一、AI技術的分層（0.5h）

1、通用VS專用

? 什么是AI：AI是用數學模擬人類智慧的技術

? 專用AI技術：用自己企業的數據，訓練專屬自己的AI算法

? 通用AI技術：使用別人做好的AI算法，做自己企業的業務

? 通用AI技術的代表：大語言模型（chatgpt，百度·文心一言等）

2、專用&通用技術對比

? 專用AI技術：數據、算力、專業知識門檻高，不容易落地

? 通用AI技術：各方面門檻低，比較容易落地

3、通用AI技術分層

? 提示詞工程：人直接用大語言模型工具

? RAG技術：讓大語言模型給答案時，具備一定真實文檔參考

? 智能體：有思維鏈，不需要人實時驅動，真正能夠解放生產力

二、通用AI技術能如何影響制造業（1-1.5h）

1、提示詞工程

? 讓每個員工用好LLM（大語言模型）

? LLM如何提升日常工作效率

? 極限情況：將LLM用到極限，可以讓員工生產力爆表（一個人干一個團隊的活）

? 實際情況：絕大部分員工用不好LLM，基本沒啥用

? 關鍵問題：撰寫提示詞的思維能力

? 揭秘寫好提示詞的三個底層原理

案例：AI生成3D設計、用人話驅動數字仿真，用人話完成芯片設計，用人話完成軟件開發。

2、RAG技術

? 基礎LLM核心限制：沒有記憶，沒有思維鏈

? 基礎LLM存在的問題：回答有幻覺，解決不了復雜問題

? RAG：在LLM作答時，給他一些參考資料

? RAG優勢：極大地提升LLM作答的準確率，減少幻覺

案例：設備維護知識問答機器人，質量問題排查機器人，讓過程資產流動起來。

3、智能體

? 智能體：讓LLM有記憶，有思維鏈，有額外技能

? 智能體的額外技能：使用搜索引擎，在線撰寫運行代碼，接入多源數據庫

? 智能體的優勢：解決復雜問題，真正具備替代人的能力

案例：工廠Copilot動動嘴幫你完成工廠管理。

三、人工智能底層原理及應用趨勢（2.5-3h）

1、人工智能的核心范式

? 靠規則實現AI：編程思維/顯性知識

? 靠“領悟”實現AI：數據思維/隱性知識

小互動：如果你正在跟心儀的女神約會……

2、人工智能的核心原理

? 通過小互動理解人類智能產生過程并類比機器

? 工人（擬合模型）負責預測

? 質檢（損失函數）負責挑錯誤

? 車間主任（梯度下降）負責糾正

? AI的本質：把學習知識的過程轉化為一系列計算

案例：預測男生是否會受女生歡迎

3、AI趨勢一：大模型有大力量

? 大模型&大數據VS 小模型VS高質量數據

? 大模型可能導致通用人工智能出現

? 大模型的落地應用及前景

案例：AI制藥場景、AI大規模質檢場景、自動駕駛場景

4、AI趨勢二：生成模型以假亂真

? 什么是生成模型

? 生成模型能夠生成什么內容

? 生成模型的落地應用

案例：AI驅動的數字營銷、3D設計一鍵生成、芯片設計AI驅動、數字人案例、AI對數字孿生與元宇宙的影響

5、AI趨勢三：強化學習超越人類

? 阿爾法狗的核心原理

? 強化學習的核心潛力

案例：AI驅動的產線自動化，AI驅動的供應鏈優化，AI驅動的工藝優化，AI驅動的智能排產

6、AI發展史

? 回顧人工智能的三波浪潮

? 偷偷告訴你三波浪潮中的2個核心規律

? 我們所處的這波浪潮有何不同

四、智能化如何落地（1-2h）

1、智能化落地方法

? 1、智能化起點：不是數據而是業務痛點

? 2、如何找到業務痛點：客觀（精益）VS主管（決策需求）

? 3、如何折算痛點價值：業務邏輯&一組數據

? 4、選擇工具：只有隱性知識需要用到AI工具

? 5、智能化項目最大的坑：數據而不是算法

? 6、數據的坑在哪：缺少關鍵特征&數據缺乏代表性

? 7、如何排除數據上的坑：依靠業務專家的業務知識

? 8、如何選擇模型：大模型VS小模型

? 9、AI項目成功的三大核心要素

? 10、AI項目的最大門檻：行政可行性

案例：產線良品率提升，大型工程機械故障預測，工業品缺陷檢測等

五、新一代人工智能技術會如何影響未來（0.5h）

1、AI會如何影響我們

? AI為我們帶來的終局

? 絕大部分的工作會被替代

? 只有兩類人會留下：做決策&有想法

案例：18年圖靈獎得主案例，智能化終局解讀，元宇宙加持下的后AI時代。辨析大模型和小模型選擇對行業的影響

2、AI的3大套路和后AI時代展望

? 在無人化的時代，人應該做什么

? 應對辦法：回歸人“本身”的價值

? 沒有工作的人會做什么：“愛”干嘛干嘛

?  企業應該如何應對即將到來的AI浪潮

案例：openAI官方給出最容易受chatGPT影響的崗位， 領域未來展望：馬太效應加強