朋友们大家好,今天我们来介绍一下变频器的多段数功能, 我们先来了解一下什么是多段速。我们都知道啊,以前用的电风扇一般呢都有几档转速,调到一档转速最低,二档高一点,三档最高,这样我们就可以根据自己的需要来选择不同的转速, 这就是一个典型的多段数,就是让电机在几个不同的固定转速下运行,达到不同的效果。 在工业生产过程中啊,也有许多场合需要不同的速度,比如说传送带啊,各种机床啊,纺织机械啊等等都会用到多段数控制。 那么变频器的多段数功能啊,就是为了满足这种需求而设计的,但是他和我们刚才说的电风扇呢,形成多段数的原理是不同的,电风扇呢,多数是通过改变电机绕组的连接方法来改变转速的, 而便便器呢,是通过改变频率来实现的,下面我们就来看一看这款便便器是如何实现多段数控制的。我们以前的视频说过,这款机器的频率元是通过功能码 p 零零三设置的,看这个表, p 零零三设为零或一的时候是用多功能输入端子控制频率。设为二是用模拟量输入端子 ai 一或者是面板电位器来控制他俩,通过控制板 上的跳线这期来切换。设为三是用模拟量输入端子 air 来控制频率,这些都是我们以前讲过的。下面的四对这款变频器是没有用的,设为五是脉冲设定,就是用脉冲信号来控制频率,这个以后讲 设为六就是我们今天要说的多段数控制,把这个功能码 p 零零三设为六。只是第一步就是告诉变频器你现在的频率得有多段数这个功能来决定。那具体怎么设定多段数功能呢? 设几段呢?每段的频率是多少啊?还得进一步设定多段数功能啊,是需要通过多功能书端子来实现的。多功能端子就是 di 一到 di 期这七个段子。这款机器呢,最多可以设置四个段子作为多段指令段子,就是把这七个段子中的任意四个作为多段指令段子来使用, 就是给他接上四个开关,然后功能都接到 com 段子上。就像这样,硬件部分就算做完了, 光接完了还是不行。你得告诉变频器这四个端子是干什么的?他不是多功能端子吗?他能实现的功能好多呀,有四十多个功能,我们前面讲过的用它来控制变频器的正转、停止、反转,都得给他设置参数吗? 这个多功能端子啊,每一个都有一个功能码,给他设置成什么样的数值,他就执行什么样的功能。 那我们现在要让这四个端子作为多段指令端子,就把他们对应的功能码分别设为十二到十五这四个数字。看这个表, 这里的多段指令端子一二、三四,这个和实际的端子序号不是一回事,不管哪个端子,只要你把他的公马设为十二,那他就是这里的多段指令端子一,其他的三个也是一样。 比如我们把 di 四功能码设为十二,那他就是多段指令端子一,我们也可以把 di 七设为十二,那他就是多段指令端子一,把这四个分别设为十二、十三、十四、十五,这样呢,就可以通过这四个端子组合出不同的状 状态。每个端子的状态有两种,一个是断开,一个是闭合。我们可以用 off 和傲然表示,或者用零和一表示。一共有四个端子,那就是二的四、四方十六种状态。 所以这款机器啊,可以设置十六段速度。看这个表,这里的 k 一到 k 四,就是和刚才说的多段这两段子一二三四对应的。这个表的意思就是,当这四个开关都断开,他就按第一段频率运行 这三个断开这个闭合,他就按第二段频率运行往下。以此类推,一共是十六个组合,就对应十六个频率,那么每一段的频率是多少呢?还得通过 pc 组参数来设定。这好像是有一点点复杂了,但是并不难,你让他干这么复杂的活,总得跟他交代清楚啊。 这个 pc 组啊,从 pc 零零到 pc 十五,就对应这十六个频率,我们就分别把这十六个功能码设置成我们要求的频率就可以了。看这个表, 这就是 pc 组的功能吗?他的设定方案为是相对值,是相对于最大频率的百分数,他是负一百到正一百,如果设成负值,就表示电极是反转的。 这样呢,我们把这十六个参数都设置好,那这个多段数功能就设置完了。当然了,如果我们不需要这么多的 速度,那用几个就设置几个就可以了。比如我们就用两段,那就这一个开关,把它的功能码设为十二,他就对应多段指令段子一和二与开关两种状态吗? 所以就只设这两段频率就可以了,如果我们用四个频率,那就用两个开关, 第二段设为十三,然后在这里设置四个频率,这就得根据我们的实际需要来灵活掌握了。 本期视频就到这里,谢谢观看朋友们,再见!
粉丝5.8万获赞12.9万


这个是一个变频器,比如风机、水泵、压缩机、搅拌机等等等等,这些设备你想要变频节能都可以用上它。这是一款很简单的变频器, 不需要软件变成操作。面板上有很多的按钮,你直接设置好参数就能实现想要的功能。这个红色的圆圈啊,他是一个停止按钮,单击、双击或者长按,对应不同的停止方式。绿色的这个竖线呢,就是启动了 旁边这个 m 是功能选择,和旁边的 ok 组合起来用,可以切换手动、点动、自动这三种运行模式。右边这里有上下这两个箭头,你同时按他就可以让电梯反转。 如果你想要使用这个通讯的功能啊,就要在这里添加一个模块了,这是一个扩展的功能,你学会了吗?下课。


浙江大学 dipsig 系列专题公开课第二期, dipsig, 智能时代的全面到来和人机协作的新常态主讲人孙凌云 现在开始上课,各位同学,各位在线的观众大家好,欢迎大家来到浙江大学 dipsyk 系列专题线上公开课。我是孙凌云。 今天这一节课我和大家讨论的题目是 deep sick, 智能时代的全面到来和人机协作的新常态。 这一小节我们主要讨论四方面的内容。首先我们看一下智能演变, 我们先聊一聊数据和知识的关系。大家知道 ai 大模型的代表产品是 gpt 系列, 从二零一八年的 gbt 一到二零二零年的 gbt 三模型的预训练数据量从四点六 g 增加到了四十五 t。 四十五 t 是什么概念呢?我们大致估算了一下,它相当于三千万本的西游记。 这些数据可不是随便抓取的网络信息,而是精挑细选的知识食材。例如尾基百科数据集,这里有庞大的客观知识,各种各样的书籍体现了人类的故事讲述能力和各种各样的反应, 各种各样的杂志期刊体现出语言生成的严谨以及 github 代码等。 github 是一个呃全球最大的 程序员共享其编程成果的这样一个平台,也就是 get up, 上面全部都是各种各样的代码。 代码作为一种程序语言,他和中文或者英文一样,都是人创造的语言。但是程序语言或者代码有三个非常重要的特征,首先是抽象表达能力,程序语言能够表达非常抽象的概念,例如数学公式等。 其次是逻辑的严谨性。程序语言的写作呢,必须要符合机器执行的严格的语法规则,写错一个符号也许就会出问题,电脑就不认。 第三是结构化思维,通过函数啊、类啊等等模块去构建一个复杂 杂的系统。就好像我们玩乐高积木一样,程序员是由一小块一小块的模块搭建起一个极其复杂的系统,这使得代码数据成为培养人工智能逻辑推理能力的关键素材。 我们再看 dipsex 背后的数据,在训练数据量上, dipsex 使用的训练数据量达到十四点八万亿个 token, token 是一个人工智能大模型领域的计量单位,我们这里姑且把它理解成汉字或者是英文当中的字节,这相当于 gpt 三的四十九倍。但真正有意思的不仅仅是数量的变化,更重要的 是 deep seek 如何喂养这些数据。第一招是营养搭配,团队特意加强了代码和数学数据的比例,达到总训练数据的一半以上。 比如专门搜集了两百万道数学竞赛题,从初中的奥数题目到研究生级别的偏微分方程等等都有涵盖。 这就好比给 ai 安排了从小学到博士的完整的数学课程,效果非常直观。我们今天看到 deepsick 就能够处理微积分题目的正确率,证明题的推导步骤的完整性也显著提升。 第二招呢,是错题训练工程师故意在大概百分之一、百分之五的数学题里面设置的一些陷阱,比方 说把呃 x 偷偷的写成 y 呀,或者是在公式里边漏写某个符号,漏写个平方向啊等等。这种训练呢,让模型学会了自我纠错,就像让学生学会修改错题,加深理解一样。 实测显示,经过这种训练的模型,遇到陌生题型时,正确率也比传统方法要高很多。 第三招是循序渐进,整个训练过程呢,分成这样几个阶段,首先呢,让 ai 掌握一些基础的,容易入门级的一些知识,比方说先学一下基础求导是怎么回事, 然后第一步过关了,再进阶到多重积分,最后再到 k v 分方程,每个阶段呢,都会淘汰掉那些对这些领域知识理解 不到位的某些模型当中的参数,确保学习质量。这就好像啊,运动员训练一样是吧?我们教练会根据进步情况调整训练计划,而不是直接上最高强度和最大难度。 所以 dbc 不仅有非常庞大的数据量,更重要的是训练过程当中营养搭配、错题训练和循序渐进这些非常精巧的策略的引入。 在这里我们可以切换一个视角,我们看人工智能大模型到底带来了什么变化。这是我们生活的一个宇宙,这是一个无边无际、无始无终的宇宙, 人类生物进化这么多年,文明进化这么多年,终于对这个 宇宙有了一些认识,形成了这样一个全体人类的知识空间。知识之所以发现了之后能够被记录下来,能够传播出去, 是因为我们用语言文字把它说出来,把它写出来,或者我们把它做成图像,做成三维模型,做成数据表格等等,以多媒体的方式承载我们发现的这些关于宇宙奥秘的各种各样的知识, 这种多媒体载体合在一起,就形成了这样一个多媒体的知识空间。然后呢,我们精挑细选,其中最精华的部分扔给大模型 啊,扔给这样一个训练大模型的大熔炉,那经过猛火锻造,我们就得到了一个 ai 大模型, ai 大模型 就代表了大模型的知识空间,而相对来说,我们每个人的个体的知识一定是在这张图当中很小的一个小点,所以我这里边的这个点画的还有一点大, 但是我们一定懂一些大模型不懂的东西,也懂一些呃,没有以多媒体的方式呈现出来的知识。但是不管怎么样,我们和大模型是有一些交集的。 我们今天之所以觉得很多 ai 大模型越来越好用,是因为我们问了他一个问题,然后大模型给了我们答案。 由于我们和大语言模型有一点交集,我们在这个交集空间里边觉得,哎,他给的答案很靠谱,我们就认为大模型很好用,但实际上大模型的知识空间远远大于任何一个个 个体,这就是大模型带来的非常重大的一个变化。大模型带来大知识,知识的调用方式发生了巨变,这是人类首次拥有了超越个体认知极限的知识调用工具。 但是就像是望远镜拓展了人类的视野,而非取代天文学家一样,大模型正成为我们探索知识边疆的新罗盘。 我想用一个类比来介绍一下大模型的训练过程。 刘慈心有一部非常著名的科幻小说三体,在三体这部小说里边,刘慈心给我们描述了一个非常有趣的一个设定,就是三体人要入侵地球,但是三体 星距离地球非常的远啊,三体人的这个舰队到达地球要用四五百年的时间。在这部小说里边有一个非常有趣的设定是三体人到最后也没有到达地球,可是这期间三体人就和地球人类发生了各种各样的冲突,各种各样的非常精彩的一些故事。 小说设定里边解释三体人如何学习地球知识,有三个非常有趣的描写。首先呢是电磁波, 电磁波是代表了人类各种各样的互联网的数据啊啊,各种各样的电视信号啊等等。那三体舰队呢, 是利用地球早期泄露的电磁波信号,获取了海量原始信息,这就相当于 ai 大模型的预训练阶段, 是我们往大模型当中注入了经过筛选的互联网文本、代码、图像等等多模态的数据。第二个阶段呢是探测器,在小说里边三体人发射了一个微观粒子,质子啊,能够实时监测地球的科技发展。 这类似于啊,我们在训练大模型当中的监督微调的过程,就好像质子重点观测粒子对状实验啊,去阻止地球科学的 基础科学突破一样。我们也会通过一些特定领域的数据,比方说医疗文献啊,法律案例啊,去强化大模型的某些专项能力, 确保其不止停留于语言概率的预测。而第三个阶段,小说里边有一个更有趣的设定,是拯救 拯救派,拯救派是地球人啊,有一帮啊,人类当中的有一部分人,他们认为我三体人来了可以帮我们解决我们地球文明发展中遇到的一些问题,所以这就是地球三体组织,他们负责是地球当中的叛军,他们负责和三体人去沟通。 那小说中地球三体组织向三体人揭示了人类的一个非常重要的特性,叫做思维不透明,就是人类是会说谎的,脑子里想的东西和说出来的东西有可能不一致。 但这件事情在三体人看来,他们觉得无法理解,那我们人类当中的这个地球三体组织,也就是这些拯救派,就想方设法的帮助三体人去理解地球人的这种独特性。那正如地球三 体组织反复的向三体人解释谎言概念一样,我们呢,在训练大模型过程当中,通过人类的标注员持续的去修定模型的价值观,实现价值观的对齐,教会他道德边界与安全准则。 这三个阶段揭示了一个深刻的动鉴,真正的智能进化需要原始数据基建,需要定向能力强化和价值观较准的三者协同。 那我也把人工智能大模型领域当中对应的关键词放到我们的屏幕当中。电磁波阶段,在大模型训练过程当中,往往就是我们的预训练过程,探测器往往输 我们的监督微调过程。而拯救派则体现为大模型训练最后一步人类反馈的强化学习。 但是 deepsick, 尤其是 deepsick r one 的 r 一的训练过程有一些变化,在基础模型阶段是在 deepsick v 三 based 的基础上 得到的。 v 三的训练呢,是投入了大量的训练语料, v 三这样一个基础模型,就具备了预测下一个字符的这种能力,完全是基于统计,基于概率。 但真正的突破呢,是发生在第二阶段,研究人员打造了一个强化学习的这样一个大熔炉。在强化学习阶段,研究员采用了三个非常有 趣的策略,比方说第一步要求他去做数学题,并且进行数学题目的自动判分。 比方说我们给这个大模型一些数学题目让他去做,做好了之后呢,我们用其他专业的数学题计算软件去核实一下他做的结果对不对。 那这就解决了传统上我们在大模型微调阶段,需要人工介入去对齐的这样一个问题。 第二步呢是对于编程题,则采用实战演练的方式,我们让大模型去生成一些代码,去帮我们写一些程序。对于写好的程序,这种原代码我们直接放到 linux 的一个沙箱,放到一个运行环境当中去运行由大模型产生的代码。 然后我们通过一些测试方法,比方说测试呃,单元测试,覆盖率啊,内存泄露检测等等很多指标,构建出一个评价的这样一个体系,构建起一个奖励函数来, 这样我们就知道,诶,在训练阶段,大模型生成的这些做的这些代码题,我们可以给他什么样的认可? 第三是阶梯进化机制,当大模型在当前的我们这样一个题库当中,当前的这样一个训练集合当中,正确率已经不错了,比方说达到百分之九十了,我们就自动解锁,让他进入到下一关,让他做更难的题目, 那这种熔炼式的训练带来两个非常重大的变化,首先就是训练成本大幅的降低,完整的训练周期 对芯片的要求指数级的下降。其次研究人员突然发现大模型发生了能力的突变。 在 duplick 的训练过程当中,有个非常有意思的设计是要求 ai 像我们做题目,像中小学生做题目一样,要写出完整的思考过程。在考试的时候,我们的老师会告诉我们说不要只写结果,过程分要占一半的, 为什么要这么做呢?举个例子,当我们今天让 ai 来解一道微分题的时候,他有两种策略,一种策略就是完全按照下一个字符的方式去预测,然后直接给答案。 还有一种呢,让他一步一步的来,然后第一步他要先分析一下题目类型,就好像我们判断啊,这是求导啊还是求积分。第二步呢,要 他列出相关的公式,好比我们是开卷考试是吧,我们去翻开数学笔记,查找最适合的公式。第三步,去逐步推导运算过程当中还要不断的使用一些数学软件去实时的检查每一步是否正确。 第四步,给出最终的答案,如果其中有一些拿不太准的东西呢,还要同时标注一下,说这个地方我们没什么把握。 在 dipsyk 的训练过程当中呢,研究人员是给出了我们现在屏幕当中看到的这样一组提示词, 提示词的内容是现在呢,这是用户和助手之间的对话,使用户提出问题,助手要解决他,但是要求是助手你不要直接给答案,你首先要在脑海中思考推理过程, 然后再给答案,并且推理过程也要非常明确的输出出来,要求他用 think, think 这样两个标签来标记一下,这是你的思考过程。然后你的答案呢,是放到 answer 和 answer 的这样一个标签里边, 为了强制思考,模型给出的第一个单词一定要是 think 这样一个标签。 这个训练过程当中,研究人员有了非常让人兴奋的发现,就是 ai 竟然出现了类似人类的顿悟时刻。 在 deepsick 的技术报告当中,有这样一个案例,大模型前几步还在规规矩矩的做计算做推理,到了某一步突然激活了此前学过的另外一些知识,就好像我们在做 题目的时候或者写作的时候,突然灵光一现,说,哦,原来可以用这种方法,这就是大模型出现了涌现或者出现了顿悟,我们称之为 aha moment。 技术报告当中说,这不仅仅是 dipsyk 阿万接入的顿悟时刻,也是研究人员的顿悟时刻,研究人员目睹到了强化学习当中难以想象的能力和魅力。 我们在这里看一个实力,这是一道初中生会遇到的数学应用题,是一种追击问题。题目是这样,我们说裘氏小学组织去距离九十公里的博物馆春游,全班同学呢,八点从学校坐大巴车 出发,班主任老师因为有事情,八点十分自己自驾小车,以比大巴车快三分之一的速度去追赶, 结果呢,还比大巴车提前二十分钟到。我们问两个问题,第一是大巴和小车的速度各是多少?第二是班主任老师追上大巴的地点距离博物馆有多远? 我把这一道追击问题呢,分别考了几个大模型,我们首先看 deepsick v 三的解题过程, 我们把这道题告诉他啊,然后 deep seek v 三呢,就开始努力的帮我们寻找答案。我们这里特别要强调的是, deep seek 现在的求解过程完全是基于预测下一个字符的这样一个思考模式,在这个过程里边呢,他会帮我们写公 公式,然后帮我们去解方程,去求解好,我们看他整个的这个推理过程,计算过程 好,经过 dipsyk v 三的努力呢,告诉我们答案,大巴车的速度是六十七点五公里每小时,小车的速度是九十公里每小时。班主任老师追上大巴的地点距离博物馆还有四十五公里, 各位同学可以自己比算一下,看一下 dpc 和 v 三的这个结论是否正确。 我把同样一道题目呢,也去考了 check gpt o one 这样一个大模型, o one 也是具备思考能力,具备推理能力的这样一个模型,我们看它的求解过程 好, o one 首先会有一个推理分析的过程,我们特别要注意的是,这个推理分析的过程非常的短,并不是说他后台的推理分析过程本身就这样短,而是 chat gpt 为了保护这种推理过程, 给了我们一个极其简化的一个结果,那 o y 的能力也很强,在其中遇到一些方程题的时候,他觉得,哎,我可能作为一个自然语言大模型,不善于解方程,他要去调用一些其他的工具去求解 好,我们看他最终的求解过程。好,他告诉我们说这个,呃,大巴车的速度呢?是六十七点五公里每小时,然后呢,告诉我们班主任追上大巴车的地点距离 博物馆还有六十七点五公里。同样一道题目,我们突然发现 v 三和欧万的这个计算结果都不太一样,我们注意 v 三没有强调他的推理能力,欧万是具有推理能力的,但是给我们呈现出来的这个思维链是极其简化,极其精简的一个结果。 同样的,这道题我们用来再次问一下大模型,我们这一次上场的是我们的 deep sick, ok, 好,我们这一次是让 deepsick r one 来解这一道应用题,那 r one 呢?会给我们呈现非常详细的思考过程。我们看他,他就说,好,我现在要解决这个问题。首先呢,题目说是这个样子的,我要首先处理第一个问题,然后我要明确各个时间段的安排 和路程的关系。那接下来的啊,小车比大巴提前二十分钟,然后他说不仅晚走了十分钟,还提前了二十分钟,所以应该怎么样?在这个过程里边是吧?这个式子应该如何去列?然后求解过程大概是什么样子的? 然后中间呢,他还提出来说,我要验证一下这个结果是否符合题目所描述的到达时间,再往下去求解第二个问题,好,首先第一步做什么?接下来做什么 好?然后这里他又说这里可能有问题,是吧?他就提出一种假设,然后或者呢说他的计算可能有误啊,再仔细检查一遍,然后又继续去推理好,最后总结了一下思考过程,总结完了之后还不太 放心,是吧?还再去确认一下。经过这样一个非常仔细的啊,非常漫长的一个思考过程,然后我们的呃 deep sec r one 终于开始帮我们求解这道应用题。 他给的结论是,大巴的速度是四十五公里每小时,小车速度是六十,追上地点距离博物馆六十公里。 三个大模型哦,给了我们三个不一样的答案,第一个大模型呢是 deepsick v 三,第二个大模型呢是 chat gpt 的 o one。 然后现在我们看到的这个结果是 deepsick r one 经过深度思考之后给我们的结论。 这里我们要关注一个非常有趣的概念是思维链。在 dips 这个诞生之前,大模型领域的科学家就发现,思维链对于提升大模型的能力具有非常重要的作用。什么是思维链呢?思维链是通过模拟人类逐步推理过程来提升人工智能模型去处理复杂任务的这种能力的。这种技术 核心就是将一个问题要拆解成多个步骤,引导模型生成逻辑链条,从而增强推理的准确性和可解释性。 基本的原理就是,首先呢,将复杂问题拆解为更小的问题,然后一步一步来,同时呢,要把这个中间过程要强制的大模型要去关注这个点,比方说啊,这个与传统的直接输出答案不同是不?我们要求你要一步一步来,或者要 首先想过程怎么样,然后再去求解过去。我们这些要求都是体现在模型的训练过程当中,微调过程当中,或者是我们使用提示词的过程当中,就是提示词工程当中的一些技巧。 而 deepsick 二一最大的一个特点是将思维链显示的呈现出来,二一是首个将思维链显示展开的开源模型, dbc 二一的这种开源策略不仅打破了技术垄断,更重新定义了人工智能的信任体系。当推理过程如同手术过程一般透明,可回溯、可追溯,才能真正实现可控的智能进化。 所以每次我在使用 dbc 二一的时候,我都看着这个大模型在那儿嘟嘟囔囔的在那儿思考,然后我都有一种莫名的感动,也会对他输出的结果有更多的信赖。 从思维链的角度,当前人工智能大模型领域的透明度革命基本上分成两派,一类呢是白河派,一类是黑乡派。 白河派呢,主要就是要强制的展示推理的过程,列支持步骤的回速,典型的代表就是 dipstick v 三以及我们刚刚说的这个呃,阿万的这几个大模型。 那优势呢,就是错误可追溯、合规性强调试效率很高。但当然也有一些缺陷,比方 说思考的过程很漫长,这个推理的延迟增加了,同时呢,应对一些复杂任务的时候,他的表现可能受限。这其中的关键技术是链式的思维提示以及动态的知性度标示。 而黑香派往往是仅输出最终的结果,决策过程是不可见的。他的优势呢,是计算效率很高,而且具有非常好的商业保密性,处理开放性任务的时候会更灵活。 存在一些缺陷,比方说呢,它的结论也许是对的,可是过程是错的,或者合规的成本也非常的高。那 open ai 的对于这个思维链是有非常强的保护意识的,是一个闭缘设计,那它通过一些技术手段,比方说三阶指定系统 呢,去强制隐藏中间的这个思考的这个过程,甚至如果用户想方设法的要绕过这些保护技术的话,这个会触发一些账户的封禁机制。 今天呢, open ai 也在努力的去做一些尝试,去有限的开放思维链, 那付费用户啊,能够看一些简化版的推理债,要比方说解题过程啊什么的,但是虽然响应速度呢,稍微有一点降低,但是合规成本的问题依然还没有完全的解决。 那 deep seek 是一个完全开源,不仅显示了完整的思维链条,并且开放了训练代码啊,开发者呢,也可以自由的定制这个思考过程,如何去呈现出来,推理 的成本大幅的降低,我们今天看到开源策略使得 deep seek 在一些复杂场景的正确率是显著提升的,而开发者生态 也由于 tipsig 的开源,特别是思维过程的开源,受益于这种变化得以快速的成长。所以这场透明化的竞赛的胜负手也许在于谁能真正赢得开发者的信任。 还有一个全新的角色,或者值得我们关注的角色是马斯克发布的这个新的大模型 groux 三。二月十八日,马斯克通过 x 平台直播的方式发布了 groux 三这样一个大模型,在发布会上展示了火星轨道计算、游戏 开发等等实际应用场景。在发布会当中提到 group 三的计算能力是 group two 的十倍,并且能够具备一些深度搜索能力。目前呢, group 三已经开放免费试用,那主要服的用户是 x 平台的一些用户。 grox 三的背后最值得我们关注的一个点是由 x ai 定制的超级计算机, 这是世界最大的 ai 训练集群之一。第一阶段用了一百二十二天时间,部署了十万个 h 一百的 gpu, 在第二阶段在另外的九十二天内将计算能力又翻番,并且在发布会当中提到是允许持续训练的,这意味着 rock 三在更多用户与其互动时仍能够具备实时改进的能力。 我们比较一下 brock 三和 deepsick v 三,这里边最有趣的一个概念就是算力的问题。 brock 三的算力使用了二十万 h 一百的 gpu 级群,而 deepsick v 三的训练过程使用了两千颗 h 八百的 gpu, 那 h 一百和 h 八百这个八百并不是说编号越大,它的能力越强,八百实际上是一个能力的阉割版本, 他的集群性能约为 h 一百的百分之六十就是 h 一百,如果能够考出一百分来的话, h 八百一张显卡,他的集群性能大概也就是只能考出六十分的样子。 brock 三在很多的呃,在某些的具体指标上,特别是涉及到数学推理啊,代码生成上面,真的比 deepsick 要更强悍一些 好,但是我们看到这个 quick 三是一个走的是暴利计算的一个路线,依赖超算集群是吧?依赖硬件的对器,实现了在某些参数上面,在某些性能指标上面的提升。 马斯克的这个 quarksan 用了二十万的 h 一百芯片,这相当于三十万家庭年用电的 年用电量的这样一些训练能耗的投入啊,打造的一艘这样一个星际战舰是吧,这用最强劲的引擎直冲火星轨道啊。同时呢,在这艘战舰上面,我们用的过程 成本也很高,那相当于用火箭去送快递一样。而 dp c 和 v 三用的是两千块的 h 八百,走出的是另外一条路。虽然单卡的算力只有 h 一百的百分之六十甚至一半,但是通过算法的优化, 实现了与 brock 三在很多指标上面的持平,甚至赶超。 所以今天我们讨论 ai 大模型的时候,不仅要关注算力问题,也要关注效率革命。 我们看把 proc 三和 dbc 和 v 三放在一起,我们有一个很有趣的一个感受,就是 ai 的发展可能不仅仅和有多少显卡,有多少算力相关,也要关注或者更要关注能否让每一点 能量,让美交二能量创造最大的价值。这里我们还想讨论另外一个有趣的概念是推理模型与非推理模型。 ai 模型在今天已经出现了非常有趣的文理分科的现象。过去我们当 gpt 刚刚出来的时候,我们经常描述 ai 模型像一个文科生,他能够写诗作画聊天,能够做情感分析等等。 他的短板呢,就是遇到数学题直接报答案,我们经常说是这个嘴比脑子快的这种模式啊,并且不会给我们非常精准的一个数学过程。 而推理模型则更像是理科的尖子生,他的杀手锏是能够解微积分,写代码,能够做科学推, 但是代价呢,就是他要思考更长的一些时间。目前大语言模型当中的这场纹理分科并不是终点,而是人机协作的新起点。 当推理模型赋予 ai 严谨逻辑,非推理模型激发出创造火花的时候,我们其实现在有一个很有趣的感觉,是正在见证人工智能进化的这样一个双螺旋的诞生。 我想用这张表格总结一下 tipsick 模型本身的一些贡献,在训练成本方面,硬件成本,算力的利用率,流程周期都做了极有创造性,对领域极有贡献的一些开拓性的一些工作。在算法 架构方面,训练范式凸显能力和模型压缩,也是让同行啊,值得去学习。我特别想说的是,这张表格并不是我本人辛辛苦苦整理出来的,而是我使用了蜜塔搜索 啊,米塔搜索呢,也是全部部署了 r 一的这样一个推理模群,我告诉他说说,我要有这样一些想法 啊,我说帮我整理一下,我初步的想法是,我觉得他的训练成本啊,算法架构啊啊可能会有一些突破,请帮我总结一下我的想法对不对?然后重点呢,要看一下近两年的学术文献,以及一些啊权威的科技博客。 那在整个 ai 大模型的运行过程当中呢,就是去调用了 deepsick r one 的 推理过程去猜测啊,我的这个针对我这个问题应该如何去求解,一共分几步?然后一步一步的拆解下来,去找相关的参考文献,去理解相关参考文献当中的内容,最后整理合成给了我刚刚的那张表格, 那所以这个例子其实也是我们今天使用 deep sick 提升我们学习效率、工作效率的一个非常典型的实力。 好,我们这个视频比较长,我们就不展开看,但是我们可以看到后直接跳到后半部分,我们看到模型贡献的一些总结啊,技术突破的意义好,以及相关的参考文献。所以整个过程当中我们不需要展开去做那么 多的事情,我们只需要让大模型帮我们整理好,然后我们人工再去做一些证实啊,确实一下,这个参考文献是有权威性的,里边的数据是值得参考的,这大幅提升了我们的学习和研究效率。 接下来我们再讨论另外一个非常有趣的概念是通用人工智能。 在二零二三年的四月二十八日,中共中央政治局召开会议,分析研究当前经济形势和经济工作。 其中有段话非常有趣,说要重视通用人工智能发展,营造创新生态,重视防范风险。通用人工智能在过去往往是一个停留在科幻场景 当中的一个概念,可是就在二零二三年,我们国家层面上面都认可的这个概念。 那什么是通用人工智能呢?关于通用人工智能的讨论,就好像是六十年代我们规划登月工程一样,要清晰的目标啊,要明确出一步一步的路径来。当前有两个主流的评估框架,我们值得关注。 第一是人类能力标尺,这个研究来自谷歌 dipline 的团队,在这个团队里边呢,啊,用人类能力作为一个评价手段描述通用人工智能, 首先是啊,完全不智能是吧,没有体现出一些人工智能的能力。其次呢,是慢慢的出现一些曙光啊,比 方说 china gpd 刚刚出现的时候,通用人工智能的曙光似乎就让研究人员或者是广大社会感受到。 其次是接下来的一个阶段,是能够达到百分之五十以上的成年人的水平,再往下是超过了百分之九十以上的这种啊,成年人的水平,或者超过百分之九十九,以及到最后超过百分之百的人类。 在这个维度当中,是用人类能力作为标尺去描述通用人工智能的不同阶段的。 第二把标尺是任务复杂度的标尺。 open ai 在二零二四年的七月公布了这样一把标尺,提出用于追踪人工智能,向人工向 通用人工智能的发展进程,将 ai 能力从基础对话到全面组织管理的不同阶段来映射。他并没有纠结啊,人工智能是不是真正的理解世界,而是关注人工智能解决场景中问题的一些具体能力。 比方说, l 一是人工智能能够聊天了,是聊天达人。 l 二是人工智能能够解题了啊,他能够去求解一些博士级的一些问题。 l 三是持久管家,在多天的运行过程当中能够自主决策。 l 四是创新引擎,能够做一些原创性的发明了。 l 五是能够实现企业级的系统替代,是一个组织,一个公司啊,或者一个部门的运行大脑。我们把 这两把标尺放在一起,会有一些非常有趣的发现,就是其实我们今天对于通用人工智能还没有非常明确的形成这样一个非常稳定的共识,我们需要不同的尺子来增加我们对通用人工智能的一些共识, 对于通用人工智能的一些理解。关于通用人工智能还有一个非常有趣的一个预测,是通用人工智能什么时候会实现? 在这个研究当中来自 ark, ark 预测是在二零一九年之前,人类的科学家们预测通用人工智能可能要八十年左右才会实现,那八十年是什么概念呢?就是做出预测的人都认为在我们有生之年是不会有 通用人工智能出现的,但是当 open ai 发布了 g、 p、 t 三,人类科学家对于通用人工智能实现的预测就修订成了五十年 之后,随着新的大模型的出现,人类不断的去修订,什么时候才会实现通用人工智能的这样一个预测,而最新的预测是八年, 如果这个预测我们终于预测对了,那很有可能在二零三零年前后,我们就会看到通用人工智能的真正出现。如果我们还像过去不断的被打脸啊,不断的预测错误,那很有可能在二零二六年前后,通用人工智能就会实现。 但是不管怎么样,我们可以有一个非常深刻的感受是通用人工智能能力的涌现是不可 need, 人工智能正变得越来越聪明,而社会影响也进入到倒计时阶段, 所以我想把这句话再强调一下。我们讨论人工智能的时候,尤其是讨论人工智能大模型的时候,我们其实都有一个非常深刻的感受是人工智能越来越聪明,我们也感受到人工智能对于我们社会方方面面的影响越来越多, 而且还有很重要的一个点是我们要拥抱人工智能,人机协作正成为一种新常态。 接下来我们讨论第二部分内容,人机协作。 随着人工智能的发展,人机协作会加速社会的发展。诺贝尔经济学奖 得主克里斯托福有一个非常有趣的观点,他提出人工智能影响我们社会会有一个较长的转型过渡期, ai 的融入生产过程不会那么迅速。 他提出大部分人要做的是技能提升,学会使用 ai, 而不是关心我们的工作是不是会被毁灭掉。他还提出,尽管会有一些工作会被毁灭,可是更多的会有更多的机会工作机会被创造出来。 在他的访谈当中,我看到一个非常有趣的一个观点是 ai 会带给我们更加体面的工作。他提出会提升幸福感,有可能转向每周四天工作制。这个观点在我 我和同学和同事当中引发了很多的讨论,我们都觉得,哎呀,我们现在很多的职业是会要,似乎要不断的加班,似乎都是九九六的一个工作模式,怎么可能由于 ai 的引进,我们就变成四周工作制呢? 我突然想起当年我读小学的时候,那个时候主流的工作休息模式还是一周六天啊,然后休息一天, 等到我上中学的时候,大概就是大礼拜小礼拜的这种说法。而今天我们所有人都适应了主流的这种工作模式,应该是每周工作五天,休息两天。 还有一个非常有趣的研究是我们发现日军工作时间一直在下降,从第二次工业革命到二战 结束的八十年间,全球每个工人的劳动时间每年减少百分之零点五,而生成是人工智能,可以将每个工人的平均劳动时间再降低百分之一点三,从二零二二年的每天五小时到二零三零年的每天四点五小时, 这个每天五小时,五小时是我们一年工作的所有小时数,除以三百六十五天啊,所以并不是我们理解的一天工作八小时的这样一个模式。 那什么叫人机协作呢?我们看这样一个例子,这个研究发表在二零二三年的六月份, 研究里边提出了一个番茄采摘机器人的设计,我们看到现在画面当中就是一个,呃,番茄采摘机器人。那番茄采摘机器人的设计呢?需要 很多不同学科领域的人协作,需要农业科学家,需要机械工程师,需要人工智能科学家,需要工业设计,甚至还需要我们一些产品经理啊,商业啊等等不同背景的人讨论啊,一起去完成这样一个番茄采摘机器人的设计。 可是在这个研究当中,是一个人和大语言模型对话完成设计。我们刚刚说了,大语言模型当中已经提炼和整理出了大量的人类知识, 我们所需要的知识都已经包含在大模型当中了,我们要做的就是一个人想方设法的从大模型当中把相关的知识给抽取出来。在这个研究当中,人负责提出问题, 大模型负责给出答案,而人从答案当中做一个选择。比方说人提出来说这个人类未来将有什么样的挑战?大模型说会有食物供给的挑战,会有老龄化的挑战。然后人做一个选择说,我们来解决食物供给问题吧。 机器人呢?会如何支持农业呢?大模型说可以帮助采摘,可以防治病虫害,可以解决打包的问题等等。 人只是负责提出问题,回答的部分由大模型完成,然后人再去做选择就可以。这就是一个非常典型的人机协作模式, 我们通过对话将蕴含在 ai 大模型当中的知识抽取出来,就可以完成过去很多人花很长时间才能完成的设计。我们再看一个 needs, 这个例子是二零二三年十一月发布的 l c m 的一个算法,这个算法称之为潜在一致性模型。我们现在画面当中就看到这个算法的一个非常典型的应用, 是一位灵魂画手啊,我们很多人可能不具备这种画画创作的这种能力,就灵魂画手我们简单的勾勒几笔,在人工智能的支持下,我们就可以得到这样一张栩栩如生的一幅画面。 这不是人工智能自己在做创作,也不是人在做创作,而是人和人工智能一起去完成一个过去要花很多时间去训练,花很多时间去创作,花很多时间去学习,才能习得的这样一 种技能,这也是一个典型的人机协作模式。今天我们看人机协作大概分成这几种类型。 第一种类型呢是小助理啊,我们人类要做一些工作,其中一些任务呢扔给人工智能去做,然后呢,人工智能是帮我们提供一些信息或者建议,我们做取舍来自主结束工作。 比方说我在准备今天这个报告的过程当中,其中很多内容就是我提出一些想法,请人工智能帮我去搜集资料,然后立马告诉我结果,我来判断一下给的结果靠谱不靠谱,那人工智能就是我的一个非常强悍的小助理。 第二种模式呢是副驾驶模式,在这个过程当中,人类设立任务目标,其中 某几个任务呢,由 ai 去完成出稿,人类就是修改确认就可以,最终由人类自主结束工作。 比方说有的时候我们要去写一篇文章,或者写一个报道,我可以完全在 ai 的帮助下面去起草出稿,调研文件,整理大纲,甚至完成文献翻译等等等等这些过程。 在这个过程当中就是人类和 ai 协作工作,但是最终的结束要由人类去负责,由人类自主结束工作。 第三个模式是代理人模式,由人工智能完成绝大多数的工作,人类的角色是要设立目标,提供资源,监督结果。什么叫监督结果呢?就是,哎,我只是负责最终达出来的东西,是否 达成了我前面提出的目标就可以,而这里人类是尽量少的介入人工智能的工作过程是由 ai 全权代理,大家会去拆解这些任务,选择相应的工具,控制进度或者控制流程,自主结束这样一些工作。 我们看到无论是小助理、副驾驶和代理人,都是人和机器协作的几种模式,但是我们并不能说代理人就比副驾驶要强,副驾驶要比小助理要强, 在具体的工作场景当中,他们都有可能给我们的工作学习带来巨大的效率提升。 到这里我们想切换一个视角,从十八世纪发展到今天, 我们看到的每一次技术革命都伴随着新的基础设施的建立和完善。 比方说在电气化时代,有了发电站,有了输电网,有了变电站,电力送到千家万户,我们开始有电力驱动的各种家电。电力送到工厂里边,我们开始有各种电力驱动的机床啊,各种电力驱动的工业设施, 发电站、输电网和变电站是电器时代的社会基础设施。 而今天我们讨论的是人工智能,现在有那么多优秀的企业家,那么多优秀的科学家,将人工智能的大模型提炼出来,并且还在不断的优化,不断的提升效率, 不断的提升智力的水平。智力可以通过互联网提供给我们,也可以通过一个智力的芯片放到我们的手机里,放到我们的家里的某个家用电器里边, 也可以通过某一种其他的无线网络的方式,或者是其他边缘计算的方式实现智力的服务。以人工智能为代表的新型基础设施已经建立和完善起来,人工智能时代正加紧朝我们每个人走来。 接下来我们讨论第三个话题,产业现状。 我们从三个小点上聊一下人工智能产业和人工智能对周边产业的影响。首先是基础 处模型领域里边,我们今天看到基础模型正在高速迭代这一张画面里边,我们看到的是人工智能大模型的发布情况。斯坦福大学在一年之前发布的二零二四 ai 报告当中, 观测了全球一百四十九个大模型,其中中国有二十个。而根据第三方平台关注的目前还在活跃的以及持续公开发布的大模型当中,已经有五百三十四个大模型,其中中国有一百一十七个。 特别值得关注的是,中国的大模型在几个关键指标上面,在排行榜上面越来越靠前,例如我们今天讨论的 deep seek 二一的模型, deep seek v 三的模型等等。同时还值得关注的一个点 是,在中国越来越多的专业领域,越来越多的垂直领域当中,已经出现了在解决具体生产、解决具体研究问题的这种垂直领域大模型。 除了基础模型的高速迭代以外,我们还看到一个非常重要的变化是智能应用正在蓬勃发展,尤其是各种各样的普通用户能够极其便捷使用的 ai 工具正在迅猛增长。 根据第三方网站的统计,目前已经有两万四千个 ai 工具,覆盖了两百三十三个分类。这些分类既包括我们日常的写作,创作啊,写首歌啊,修改个头像,也包括一些专业问题,比方说做 做客户服务,比方说做问题求解等等。而且更值得关注的是,其中一半大概百分之五十七都是在去年出现的。 dubsick 一个非常重大的影响就是开源,开源直接推动了传统应用的智能化, dubsick 的开源策略使得今天的头部应用正在或者即将完成深度集成,比方说社交搜索、推荐等等, 这些头部公司正在聚焦如何将大模型深度的融入到他们的产品业务领域,聚焦交互体验的提升。 而在企业级场景,例如电力、政务、医疗等垂直领域当中, dipsec 也正在被广泛的部署,这其中的聚焦点 是实现系统级的优化,但是在这个过程当中也依然有一些挑战,比方说算力成本的问题,数据合规性的问题和人才储备的问题等等。 我特别想和大家提一下的是,我们经常聊到的 b、 a、 t 几个公司都已经在全面的部署 dipstick, 比方说百度搜索引擎,在网页端当中我们就可以看到链接是部署了 dipstick 二一的满血版。 而支付宝我们通过网页访问他的百宝箱功能,也提供了 depsike r e 的联联网搜索功能,这是一个非常强悍的功能。 我们的国民级应用微信已经在做 deep sick 智能搜索的挥度测试,所以我们很多用户啊,大家可以试一下打开自己的微 微信,然后稍微向下滑一下原来的搜索框,进入到搜索功能当中,就会发现 ai 搜索的这个功能,而这个功能所调用的就是 deepsic 的搜索功能, 当然即是刚刚我们提到的这些头部应用。拥抱 dipsec 还有很漫长的路要走, 第一步只是实现基本的步数,让大家能够用起来,而第二步要和搜索过程,要和我们的财务管理过程,要和我们阅读公众号啊,我们具体的使用微信的过程当中深度集成起来, 我们相信接下来的几个月我们一定会看到这些头部应用由于 dipsek 的赋能发生天翻地覆的一些变化。这里我想给 大家介绍几个大模型使用的技巧,经常听到大模型微调,或者听到检索增强生成,或者听到提示词工程的这样一些术语。 那什么叫微调呢?微调就是我们拿到了一个通用的模型,但是希望他在我们的领域当中更擅长, 这就相当于我们训练一个实习生的这样一个阶段,一个通用的模型也许不擅长解决我们某个科研领域,某个工程设计领域或者某个医疗服务领域当中的具体问题, 那我们给他一些专门的资料啊,让他去学习,经过这样一个微调的阶段,他就具备了成为我们这个领域专家的这种能力。那什么叫检索增强生成呢?就是我们给他布置任务的时候 呢,我们要捎带着给他一些项目的一些参考资料啊,不要让他盲目去试,那或者说我们可以理解城市对于人工智能的,这是一个开卷考试是吧?你给他一道题目的时候,要告诉他这是一些参考书,这是过去的我们求解的方式,这是这个项目的背景资料。 那第三步呢,是提示词工程。提示词工程的关键呢,就是我们和大语言模型的对话过程当中,我们任务要布置的特别清晰, 今天我们不展开介绍提示词工程的一些细节内容,我和大家分享的是我个人使用提示词工程的一些经验规律,我称之为提示词工程的一些心法,比方说要有目标啊,我们不能只是让他帮我们写首诗,或者说帮我写个年终总结报告吧, 帮我写个报告啊,我们要有非常明确的一个具体的任务,我们也知道如何评价这个任务完成的好坏。 第二呢,是有路径,我们不能和大模型问了一句话,发现他的结果不好,我们就说,哎呀,完成不了我这个领域的问题,我们要持续迭代优化,知道如何和大模型绘画。 第三呢,是任务要说清楚,要明确自己的要求,对吧?要直接一些,具体一些,避免奇异。 意思是要有耐心是吧?我们尽量的避免复杂,要把复杂任务拆解开。第五是要善于总结是吧?我们要找到 适合我这项任务的最擅长的模型或者组合,使用多个大模型的工具,甚至是发明自己的提示词框架。 我特别要强调的是,这是我个人的一些经验规律,应用不同的场景,这些经验规律也许不见得都适用。比方说这里我们就提到了思维链提示的问题, dipstick。 二一本身已经有非常强的思维链的能力,所以在使用二一的过程当中,其实我们不需要把思维链强制的要求出来。我们过去经常说你一步一步的来,或者先给我过程再去执行,而二一可以帮我们完成很多事情, 但是使用 deepsick 提示词依然很重要。 deepsick 降低了基础提示词的使用门槛,但在很多领域当中,提示词还是可以带来显著的效果提升。比方说专业领域任务复杂、逻辑推荐、特定格式 输出等等。随着 ai 大模型的发展,提示词工程正更加侧重精准表达,而非技巧的堆砌,提示词工程成为人机协作的语义校准工具。 第三,我们聊一下硬件产品,相对于软件行业,硬件领域的迭代没有那么快,但是我们今天已经非常欣喜的看到智能硬件也在发生生态重塑的这样一个趋势。 我这里举一个小例子,扫地机器人。我们都知道扫地机器人呢,是智能家居的一个典型代表,他有很强的感知能力,能够做路径规划,能够越账。可是我们家里的环境如此复杂,对扫地机器人是提出了非常高的要求。 我这里举一个例子,这是来自互联网上是吧?有人买了扫地机器人,发现扫地机器人没有办法识别宠物的排泄物, 所以我们看到这个例子当中就是扫地机器人呢,将宠物的排泄物推着扫了一屋是吧?所以这个用户呢,非常的生气是吧?半夜三更放味就放了一宿,然后呢,第二天就把扫地机器人给退掉了。 我们刚刚提到说人工智能智力的供给是我们这个社会运行的基础设施, 为什么扫地机器人很难聪明起来呢?由于过去要实现这种智能,我们需要很多人工智能领域的专家,做很多的研究工作,才能让他具备这种感知的能力,路径规划的能力,阅账的能力 等等。而今天我们所需要的智力已经被提炼出来,已经整理好了。我们把这样一个场景扔给 ai 大模型, ai 大模型就会知道说,哎,这有可能发生了什么事情,遇到这种事情的时候,我应该怎么办? 智力的低成本的供给,一定会为智能硬件的发展带来全新的发展机遇。我也举两个小例子,这两个例子都是来自我们浙江大学工业设计专业同学的创业工作。那第一个例子呢,是糖化机器人, 我们的校友毕业之后呢,他提出这样一个项目,使用 ai 大模型输入文字或者照片,然后智能生成糖化模型,再由糖化机器人去打印输出。我们看到 这边的例子,就是我们说要一个,呃,穿西服的熊猫啊,或者是呢,我提出一些要求,只要用自然语言描述就可以啊,发挥你的想象力,然后视频当中是说打印一只骑自行车的啊,戴着墨镜的这样一个角色, 然后就会调用背后的 ai 大模型,把这样一个形象帮我们生成出来,再接下来再用专用的糖化机器人将它打印输出出来。 在过去我们工业设计只能做一些关于色,色彩啊,形状啊,做一些这方面的工作,可是今天在人工智能的支持下面, 即使学设计的同学,也能够让一台打印机具备了智能的能力。我们再看第二个例子,来自我们浙大国际设计研究院 的在读博士的工作是智能的三维打印机,同样的是手绘或者文本或者图片这样一些非常粗糙的信息,告诉大模型就可以。大模型呢,就可以帮我们去生成二维的概念图, 生成三维建模,最终使用专用的三维打印机将它打印出来,这也是人工智能使得过去没那么聪明的设计过程变得突然聪明起来, 普通用户也可以在人工智能的支持下面做出非常有灵感,非常有趣的一些设计。 最后一部分我们聊一下教育和成长的问题。人工智能大模型的发展给教育带来了大量的挑, 但是更重要的是带来了全新的发展机遇。首先第一个变化是效率的提升。 我们知道教师要生成教案要润色课件要出题,组卷也要阅卷,而这些都可以在人工智能的支持下面实现十倍、百倍甚至千倍的效率提升。 而对于学生来说,不管是便捷搜索、快速答疑,还是创作辅助、实时评价,也一定由于人工智能助学工具的出现,实现效率提升。 但是更重要的还不仅仅是效率,我们在讨论效率的时候,还是一个非常传统的老师和学生的模式。我们感觉更大的一个变化是师生关系很有可能由于人工智能的发展发生巨变,师生关系 不再是简单的教和学的二元结构,而是转变成人工智能教师和学生的这样一个三元结构,教师将有机会在人工智能的支持下面,有更多的时间科学的实现因材施教。 在这个过程里边,人工智能可以为学生去答疑解惑,纠正错误,学生可以去信息检索和定向的获得更精准的知识。 而人工智能也可以为老师生成个性化的教学方案,老师则帮助人工智能去设定针对每个学生的教学任务或者目标。 学生和老师之间的关系更多的是价值依赖、方法指导、因材施教和查漏补缺的过程。 所以我们讲这个过程里边前所未有的具备了使得以学生成长为中心的这种教学结构成为现实的可能性。 例如今天我们可以有很多对话式的学习,人工智能大模型可以让学习回到最本真的样子。 在孔子和苏格拉底的那个时代,学习常常是以师生万达的方式进行的。我们今天没有这种能力,因为老师要面对几十甚至上百名同学,可是 ai 大模型具备这种能力, 甚至我们可以请 ai 大模型去出题,去考核学生是否真正的已经精准的掌握了相关的知识。在浙大,我们正在建设正在高频迭代的两个系统,这 大大先生是 ai 大模型支持的个性化学习课程设计和教学管理系统。我们发布的制海默平台是 ai 大模型支持的人工智能课程学习, 这两个系统都在高频的迭代,也正在为浙大所有的同学提供人工智能服务。 第三个变化是范式的重扣。今天这个时间点上,我们所有人都相信一定要全面引入 ai 的能力, 可是引入过程当中还是有一些障碍,比方说我们要突破惯性的力量,包括观念的惯性、行动的惯性,我们更要关注人工智能能力的提升。每个人都应该树立起基本的 ai 意识,要勇敢的去适用,使用 前沿的 ai 工具,和 ai 一起成长,尽可能的将各种各样的 ai 工具引入到我们日常学习、日常生活的工作流当中。我自己很认可的一句话是,人工智能不会替代我们的,但是会用 ai 的人也许会替代我们。 我还有一个非常重要的观点想和大家分享。是,知识依然是教育的关键载体, 尽管我们所需要的知识都已经封装在大模型当中了,但是知识的生产、传播和传授方式正在急剧的变迁。 我们今天也许不需要背什么东西,不需要死记硬背某个知识点,但是围绕知识的方法论、系统论愈发重要,知识的系统化、因果 立体化、网络化变得极其重要。同时对于每位同学来说,围绕知识的高级能力和素养前所未有的重要起来。例如我们过去讲的逻辑思维、批判性思维、创造性思维, 我们的终身学习灵活学习,我们讲沟通能力、动手能力、创新能力、领导能力,以及我们尤其看重的价值观和人格。 这些词语我们过去经常听到,可是实际上我们很难有精力去支撑学生 在逻辑思维中山学习方面的一些成长,因为资源是有限的,学生要学很多知识相关的内容。而今天由于人工智能的介入,我们有能力也有需求,必须要在这些 高级能力和素养方面投入更多的关注度。我想回到刚刚我们介绍的番茄采摘机器人的例子里边。 刚刚我在介绍这个例子的时候,我说所有的知识都封装在 ai 大模型当中,人就是提出问题,然后做选择就可以。 我们今天也经常看到很多的 ai 软件在给我告诉我们内容的时候,会说,内容是由 ai 生成的,请仔细甄别,但是我们冷静下来想一想,我们是否能够提出一些好问题? ar 给我们答案的时候,我们能否做出好的判断? 在人工智能领域有一个非常重要 的思想实验是图灵测试。一九五零年计算机科学先驱,也是英国的一位数学家叫艾伦图灵,他提出了图灵测试。 自一九五零年提出到今天,持续七十五年的思想实验,见证了 ai 从规则系统到神经网络的范式迁移,见证了人类对自身智能本质的认知突破,也见证了智能时代的到来。 今天我们讨论人工智能已经不仅仅局限在人工智能领域,或者计算机领域或者信息领域, 几乎所有的学科,所有的专业都在受到人工智能的影响。例如我这里罗列了一些关键词,不管是在心理学领域,不管 是在艺术创作领域,不管是在农业育种领域,人工智能的介入都在带来革命性的变化。 我的一个深刻的感受是,所有的学科都在经历图领测试,不是机器模仿人类,而是人类借由 ai 重新定义知识的疆域。 好,最后快速总结一下刚刚过去的一小节当中,和大家分享了四部分的内容,智能演变、人机协作、产业现状和教育成长。这节课就到这里感谢大家。