一、从经典人工智能到生成式AI大模型

1. 从早期人工智能算法到机器学习，到人工神经网络和深度学习：窄人工智能还是真正影响世界的AI

2. 生成式AI大模型兴起：从分析式AI到生成式AI，AI从做判断题/选择题，到做填空/问答题

3. 从“偏科专才”到“通才”，通用人工智能的曙光：GPT和Deepseek为何如此令人兴奋？

(1) 以Deepseek和GPT为代表的等大语言模型基本核心原理

① AI大模型如何理解“文字“ 和“句子”

② AI大模型的通用逻辑能力从何而来？

③ 所有大语言模型的基模型 —— Transformer的核心逻辑

④ AI大模型能力的瓶颈在哪里，应用风险有哪些，为什么？

(2) 其他主流生成式大模型主要类别和基本原理

(3) 如何正确认知和分析不同人工智能类型的应用场景？

① 机器学习和深度学习处理“精”“专”的场景和数据 ，门槛主要在业务理解和数据特征工程

② 大模型处理“通用”“规范”的场景和数据类型，门槛在算力和数据量

③ 如何平衡AI算法选择的“效果”和“通用性”？

二、AI大模型和智能体

1. 大模型技术演进：从规模扩张迈向深度智能

(1) 推理能力成为核心竞争点，强化学习与思维链技术推动模型实现复杂逻辑推演。

(2) 多模态融合向纵深发展，支持文、图、音、视频、3D等跨模态生成与理解，应用于数字内容、具身智能等领域。

(3) 以强化学习为核心逻辑的世界模型开始展露出强大的学术和技术潜力。

(4) 端侧部署加速，模型压缩与量化技术成熟，AI手机、PC等终端设备普及，实现“云-端”协同。

(5) 成本显著下降，MoE架构和提示词缓存等技术降低训练与推理开销，推动AI普惠化。

(6) 应用场景从试点走向产业刚需，AI Agent兴起，具备任务规划与工具调用能力，深入工业、研发等高价值环节。

2. 中美模型发展格局：差异化路径与竞争态势

(1) AI是终结所有泡沫的终极泡沫？：看空AI浪潮的观点解析

(2) 国际（以美国为主）以闭源模式主导，OpenAI、Anthropic等依托巨头生态，聚焦全球商业化服务。

(3) 中国以开源战略引领，阿里Qwen、深度求索DeepSeek、Kimi K2 thinking等开放模型权重，积极参与全球开源社区。

(4) 国产模型在参数效率、成本控制方面实现“极致创新”，部分模型性能逼近GPT-4水平。

(5) 市场规模上美国领先，但中国加速推进模型出海，拓展国际市场影响力。

三、AI应用的落地模式、路径和架构

1. AI应用落地的基本逻辑和常见误区

(1) +AI，而不是 AI + : 当前阶段构建增强现有流程环节和人的AI应用，比“无人化”自主智能体更有意义

(2) 不要迷信大模型，真正的护城河是“脏活累活”

(3) 审视那些最传统、最“笨重”、成本最高、人最不愿意做的业务环节

(4) 是先建“孤岛”，还是先规划好“大陆”？ ： 对比数字化转型的系统建设

(5) AI应用是先做利润中心，还是先做成本中心？：先降本增效，还是先开源增收？

2. AI大模型的落地模式和路径

(1) 建立认知 同步理念

① 当前，AI应用的最大价值是赋能，而不是“取代”人

② 人工智能不只是大模型，通用模型做“通用”的事，“专业”的事定制的“窄”模型更合适

(2) 聚焦业务 厘清重点

① 成本、可行度和收益的总和考量

② 短中长期考虑 点线面结合

(3) 落地规划 明确路径

① 遵循数字化项目的基本逻辑

② PC/MVP非常关键

(4) 实践分享：Salesforce的AI应用实践 – 成功经验和lesson learned