高校实验实训课程开发：基于现有的硬件基础和开源能力研发最前沿的AI实验课程

 

 

 
以前沿发展需求为导向进行AI实验课程内容定制
 

 

AI技术颠覆性发展，各行各业发展范式在剧烈变革和重塑，TsingtaoAI希望以贴近产业和更加集约的方式，让学生学到最前沿的课程，做上当前企业界最主流的AI实验，塑造学生技能更适应求职需求。

01.jpg

更多基于学校现有硬件基础：企业需求场景的开发和发展，更加注重上层数据和应用，各类工具软件的出现，极大提升了各类硬件的应用价值。我们看到各类硬件厂商，想方设法把硬件卖给学校，但是很多硬件不是在那里尘封，就是寥寥无几的使用场景，我们希望基于学校现有的硬件基础去开发更多面向不同行业或专业的实验实训课程，物尽其用。基于学校现有的硬件，集约开发，极大降低硬件投入成本。
更多基于前沿主流开源AI工具和实验环境：我们也看到，很多的集成商，把一些本来开源的软件工具，重新包装了一下，就卖给了学校，本来开源的软件是免费的，而且可更新，反而因为把它爆改成“闭源”售卖后，学校却无法再进行更新，过一两年，软件又成了“垃圾资产”。所以，我们希望基于最前沿主流且开源的框架、平台、大模型算法、AI工具等，以产业界的方式来帮助学校开发实验实训，减少落后二开软件投入，让学生像在企业里那样来进行实验实训，争取不在软件和算法上投入过多冤枉钱。
 

02.jpg

虽然我们知道，很多学校还是希望用更多的硬件和平台等去堆预算，然后申请建设经费。但是我们希望从本质出发，而不仅仅遵循于现有的“行业规则”。

这样，减少了无谓的硬件投入，同时不再在开源软件上付费，学校可能只需要付费原来20%-30%的费用，就能开发出适配相关专业需求的企业级实验实训课程。以下是TsingtaoAI做过的相关案例，仅供参考。

03.jpg

 

 
TsingtaoAI实验实训课程开发案例
 

 

 

 

成都某高职院校-DeepSeek-R1模型全栈开发与部署实战

 

学校现有硬件：8卡RTX4090服务器

开源开发平台：CUDA、PyTorch、Ollama、vLLM、TensorRT、Coze等

开源算法模型：DeepSeek- R1

实验实训目标

1.技术能力构建:

掌握 DeepSeek-R1 模型从本地部署到工业级落地的全栈技术能力，包括环境配置、模型微调、推理优化及 AI Agent 开发等核心环节，能够独立完成基于 RTX 4090 的模型全生命周期开发任务。

2.行业应用转化:

通过真实场景案例与全链路项目实战，培养将大模型技术转化为教育、企业服务等垂直领域解决方案的能力，涵盖需求分析、性能调优及工程化部署等关键技能，满足学术研究与产业落地的双重需求。

3.教学融合创新:

构建符合高校教学特点的大模型课程设计方法论，掌握分层教学策略与实验课开发技巧，同步融入模型伦理、数据安全等前沿议题，助力教师培养适应AI 时代的跨学科人才。

实验实训课程大纲内容

第一章：环境搭建与模型基础认知

1、行业趋势与模型选型

大模型技术发展现状:从ChatGPT到DeepSeek-R1的技术突破DeepSeek-R1 核心特性:开源优势、多模态扩展潜力、推理性能指标本地部署与云服务的权衡:数据隐私、成本控制、延迟优化

2、开发环境配置基础工具链安装:CUDA与PyTorch GPU 版本适配Ollama框架部署:命令行操作与模型管理、Docker 容器化环境搭建

3、高级增强技巧:对抗样本生成、语义一致性检查

第二章：模型架构解析与微调训练

1、Transformer 架构精讲自注意力机制与位置编码的代码实现

DeepSeek-R1 的模型结构特点:稀疏注意力、动态路由优化

2、微调数据准备与处理

数据集构建:文本分类/问答任务数据标注规范

数据增强技巧:回译、同义词替换

Tokenizer 实战:分词器定制、使用 datasets库实现批量数据预处理

3、模型微调实战

微调代码解析:使用 Trainer 类配置训练参数

损失函数选择:交叉熵损失 vs对比学习损失

4、调试与可视化

使用 TensorBoard 监控训练过程

可视化注意力权重和模型预测结果

第三章：模型压缩及算力调优

1、模型压缩技术

量化实战:动态量化(DQ)与静态量化(SQ)的对比、使用torch.quantization 实现 FP32→INT8 转换

剪枝策略:结构化剪枝、基于 Ll-norm 的权重重要性评估

2、推理加速框架

VLLM 部署:动态批处理与内存池优化原理

启动命令解析:python -m vllm.entrypoints.api server --modeldeepseek-r1-7b

TensorRT集成:ONNX模型导出与引擎构建

3、调试与性能分析

使用 NVIDIA Nsight 或 TensorBoard 分析推理性能

监控显存占用、计算利用率等指标

第四章：推理服务工程化部署

1、API 服务开发

Flask/FastAPI 对比:使用 FastAPI 实现异步推理接口

中间件配置:限流、鉴权、日志监控

服务端优化:使用 uvicorn+gunicorn实现多进程部署、GPU 显存预热与请求队列管理

2、客户端开发实战

前端集成:Streamlit 构建交互式 Web 界面、微信小程序 API 调用示例

3、对敏感数据进行加密传输

第五章：AI Agent 开发与低代码开发

1、Agent 架构设计

ReAct 范式解析:Reasoning与Action的协同

工具调用开发:天气查询 API 集成、数据库连接(SQLAlchemy）实战

2、低代码开发平台:使用Coze快速构建 Agent 工作流

实战:动手开发一个企业级 Agent 应用

3、实际应用场景

客户服务:自动回复客户问题，调用知识库或第三方 API

第六章：全链路项目实战

1、项目选题与设计

方向建议:学术论文助手、校园心理健康问答机器人

技术方案评审:模型选型、数据来源、部署架构

2、开发与调试

分组实战:

前端(Vue.js/React)与后端(FastAPI)协同开发

持续集成(GitHub Actions 自动化测试)

解决显存溢出、API 超时等典型问题

3、难点和要点问题分享

第七章：成果展示与前沿拓展

1、成果展示与评审

2、技术前沿探讨

多模态扩展:图像-文本联合训练

伦理与合规:生成内容版权归属、偏见检测与缓解

北京某高校-模型部署、训练和评估技术实训

学校现有硬件：8卡H20服务器

开源开发平台：CUDA、cube-studio、PyTorch、Ollama、vLLM、TensorRT等

开源算法模型：DeepSeek- R1

课程大纲

1.平台概述

  • 内容：

  • 介绍平台的核心功能：资源管理、在线开发、数据处理、模型训练、评估和服务。

  • 平台在现代AI开发中的重要性，特别是对大模型的支持。

  • 简要介绍拖拉拽pipeline编排功能：如何将数据处理、训练和评估串联成自动化工作流。

  • 目标：让学员了解平台的整体架构和功能，为后续学习奠定基础。

2.数据处理：数据抽取

  • 内容：

  • 大模型微调对高质量数据的需求。

  • 平台如何支持自动化数据抽取：基于文本生成微调数据。

  • 配置参数：数据长度、正则表达式、打分规则、去重过滤。

  • 实践案例：从公开数据集抽取适合微调的数据。

  • 目标：掌握数据抽取的配置和操作。

3.数据处理：数据扩充

  • 内容：

  • 数据扩充的概念和技术。

  • 平台支持的数据扩充功能：生成同类型、同主题的高质量微调数据。

  • 扩充数据的应用场景和注意事项。

  • 实践案例：对已有微调数据进行扩充，生成多样化训练样本。

  • 目标：学会使用平台进行数据扩充。

  • 实践：对样本数据集进行扩充，观察扩充效果。

4.数据处理：数据评分

  • 内容：

  • 数据质量对模型训练的影响。

  • 平台的自动化数据评分功能：评估数据质量的指标和方法。

  • 如何解读评分结果并优化数据。

  • 实践案例：对抽取和扩充的数据进行评分。

  • 目标：掌握数据评分的方法和应用。

  • 实践：对数据集进行评分，分析评分结果。

5.数据处理Pipeline编排

  • 内容：

  • 平台的拖拉拽pipeline编排功能：自动化工作流设计。

  • 如何创建数据处理pipeline：包括数据抽取、扩充和评分。

  • pipeline调试和监控：日志查看、资源监控。

  • 实践案例：设计一个完整的数据处理pipeline。

  • 目标：学会使用pipeline自动化数据处理流程。

  • 实践：设计并运行一个数据处理pipeline。

6.deepseek-R1模型介绍

  • 内容：

  • deepseek-R1的架构、能力和应用场景。

  • 平台对deepseek-R1的支持：微调、推理和服务部署。

  • deepseek-R1与其他大模型的比较。

  • 目标：了解deepseek-R1的特点和平台支持。

7.开发环境搭建

  • 内容：

  • 访问平台的在线开发工具：Jupyter、Webshell等。

  • 与第三方工具的集成方法。

  • 最佳实践：设置高效的开发环境，管理个人和项目组存储空间。

  • 实践案例：配置Jupyter环境并运行简单代码。

  • 目标：熟悉平台的开发环境设置。

  • 实践：在平台上配置开发环境，运行示例代码。

8.模型训练：概述与分布式训练配置

  • 内容：

  • 平台的模型训练模块：支持的模型类型和训练框架。

  • 配置分布式训练：单卡/多卡、单机/多机环境，GPU显存隔离。

  • 分布式训练的优势和注意事项。

  • 实践案例：为deepseek-R1配置分布式训练环境。

  • 目标：理解分布式训练的配置方法。

  • 实践：配置一个分布式训练任务。

9.模型训练：参数配置

  • 内容：

  • 关键训练参数：训练轮数、micro batch size、学习率、优化器、梯度累积、学习率调节器、验证集比例等。

  • 在平台上配置参数的界面和方法。

  • 最佳实践：针对大模型的参数调优策略。

  • 实践案例：为deepseek-R1设置训练参数。

  • 目标：掌握训练参数的配置和优化。

  • 实践：配置训练参数并启动任务。

10.模型训练：监控与断点续训

  • 内容：

  • 监控训练过程：日志查看、收敛过程可视化。

  • 断点续训功能：处理硬件故障导致的训练中断。

  • 实践案例：监控deepseek-R1的训练过程，模拟断点续训。

  • 目标：学会监控训练和处理中断。

  • 实践：启动训练任务，观察监控信息，模拟断点续训。

11.实践：启动训练任务

  • 内容：

  • 指导性练习：为deepseek-R1启动一个训练任务。

  • 配置训练环境、参数和数据集。

  • 观察训练初期结果。

  • 目标：通过实践熟悉训练流程。

  • 实践：启动并监控一个训练任务。

12.高级实践：deepseek-R1微调与Pipeline集成

  • 内容：

  • 指导性练习：对deepseek-R1进行微调，针对特定任务（如文本生成）。

  • 将微调任务集成到pipeline中：包括数据处理、训练和评估。

  • 讨论微调结果和优化策略。

  • 目标：掌握微调和pipeline集成的完整流程。

  • 实践：完成一个微调任务并集成到pipeline。

13.模型评估：自动化与手动评估

  • 内容：

  • 平台的模型评估功能：支持自动化和手动评估。

  • 配置评估任务：选择模型、数据集、超参数。

  • 理解评估结果：任务信息、评估分数、评估记录。

  • 实践案例：评估微调后的deepseek-R1模型。

  • 目标：掌握模型评估的方法和结果分析。

  • 实践：对训练好的模型进行评估，分析结果。

14.应用评估

  • 内容：

  • 应用评估的概念：评估部署后的模型或应用服务的性能。

  • 关键指标：score、错误率、total tokens、TPS、TTFT、total time、生成持续时长等。

  • 实践案例：评估一个部署的deepseek-R1服务。

  • 目标：理解应用评估的意义和指标。

  • 实践：运行一个应用评估任务，查看统计结果。

 

天津某应用型本科-AI机器人具身智能实训实验

 

学校现有硬件：6自由度机械臂、工控机

额外采购：3D深度相机（额外付费）

开发平台： Python及相关软件包（开源）

大模型API：DeepSeek API、ASR API、TTS API、Qwen-VL API（按用量付费）

AI实训课程大纲案例-应用型本科

111.png

第一章

  1. 具身智能前沿讲座。具身智能前沿发展，具身智能概述，具身智能与大模型关系，Embodied AI和GAI概述，DeepSeek 大模型在具身智能中应用，场景应用。

  2. 具身智能基本原理。具身智能整理框架：语音识别、视觉感知以及触觉传感识别的工作原理，ViT技术，多模态融合感知技术，数据对齐技术与视觉感知技术；自然语言处理与人机交互技术：自然语言理解与生成，自然语言与执行动作的交互。

3.实验 1-环境搭建与语音交互实验

实验内容：安装运行环境，安装语音识别、视觉感知环境，用于物体识别、三维定位和空间建图，为机械臂提供环境感知支持。 调用 DeepSeek-Whisper API 实现实时语音转文本，测试机械臂语音指令和自然语言指令下的动作反应。

第二章

  1. 具身感知原理。物体感知、行为感知、场景感知实现识别与特征提取，动作意图的理解；学习DeepSeek模型的部署和优化方法，包括语言模型 LLM,BERT, GPT 系列模型比较,Transformer 架构；大模型开发基础：大模型的训练与应用、大模型实操与 API 调用、提示工程技术；RAG基础与架构：RAG 基础与架构、文档切分常见算法、向量数据库常见算法。

2.实验 2- 基于具身感知的物体识别与抓取

学习语音、 视觉、 文本三模态数据融合交互学习的算法，学习大模型算法， 实现机器人对语音指令的识别与理解，实现物体识别并进行抓取 3D 数据的预处理方法，提升物体定位与抓取的准确性和鲁棒性。

第三章

1.具身推理原理。多模态融合推理（视觉-语言关联，感知-行为关联）学习 DeepSeek-3D 场景理解的任务规划：动作序列规划，路径优化，决策优化；3D 视觉感知的工作原理及技术特点。进一步实现不同场景下的 3D 数据采集与实时分析，通过集成后的数据融合算法与处理方法， 识别形状复杂的物体，结合大模型算法生成空间语义信息，提升物体定位精度。

2.实验 3-多模态融合推理（基于人机对话语音交互的任务调度）

设计语音指令并编写指令解析代码，根据语音指令进行任务规划和动作执行，测试机械臂在自然语言指令下的动作反应；

通过多任务处理和优先级调度算法，改进语音识别与理解的准确性和鲁棒性；

实现视觉与语言的匹配和动作响应，测试机械臂对语言指令的响应与反馈；

通过 DeepSeek-Agent 任务调度，实现复杂任务规划与视觉引导。

第四章

1.具身执行原理：智能体 Agent 的控制与执行；学习模仿学习，执行控制、强化学习的基本原理；具身智能体 Agent 开发：Agent 开发基础、ReAct 框架与剖析 Agent 核心部件；智能设备与小参数模型：智能设备上的模型优化基础、模型在智能设备上的部署、边缘计算中的大模型应用；智能体Agent的控制与执行技术：智能体控制算法与应用，协作机器人控制策略， 智能体精度与稳定性调优，使用反馈控制技术提升动作的准确性。

2.实验 4-具身智能体 Agent 的搭建与控制执行

进行 DeepSeek-Agent 开发，Agent 核心功能模块实现与性能测试评估；

编程实现智能体（机械臂）的高精度抓取与安全避障智能体控制接口编程；

推理环境配置，分布式推理所需的硬件与软件环境搭建，基于 NCCL 和 Horovod 的分布式推理框架互进行推理演练。

第五章

1.具身智能反馈优化：基于大模型的分布式推理与反馈优化；高效的微调方法（参数高效、内存高效），使用 DeepSeek-Tuning 工具包进行 LoRA 微调；大模型推理优化，推理过程的概述与常见挑战，模型推理的性能瓶颈分析，多机多卡分布式推理的必要性与优势，MindIE 简介与多模态推理，推理优化的前沿技术与研究调技术。

2.实验 5：基于推理的优化执行（大模型的分布式推理实操与动作执行优化）使用 ROS 和 C++编程控制机械臂，控制机械臂实现复杂的动态交互，实现复杂轨迹规划与误差补偿，进行系统鲁棒性分析与优化。

通过多机多卡进行推理的性能分析与优化， 在特定任务下的 llama3.1 405B 模型分布式推理，部署 DeepSeek-MoE-16x8B 模型，使用 ROS 和 C++编程控制机械臂，控制机械臂实现复杂的动态交互，实现复杂轨迹规划与误差补偿，进行系统鲁棒性分析与优化

第六章

1.具身智能综合设计：工业制造领域智能分拣 Agent 构建。介绍工业制造中智能分拣的需求， 定义具体应用场景。进行数据准备与预处理， 模型选择与训练，智能分拣 Agent 架构设计，集成与测试，性能评估与优化，视觉定位（YOLOv6+DeepSeek-Vision 融合）与决策逻辑（DeepSeek-LLM 生成可解释的分拣策略）；AIGC 应用开发实践课程-多模态大模型应用开发：AIGC 相关的理论和技术，包括视觉大模型和多模态大模型的原理及应用。

2.实验 6：工业制造产品智能分拣系统开发

系统需求分析与设计：学员根据所学知识，分析智能分拣系统的需求，并设计系统架构。

模型训练与调优：学员使用提供的数据集训练模型，并进行参数调优，以提高分拣准确率。

智能分拣 Agent 实现：学员利用 LLM 和 ReAct 框架，实现一个能够响应分拣指令的智能Agent。

系统集成与测试：学员将训练好的模型和智能 Agent 集成到系统中，进行整体测试。

性能评估与报告撰写：学员评估系统性能，并撰写实验报告，总结学习成果和经验教训。

第七章

交流讨论与感想

环境感知与建模：利用大模型对传感器数据进行高效处理和分析，机器人能够实时构建周围环境的精确三维模型，为后续的路径规划和避障提供有力支持。

智能导航算法：结合大模型的强化学习算法，训练出了能够在复杂环境中灵活导航的机器人。这些机器人能够根据实时路况调整行进路线，确保任务的顺利完成。

人机交互体验：借助大模型在自然语言处理方面的优势，实现了机器人与操作人员之间的流畅对话，极大提升了用户体验和工作效率。

协作机器人的开发，协作机器人作为新一代工业机器人，强调与人类工人的安全协同作业。在这一领域，主要聚焦于通过具身智能提升机器人的灵活性与适应性。

智能抓取与装配：利用大模型对物体形状、重量及材质等信息的快速识别与处理，协作机器人能够准确抓取并灵活装配各种工件，大幅提高了生产效率和质量。自适应学习能力：通过引入深度学习技术，我们使协作机器人具备了自适应学习能力。

它们能够在实际工作中不断积累经验，自动优化作业策略以应对复杂多变的生产环境。

222.png

 

云南某本科院校—AI智能分拣和AI智慧眼识图实验实训

 

学校现有硬件

AI识图智能眼主要功能：

1．对接云端AI模型服务，通过接口调用模型服务，获取OCR识别结果；

2．本地部署OCR离线SDK模型，单机离线进行文字识别；

3．自动扫描，自动聚焦，实时获取图像；支持输出JPEG\BMP等格式图像

4．结果可视化呈现，自动根据模型输出参数，显示每张图片的识别结果，快速呈现训练效果。

5．保存识别结果，将每一次识别结果的字段信息保存文件，支持开关控制是否保存结果。

AI智能分拣机主要功能：

1．对接云端AI模型服务，通过接口调用模型服务，获取OCR识别结果，利用结果进行分拣；

2．本地部署OCR离线SDK模型，单机离线进行文字识别，离线状态下进行分拣；

3．配置分拣参数，根据模型输出灵活配置分拣格口

4．图像采集，采集保存分拣线上的图像，用于模型训练和效果分析。

5．设置控制系统参数，根据分拣物体特点，模型效果和识别速率，手动配置变速履带，调节运动速率。

6．重量感应，通过重量感应对物体进行感知。

7．条码识别

开源工具软件：Pytorch、python等

新开发软件：AI智能分拣机和AI识图智能眼实操系统软件。

开源算法：OpenCV等开源算法

实验实训课程大纲

AI智能分拣实训课程

1、硬件介绍和使用

2、OCR基本原理及应用场景介绍

3、图像预处理一

4、图像预处理二

5、文本区域检测

6、文本区域识别

7、深度学习模型应用在OCR中的实例分析

8、OCR项目实战环境配置

9、OCR项目实战环境配置二

10、项目实战图像预处理一

11、项目实战图像预处理二

12、项目实战文本区域检测模型

13、项目实战文本区域识别模型

14、OCR项目实战结果优化和应用

15、项目总结

16、人工智能在OCR领域的发展趋势

AI智慧眼识图实验实训课程

1、硬件介绍和使用

2、OCR基本原理及应用场景介绍

3、OCR图像预处理一

4、OCR图像预处理二

5、文本区域的定位和检测

6、文本区域识别

7、深度学习模型OCR实例分析

8、实战环境配置一

9、实战环境配置二

10、项目实战图像预处理一

11、项目实战图像预处理二

12、项目实战文本区域检测模型

13、项目实战文本区域识别模型

14、项目实战结果优化和应用

15、智能眼项目总结

16、人工智能在OCR领域的发展趋势

广州某商科应用型本科—AI+商科融合创新实验实训课程

 

文档分析平台：智能文档分析平台Textmind（按需付费）

开源软件：财务管理软件、物流管理软件、金融应用软件和信息管理软件

二次开发：深度集合4个开源的应用软件，集成Textmind平台

  • AI+财务/会计课程

演示文稿1.jpg
  • AI+金融学课程
 
演示文稿2.jpg
  • AI+信息管理课程
 

 

演示文稿3.jpg
  • AI+物流管理课程
 
演示文稿4.jpg
88.jpg

 

江西某学院-面向全校的人工智能通识课程

 

学校原有硬件：机房电脑或学生自备电脑

软件及工具：考虑学生能用最新最前沿的AI应用工具，所以没有给学校私有化部AI产品，而是全部采用在线的AI应用工具，免费产品为主，个别需要付费。这样确保学生使用的工具都是最先进前沿的。

课程时长：32课时课程目标：

  • 帮助学员理解AI的基本概念、发展历史及当前应用。

  • 通过实操练习，掌握主流的AI工具，特别是在服装设计、时尚营销等领域的应用。

  • 探讨AI在时尚行业的伦理问题与合规性要求，培养批判性思维。

  • 提升学员在未来职业生涯中应用AI的能力，增强竞争力。

课程特色：

  • 贴近行业前沿：选用2025年主流的AI工具，确保内容与时俱进。

  • 简单易学：内容针对无编程基础的学员设计，注重实操性和可操作性。

  • 逻辑清晰：从基础知识到实际应用，再到伦理与未来趋势，层层递进。

  • 时尚行业导向：案例和项目聚焦服装设计、时尚营销、趋势分析等领域，贴近学员专业背景。

课程背景

从智能设计到个性化推荐，AI技术为服装设计、营销和供应链管理带来了革命性变化。2025年，AI工具（如秘塔AI搜索、美图设计室）在功能和普及度上显著提升，成为行业从业者的得力助手。本课程旨在让江西某学院的同学快速掌握这些工具，理解AI的潜力与局限性，为未来职业发展奠定基础。

课程结构

第一部分：AI基础知识与工具概览（7课时）

目标：理解AI的基本概念、AIGC的应用，初步体验主流的AI工具。

内容概述：通过理论讲解和简单实操，帮助学员建立对AI的整体认知，并熟悉课程中将使用的工具。

课时 1: AI的定义与发展历史

  • 内容：

  • AI的定义及分类（狭义AI、广义AI、生成式AI）。

  • AI发展历史：从1950s的图灵测试到2025年的大语言模型和多模态AI。

  • AI在日常生活中的应用：智能助手（豆包）、推荐系统（如淘宝）、自动驾驶等。

  • 案例：AI如何帮助服装零售企业优化库存管理。

  • 教学方法：讲座、视频展示、小组讨论。

  • 作业：小组讨论“AI在时尚行业中的潜在应用”，提交简短总结。

课时 2: AIGC与时尚行业

  • 内容：

  • AIGC的定义：生成文本、图像、视频等内容的能力。

  • AIGC在时尚行业的应用：

  • 设计灵感生成（如AI生成服装草图）。

  • 虚拟试衣（如AR/VR技术）。

  • 个性化营销（如AI生成定制广告）。

  • 案例：Adidas使用AI生成运动鞋设计。

  • 教学方法：讲座、案例分析。

  • 作业：搜索并分享一个AIGC在时尚行业的实际案例。

课时 3: 2025年主流AI工具概览

  • 内容：

  • 介绍课程选用的10个AI工具及其核心功能：

  • 秘塔AI搜索：AI驱动的搜索引擎，支持复杂查询和结果整理 (秘塔AI搜索)。

  • AiPPT：AI生成演示文稿，自动设计布局和内容 (AiPPT)。

  • 问小白：AI聊天助手，回答多领域问题(问小白)。

  • 剪映：AI视频编辑工具，支持智能剪辑和特效 (剪映)。

  • 百度橙篇：AI写作助手，生成高质量文本(百度橙篇)。

  • 沉浸式翻译：多语言实时翻译，支持语境优化 (沉浸式翻译)。

  • 稿定AI：AI文档生成，适用于报告、邮件等 (稿定AI)。

  • 美图设计室：AI图形设计工具，生成海报、图案等 (美图设计室)。

  • ProcessOn：AI协作工具，支持流程图和脑图 (ProcessOn)。

  • 海螺AI：综合AI助手，支持多模态任务 (海螺AI)。

  • 每个工具在时尚行业的潜在用途（如美图设计室生成服装图案）。

  • 教学方法：工具演示、互动问答。

  • 工具：所有选定工具（仅演示）。

  • 作业：选择一个工具，尝试简单操作并记录体验。

课时 4: 秘塔AI搜索的使用

  • 内容：

  • 秘塔AI搜索的功能：高级查询、结果整理为思维导图或报告。

  • 操作步骤：输入关键词、优化查询、导出结果。

  • 案例：使用秘塔AI搜索分析“2025年春夏时尚趋势”。

  • 教学方法：实操指导、案例演示。

  • 工具：秘塔AI搜索。

  • 作业：使用秘塔AI搜索查找“2025年中国时尚消费者偏好”，总结关键点。

课时 5: AiPPT的使用

  • 内容：

  • AiPPT的基本功能：主题选择、内容生成、样式调整。

  • 操作步骤：输入主题、选择模板、编辑内容。

  • 案例：使用AiPPT创建一个关于“AI在时尚设计中的应用”的PPT。

  • 教学方法：实操指导、案例演示。

  • 工具：AiPPT。

  • 作业：使用AiPPT制作一个简单的PPT，主题为“我的理想服装设计”。

课时 6: 问小白（AI聊天助手）的使用

  • 内容：

  • 问小白的问答功能：支持时尚相关问题（如设计灵感、行业动态）。

  • 操作步骤：提问、优化问题、整理答案。

  • 案例：询问“如何用AI工具提升服装设计效率”。

  • 教学方法：实操指导、案例演示。

  • 工具：问小白。

  • 作业：使用问小白提问一个与时尚设计相关的问题，记录回答。

课时 7: 课程复习与小测

  • 内容：

  • 复习：AI基础、AIGC、工具概览。

  • 小测：10道选择题、2道简答题，测试对AI基础知识的掌握。

  • 教学方法：复习讲座、测试。

第二部分：AI在办公效率中的应用（7课时）

目标：学会使用AI工具提升日常工作效率，特别是与时尚行业相关的任务（如文档撰写、PPT制作）。

内容概述：聚焦AI在办公场景中的应用，通过实操练习帮助学员掌握工具操作。

课时 8: Prompt Engineering基础

  • 内容：

  • Prompt的定义及重要性。

  • 撰写高效Prompt的技巧：明确、具体、结构化。

  • 案例：使用不同Prompt生成“未来主义服装设计”的描述。

  • 教学方法：讲座、实操练习。

  • 工具：海螺AI（支持Prompt输入）。

  • 作业：撰写Prompt，生成一个“可持续时尚设计”的描述。

课时 9: 使用沉浸式翻译处理时尚文本

  • 内容：

  • 沉浸式翻译的功能：多语言翻译、语境优化。

  • 操作步骤：输入文本、选择语言、优化翻译。

  • 案例：翻译一篇关于国际时尚趋势的英文文章。

  • 教学方法：实操指导、案例演示。

  • 工具：沉浸式翻译。

  • 作业：翻译一篇时尚相关的英文文本，评价翻译质量。

课时 10: 使用稿定AI撰写时尚相关文档

  • 内容：

  • 稿定AI的文档生成功能：报告、邮件、提案。

  • 操作步骤：输入需求、生成初稿、编辑优化。

  • 案例：撰写一份“服装设计项目计划书”。

  • 教学方法：实操指导、案例演示。

  • 工具：稿定AI。

  • 作业：使用稿定AI撰写一份“新品发布会策划方案”。

课时 11: 使用AiPPT创建时尚行业PPT

  • 内容：

  • AiPPT的高级功能：数据可视化、动画效果。

  • 操作步骤：导入数据、添加动画、导出PPT。

  • 案例：创建一个关于“2025年春夏时尚趋势分析”的PPT。

  • 教学方法：实操指导、案例演示。

  • 工具：AiPPT。

  • 作业：使用AiPPT制作一个关于“我的服装品牌定位”的PPT。

课时 12: 使用海螺AI进行简单数据分析

  • 内容：

  • 海螺AI的数据处理功能：简单统计、趋势分析。

  • 操作步骤：输入数据、生成分析结果、解读报告。

  • 案例：分析一组虚拟的时尚销售数据。

  • 教学方法：实操指导、案例演示。

  • 工具：海螺AI。

  • 作业：分析一组提供的时尚消费者偏好数据，总结关键点。

课时 13: AI在办公中的综合应用

  • 内容：

  • 结合多个工具完成完整任务：从研究到文档撰写再到PPT展示。

  • 案例：使用秘塔AI搜索研究趋势、稿定AI撰写报告、AiPPT生成展示。

  • 教学方法：实操指导、案例演示。

  • 工具：秘塔AI搜索、稿定AI、AiPPT。

  • 作业：选择一个时尚相关主题（如“可持续时尚”），使用AI工具完成研究、报告和PPT。

课时 14: 课程复习与项目展示

  • 内容：

  • 复习：Prompt Engineering、翻译、文档生成、PPT制作、数据分析。

  • 项目展示：学员展示作业成果，教师点评。

  • 教学方法：复习讲座、展示与反馈。

第三部分：AI文本工具的应用（7课时）

目标：掌握AI文本工具的使用，提升创意写作、营销文案和内容策划能力。

内容概述：聚焦AI在文本创作中的应用，结合时尚行业需求，设计实用任务。

课时 15: 使用百度橙篇进行创意写作

  • 内容：

  • 百度橙篇的写作助手功能：生成文章、优化语言。

  • 操作步骤：输入主题、生成初稿、编辑润色。

  • 案例：撰写一篇关于“AI与未来时尚”的短文。

  • 教学方法：实操指导、案例演示。

  • 工具：百度橙篇。

  • 作业：使用百度橙篇撰写一篇“我的服装设计理念”短文。

课时 16: 使用AI工具生成时尚营销文案

  • 内容：

  • 使用百度橙篇生成社交媒体文案、广告语。

  • 操作步骤：输入品牌信息、生成文案、优化风格。

  • 案例：为一个虚拟服装品牌撰写推广文案。

  • 教学方法：实操指导、案例演示。

  • 工具：百度橙篇。

  • 作业：为“2025年春夏新款系列”设计一套社交媒体推广文案。

课时 17: 使用ProcessOn创建时尚项目脑图

  • 内容：

  • ProcessOn的脑图功能：结构化思考、团队协作。

  • 操作步骤：创建脑图、添加节点、导出分享。

  • 案例：为一个服装设计项目创建脑图。

  • 教学方法：实操指导、案例演示。

  • 工具：ProcessOn。

  • 作业：使用ProcessOn创建一个“秋冬系列设计计划”的脑图。

课时 18: AI在时尚内容策划中的应用

  • 内容：

  • 使用AI工具生成文章标题、提纲及内容。

  • 操作步骤：输入主题、生成提纲、扩展内容。

  • 案例：策划一期时尚杂志专栏。

  • 教学方法：实操指导、案例演示。

  • 工具：百度橙篇、ProcessOn。

  • 作业：使用AI工具策划一期“科技与时尚”的杂志专栏。

课时 19: AI在时尚行业的市场分析

  • 内容：

  • 使用海螺AI分析时尚市场数据。

  • 操作步骤：输入数据、生成报告、解读趋势。

  • 案例：分析2025年中国年轻消费者的时尚偏好。

  • 教学方法：实操指导、案例演示。

  • 工具：海螺AI。

  • 作业：分析一组提供的时尚市场数据，总结趋势。

课时 20: AI文本工具的综合应用

  • 内容：

  • 结合多个文本工具完成完整内容创作任务。

  • 案例：从标题到正文，使用AI工具完成一篇时尚评论文章。

  • 教学方法：实操指导、案例演示。

  • 工具：百度橙篇、ProcessOn、海螺AI。

  • 作业：使用AI工具完成一篇“AI如何改变时尚设计”的文章。

课时 21: 课程复习与项目展示

  • 内容：

  • 复习：创意写作、营销文案、脑图、市场分析。

  • 项目展示：学员展示作业成果，教师点评。

  • 教学方法：复习讲座、展示与反馈。

第四部分：AI绘画与设计（7课时）

目标：学会使用AI工具进行视觉设计，特别是与时尚相关的设计任务。

内容概述：本部分聚焦AI在视觉创作中的应用，设计与服装行业高度相关的任务。

课时 22: AI绘画与设计基础

  • 内容：

  • AI绘画的原理：文本到图像、图像到图像。

  • AIGC在时尚设计中的应用：虚拟试衣、数字印花、3D建模。

  • 案例：Nike使用AI生成运动服装设计。

  • 教学方法：讲座、案例分析。

  • 作业：讨论AI绘画在时尚设计中的优势与挑战。

课时 23: 使用美图设计室进行时尚设计

  • 内容：

  • 美图设计室的功能：图形设计、海报制作、图案生成。

  • 操作步骤：选择模板、输入需求、导出设计。

  • 案例：设计一个服装品牌的LOGO。

  • 教学方法：实操指导、案例演示。

  • 工具：美图设计室。

  • 作业：使用美图设计室设计一个“未来主义服装系列”的海报。

课时 24: 使用liblib.art生成时尚插画

  • 内容：

  • liblib.art的艺术生成功能：风格选择、参数调整。

  • 操作步骤：输入Prompt、调整风格、导出插画。

  • 案例：生成一幅“复古风裙装”的插画。

  • 教学方法：实操指导、案例演示。

  • 工具：liblib.art。

  • 作业：使用liblib.art生成一幅“春夏系列设计灵感”的插画。

课时 25: AI在时尚电商中的应用

  • 内容：

  • 使用AI工具生成产品图片、模特图片。

  • 操作步骤：输入产品描述、生成图片、优化细节。

  • 案例：为一个虚拟服装品牌生成电商平台的产品图片。

  • 教学方法：实操指导、案例演示。

  • 工具：美图设计室、liblib.art。

  • 作业：为“2025年夏季新款T恤”生成一组电商产品图片。

课时 26: AI设计的高级技巧

  • 内容：

  • 通过调整Prompt和参数，生成更符合需求的设计。

  • 案例：生成一套“个性化定制西装”的设计图。

  • 教学方法：实操指导、案例演示。

  • 工具：美图设计室、liblib.art。

  • 作业：调整Prompt，生成一套“科技感强”的服装设计图。

课时 27: 团队项目：使用AI工具设计Lookbook

  • 内容：

  • 小组合作，使用AI工具设计一个完整的Lookbook。

  • Lookbook主题：2025年秋冬时尚系列。

  • 要求：包含5套服装设计、背景故事、品牌定位。

  • 教学方法：小组协作、教师指导。

  • 工具：美图设计室、liblib.art、AiPPT（用于展示）。

  • 作业：小组提交Lookbook设计成果（PDF格式）。

课时 28: 课程复习与项目展示

  • 内容：

  • 复习：AI绘画基础、设计工具使用、团队项目。

  • 项目展示：学员展示Lookbook设计成果，教师点评。

  • 教学方法：复习讲座、展示与反馈。

第五部分：AI高级话题、伦理与未来展望（6课时）

目标：理解AI的伦理问题、未来发展趋势，通过项目展示巩固所学。

内容概述：探讨AI的深层影响，结合时尚行业案例，完成课程总结。

课时 29: AI伦理与合规性

  • 内容：

  • AI伦理问题：算法偏见、数据隐私、知识产权。

  • AI在时尚行业的合规性：数据保护、AI生成内容的版权归属。

  • 案例：讨论AI生成服装设计的版权争议。

  • 教学方法：讲座、案例讨论。

  • 作业：小组讨论一个AI伦理问题，提出解决方案。

课时 30: AI在时尚行业的未来趋势

  • 内容：

  • AI技术的未来发展：VR、AR、可穿戴设备。

  • AI如何重塑时尚行业：个性化定制、智能供应链、可持续设计。

  • 案例：Burberry的AI虚拟时装秀。

  • 教学方法：讲座、案例分析。

  • 作业：预测2030年AI在时尚行业的应用场景。

课时 31: AI在时尚行业的案例分析

  • 内容：

  • 国内外AI在时尚行业的成功案例：

  • 阿迪达斯的AI设计工具。

  • 淘宝的AI个性化推荐系统。

  • 失败案例及教训：如AI生成设计不符合品牌调性。

  • 教学方法：讲座、案例分析。

  • 作业：分析一个AI时尚案例，总结启示。

课时 32: 学员项目展示

  • 内容：

  • 学员展示课程最终项目（如Lookbook、时尚文章、综合任务）。

  • 每组5分钟展示+2分钟问答，教师和同学点评。

  • 教学方法：展示与反馈。

  • 工具：AiPPT（用于展示）。

课程评估

  • 出勤率：占总成绩10%。

  • 作业与项目：占总成绩40%，包括每日作业和阶段项目。

  • 小测与考试：占总成绩50%，包括每周小测和结业考试。

     
    关于TsingtaoAI
     

    TsingtaoAI具身智能实训道场结合全球先进的工业机器人厂商，对机器人进行二次算法和智能体开发，组建适配制造企业的实训道场，为企业提供大规模投入前的技术验证环境和实训项目。

    TsingtaoAI基于PBL的项目式实训理念，自研基于DeepSeek的具身智能实训解决方案、LLM的AIGC应用开发实训平台、基于LLM大模型的AI通识素养课数字人助手、一站式机器学习/深度学习/大模型AI训练实训平台和基于大语言模型的AIGC案例学习平台，为央国企、上市公司、外资企业、政府部门和高校提供AI&具身智能实训道场建设服务。

 

 

 

Product & Case.

产品与案例

넳 넲
ꄴ前一个： 无
ꄲ后一个： 无