素大学集团的《在教育中使用生成式人工智能的原则》则强调要促进对人工智能的负责任和合乎道德的使用， 需要培养师生成为人工智能领域的领导者。英国高等教育质量保障署的《质量指南针：驾驭高等教育人工智能 时代的复杂性》提出应将人工智能素养纳入教师培训项目，因为教育工作者需要接受培训来教授这些知识，同 时也需要学会使用生成式人工智能工具。日本文部省《关于大学及高等专门学校在教学方面处理生成式人工智 能的通知 月的《高等教育中的人工智能：现状总结》报 告指出了人工智能对评估方式、学术诚信带来的严峻挑战，以及数据偏差、隐私保护、数字鸿沟等伦理问题。 英国高等教育质量保障署《质量指南针：驾驭高等教育人工智能时代的复杂性》报告中甚至提出了对“后抄袭 时代”的担忧，强调在利用 AI 创新和保持教育人文精神间取得平衡的重要性。这些都表明，数据隐私、算法偏差、 学术诚信是所有政策明确的红线，强调在引入任何人工智能技术前，必须有完善的治理和安全框架。 需要特别说明的是，在政策语境中，“人工智能”是指通过模拟人类智能构建的综合体系，其核心目标是通过 算力、数据和算法的有机融合，赋予机器人类水平的跨领域认知能力、自主学习能力与环境适应性，从而完成 多样化的复杂任务。2022 年 ChatGPT 3.5 的问世标志着人工智能进入大模型主导的新时代，大模型已然成为 当代人工智能技术最具代表性的实践载体，也是人工智能发展的重要方向。在实际语境中，人工智能与大模型

吗？ 便捷的操作工具帮助师生进行演示互动，提高教学效率 卓越服务 智慧校园 拍照投屏演示内容 大屏展示，便于讨论及点评 问题：录播操作太复杂，不会用，不敢用 卓越服务 智慧校园 录播设备控制繁杂、不易操作 功能乱、按钮多 界面复杂 一键录课操作，沉淀课堂教学精华，方便学生课后复习 卓越服务 智慧校园 一键录课 课堂录频回看 简单的编辑发布 问题：缺少客观的手段评估课堂整体教学效果 卓越服务 智慧校园 复杂的多媒体系统部署连接示意 仅需一台设备，即可将教室内所有设备进行物联管理 卓越服务 智慧校园 仅需一台设备，就可以将教室内现有设 备进行物联控制，更可根据决策与策略 进行综合性管理。 将原有的傻瓜设备，通过传感器进行数 据采集，并进行分析判断后给出调整动 作，让教室内的设备更加具备智慧。 问题：传统教室设备繁多，老师需要进行复杂的课前配置 卓越服务 卓越服务 智慧校园 一键上课 电脑开启 黑板灯关闭，投影机开启 幕布降下 通过一个按键，即可启动教学 环境所需要的所有设备，老师 无需进行复杂配置。 提供了信号接入接口，通过快 捷按键进行快速切换自带设备 画面。 真正做到即开即用，无需准备 复杂的教学环境。 问题：传统互动课堂，连接云平台时出现大规模授课时延迟、掉线等品质不稳定 卓越服务 智慧校园 传统互动课堂模式，大多强依赖于云端服务。当云

学习交流可加AI肖睿团队助理微信号（ABZ2829） 第12页 模型蒸馏的定义 通俗解释：模型蒸馏就像是让一个“老师”（大模型）把知识传授给一个“学生”（小模型），让“学生” 变成“学霸”。 正式定义：模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型） 的技术。 模型蒸馏的原理 教师模型的训练：先训练一个性能强大但计算成本高的教师模型。 生成软标签：教师模型对数据进行预测，得到每个样本的概率分布，这些就是软标签。 PTX 测试时计算 TTC 能力突破 开源、低成本、国产自主 n 基础能力：进入推理模型阶段，并跻身全球第一梯队 1. 推理能力跃升： DeepSeek大模型核心技术突破，实现复杂推理任务的精准处 理与高效执行，覆盖多模态场景应用。 2. 国际竞争力对标：模型综合性能跃居全球第一梯队，技术指标与国际顶尖水平 （如GPT系列、Claude等）直接对标，奠定国产大模型的行业标杆地位。 FP8混合精度训练（FP8）：在关键计算步骤使用高精度，其他模型层 使用FP8低精度进一步降低训练成本。这一点，是DeepSeek团队非常 有价值的创新和突破。 2. 长链推理技术（TTC）：模型支持数万字的长链推理，可逐步分解复杂 问题并进行多步骤逻辑推理。 3. 并行训练系统（HAI）： 16 路流水线并行(Pipeline Parallelism, PP)、 跨 8 个节点的 64 路专家并行(Expert Parallelism

数据驱动智慧校园建设｜ 10 体系化数据灾备及可观测性方案，增强智慧校园数字化韧性 随着以服务师生为中心的智慧校园建设的不断深入 ，数字化、智能化技术与教育业务实现了更深度、更紧密的融合 ，其规模和复杂 度都在快速增长。高校师生对于智慧校园的各类数字化应用和数据的依赖程度越来越高 ，对其服务水平（ SLA ）的要求也越来越严 格。因此 ，提升智慧校园数字化韧性已经成为了一个关键要素。 级数据；基于 3-2-1-0 的勒索病毒防护机制 ，实现数据 0 感染；通过灾难恢复管理及演练平台 ，对备份数据进 行 恢复演练策略编排 ，实现自动化的灾难恢复演练及报告 ，降低灾难恢复管理的复杂度和成本 ，增强智慧校园数字化韧性： • 数据灾备体系专业服务 ，资深灾备咨询服务专家为高校提供定制化的数据灾备体系咨询、交付和培训服务 ，提升高校数字化韧 性能力 • 多备份域统一运营管理 库以及一卡通等重要业务系统的灾备保 护；并建设了灾备相关流程，以及灾备 运维及灾难恢复演练制度，提升智慧川 大数字化韧性； 统一灾备运营管理 多数据中心统一灾备运营、实现望江校 区与江安校区进行统一管理，降低运营 复杂度，简化灾备运营管理； 灾备体系可观测 释放灾备运维压力，打造完善的智慧校 园灾备体系运维能力，通过可视化、自 动化等提升灾备恢复能力。 增强智慧校园数字化韧性，提升服务水平（ SLA ）

单、表格等进行封装，便于复用；业务组件则根据教学场景的具体 需求进行定制开发。 业务逻辑层主要负责处理用户操作的逻辑和数据流转。我们将 在 React 中使用 Redux 进行全局状态管理，确保数据的一致性和 可预测性。复杂的业务逻辑将通过中间件进行处理，例如异步请 求、数据缓存等。为了提高用户体验，前端将实现数据预加载和懒 加载策略，减少页面加载时间。 数据交互层使用 Axios 作为 HTTP 客户端，与后端进行数据通 ，系统采用 了 OAuth2.0 协议进行身份认证与授权管理，结合 JWT（JSON Web Token）实现无状态会话管理，有效提升系统的安全性。 在数据库选型上，考虑到教育数据的多样性和复杂性，采用了 MySQL 作为关系型数据库，用于存储结构化数据，如学生信息、 课程安排等。同时，为了应对海量非结构化数据的存储与分析需 求，系统引入了 MongoDB 作为辅助数据库，用于存储学生的学习 经过综合考虑，我们决定采用以下技术栈： 1. 后端开发语言与框架： o 开发语言：Python Python 以其简洁的语法、丰富的库和广泛的应用场景成 为后端开发的首选。其生态系统中的多种工具能够快速 实现复杂的业务逻辑，同时便于后期维护。 o 框架：Django Django 作为 Python 中最成熟的 Web 框架之一，具有 强大的 ORM、内置的用户管理系统以及完善的文档支 持。它能够快速搭建稳定可靠的后端服务，同时提供了

CONTENTS 07/ 多媒体教室 08/ 多功能厅 09/ 精品功能室 10/ 校园云桌面 11/ 机房系统 12/ 综合教学平台 项目综述 第一章 校园智能化发展现状 各系统独立建网、布线复杂、投资庞大，繁重的设计施工、验收及维护管理工作。 智能化各系统协议不兼容，无法互通 信息孤岛现象严重 信息孤岛现象严重 传统校园智能 功能多样化，具有双向对讲、短信广 播、电话广播、任意分区等功能 △ 音频传输通过模拟线路，受到距离限 制、传输距离过长容易受到影响 △ 管理单一，一般只能在机房控制 △ 操作复杂，需要一定基础的人去操作 智能模拟广播系统 △ 施工维护繁琐，布线复杂，维护麻烦 IP 广播优势 教学楼走廊 教学楼教室 主干道及运动场 宿舍楼 综合楼 食堂 体育馆 升旗广场 设计分区 校园广播电视台作为广播总控室，

据文件，因此可以制作不同类型的多媒体课件。.................................................................403 G. 能够让使用者简单地操作大量复杂的设备。........................................................403 H. 可以进行传统教学，也可多媒体互动教学。............ 予 探索和指导参考意义。 2.2、 智慧校园大数据的来源 教育是一个超复杂的系统，涉及教学、管理、教研、服务 等诸多业务。与金融系统具有清晰、规范、一致化的业务流程 所不同的是，不同地区、不同学校的教育业务虽然具有一定的 共性，但差异性也很突出，而业务的差异性直接导致教育数据 来源更加多元、数据采集更加复杂。 智慧校园大数据产生于各种教育实践活动，既包括校园环 境下的教学活动、管理活动、科研活动以及校园生活，也包括 4、 大数据价值尚未体现 整个行业缺乏有影响的大数据实践案例，普遍对价值认可 不足； 缺乏有影响案例的情况下，大数据定价缺乏依据和标准。 2.4.5、 数据模型的科学性不足 教育业务具有异常的复杂性和独特性，目前大多数产品仅 靠 IT 思路构建教育数据库，在数据源选择和指标、权重设计方 面往往脱离实际。 2.4.6、 数据的权利制度未明确 教育数据的归属权、开放范围、开放方式、隐私保护等还

）：以模型为核心，是对真实世界的模拟和解释 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 人类智能 • 抽象（语言）：概念，数字，理 念 • 逻辑（理性）：归纳，演绎，类 比 transformer ◼ 从 NLU+NLG 到 LLM （大语言模型） 1. 语言逻辑和数据集蕴含了人类的认知智能 2. LLM 是人类的认知智能的实现方式之一 3. LLM 的原理很简单；工程很复杂；效果很神奇 3. 推理能力（涌现）：一般需要 10B 以上， GPT-3 时达 到 • 模仿学习：代码中蕴涵、文字中蕴含 • 提示能力： ICL • 思考能力： 令 训 实 实 系 训 训 统 系 系 统 统 人工智能专业课程体系（本科） AI 项目全栈开发 大模型应用开发与深度学习实践 解决复杂 AI 应用场景中技术问题， 提升产品智能化水平。 专业 基础课 集中 实践课 专业 核心课 专业 选修课 神经网络与深度学习核心算法 大模型微调技术，优化算法性能 设计开发算法模型，解决实际问题

据文件，因此可以制作不同类型的多媒体课件。.................................................................403 G. 能够让使用者简单地操作大量复杂的设备。........................................................403 H. 可以进行传统教学，也可多媒体互动教学。............ 案 探索和指导参考意义。 2.2、 智慧校园大数据的来源 教育是一个超复杂的系统，涉及教学、管理、教研、服务 等诸多业务。与金融系统具有清晰、规范、一致化的业务流程 所不同的是，不同地区、不同学校的教育业务虽然具有一定的 共性，但差异性也很突出，而业务的差异性直接导致教育数据 来源更加多元、数据采集更加复杂。 智慧校园大数据产生于各种教育实践活动，既包括校园环 境下的教学活动、管理活动、科研活动以及校园生活，也包括 4、 大数据价值尚未体现 整个行业缺乏有影响的大数据实践案例，普遍对价值认可 不足； 缺乏有影响案例的情况下，大数据定价缺乏依据和标准。 2.4.5、 数据模型的科学性不足 教育业务具有异常的复杂性和独特性，目前大多数产品仅 靠 IT 思路构建教育数据库，在数据源选择和指标、权重设计方 面往往脱离实际。 2.4.6、 数据的权利制度未明确 教育数据的归属权、开放范围、开放方式、隐私保护等还

系统、3G 移动 执法、企业诚信管理系统 工程设计系列软件 工程设计系列软件 设计、三维动画，出任意方向平面图也变得十分容易。 BIM 能够帮助项目团队在建筑规划阶段，通过对空间进行分析来理解复杂 空间的标准和法规，从而节省时间，提供对团队更多增值活动的可能。特别是 在客户讨论需求、选择以及分析最佳方案时，能借助 BIM 及相关分析数据，做 出关键性的决定。 BIM 在建筑策划阶段的 5D 以 BIM 平台为核心，集成土建、机电、钢构等全 专业数据模型，并以 BIM 模型为载体，实现进度、预 算、物资、图纸、合同、质量、安全等业务信息关 联，通过三维漫游、施工流水划分、工况模拟、复杂 节点模拟、施工交底、形象进度查看、物资提量、分 包审核等核心应用，帮助技术、生产、商务、管理等 人员进行有效决策和精细管理，从而达到减少项目变 更，缩短项目工期、控制项目成本、提升施工质量的 目的。 收时粘贴，在施工安装阶段，用任意手机扫描，便可得知构件详细信息，便于 材料分类，提前运输至指定楼层，缓解超高层普遍面临的垂直运输压力，也为 现场质量管理的可追溯性提供数字化实现手段。小组将模型导入移动终端，现 场进入移动终端，查看复杂部位的机电模型详细信息，实现可视化交底，指导 现场施工。 40