课程概览
从核心模型到真实应用。
《人工智能设计与应用》面向研究生，系统介绍人工智能在设计与软件开发中的原理与实践。课程将讲授、实践和讨论结合起来，要求学生实现简化模型、调用主流 API，并完成综合项目。
课程层级研究生
总学时36 小时
授课形式讲授、实践、讨论
先修课程无特别指定
学习目标
完成一次从理解到设计的跨学科学习。
- 掌握 Transformer、Diffusion 等核心模型的基本原理与发展趋势。
- 理解 AI 推理扩展、BitNet 加速器和无存储计算等前沿议题。
- 实现简化模型、调用主流 AI API，设计图像、视频和多模态 Agent。
- 培养跨学科创新、问题解决和团队协作能力，并完成综合项目。
课程项目
选择一个方向，把课程内容做成原型。
你可以从一个清楚的场景开始，逐步尝试方法，用几项指标记录变化，并在项目工作台找到完整参考。
01AI 系统
进入项目工作台 Model Router + RSL
构建一个根据任务、预算、延迟和风险选择模型，并通过独立评测受控改进的 AI 网关。
02AI for HardwareOptical Module Tuning
使用机器学习和实验数据，寻找同时满足误码率、功耗、温度与稳定性约束的光模块参数。
03Physical AILiDAR 3D World Model
建立从 LiDAR 点云采集、同步、标注、质量检查到 3D 世界模型评测的可追溯数据管线。
04AI HardwareHardened-Weights Chip
将训练完成、权重固定的小模型映射为专用推理硬件，分析面积、延迟、吞吐和能耗取舍。
05生成式 AIVideo Generation on Low-Cost GPUs
在有限显存与预算下优化视频生成或视频到视频工作流，建立质量、速度、显存与成本的可复现取舍。
06代码智能Small Coding Model Post-Training
用合法、可追溯的数据对开源代码模型进行参数高效后训练，并在独立测试集上证明目标任务的改善。
考核方式
用可验证的结果完成学习。
20%
作业
模型实现、API 实验、阅读总结和技术短报告。
40%
课题研讨 / 汇报
围绕真实问题进行小组项目汇报与讨论。
40%
课题论文
报告方法、实验结果、失败案例、限制和下一步。