作为全国首个以 “双高” 为基础的本科职业学校，深圳职业技术🤩大学在 AI 高层次技术技能人才培养中，正面临一道关键难题：💯学生实训要足量 GPU 算力支撑，教师科研需灵活适配 IT 🥳环境，可传统 IT 架构下，资源不够用、管理太繁琐、运维压得😎慌，如何打破这层束缚？深圳职业技术大学为职业本科 AI 育人😢提供了可落地的参考样本。 深圳职业技术大学是一所公办本😀科层次职业院校。建校以来，学校以立德树人为根本任务，坚定职教😢本色，坚持深圳特色，深入对接国家所向、深圳所需，秉持“德业并😜进、自强不息”的校训精神，不断创新办学体制机制、教育教学理念🙌、人才培养模式，创造了中国高职教育的多个第一，综合实力稳居全🤔国同类院校前列。 在 AI 发展大潮下， 学校以人工智😀能技术应用落地为研究导向，积极开展学科建设，推动科研向教学的🤩转化，培养高层次技术技能人才。既要让学生在课堂上接触真实的 ❤️AI 模型训练与推理场景，又要支持教师开展面向产业需求的 A🙄I 应用科研项目，深圳职业技术大学原有 IT 架构逐渐难以支💯撑新增需求，主要面临以下阻碍： GPU 资源利用低，实😢训需求难满足 AI 教学中的模型实验、教学实训均高度依😴赖 GPU 算力，但学校面临双重困境：一方面，GPU 资源有👍限，高峰期多个班级需排队使用，实训课程的时段安排分散，影响教🚀学进度；另一方面，传统管理方式下，GPU 资源利用率低，非上😎课时段设备常有闲置，需要动态调配机制，缓解资源紧张问题。 🤔 教学环境要求有差异，准备复杂并且管理难 不同课程对🤔 IT 环境的需求差异显著，为支持不同计算任务可能花费大量时😢间配置物理机，同时需要配置不同的 AI 框架，学习环境的切换😀与就绪都耗时耗力。与此同时，实验代码、训练模型、数据集缺乏统😉一存储管理，一旦出现本地设备故障等问题，可能导致数据丢失或者😍结果出错。 依赖教师的人工管理，运维压力大 从 🤯GPU 资源申请、环境配置到实验任务提交，均需依赖老师手动操😅作，挤占了备课与教学时间。如果面对 100+ 学生同时申请资😊源，不仅效率低下，还容易出现资源分配不均、权限设置错误等问题🔥，进一步增加运维负担。 资源池化切分 + 动态调度：实🤩现供需平衡与高效利用 通过青云 AI 智算平台，深圳职💯业技术大学将 GPU 资源整合为统一资源池，以精细化的算力切🚀分及智能动态调度破解智算资源难题。 精细化算力切分： 🙄 同时支持独占 GPU 和 vGPU 申请。通过 vGP🥳U 将单张 GPU 卡切分为多个独立算力单元，每个单元可满足😅 1 名学生的实训需求，在不增加硬件投入的情况下，将 GPU❤️ 资源承载能力提升 3-5 倍。 智能动态调度： 👏 依托调度算法实现 “教学实训优先 + 科研错峰利用”，上课🚀高峰期自动将闲置科研算力单元调配至教学场景，非上课时段则释放😁算力单元供科研使用，资源不足时自动开启排队机制，实现资源价值😘最大化。 展开全文 分钟级交付：环境切换与框架启😉动零门槛 为解决教学环境适配难，深圳职业技术大学通过软🙌硬件一体化交付的方案，实现教学实训 “开箱即用”。 分😘钟级环境交付： 学生通过统一平台提交环境需求，从申请到😎环境就绪仅需 1 分钟，相比传统手动配置效率大幅提升，满足多🌟课程连续实训的快速切换需求。 一键启动常用框架与模型：👍 预集成 PyTorch、MindSpore 等主流 😆AI 框架，以及 30 + 通用模型，学生无需手动下载配置，😡点击即可启动使用，同时支持自定义模型上传，兼顾基础教学与进阶😆实训。 全流程自助 + 可视化监控：学生更便捷、教师更😜省心 借助青云 AI 智算平台，深圳职业技术大学实现学😉生自主操作与教师智能管控的双向优化，减轻师生的使用负担，进一😎步提升管理效率。 全流程自助： 学生可自主完成 🔥GPU 资源申请（选择算力规格、使用时长）、环境配置与任务提😜交，一旦任务完成，资源则自动释放，同时也支持师生的远程访问，🤔以及多任务并发。 可视化监控与自动隔离： 教师通😡过平台可以查看 GPU 使用率、内存占用、任务进度等。当出现🙌设备故障、资源超配等问题时，系统自动触发告警；当出现异常任务😡时，能够自动隔离，不影响其他学生的实验进程。 深圳职业🤩技术大学以高效、低成本的智算支撑，解决了 GPU 资源紧张的🙌难题，实现了实训环境的分钟级交付，获得了更便捷的管理运维，加😆速了科研向教学的转化，为培养高层次技术技能人才筑牢根基。青云😅科技将持续探索高校在 AI 时代的深层需求，不断创新应用场景🙄，以更贴合教育实际的智算解决方案，助力 AI 教学、科研与人😉才培养。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多