《人工智能通识与实践》教案 单元2 大模型原理与应用

《人工智能通识与实践》单元2大模型原理与应用项目1人工智能与大模型教案任务1.1绘制知识图认识大模型教学任务项目1人工智能与大模型任务11绘制知识图认识大模型授课课时总时长：15学时课堂讲授：1学时课上实训：05学时授课时间授课点一、教学分析学情分析学习特点：学生具备基础计算机操作能力，对人工智能及大模型有初步认知但缺乏系统性理解，学习兴趣浓厚但技术深度和知识整合能力不足。知识储备：已掌握计算机基础、数据科学入门知识，了解机器学习基本概念，但对大模型的发展历程和分类体系不熟悉。素质养成：具备逻辑思维能力，但创新应用和知识整合能力待提升。技术能力：能使用常见办公软件，缺乏大模型相关工具实操经验教学内容本课围绕大模型的定义、发展历程、分类及核心特点展开，系统讲解大模型的基础知识，并通过绘制知识图谱的方式帮助学生构建完整的知识体系。教学内容涵盖大模型的发展脉络、分类方式、技术特性三个维度，形成从认知到理解的知识闭环亿图脑图”工具绘制大模型分类知识图学习目标知识目标掌握大模型的核心特点与技术优势。理解大模型在不同领域的应用价值。能力目标能准确描述大模型的定义及发展历程。能根据不同标准对大模型进行分类。能绘制大模型分类知识图谱。素质目标培养系统性思维与知识整合能力。增强对人工智能技术发展的责任感与使命感。教学重点大模型的定义与发展历程。大模型的分类方式（数据类型、模态类型、应用领域）。大模型的核心特点与技术优势教学难点理解大模型发展历程中的关键技术突破。掌握大模型分类的多维度标准及其逻辑关系。将大模型知识系统化并转化为知识图谱。二、教学策略教学设计采用理论讲解与知识图谱绘制相结合的教学方式。先通过案例引入激发学生兴趣，再系统讲解大模型的基础知识，然后指导学生分组绘制知识图谱，最后通过成果展示与互评巩固学习成果。教学过程中注重互动讨论和问题引导，帮助学生深入理解大模型的核心概念和分类逻辑。

教学资源硬件：计算机实验室（联网环境）、本地部署服务器；软件：亿图脑图平台账户；素材：PPT课件、知识图谱绘制工具MindMaster、、微课视频。等。三、教学实施（一）课前教师准备教学PPT、相关案例视频和图片素材；学生预习大模型原理与应用知识，思考生活中的大模型应用（二）课中教学环节教师活动学生活动设计意图课堂引入（5mins）展示DeepSeeK等大模型应用案例，引出大模型对人工智能发展的推动作用分享自己了解的大模型应用实例，讨论大模型技术带来的变化。激发学习兴趣，建立学习情境，引出大模型主题。新知讲解（30mins）系统讲解大模型的定义、发展历程。详细介绍大模型的分类方式阐述大模型的核心特点认真听讲并做笔记，参与互动讨论，提出疑问和见解帮助学生建立系统的知识框架，理解大模型的核心概念和技术原理实践应用（8mins）将学生分成若干小组，每组4-5人，分配知识图谱绘制任务；绘制脑图提示词构成及软件操作使用知识图谱绘制工具，根据所学知识绘制大模型分类知识图谱通过实践操作加深理解，掌握大模型分类的多维度标准及其逻辑关系，培养团队协作与知识整合能力。总结提升（2mins）总结大模型的基础概念、发展历程、分类方式及核心特点，强调大模型在人工智能领域的重要性。思考大模型的更多应用场景，准备完成拓展任务拓展学生视野，激发进一步探索的兴趣（三）课后布置以下课后学习任务，并预习下节课的内容。完成各任务拓展实训完成项目测试思考与讨论伦理思辨四、教学反思与整改任务1.2利用豆包AI解析认识大模型架构教学任务项目1人工智能与大模型任务12利用豆包AI解析认识大模型架构授课课时总时长：15学时课堂讲授：1学时课上实训：05学时授课时间授课点一、教学分析学情分析学生已掌握生成式AI基础概念，但对底层架构（如Transformer）的技术细节理解较浅，依赖直观工具辅助学习。需强化技术原理的批判性思考能力，培养AI伦理意识。能使用基础AI工具，但缺乏架构级调试与伦理分析经验。教学内容介绍Transformer架构的核心原理，特别是自注意力机制如何让模型高效处理序列数据。及其变体结构BERT和GPT的特点区别，理解BERT擅长理解语言，而GPT擅长生成语言。学习目标知识目标掌握Transformer架构的核心模块及运行逻辑。理解BERT/GPT的技术差异与应用边界。能力目标能使用豆包AI可视化解析Transformer架构。能对比BERT与GPT的适用场景。素质目标培养技术批判思维与AI伦理责任感。增强对AI技术社会影响的敏感性。教学重点Transformer架构的自注意力机制与编码器-解码器结构。BERT与GPT的预训练任务设计差异。教学难点Transformer核心模块基础知识。BERT双向编码与GPT单向生成机制。二、教学策略教学设计采用“工具实操+对比分析”教学法。先通过豆包AI动态演示架构运行过程，再对比BERT/GPT的技术架构特点和应用场景。过程中嵌入提示词工程训练，强化技术理解与伦理决策能力。

教学资源硬件：计算机实验室（联网环境）、本地部署服务器；软件：豆包AI平台账户；素材：PPT课件、Transformer、BERT、GPT架构图、微课视频等。三、教学实施（一）课前教师准备教学PPT、相关案例视频和图片素材；学生预习大模型架构与应用知识（二）课中教学环节教师活动学生活动设计意图课堂引入（5mins）配置豆包AI的架构解析功能权限。准备Transformer动态演示视频、BERT/GPT对比表格。分享自己了解的大模型应用实例，讨论大模型技术带来的变化。激发学习兴趣，建立学习情境，引出大模型主题。新知讲解（30mins）Transformer简介、核心模块BERT/GPT模型解析、适用场景认真听讲并做笔记，参与互动讨论，提出疑问和见解帮助学生建立系统的知识框架，理解大模型的核心概念和技术原理实践应用（8mins）绘制脑图提示词构成及软件操作使用知识图谱绘制工具，根据所学知识绘制大模型分类知识图谱通过实践操作加深理解，掌握大模型分类的多维度标准及其逻辑关系，培养团队协作与知识整合能力。总结提升（2mins）总结Transformer的“分而治之”设计哲学，强调BERT/GPT的互补性思考大模型的更多应用场景，准备完成拓展任务拓展学生视野，激发进一步探索的兴趣（三）课后布置以下课后学习任务，并预习下节课的内容。完成各任务拓展实训完成项目测试思考与讨论伦理思辨四、教学反思与整改任务1.3利用DeepSeek认识大模型涌现能力教学任务项目1人工智能与大模型任务13利用DeepSeek认识大模型涌现能力授课课时总时长：15学时课堂讲授：1学时课上实训：05学时授课时间授课点一、教学分析学情分析学习特点：学生已掌握大模型基础架构（如Transformer），但对模型能力随规模变化的非线性特征理解不足，需通过实证工具辅助探究。知识储备：具备深度学习基础，了解预训练与微调流程，但未系统学习涌现能力的定义与评估方法。素质养成：需培养对AI技术“质变”现象的敏感度，强化科学探究思维。技术能力：能使用基础AI工具生成文本，但缺乏通过实验验证理论的能力。教学内容以DeepSeek为实验平台，解析大模型涌现能力的典型表现（上下文学习、指令跟随、思维链推理），探究其产生原理（规模阈值、数据多样性、架构优势），并讨论技术跃迁对社会的影响。学习目标知识目标掌握涌现能力的定义与典型表现。理解规模阈值、数据多样性对能力跃迁的核心作用。能力目标能使用DeepSeek设计实验验证涌现能力现象素质目标树立对AI技术“量变到质变”规律的辩证认知教学重点涌现能力的三大典型表现（上下文学习、指令跟随、思维链推理）。规模阈值与数据多样性对能力质变的影响机制。教学难点在处理任务时，不仅限于表面操作，还能深入理解任务的本质，体现深度理解。二、教学策略教学设计采用“理论讲解+平台实践+小组研讨”相结合的方式。

通过案例导入激发兴趣，系统讲解涌现能力的知识体系，引导学生使用DeepSeek进行实操观察，最后通过小组讨论和伦理思辨提升综合素养。

教学资源硬件：计算机实验室（联网环境）；软件：DeepSeek平台、MindMaster知识图谱工具；素材：PPT课件、微课视频、案例素材三、教学实施（一）课前教师准备教学PPT、相关案例视频和图片素材；学生预习涌现能力相关内容（二）课中教学环节教师活动学生活动设计意图课堂引入（5mins）早期模型与GPT系列的能力差异，探察规模增长如何引发质变练习使用DeepSeeK了解泛化与涌现能力理解“规模即性能”的线性思维误区新知讲解（30mins）涌现能力定义、产生原理、深度解析典型表现、影响与挑战听讲、笔记、提问、参与讨论构建系统知识框架，理解核心概念实践应用（8mins）指导学生使用DeepSeek平台实施任务分组操作DeepSeek，记录观察结果，尝试解释现象通过实操深化理解，培养探究能力总结提升（2mins）总结涌现能力的知识体系，强调其技术与社会意义思考AI伦理问题，准备课后拓展任务提升思辨能力，激发进一步探索（三）课后布置以下课后学习任务，并预习下节课的内容。完成各任务拓展实训完成项目测试思考与讨论伦理思辨四、教学反思与整改项目2初识大语言模型DeepSeek教案任务2.1利用多模态AI工具认识大语言模型教学任务项目2初识大语言模型DeepSeek任务21利用多模态AI工具认识大语言模型授课课时总时长：1学时课堂讲授：15学时课上实训：05学时授课时间授课点一、教学分析学情分析学习特点：学生已对人工智能和大模型有基本概念，对“涌现能力”有所了解，对多模态AI工具抱有强烈好奇心和操作意愿。知识储备：了解Transformer的重要性，但对大语言模型（LLM）完整的技术演进、构建细节及尖端模型（如DeepSeek）了解不深。素质养成：具备初步的逻辑思维和问题分析能力，但在系统化知识整合和技术原理深度理解上需加强引导。技术能力：能进行基本的软件操作和网络搜索，但缺乏对复杂AI模型进行系统性测试和评估的经验。教学内容本课系统讲解大语言模型的定义、发展历程、构建流程、核心技术及应用价值，并重点介绍DeepSeek大模型的核心架构与优势。通过实操任务，引导学生测试模型的数据依赖性和“幻觉”现象，深化对LLM能力与局限性的认知。学习目标知识目标掌握大语言模型的定义、发展脉络及构建流程。理解Transformer、预训练、微调等核心技术的原理与作用。了解DeepSeek模型的核心架构与技术优势。认识大模型的应用价值与多模态发展趋势能力目标能清晰阐述LLM从统计模型到当前大模型时代的技术演进过程。能使用多模态AI工具（如豆包、DeepSeek）设计测试用例，实证分析模型的“数据依赖性”和“幻觉”现象。素质目标培养技术发展的历史观和系统性思维。增强对AI技术双刃剑特性的辩证思考能力，树立负责任的使用态度。教学重点大语言模型的发展阶段与构建流程；Transformer架构的核心地位；DeepSeek模型的核心优势；通过测试理解模型的局限（数据依赖、幻觉）。教学难点理解预训练、微调、强化学习在模型构建中的区别与联系；辨析MoE架构、多头潜在注意力等技术概念；设计有效实验来验证模型的局限性。二、教学策略教学设计采用“演进讲解+技术剖析+实训”的模式。以技术发展史为主线，串联核心知识点，结合豆包最新案例进行印证，最后通过两个针对性强的测试任务，让学生在实践中巩固知识、发现问题。

教学资源软件：亿图脑图平台账户；素材：PPT课件、知识图谱绘制工具MindMaster、、微课视频。等。豆包或其他多模态大模型体验平台、思维导图工具三、教学实施（一）课前教师准备教学PPT、Transformer结构图、MoE架构示意图、相关案例视频和图片素材；学生预习大语言模型相关知识，了解语言模型从统计方法到GPT的发展简史，思考“AI是否会创造知识”等问题。（二）课中教学环节教师活动学生活动设计意图课堂引入（5mins）展示由多模态大模型生成的文、图、代码等内容，提问：“这一切是如何从简单的统计模型发展而来的？”观看案例，感受LLM的强大能力，思考并回答教师提问。以案例激发兴趣，引出“发展历程”这一主线。新知讲解（30mins）大语言模型定义与发展，精讲四个发展阶段的特点与标志性模型；构建流程：详解、RLHF四步及其作用；大语言模型的应用价值；DeepSeek大模型简介及核心技术，剖析其MoE、注意力机制等核心技术架构与五大优势。听讲、记录笔记、就关键转折点和技术难点（如预训练、指令微调、奖励建模、RLHF）提问系统构建知识体系，厘清技术脉络，理解当前大语言模型的技术创新实践应用（8mins）引导学生设计问题，测试模型对训练数据中存在和不存在的事实的反应引导学生设计逻辑陷阱或生成式任务，观察并记录模型的“幻觉”输出执行预设的测试用例，并自行设计新用例进行探究通过亲手测试，将理论知识转化为感性认知，深刻理解LLM的能力边界和工作原理，培养实证探究精神总结提升（2mins）总结LLM的技术演进逻辑和当前能力局限，强调“工具须善用”的理念，引导学生思考多模态融合的未来趋势与挑战分享测试中的有趣发现，就伦理和未来应用进行简短讨论升华课堂内容，从技术学习上升到社会责任感培养，激发持续探索的动力（三）课后布置以下课后学习任务，并预习下节课的内容。完成各任务拓展实训完成项目测试思考与讨论伦理思辨四、教学反思与整改任务2.2使用DeepSeek自我剖析其应用场景教学任务项目2初识大语言模型DeepSeek任务22利用DeepSeek认识大模型涌现能力授课课时总时长：15学时课堂讲授：05学时课上实训：1学时授课时间授课点一、教学分析学情分析学习特点：学生已通过前期任务对大语言模型的基本原理和能力有了初步了解，对AI的具体应用充满好奇，但缺乏对行业落地场景的系统性认知。知识储备：理解通用大模型的概念，但对“行业大模型”及其适配技术较为陌生。具备基本的信息检索和文档编辑能力。素质养成：具备一定的归纳总结能力，但在将技术知识与垂直行业需求进行关联整合方面需要锻炼。技术能力：能够与AI进行多轮有效对话，并使用Markdown进行基础文档编写。教学内容本课聚焦大模型在垂直行业的应用。引导学生通过让DeepSeek“自我剖析”这一新颖方式，探究行业大模型与通用大模型的区别，并深入了解AI在信息技术、教育、医疗、工业和服务业等领域的应用场景，最终通过编辑Markdown文档进行成果整合。学习目标知识目标理解行业大模型的概念及其与通用大模型的异同。了解大模型在信息技术、教育、医疗、工业及服务业中的典型应用场景。能力目标能使用DeepSeek进行探究式问答，高效获取、筛选和归纳信息。能对比分析行业大模型与通用大模型的核心差异。能使用Markdown格式清晰、有条理地呈现学习成果。素质目标培养垂直领域思维和技术迁移应用的能力。提升信息素养和数字化学习与创作的能力。教学重点行业大模型与通用大模型的异同点；大模型在不同行业的应用场景分析；使用Markdown进行文档编辑。教学难点理解行业适配背后的技术实现原理（如领域微调、知识注入等）；对AI生成信息的准确性与深度进行批判性思考与验证。二、教学策略教学设计采用“问题驱动+成果导向”的模式。以“什么是行业大模型？”和“AI能在我的专业领域做什么？”两个核心问题贯穿全程，让学生通过提问DeepSeek自主寻找答案，最终将探索成果固化为一份结构化的Markdown文档，实现学做合一。

教学资源硬件：计算机实验室（联网环境）软件：DeepSeek平台账户；素材：PPT课件、知识图谱绘制工具MindMaster、、微课视频、Markdown文档模板范例等。三、教学实施（一）课前教师准备教学PPT、相关案例视频和文档素材；学生预习相关知识，思考自己感兴趣或与本专业相关的行业领域，并简单了解Markdown语法。（二）课中教学环节教师活动学生活动设计意图课堂引入（5mins）提出问题：“ChatGPT是万能的吗？它能否直接胜任医生、律师、工程师的专业工作？”引出通用模型与行业专用模型的区别与必要性。基于自身认知参与讨论，发表看法。创设认知冲突，激发探究兴趣，明确本课学习目标新知讲解（20mins）精讲行业大模型定义与核心价值。剖析行业适配的常见技术路径（如：领域数据继续预训练、有监督微调、知识图谱融合）。简要介绍信息技术、教育、医疗、工业、服务业五大板块的应用方向（如代码生成、智能辅导、辅助诊断、预测性维护、智能客服）。听讲、记录笔记，理解行业落地的技术逻辑和广阔前景。为学生接下来的自主探究提供理论框架和知识锚点，避免探索方向过于发散。实践应用（40mins）引导学生向DeepSeek提问，通过对比问答，获取并归纳行业大模型与通用大模型的异同点。指导学生将探索到的信息（异同点、应用场景）系统整理，编辑成一份结构清晰的Markdown文档。自主探究与创作，对信息进行批判性筛选和归纳总结。使用Markdown编辑器，将成果编辑为文档核心技能训练环节。通过“问AI”来“学AI”，提升提示工程和信息甄别能力；通过编写文档，锻炼知识整合与数字化表达能力。总结提升（5mins）邀请1-2组学生分享其Markdown文档的核心要点，教师进行点评和补充，总结大模型赋能千行百业的巨大潜力与实现路径。聆听分享，对比自身成果，思考如何完善。巩固学习成果，拓宽视野，获得正向反馈（三）课后布置以下课后学习任务，并预习下节课的内容。完成各任务拓展实训完成项目测试思考与讨论行业大模型的普及可能会带来哪些新的职业机遇与挑战？四、教学反思与整改任务2.3私有部署DeepSeek大模型实践（API/本地）教学任务项目2初识大语言模型DeepSeek任务23利用DeepSeek认识大模型涌现能力授课课时总时长：2学时课堂讲授：05学时课上实训：15学时授课时间授课点一、教学分析学情分析学习特点：学生已熟悉大模型的基本应用，对“模型如何运行和服务”产生浓厚兴趣，渴望获得将AI能力集成到自身项目中的实践技能，学习动机强。知识储备：具备基本的编程概念和命令行操作知识，了解API的基本概念，但对模型部署的具体流程和环境配置不熟悉。素质养成：具备初步的问题解决能力，但在面对复杂的工程部署问题时，需要系统性的指导和排错训练。技术能力：能进行基础的软件安装和配置，但缺乏完整的项目部署和API集成经验。教学内容本课是纯实践导向的任务，核心内容是掌握DeepSeek大模型的两种私有化部署方式：通过API调用和本地部署。学生将学习两种方式的技术原理、优缺点，并亲自动手完成部署实践，最终形成部署方案选型的决策能力。学习目标知识目标理解DeepSeekAPI调用和本地私有化部署的基本概念与流程。掌握两种部署方式的优缺点及适用场景。了解DeepSeek的主要模型版本及其特点。能力目标能使用ChatboxAI等工具通过API密钥连接并调用DeepSeek模型(或者其他模型)服务。能遵循指南使用“DS本地部署大师”等工具在本地计算机上完成模型部署。素质目标教学重点DeepSeekAPI的调用方法；DeepSeek模型本地私有化部署的操作流程；两种部署方式的优劣势对比分教学难点本地部署过程中的环境依赖问题排查与解决；深入理解网络、成本、性能、安全等因素对不同部署方式选择的影响。二、教学策略教学设计采用“双路径实践+对比分析”