课程大纲：

一、ChatGPT改变世界

宏观认知

1.1.1 二季度**会议关于chatGPT会议结论的政策解读

1.1.2 人工智能的iphone时刻/登火箭时不要问坐那个座位

1.1.3 AI的影响可能是反人性的

1.1.4 chatGPT的影响可能是文艺复兴级的

1.1.5 新的大国竞争和wintel联盟

1.1.6 上一轮人工智能进入尾声

案例：5000万美金的朋友圈

ChatGPT的先进性

1.2.1 ChatGPT具备诸多先进性特征

1.2.2 ChatGPT 提升的核心点

1.2.3 ChatGPT 提升的原因

1.2.4 ChatGPT 提升的领域

1.2.5 ChatGPT得益于通用（基础）模型所构建 AI 系统的新范式

ChatGPT的局限性

机器幻觉

知识库问题

信息安全

跨境传输

第二章：功能分析与应用场景

2.1 测试方向：自动化测试、质量控制等应用。

2.2 数据分析方向（code interpreter）：数据挖掘、预测分析等应用。

2.3 生图分析：图像生成、设计辅助等应用。

2.4 生文分析：各类生文应用。

2.5 生代码分析：代码自动生成、程序优化等应用。

第三章：案例场景探讨

3.1 客服：智能客服系统的构建与优化。

3.2 新媒体营销：内容创作与传播的智能化支持。

3.3 电商运营：运营效率的极致提升。

3.4 财务：财税等应用。

3.5 全媒体营销：知识库 RPA多平台营销策略与协同应用。

3.6 HR：提单的智能支持。

3.7 本地知识库：本地化知识管理。

第四章：对内赋能（如何用好提示词）

4.1 prompt的一个本质

4.2 Prompt的二个心法

4.3 Prompt的三项沟通要点

4.4 prompt的四项chat法则

4.5 prompt的五个业务法则

4.6 Prompt的六条咒语

4.7 Prompt的七项注意

4.8 Prompt的天龙八部

4.9 Prompt的追问法则

4.10 prompt的继续法则

4.11 Prompt的工程化：Auto Prompt，COT prompt， Prompt Perfect

4.12 什么时候该选择3.5，什么时候该选择4.0？

第五章：深度前沿-如何预训练和微调

2.1 什么是预训练

为什么要预训练--中文表现不佳

为什么要预训练--领域知识不足

为什么要预训练--有时候微调不解决问题

为什么要预训练--行业实践

预训练的目的

领域差距是什么？

数据问题

预训练过程

分词

词表扩充

数据源采样

中文预训练集

关于数据的结构化

C-Eval

2.2什么是微调

Instruct tuning

Prompt tuning

Instruct-GPT paper

Alpaca微调过程

Vicuna-13B 的训练、评估和推理

微调国内实践

数据处理

使用RLHF来优化模型

模型优化思路

**引入判别模型代替人工打分

基于强化学习RL 进行语言模型微调优化

人类反馈的强化学习RL的总流程

大实验：利用竹间智能平台一起共创一个微调政务大模型(0.5天-1天）