疾控工作者应该怎么利用DeepSeek等AI大模型

微信扫码，打开到小程序

疾控工作者应该怎么利用 DeepSeek 等 AI 大模型 主要内容 先了解人工智能发展简史和发展方向 再介绍大模型的概念和与人工智能的关系 接着介绍垂域模型与智能体的概念 了解以上概念后开始将交流和畅想疾控与人工智能 + 再接着介绍 DeepSeek 大模型 最后是普通疾控人在工作中的具体使用探索交流 1 . 1 著名的图灵测试 1950 年，“计算机之父”和“人工智能之父”艾伦 · 图灵 (Alan M.Turing) 发表了论文《计算 机器与智能》 , 这篇论文被誉为人工智能科学的开山之作。在论文的开篇，图灵提出了一个引 人深思的问题： “机器能思考吗 ?” 。这个问题激发了人们无尽的想象，同时也奠定了人工智 能 的基本概念和雏形。 图灵测试的核心理念是：如果一台机器的表现与人类无法区分，那么就可以认为它具有智能。 具体来说，测试通过模拟一个“问答游戏”展开： 1. 参与者：一个人类询问者 ( 通过文字交流 ) 、 一台机器和一个人类 ( 两者隐藏身份 ) 。 2. 规则：询问者通过文本与机器和人类自由对话，持续一定时间后，若询问者无法区分哪一方是 机器，则机器通过测试。 一、人工智能发展简史了解 意义与影响 1. 哲学突破： 1. 图灵将抽象的“机器能否思考 ?” 转化为可操作的“能否模仿人 类 行为 ?", 规避了关于“意识”的争议。 2. 提出“智能”的行为主义定义，即通过外在表现而非内在机制判 断 智能。 2. 技术目标： 1. 为早期人工智能研究提供了明确方向，例如自然语言处理和对话 系统的开发。 2. 启发了后来的聊天机器人 ( 如 ELIZA,ChatGPT) 和语言模型的 发 展。 一、人工智能发展简史了解 CDC 疾控 人 1.2 人工智能的诞生 人工智能的诞生可以追溯到 20 世纪 50 年代。当时，计算机科学刚刚起步，人们开始尝试通过计算机程序来模拟人类的 思 维和行为。在这个背景下，一些杰出的科学家和工程师们开始研究如何使计算机具备更高级的功能 1956 年 8 月，在美国达特茅斯学院举办的人工智能夏季研讨会，是人工智能领域具有里程碑意义的一次重要会议。这次 会 议汇聚了众多杰出的科学家和工程师，他们共同探讨和研究人工智能的发展和应用前景 这次会议的主题围绕着人工智能的定义、研究方法和应用场景展开。与会者们深入探讨了人工智能的基本概念、算法和技 术，以及其在各个领域的应用潜力。他们共同认识到，人工智能的研究和发展将为人类带来巨大的变革和进步 一、人工智能发展简史了解 Arh sauel ole sHe Nutkaslet Rche Marvi Miky Caue shann y slmen ere et Simen Tvemehar More MaC y As Ne 1.2 人工智能的诞生 在这次会议上，“人工智能”这个词汇被约翰 . 麦卡锡 (John McCarthy) 首次提出。与会者们不仅对人工智能的研究 和应用前景进行了深入探讨，还提出了许多重要的观点和思路，为人工智能的发展奠定了基础。这次会议的召开标志着 人工智能作为一个独立学科的正式诞生，因此，达特茅斯会议被称为“人工智能的开端” ,1956 年也被称为“人工智 能元年”。 这次会议不仅为人工智能的研究和发展奠定了基础，还为人类带来了巨大的变革和进步 一、人工智能发展简史了解 1 .2 人工智能的诞生 1956 年被称为“人工智能元年”的争议。 ◆1956 年——学术界的共识： 达特茅斯会议约翰 · 麦卡锡、马文 · 明斯基等学者首次提出 "Artificial Intelligence" 概念， 确 立 Al 为独立学科。会议明确了“让机器模拟人类智能”的研究目标，标志符号主义 Al 的起点。 ◆ 1950 年——图灵测试：艾伦 · 图灵提出“机器能否思考”的哲学命题，但未形成系统研究框架。 ◆1997 年 — —深蓝胜利： IBM 超级计算机击败国际象棋冠军，体现专用 Al 的突破，但通用智能仍未实现。 ◆ 2012 年——技术突破的转折点：深度学习崛起， Geoffrey Hinton 团队在 ImageNet 竞赛中以卷积神经网络将错 误率 从 26% 降至 15%, 引发算力与数据驱动的 Al 革命。 ◆ 2016 年—— AlphaGo: DeepMind 击败李世石，引发公众对 Al 潜力的广泛关注，推动资本涌入 Al 领域。 ◆ 大众认知视角—— 2022 年后生成式 Al 的爆发让 "Al 元年 " 概念再次被热议。 一、人工智能发展简史了解 · 第一阶段：标志事件是 1950 年提出图灵测试， 1956 年达特茅斯会议召 开 · 第二到四阶段：低谷的原因是符号主义 Al 无法处理复杂现实问题 · 第五阶段：复兴时期，标志事件是 1997 年 IBM 深蓝击败国际象棋冠军 · 第六阶段：数据驱动的崛起，驱动力是互联网积累海量数据， GPU 算力 提升，机器学习算法突破，里程碑事件是 2016 年 AlphaGo 击败李世 石 2020 年以后是通用智能探索与生成式 Al 爆发期， 2022 年 ChatGPT 发 布， 生成式 Al 普及化。 2023 年后 GPT-4 、 deepseek 等模型实现高质量 内容生 成。 1.3 人工智能的发展阶段 从 1956 年人工智能元年至今，人工智能的发展历程经历了漫长的岁月，大致可以划分为以下 6 个 阶段 一、人工智能发展简史了解 互联网推动人工智 能不断创新和实用 深蓝战胜国际象棋冠军 BM 提出智慧地球 我国提出感知中 国 深度序习与 大数据兴起 带来了人工 着 能的爆发 物联网 专家系统遍地开花 人工智能转向实用 医疗专家系统 MYCN 任务失败 目标落空 机器翻泽 笑话百出 定理证明 反思 应 用 发展期 发展期 多项研究 发展缓慢 专家系统 发展乏力 蓬 勃 发展期 低 迷 发展期 稳 步 发展期 地质专家系统阳 OSPECTOR 1.4 未来人工智能发展的 5 个阶段 网友或媒体对 AGI ( 通用人工智能 ) 发展阶段的推测性总结。 ·L1 ( 底层，红色 ): “ 嘴炮王者” → 现在的 ChatGPT 这类 AI, 能陪你唠嗑、回答问题，但干不了实事，像“懂很多 道理的学霸朋友”。 → 现状：人类已实现，满大街都是。 ·L2 ( 黄 色 ) : “ 野生博士” → 不用查资料、不用联网，自己就能解决复杂问题，比如直接设计火箭图纸、破 解 癌症难题。 → 现状：还没达到，目前 Al 需要依赖工具 ( 比如上网搜索、调用计算器 ) 。 ·L3 ( 浅 黄 ) : “ 打工替身” → 能替你干活的 Al 助理，比如自动订机票酒店、帮你回邮件、甚至开公司赚外快。 →现状：初级版有雏形 ( 比如 AutoGPT), 但容易出错，得人类盯着。 ·L4 ( 更浅黄 ): “ 发明家” → 能创造人类想不到的东西，比如发明新物理定律、设计从未有过的音乐风格。 → 现状：科幻片水平，目前 Al 只能组合现有知识 ( 比如写歌还是模仿人类风 格 ) 。 ·L5 ( 顶层，接近白色 ): " 幕后大 BOSS" → 一个人工智能管一家公司甚至一个国家，自己定战略、招员工、搞创新，人类 躺 平 收 钱 。 → 现状：梦里啥都有。 1-5 级说明 L5: 可以完成整个组织工作的 人工智能。 L4: 可以创造新事物的 人工智能。 L3: 可以代表用户采取行动 的人工智能代理。 L2: 像博士一样解决问题， 无需工具。 L1: 当前 AI, 类似 ChatGPT, 可以与 人类对话的人工智能。 L5 的理想 Al: 你躺沙发上说： " 我要当 世 界首富。 " Al 直接注册公司、研发黑 科技 、上市圈钱，你醒来发现银行卡多了 100 亿。 一、人工智能发展简史了解 OpenAl 的 5 级 AGI 量表 二、大模型：人工智能的前沿 2.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化 能力，能够处理和生成多种类型数据的人工智能模型 通常说的大模型的“大”的特点体现在：参数数量庞大、训练数据量大、计算资源需求高 2020 年， OpenAl 公司推出了 GPT-3, 模型参数规模达到了 1750 亿， 2023 年 3 月发布的 GPT-4 的参数规 模是 GPT- 3 的 10 倍以上，达到 1.8 万亿， 2021 年 11 月阿里推出的 M6 模型的参数量达 10 万亿 2.1 大模型的概念 大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常 能够学习到更细微的模式和规律，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、 更连贯的回答 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 二、大模型：人工智能的前沿 语言生成能力 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 2.2 大模型的发展历程 萌芽期：模型小 ( 参数 <1 亿 ) 、任务单一、依赖人工设计规则。 突破期：标志事件是 2017 年 Google 发布 Transformer 论文，提出自注意力 机制 。代表模型 GPT-1(2018),OpenAl 首个生成式预训练模型，参数 1.17 亿。 迅猛发展期：参数突破百亿级，从“手工作坊”进入“工业量产”。 GPT-2( 2019)15 亿参数，能生成连贯长文本， GPT-3(2020)1750 亿参数，零样本学 习 ( 无需微调直接使用 ), 震惊业界。 生态期 (2023 至今 ): 应用与争议并存， · 特点：通用大模型竞争白热化，垂类模型兴起，社会伦理问题爆发。 · 关键进展： ChatGPT(2022.11): 对话能力接近人类， 2 个月用户破亿。 GPT- 4(2023): 支持多模态输入 ( 文字 + 图片 ), 考试能力超越 90% 人类。 · 开源挑战： Meta 的 LLaMA 、 DeepSeek 降低大模型使用门槛。 · 争议焦点：失业风险：编剧、设计师、客服等职业面临替代压力；监管博弈：中 美欧出台 Al 法案，要求透明度与内容审核。 二、大模型：人工智能的前沿 性 能 ( 参数、层数等 ) 萌芽期 迅猛发属期 53008 防个力 18 1950 2019 120% 2021 d 2020 CDC 疾控 人 探索无空期 时间 2 .2 大模型的发展历程 OpenAl 在 2023 年 3 月发布了 GPT-4, 它是一个多模态大模型 ( 接受图像和文本输入，生成文本 ) 。相比上一 代的 GPT-3, GPT-4 可以更准确地解决难题，具有更广泛的常识和解决问题的能力。 2023 年 12 月，谷歌发布大模型 Gemini, 它可以同时识别文本、图像、音频、视频和代码五种类型信息，还可以 理解 并生成主流编程语言 ( 如 Python 、 Java 、 C++) 的高质量代码，并拥有全面的安全性评估。 2024 年 12 月， DeepSeek 迅速崛起，震撼全球，使得人工智能进入“普惠”时代 二、大模型：人工智能的前沿 2.3 人工智能和大模型的关系 人工智能包含了机器学习，机器学习包含了深度学习，深度学习可以采用不同的模型，其中一种模型是预训练模型， 预训练模型包含了预训练大模型 ( 可以简称为“大模型” ), 预训练大模型包含了预训练大语言模型 ( 可以简称为 " 大语言模型” ), 预训练大语言模型的典型代表包括 OpenAl 的 GPT 和百度的文心 ERNIE,ChatGPT 是基于 GPT 开 发的 大模型产品，文心一言是基于文心 ERNIE 开发的大模型产品 二、大模型：人工智能的前沿 人工智能 机器学习 深度学习 预训练大模型 大语言 模型 预训练大语言模型 GPT 文心 ERNIE 深度学习模型 预训练模型 文心一言 ChatGPT 2 . 3 人 工 智 能 和 大 模 型 的 关 系 人工智能 (Al) 就像“做饭” , 是一个大目标— —让机器能像人一样思考、学习和解决问题。 大模型 (Large Model) 则是实现这个目标的一种“超级菜谱”——它靠海量数据和超强算力，练出一身“啥都 能 做两下子”的本事。 传统 Al vs 大模型 Al 的区别 传统 Al 像“专做蛋炒饭的厨师”——只会按固定步骤做特定任务 ( 比如下棋、人脸识别 ) 。 大模型：像“新东方毕业的全能厨师” ——通过看遍全世界的菜谱 ( 数据 ), 学会煎炒烹炸，甚至能自创菜式 ( 生成文章、画画、写代码 ) 。 二、大模型：人工智能的前沿 语言大模型 是指在自然语言处理 (Natural Language Processing,NLP) 领域中的一类大模型，通常 用于处理文本数据和理解自然语言。这类大模型 的主要特点是它们在大规模语料库上进行了训练， 以学习自然语言的各种语法、语义和语境规则。 代表性产品包括 GPT 系列 (OpenAl) 、 Bard(Google) 、 DeepSeek 、 文心一言 ( 百 度 ) 等 多模态大模型 是指能够处理多种不同类型数据的大模型，例如 文本、图像、音频等多模态数据。这类模型结合 了 NLP 和 CV 的能力，以实现对多模态信息的 综 合理解和分析，从而能够更全面地理解和处 理复 杂的数据。代表性产品包括 DingoDB 多 模向量 数据库 ( 九章云极 DataCanvas) 、 DALL- E(OpenAl) 、 悟空画画 ( 华为 ) 、 midjourney 等 视觉大模型 是指在计算机视觉 (Computer Vision,CV) 领域中使用的大模型，通常用于图像处理和分 析 。 这类模型通过在大规模图像数据上进行训 练，可以实现各种视觉任务，如图像分类、目 标检测、图像分割、姿态估计、人脸识别等。 代表性产品，包括 VIT 系列 (Google) 、 文 心 UFO 、 华为盘古 CV 、 INTERN ( 商汤 ) 等 二、大模型：人工智能的前沿 2.4 大模型的分类 CDC 疾控 人 2.5 大模型的应用领域 大模型的应用领域非常广泛，涵盖了自然语言处理、计算机视觉、语音识别、推荐系统、医疗健康、金融风控、工业制造 、生物信息学、自动驾驶、气候研究等多个领域 (1) 自然语言处理 大模型在自然语言处理领域具有重要的应用，可以用于文本生成 ( 如文章、小说、新闻等的创作 ) 、翻译系统 ( 能够实 现 高质量的跨语言翻译 ) 、问答系统 ( 能够回答用户提出的问题 ) 、情感分析 ( 用于判断文本中的情感倾向 ) 、语言生 成 ( 如聊天机器人 ) 等 (2) 计算机视觉 大模型在计算机视觉领域也有广泛应用，可以用于图像分类 ( 识别图像中的物体和场景 ) 、目标检测 ( 能够定位并识别 图 像中的特定物体 ) 、图像生成 ( 如风格迁移、图像超分辨率增强 ) 、人脸识别 ( 用于安全验证和身份识别 ) 、医学 影像分 二、大模型：人工智能的前沿 析 ( 辅助医生诊断疾病 ) 等 2.5 大模型的应用领域 大模型的应用领域非常广泛，涵盖了自然语言处理、计算机视觉、语音识别、推荐系统、医疗健康、金融风控、工业制造 、生物信息学、自动驾驶、气候研究等多个领域 (3) 语音识别 大模型在语音识别领域也有应用，如语音识别、语音合成等。通过学习大量的语音数据，大模型可以实现高质量的跨语言 翻译和语音识别以及生成自然语音 (4) 推荐系统 大模型可以用于个性化推荐、广告推荐等任务。通过分析用户的历史行为和兴趣偏好，大模型可以为用户提供个性化的推 荐服务，提高用户满意度和转化率 二、大模型：人工智能的前沿 证 新 产品 提高 工作效率 大模型在自然语言处理、机器 翻译等领域的应用，使得人们 能够快速、准确地处理大量文 本数据，提高工作效率。例如， 在翻译领域，大模型能够自动 翻译多种语言，减少人工翻译 的时间和成本，提高翻译效率 大模型能够收集、整理和分析 大量的数据，通过数据挖掘和 机器学习技术，帮助人们更准 确地了解问题现状，预测未来 趋势，从而做出更明智的决策 大模型的发展使得一些繁琐、 随着大模型的普及和应用，将 重复的工作可以由机器来完成，创造出许多新的就业机会。例 二、大模型：人工智能的前沿 从而减轻了人们的工作负担。 例如，在金融领域，大模型可 以自动分析大量的金融数据， 如 ，需要更多的人来开发和维 护大模型，也需要更多的人来 利用大模型进行各种应用开发 2.6 大模型对工作生活的影响 优化 决策过程 自动化 部分工作 创造新的 就业机会 帮助人们做出更准确的决策 增强娱乐体验 大模型在娱乐领域的应用，可以提供更 加丰富、多样的娱乐体验。 例如，通过 大模型的语音识别功能，人们可以通过 语音指令控制游戏，实现更加智能化的 游戏体验 提高学习效率 大模型在教育领域的应用，可以帮助人 们更高效地学习新知识。例如，通过大 模型的智能推荐功能，人们可以根据自 己的兴趣和需求，获取更加个性化的学 习资源 改善生活质量 大模型在智能家居、智能客服等领域的 应用，使得人们的生活更加便利、舒适。 例如，通过智能家居系统，人们可以通 过语音指令控制家电，实现智能化生活 二、大模型：人工智能的前