第1章　人工智能的起源與演進(jìn) 1
1.1 日常生活中的人工智能 1
1.2 從圖靈測(cè)試到專家系統(tǒng) 2
1.3　神經(jīng)網(wǎng)絡(luò)的初步探索 4
1.4　本章小結(jié) 5
第2章　機(jī)器學(xué)習(xí)的崛起 6
2.1　機(jī)器學(xué)習(xí)的定義與核心思想 6
2.2　機(jī)器學(xué)習(xí)方法 7
2.2.1　有監(jiān)督學(xué)習(xí) 7
2.2.2　無(wú)監(jiān)督學(xué)習(xí) 10
2.2.3　強(qiáng)化學(xué)習(xí) 12
2.3　機(jī)器學(xué)習(xí)的常用算法 15
2.3.1　有監(jiān)督學(xué)習(xí)的常用算法 15
2.3.2　無(wú)監(jiān)督學(xué)習(xí)的常用算法 17
2.3.3　強(qiáng)化學(xué)習(xí)的常用算法 19
2.3.4　如何選擇最佳機(jī)器學(xué)習(xí)算法 21
2.4　機(jī)器學(xué)習(xí)在IBM Watson中的應(yīng)用 25
2.5　本章小結(jié) 26
第3章　深度學(xué)習(xí)的革命 27
3.1　深度學(xué)習(xí)的發(fā)展歷程 27
3.2　深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 34
3.2.1　神經(jīng)元 34
3.2.2　單層神經(jīng)網(wǎng)絡(luò) 35
3.2.3　多層神經(jīng)網(wǎng)絡(luò) 35
3.3　關(guān)鍵技術(shù)突破：RNN、CNN、GAN 38
3.3.1　RNN：循環(huán)神經(jīng)網(wǎng)絡(luò) 38
3.3.2　CNN：卷積神經(jīng)網(wǎng)絡(luò) 40
3.3.3　GAN：生成對(duì)抗網(wǎng)絡(luò) 42
3.3.4　RNN、CNN和GAN的優(yōu)缺點(diǎn)對(duì)比 43
3.4　ImageNet挑戰(zhàn)賽 43
3.5　經(jīng)典AI與現(xiàn)代AI的分野 45
3.5.1　IBM深藍(lán)：經(jīng)典AI的巔峰 45
3.5.2　AlphaGo：現(xiàn)代AI的典范 46
3.6　本章小結(jié) 47
第4章　大模型的興起與發(fā)展 48
4.1　大模型的崛起 48
4.2　大模型的分類 51
4.3　大模型的特點(diǎn) 52
4.3.1　參數(shù)規(guī)模大 52
4.3.2　算力消耗大 54
4.3.3　數(shù)據(jù)Token化 55
4.3.4　泛化能力 58
4.4　Transformer 60
4.4.1　Transformer的特點(diǎn) 60
4.4.2　Transformer的架構(gòu)設(shè)計(jì) 63
4.4.3　Transformer的發(fā)展歷程 70
4.4.4　Transformer的應(yīng)用場(chǎng)景 71
4.5　GPT系列模型 73
4.6　DeepSeek系列模型 78
4.6.1　DeepSeek的發(fā)展歷程 78
4.6.2　DeepSeek的技術(shù)創(chuàng)新 79
4.7　大模型發(fā)展趨勢(shì)：技術(shù)與應(yīng)用的雙向推進(jìn) 84
4.8　本章小結(jié) 86
第5章　提示詞工程：大模型的溝通話術(shù) 88
5.1　提示詞的重要性 89
5.2　大模型提示詞的工作流程 90
5.2.1 提示詞工程的工作機(jī)制 90
5.2.2 提示詞工程的工作流程 92
5.3 大模型提示詞編寫(xiě)技術(shù)及最佳實(shí)踐 93
5.3.1 角色設(shè)定與指令注入 93
5.3.2 問(wèn)題拆解與分層設(shè)計(jì) 94
5.3.3 編程思維與Few-Shot設(shè)計(jì) 95
5.3.4 高級(jí)提示詞設(shè)計(jì)技巧 96
5.4 巧用萬(wàn)能Prompt 97
5.5 使用CO-STAR框架編寫(xiě)提示詞 99
5.5.1 CO-STAR框架的使用方法 100
5.5.2 CO-STAR框架的代碼案例 101
5.6 推理大模型的提示詞設(shè)計(jì) 103
5.7　本章小結(jié) 107
第6章　智能體應(yīng)用 108
6.1　智能體：大模型落地的“最后一公里” 108
6.2　ReAct Agent實(shí)現(xiàn)智能體與環(huán)境交互 113
6.2.1　ReAct Agent的特點(diǎn) 113
6.2.2　ReAct Agent的架構(gòu)組成 114
6.2.3　ReAct Agent的工作流程 115
6.3　智能體生態(tài)：構(gòu)建智能體發(fā)展的基礎(chǔ) 116
6.4　智能體與具身智能 118
6.5　斯坦福小鎮(zhèn)模擬人類行為 120
6.5.1　技術(shù)架構(gòu)與實(shí)現(xiàn) 122
6.5.2　智能體設(shè)計(jì)與行為生成 123
6.6　本章小結(jié) 125
第7章　模型微調(diào)與定制化 126
7.1　為什么需要微調(diào) 126
7.2　大模型微調(diào)技術(shù)路線 128
7.3　大模型的高效微調(diào) 132
7.3.1　Hugging Face的三大創(chuàng)新 132
7.3.2　LoRA：參數(shù)高效微調(diào)的技術(shù)突破 133
7.3.3　實(shí)戰(zhàn)：高效微調(diào)Llama模型 135
7.4　檢索增強(qiáng)生成和微調(diào) 140
7.4.1　企業(yè)級(jí)RAG系統(tǒng)設(shè)計(jì) 143
7.4.2　企業(yè)級(jí)微調(diào)系統(tǒng)設(shè)計(jì) 147
7.5　本章小結(jié) 151
第8章　大模型推理與服務(wù)化 152
8.1　什么是大模型推理 152
8.2　大模型推理引擎 154
8.2.1　TensorRT-LLM 155
8.2.2　vLLM 157
8.2.3　LMDeploy 162
8.2.4　Hugging Face TGI 165
8.3　大模型的推理優(yōu)化 168
8.3.1　大模型推理的優(yōu)化手段 170
8.3.2　提升大模型數(shù)學(xué)推理能力 171
8.4　大模型推理評(píng)估 177
8.5　KServe：基于Kubernetes的標(biāo)準(zhǔn)化模型推理平臺(tái) 180
8.5.1　KServe架構(gòu)解析 181
8.5.2　KServe的關(guān)鍵技術(shù)優(yōu)勢(shì) 184
8.5.3　Kserve推理服務(wù)的發(fā)布流程 186
8.5.4　實(shí)戰(zhàn)：KServe快速發(fā)布推理服務(wù) 188
8.6　本章小結(jié) 195
第9章　大模型應(yīng)用開(kāi)發(fā)框架LangChain 196
9.1　為什么需要LangChain 196
9.2　LangChain的架構(gòu)設(shè)計(jì) 198
9.3　LangChain的關(guān)鍵概念 201
9.4　實(shí)戰(zhàn)：LangChain API 207
9.5　LangGraph Agent：賦予大模型執(zhí)行力的智能體框架 218
9.6　實(shí)戰(zhàn)：基于LangChain構(gòu)建智能知識(shí)庫(kù)問(wèn)答系統(tǒng) 224
9.7　本章小結(jié) 239
第10章　醫(yī)療健康：大模型助力健康革命 240
10.1　醫(yī)療健康行業(yè)概覽 241
10.1.1　醫(yī)療健康行業(yè)面臨的主要挑戰(zhàn) 242
10.1.2　醫(yī)療健康數(shù)據(jù)的特點(diǎn)與價(jià)值 243
10.1.3 醫(yī)療健康行業(yè)的智能化轉(zhuǎn)型 245
10.2　AI重塑醫(yī)療服務(wù)價(jià)值鏈 247
10.2.1 AI醫(yī)療的關(guān)鍵能力 247
10.2.2 AI醫(yī)療自動(dòng)化的不同階段 249
10.2.3　AI賦能診前、診中、診后環(huán)節(jié) 250
10.3　大模型在醫(yī)療健康行業(yè)的核心應(yīng)用場(chǎng)景 252
10.3.1　輔助診斷：提升診斷效率與準(zhǔn)確性 252
10.3.2　藥物研發(fā)：加速新藥發(fā)現(xiàn)與優(yōu)化 255
10.3.3　健康管理與公共衛(wèi)生：構(gòu)建智能健康防線 256
10.4　大模型技術(shù)在醫(yī)療健康行業(yè)的創(chuàng)新實(shí)踐 257
10.4.1　Google醫(yī)療AI模型Med-Gemini 257
10.4.2　清華大學(xué)智能體醫(yī)院 261
10.5　本章小結(jié) 267
第11章　教育革新：大模型重塑學(xué)習(xí)體驗(yàn) 269
11.1　教育技術(shù)的發(fā)展：機(jī)遇與挑戰(zhàn) 270
11.1.1　傳統(tǒng)教育技術(shù)的局限 270
11.1.2　大模型帶來(lái)的機(jī)遇 271
11.1.3　教育技術(shù)發(fā)展面臨的挑戰(zhàn) 272
11.2　大模型賦能教育：個(gè)性化學(xué)習(xí)與教學(xué)輔助 274
11.2.1　大模型在個(gè)性化學(xué)習(xí)中的應(yīng)用：千人千面，因材施教 276
11.2.2　大模型在教學(xué)輔助中的應(yīng)用：解放教師，提質(zhì)增效 279
11.3　教育領(lǐng)域的大模型技術(shù)創(chuàng)新案例 281
11.3.1　EduChat的核心功能 281
11.3.2　EduChat的構(gòu)建過(guò)程 283
11.3.3　EduChat效果驗(yàn)證 286
11.4　大模型在教育中的應(yīng)用前景 287
11.5　本章小結(jié) 288
第12章　智能駕駛：大模型推動(dòng)未來(lái)出行 290
12.1　智能駕駛：一個(gè)空間機(jī)器人的時(shí)代 291
12.2　智能駕駛與大模型 292
12.2.1　智能駕駛中的大模型技術(shù) 292
12.2.2　大模型成為智能駕駛技術(shù)突破的核心力量 297
12.3　智能駕駛案例：特斯拉FSD系統(tǒng) 298
12.3.1　特斯拉FSD系統(tǒng)的技術(shù)基石：端到端神經(jīng)網(wǎng)絡(luò)架構(gòu) 298
12.3.2　視覺(jué)感知核心：BEV+Transformer 299
12.3.3　深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)在特斯拉FSD系統(tǒng)中的深度應(yīng)用 300
12.3.4　大模型驅(qū)動(dòng)的技術(shù)飛躍：特斯拉FSD系統(tǒng)的進(jìn)化之路 301
12.3.5　FSD技術(shù)面臨的挑戰(zhàn)與未來(lái)發(fā)展 304
12.4　本章小結(jié) 305
第13章　科研探索：大模型加速科學(xué)發(fā)現(xiàn) 306
13.1　科研領(lǐng)域的創(chuàng)新需求與挑戰(zhàn) 307
13.1.1　數(shù)據(jù)洪流：機(jī)遇與挑戰(zhàn)并存 307
13.1.2　跨學(xué)科研究的瓶頸 308
13.1.3　科研效率亟待提升 310
13.2　大模型技術(shù)在科研數(shù)據(jù)分析與模擬中的應(yīng)用 310
13.2.1　天文學(xué)：大模型助力天文圖像分析 311
13.2.2　化學(xué)：大模型賦能下的分子與材料探索 312
13.2.3　生物學(xué)：大模型加速生命科學(xué)的理解與設(shè)計(jì) 316
13.2.4　數(shù)學(xué)：大模型推動(dòng)算法的自我進(jìn)化 317
13.2.5　地球科學(xué)：大模型洞悉地球系統(tǒng)的奧秘 319
13.2.6　神經(jīng)科學(xué)：大模型揭示大腦的秘密 321
13.3　AI For Science的代表：AlphaFold 322
13.3.1　AlphaFold的技術(shù)突破 323
13.3.2　AlphaFold 2的工作流程 323
13.3.3　AlphaFold 2的應(yīng)用領(lǐng)域 326
13.3.4　AlphaFold 3：進(jìn)一步的突破與挑戰(zhàn) 326
13.4　本章小結(jié) 327
結(jié)語(yǔ) 329