大数据分析导论 课件 第4章 数据前沿：智能时代的演进

8.1大语言模型概述8.2提示词工程8.3大语言模型应用前沿8.4人工智能大模型应用案例：低代码数据分析第4章数据前沿：智能时代的演进4.1云计算与边缘计算4.2区块链技术4.3迈向大模型中南财经政法大学一种借助网络按需、灵活地获取共享计算资源池（涵盖计算、存储、网络、应用、服务等）的计算服务模式。计算资源的集中化与虚拟化变革，通过将计算、存储、网络等资源进行池化，彻底改变了传统IT架构的资源供应方式。IaaS（InfrastructureasaService，基础设施即服务）、PaaS（PlatformasaService，平台即服务）、SaaS（SoftwareasaService，软件即服务）三层服务体系已完全成熟。1云计算的定义与核心价值4.1云计算与边缘计算4.1云计算与边缘计算云服务商将AI、大数据、物联网等复杂技术封装为标准化服务中小微企业无需自建技术团队即可获得与科技巨头同等的技术能力服务普惠化通过超大规模数据中心的规模效应，降低计算资源的单位成本企业无需自行采购和维护昂贵的硬件设备，显著降低数字化转型的门槛资源集约化支持根据业务需求动态调整资源配额，峰值时段快速扩容，低谷时段则可以释放闲置资源完美匹配电商大促、春晚直播等突发流量场景能力弹性化020103云计算的核心价值2边缘计算的定义与架构特征4.1云计算与边缘计算异构计算与存算一体架构日渐成熟，设备算力实现质的飞跃硬件方面01云原生技术栈已成功从数据中心延伸到边缘环境，降低开发与运维门槛软件方面025G-Advanced网络与时间敏感网络技术的成熟，为边缘计算提供可靠网络保障网络方面03基于硬件的身份认证、边缘零信任架构，以及通过硬件可信执行环境实现敏感数据处理全程加密，结合联邦学习保护数据隐私安全方面04计算能力、存储资源及网络服务从中心云下沉至网络边缘（靠近数据产生源头的物理位置）核心目标是通过“数据就近处理”原则，降低端到端响应时延，缓解骨干网络拥塞，提升整体系统的可靠性与韧性3云边协同计算的架构与发展趋势4.1云计算与边缘计算超大规模数据中心，全局数据汇聚、长周期存储、大模型训练及全局资源调度中心云层01省、市级数据中心，实现区域内算力的统筹调度区域云层02位于基站、园区、工厂等，承担实时数据处理、低时延决策、轻量级模型推理任务边缘云层03网关、摄像头、机器人等终端设备内部，负责传感器数据采集、协议转换与即时响应部分高性能设备可独立完成简单AI推理任务设备边缘层044.2区块链技术数据的信任机制与去中心化存储传统数据库实现数据的单方维护，区块链实现多方维护相同数据，保证数据的安全性和业务的公平性多方维护一种分布式数据存储、点对点传输、共识机制、加密算法等计算机技术在互联网时代的创新应用模式。核心定义融合多种现有技术分布式共识算法生成和更新数据，对等网络进行节点间的数据传输，结合密码学和时间戳等技术的分布式账本实现数据的不可篡改，自动化脚本代码或智能合约实现上层应用逻辑可信社会基础设施通过程序和代码将规则内嵌到计算机系统中不存在可以随意篡改数据的中心化管理人员4.2区块链技术全球银行在合规系统安全方面投入巨大银行在建立风控系统时，需反复核实客户信息，隐形成本难以估量区块链技术应用到风险监控等管理系统中，依靠其分布式账本和不可篡改的时间戳等特性，可以显著降低银行的运维成本与人力成本区块链的可追溯特征，可以保证任何一笔交易记录与操作步骤永久地保留在区块链系统中，能够有效提升监管的透明度与完整性区块链技术的共享性可以保证系统中的每一个节点都可以由各参与方随时查验，提升运行效率，减少获客成本去中心化特征可以提升金融安全，区块链系统中的每一个节点都无法单方面掌握并修改系统中的信息，且关键数据加密储存，防止信息篡改，避免信息泄露4.2区块链技术1区块链结算系统可以通过哈希加密算法免除客户的明文信息输入2通过分布式账本的形式，使系统中的每一个参与方实现信息共享，消除不必要的第三方中介，从而降低银行交易手续费3点对点交易方式与去中心化架构，缩短交易时间，提升运营效率区块链技术对银行结算体系产生深远影响8.1大语言模型概述使用人工标注的高质量对话数据对其进行进一步训练，使其能够以更自然的方式表达微调与推理构建起一张覆盖语言、常识、逻辑的知识网预测下一个词元预训练为重要词汇赋予较高的计算权重注意力机制020103大模型基本工作原理4.3迈向大模型4生成式AI浪潮（2017至今）3数据驱动的智能觉醒（1990—2010年）03042第一次AI浪潮与寒冬（1960—1980年）1智能黎明的十年（1949—1956年）0102从海量数据到生成式AI的飞跃4.3.1智能黎明的十年（1949—1956年）唐纳德·赫布在《行为的组织》中提出赫布学习（HebbianLearning）理论艾伦·图灵在《计算机器与智能》中提出“图灵测试”亚瑟·塞缪尔提出“自学机器”并开发的跳棋程序1956年夏，达特茅斯学院的研讨会确立人工智能（ArtificialIntelligence）的概念及目标（让机器模拟人类的学习与推理能力）4.3.2第一次AI浪潮与寒冬（1960—1980年）由输入层、输出层和可调节权重组成，实现简单图形（如字母、几何形状）的分类识别单层感知机本质是线性分类器，无法将非线性分布的样本分开连接主义——感知机（Perceptron）01智能=规则+知识将专家知识拆解为“如果-那么”（If-Then）规则例如用户说“我很焦虑”，机器人反问“你为什么觉得焦虑？”符号主义——ELIZA聊天机器人02将某一领域专家的知识编码为知识库，再通过推理引擎调用知识，解决特定问题斯坦福大学开发MYCIN系统，根据患者症状和病史，通过数百条规则推理细菌感染类型，并推荐抗生素方案DEC公司在1980年开发XCON系统用于配置VAX计算机专家系统（ExpertSystem）034.3.2第一次AI浪潮与寒冬（1960—1980年）符号主义无法突破知识获取瓶颈——人类专家的隐性经验难以转化为显式规则常识的无穷性更让“将全部人类常识编码入库”成为不可能。技术瓶颈计算机内存与算力有限复杂专家系统需运行在昂贵的大型机上中小企业难以负担，市场需求迅速萎缩硬件成本公众与资本期待AI很快实现通用智能专家系统只能解决窄领域、高结构化问题理想与现实的导致投资信心崩塌。预期落差将复杂智能拆解为可编码的规则与符号忽视了智能的泛化能力（对模糊性、不确定性的适应）符号主义失败4.3.3数据驱动的智能觉醒（1990—2010s）击败国际象棋冠军卡斯帕罗夫，核心是规则+数据微调IBM“深蓝”以逐层预训练策略破解梯度消失难题，先无监督训练浅层网络，再堆叠为深层网络并反向传播微调深度信念网络结合深度学习+蒙特卡洛树搜索，击败围棋世界冠军李世石AlphaGo1997200620161997-2016数据：互联网普及带来海量训练数据（图像、文本）算力：GPU与分布式计算突破瓶颈算法：DBN、CNN、强化学习等算法创新小结4.3.4生成式AI浪潮（2017至今）《AttentionIsAllYouNeed》提出的Transformer架构2017OpenAI提出GPT-3模型2020ChatGPT模型正式上线2022GPT-4模型从单模态过渡到多模态20234.3.4生成式AI浪潮（2017至今）2019年：文心大模型1.0发布与知识增强突破率先在知识增强预训练领域取得突破，通过将结构化知识图谱融入语言表示学习，显著提升模型对实体、关系及常识的理解能力，为后续中文大模型发展奠定技术基础。2023年：文心一言开放与国产大模型产品化落地成为国内首个对标ChatGPT的大模型产品，实现从技术验证到规模化服务的关键跨越；同期腾讯的混元大模型、华为的盘古大模型、科大讯飞的星火认知大模型等也相继推出，并在中文理解、行业应用、多模态能力等方面形成了独特优势。2024年：深度求索等新兴力量加速模型普及深度求索（DeepSeek）、智谱清言（ChatGLM）、月之暗面（Kimi）等创新力量陆续发布高性能开源或闭源大模型，推动大模型在推理能力、长文本处理、代码生成等维度持续升级，显著降低企业与开发者接入门槛，加速大模型在垂直场景的规模化部署。2025—2026年：开源生态繁荣与技术协同演进以HuggingFace中文社区、OpenBMB工具链、ModelScope模型即服务为代表的开源基础设施日趋成熟，大模型训练框架、评测基准、轻量化方案协同发展，形成‘模型—工具—应用’闭环生态，进一步推动国产大模型在性能、安全、可解释性与合规性方面的系统性进步。本章总结云计算与边缘计算的基本概念：云计算具备强大的集中式存储与计算能力，能够高效处理海量数据，并提供弹性资源与服务；边缘计算则将计算任务下沉至网络边缘，贴近数据源头，可实现数据的实时处理与低延迟响应。二者所构建的协同计算体系，为大数据各环节的稳定运行与持续创新提供支撑。区块链技术的基本概念：区块链被是一种分布式数据存储、点对点传输、共识机制、加密算法等计算机技术在互联网时代的创新应用模式，结合密码学原理和时间戳等