人工智能实训室解决方案里最容易写虚的一段是算力。清单上写着若干张显卡，一问能跑多大的模型、一批学生同时训练会不会排队，就答不上来。算力、数据集与课程任务其实是一组互相约束的条件，先把模型规模与并发人数算清楚，机柜功率与网络带宽才有依据。

显存测算怎么做到不浪费

以 7B 参数模型做微调为例，全量训练按混合精度估算，单卡显存需求接近参数量的 16 倍，24GB 显卡跑不动；改用 LoRA 只训练低秩适配层，可训练参数降到百分之几，24GB 显卡即可容纳。若课程只做推理与提示词工程，8GB 显存也够用。先定课程目标再定卡，比先买卡再找课省得多。

并发人数按一人一卡规划，两人共用一卡时训练任务排队，会让一半学员空等。机柜功率要跟上，单卡功耗 350 瓦级，八卡服务器含整机接近 6 千瓦，机房配电与空调制冷需同步核算。参照 GB/T 22239-2019 对机房与信息系统安全的要求做基础保障，别让散热成为训练中断的理由。

数据集与标注流程怎么建

教学数据集分三类：公开数据集用于建立基准，如 COCO、VOC 这类通用视觉集；校内采集数据用于贴近场景，比如食堂餐盘识别、校园车辆计数；教师整理的小样本集用于快速验证想法。三类各有用途，把公开集的结果直接当课程成果，学生学不到数据质量对模型的真实影响。

标注环节建议用开源工具搭一套流程：先定标注规范，再抽 10% 做一致性校验，两人标注同一批图，重合率低于 90% 就回炉改规范。图像分类任务每人每天标 300 至 500 张是常态，排课时要算进去。标注质量直接决定 mAP，学生亲手标过一遍，才理解为什么清洗数据要占掉大半时间。

从训练到部署的课程闭环

训练跑通只是中间一步。完整闭环要走到推理服务：模型导出为通用格式，用推理框架封装成接口，前端页面调用后返回结果。课堂上可以用一块开发板做边缘推理，把模型压缩后部署上去，比较压缩前后的精度与延迟，学生才能理解参数量与速度之间的取舍。

课程任务按难度分三段：识别校园植物、检测安全帽佩戴、做一个属性分类的小系统。每一段都要求提交数据集说明、训练日志、混淆矩阵与一份部署说明。评分时看混淆矩阵里错分集中的类别，学生自己就能定位是样本不均衡还是标注有误，比教师逐条纠错有效。

合规与内容安全怎么落到制度

涉及生成式模型，需按《生成式人工智能服务管理暂行办法》2023 年的要求，做内容标识与日志留存；校内实验环境虽不对公众提供服务，仍要在课程里讲清数据来源合法性与个人信息脱敏。人脸、声纹这类生物特征数据属于敏感个人信息，采集前要取得书面授权，教学用图建议直接用公开授权数据集。