GenAI技术的发展与应用，不断推动着教育领域的变革与创新发展。优秀的GenAI教育应用案例是教育实践中的宝贵财富，代表了教育工作者在教育探索和实践中积累的经验和智慧。在《2024智能教育发展蓝皮书——生成式人工智能教育应用》撰写和第六届智能教育论坛准备过程中，对生成式人工智能教育应用的典型案例进行了公开征集，并评审出优秀案例。现对于部分优秀案例进行分享，为教育工作者们提供借鉴和参考。
本文为中国地质大学的 “‘地学大模型’的建设与实践”案例。“地学大模型”是古生物学领域的大模型垂直应用，是一个具有社会影响力的地学教学、研究和服务平台，对于推动地学研究的创新发展具有重要价值。
为了应对地球科学（以下简称“地学”）领域在高等教育中面临的各项挑战，中国地质大学（武汉）与科大讯飞合作，依托国家杰出青年基金获奖者宋海军教授团队在古生物化石领域的研究成果，协同构建了古生物学领域的大模型垂直应用“地学大模型”，建成了具有社会影响力的地学教学、研究和服务平台。
一、建设目标
一是提高数据处理效率，利用“地学大模型”快速处理和分析地球科学领域的庞大数据集，以缩短研究周期；二是开源共享与协同研究，通过提供开源共享平台，促进科研人员使用和改进模型，推动地球科学领域的研究合作与交流；三是智能化研究支持，通过智能助手提供地物分类与识别、变化检测与趋势分析等服务，提升研究质量；四是跨学科协同合作，推动地球科学与计算机科学、数据科学等领域的合作，促进算法开发和技术支持等方面的创新。
二、建设方法
在构建“地学大模型”的过程中，采取了系统化和标准化的方法以确保项目的有序进行和高效管理。首先深入分析地学需求，明确模型构建核心问题和预期目标，并全面评估数据资源、技术能力、人力资源、财务预算等可用资源，以确保项目可行性和资源最优配置。其次，建立标准化的数据收集流程，利用机器学习算法构建初步的大模型框架。最后根据地质学需求调整和优化模型，通过多次迭代和测试提升模型的准确性和可靠性。具体如图1所示。
图1 “地学大模型”构建路线图
三、体系架构
“地学大模型”的体系架构建立在强大的算力底座之上，提供了必要的算力和数据存储能力。架构中的基础大模型层则涵盖了多种大模型，构成了“地学大模型”的知识基础和分析能力。在算力底座和基础大模型基础上构建的“地学大模型”则在平台的基础上进一步划分成任务、能力、场景和职能四个核心层，具体如图2所示。
图2 “地学大模型”体系架构
四、当前进展
“地学大模型”通过对近50万古生物化石图片数据进行训练，现已上线了三个助手，为地球科学专业的教学、实践及科研等活动提供服务支撑。一是古生物化石标本识别助手，依托大模型的化石标本图片识别能力，提供化石标本上传、识别和科普服务。二是古生物学文献数据挖掘助手，利用大模型的文献实体抽取任务能力，辅助古生物学文献研读和实体自动抽取。三是古生物学智能知识问答助手，通过智能对话和搜索，实现学科知识的即时问答及精准搜索，为师生和一线工作人员提供知识问答与搜索服务。
“地学大模型”的建设提升了地球科学领域的研究效率和教学质量，通过跨学科合作和智能化支持，推动了地学研究的创新发展，具有重要的学科价值和教育价值。
【END】
