大家好，我是吾鳴。
之前吾鳴给大家分享过浙江大学DeepSeek公开课系列第一二季共15节课的内容（高质量视频+PPT），它们分别是：
AI大模型如何破局传统医疗|浙江大学|DeepSeek系列公开课|第二季
生成式人工智能赋能智慧司法及相关思考|浙江大学|DeepSeek系列公开课|第二季
浙江大学|DeepSeek系列公开课|第二季|DeepSeek技术溯源及前沿探索
浙江大学公开课|第二季|从大模型、智能体到复杂AI应用系统的构建——以产业大脑为例
第一期（上）：吴飞（浙江大学）DeepSeek：回望AI三大主义与加强通识教育
第一期（下）：Chatting or Acting？——DeepSeek的突破边界与“浙大先生”的未来图景（浙江大学 陈文智）
第二期（上）：孙凌云（浙江大学）DeepSeek：智能时代的全面到来和人机协作的新常态
第二期（下）：王则可（浙江大学）DeepSeek模型优势：算力、成本角度解读
第三期（上）：陈静远（浙江大学）语言解码双生花：人类经验与AI算法的镜像之旅
第三期（下）：吴超（浙江大学）走向数字社会：从Deepseek到群体智慧
第四期（上）：陈建海（浙江大学）DeepSeek的本地化部署与AI通识教育之未来
第四期（下）：朱朝阳（浙江大学）DeepSeek之火，可以燎原
今天吾鳴要给大家分享一份也是浙江大学DeepSeek公开课系列，由杨洋教授担任主讲人的大模型之从单词接龙到行业落地的报告，报告内容主要从大语言模型的核心机制、训练与优化方法、思维链与推理能力以及行业应用案例等几大部分展开，报告一共53页PPT，文末附上公开课视频和完整PPT下载。
内容摘要
引言与图灵测试
介绍人工智能发展背景，重点阐述图灵测试的定义与应用场景，通过文学、数学和逻辑问题的示例展示早期智能系统的局限性，并对比ChatGPT在不同任务中的表现，凸显大模型的进步。
大语言模型的核心机制
围绕“单词接龙”展开，解释大模型通过条件概率生成文本的原理，将下游任务（如景点定位）转化为序列生成问题。对比传统机器学习依赖标注数据的不足，强调预训练利用海量无标注数据的优势。
训练与优化方法
详细分析大模型的训练流程，包括预训练（学习通用知识）、监督微调（优化特定任务）、指令微调（泛化新指令）以及强化学习（RLHF，对齐人类偏好）。讨论如何通过检索增强生成（RAG）减少幻觉，并总结大模型的三大问题（幻觉、偏见、过时）。
思维链与推理能力
探讨思维链（Chain of Thought）对复杂问题推理的作用，对比“快思考”（直觉）与“慢思考”（逻辑）的生成模式，提出通过强化学习训练模型自主生成有效思维链的策略，并以数学题和量子力学问题为例说明其应用。
行业应用案例
展示大模型在多个领域的落地实践，如智慧评审平台“评审叮当”（合规审查、材料评审）、脑电信号分析（Brant模型捕捉时空相关性）、电力系统（负荷预测、窃电检测）等，强调模型在跨任务、跨领域的泛化能力。
总结与展望
归纳大模型的核心技术（预训练-微调范式、强化学习）及其行业价值，提出未来研究方向（如时序大模型、跨领域泛化），并附作者联系方式与论文引用。
