近日，TsingtaoAI教研團(tuán)隊為某高校交付AI時代教師信息素養(yǎng)提升與實踐師資研修。TsingtaoAI 團(tuán)隊此次實訓(xùn)直面 AI 重塑教育的核心命題，摒棄泛化理論，聚焦“素養(yǎng) - 工具 - 模型 - 創(chuàng)新”進(jìn)階。實訓(xùn)依托 MaaS 與 Agent 雙平臺，通過 20 節(jié)實戰(zhàn)，引領(lǐng)教師從信息檢索、知識管理的基礎(chǔ)覺醒，跨越至零代碼智能體開發(fā)與工作流編排。不僅涵蓋提示詞工程、插件工具調(diào)用等即時生產(chǎn)力技能，更深入數(shù)據(jù)集清洗、模型微調(diào)（SFT/DPO）等技術(shù)深水區(qū)，打破教師對 AI 的黑盒認(rèn)知。強(qiáng)調(diào)倫理底線與數(shù)據(jù)隱私，確保技術(shù)應(yīng)用安全合規(guī)。最終落腳于 PBL 項目式學(xué)習(xí)與跨學(xué)科融合，確保學(xué)員結(jié)業(yè)時交付 3 個定制化教學(xué)應(yīng)用。這是一次從“使用者”到“創(chuàng)造者”的角色蛻變，為智能教育生態(tài)儲備關(guān)鍵師資力量，達(dá)成技術(shù)賦能閉環(huán)。

實訓(xùn)樣例

實訓(xùn)概況

適用對象： 高校教師、教研人員、教育管理者

總課時： 20 節(jié)（每節(jié) ≥30 分鐘）

研修形式： 理論深度講解 + 平臺實操演示 + 案例工程復(fù)刻

核心平臺： 某企業(yè)教育生態(tài)（MaaS 平臺、Agent 平臺、數(shù)字人平臺）

?研修目標(biāo)

認(rèn)知升級： 清晰界定 AI 時代教師的核心競爭力與倫理底線。

技能落地： 親手開發(fā) 3 個定制化 AI 教學(xué)應(yīng)用（如智能助教、出題器、個性化導(dǎo)師）。

思維進(jìn)階： 掌握數(shù)據(jù)驅(qū)動教學(xué)決策的基本方法，理解模型Fine-tuning的核心邏輯。

?模塊一：意識覺醒與基礎(chǔ)構(gòu)建（第 1-4 節(jié)）

階段目標(biāo)： 打破技術(shù)恐懼，建立 AI 教育應(yīng)用的全景認(rèn)知，筑牢信息安全與倫理底線。

第 1 節(jié)：開啟智慧教育新篇章——信息素養(yǎng)內(nèi)涵與 AI 時代機(jī)遇

核心議題： AI 不是替代者，而是超級助手。

內(nèi)容詳解：

行業(yè)沖擊： 深度剖析傳統(tǒng)教學(xué)模式面臨的挑戰(zhàn)，解讀 AI 如何重塑教師角色（從教書到育人）。

政策風(fēng)向： 國內(nèi)外 AI 教育政策與發(fā)展趨勢關(guān)鍵指標(biāo)解讀。

素養(yǎng)演變： 明確新內(nèi)涵——從基礎(chǔ) IT 技能進(jìn)階到提示工程、智能工具使用及倫理判斷。

生態(tài)全景： 介紹卓世科技教育生態(tài)（MaaS 模型工廠、Agent 應(yīng)用工作室、數(shù)字人創(chuàng)造間）及三平臺協(xié)同流程。

學(xué)習(xí)地圖： 明確 20 節(jié)技能進(jìn)階路徑及結(jié)業(yè)成果預(yù)期。

實操任務(wù)： 登錄卓世 Agent 平臺和 MaaS 平臺，完成賬號注冊與基礎(chǔ)環(huán)境配置。

第 2 節(jié)：成為高效的"搜商"高手——信息檢索與篩選

核心議題： 在信息過載時代，如何快速獲取可信資源服務(wù)于備課與教研。

內(nèi)容詳解：

搜索進(jìn)階： 回顧傳統(tǒng)搜索引擎高級指令（site:, filetype:），對比 AI 增強(qiáng)型工具（New Bing 聯(lián)網(wǎng)總結(jié)、Perplexity 學(xué)術(shù)溯源、ChatGPT 多角度對比）。

學(xué)術(shù)策略： 中國知網(wǎng)/萬方高級檢索技巧，谷歌學(xué)術(shù)/arXiv 使用心法，Zotero 文獻(xiàn)管理基礎(chǔ)。

可信度評估： 建立信息來源可靠性評估框架，掌握事實核查流程，識別 AI 生成內(nèi)容特征。

實操任務(wù)： 針對“人工智能在小學(xué)科學(xué)教育中的應(yīng)用”課題搜集資料，演示用 AI 生成文獻(xiàn)綜述框架，并進(jìn)行信息可信度評估練習(xí)。

第 3 節(jié)：數(shù)字資源的"斷舍離"與知識管理

核心議題： 構(gòu)建個人知識體系，緩解數(shù)字時代“知識焦慮”。

內(nèi)容詳解：

應(yīng)對策略： 建立個人知識篩選標(biāo)準(zhǔn)，制定定期清理與更新機(jī)制。

最佳實踐： 基于教學(xué)場景的文件分類體系，標(biāo)準(zhǔn)化命名規(guī)范（日期 - 主題 - 版本），多云存儲備份方案。

工具入門： 飛書文檔（協(xié)同沉淀）、Notion（模塊化數(shù)據(jù)庫）、印象筆記（捕捉標(biāo)簽）在教育場景的適用性分析。

體系構(gòu)建： 確定核心領(lǐng)域，建立知識關(guān)聯(lián)網(wǎng)絡(luò)。

實操任務(wù)： 在卓世 Agent 平臺創(chuàng)建"我的教學(xué)靈感庫"知識庫，演示 PDF 教案上傳、文本分段、標(biāo)簽添加及分類體系實戰(zhàn)。

第 4 節(jié)：信息安全與倫理道德——AI 應(yīng)用不可逾越的底線

核心議題： 技術(shù)向善，確保 AI 應(yīng)用合規(guī)、安全、公平。

內(nèi)容詳解：

數(shù)據(jù)安全： 解讀《個人信息保護(hù)法》教育條款，落實學(xué)生數(shù)據(jù)收集最小化原則及家長知情同意機(jī)制。

算法倫理： 識別算法偏見表現(xiàn)形式，掌握教育公平性檢測方法及減少偏見策略。

版權(quán)規(guī)范： 厘清 AIGC 版權(quán)認(rèn)定現(xiàn)狀，制定學(xué)術(shù)誠信與 AI 工具使用規(guī)范。

數(shù)字公民： 設(shè)計各年齡段 AI 倫理教育重點及課堂討論話題。

實操任務(wù)： 案例研討（AI 監(jiān)控學(xué)生表情倫理邊界），小組制定班級 AI 使用公約，模擬家長會解釋隱私保護(hù)措施。

?模塊二：AI 工具賦能教學(xué)實踐（第 5-12 節(jié)）

階段目標(biāo)： 掌握零代碼開發(fā)能力，利用 Agent 平臺打造專屬教學(xué)智能體，實現(xiàn)教學(xué)流程自動化。

第 5 節(jié)：初見智能體——卓世 Agent 平臺核心功能與零代碼開發(fā)入門

核心議題： 無需編程，像搭積木一樣創(chuàng)建 AI 應(yīng)用。

內(nèi)容詳解：

界面導(dǎo)覽： 工作區(qū)布局、應(yīng)用管理、知識庫入口詳解。

創(chuàng)建方式： 模板創(chuàng)建（快速啟動）、空白應(yīng)用（自定義）、DSL 導(dǎo)入（復(fù)用共享）。

提示詞初探： 角色設(shè)定、任務(wù)定義、格式規(guī)范結(jié)構(gòu)化輸出技巧。

實操任務(wù)： 從模板創(chuàng)建"智能客服"應(yīng)用并測試；修改提示詞觀察輸出變化；復(fù)用案例工程文件 1（學(xué)科問答助手初始版.dsl）。

第 6 節(jié)：打造專屬教學(xué)顧問——提示詞工程與知識庫應(yīng)用

核心議題： 讓 AI 懂你的教學(xué)語境，輸出高質(zhì)量內(nèi)容。

內(nèi)容詳解：

CRISCO 原則： 清晰、相關(guān)、迭代、具體、無偏見、優(yōu)化的高級提示詞技巧。

變量使用： 變量語法 {{變量名}} 及其在交互場景中的應(yīng)用。

知識庫管理： 分段策略（按段落/主題）、清洗規(guī)則、多路召回模式配置。

實操任務(wù)： 為助手添加難度選擇變量；創(chuàng)建學(xué)校制度知識庫并關(guān)聯(lián)應(yīng)用；復(fù)用案例工程文件 2（學(xué)校規(guī)章制度查詢助手.dsl）。

第 7 節(jié)：從對話到生成——文本生成型應(yīng)用的開發(fā)

核心議題： 批量生產(chǎn)教學(xué)素材，釋放教師創(chuàng)造力。

內(nèi)容詳解：

應(yīng)用區(qū)別： 文本生成與聊天應(yīng)用在輸入輸出模式、提示詞側(cè)重及評估標(biāo)準(zhǔn)上的差異。

指令鏈設(shè)計： 明確輸入要求（格式/約束），定義輸出規(guī)范（結(jié)構(gòu)/風(fēng)格），應(yīng)用 Few-shot learning。

批量生成： "更多類似的"功能技巧，質(zhì)量控制與篩選方法。

實操任務(wù)： 開發(fā)課堂小測驗生成器；生成結(jié)果評估與優(yōu)化；復(fù)用案例工程文件 3（課堂小測驗生成器.dsl）。

第 8 節(jié)：擁有"超能力"的智能體——為 AI 應(yīng)用添加工具插件

核心議題： 突破模型知識限制，連接實時世界。

內(nèi)容詳解：

插件價值： 獲取實時信息、執(zhí)行復(fù)雜計算、專業(yè)任務(wù)處理。

內(nèi)置插件： Bing 搜索（實時信息）、數(shù)學(xué)計算（公式推導(dǎo)）、網(wǎng)頁抓取（信息提?。?。

技術(shù)模式： Function Calling 工作原理與 ReAct 推理模式優(yōu)勢及適用場景。

實操任務(wù)： 為助手添加 Bing 搜索插件；測試插件效果；復(fù)用案例工程文件 4（時事新聞解讀助手.dsl）。

第 9 節(jié)：解鎖復(fù)雜任務(wù)——低代碼工作流編排入門

核心議題： 拆解復(fù)雜教學(xué)任務(wù)，實現(xiàn)自動化流轉(zhuǎn)。

內(nèi)容詳解：

必要性： 處理多步驟任務(wù)、條件判斷及多工具協(xié)同。

核心概念： 節(jié)點（功能單元）、變量（數(shù)據(jù)載體）、連線（邏輯關(guān)系）。

常用節(jié)點： 開始節(jié)點（輸入）、LLM 節(jié)點（處理）、結(jié)束節(jié)點（輸出）。

實操任務(wù)： 創(chuàng)建簡單問答工作流；演示變量傳遞；復(fù)用案例工程文件 5（簡單問答工作流.dsl）。

第 10 節(jié)：讓 AI 更懂教學(xué)——工作流中的邏輯判斷與知識檢索

核心議題： 賦予 AI 邏輯判斷力，實現(xiàn)精準(zhǔn)教學(xué)反饋。

內(nèi)容詳解：

條件分支： 條件表達(dá)式編寫、分支路徑設(shè)計、復(fù)雜邏輯處理。

知識檢索： 檢索參數(shù)設(shè)置、結(jié)果處理、多知識庫協(xié)同。

多路召回： 向量檢索與全文檢索結(jié)合，重排序算法及結(jié)果融合策略。

實操任務(wù)： 升級作文批改工作流；復(fù)雜邏輯調(diào)試；復(fù)用案例工程文件 6（智能作文批改工作流.dsl）。

第 11 節(jié)：AI 助教全程陪伴——構(gòu)建多輪對話型教學(xué)應(yīng)用

核心議題： 打造有記憶、能互動的個性化學(xué)習(xí)伙伴。

內(nèi)容詳解：

會話管理： 變量類型與作用域，上下文保持機(jī)制。

記憶配置： 記憶窗口大小設(shè)置，提取與更新，長期記憶實現(xiàn)方案。

體驗優(yōu)化： 開場白設(shè)計，下一步問題建議生成。

實操任務(wù)： 創(chuàng)建個性化學(xué)習(xí)導(dǎo)師應(yīng)用；多輪對話測試與優(yōu)化；復(fù)用案例工程文件 7（個性化學(xué)習(xí)導(dǎo)師.dsl）。

第 12 節(jié)：成果展示與分享——AI 應(yīng)用的發(fā)布與部署

核心議題： 將應(yīng)用轉(zhuǎn)化為可分享的教學(xué)產(chǎn)品。

內(nèi)容詳解：

發(fā)布設(shè)置： 訪問權(quán)限（公開/私有/密碼），API 密鑰管理，用量統(tǒng)計。

集成方法： iframe 嵌入代碼獲取，網(wǎng)站集成配置，LMS 系統(tǒng)對接方案。

運(yùn)營維護(hù)： 日志查看，用戶反饋收集，版本更新管理。

實操任務(wù)： 發(fā)布個性化學(xué)習(xí)導(dǎo)師應(yīng)用；獲取分享鏈接和嵌入代碼；查看基礎(chǔ)運(yùn)營數(shù)據(jù)。

?模塊三：數(shù)據(jù)思維與模型初探（第 13-16 節(jié)）

階段目標(biāo)： 從應(yīng)用使用者進(jìn)階為模型理解者，掌握數(shù)據(jù)驅(qū)動決策與模型微調(diào)基礎(chǔ)。

第 13 節(jié)：用數(shù)據(jù)說話——教學(xué)數(shù)據(jù)分析與可視化初步

核心議題： 拒絕經(jīng)驗主義，用數(shù)據(jù)支撐教學(xué)決策。

內(nèi)容詳解：

數(shù)據(jù)源識別： 成績數(shù)據(jù)、行為數(shù)據(jù)（出勤/互動）、過程數(shù)據(jù)（路徑/時間）。

分析方法： 描述性統(tǒng)計（均值/標(biāo)準(zhǔn)差），趨勢分析，對比分析（班級/個體）。

可視化呈現(xiàn)： 圖表選擇原則，工具基礎(chǔ)操作，數(shù)據(jù)故事敘述技巧。

實操任務(wù)： Excel 數(shù)據(jù)分析和圖表制作實戰(zhàn)；撰寫教學(xué)數(shù)據(jù)洞察報告；模擬數(shù)據(jù)驅(qū)動教學(xué)決策。

第 14 節(jié)：打造專屬教育大腦——MaaS 平臺與模型訓(xùn)練概念

核心議題： 理解大模型背后的邏輯，何時需要專屬模型。

內(nèi)容詳解：

平臺模塊： 項目管理、數(shù)據(jù)集管理、模型訓(xùn)練、模型管理（版本/部署）。

微調(diào)概念： 通用模型局限性，微調(diào)適用場景判斷，參數(shù)調(diào)整機(jī)制原理。

訓(xùn)練策略： SFT（有監(jiān)督微調(diào)）、PT（預(yù)訓(xùn)練）、DPO（偏好優(yōu)化）的特點與優(yōu)勢。

實操任務(wù)： 瀏覽 MaaS 平臺功能模塊；深度分析微調(diào)成功案例；練習(xí)訓(xùn)練方案設(shè)計。

第 15 節(jié)：從數(shù)據(jù)到數(shù)據(jù)集——訓(xùn)練數(shù)據(jù)的準(zhǔn)備與清洗

核心議題： 數(shù)據(jù)質(zhì)量決定模型智商，掌握數(shù)據(jù)集制備規(guī)范。

內(nèi)容詳解：

格式規(guī)范： JSONL 文件結(jié)構(gòu)解析，字段定義，編碼與大小限制。

質(zhì)量控制： 噪聲識別處理，格式標(biāo)準(zhǔn)化，缺失值處理。

指令構(gòu)建： 問題設(shè)計原則，答案質(zhì)量評估，多樣性保證方法。

實操任務(wù)： 數(shù)據(jù)集格式轉(zhuǎn)換實戰(zhàn)；數(shù)據(jù)質(zhì)量檢查；復(fù)用案例工程文件 8（SFT_dataset_template.jsonl）。

第 16 節(jié)：訓(xùn)練我的第一個教育模型——MaaS 平臺模型微調(diào)實戰(zhàn)

核心議題： 完成從數(shù)據(jù)到模型的全鏈路閉環(huán)。

內(nèi)容詳解：

任務(wù)創(chuàng)建： 基礎(chǔ)模型選擇，參數(shù)配置，資源分配與成本控制。

任務(wù)流編排： 自動化流程階段，節(jié)點依賴管理，異常處理。

評估優(yōu)化： 評估指標(biāo)解讀，效果優(yōu)化策略，版本管理 best practice。

實操任務(wù)： 演示訓(xùn)練任務(wù)創(chuàng)建全過程；分析訓(xùn)練結(jié)果；復(fù)用案例工程文件 9（model_training_config_template.yaml）。

?模塊四：融合創(chuàng)新與未來發(fā)展（第 17-20 節(jié)）

階段目標(biāo)： 回歸教育本質(zhì)，實現(xiàn) AI 與教學(xué)的深度融合，塑造教師個人數(shù)字化品牌。

第 17 節(jié)：AI 賦能下的項目式學(xué)習(xí)設(shè)計與實踐

核心議題： 利用 AI 工具升級 PBL 項目，培養(yǎng)學(xué)生高階思維。

內(nèi)容詳解：

框架重構(gòu)： 驅(qū)動性問題 AI 增強(qiáng)設(shè)計，學(xué)習(xí)路徑智能化調(diào)整，成果評價多元維度。

階段應(yīng)用： 提出問題（頭腦風(fēng)暴）、規(guī)劃方案（資源推薦）、探索創(chuàng)造（協(xié)同創(chuàng)作）、評價反思（自動反饋）。

案例實踐： 跨學(xué)科項目設(shè)計，實施要點與注意事項。

實操任務(wù)： PBL 項目方案設(shè)計工作坊；跨學(xué)科項目設(shè)計實戰(zhàn)；實施方案討論與優(yōu)化。

第 18 節(jié)：跨學(xué)科融合的 AI 課堂案例拆解

核心議題： 打破學(xué)科壁壘，拓展 AI 教育應(yīng)用邊界。

內(nèi)容詳解：

AI+ 語文： 古詩詞分析創(chuàng)作、作文批改潤色、閱讀理解深度分析。

AI+STEM： 科學(xué)實驗?zāi)M、數(shù)學(xué)問題求解、編程輔助調(diào)試。

AI+ 藝術(shù)/社科： 數(shù)字藝術(shù)創(chuàng)作、音樂編曲、歷史事件模擬、地理數(shù)據(jù)可視化。

實操任務(wù)： 優(yōu)秀案例深度拆解；學(xué)科融合方案設(shè)計；實施效果評估討論。

第 19 節(jié)：教師 IP 的塑造與數(shù)字化成果輸出

核心議題： 將教學(xué)經(jīng)驗轉(zhuǎn)化為可傳播的數(shù)字化資產(chǎn)。

內(nèi)容詳解：

成果包裝： 成果類型識別，價值提煉，受眾分析與內(nèi)容定位。

輸出形式： 教學(xué)論文、博客文章、微課視頻、工作坊設(shè)計。

AI 輔助創(chuàng)作： 寫作輔助優(yōu)化，演示文稿自動生成，視頻制作自動化。

實操任務(wù)： 個人成果梳理練習(xí)；制定內(nèi)容創(chuàng)作計劃；實踐 AI 輔助創(chuàng)作工具。

第 20 節(jié)：課程總結(jié)、作品路演與未來展望

核心議題： 復(fù)盤成長路徑，展望 AGI 時代教育形態(tài)。

內(nèi)容詳解：

體系總覽： 核心概念回顧，技能進(jìn)階路徑，關(guān)鍵成功因素。

作品路演： 展示標(biāo)準(zhǔn)與流程，同行評議反饋，改進(jìn)優(yōu)化建議。

未來展望： AGI 時代教育形態(tài)，新技術(shù)應(yīng)用前景，教師角色演變預(yù)測。

持續(xù)學(xué)習(xí)： 個人發(fā)展目標(biāo)設(shè)定，資源推薦，社群支持機(jī)制。

實操任務(wù)： 課程學(xué)習(xí)成果展；優(yōu)秀作品評選與頒獎；制定個人發(fā)展計劃。

實訓(xùn)技術(shù)專家

陳老師 AI智算技術(shù)專家

研究方向：分布式計算、深度學(xué)習(xí)模型優(yōu)化、GPU加速計算。

曾就職某央企高性能計算研發(fā)工程師，一線智算廠商高性能AI Infra工程師，現(xiàn)就職TsingtaoAI公司AI框架及AI應(yīng)用研發(fā)工程師。

專業(yè)領(lǐng)域

華為昇騰技術(shù)棧: 深入掌握華為昇騰AI計算平臺，包括昇騰算子開發(fā)、HCCL集合通信優(yōu)化、智算集群建設(shè)與性能調(diào)優(yōu)。

智算集群建設(shè)與優(yōu)化: 專注于大規(guī)模智算集群的設(shè)計、部署、設(shè)備選型、網(wǎng)絡(luò)配置及系統(tǒng)集成，提升集群性能和穩(wěn)定性。

深度學(xué)習(xí)與高性能計算: 研究和應(yīng)用分布式訓(xùn)練框架、優(yōu)化技術(shù)，進(jìn)行大規(guī)模計算任務(wù)的高效處理。

網(wǎng)絡(luò)與系統(tǒng)集成: 在復(fù)雜網(wǎng)絡(luò)環(huán)境下進(jìn)行系統(tǒng)集成，確保數(shù)據(jù)傳輸?shù)母咝耘c系統(tǒng)的穩(wěn)定性。

AI開發(fā)框架: 熟悉多種AI開發(fā)框架，包括NCE fabric、NCE insight fabric、MindX和ModelArts平臺的高階使用。

代表性項目經(jīng)驗

GFDX智算集群項目

負(fù)責(zé)內(nèi)容: 主導(dǎo)智算集群的整體設(shè)計與交付，包括設(shè)備選型、系統(tǒng)集成和網(wǎng)絡(luò)設(shè)備配置。負(fù)責(zé)優(yōu)化集群性能以滿足高負(fù)載計算需求。

實際項目交付經(jīng)驗: 成功實施了62.5P的智算集群交付，確保系統(tǒng)的高效能和穩(wěn)定性。

首都在線智算集群項目

負(fù)責(zé)內(nèi)容: 主導(dǎo)智算集群的設(shè)計與部署，負(fù)責(zé)設(shè)備選型、集群網(wǎng)絡(luò)架構(gòu)設(shè)計和HCCL集合通信的優(yōu)化配置。

實際項目交付經(jīng)驗: 成功交付了80P的智算集群項目，實現(xiàn)了高效的數(shù)據(jù)處理和計算能力。

北京昇騰人工智能計算中心

負(fù)責(zé)內(nèi)容: 智算集群項目的建設(shè)與交付，包括設(shè)備選型、系統(tǒng)集成、網(wǎng)絡(luò)設(shè)備配置與調(diào)優(yōu)，以及昇騰平臺的算子開發(fā)與優(yōu)化。

實際項目交付經(jīng)驗: 主導(dǎo)了100P的智算集群交付，顯著提升了計算能力和系統(tǒng)性能，滿足了大規(guī)模AI應(yīng)用需求。

教學(xué)與培訓(xùn)經(jīng)驗

昇騰技術(shù)培訓(xùn): 為多家企業(yè)和研究機(jī)構(gòu)提供昇騰技術(shù)棧的定制化培訓(xùn)，涵蓋昇騰算子開發(fā)、HCCL通信優(yōu)化、智算集群建設(shè)等內(nèi)容。

教學(xué)方法: 善于將復(fù)雜的理論知識與實際應(yīng)用相結(jié)合，通過案例分析與實踐操作，幫助學(xué)員在短時間內(nèi)掌握核心技術(shù)，并能在實際項目中獨立應(yīng)用。

培訓(xùn)案例

某智算中心運(yùn)維廠商：

IB網(wǎng)絡(luò)

IB網(wǎng)絡(luò)的概述與原理

IB網(wǎng)絡(luò)的傳輸協(xié)議與數(shù)據(jù)傳輸原理

深入講解InfiniBand的傳輸協(xié)議，包括RC、UC和UD，并解釋數(shù)據(jù)傳輸機(jī)制。

描述IB網(wǎng)絡(luò)的硬件架構(gòu)，包括交換機(jī)、路由器、HCA和TCA等。

IB網(wǎng)絡(luò)的故障診斷與排除

實操環(huán)節(jié)，教授如何診斷和解決IB網(wǎng)絡(luò)中可能出現(xiàn)的問題。

GPU架構(gòu)與CUDA編程

NVIDIA GPU架構(gòu)與特性

介紹GPU的基本概念和CUDA編程模型。

提供CUDA編程的基礎(chǔ)知識和入門指導(dǎo)。

GPU內(nèi)部結(jié)構(gòu)與性能優(yōu)化關(guān)鍵點

分析GPU加速計算的實際案例，包括性能提升和應(yīng)用場景。

講解如何優(yōu)化CUDA程序的性能，以及CUDA生態(tài)系統(tǒng)中的各種工具和庫。

GPU加速計算與案例分析

高級CUDA庫與工具鏈詳解

性能優(yōu)化與CUDA生態(tài)系統(tǒng)

算力集群規(guī)劃與設(shè)計

算力集群架構(gòu)與設(shè)計

軟件棧設(shè)計與集群性能評估

集群性能調(diào)優(yōu)的高級技巧與實踐

集群性能調(diào)優(yōu)

智算集群的開發(fā)調(diào)優(yōu)-某運(yùn)營商研發(fā)中心

昇騰算子開發(fā)相關(guān)

常見錯誤碼與問題排查

自定義算子的調(diào)用與調(diào)試

高階融合算子實現(xiàn)方法

HCCL集合通信相關(guān)

HCCL常見錯誤碼與處理方法

HCCL通信算法與算子開發(fā)

HCCL新特性與調(diào)優(yōu)

昇騰智算集群網(wǎng)絡(luò)設(shè)備管理

NSLB1.0和2.0方案實現(xiàn)細(xì)節(jié)

端網(wǎng)協(xié)同機(jī)制

集合通信建鏈與mpirun測試

華為AI開發(fā)框架與工具鏈

華為CCAE與NCE系統(tǒng)使用

MindX與ModelArts框架使用

昇騰環(huán)境適配的AI開發(fā)框架

基于華為昇騰的分布式訓(xùn)練技術(shù)咨詢-某科研學(xué)術(shù)機(jī)構(gòu)

利用 PyTorch DDP 在多 GPU 上并行訓(xùn)練 ResNet-18，加速 CIFAR-10 訓(xùn)練并保持高準(zhǔn)確率。通過環(huán)境配置、數(shù)據(jù)分發(fā)與采樣、模型分布式包裝和自動梯度同步，實現(xiàn)高效訓(xùn)練。結(jié)合混合精度、梯度壓縮和自適應(yīng)批大小等策略，大幅減少通信開銷、提升計算效率。針對分布式任務(wù)調(diào)度與容錯機(jī)制進(jìn)行深入探索，保障大規(guī)模訓(xùn)練的穩(wěn)定性與可擴(kuò)展性，提供了高效、易擴(kuò)展的分布式深度學(xué)習(xí)解決方案。

馬老師 教授 AI與大數(shù)據(jù)技術(shù)專家

廣東東軟學(xué)院軟件工程大數(shù)據(jù)專業(yè)方向負(fù)責(zé)人、大數(shù)據(jù)實驗室負(fù)責(zé)人、廣東東軟學(xué)院計算機(jī)專業(yè)教師，中國計算機(jī)學(xué)會高級會員，廣東省研究生聯(lián)合培養(yǎng)基地碩士生導(dǎo)師，全國高校人工智能與大數(shù)據(jù)創(chuàng)新聯(lián)盟理事，佛山人工智能學(xué)會理事、中國機(jī)電工程協(xié)會會員。主持教育部高等學(xué)校科學(xué)研究中心中國高校產(chǎn)學(xué)研創(chuàng)新基金3項，主持廣東省高校成果轉(zhuǎn)化中心高校教師特色創(chuàng)新研究項目1項，主持教育部協(xié)同育人項目3項，參與省教育廳及佛山政府項目12項目，其中省級項目7項，市級項目5項。主持開發(fā)實施企業(yè)信息化項目16項。

代老師 AI技術(shù)專家 | 能源領(lǐng)域AI Agent專家

30歲博士，擁有3年AI技術(shù)經(jīng)驗，專注于大語言模型在能源領(lǐng)域的應(yīng)用。主導(dǎo)AI大模型落地項目，精通提示詞工程、RAG、Multi Agent調(diào)度等技術(shù)，成功將大語言模型與業(yè)務(wù)流程結(jié)合，實現(xiàn)生產(chǎn)級應(yīng)用。具備扎實的數(shù)學(xué)優(yōu)化基礎(chǔ)和系統(tǒng)工程能力，擅長復(fù)雜系統(tǒng)建模與算法開發(fā)。

西安交通大學(xué) | 博士 | 控制科學(xué)與工程（系統(tǒng)工程）

國家重點實驗室，管曉宏院士團(tuán)隊，導(dǎo)師高峰教授

26歲獲得工學(xué)博士學(xué)位

博士期間聚焦企業(yè)能源管理，發(fā)表ESI高被引論文1篇

西安交通大學(xué) | 本科 | 錢學(xué)森實驗班（自動化）

高考全省507名，專業(yè)前10%，本科直博

學(xué)習(xí)所有工科專業(yè)基礎(chǔ)課程，適應(yīng)高強(qiáng)度淘汰機(jī)制

圖跡信息科技有限公司 | AI技術(shù)專家

擔(dān)任數(shù)據(jù)分析部副部長，主導(dǎo)公司AI大模型落地應(yīng)用，負(fù)責(zé)技術(shù)框架設(shè)計

設(shè)計能源領(lǐng)域AI Agent智能體，完成技術(shù)調(diào)研、框架設(shè)計、效果測試、優(yōu)化、本地部署及上線演示全流程

應(yīng)用AI 2.0技術(shù)棧：

? Prompt Engineering

? RAG）

? Multi Agent調(diào)度系統(tǒng)

? 工作流設(shè)計與優(yōu)化

核心技術(shù)突破：解決大語言模型與細(xì)分業(yè)務(wù)流程精準(zhǔn)匹配難題，項目滿足生產(chǎn)落地要求

基于Agent成果，制定公司多Agent架構(gòu)產(chǎn)品規(guī)劃，推動復(fù)雜業(yè)務(wù)場景的AI化轉(zhuǎn)型

寧波工程學(xué)院機(jī)器人學(xué)院 | 高校講師

教授《工業(yè)互聯(lián)網(wǎng)》《微機(jī)原理》等課程，具備技術(shù)培訓(xùn)能力

科研項目：人工智能—大語言模型研究、電動交通工具儲能化V2G研究

指導(dǎo)學(xué)生獲浙江省智能機(jī)器大賽、全國大學(xué)生節(jié)能減排比賽獎項

核心項目經(jīng)歷

圖跡AI智能體項目 | 主要負(fù)責(zé)人

設(shè)計能源領(lǐng)域AI Agent智能體，實現(xiàn)細(xì)分業(yè)務(wù)自動化

關(guān)鍵技術(shù)細(xì)節(jié)：

構(gòu)建RAG+Multi Agent調(diào)度框架，提升業(yè)務(wù)流程處理效率

通過提示詞工程優(yōu)化大語言模型輸出準(zhǔn)確性

設(shè)計多階段工作流，解決能源業(yè)務(wù)場景的動態(tài)決策問題

成果：項目成功上線，支持公司能源大數(shù)據(jù)分析與調(diào)度業(yè)務(wù)落地

綠色制造企業(yè)能源與生產(chǎn)協(xié)調(diào)隨機(jī)優(yōu)化調(diào)度

國家自然基金項目，依托大型鋼鐵集團(tuán)

創(chuàng)新性將員工電動汽車V2G接入企業(yè)電網(wǎng)，建立兩階段整數(shù)魯棒優(yōu)化模型

設(shè)計算法提升求解效率10倍，降低企業(yè)能源成本70萬元/天

發(fā)表4篇論文

發(fā)表論文

Dai S, Gao F, Guan X, et al. Robust Energy Management for a Corporate Energy System With Shift-Working V2G [J]. IEEE Transactions on Automation Science and Engineering, 2020. （ESI高被引）

Dai S, Gao F, Liu K, et al. A Time-domain Decoupling Policy for Multi-stage Robust Scheduling in a Corporate Energy System with V2G [C]. IEEE CASE, 2019.

Dai S, Gao F, Guan X, et al. A Two-stage Robust Scheduling Model for Energy Intensive Corporation with Shift-work System and V2G Integrated Microgrid [C]. IEEE PES General Meeting, 2018.

Dai S, Gao F, Cheng X, et al. Basis Invariancy Sensitivity Analysis for Robust Linear Optimization [C]. CCC, 2018.

代世豪, 高峰, 董皎皎, 等. 一種采購運(yùn)輸統(tǒng)一優(yōu)化模型及多變量靈敏度分析 [C]. 中國控制會議, 2015.

李老師 TsingtaoAI AI大模型研發(fā)經(jīng)理

TsingtaoAI大模型研發(fā)經(jīng)理，是一位深耕后端架構(gòu)并成功轉(zhuǎn)型 AI 尖端領(lǐng)域的復(fù)合型專家。他擁有深厚的工程架構(gòu)底座，擅長將復(fù)雜的 LLM 技術(shù)轉(zhuǎn)化為具備高商業(yè)價值的 AI 應(yīng)用。

在加入 TsingtaoAI 之前，李老師曾先后任職于亞信科技、美的集團(tuán)及金蝶等知名領(lǐng)軍企業(yè) 。這種從大型系統(tǒng)開發(fā)到大模型應(yīng)用的跨界履歷，賦予了他獨特的“技術(shù)+產(chǎn)品”雙向思維 。在后端開發(fā)階段，他曾主導(dǎo)過復(fù)雜供應(yīng)鏈系統(tǒng)的重構(gòu)與大規(guī)模并發(fā)處理，通過 Redis+Lua 腳本解決分布式鎖難題，利用 EasyExcel+線程池 優(yōu)化百萬級物料數(shù)據(jù)入庫 。這些極具挑戰(zhàn)性的工程實踐，為他后續(xù)在處理大模型預(yù)訓(xùn)練數(shù)據(jù)清洗、向量數(shù)據(jù)庫檢索性能優(yōu)化方面奠定了堅實的底層基礎(chǔ)。

作為 TsingtaoAI 的核心技術(shù)帶頭人，李老師專注于 Generative AI技術(shù)的工程化落地：

模型精調(diào)與優(yōu)化： 負(fù)責(zé)基于 Transformer 架構(gòu)的大模型微調(diào)工作，精通 LoRA、P-Tuning 等輕量化參數(shù)微調(diào)策略，成功將垂域知識注入通用大模型，顯著提升了模型在工業(yè)、供應(yīng)鏈場景下的任務(wù)達(dá)成率。

RAG 架構(gòu)專家： 結(jié)合其在美的及金蝶期間處理海量業(yè)務(wù)數(shù)據(jù)的經(jīng)驗 ，他主導(dǎo)設(shè)計了 TsingtaoAI 的企業(yè)級知識庫 RAG系統(tǒng)，解決了大模型在實際應(yīng)用中的“幻覺”問題，實現(xiàn)了業(yè)務(wù)數(shù)據(jù)與生成式 AI 的深度耦合。

工程化協(xié)同： 憑借敏銳的敏捷開發(fā)經(jīng)驗（DevOps/YApi/Git） ，他搭建了一套高效的 LLMOps（大模型運(yùn)維）體系，縮短了從模型實驗到 API 部署的周期，極大提升了 AI 產(chǎn)品的迭代效率。

關(guān)于TsingtaoAI

TsingtaoAI致力于構(gòu)建國際領(lǐng)先的工業(yè)具身智能技能任務(wù)開發(fā)平臺。公司核心團(tuán)隊匯聚了來自頂尖院校與科技巨頭的技術(shù)專家，擁有深厚的AI Infra與機(jī)器人算法積淀。公司通過自研的通用PoC實驗底座與多模態(tài)Agent編排引擎，為工業(yè)制造、高校實訓(xùn)等場景提供從數(shù)據(jù)生成、算法訓(xùn)練到即時部署的全棧解決方案。TsingtaoAI具備專業(yè)的AI實訓(xùn)教研團(tuán)隊，可以為各類高校提供專業(yè)前沿的實訓(xùn)建設(shè)服務(wù)。