大家好，我是吾鳴。
前沿回顾
吾鳴之前给大家分享过浙江大学DeepSeek系列公开课第一季，第一季一共八讲，内容介绍丰富，内容之广，看完粉丝朋友直呼浙大良心。这八讲公开课名称分别是：
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
吾鳴给大家整理好了第一季的8讲公开课，包含视频和PDF，下载地址我放到了文末。
本期分享
今天吾鳴要给大家分享的是浙江大学DeepSeek系列公开课第二季，由朱强教授给大家分享的关于DeepSeek的技术溯源以及前沿探索，报告一共50页PPT，报告和视频我都打包好放到了文末。
内容摘要
1. 语言模型
介绍语言模型的基本任务，即计算词序列的概率。讨论传统方法如One-hot编码的局限性，并引入词嵌入（Word Embedding）技术，通过低维向量表示词汇语义相似性。技术演化部分涵盖从统计方法（N-gram）到神经网络（LSTM/GRU）的过渡，最终聚焦Transformer架构的优势，如自注意力机制和并行计算能力。
2. Transformer
解析Transformer的核心组件，包括自注意力机制、多头注意力、位置编码和层归一化。通过示例说明注意力机制在语言和图像任务中的应用，如图书馆找书场景中的查询（Query）、键（Key）、值（Value）机制。对比了Encoder-Decoder框架在Seq2Seq任务中的实现，强调Transformer作为大模型技术基座的重要性。
3. ChatGPT
梳理大型语言模型发展史，从GPT-1到GPT-4的演变，包括参数量、训练数据量和算力的指数级增长。重点分析ChatGPT的关键技术，如基于人类反馈的强化学习（RLHF）、指令微调（Instruction Tuning），以及其在生成、对齐和安全性上的改进。还提及多模态扩展（如GPT-4o）和推理能力的提升。
4. DeepSeek
详细阐述DeepSeek的技术路径，包括基础生成模型（V3）、推理模型（R1系列）的构建步骤。通过混合专家模型（MoE）、动态路由机制和工程优化（如FP8精度、DualPipe算法），实现高效训练与推理。对比OpenAI模型，强调其开源优势和效率提升，如将中美技术代差从6-12个月缩短至1-3个月。知识蒸馏技术进一步压缩模型，适配低资源场景。
5. 新一代智能体
探讨从通用大模型（LLM）到智能体（Agent）的范式转变，提出"系统1"（直觉快速）与"系统2"（推理分析）的融合。智能体需具备规划、工具调用、记忆（短/长期）和自省能力。案例包括时空智能体在耕地保护中的应用，通过多传感器数据、认知模型和闭环决策实现自主化服务。最后展望Agent开发平台（如AutoGPT、Coze）的生态潜力。
报告精彩
