本站2026年7月5日课程表将杨仝与赖勇共同列于“找矿增储与AI赋能矿企突围”课题。这个主题连接矿产资源勘查、数据利用和企业经营问题。本文围绕公开题目讨论一般性的技术与管理思路，保留共同列名事实，不把主题拆成未公开的个人授课模块。

找矿问题需要把地质认识与数据结合

矿产资源勘查面对的是复杂的地质条件和多源资料。地质图、物探化探数据、钻探记录与历史成果可能具有不同精度和尺度，分析前需要统一整理并明确来源。人工智能可以帮助发现数据之间的模式，但数据关联不能自动变成地质结论，仍需专业人员结合地质规律判断。

AI适合辅助筛查，不能替代现场验证

算法可用于资料分类、异常识别、图像分析和优先级排序，帮助团队把注意力放在值得进一步检查的线索上。模型输出可能受训练样本、数据质量和参数选择影响，因此每项候选结果都需要回到原始资料核验，并通过勘查设计和现场工作验证。技术流程应清楚记录使用范围和不确定性。

从资源发现到企业决策还有多个环节

即使形成了有价值的勘查线索，企业仍要评估资源量、技术条件、环境要求、资本投入、合规责任和市场变化。AI工具只能支持其中部分信息处理，不能替代项目论证和专业审查。把勘查、工程、财务与管理人员纳入同一讨论过程，才能让技术发现进入稳健的经营决策。

跨学科协作要先说清数据责任

地质团队、算法团队和管理团队使用的术语与工作目标可能不同。合作前明确数据权限、坐标标准、保密要求和成果复核责任，能减少模型结果被误用的风险。对于来源不明或采集条件不一致的数据，应标记质量等级，而不是为了形成完整模型就忽略缺口。

公开课题明确共同列名边界

原课程表将杨仝与赖勇共同列在同一课题下，公开资料没有进一步说明各自承担的具体章节。本文因此只讨论题目涉及的一般问题，不声称杨仝单独讲授某一模块，也不推断未公开的课堂案例。报名或咨询后续课程时，应索取最新课表并确认当期教师和具体安排。

延伸阅读与实践

讨论AI项目时，可以选一个具体业务环节，先写明当前流程、数据来源、人工判断点和希望改善的指标，再判断是否需要模型介入。试点结束后记录错误类型、节省时间和人工复核成本。以问题和证据为中心，比先选一个流行算法再寻找用途更容易形成真实价值。

课程与师资对应依据

本站2026年7月5日课程表将杨仝与赖勇共同列于“找矿增储与AI赋能矿企突围”课题。本文保留共同列名关系，不把该课题写成杨仝单独授课或独立负责某一模块；该日期为历史期次，后续安排须查最新通知。

公开履历：杨仝。课表履历列为北京大学计算机学院、人工智能研究院研究员，以及北大—小米大模型训推联合实验室主任。

本文依据本站公开的课程通知、历史课表和师资履历，围绕公开主题作一般知识梳理，不等同课堂逐字内容，也不代表老师未公开的个人观点。所引页面对应既往期次，不能替代当前招生信息；如关注后续班次，请核对开课时间、师资和完整课表，以最新正式通知为准。

查看杨仝老师的师资介绍：杨仝老师师资页。

索要详细招生简章、最新课表和后续课程安排，请致电 4000616586，联系人程老师；咨询微信：pxbbaoming。

查看课程来源与课表原页：点击查看课程通知