人工智能-通识到应用课件 项目7：畅想AIGC未来

畅想AIGC未来CONTENTS目录01

项目概述02

企业如何实际应用大模型03

AIGC面临的挑战04

AIGC的未来展望05

项目实践01项目概述AIGC的重要性

推动社会进步AIGC在当今科技时代是推动社会进步的重要力量。它能在多个领域提升效率和质量，如在教育领域，可提供个性化学习资源，优化教育资源配置；在医疗领域，辅助医生诊断疾病和制定治疗方案，提高医疗服务效率。

促进产业升级AIGC是产业升级的关键驱动力。以传媒行业为例，它可应用于新闻撰写、广告创意、视频制作等，提高内容生产效率和质量。工业和信息化部数据显示，截至2024年10月，我国生成式人工智能服务大模型注册用户超6亿，企业数量超4500家，展现了其在产业升级中的巨大潜力。项目目标知识目标

掌握企业实际应用大模型的具体步骤，如确定应用场景与需求分析、选择合适模型与平台等；认识AIGC面临的技术、商业、法律与伦理挑战；明确AIGC未来展望，包括技术创新与融合、产业应用与变革等方向。技能目标

能够分析AIGC技术创新对特定行业或领域的潜在影响并提出应对策略；依据AIGC发展趋势科学规划个人学习路径与职业发展方向；具备评估AIGC在社会层面影响的能力；结合AIGC应用动态参与相关创新实践活动或项目。素质目标

培养前瞻性思维和对未来趋势的敏感度，主动适应AIGC带来的变化；增强创新意识和探索精神，勇于在AIGC应用领域探索新机会和解决方案；提升社会责任感，关注伦理和社会问题并积极参与解决；锻炼批判性思维，对AIGC未来发展保持理性思考；培养自主学习能力和终身学习意识，适应技术更新变化。02企业如何实际应用大模型确定应用场景与需求分析

业务流程分析审视生产、销售等业务环节，定位可优化的痛点。如客户服务中，大模型可自动答疑，提升响应速度；数据分析时，能处理大量数据，发现业务机会与风险。

数据资源评估评估现有数据，确定可用于训练模型的数据，保证数据质量、安全与隐私。例如，需防止数据泄露，确保模型训练数据可靠。

目标设定明确应用大模型的目标，如提效、降本等，并转化为可衡量指标。如提高生产效率可设定具体的效率提升百分比。

案例说明-智己汽车智己汽车聚焦智能驾舱场景痛点，与智谱AI共创模型，实现多意图指令识别等功能，提升用户体验。智己汽车案例

面临的痛点智己汽车传统车载交互系统存在语音指令功能弱、回复内容生硬的问题，影响用户体验。

选择的模型与智谱AI携手共创中英双语对话模型ChatGLM，以解决现有痛点。

实现的功能实现多意图指令识别、模型意图二次确认、趣味内容生成、语音交互游戏和多元人设等功能，满足用户需求。G7易流案例01面临的问题物流行业订单单据格式多样，人工录单效率低、易出错，非结构化数据处理成为痛点。02与火山引擎的合作火山引擎和G7携手梳理业务场景，剖析数据结构，共同构建“智能接单”产品助手。03“智能接单”产品助手的作用将传统人工转化输入变为一键录入，由大模型解析建单，提高效率、节省人力成本。选择合适的模型与平台模型性能评估了解模型准确性、速度等性能，参考评测报告和案例，选择专业领域适用的模型。平台功能与服务评估平台在训练、部署等方面的功能，选择功能全、易使用且兼容现有系统的平台。成本与效益分析分析购买、数据处理等成本，考虑提效、增收等效益，确保投资回报率符合预期，关注长期维护成本。实施与部署的步骤

数据准备与预处理收集整理相关数据，进行清洗、标注和格式转换，满足模型输入要求。

模型训练与微调用预处理后的数据训练模型，并根据需求微调，提升特定场景性能。

系统集成与部署将训练好的模型集成到现有系统，根据需求选择部署方式，测试验证确保满足业务需求。后期监控与优化实时监控系统的建立借助日志分析、数据可视化工具，持续监控模型运行状态和性能。模型评估和调整优化定期评估模型效果和性能，根据结果调整优化，提高适应性和准确性。安全与风险管理措施遵守法规，加强数据安全管理，建立风险评估和预警机制，制定应急预案。03AIGC面临的挑战技术挑战-内容质量控制

01质量控制的重要性内容质量控制是AIGC应用核心挑战，其准确性、创新性等要素对提升用户体验至关重要，影响着AIGC在各领域的应用效果。

02影响因素生成内容质量受输入数据质量、算法模型参数设置等因素影响，如基于有缺陷或带偏见数据集，易导致生成内容出错。

03现存问题存在生成内容信息过时、事实错误、逻辑不连贯等问题，且缺乏创新和差异性，难以满足个性化需求。

04案例说明如ChatGPT-4判断9.11和9.8大小出错，部分主流大模型也存在类似问题，反映出内容质量控制的不足。ChatGPT-4案例分析错误表现ScaleAI高级提示工程师询问ChatGPT-4“9.11and9.9——whichisbigger?”，得到9.11更大的错误结论，实测中ChatGPT-4对9.11和9.8大小判断也出错。原因剖析大模型基于Transformer架构，本质是做nexttokenprediction，分词器解析时可能把数字辨认为日期或版本号比较，导致回答错误。隐患揭示这种错误在需要高精度计算和逻辑推理的领域，会带来决策风险，影响用户对AIGC的信任。技术挑战-数据依赖性

数据依赖性问题AIGC模型高度依赖训练数据集的质量和多样性，数据偏差或不足会导致生成内容有偏差或局限。

获取高质量数据困难高质量数据需严格筛选、清洗和标注，耗时费力，且很多领域数据稀缺、不均衡，多样化数据获取难。

解决方法可采用数据增强、迁移学习等先进技术弥补数据不足，提升模型性能。技术挑战-模型可解释性

可解释性挑战AI系统内部结构复杂，决策过程模糊不透明，应用于金融、医疗等领域时，难以验证决策正确性和追溯责任。

引入解释性工具开发如SHAP、LIME等工具，量化输入特征对预测的贡献，解释单个预测，帮助用户理解模型决策逻辑。

模型剖析可视化通过对模型内部层和神经元激活进行可视化分析，如用线性人工层析成像技术，直观展示模型处理信息的活动差异。技术挑战-计算资源消耗

资源消耗问题AIGC模型训练和推理需大量GPU、TPU等硬件资源，以及存储空间，训练成本高昂。

对环境的影响大量的电力供应和散热系统支持，会带来较高的能源消耗和环境压力。

优化与压缩技术研究者探索模型量化、剪枝、蒸馏等技术，在不显著影响性能的前提下降低模型复杂度。技术挑战-泛化能力与适应性

概念解释泛化能力指模型面对未见过数据保持高性能，适应性指模型在不同场景灵活调整自身的能力。

面临问题训练数据有限、有偏差或不平衡，易导致模型过拟合，且存在“领域漂移”现象，影响模型性能。

解决措施采取数据增强、正则化等技术，以及迁移学习、增强学习、自适应学习框架等策略提升模型能力。商业落地挑战-B端市场

B端用户需求B端用户核心需求是提升工作效率、降低成本，但其业务特性和需求多样。

应用复杂性和成本问题需提供定制化解决方案，增加研发复杂度和实施成本，如客户对数据安全要求高，会提升基础算力成本。

案例说明某专注人工智能的公司，从2018年底到2022年底融资超10亿，2023年启动“1+4”产品战略，但因部分业务亏损进行优化，体现商业落地不易。某公司产品策略转变案例产品战略2023年该公司启动以AI大语言模型为驱动的“1+4”产品战略，EmotiBrain模型工厂主打无代码训练专属大模型。面临问题客户多为银行金融、政务部门，对数据安全要求高，倾向模型私有化和本地化，导致基础算力成本提升，客户付费意愿低。转变原因开源模型也面临训练数据质量、运行推理成本、生成内容准确性等问题，为优化效益与成本关系，公司转变产品策略。商业落地挑战-C端市场

发展阶段C端市场AIGC应用尚处起步阶段，半数产品免费，成熟收费产品较少。

用户需求C端用户希望通过AIGC降低内容创作门槛，提高个人效率和创作能力。

应用场景集中在办公、教育、搜索、电商等领域，要求实现自然语言交互，提升易用性和个性化程度。

面临挑战存在用户留存率低、卸载率高等问题，与产品体验、内容质量和付费意愿有关。法律、道德与伦理挑战版权归属问题AIGC生成内容的版权归属不明确，易引发版权纠纷。隐私保护问题应用中涉及大量用户数据，数据泄露风险大，隐私保护至关重要。其他问题还存在数据合规、确保内容真实性、防止算法偏见、遵守社会价值观和道德规范等问题。04AIGC的未来展望技术创新与融合-深度学习技术深化应用

01发展阶段回顾AIGC技术在内容生产领域历经基于规则驱动的起源阶段、以机器学习为基础的早期发展阶段、基于深度学习的成熟阶段，如今已进入基于大模型和多模态的突破与发展阶段。

02关键技术突破深度学习、自然语言处理、计算机视觉等关键技术不断进步，显著提升了AIGC在文本生成、图像创作、音频制作等领域的能力。

03跨模态技术拓展跨模态技术研发，如文字转化为图像或音频，拓宽了AIGC的应用边界，带来更丰富的内容体验。技术创新与融合-多模态融合技术突破发展趋势AIGC正从传统自然语言处理向多模态融合技术迈进，新一代模型能处理文字、语音、代码、图像、视频及机器人动作等多种格式。内容创作影响多模态融合技术使AIGC跨越不同媒介界限，实现内容无缝融合，丰富表现形式，提升互动性和沉浸感，如制作影片时可自动生成解说词并转化为语音。跨模态处理能力多模态大模型成为发展趋势，其跨模态处理能力提高了AI系统的理解和预测能力，在各领域释放应用潜力。技术创新与融合-跨领域技术整合加速

与物联网合作物联网设备产生的海量数据为AIGC提供训练素材，使机器更好理解环境变化和个人偏好，提供更智能服务。

与5G结合5G网络的高速率、低延迟特性，为AIGC在实时交互场景中的应用提供有力保障。

云计算支持云计算平台为AIGC提供强大计算支持，降低进入门槛，企业可快速部署解决方案，无需担心硬件资源限制。产业应用与变革-核心产业规模提升

现状截至2024年10月，我国生成式人工智能服务大模型注册用户超6亿，人工智能核心产业规模不断提升，企业超4500家，上线大模型近200个。

未来预测2023年中国AIGC产业规模约143亿元，预计到2030年将突破万亿元，达到11441亿元，逐步建立完善的模型即服务（MaaS）产业生态。产业应用与变革-应用领域发展态势现有领域应用AIGC在传媒、教育、医疗等领域展现强大潜力，如传媒用于新闻撰写、广告创意等，教育提供个性化学习资源，医疗辅助疾病诊断。新兴领域拓展2024年OpenAI推出视频生成大模型Sora，国内快手推出“可灵”，标志AI从文本生成迈向视频生成新阶段，应用领域将加速拓展。产业应用与变革-生态产业日益完善

产业生态体系层次AIGC产业生态体系分为基础层、中间层和应用层。基础层提供底层支持，中间层转化资源为价值，应用层满足用户内容需求。发展推动因素标准规范构建全过程一体化标准体系，技术创新提升生成内容质量，政策支持提供良好环境，前沿技术和新设备推动融合发展。社会影响与新机遇-赋能市场经济

生产效率提升AIGC打破传统创作限制，应用于企业管理、营销推广等方面，提升运营效率和竞争力，如新闻媒体可快速生成初稿，广告营销可生成个性化文案。

就业结构调整部分重复性、规律性强的工作岗位可能被AIGC替代，劳动者需转岗或提升技能以适应新需求。

行业竞争加剧AIGC应用使企业生产和服务更高效，能快速应用并整合技术的企业更具竞争力，反之可能面临市场份额下降等问题。社会影响与新机遇-驱动个人成长

关系认知AIGC改变工作方式和内容，对个人能力和素质提出新要求，掌握AIGC技术可提升职业竞争力。应对方法以积极态度适应技术变革，将其转化为职业发展助力，不断提升自我竞争力，关注AIGC挑战，推动其健康发展。05项目实践AIGC应用案例调研案例背景京东作为中国领先电商企业，日均咨询量超千万次，传统人工客服效率低、成本高，难以覆盖多语言和复杂场景。模型选择选用京东自研“言犀”大模型，基于Transformer架构，参数量达千亿级。它针对电商场景定制，含商品知识图谱与用户行为数据，具多模态能力，安全可控且成本低，部署在京东云平台与现有设施无缝集成。实施部署步骤需求分析阶段梳理12大类、300+子类咨询场景，清洗10亿条历史对话数据并建知识库；模型训练阶段基于京东云分布式训练框架预训练，用强化学习优化对话策略；测试验证阶段A/B测试问题解决率提至85%，压力测试支持每秒5000次并发咨询；全量上线阶段灰度发布至10%用户后扩展至全平台，复杂问题转接率<5%。AIGC应用案例调研应用成效人力成本降低60%，减少5000+基础客服岗位；日均处理咨询量从800万次提至1500万次；用户满意度从78%提至92%；支撑国