简介：这份资源是厦门大学大数据教学团队出品的《大模型概念、技术与应用实践》报告，由林子雨副教授主讲，以140页PPT形式系统梳理大模型知识体系，面向希望入门或系统理解大模型的高校师生、技术从业者与AI爱好者。内容从人工智能发展简史与图灵测试讲起，延伸至大模型的概念、发展历程、原理特点、产品分类与行业应用，并覆盖AIGC应用实践、本地部署大模型、基于大模型的智能体等前沿议题，兼顾理论脉络与落地案例。资源包内含1个PDF文件，压缩包约14.41MB，结构清晰、图文并茂，适合按目录顺序通读或按主题查阅。目前已有663人学习下载，可作为课程教学、自学入门与团队内部分享的参考材料，帮助读者建立对大模型技术全景与产业价值的整体认知。

1. 从一份 140 页 PPT 说起：大模型科普怎么讲才不玄学

前阵子有个做后端的朋友找我，说领导让他两周内给团队做一次大模型内部分享，他翻了一堆论文和博客，越看越乱——Transformer 的注意力公式能看懂，但一落到“我们业务到底能用它干什么”就卡壳。我直接把手里这份 140 页的 PPT 甩给了他，他花了一个周末啃完，周一就把分享大纲列出来了。这份材料就是围绕 DeepSeek 这类大模型的概念、技术与应用实践展开的科普型课件，从人工智能发展简史一路讲到 AIGC 应用落地，覆盖了图灵测试、Transformer 架构、大模型分类、本地部署、智能体等关键节点。它适合谁？一是需要快速建立大模型知识框架的技术管理者，二是准备做内部分享或课程设计的工程师，三是想搞明白“大模型到底怎么来的、能干什么”的跨领域从业者。140 页不算厚，但信息密度不低，关键在于你怎么读、怎么拆。

2. 拆解课件结构：从图灵测试到 Transformer 的知识链路

2.1 人工智能简史这条线，为什么不能跳过

很多人拿到大模型资料直接翻到“原理”章节，结果看到自注意力机制就懵了。这份 PPT 的第一章偏偏从 1950 年图灵那篇《计算机器与智能》讲起，这不是凑篇幅。图灵测试的核心思想——测试者通过键盘向隔离的人和机器提问，如果机器让超过 30% 的测试者误判，就认为它具有人类智能——这个“以行为判断智能”的思路，直接影响了后来对话式 AI 的评估方式。你今天用 DeepSeek 或者任何大模型做问答评测，本质上还是在做某种变体的图灵测试。

接着是 1956 年达特茅斯会议，约翰·麦卡锡首次提出“人工智能”这个词，这一年被称为人工智能元年。PPT 把发展历程划成六个阶段，又把未来分成五个阶段，这种分期方式在业内不算唯一，但作为教学框架足够清晰。我建议读这一章时拿张纸画时间轴，把 CNN 诞生（1980）、LeNet-5（1998）、Word2Vec（2013）、GAN（2014）、Transformer（2017）、GPT-1（2018）、GPT-2（2019）、GPT-3（2020）、ChatGPT（2022）这些节点标上去。画完你会发现，大模型的爆发不是突然的，是卷积神经网络、词向量、生成模型、注意力机制几条线汇合的结果。

2.2 大模型“大”在哪：参数量、数据量与算力需求

PPT 第 3 章给了一个很直白的定义：大模型是基于深度学习技术、具有海量参数、强大学习能力和泛化能力、能处理和生成多种类型数据的 AI 模型。它的“大”体现在三个维度——参数数量庞大、训练数据量大、计算资源需求高。举的例子是 GPT-3 的 1750 亿参数、GPT-4 的 1.8 万亿参数，以及阿里 M6 的 10 万亿参数。这些数字不是让你记住的，是让你建立量级感的。

更值得关注的是它列出的四个能力特征：语言生成能力、学习能力、上下文理解能力、可迁移性。这四个词看着像套话，但落到实际选型时很有用。比如你要做一个客服问答系统，上下文理解能力决定了多轮对话能不能接住；你要做一个代码辅助工具，可迁移性决定了模型能不能从通用语料迁移到特定编程语言。PPT 没有展开讲每个能力怎么量化评估，这是它的一个薄弱点，但作为科普材料，先把概念框架搭起来已经够用。

2.3 发展三阶段：萌芽、沉淀、爆发

PPT 把大模型发展分成三个阶段：萌芽期（1950-2005）以 CNN 为代表的传统神经网络阶段；沉淀期（2006-2019）以 Transformer 为代表的全新神经网络阶段；爆发期（2020 至今）以 GPT 为代表的预训练大模型阶段。这个分法比按年份罗列更有利于理解技术演进的逻辑。

萌芽期的关键节点是 1980 年 CNN 雏形诞生和 1998 年 LeNet-5 出现，后者标志着机器学习从浅层模型转向深度学习模型。沉淀期最核心的事件是 2017 年 Google 提出 Transformer 架构，基于自注意力机制，奠定了大模型预训练算法的基础。2018 年 OpenAI 发布 GPT-1，预训练大模型成为自然语言处理主流。爆发期的起点是 2020 年 GPT-3，之后 RLHF（基于人类反馈的强化学习）、代码预训练、指令微调等技术陆续出现，2022 年 ChatGPT 引爆互联网。

读这一章时我建议对照 PPT 里的时间线，把每个阶段的关键论文或产品标注出来。比如 Transformer 对应 2017 年的《Attention Is All You Need》，GPT-3 对应 2020 年的论文，ChatGPT 对应 2022 年 11 月的发布。这样你脑子里就不是孤立的知识点，而是一条有因果关系的链路。

3. 把 PPT 变成可讲的课：拆页、补案例、做演示

3.1 按“概念-原理-应用”三段式重新组织页面

这份 PPT 原目录是四章：人工智能发展简史、人工智能思维、大模型前沿、AIGC 应用与实践。如果你直接照着讲，听众容易在历史部分走神。我的做法是打散重组，按“概念-原理-应用”三段式重新排：

• 第一段（约 20 分钟）：什么是大模型、大模型发展历程、人工智能与大模型的关系。对应 PPT 第 3 章的前几节。
• 第二段（约 30 分钟）：大模型原理、特点、分类。重点讲 Transformer 和预训练+微调范式。
• 第三段（约 40 分钟）：AIGC 应用与实践、本地部署、智能体。结合具体案例演示。

重组时注意保留 PPT 里的关键图表，比如发展历程时间轴、大模型分类矩阵。这些图比文字更适合投影。

3.2 给每个技术点配一个可操作的演示

光讲概念听众记不住，每个技术点最好配一个现场能跑的演示。比如讲到“上下文理解能力”，可以现场用 DeepSeek 或同类模型做一个多轮对话，故意在第三轮引入前文提到的实体，看模型能不能接住。讲到“本地部署大模型”，可以提前在一台带 GPU 的机器上部署一个 7B 量级的模型，现场展示推理速度、显存占用、量化前后的差异。

演示脚本可以这样写：

# 以常见推理框架为例，加载一个 7B 模型并测试显存占用 # 注意：具体命令因框架而异，这里只展示思路 python -m infer_server \ --model-path /path/to/model \ --quantize int4 \ # 量化到 int4，显存约降为 fp16 的 1/4 --max-seq-len 2048 \ # 最大序列长度，影响显存和速度 --gpu-memory-utilization 0.8 # GPU 显存利用率上限

这段命令的关键参数是--quantize和--max-seq-len。量化到 int4 能把 7B 模型的显存占用从约 14GB 压到 4GB 左右，代价是精度略有下降。--max-seq-len设成 2048 意味着单次最多处理 2048 个 token，超过会被截断。演示时可以先跑 fp16 再跑 int4，让听众直观看到显存和速度的变化。

3.3 用对比表格讲清大模型分类

PPT 第 3 章有大模型分类的内容，但纯文字讲分类容易乱。我一般会做一个对比表格，按不同维度切分：

这个表格不是 PPT 原文，是我根据常见分类补的。讲的时候可以强调：分类不是绝对的，一个模型可以同时属于多个类别。选型时先看场景约束（数据能不能出本地、预算多少、延迟要求），再看模型能力。

3.4 把 AIGC 应用案例落到具体行业

PPT 第 4 章是 AIGC 应用与实践，但原内容偏概述。要让听众有感觉，得补具体案例。比如：

• 内容创作：用大模型生成营销文案，输入产品卖点和目标人群，输出多版本文案，人工筛选后微调。
• 代码辅助：用大模型做代码补全和注释生成，重点讲清楚它擅长什么（模板代码、单元测试）和不擅长什么（复杂业务逻辑、性能优化）。
• 数据分析：用自然语言查询数据库，大模型把自然语言转成 SQL，再执行返回结果。这里要提醒听众注意 SQL 注入和权限控制。

每个案例讲的时候按“输入-处理-输出-人工介入点”四步走，让听众知道大模型不是全自动的，人在哪个环节必须兜底。

4. 避坑与常见问题：讲大模型课时容易翻车的五个点

4.1 把“参数大”等同于“能力强”

现象：讲课时强调 GPT-3 有 1750 亿参数、GPT-4 有 1.8 万亿参数，听众自然得出“参数越大越好”的结论。

原因：参数规模只是能力的一个维度，训练数据质量、架构设计、微调策略同样关键。一个 70B 的模型在特定任务上可能超过 175B 的通用模型。

解决：讲参数时补一句“参数规模决定能力上限，但数据质量和训练方法决定实际表现”。可以举例子：同样 7B 参数的模型，经过领域数据微调后，在特定任务上可能比未微调的 13B 模型更好。

4.2 跳过 Transformer 直接讲应用

现象：听众问“为什么大模型能理解上下文”，你只能回答“因为注意力机制”，再往下就说不清了。

原因：Transformer 的自注意力机制是理解大模型行为的核心，跳过它讲应用，听众只能死记硬背结论。

解决：至少花 10 分钟讲清楚自注意力的直觉——每个词在编码时会“看”其他所有词，根据相关性分配权重。不需要推导公式，但要用一个具体句子演示，比如“小明把书放在桌子上，因为它太重了”，让听众判断“它”指什么，再解释模型怎么通过注意力权重做出判断。

4.3 本地部署演示翻车

现象：现场演示本地部署时，模型加载失败、显存溢出、推理速度慢到无法接受。

原因：没提前确认硬件配置、没做量化、没设显存上限。

解决：演示前至少跑三遍完整流程。硬件上确认 GPU 显存足够，7B 模型 fp16 需要约 14GB，int4 量化后约 4GB。命令里加--gpu-memory-utilization 0.8防止占满。准备一个降级方案，比如提前录好演示视频，万一现场跑不起来就放视频。

4.4 把 AIGC 说成“全自动”

现象：听众以为大模型能端到端完成所有工作，回去一试发现输出质量不稳定。

原因：大模型是概率生成模型，同样输入可能得到不同输出，且缺乏事实核查能力。

解决：讲应用时明确“人在回路”的环节。比如内容创作，大模型出初稿，人工审核事实和调性；代码辅助，大模型出建议，人工判断是否采纳。可以现场演示同一个 prompt 跑三次，让听众看到输出的差异。

4.5 忽略数据隐私和合规

现象：听众问“能不能把公司数据传给大模型处理”，你回答“可以”，但没提数据出境、隐私泄露的风险。

原因：大模型 API 调用通常意味着数据离开本地，涉及合规问题。

解决：讲应用场景时主动区分“可公开数据”和“敏感数据”。敏感数据场景建议本地部署或私有化方案。如果必须用 API，提醒做数据脱敏，去掉个人标识信息。这部分不用展开讲法规，但要有意识地带一句。

5. 从课件到实战：用 DeepSeek 做一次最小闭环验证

5.1 选一个具体任务，跑通“提问-生成-评估”全流程

课件看完、课讲完，最终要落到自己动手。我一般会选一个最小任务做闭环验证，比如“用大模型生成一份技术分享的大纲”。步骤很简单：

# 以调用兼容 OpenAI 接口的推理服务为例 # 注意：具体 endpoint 和 key 因服务而异，这里只展示调用结构 import requests url = "http://localhost:8000/v1/chat/completions" # 本地推理服务地址 headers = { "Content-Type": "application/json", "Authorization": "Bearer your-key" # 本地服务通常不需要，远程服务需要 } payload = { "model": "deepseek-chat", # 模型名称，按实际部署填写 "messages": [ {"role": "system", "content": "你是一个技术分享助手，输出结构清晰的大纲。"}, {"role": "user", "content": "帮我生成一份关于大模型概念与应用的分享大纲，面向后端工程师，时长 40 分钟。"} ], "temperature": 0.7, # 控制随机性，0 最确定，1 最随机 "max_tokens": 1024 # 限制输出长度 } resp = requests.post(url, headers=headers, json=payload) print(resp.json()["choices"][0]["message"]["content"])

这段代码的关键参数是temperature和max_tokens。temperature设 0.7 是为了让输出有一定变化，如果做事实性问答可以调到 0.1-0.3。max_tokens设 1024 是防止输出过长，实际按需调整。跑通之后，把输出保存下来，人工评估结构是否合理、覆盖是否全面、有没有事实错误。

5.2 用同一任务对比不同参数设置

跑通一次不够，我习惯用同一任务对比不同参数。比如temperature分别设 0.1、0.5、0.9，各跑三次，观察输出差异。temperature低时输出更稳定但可能死板，高时更有创意但可能跑偏。这个对比能帮你建立对参数的手感，以后调优时知道往哪个方向拧。

还可以对比不同 prompt 写法。比如 system prompt 里加不加“输出结构清晰”这个约束，输出质量差别很大。我一般会准备三版 prompt：极简版、带角色设定版、带示例版，跑同一任务看效果。带示例版通常最稳，但消耗 token 也最多。

5.3 建立自己的评估清单

大模型输出没有标准答案，但可以建一个评估清单。我常用的维度包括：

每次生成后按这个清单打分，记录在表格里。跑多了你会发现哪些 prompt 写法得分高、哪些参数组合更稳。这套方法不复杂，但能让你从“感觉还行”变成“有数据支撑”。

从那以后我每次拿到新的模型或新的课件，都强制走一遍“拆结构-补案例-跑闭环-建清单”的流程，不跑通不罢休。希望帮到你。

本文还有配套的精品资源，点击获取