DeepSeek能力图谱

这是一篇关于DeepSeek能力图谱的思维导图，主要内容包括：自然语音处理，辅助决策，知识与推理，交互能力。

AI大模型 零基础入门-商业应用实战

• AI入门底层原理
  • AI大模型前世今生
  • NLP自然语言基础
  • 深度学习与神经网络
  • Transformer框架
  • LLM大模型模型原理
  • 多模态模型原理
  • NAVID-GPU与CPU
• 企业应用：AI大模型应用技术
• AI大模型应用开发框架和工具栈
• 就业必备：AI大模型企业级实战
• 案例拆解：AI视角下业务KnowHow

中心主题

• 主题
• 主题
• 主题
  • 子主题
    • 子主题
  • 子主题
    • 子主题
      • 子主题
        • 子主题
      • 子主题
  • 子主题
    • 子主题

DeepSeek 能力图谱

• 交互能力
  • 对话能力
    • 情感回应
    • 上下文理解
    • 多轮对话
  • 任务执行
    • 指令理解
    • 任务协调
    • 工具调用
  • 多模态交互
    • 语音识别
    • 图像理解
    • 跨模态转换
• 知识与推理
  • 问答系统
    • 知识推理
    • 通用问答
    • 专业领域问答
  • 逻辑推理
    • 逻辑分析
    • 因果推理
    • 数学运算
  • 知识整合
    • 概念关联
    • 多元信息融合
    • 知识图谱构建
• 辅助决策
  • 数据分析
    • 异常检测
    • 趋势分析
    • 数据可视化
  • 方案规划
    • 流程优化
    • 任务分解
    • 风险评估
  • 建议生成
    • 专业建议
    • 决策支持
    • 个性化推荐
• 自然语音处理
  • 翻译与转换
    • 多语言翻译
    • 文体转换
    • 格式转换
  • 语言理解
    • 关系抽取
    • 情感分析
    • 文本分类
    • 实体识别
  • 文本生成与制作
    • 文案写作
    • 代码注释
    • 故事创作
    • 诗歌创作

AI入门底层原理

• AI大模型前世今生
  • AI演进与大模型兴起
    • AI定义
    • 机器学习到深度学习
    • 深度学习的诞生与发展
    • AI1.0-决策式/分析式
    • AI2.0-生成式
  • 典型概念
    • AI
    • 大模型
    • 通用人工智能AGI
      • 定义：Artificial General Intelligence，通用人工智能。AI在多个领域以人类水平处理复杂问题的能力
      • 核心：持续学习和自我改正的能力
      • 人工智能的通用性不仅表现在对语言的处理上，还包括像人一样基于常识和日常经验与外部客观世界互动的能力。
      • 技术路径探索
        • OPenAI路径
          • 技术思路：尽量扩大模型规模，希望先做出通用的基础模型，再“蒸馏”出各行业可使用的行业垂直模型，走的是“由通到专”的路。
          • 潜在问题： 1.降低通用大模型的训练成本； 2.如何在保持泛化能力的同时，提高在特定领域或任务上的性能和效率
        • Deepseek路径
          • 技术思路：由专到通。 1.试图在模型算法和工程优化方面进行系统级创新，为在受限资源下探索通用人工智能开辟新的道路。 2.所谓“混合专家模型”就是集小智为大智，集专智为通智。 3.“小而精”的模型将人工智能的重点发展方向从面向企业的to B引向更贴近消费者的to C，从广泛覆盖的“横向通吃”引向深入钻研的“纵向做精”，让更多的中小企业参与，可能会创造更大市场空间。
          • 潜在问题：整合多个专用模型为通用模型也需要解决诸多技术和工程问题，如模型间的接口、数据格式的统一、训练时的负载平衡等。
    • 机器学习
    • 深度学习
    • 神经网络模型
    • 大语言模型LLM
    • 子主题
  • 理解AI大模型
    • 大模型前世今生
      • 早期大规模模型
      • 深度神经网络
      • 预训练语言模型
      • 大规模视觉模型
      • 大语言模型与AGI关系
    • 大模型与通用人工智能
      • 大模型定义
      • 通用人工智能定义
      • 大模型与通用人工智能关系
    • GPT模型发展历史
    • 大模型的挑战与机遇
  • 国产大模型发展
    • 国产大模型现状
    • 国内头部企业大模型分析
      • deepseek
        • 低成本是技术普及的基本要求
        • DeepSeek不仅是技术突破者，更是规则重构者：AI不再局限于简单堆砌算力，而是进入了以追求高算效和高能效为主的新阶段。
      • 通义千问
      • 文心一言
      • 豆包
      • 混元
      • 智普GLM
    • 国内大模型商业化探索进程
  • 大模型应用领域
    • 自然语言处理
    • 计算机视觉
    • 语音识别
    • 推荐系统
    • 自动驾驶
  • 大模型应用现状及前景分析
    • 大模型在行业中的应用现状
    • 大模型遇到的问题及障碍
    • 大模型应用前景展望
• NLP自然语言基础
  • NLP基本概念
    • NLP定义
    • NLP重要性
    • NLP发展历程
      • 萌芽期：1956年以前
      • 快速发展期：1980-1999年
      • 突飞猛进期：2000年至今
  • NLP核心任务
    • 自然语言理解：NLU/NLI
    • 自然语言生成：NLG
  • NLP工作原理
    • 文本预处理
    • 特征提取
    • 文本分析
    • 模型训练
  • 文本转换成数据
    • 语言模型：N-Gram模型
    • 分词：Tokenization
    • Word2Vec模型
    • 打造能识别文本情感的模型
  • 语言模型
    • 统计语言模型
    • 神经网络语言模型
  • 注意力机制
  • NLP实际应用
    • 机器翻译:计算机具备将一种语言翻译成另一种语言的能力
    • 智能问答:计算机能够正确回答输入的问题
    • 文摘生成:计算机能够准确归纳、总结并产生文本摘要
    • 文本分类:计算机能够采集各种文章，进行主题分析、自动分类
    • 情感分析:计算能够判断用户评论是否积极
    • 舆论分析:计算机能够判断目前舆论的导向
    • 知识图谱:知识点相互连接而成的语义网络
• 深度学习与神经网络
  • 基本概念
    • 传统机器学习与深度学习发展
    • 深度学习
    • 生物神经网络
    • 人工神经网络
    • 神经网络概念
      • 神经元结构和功能
      • 神经网络定义和分类
      • 神经网络基本结构和组成
      • 神经网络激活函数
  • 深度学习与神经网络工作本质
    • 基于生物模型到计算模型的演变
    • 机器学习与训练
      • 监督学习
      • 无监督学习
    • 训练模型总结
    • 深度理解神经网络的组成
    • 神经网络训练过程
  • 深度学习与神经网络概念
    • 损失函数评定当前模型水平
    • 梯度下降确定模型迭代方向
    • 一次迭代提升模型精准程度
  • 深度学习常见模型
    • 全连接网络
    • 前馈神经网络
    • 卷积神经网络CNN
    • 残差神经网络ResNet
    • LSTM&Attention
  • 深度学习常见应用
    • 图像识别
    • 语音识别
    • 推荐系统
    • 强化学习
    • 自然语言处理
    • 游戏智能
    • 计算机视觉
• Transformer框架
  • 起源与发展
    • 《Attention Is All You Need》
    • GPT(the Generative Pretrained Transformer)
    • BRTT(Bidirectional Encoder Representations from Transformers)
  • Transformer特征
    • Transformer结构
      • Encoder（左边）：负责理解输入文本，为每个输入构造对应的语义表示（语义特征）
      • Decoder（右边）：负责生成输出，使用Encoder输出的语义表示结合其他输入来生成目标序列。
    • 注意力层
    • 原始结构
    • Transformer家族
      • Encoder分支
      • Decoder分支
      • Encoder-Decoder分支
    • 注意力机制
  • Tokenization:将对话内容变成Token
    • 词元化与子词
    • 汉字与英文单词的区别
    • 效果演示：ChatGPT的Tokenization
  • Embedding：将Token变成向量
    • 空间与向量
    • 基数理解One-Hot编码
    • 空间的稀疏、稠密、距离、数学逻辑关系
    • Word2Vec Model
    • OpenAI Embedding Model
    • OpenAI Clip：文字与图片的多模态Encoder
    • 效果演示：OpenAI Embedding
  • Encoder&Decoder
    • Encoder理解你的指令
    • Decoder回答你的问题
    • 基于循环神经网络的Encoder&amp；Decoder
  • Transformer Encoder&Decoder
    • 带有Attention机制的Transformer Encoder
    • 带有Attention机制的Transformer Decoder
    • Encoder only&Decoder only
• LLM大模型模型原理
  • 大语言模型概览
    • 算法创新
    • 计算能力提升
    • 数据的可用性与规模性
    • 软件与工具的进步
    • 生成式模型
    • 大语言模型
  • LLM发展历程
    • 基于统计方法的N-gram语言模型
    • LSTM网络
    • Transformer模型
      • 交叉注意力机制
      • 自注意力机制
    • Transformer架构的并行优势
    • 编码器和解码器模型
    • 生成式预训练Transformer
    • GPT模型的标记和预测实现
  • LLM关键技术
    • 预训练
    • SFT(Supervised Fine-Tunning)
    • RLHF(Reinforcement Learning from Human Feedback)
  • LLM构建过程
    • 大规模预训练
    • 指令微调与人类对齐
    • 常用的预训练数据集常用微调数据集
  • LLM私有化部署必备知识
• 多模态模型原理
  • 多模态领域的Transformer
    • CNN:卷积神经网络
    • ViTal：Vision Transformer
    • ViLT：Vision-and-Language Transformer
    • CLIP：Contrastive Language-Image Pre-taining
  • 视觉识别原理
    • 安防视觉识别模型原理
    • 零件缺陷检测模型原理
    • 医疗诊断识别模型原理
    • 无人驾驶视觉识别模型原理
    • 视觉识别技术与大模型关系
  • AI生图算法
    • 扩散模型：Diffusion Model
    • DALL.E2：CLIP+Diffusion Model
      • 通过CLIP Text Encoder将文本转换为文本特征向量
      • 通过Prior模型将文本特征向量转换为图像特征向量
      • 通过Diffusion Model中的Image Decoder将图像特征向量扩散成一张图片
    • 稳定扩散模型：Stable Diffusion
      • 巨人的肩膀：Latent Diffusion Model
      • 通过CLIP Text Encoder将文本转化为文本特征向量
      • 通过图像信息Creator在Latent Space中处理特征向量
      • 通过Image Decoder将图像特征扩散成一张图
  • AI视频原理
    • DALL.3：Caption Improvement增强图片描述+CLIP score评分机制，大幅提升训练集的数据质量
    • 利用DALL.3给Sora的全部视频数据集重新生成文本描述
    • ViVit：A Video VisionTransformer完成视频Patch切分
    • 使用三维空间的VAE技术将视频压缩转换成新的潜在空间表示
    • DiT：Scalable Diffusion Model with Transformers生成高质量图像与视频
    • NaViT:Native Resolution ViT实现对输出视频分辨率和宽高比的调整
• NAVID-GPU与CPU
  • GPU与CPU关系
    • GPU与CPU计算核心的区别对比
    • 特定类型的计算适合运行到GPU
    • 1000倍以上的速度提升带来算法设计模式的巨大变化
  • 如何在GPU上做并行计算
    • 启动普通CPU应用程序
    • 将数据加载到内存
    • 将数据从内存copy到显存
    • 运行GPU应用程序完成大规模计算
    • 将计算结果存储到显存
    • 将计算结果从显存中copy到内存
  • 英伟达整套体系强大原因
    • 18年积淀的CUDA体系及开发者生态
    • TensorFlow和PyTorch等人工智能框架的深度集成
    • 试错成本过高带来的迁移困难