生成式AI工具与项目实践 课件 项目1 生成式AI初体验与基础认知

项目1生成式AI初体验与基础认知CONTENTS目录任务1

AI的第一次对话-DeepSeek快速体验任务2

AIGC的起源与发展历程任务3大语言模型与生成原理概述任务4

AI时代的伦理与安全AI实操技能教学以DeepSeek对话工具实操为核心，带你感受AI交互逻辑，快速掌握对话式AI基础使用方法。AIGC理论知识梳理系统梳理AIGC起源发展、大语言模型核心原理，解读AI时代伦理与安全规范，搭建完整认知框架。AI能力进阶赋能助力从零基础实现会用、善用、安全用AI，为后续AI技能学习与实践应用筑牢基础。【项目导读】【学习目标】

AI核心知识学习理解对话式AI、AIGC、大语言模型核心概念，掌握生成式AI基础理论知识。

DeepSeek工具实操熟悉DeepSeekAI工具注册、登录、对话交互、结果修改与重新生成等完整操作流程。

AIGC进阶认知了解AIGC发展历程、大语言模型技术原理与生成机制，知晓AI伦理与安全核心要点。【技能目标】01DeepSeek操作技能可独立完成DeepSeek账号注册、登录，熟练开展AI对话、指令发送、结果复制与修改等操作。02提示词撰写能力能运用大语言模型基础原理，撰写清晰有效的提示词，获取符合需求的AI生成内容。03AI合规使用能力可识别AI应用常见伦理与安全风险，掌握基础的合规使用与风险规避方法。【素质目标】

AI使用意识培养帮助学生树立科学、理性、合规使用人工智能的意识，恪守AI伦理与安全规范。

AI应用能力提升提升学生对新技术的探索、问题解决与信息甄别能力，形成严谨的AI应用思维。AI的第一次对话-DeepSeek快速体验任务11.对话式AI的基本含义对话式AI是基于大语言模型、以自然语言为媒介的人机交互形式，属生成式AI，易上手、应用广。2.DeepSeek基础介绍DeepSeek是轻量化易操作的生成式AI对话工具，核心能力丰富，入门易上手，适合AI入门实践。1.1.1

生成式AI对话交互基础1.1.2

账号注册与登录

1.平台访问与注册入口在浏览器输入www.D进入官网，点击“开始对话”跳转至登录注册页面。

Deepseek官方网页1.1.2

账号注册与登录：2.账号注册与身份验证

账号注册方式说明DeepSeek支持手机号、微信、邮箱三种注册方式，其中手机号验证为最常用的注册方式。

手机号注册操作步骤先在官方网页点击“开始对话”打开登录页，再输入手机号获取并填写验证码，勾选复选框即可进入用户界面。

平台使用体验引导在了解完DeepSeek的界面布局后，可通过简单对话案例，亲身感受平台的实际使用体验。登录页面Deepseek用户使用界面1.1.2

账号注册与登录：2.账号注册与身份验证在聊天窗口输入“简述心肺复苏的关键步骤”，选择“深度思考”功能，单击“发送”按钮Deepseek会对提示词进行深度思考，并对其进行分析，如图所示，明确用户需求，然后输出心肺复苏的关键步骤

心肺复苏核心步骤含环境反应评估、呼救启动应急系统、胸外按压、开放气道、人工呼吸，按30:2比例循环操作。

心肺复苏关键要点非专业人员可仅做不间断胸外按压，需保证按压快且深、胸廓完全回弹，及时使用AED。

账号注册与登录指引涵盖账号注册流程及身份验证环节，是平台使用的基础操作步骤。

结果工具栏功能说明包含复制、重新生成、喜欢、不喜欢、分享按钮，分别实现对应操作功能。思考分析过程结果工具栏1.1.2

账号注册与登录：2.账号注册与身份验证单击“重新生成”按钮，Deepseek会重新对提示词进行深度思考，并对其进行分析，然后输出心肺复苏的关键步骤

成人CPR核心流程成人心肺复苏遵循C-A-B-D流程，先胸外按压，再开放气道、人工呼吸，最后配合AED除颤，需按规范操作。急救关键注意事项施救前需确保现场安全，判断患者无意识无呼吸后立即呼救，按压要用力快速且保证胸廓回弹，尽早使用AED。Deepseek操作说明在Deepseek中可重新生成结果，也能点击“修改”编辑提示词，发送后可获取儿童心肺复苏等针对性内容。编辑提示词AIGC的起源与发展历程任务21.2.1什么是AIGCAIGC核心定义与价值AIGC是人工智能领域发展迅猛的分支，能依指令生成多形式内容，深刻改变信息创造、消费与互动方式。AIGC特性与技术支撑具备高自动化、高效生成、灵活定制特性，依托深度学习、NLP等多底层AI技术融合实现内容生成。1.算法模型的持续进化GPT、DALL-E等先进AIGC模型展现出文本、图像、视频等领域的惊人能力，刷新人们对机器创造力的认知。2.计算能力的指数级提升GPU、TPU等专用AI芯片普及，云计算平台提供弹性算力，为AIGC模型筑牢硬件基础。3.大规模高质量数据集的积累互联网上海量多类型数据及精心标注的专业数据集，为AIGC模型学习提供丰富“养料”。4.开源社区与工具的繁荣开源AIGC模型、框架及工具大量涌现，降低开发者与研究者准入门槛，加速技术迭代创新。1.2.2AIGC的起源

AIGC起源根源根植于人工智能学科诞生初期，围绕“机器能否创造内容”展开的原始探索。

AIGC早期探索实践人工智能概念提出后，研究者尝试用规则、逻辑与简单算法，让机器生成文本、图案等内容。

AIGC萌芽阶段特征以验证机器生成能力为核心目标，未形成成熟技术体系，属概念萌芽与原理验证时期。

AIGC早期探索价值为后续技术发展奠定思想基础与实践方向，标志着AIGC正式起源。1.2.3AIGC的发展历程

AIGC技术演进脉络跨越数十年，从最初简单规则系统发展至如今复杂深度学习模型，历程辉煌。

AIGC发展多重影响既体现人工智能科学的整体进步，也深刻改变人们与信息、创意的互动方式。AIGC初期研发思路人工智能早期，研究者尝试通过编写规则和算法，来实现简单的内容生成。AIGC初期应用特征彼时AIGC应用基础，依赖人工规则、模式匹配及简单算法，仅能模拟简单任务。1.2.3AIGC的发展历程：1.初期阶段（20世纪50-70年代）1.2.3AIGC的发展历程：1.初期阶段（20世纪50-70年代）

1）基于规则的系统开发者编写大量“如果-那么”规则，指导内容生成，比如依温湿度等数据生成天气预报文本。

2）符号AI强调通过符号表示和逻辑推理来模拟智能，内容生成被视为一种符号操作过程。1.2.3AIGC的发展历程：1.初期阶段（20世纪50-70年代）3）有限的上下文理解

01AIGC初期技术局限系统对语境理解有限，生成内容缺乏连贯性与自然度，多为机械模板填充，智能性不足。

02ELIZA对话系统探索60年代麻省理工学院约瑟夫·魏泽鲍姆开发ELIZA，以关键词匹配模仿心理治疗对话，虽无真理解却误导部分用户，成为早期标志性案例。

03AI艺术创作早期尝试部分先驱者尝试用算法生成简单旋律、节奏或几何图案，为后续AI艺术创作发展埋下伏笔。ELIZA对话系统1.2.3AIGC的发展历程：2.发展阶段（20世纪80-90年代）

AIGC技术阶段转变算力提升、理论发展推动AIGC摆脱规则束缚，转向统计学习，从数据中学习模式，生成更具规律的内容。1.2.3AIGC的发展历程：2.发展阶段（20世纪80-90年代）核心技术特征列举

AIGC核心技术特征包含统计语言模型（如N-gram模型）、专家系统、早期机器学习算法，依托NLP基础技术发展。各技术功能作用统计语言模型提升文本局部流畅度，专家系统生成专业内容，机器学习用于分类与简单生成，NLP提供技术支撑。N-gram模型1.2.3AIGC的发展历程：2.发展阶段（20世纪80-90年代）多领域应用探索基于结构化数据生成摘要报道，算法生成游戏内容，对话系统尝试理解复杂语境与用户意图深度学习赋能AIGC2010年后，深度学习技术突破为AIGC带来发展机遇，借其能力生成高逼真、多样化创意内容。1.2.3AIGC的发展历程：3.现代阶段（21世纪初至今）1.2.3AIGC的发展历程：3.现代阶段（21世纪初至今）AIGC发展存多重挑战

AIGC发展成果突破在内容生成的质量、多样性与创造性上实现革命性飞跃，部分领域展现超越人类潜力，深刻变革内容创作。

AIGC发展面临挑战存在"幻觉"致事实失准、数据偏见与伦理困境、版权归属模糊、深度伪造滥用及高算力消耗等问题。

AIGC发展核心课题需负责任引导其发展，在释放巨大潜能的同时有效规避各类风险，这是当前社会亟需解决的关键。大语言模型与生成原理概述任务3大模型与大语言模型定义人工智能大模型：超大规模参数、复杂结构，可处理海量数据、完成复杂任务；大语言模型是专攻自然语言文本的大模型。1.3.1大语言模型的定义与分类：1.大语言模型的基本定义1.3.1大语言模型的定义与分类：1.大语言模型的基本定义大语言模型技术本质

大语言模型本质它是基于深度学习的统计语言模型，通过学习海量文本数据，掌握语言规律、语法、语义及世界知识。大语言模型工作原理突破传统模型固定上下文窗口限制，能捕捉长距离语义依赖，以上文为基础计算下一词概率并生成文本。1.3.1大语言模型的定义与分类：1.大语言模型的基本定义

大语言模型核心特征大语言模型核心特征为涌现能力，参数量超百亿级时该能力显著增强，可完成多种高智能任务。1.3.1大语言模型的定义与分类：2.大语言模型的主要分类根据功能侧重点和应用场景，大语言模型可以划分为以下几种主要类型

1）通用型大语言模型通用型大语言模型：兼具全面语言能力，适配多场景，如文心大模型、Kimi智能助手。

2）推理增强型大语言模型专注数学、逻辑、代码等严谨推理任务，代表模型有讯飞星火、DeepSeek

3）多模态大语言模型可同时处理多模态信息，以跨模态对齐为关键技术，能完成文生图等跨模态任务。

4）行业大语言模型在通用模型基础上经行业数据微调而成，贴合领域逻辑，提供精准专业服务，产业应用价值高。核心技术支撑基础大语言模型的强大能力并非凭空产生，而是依托多项核心技术突破构建而成。关键技术支柱解析Transformer架构与预训练－微调范式，是支撑大语言模型运行的两大核心技术支柱。1.3.2大语言模型的核心技术原理1.3.2大语言模型的核心技术原理：1.Transformer架构

Transformer架构由来2017年Google团队在论文《AttentionIsAllYouNeed》中提出该架构，成为现代大语言模型基石。

Transformer核心特性它是基于自注意力机制的神经网络架构，可捕获输入输出间的全局依赖关系。

Transformer技术意义该架构的提出推动自然语言处理领域进入了全新的发展阶段。

Transformer对比优势相较于传统RNN、LSTM等网络，Transformer拥有独特的核心竞争优势。1.3.2大语言模型的核心技术原理：1.Transformer架构1）并行计算能力RNN难利用GPU并行计算能力；Transformer借自注意力机制实现并行计算，提速且支持大模型训练2）长距离依赖捕捉处理长文本时RNN难捕捉远距离词语依赖，Transformer自注意力机制可建立任意位置关联。3）多头注意力机制Transformer的多头注意力机制，可从不同子空间关注信息，各头学不同语义关系，融合获丰富上下文表示。1.3.2大语言模型的核心技术原理：2.预训练与微调大语言模型的强大能力源于两阶段的训练范式：预训练和微调预训练阶段特点作为大语言模型核心技术环节，该阶段耗时久、计算资源消耗大，是基于Transformer架构的创新应用。预训练核心方式依托海量无标注文本数据，以自监督学习为核心，让模型学习语言通用特征，打造通才基础模型。典型预训练任务最常见任务为“预测下一个词”的因果语言建模，通过反复预测让模型掌握语法、语义、常识及推理能力。1.3.2大语言模型的核心技术原理：2.预训练与微调1）预训练阶段1.3.2大语言模型的核心技术原理：2.预训练与微调2）微调阶段

模型微调基本概念在预训练模型基础上，用少量特定领域标注数据，对全部或部分参数继续训练，让通用模型成为垂直领域专才。常见场景包括医疗问答模型学习医学术语和诊疗逻辑，法律文书模型掌握法律条文和文书格式。

模型微调核心优势无需预训练级别的海量数据与计算资源，能迁移通用模型知识，提升特定场景的效果与效率。

参数高效微调技术以LoRA为代表，仅更新少量额外参数，即可达到接近全参数微调的效果，进一步降低微调门槛。1.3.2大语言模型的核心技术原理：3.词的向量表示传统词表示局限

早期采用One-Hot编码，将词转为高维稀疏向量，词间相互正交，无法体现语义相似性。现代词向量优势

分布式词向量是大语言模型核心技术，可将自然语言符号转为数学模型能处理的数值形式。1）静态词向量

静态词向量如Word2Vec、GloVe，词向量固定，能捕语义关系，但无法区分多义词语境义。2）动态上下文词向量

大语言模型的动态上下文词向量，依上下文计算，靠Transformer自注意力解决一词多义问题。1.3.3大语言模型的生成原理

生成核心机制

大语言模型对话并非简单检索答案，而是通过复杂的、基于概率的计算过程生成内容。

理解该生成原理，能帮助我们更科学地设计提示词，有效控制内容生成效果。1.3.3大语言模型的生成原理：1.自回归生成机制

核心生成机制大语言模型核心生成机制为自回归生成：依已生成序列逐步预测下一词元，循环至满足停止条件。

生成过程形式化描述输入序列→模型计算下一词元概率分布，采样或选最高词元拼入，重复至遇结束词元或达最大长度。

生成过程实例说明用户输入“中国的首都是”，模型输出概率分布，选最高概率的“北京”，再以完整语句为新输入续预测。

生成机制特点与局限自回归生成每步依赖前文，易累积放大错误，长文本生成偶现跑题、逻辑断裂情况。采样策略设计研究人员设计多种采样策略与控制参数，助力大语言模型生成更符合预期的内容。用户参数调控用户使用AI对话工具时，可通过调整相关参数，影响生成内容的风格与质量。1.3.3大语言模型的生成原理：2.关键生成参数与控制策略1.3.3大语言模型的生成原理：2.关键生成参数与控制策略

1）温度参数（Temperature）温度参数调控文本生成的随机性：值越高越具创意但易不合理，值越低越保守确定。

2）Top-k采样Top-k采样：仅从概率最高的k个词元选，规避低概率离谱词元，k值影响生成多样性与稳定性。

3）Top-p采样（核采样）Top-p采样：动态选取概率累积和达阈值p的最小候选集，自适应确定候选词元数量1.3.3大语言模型的生成原理：2.关键生成参数与控制策略4）频率惩罚与存在惩罚

重复抑制参数说明频率惩罚按词元出现频次施加概率惩罚，频次越高惩罚越大；存在惩罚只要词元出现过即惩罚，与频次无关。

参数应用优化策略合理设置两类惩罚参数可改善生成文本多样性，减少重复循环，还可组合其他参数如低温度配Top-p采样获最佳效果。1.3.3大语言模型的生成原理：3.幻觉问题与应对策略

01幻觉问题定义大语言模型实际应用中面临的“幻觉”问题，指生成内容合理合规，但与事实不符或无训练数据依据。

02幻觉成因概述大语言模型“幻觉”现象的产生并非单一因素导致，而是由多方面原因共同作用而成。

031）概率生成的本质概率生成模型的目标是生成概率合理的文本，而非事实正确的文本，会凭训练模式做可能偏离事实的猜测。

042）知识的边界性模型知识受训练数据采集时间限制，无法获取实时信息，对截止日期后的问题可能答错或答不出。

053）训练数据的偏差训练数据存错漏或矛盾信息，易令模型习得错误并在生成内容时复现，当前有应对幻觉的策略。检索增强生成生成回答前，先从外部知识库或搜索引擎检索相关信息，将其作为上下文引导模型基于可靠信息生成。事实核查与人工验证对于关键信息，尤其是需要高度准确的场景（如医疗建议、法律咨询），必须进行人工核对。提示词约束在提示词中明确要求模型提供信息来源、不确定时声明不知道等，引导模型在其能力边界内作答。模型自身的不确定性估计让模型评估自己回答的置信度，或生成多个可能答案供用户选择。1.3.3大语言模型的生成原理：3.幻觉问题与应对策略：针对幻觉问题，当前的主要应对策略包括：AI时代的伦理与安全任务41.4.1AI时代伦理困境与治理

AI伦理核心内涵聚焦AI应用契合人类价值观，核心困境涵盖隐私、公平、就业、责任、安全五大维度。

AI伦理治理路径需构建“技术规范+法律约束+社会监督”的协同治理体系，破解各类伦理难题。AI数据采集情况人工智能会大规模采集分析个人数据，涵盖作息、出行轨迹、偏好等，进而形成用户“数据画像”。隐私过度挖掘风险AI在数据处理中可能过度挖掘隐私，例如通过消费数据推断用户健康状况，触碰隐私边界。便利隐私平衡争议AI需用户数据提供个性化服务，但数据采集边界模糊，引发“便利”与“隐私”的平衡争议。用户数据控制权疑问用户是否真正拥有数据控制权，比如能否随时删除自身AI数据画像，成为待解的核心问题。1.4.1AI时代伦理困境与治理：1.核心伦理困境1）隐私侵犯困境1.4.1AI时代伦理困境与治理：1.核心伦理困境2）公平性困境

AI群体歧视表现AI可能因训练数据或算法问题歧视特定群体，涵盖招聘、贷款、司法等多场景，放大社会偏见与不公。

AI公平定义争议围绕AI“公平”定义存在争议，需抉择“对所有群体一视同仁”或“考虑历史差异补偿”的方向。1.4.1AI时代伦理困境与治理：1.核心伦理困境3）就业影响困境人工智能自动化替代多领域人类工作，引发就业争议及劳动者转型、权益保障等困境。1.4.1AI时代伦理困境与治理：1.核心伦理困境4）责任界定困境

01AI事故责任难界定自动驾驶车祸、AI医疗误诊等事故中，责任归属在用户、机构、算法供应商间难以划分，争议频发。

02AI黑箱致追溯障碍AI决策存在“黑箱特性”，让责任追溯缺乏清晰依据，引发“人类主导”与“技术辅助”的责任边界困惑。

03责任认定标准待明确当前面临是否要为人工智能设立专门责任认定标准的问题，需破解这一核心伦理治理困境。AI恶意应用场景深度伪造生成虚假视频误导舆论，过度监控采集数据侵犯隐私，自主武器系统引发伦理安全危机。AI应用治理争议点争议聚焦于如何用规则限制AI恶意应用，以及该由政府、企业还是国际组织划定应用红线。1.4.1AI时代伦理困境与治理：1.核心伦理困境5）技术滥用困境1.4.1AI时代伦理困境与治理：2.伦理治理路径

多元协同治理体系人工智能伦理治理需结合技术特性、社会需求与法律框架，构建“政府-企业-社会-个人”协同参与体系。

核心治理路径方向明确AI伦理治理核心路径方向，为破解AI时代伦理困境提供系统性的实践指引。1.4.1AI时代伦理困境与治理：2.伦理治理路径1）技术层面

AI技术透明化研发以可解释为方向研发XAI，借助决策树图谱等可视化工具，让AI决策过程透明化，明确标注关键依据。

模型伦理约束嵌入在模型训练阶段加入伦理规则库，AI招聘工具过滤性别年龄特征，生成式AI设置内容审核模块拦截有害内容。

伦理评估标准建立构建AI技术伦理评估标准，企业产品上线前需经第三方审核数据合规性、算法公平性，通过后才可入市。1.4.1AI时代伦理困境与治理：2.伦理治理路径2）法律层面细化AI伦理立法在现有数据及信息保护法律基础上，出台专门条例，明确AI数据采集边界与算法应用禁区。跨主体责任认定建立区分开发者、使用者、监管者的责任机制，明确不同主体的具体责任内容。推动国际规则协同参与国际AI伦理治理合作，制定统一技术应用标准，避免因监管洼地引发技术滥用。1.4.1AI时代伦理困境与治理：2.伦理治理路径3）社会层面

企业主体责任落实需建立内部人工智能伦理委员会，制定《人工智能伦理使用手册》，公共服务领域AI产品要公开算法原理，接受社会监督。

高校科研伦理教育在人工智能相关专业课程加入“伦理模块”，通过分析隐私争议事件等方式，培养学生“技术向善”意识与伦理思考能力。

公众参与监督建设通过短视频、公益讲座等科普宣传让公众了解AI伦理风险，建立伦理投诉通道，接受公众举报，形成社会监督合力。1.4.2AI时代安全挑战与应对

AI安全核心维度人工智能安全涵盖数据、算法、模型、应用四大维度，各维度风险相互关联。

AI安全应对思路针对AI多维度关联风险，需摒弃单一防控方式，采取系统性的综合应对策略。1.4.2AI时代安全挑战与应对：1.核心安全挑战1）数据安全风险

数据泄露风险场景AI模型训练依赖大量隐私及核心数据，存储管理不当、传输未加密、第三方标注违规留存均易引发泄露。数据泄露危害影响数据泄露会侵犯用户隐私，致身份被盗用、财产受损，还会泄露企业核心数据，削弱企业竞争力。算法风险核心类型算法安全风险主要体现为算法偏见、算法黑箱、算法攻击三类，各有不同的表现形式与典型场景。算法风险危害影响这些风险会引发公平性争议，降低用户对人工智能的信任，在医疗、交通等关键领域还可能导致安全事故。算法偏见具体表现算法偏见指算法对特定群体不公，如某AI招聘系统因训练数据男性占比高，对女性求职者评分偏低。算法黑箱典型场景算法黑箱指深度学习模型决策过程难解释，如AI医疗诊断系统仅给出患病概率，无法说明判断依据。算法攻击实施方式算法攻击指攻击者通过输入对抗样本误导模型，如在交通标志加干扰图案，让自动驾驶系统误判为绿灯。1.4.2AI时代安全挑战与应对：1.核心安全挑战2）算法安全风险1.4.2AI时代安全挑战与应对：1.核心安全挑战3）模型安全风险

模型典型风险类别涵盖模型窃取、模型污染和模型过度拟合三类，分别对应不同的恶意攻击或模型缺陷问题。

模型窃取风险解析攻击者通过多次查询模型输出，反向推导模型结构与参数，如窃取企业专属训