各企、事业单位：

2024年政府工作报告提出“发展新质生产力”，并将其列为年度十大工作任务之首。新质生产力正在重塑社会生产运行的方式，为企业开辟一条通向高质量发展的道路。新质生产力的提出加速了企业数字化转型步伐，人工智能技术作为核心新质技术，正在赋能企业数字化转型。从2022年大语言模型ChatGPT的问世，到2024年的视频生成大模型Sora的推出，人工智能技术已发展到生成技术和多模态大模型阶段，成为每一位科技人才重点关注和研究的方向。

为积极响应科研及工程技术人员需求，落实人工智能战略部署，加快培养数字技术人才，中国人工智能培训网（http://www.chinaai.org.cn）、北京龙腾亚太教育咨询有限公司、北京龙腾智元信息技术有限公司特举办新质技术之第九期“生成式AI、大模型、多模态技术开发与应用研修班”。本次培训采用理论+实战培训模式，由北京龙腾亚太教育咨询有限公司承办并进行相关费用收取及发票开具。

具体通知如下：

一、时间安排:

2025年1月16日 — 2025年1月20日    昆明（同时转线上直播）

（16日报到发放上课材料，17日-20日上课）

二、参会对象：

各省市、自治区从事人工智能、自然语言处理、图像处理、视频处理、数据挖掘、无人机、无人车、无人艇、智慧城市、智慧医疗、智能装备、目标识别、轨迹规划、智慧交通等领域相关研究的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员，以及生成式AI、大模型研究感兴趣的广大爱好者。

三、培训专家

北京理工大学教授，国家自然基金委项目函审专家、国家重点研发计划评审专家、科技部项目评审专家、北京市自然科学基金/重点基金评审专家、博士点基金/博士后基金评审专家，国际期刊NLPR主编，以及其它期刊编委。目前主要从事自然语言处理、机器学习、模式识别、生成式AI、大模型、多模态方面研究。

四、培训目标

1.了解AIGC发展现状与核心技术。

2.掌握Transformer核心开发技术。

3.掌握向量数据库的工作原理、检索算法、主要开源数据库。

4.掌握大模型调用、微调方法。

5.掌握以GPT大语言模型为基础的工作原理。

6.掌握AIGC技术在跨模态领域的应用技术。

7.了解GPT提示工程和AIGC的安全标准。

8.掌握基于大模型的编程开发技术。

9.掌握扩散模型核心技术。

10.掌握Agent构建技术。

五、费用标准：

A类、5980元/人（含培训费、资料费、场地费、平台使用费、午餐费、A类证书费）。

B类、8980元/人（含报名费、培训费、资料费、场地费、平台使用费、考试费、午餐费、A类B类证书费）

注：住宿可统一安排，食宿费用自理

1、培训费由组织培训班的施教机构负责收取并提供培训发票。

2、5人以上9折优惠，8人以上8.8折优惠。

3、B类证书费不享受优惠。

4、参加线上、线下培训学员均可享受视频录播回放权益，及本人再次免费参加线下同主题课程学习权益。

六、颁发证书：

A类、参加相关培训并通过考核的学员，由北京龙腾亚太教育咨询有限公司颁发《生成式AI、大模型、多模态技术》培训结业证书。

B类、参加相关培训并通过考核的学员，由工业和信息化部教育与考试中心颁发《人工智能机器视觉应用》（高级）职业技能证书，可通过工业和信息化部教育与考试中心官方网站查询，并纳入工信部教育与考试中心人才库，该证书可作为有关单位职称评定、专业技术人员能力评价、考核和任职的重要依据。

注：报到时请提交电子版彩照（大于20KB，红蓝底皆可）、身份证复印件和学历证明复印件各一份。

七、注意事项

1.指定报名邮箱：2044115758@qq.com。

2.报名成功后，会务组在报到前一周发具体报到通知及行车路线。

3.学员需自备能连网电脑一台。

八、具体课程安排

第一章 生成式AI技术发展概述

一、AI：从判别决策到创造生成

二、生成式人工智能模型

三、AIGC技术及进展

四、大模型

第二章 AIGC技术在多模态领域的应用

一、AIGC在自然语言处理领域的应用

二、AIGC在视频领域的应用

三、AIGC在视觉与音频生成领域的应用

第三章 Transformer

一、Transformer模型的基本架构

二、Self-Attention机制的原理与计算过程

三、Multi-Head Attention 的设计与作用

四、Positional Encoding的实现方法

五、Rotary Positional Embedding

六、Transformer中的Feed-Forward Networks

七、Layer Normalization的原理

八、Transformer模型中的残差连接

九、Teacher Forcing技术

十、编码器与解码器的结构差异

十一、视觉Transformer

第四章 大语言模型微调与量化

一、模型微调

二、模型量化

三、实例开发

第五章 AIGC技术

一、大语言模型技术原理

二、提示工程

三、AIGC的安全

四、AIGC技术评价

第六章 AIGC技术的记忆模块（向量数据库）

一、向量数据库概述

二、向量数据库技术

第七章 大语言模型 Agent

一、大语言模型开发框架

二、Agent

三、大语言模型Agent开发

第八章 扩散模型

一、前向扩散过程

二、反向生成过程

三、网络架构

四、参数化

五、采样方法

六、Stable Diffusion模型

七、Diffusion Transformer模型

第九章 CLIP

一、CLIP架构

二、对比预训练

三、数据集分类器创建

四、Zero-shot 推理

五、提示词工程与集成

第十章 VAE

一、Autoencoder

二、VAE模型原理

三、重参化

四、VAE与AE的区别

五、Spacetime Latent Representation

第十一章 Sora训练

一、Sora训练流程

二、patchify—视频数据转换为图像块

三、Scaling Transformer生成

四、Latent转换为视频向量

开发环境

1.操作系统：Ubuntu

2.开发语言：Python

3.深度学习框架：Pytorch

4.大语言模型：几种国产开源大语言模型

5.大语言模型开源微调、Agent开源框架

注：整个环境可在局域网内部署，学员连接云服务器（GPU 80G显存）实操。