性方法。 二、DeepSeek与AI认知 此部分从DeepSeek的历史开始，逐步讲解AI的演进及认知： 1. DeepSeek解密：详细介绍DeepSeek技术历程、核心优势及其算法在理解、推理、知识应用上的提升。解析V3、R1等模 型特性，旨在为听众构建对这一前沿技术价值的坚实理解基础。 2. AI技术演进与认知框架：梳理AI从规则系统到大模型的技术演进，探讨AI时代的认知升级与人才观变革。为教育者提供认 到底谁是DeepSeek？公司、产品、模型 IaaS 硬件服务（设备/电脑/服务器/GPU、网络、操作系统） PaaS 平台服务（存储、计算、数据、安全、中间件） MaaS 模型服务（数据工程、推理加速、训练框架、API调用） SaaS 应用服务（网页、APP、桌面软件、设备软件） Ø 私有化部署 • 本地：个人设备或电脑、企业服务器 • 数据中心（IDC）：企业服务器、服务器集群（私有云） 到底谁是DeepSeek？公司、产品、模型 Model Base Model DeepSeek-R1-Distill-Qwen-1.5B Qwen2.5-Math-1.5B 蒸馏模型，能力稍弱 n 实际上是增加了推理能力的Qwen模型和 Llama模型，不能称为DeepSeek模型。 n 市场上有误解，厂商有误导，甚至Ollama工 具的模型选项中也有误导。 DeepSeek-R1-Distill-Qwen-7B

，对硬件、平台、应用多厂商兼容适配 ，支 持国产化 多场景适配 训练 - 部署 - 推理一站式服务 ，可用于监视、侦察、 威胁评估、网络安全、情报分析、教育和训练等 场景 高效可靠的 AI 算力 资源按需分配 ，提升资源利用效率 推理服务可下沉边端 ，适应军事场景需求 教务、 教 学 、 教 研 、 教 管 ） 资源 管理 层 资源 引擎 系统层 物理 资源 计算资源 CPU 服务器 GPU 服务 器 集群弹性伸缩 GPU 资源管 理 模 型推理 资源调度管理 分组管理 容器管理 存储资源管理 集群管理 网络资源管理 网络资源 万兆网 更多 主机管理 镜像管理 存储资源 共享式 自动驾驶 互联网 IB 网 络 资源池化管理和分 配 基于任务、 用户和资源状 况进行任务执行排序 GPU 异构 user2 user1 user1 视觉场景 文本场景 …… 训练 推理 任务 用户 智算中心： 数据中心（面向人工智能 ，数据一站式管理） 实时同步 Greenplum 增量同步 Hadoop 批量同步 …… MySQL 数 据 加

，就能理解各类知识 ，能 跟人沟通。 因此自然语言处理是人工智能皇冠上的明珠 ，大语言模型就是基于深度学习技术 的自然语言处理工具 ，通过海量数据训练实现对人类语言的理解、生成和推理能力。 了解生成式人工智能（ AI GC ） 的工作原理 我们所说的大模型其实是人工智能大语言模型， 它生成内容的过程就像是一场词语接龙游戏： AI 基于前期内容训练成果 ，根据用户输入的提示词 。从而写出一段又一段符合你期望的文字。 生成式人工智能 (Generative AI) ：学习知识 + 生成新知识 了解生成式人工智能（ AI GC ） 的工作原 理 DeepSeek 的主要优势 1. 推理能力强大 DeepSeek 在推理能力上与国际领先的模型如 OpenAI 的 GPT-4 相媲美。 2. 成本优势显著 训练和使用费用却低一个量级（主要是因为算法策略优） ，大大降低了用户的经济负担。 3. 开源特性 的开源特性是其一大亮点。用户可自行下载和部署 ，广大开发者共同优化。 4. 免费使用 DeepSeek 提供的服务是完全免费的 ，用户可以随时随地使用。 5. 支持联网搜索 DeepSeek 是首个支持联网搜索的推理模型 ，这使得它在信息获取方面独具优势。 6. 教育与培训资源丰富 开源模型为教育和培训提供了丰富的资源 ，有助于推动 AI 技术的普及和人才培养。 看看 deepseek 的方 位 DeepSeek

域属性特征，算法作为核心引擎与风险应对策略，开发工具作为全栈式工具矩阵，安全、伦理和隐私保护作为 有效保障。在技术路线上，构建“参考架构—智能体应用—标准体系”的完整技术路径，以“性能—成本—应用” 协同优化为抓手，支撑模型从训练、推理、部署、协同到应用增强的全链路落地。 面向教育新范式，报告深入分析教育大模型赋能高等教育创新发展的具体路径，总结了九个重构方向：提供精 准适需的教育内容、实现个性灵活的教学方式、支持沉浸互动的学习体验、重塑教育主体的角色与能力、助力 ············ 63 4.2 教育大模型的核心技术 ····················································· 64 4.2.1 从训练推理、部署、协同到应用增强的核心技术解析 ·································· 65 4.2.2 以 DeepSeek 代表的“性能－成本－应用”技术协同创新突破 ·· 新的实现路径。 图 2-1 大模型 + 高等教育框架图 29 大模型背景下高等教育数智化转型研究报告 2.1 大模型赋能高等教育的机遇与挑战 大模型作为认知革命的重要载体，凭借其强大的知识处理、生成与推理能力，为高等教育带来前所未有的变革 契机。依托海量的数据、先进的算法以及高效的算力，大模型可以应对更多的复杂场景，解决更多个性化问题， 为高等教育的改革带来了革命性的机遇。然而，大模型技术的广泛应用也伴随着一系列挑战：从数据质量、算

基于观测经验，发现规律 • MIT ：一切问题都是模型问题 • 模型： 一个映射， 一个函数 科学范式 ◼ 从规则到数据：逐步破除我执（去人类中心主 义） 1. 第一代（规则系统）： 推理为核心 2. 第二代（知识工程）： 知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机 器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 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： CoT ReACT -Transformer 模型 - 大语言模 型 大语言模型的核心原理：数据化 - 语义化 -NTP （ Next Token Prediction ） 大语言模型的三层能力：语言能力 - 知识能力 - 推理能力 01 对 AI 技术的认知：大模型的能力边 界 nLLM 的三个能力的应用：选型标准 1. 语言处理场景：语言能力 • 文字处理：翻译、摘要、判别、生成等 • 人机界面：指令、信息、

的统一管理、自动化 部署与运维、持续集成与交付，满足大规模的云资源管控要求。 （七） 高性能计算能力要求 高性能计算服务提供GPU云服务器、GPU裸金属服务器两种算力资源以及训练算力服务、 推理算力服务，用户在平台可使用这两类算力服务形式。 第 7 页 共 157 页 2. 整体解决方案 2.1 系统总体设计思路及技术架构 2.1.1 设计原则 （1） 科学性 系统设计既要采用 存储各种类型的数据，用于存储原始数据以及数据分析结果。 训练算力，支持 Tensorflow 和 PyTorch 等多种深度 学习框架；支持挂 载基于 IB 网络的 高性 能文件系统，提升训练速度。 推理算力，推理是将深度学习训练成果投入使用的过程，支持部署训练好的 模型，提供 在线服务。 模型开发，提供 Notebook 交互 式建模开发工具，提供数据处理、算法调试和模型训练 等 支持。 第 35 ESX/Esxi无代理备份，提供平台级虚拟机无代理批量自 动定时备份功能，支持增量、差异等备份方式，支持 LAN-free备份可节约带宽开销。 4.4.6 高性能计算系统部署 高性能计算资源包括AI推理算力、AI训练算力等算力服务，以云服务器、裸金属服务器算 力资源的方式为用户提供。 4.4.6.1 算力资源  云服务器为用户提供的稳定可靠、性能优异、灵活伸缩的弹性计算服务。用户可以根

过上述设计方案，前端将能为用户提供高效、安全、便捷的使用体 验，从而提升整体的教学效果。 3.1.2 后端服务 在教育 AI 大模型的设计方案中，后端服务是系统架构的核心 组成部分，主要负责处理数据存储、模型推理、用户管理和业务逻 辑等关键功能。后端服务的设计必须具备高性能、高可用性和可扩 展性，以 efficiently support the increasing user demand and ：应用分布式数据库管理系统，如 MongoDB 或 PostgreSQL，存储用户和课程数据。数据存储服务需要具 备水平扩展能力，便于承载日益增长的用户数据量。 3. 模型推理服务：集成深度学习模型，提供实时的推理服务。此 模块可基于 TensorFlow Serving 或 NVIDIA Triton Inference Server 来实现，该服务负责接收输入数据，调用 首先，性能是主要的评估指标之一。目标是选择能够在多个教 育场景中有效工作的模型，例如个性化学习、智能问答和实时反馈 等。我们应该优先考虑那些在大型数据集上经过充分训练、具有较 高准确率和较好推理速度的模型。 其次，模型的可定制性和适应性十分重要。考虑到不同教育领 域和特定应用可能具有不同的需求，我们选择的模型需要能够灵活 调整，以适应不同的任务和数据集。例如，选择可以通过少量样本

遥 感（地理风险） 、 无人机巡检（设备腐 蚀检 测） 数据流 ，构建全域感知网络 ， 实 现对核 设施全方位、 多角度的实时监测。 AI 技术进化路径： 从“工具辅助”到“ 自主协同” 因果推理与数字孪生决策 因果 AI 的应用 01 突破传统相关性分析 ，构建核事故因果链模型（如冷却系统失 效→堆芯熔毁→放射性扩散） ，提升风险归因能力 ， 为事故 预 防和处理提供科学依据。

，基于领域数据对大模型进行增强和调优 ，通过知识网络工作台快速将领域数据构建为领域 知识网络 ，提供低代码的认知应用工作台 ，让开发者能充分利用领域大模型和利于知识网络的 能力 ，开发出面向特定领域的理解、推理、归纳等认知能力的认知应用。 AnyDATA 具有多项创新 ，其主要优势包括： • 领域大模型结合领域知识网络 ，增强大模型的领域内答案的准确性 ，领域数据及时性 ，相 关 对象可解释性；

、 融 合 建 库 、 模 型 汇 交、 CIM 部件库； 时空大数据计算：源数据管理、场景管理、服务 资源管理、空间数据分析； 时空知识图谱：时空知识抽取、时空知识融合关 联、时空知识推理计算、基于场景智能的预构建场 景图谱库； 时空信息可视化：描述性可视化、挖掘型可视化、 交互型可视化； 时空数据服务： BIM 模型轻量化、可视化渲染； 全景展示 2 、数据中台 •