新書推薦：
《
生物钟与抗衰革命
》
售價：NT$
510.0
《
压缩现代性的逻辑（西方韩国研究丛书）-以东亚视角重塑对现代性的认知，揭示现代东亚社会矛盾底层逻辑
》
售價：NT$
347.0
《
情绪治愈手册
》
售價：NT$
352.0
《
宋代文人与党争 知名宋代研究学者沈松勤代表著作 宋代党争史研究开山之作 全面讲解宋代朝堂之争和灭亡的内在根源
》
售價：NT$
908.0
《
执念（“执念”从不改变你的命运，只是让你发现命运）
》
售價：NT$
301.0
《
散落在书页上的出版往事
》
售價：NT$
347.0
《
中国统计学史
》
售價：NT$
2540.0
《
投资你自己
》
售價：NT$
561.0
|
| 內容簡介： |
|
本书系统化探讨大模型在企业场景中的技术与应用，全面覆盖大模型兴起的技术背景、发展趋势，以及提示词工程、智能体、模型微调、推理等关键应用技术。书中重点介绍了LangChain等开发框架，并深度剖析医疗、教育、智能驾驶、科研等行业应用案例，展现大模型赋能产业升级的巨大潜力。本书遵从理论到实践的路径，致力于为企业构建可扩展、高性能的大模型应用体系提供完整方法论和技术解决方案，适合作为企业智能化升级的参考读物。
|
| 關於作者： |
|
惠润海，教授级高工，长期致力于面向人工智能和高性能计算的先进算力与数据存储的研究和规划，拥有20多年的专业经验，承担过多项国家和省级重大项目课题，获得过多项省部级以上奖项。王延飞，大模型应用与算力调度专家，技术公众号“萤火AI百宝箱”创办人，专注于算力、云原生、大模型等方向的深度分享，在技术社区创下超千万阅读记录。
|
| 目錄：
|
第1章 人工智能的起源与演进1
1.1 日常生活中的人工智能1
1.2 从图灵测试到专家系统2
1.3 神经网络的初步探索4
1.4 本章小结5
第2章 机器学习的崛起6
2.1 机器学习的定义与核心思想6
2.2 机器学习方法7
2.2.1 有监督学习7
2.2.2 无监督学习10
2.2.3 强化学习12
2.3 机器学习的常用算法15
2.3.1 有监督学习的常用算法15
2.3.2 无监督学习的常用算法17
2.3.3 强化学习的常用算法19
2.3.4 如何选择最佳机器学习算法21
2.4 机器学习在IBM Watson中的应用25
2.5 本章小结26
第3章 深度学习的革命27
3.1 深度学习的发展历程27
3.2 深度神经网络基础34
3.2.1 神经元34
3.2.2 单层神经网络35
3.2.3 多层神经网络35
3.3 关键技术突破：RNN、CNN、GAN38
3.3.1 RNN：循环神经网络38
3.3.2 CNN：卷积神经网络40
3.3.3 GAN：生成对抗网络42
3.3.4 RNN、CNN和GAN的优缺点对比43
3.4 ImageNet挑战赛43
3.5 经典AI与现代AI的分野45
3.5.1 IBM深蓝：经典AI的巅峰45
3.5.2 AlphaGo：现代AI的典范46
3.6 本章小结47
第4章 大模型的兴起与发展48
4.1 大模型的崛起48
4.2 大模型的分类51
4.3 大模型的特点52
4.3.1 参数规模大52
4.3.2 算力消耗大54
4.3.3 数据Token化55
4.3.4 泛化能力58
4.4 Transformer60
4.4.1 Transformer的特点60
4.4.2 Transformer的架构设计63
4.4.3 Transformer的发展历程70
4.4.4 Transformer的应用场景71
4.5 GPT系列模型73
4.6 DeepSeek系列模型78
4.6.1 DeepSeek的发展历程78
4.6.2 DeepSeek的技术创新79
4.7 大模型发展趋势：技术与应用的双向推进84
4.8 本章小结86
第5章 提示词工程：大模型的沟通话术88
5.1 提示词的重要性89
5.2 大模型提示词的工作流程90
5.2.1 提示词工程的工作机制90
5.2.2 提示词工程的工作流程92
5.3 大模型提示词编写技术及最佳实践93
5.3.1 角色设定与指令注入93
5.3.2 问题拆解与分层设计94
5.3.3 编程思维与Few-Shot设计95
5.3.4 高级提示词设计技巧96
5.4 巧用万能Prompt97
5.5 使用CO-STAR框架编写提示词99
5.5.1 CO-STAR框架的使用方法100
5.5.2 CO-STAR框架的代码案例101
5.6 推理大模型的提示词设计103
5.7 本章小结107
第6章 智能体应用108
6.1 智能体：大模型落地的“最后一公里”108
6.2 ReAct Agent实现智能体与环境交互113
6.2.1 ReAct Agent的特点113
6.2.2 ReAct Agent的架构组成114
6.2.3 ReAct Agent的工作流程115
6.3 智能体生态：构建智能体发展的基础116
6.4 智能体与具身智能118
6.5 斯坦福小镇模拟人类行为120
6.5.1 技术架构与实现122
6.5.2 智能体设计与行为生成123
6.6 本章小结125
第7章 模型微调与定制化126
7.1 为什么需要微调126
7.2 大模型微调技术路线128
7.3 大模型的高效微调132
7.3.1 Hugging Face的三大创新132
7.3.2 LoRA：参数高效微调的技术突破133
7.3.3 实战：高效微调Llama模型135
7.4 检索增强生成和微调140
7.4.1 企业级RAG系统设计143
7.4.2 企业级微调系统设计147
7.5 本章小结151
第8章 大模型推理与服务化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-LLM155
8.2.2 vLLM157
8.2.3 LMDeploy162
8.2.4 Hugging Face TGI165
8.3 大模型的推理优化168
8.3.1 大模型推理的优化手段170
8.3.2 提升大模型数学推理能力171
8.4 大模型推理评估177
8.5 KServe：基于Kubernetes的标准化模型推理平台180
8.5.1 KServe架构解析181
8.5.2 KServe的关键技术优势184
8.5.3 Kserve推理服务的发布流程186
8.5.4 实战：KServe快速发布推理服务188
8.6 本章小结195
第9章 大模型应用开发框架LangChain196
9.1 为什么需要LangChain196
9.2 LangChain的架构设计198
9.3 LangChain的关键概念201
9.4 实战：LangChain API207
9.5 LangGraph Agent：赋予大模型执行力的智能体框架218
9.6 实战：基于LangChain构建智能知识库问答系统224
9.7 本章小结239
第10章 医疗健康：大模型助力健康革命240
10.1 医疗健康行业概览241
10.1.1 医疗健康行业面临的主要挑战242
10.1.2 医疗健康数据的特点与价值243
10.1.3 医疗健康行业的智能化转型245
10.2 AI重塑医疗服务价值链247
10.2.1 AI医疗的关键能力247
10.2.2 AI医疗自动化的不同阶段249
10.2.3 AI赋能诊前、诊中、诊后环节250
10.3 大模型在医疗健康行业的核心应用场景252
10.3.1 辅助诊断：提升诊断效率与准确性252
10.3.2 药物研发：加速新药发现与优化255
10.3.3 健康管理与公共卫生：构建智能健康防线256
10.4 大模型技术在医疗健康行业的创新实践257
10.4.1 Google医疗AI模型Med-Gemini257
10.4.2 清华大学智能体医院261
10.5 本章小结267
第11章 教育革新：大模型重塑学习体验269
11.1 教育技术的发展：机遇与挑战270
11.1.1 传统教育技术的局限270
11.1.2 大模型带来的机遇271
11.1.3 教育技术发展面临的挑战272
11.2 大模型赋能教育：个性化学习与教学辅助274
11.2.1 大模型在个性化学习中的应用：千人千面，因材施教276
11.2.2 大模型在教学辅助中的应用：解放教师，提质增效279
11.3 教育领域的大模型技术创新案例281
11.3.1 EduChat的核心功能281
11.3.2 EduChat的构建过程283
11.3.3 EduChat效果验证286
11.4 大模型在教育中的应用前景287
11.5 本章小结288
第12章 智能驾驶：大模型推动未来出行290
12.1 智能驾驶：一个空间机器人的时代291
12.2 智能驾驶与大模型292
12.2.1 智能驾驶中的大模型技术292
12.2.2 大模型成为智能驾驶技术突破的核心力量297
12.3 智能驾驶案例：特斯拉FSD系统298
12.3.1 特斯拉FSD系统的技术基石：端到端神经网络架构298
12.3.2 视觉感知核心：BEV+Transformer299
12.3.3 深度学习与强化学习在特斯拉FSD系统中的深度应用300
12.3.4 大模型驱动的技术飞跃：特斯拉FSD系统的进化之路301
12.3.5 FSD技术面临的挑战与未来发展304
12.4 本章小结305
第13章 科研探索：大模型加速科学发现306
13.1 科研领域的创新需求与挑战307
13.1.1 数据洪流：机遇与挑战并存307
13.1.2 跨学科研究的瓶颈308
13.1.3 科研效率亟待提升310
13.2 大模型技术在科研数据分析与模拟中的应用310
13.2.1 天文学：大模型助力天文图像分析311
13.2.2 化学：大模型赋能下的分子与材料探索312
13.2.3 生物学：大模型加速生命科学的理解与设计316
13.2.4 数学：大模型推动算法的自我进化317
13.2.5 地球科学：大模型洞悉地球系统的奥秘319
13.2.6 神经科学：大模型揭示大脑的秘密321
13.3 AI For Science的代表：AlphaFold322
13.3.1 AlphaFold的技术突破323
13.3.2 AlphaFold 2的工作流程323
13.3.3 AlphaFold 2的应用领域326
13.3.4 AlphaFold 3：进一步的突破与挑战326
13.4 本章小结327
结语329
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
