面，因材施教 276
11.2.2　大模型在教學輔助中的應用：解放教師，提質增效 279
11.3　教育領域的大模型技術創新案例 281
11.3.1　EduChat的核心功能 281
11.3.2　EduChat的構建過程 283
11.3.3　EduChat效果驗證 286
11.4　大模型在教育中的應用前景 287
11.5　本章小結 288
第12章　智能駕駛：大模型推動未來出行 290
12.1　智能駕駛：一個空間機器人的時代 291
12.2　智能駕駛與大模型 292
12.2.1　智能駕駛中的大模型技術 292
12.2.2　大模型成為智能駕駛技術突破的核心力量 297
12.3　智能駕駛案例：特斯拉FSD系統 298
12.3.1　特斯拉FSD系統的技術基石：端到端神經網絡架構 298
12.3.2　視覺感知核心：BEV+Transformer 299
12.3.3　深度學習與強化學習在特斯拉FSD系統中的深度應用 300
12.3.4　大模型驅動的技術飛躍：特斯拉FSD系統的進化之路 301
12.3.5　FSD技術面臨的挑戰與未來發展 304
12.4　本章小結 305
第13章　科研探索：大模型加速科學發現 306
13.1　科研領域的創新需求與挑戰 307
13.1.1　數據洪流：機遇與挑戰並存 307
13.1.2　跨學科研究的瓶頸 308
13.1.3　科研效率亟待提升 310
13.2　大模型技術在科研數據分析與模擬中的應用 310
13.2.1　天文學：大模型助力天文圖像分析 311
13.2.2　化學：大模型賦能下的分子與材料探索 312
13.2.3　生物學：大模型加速生命科學的理解與設計 316
13.2.4　數學：大模型推動算法的自我進化 317
13.2.5　地球科學：大模型洞悉地球系統的奧秘 319
13.2.6　神經科學：大模型揭示大腦的秘密 321
13.3　AI For Science的代表：AlphaFold 322
13.3.1　AlphaFold的技術突破 323
13.3.2　AlphaFold 2的工作流程 323
13.3.3　AlphaFold 2的應用領域 326
13.3.4　AlphaFold 3：進一步的突破與挑戰 326
13.4　本章小結 327
結語 329