新書推薦：
《
夜观星空：大众天文学观测指南（第4版）
》
售價：NT$
755.0
《
假扮名媛
》
售價：NT$
286.0
《
索恩丛书·梅特涅：帝国与世界
》
售價：NT$
913.0
《
ETF全球投资第一课
》
售價：NT$
347.0
《
动机与人格：精译导读版（原书第3版）
》
售價：NT$
458.0
《
帝国残影：伯顿·霍姆斯1901年行记
》
售價：NT$
398.0
《
战争与财政
》
售價：NT$
500.0
《
理想国译丛071：渗透边界的秘密贸易：东南亚边境地带的走私与国家，1865—1915
》
售價：NT$
602.0
|
| 編輯推薦： |
|
（1）话题前沿：本书践行“新质生产力”，内容前沿又有引领作用，能有效指导制造业从业者在AI时代的学习与发展。（2）作者权威：作者是上市公司的智能化研发负责人，主导推进制造领域的数字化与智能化转型，长期专注于人工智能融合工业应用。先后就职于通信、教育、地产、制造等行业的世界500强企业，拥有丰富的智能化落地经验，主导千万级规模项目。（3）内容落地：本书详细介绍了大模型从数据处理、模型训练到部署压缩的完整构建路径，结合多个实际案例，提供大模型技术在智能制造、智能设备等领域的落地方案，具有很强的实践指导意义。（4）通俗易懂：本书表达风格简单直接，从制造视角看AI大模型，贴近生产者语境。将复杂的AI算法放在行业场景下，转化为简单的工作原理描述，符合读者需求。
|
| 內容簡介： |
|
在智能制造和数字化转型的背景下，这是一本讲解大模型融合制造业应用的实战指南。由上市企业的智能化负责人，基于实际项目落地经验撰写。本书主要内容如下：（1）基础篇首先，探讨大模型在制造业中的应用与价值，使读者对二者的关联建立基本认知。然后，介绍大模型的发展历程、核心概念和 Transformer 架构原理。之后，深入讨论大模型构建路径，包括数据处理、分词、词嵌入和训练等关键步骤。同时，指出预训练模型的局限性，并提出相应的优化策略，如指令微调和混合专家模型。此外，本篇还涉及多模态大模型与 AIGC技术，以及提升大模型性能和安全性的提示词工程。（2）应用篇首先，介绍大模型技术在制造业企业中的应用方法，包括 8 种适用情形、垂直领域微调技术和 RAG（检索增强生成）技术。然后，围绕 AI Agent，介绍其内部原理、应用案例、与 RPA（机器人流程自动化）的关系以及实战工具 LangChain的使用方法。接着，详细介绍大模型的云端和边缘部署方案、大模型压缩的常用技术（如蒸馏、量化、剪枝等）以及软硬件适配策略。并且，通过两个实践案例，展示了大模型在工业制造、设备运维等领域的具体应用，涉及智能排产、生产工艺优化、预测性维护等关键知识。最后，综合全书内容，对大模型的技术与应用进行梳理和总结，并且对其未来发展趋势进行深入思考和展望。
|
| 關於作者： |
郭秉义
上市公司的智能化研发负责人，主导推进制造领域的数字化与智能化转型，长期专注于人工智能融合工业应用。
先后就职于通信、教育、地产、制造等行业的世界500强企业，拥有丰富的智能化落地经验，主导千万级规模项目。
华南理工大学博士，加拿大不列颠哥伦比亚大学联合培养博士。热衷于专业内容输出，致力于打破专业知识的壁垒，为零基础读者提供清晰、易于理解的业务与技术知识。
|
| 目錄：
|
CONTENTS
目 录
前言
基础篇
第1章 制造业与大模型 2
1.1 制造业的数字化进展 2
1.1.1 企业数字化 3
1.1.2 智能制造 8
1.2 大模型的基本知识 11
1.2.1 什么是大模型 11
1.2.2 大模型的基本能力 12
1.2.3 对大模型的常见误区 17
1.3 制造业为什么需要大模型 19
1.3.1 大模型赋能制造业 19
1.3.2 制造业是大模型的主战场 20
1.3.3 大模型在制造业中的应用 22
1.3.4 制造业大模型 24
1.4 小结 26
小故事 27
第2章 大模型基础 28
2.1 人工智能的发展历程 28
2.1.1 人工智能发展的三起三落 29
2.1.2 人工智能技术的流派之争 34
2.2 大模型简介 36
2.2.1 模型的概念 37
2.2.2 模型的分类 37
2.2.3 大模型的发展 39
2.3 大模型架构原理 41
2.3.1 Transformer架构的背景 41
2.3.2 Transformer架构的原理 42
2.3.3 Transformer架构模型的特点与发展 51
2.4 小结 53
小故事 54
第3章 大模型构建路径 55
3.1 大模型构建的基本方法 55
3.1.1 基本路径 55
3.1.2 资源准备 59
3.2 数据处理 62
3.2.1 低质过滤 62
3.2.2 冗余去除 63
3.2.3 隐私消除 65
3.3 分词 65
3.3.1 词级分词 66
3.3.2 字母级分词 67
3.3.3 子词级分词 67
3.3.4 中文分词 71
3.3.5 常用的分词器 72
3.4 词嵌入 73
3.4.1 独热编码 73
3.4.2 Word2Vec 75
3.4.3 常用的词嵌入方法 77
3.5 模型训练 79
3.5.1 模型构建 79
3.5.2 模型训练步骤 80
3.6 小结 83
小故事 84
第4章 大模型价值对齐 85
4.1 预训练模型的局限性 85
4.1.1 可控性 86
4.1.2 鲁棒性 88
4.1.3 安全性 89
4.1.4 大模型幻觉 90
4.2 指令微调 91
4.2.1 有监督微调 92
4.2.2 奖励模型 94
4.2.3 基于人类反馈的强化学习 95
4.2.4 指令微调总结 96
4.3 混合专家模型 96
4.3.1 MoE的概念 97
4.3.2 MoE的基本原理 98
4.3.3 MoE的实现方式 101
4.3.4 MoE总结 104
4.4 小结 106
小故事 107
第5章 多模态大模型 109
5.1 多模态大模型简介 109
5.1.1 多模态大模型的概念 109
5.1.2 多模态大模型的发展历程 112
5.1.3 多模态大模型的主要任务 113
5.2 多模态基本技术 115
5.2.1 多模态编码 115
5.2.2 多模态融合 117
5.2.3 对比学习 118
5.3 AIGC技术 119
5.3.1 生成对抗网络 119
5.3.2 扩散模型 121
5.4 AIGC应用 127
5.4.1 常用的多模态大模型 128
5.4.2 文生图 128
5.4.3 文生视频 130
5.5 小结 134
小故事 136
第6章 提示词工程 137
6.1 提示词简介 137
6.1.1 提示词的概念 137
6.1.2 提示词的必要性 140
6.1.3 提示词的类别 141
6.2 提示词工程技术 142
6.2.1 少样本提示 142
6.2.2 零样本提示 143
6.2.3 提示词通用技巧 145
6.3 思维链系列技术 152
6.3.1 思维链 153
6.3.2 思维树 155
6.3.3 思维图 157
6.4 对抗提示 157
6.4.1 提示词攻击 158
6.4.2 防御策略 159
6.5 小结 160
小故事 162
应用篇
第7章 制造业企业应用大模型的方法 164
7.1 企业应用大模型的8种情形 164
7.1.1 企业资源现状 164
7.1.2 大模型应用的8种情形 167
7.2 垂直制造领域大模型的构建方法 169
7.2.1 全量微调 170
7.2.2 局部微调 170
7.2.3 适配式微调 171
7.2.4 前缀式微调 173
7.2.5 外挂式微调 175
7.2.6 混合式微调 177
7.2.7 微调技术对比 178
7.3 大模型检索增强生成 179
7.3.1 RAG的概念 181
7.3.2 向量数据库的构建 182
7.3.3 相似检索 185
7.3.4 智能生成 186
7.3.5 RAG效果评估 188
7.3.6 RAG应用场景 190
7.4 小结 190
小故事 193
第8章 基于大模型的AI Agent 195
8.1 AI Agent简介 195
8.1.1 AI Agent技术简史 195
8.1.2 对AI Agent的不同理解 197
8.2 AI Agent原理 199
8.2.1 基本框架 200
8.2.2 感知模块 201
8.2.3 大脑模块 204
8.2.4 行动模块 206
8.2.5 大模型与AI Agent的关系 207
8.3 AI Agent应用 208
8.3.1 流行的AI Agent 208
8.3.2 AI Agent与RPA的关系 211
8.4 LangChain：AI Agent高效实战工具 213
8.4.
|
| 內容試閱：
|
PREFACE
前 言
本书写作背景
科技的发展一浪接一浪，奔腾向前。从互联网、大数据、云计算，到元宇宙、深度学习，再到当前的大模型，新技术、新概念层出不穷，不断挑战人们接受新事物和新知识的能力。
2023年初，ChatGPT从学术圈火到各行各业，成为人们交谈时的时髦话题。无论在学术探讨、技术应用还是商业决策中，凡涉及先进技术，必谈大模型。大模型的时代开始了。
大模型的发展经历了模型训练的“百模大战”以及在各个垂直领域应用的“百花齐放”。然而，“谈山林之乐者，未必真得山林之趣”，在大模型火爆的今天，听说大模型的人多，跟风议论的人也多，真正了解的人却很少。
提到大模型，有些人会觉得它无所不能。在媒体铺天盖地的宣传下，大模型的性能与优势被放大，仿佛成了人们解决问题的灵丹妙药，可谓“遇事不决就找大模型”。其实，这是对大模型技术的盲目崇拜与迷信。
也有一些人选择对大模型冷漠观望。毕竟，当前在一些行业中，大模型的应用范围和效果并未达到良好预期，这不免让人产生怀疑。
还有些人对大模型坚决抗拒和反对。例如，在客服、质检等工作岗位，大模型开始辅助甚至取代人工，这对从业者而言是一场巨大的危机。
事实上，不管人们如何看待，科技进步的脚步都不会停止。只有正确地认识和了解大模型这一具有划时代意义的技术，才能把握它所带来的机遇，并有效应对随之而来的挑战。然而，大模型技术所涉及的理论众多、难度大、专业性强，学术论文等专业材料的阅读门槛高，往往令普通行业的从业者难以理解，只适合具有深厚专业背景的研究者阅读。
在人工智能新时代，我们应将大模型看作一门通识课来掌握。因此，需要通俗易懂且不失专业性的解读性材料，以便读者更清晰、更快速地学习大模型。
本书基于制造业视角，对众多晦涩难懂的大模型概念与原理进行了详细且深入的讲解。本书先从制造业的行业需求出发，介绍大模型的发展历史、基本原理、构建路径和使用方法等，然后回到制造业场景，探讨如何用大模型解决具体的行业问题。
本书适合制造行业中各技术层次的读者阅读。阅读本书后，读者能对大模型从整体到细节都有较为深入的认识。
本书特色
平衡专业性与趣味性：本书以生动、平实的语言讲解专业知识，没有晦涩难懂的公式，适合零基础的读者。并且，每章末尾会通过小故事讲述大模型的知识点，以帮助读者更好地理解抽象的理论。
知识全面：本书基于制造业的视角介绍大模型发展的来龙去脉，对大模型知识体系进行细致入微的“解剖”，全面涵盖当前大模型的知识要点和研究热点。
实用性强：从大模型在制造业中的实际应用需求出发，以工业制造和设备运维的大模型实践为例，介绍基于大模型的行业解决方案，切合实际。
本书内容
本书分为以下两篇。
基础篇：在智能制造和数字化转型的背景下讲解大模型的重要理论，使读者建立起制造业视角下的大模型知识体系，做到胸中有丘壑。
首先，探讨大模型在制造业中的应用与价值，使读者对二者的关联建立基本认知。然后，介绍大模型的发展历程、核心概念和Transformer架构原理。之后，深入讨论大模型构建路径，包括数据处理、分词、词嵌入和模型训练等关键步骤。同时，指出预训练模型的局限性，并提出相应的优化策略，如指令微调和混合专家模型。此外，本篇还涉及多模态大模型与AIGC（人工智能生成内容）技术，以及提升大模型性能和安全性的提示词工程。
应用篇：在理论的基础上，深入探讨大模型在制造业中的实际应用，让制造业领域的读者能够实现理论与实践的结合。
首先，介绍大模型技术在制造业企业中的应用方法，包括8种适用情形、垂直领域微调技术和RAG（检索增强生成）技术。然后，围绕AI Agent，介绍其内部原理、应用案例、与RPA（机器人流程自动化）的关系以及实战工具LangChain的使用方法。接着，详细介绍大模型的云端和边缘部署方案、大模型压缩的常用技术（如蒸馏、量化、剪枝等）以及软硬件适配策略。并且，通过两个实践案例，展示了大模型在工业制造、设备运维领域的具体应用，涉及智能排产、生产工艺优化、预测性维护等关键知识。最后，综合全书内容，对大模型的技术与应用进行梳理和总结，并且对其未来发展趋势进行深入思考和展望。
读者如果在阅读本书过程中遇到问题，可以通过电子邮箱guo.bingyi@foxmail.com与我联系。
本书读者对象
大模型技术领域的工程师。帮助他们提升技术广度与深度。
企业管理者。帮助他们提升科技应用洞察力与判断力，从而促进大模型赋能行业发展。
对大模型感兴趣的在校学生及其他领域的工程师。帮助他们解码大模型的奥秘，提升自身的专业能力。
科技爱好者。帮助他们探究科技发展本质，跟上科技发展潮流。
致谢
感谢合作的罗雨露老师，是罗老师持续给予的信任与鼓励，使本书最终能够完成。
感谢家人的支持与鼓励。写作花费了我大量的休息时间和精力，难免影响对家人的陪伴，是他们的加油打气，使我在孤独难熬的写作过程中坚持下来。
|
|
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
