AI赋能大学计划·大模型技术与应用实战学生训练营——吉林大学站圆满结营

简介: 10月30日,由中国软件行业校园招聘与实习公共服务平台携手魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·吉林大学站圆满结营。

10月30日,由中国软件行业校园招聘与实习公共服务平台携手魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·吉林大学站圆满结营。

吉林大学计算机教学科学与技术学院、网安学院副院长张永刚教授、吉林大学王英教授、吉林大学公共计算机教学与研究中心教授&吉林大学机器人梦工场创新创业实践示范基地负责人王晓光老师、魔搭社区算法专家段忠杰、运营专家朱琳、周洁琪以及吉林大学全年级、各学院百余名师生参加了本次线上结营仪式。结营仪式由本次实训营班主任、AIGC大讲堂主理人、中国软件行业协会CSTP人工智能项目管理办公室田西南老师主持。

作为“产教融合计划”的重要落地项目,中国软件行业校园招聘与实习公共服务平台联合行业头部企业共同推出了校企合作计划——“AI赋能大学计划”全国高校行,旨在促进高校人工智能创新行动,引导高校不断提高人工智能领域科技创新和人才培养。吉林大学作为本次“AI赋能大学计划”AI大模型技术与产业趋势全国高校行的第六站,开设了AIGC实战训练营。

吉林大学计算机科学与技术学院、网安学院副院长张永刚教授代表吉林大学发表结营致辞。

本次训练营面向由吉林大学王湘浩人工智能虚拟教研室组织,面向全校各年级(大一到博一)、各专业(涵盖计算机科学与技术、商学与管理、临床医学、公共外交、通信工程、药学、化学、物理学、文学、汽车工程、人工智能等)学生和老师征集报名,共计有近400名学生和教师报名参加学习。本次训练营课程是基于魔搭社区的视觉生成开源模型、模型服务工具,从人工智能、深度学习及计算机视觉开发基础、魔搭社区使用流程与典型应用案例等多个方面学习了解如何开发灵活,易用的AI视觉应用。同学们和老师经过半个月的学习与项目实践,不仅掌握AIGC以及生成式人工智能的应用推理、训练、部署等知识,也能够开发生成式人工智能相关应用,提升了面对实际问题的应对和解决能力,提高了团队协作的综合素质。

本次AIGC实战训练营项目汇报共计24个团队,经过精彩的答辩展示和激烈角逐,经专家评审团一致建议,评选出团队一、二、三等奖,获奖名单如下:

在本次项目实战营中,学生们通过“课程学习+项目实践”的形式真正体会到了AI技术的强大应用型和有趣性。这次的学习经历也让同学们感触很深。获得团队一等奖的李晓禹同学、张天一同学、团队二等奖的刘晓阳同学分别分享了他们获奖感言。

刘晓阳同学感谢学校和主办方提供了这么宝贵的机会,使其能以非计算机专业参与到本次训练营的学习和实践中。通过学习和项目实践深刻体会到了AI技术的强大,项目完成得益于魔搭社区提供的充足开源数据。除了技术上的进步,在项目进展过程中也收获了个人成长和团队协作能力。

张天一同学作为优秀团队代表发言感到无比荣幸。在创作过程中,深刻体会到了艺术创作和个人成长的双重提升。从初期的灵感和构想到将想法转化成作品,从细节调整到整体平衡,团队成员不断地解决技术难题和审美取舍。作品的不断打磨和雕琢也更加理解细节决定成败的含义。在团队一次次的发现问题解决问题过程中,培养了他们应对问题解决问题的能力,提升了自信,深刻体会到了团队合作的强大力量。由衷感谢吉林大学、魔搭社区、中软协的支持,为他们提供了这样宝贵的机会,未来会继续投身AI领域,不断提升技术水平,用更好的作品回馈大家的信任和支持。

李晓禹同学表示很荣幸能够代表团队分享他们作品的创作历程,这次项目创作让他们深刻感受到了技术与艺术的交融之美,也激发了他对未来汽车工程、信息技术等多学科交叉融合的期待。团队成员来自不同的专业为他们的作品提供了灵感,使他们聚焦于汽车自动驾驶和阿尔兹海默症患者这一社会现象,以科技生活下的温情回归为初衷确定了作品主题。这次项目经历不仅让他们在技术和艺术上取得了进步,更重要的是学会了如何在团队中发挥各自优势,如何与他人合作解决问题。李晓禹同学表示衷心感谢吉林大学和魔搭社区为他们提供的宝贵学习和实践机会,感谢指导老师的辛勤付出和专业解,感谢团队成员的共同努力和不懈奋斗。展望未来,他们将继续发扬团结协作的精神,不断追求卓越勇攀高峰,相信在未来的学习和工作中,一定能够取得更加辉煌的成绩。

吉林大学公共计算机教学与研究中心,吉林大学机器人梦工场创新创业实践示范基地的负责人王晓光教授作为高校评委代表在结营仪式上发言。王教授首先感谢中国软件行业校园招聘和实习公共服务平台,感谢魔搭社区。王晓光教授表示我们能深切感受AI大模型技术、人工智能技术制高点已不在高校,结合了人工智能和艺术设计的AIGC实战训练营就是落实产教融合的一个重要举措。在项目过程中同学们不但学习了AI技术基础知识,了解AI对行业发展的变革及应用,跨专业组队进行作品设计和呈现对个人成长、团队协作方面充满了挑战,这使得同学们知识和友谊双丰收。王晓光教授恭喜参加的所有同学们,无论获奖与否,付出本身就是收获。

魔搭社区算法专家段忠杰老师作为企业评委代表发言,他表示同学们的作品给了他非常多的惊喜,作品水准普遍很高,对科技和人文的思考很深入。魔搭社区也会继续为国内的AI发展提供土壤,希望看到同学们将AI技术应用到各行各业,使其生根发芽。

本次训练营的圆满落幕,是吉林大学构建着力打造具有吉大特色的人工智能赋课程体系的一次成功尝试,也是产教融合的校企合作典范。未来,中国软件行业校园招聘与实习公共服务平台、中国软件行业协会CSTP人工智能项目管理办公室将继续与高校、企业合作,共同推动“AI赋能大学计划”落地到更多高校,让更多师生从中受益,为推进产教融合AI创新人才培养计划及建设贡献更多的力量,共同推动人工智能领域的发展和创新。

部分优秀作品展示

image.png

《米米的奇幻旅程:用AI描绘温暖的故事》

image.png

《记忆之舟》

image.png

《AI情废柴》

作品精彩页面展示


相关文章
|
3天前
|
机器学习/深度学习 人工智能 自然语言处理
当前AI大模型在软件开发中的创新应用与挑战
2024年,AI大模型在软件开发领域的应用正重塑传统流程,从自动化编码、智能协作到代码审查和测试,显著提升了开发效率和代码质量。然而,技术挑战、伦理安全及模型可解释性等问题仍需解决。未来,AI将继续推动软件开发向更高效、智能化方向发展。
|
4天前
|
人工智能 自然语言处理 机器人
文档智能与RAG技术如何提升AI大模型的业务理解能力
随着人工智能的发展,AI大模型在自然语言处理中的应用日益广泛。文档智能和检索增强生成(RAG)技术的兴起,为模型更好地理解和适应特定业务场景提供了新方案。文档智能通过自动化提取和分析非结构化文档中的信息,提高工作效率和准确性。RAG结合检索机制和生成模型,利用外部知识库提高生成内容的相关性和准确性。两者的结合进一步增强了AI大模型的业务理解能力,助力企业数字化转型。
34 3
|
3天前
|
人工智能 新制造 芯片
2024年中国AI大模型产业发展报告解读
2024年,中国AI大模型产业迎来蓬勃发展,成为科技和经济增长的新引擎。本文解读《2024年中国AI大模型产业发展报告》,探讨产业发展背景、现状、挑战与未来趋势。技术进步显著,应用广泛,但算力瓶颈、资源消耗和训练数据不足仍是主要挑战。未来,云侧与端侧模型分化、通用与专用模型并存、大模型开源和芯片技术升级将是主要发展方向。
|
5天前
|
存储 人工智能 固态存储
如何应对生成式AI和大模型应用带来的存储挑战
如何应对生成式AI和大模型应用带来的存储挑战
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
AI在医疗领域的应用及其挑战
【10月更文挑战第34天】本文将探讨人工智能(AI)在医疗领域的应用及其面临的挑战。我们将从AI技术的基本概念入手,然后详细介绍其在医疗领域的各种应用,如疾病诊断、药物研发、患者护理等。最后,我们将讨论AI在医疗领域面临的主要挑战,包括数据隐私、算法偏见、法规合规等问题。
27 1
|
10天前
|
存储 XML 人工智能
深度解读AI在数字档案馆中的创新应用:高效识别与智能档案管理
基于OCR技术的纸质档案电子化方案,通过先进的AI能力平台,实现手写、打印、复古文档等多格式高效识别与智能归档。该方案大幅提升了档案管理效率,确保数据安全与隐私,为档案馆提供全面、智能化的电子化管理解决方案。
100 48
|
5天前
|
机器学习/深度学习 人工智能 算法
AI在医疗领域的应用与挑战
本文探讨了人工智能(AI)在医疗领域的应用,包括其在疾病诊断、治疗方案制定、患者管理等方面的优势和潜力。同时,也分析了AI在医疗领域面临的挑战,如数据隐私、伦理问题以及技术局限性等。通过对这些内容的深入分析,旨在为读者提供一个全面了解AI在医疗领域现状和未来发展的视角。
31 10
|
6天前
|
机器学习/深度学习 人工智能 监控
探索AI在医疗领域的应用与挑战
本文深入探讨了人工智能(AI)在医疗领域中的应用现状和面临的挑战。通过分析AI技术如何助力疾病诊断、治疗方案优化、患者管理等方面的创新实践,揭示了AI技术为医疗行业带来的变革潜力。同时,文章也指出了数据隐私、算法透明度、跨学科合作等关键问题,并对未来的发展趋势进行了展望。
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
当前AI大模型在软件开发中的创新应用与挑战
【10月更文挑战第31天】2024年,AI大模型在软件开发领域的应用取得了显著进展,从自动化代码生成、智能代码审查到智能化测试,极大地提升了开发效率和代码质量。然而,技术挑战、伦理与安全问题以及模型可解释性仍是亟待解决的关键问题。开发者需不断学习和适应,以充分利用AI的优势。