人工智能通识基础 课件 第2章 人工智能的工作原理

人工智能的工作原理第2章人工智能的核心是让机器模仿人类的智能行为，使机器具备感知、思考、决策甚至是自我学习的能力，为人类解决一系列问题。要想深度理解人工智能，首先需要对其工作原理有所了解，明白人工智能依靠什么来获得相应的能力，又是如何来完成相应的任务。本章主要介绍数据、算力、算法对人工智能的重要作用与影响，机器学习的原理与学习类型，人工智能大模型的开发过程、类型，以及人工智能工具提示的设计技巧。人工智能的燃料之源：

数据人工智能的智慧之源：

算法人工智能的动力引擎：

算力人工智能的技术逻辑：

机器学习01020304目录CONTENTS人工智能完成任务的工具：

人工智能大模型0501人工智能的燃料之源：

数据数据被称为人工智能的燃料，是人工智能进行学习和迭代优化的基础。通过机器学习和深度学习技术，人工智能能够从大量数据中提取模式、规律和决策逻辑，没有数据，人工智能就无法学习和迭代优化，再先进的算法和算力也无法发挥其应有的价值。2.1.1数据的作用数据是人工智能

学习的基础01数据支持人工智能

进行预测02数据推动人工智能

迭代优化032.1.2数据对人工智能的影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果某地区种植结构识别分析数据的质量

对人工智能的

影响2.1.2数据对人工智能的影响数据的多样性

对人工智能的

影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果提升人工智能模型的准确性增强人工智能模型的鲁棒性更好地满足不同领域的需求满足个性化需求推动人工智能模型创新数据的质量

对人工智能的

影响2.1.2数据对人工智能的影响数据的多样性

对人工智能的

影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果提升人工智能模型的准确性增强人工智能模型的鲁棒性更好地满足不同领域的需求满足个性化需求推动人工智能模型创新数据的质量

对人工智能的

影响2.1.2数据对人工智能的影响数据的多样性

对人工智能的

影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果提升人工智能模型的准确性增强人工智能模型的鲁棒性更好地满足不同领域的需求满足个性化需求推动人工智能模型创新数据的质量

对人工智能的

影响2.1.2数据对人工智能的影响数据的多样性

对人工智能的

影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果提升人工智能模型的准确性增强人工智能模型的鲁棒性更好地满足不同领域的需求满足个性化需求推动人工智能模型创新决定人工智能模型学习效果影响人工智能模型性能优化效率影响人工智能模型的准确性影响人工智能模型的稳定性影响人工智能模型的应用效果数据标注数据标注的准

确性对人工智能的影响数据的质量

对人工智能的

影响2.1.2数据对人工智能的影响数据的数量

对人工智能的影响数据的合规性对人工智能的影响大量的数据为人工智能模型提供了丰富的学习素材。丰富的数据有助于提高人工智能模型的准确性和稳定性。合规的数据处理过程有助于确保人工智能系统的决策是可解释的，并且不会对人类造成伤害。开发者在采集和使用数据时必须遵守隐私保护、数据安全和反歧视等要求。数据的多样性

对人工智能的

影响影响人工智能模型的准确性影响人工智能模型可靠性影响人工智能模型的性能和效率制约人工智能模型的泛化能力影响人工智能系统的应用效果提升人工智能模型的准确性增强人工智能模型的鲁棒性更好地满足不同领域的需求满足个性化需求推动人工智能模型创新决定人工智能模型学习效果影响人工智能模型性能优化效率影响人工智能模型的准确性影响人工智能模型的稳定性影响人工智能模型的应用效果数据标注的准

确性对人工智能的影响数据的质量

对人工智能的

影响2.1.3人工智能涉及的数据类型2.1.4数据的采集方式使用网络爬虫抓取数据01使用传感器采集数据02通过开放API获取数据03购买数据集04通过数据库查询数据05通过用户交互获取数据06使用数据分析工具获取数据0702人工智能的动力引擎：

算力算力是计算机通过处理数据，实现特定结果输出的计算能力。算力是支撑人工智能算法运行和数据处理的基础资源。人工智能的不断发展使其对算力的需求也在不断增加。2.2.1算力的作用支持人工智能模型的训练与推理01决定人工智能应用的性能和效率02高算力推动技术创新03高算力加速人工智能技术的普及和应用042.2.2算力的类型基础

算力1智算算力2超算

算力3基础算力是由中央处理器（CPU）芯片的服务器所提供的算力，是最基本的计算能力。基础算力具有广泛的适用性，能够满足日常办公、网页浏览、文件处理、移动计算及物联网等常规应用场景的基本计算需求。智算算力主要是基于GPU、FPGA、ASIC等AI芯片的加速计算平台提供的算力，主要用于人工智能的训练和推理计算，是推动人工智能发展和应用的关键算力类型。超算算力是由超级计算机之类的高性能计算集群所提供的算力，是一种强大的计算能力。超算算力主要用于尖端科学研究、工程模拟、气象预报、药物研发、航空航天等对计算能力要求极高的领域。2.2.3人工智能算力的构成03人工智能的智慧之源：

算法算法（Algorithm）是指解题方案的准确而完整的描述，是解决问题的一系列清晰指令。这些指令通常由计算机执行，用于计算、数据处理、自动推理和决策制定等任务。2.3.1算法的作用推动人工智能技术进步03拓宽人工智能的应用领域04保障智能行为的实现01支持数据处理与分析022.3.2人工智能领域的常用算法04人工智能的技术逻辑：机器学习机器学习是人工智能的核心技术之一，它使计算机能够从数据中学习规律、模式和趋势，从而具备一定的智能决策和预测能力。2.4.1机器学习的原理人类学习

与机器学习的原理2.4.1机器学习的原理机器学习识别动物的原理2.4.2机器学习的学习类型简单来说，监督学习就是利用标记数据对模型进行训练，使模型能够预测新数据的标签。监督学习01在无监督学习中，数据没有预先定义的输出标签或目标值，算法的目的是从数据本身的结构、分布等特性中挖掘信息，发现数据中的规律、模式或者对数据进行分组等操作。无监督学习02正方形积木红色积木无监督学习积木分类2.4.2机器学习的学习类型简单来说，监督学习就是利用标记数据对模型进行训练，使模型能够预测新数据的标签。监督学习01在无监督学习中，数据没有预先定义的输出标签或目标值，算法的目的是从数据本身的结构、分布等特性中挖掘信息，发现数据中的规律、模式或者对数据进行分组等操作。无监督学习02半监督学习结合了监督学习和无监督学习的特点，它利用少量的标注数据和大量的未标注数据来进行学习。半监督学习03强化学习是智能体通过与环境的交互，学习如何采取行动以获得最大化的奖励。强化学习包括智能体、环境、状态、动作、奖励、策略等要素。强化学习04机器人走迷宫05人工智能完成任务的

工具：人工智能大模型人工智能大模型是指拥有超大规模参数（通常在十亿个以上）、复杂计算结构的机器学习模型。它通常能够处理海量数据，完成各种复杂任务，如自然语言处理、图像识别等。随着人工智能技术的迅猛发展，人工智能大模型成为引领人工智能技术发展和应用的主要方向。2.5.1人工智能大模型的开发过程训练环节目标实施细节预训练构建一个能够理解各类数据的通用模型通过在大规模未标注的数据集上进行学习，来获取语言、图像或其他类型数据的规律和潜在结构，从而构建一个能够理解各类数据的通用模型监督微调让预训练环节的通用模型适应特定任务①将预训练环节得到的通用模型应用到特定任务中，通过在特定领域的带标签的数据集上对通用模型进行微调，让通用模型学习特定任务的输出模式②在通用模型的基础上添加额外的输出层并使用监督学习策略，调整通用模型的参数，以使预测错误达到最小化奖励模型训练建立奖励模型，为模型的行为制定评价标准采用人工或自动化的方法，使用合理的奖励函数，建立奖励模型，为模型的输出内容分配分数，引导模型产生更高质量的输出增强学习微调通过模型与环境的互动，不断优化模型的性能模型在特定环境中进行试错学习，根据奖励模型做出的反馈，模型不断调整决策策略，提升性能训练大模型各个环节的目标和实施细节2.5.2人工智能大模型的类型分类维度类型说明按照模型架构划分深度神经网络模型包括多层感知机、卷积神经网络模型、循环神经网络模型、长短期记忆网络模型等Transformer模型基于自注意力机制，能够高效地处理序列数据，应用场景包括自然语言处理、计算机视觉、语音识别等领域。例如BERT、GPT系列、Transformer-XL等，此类模型具有强大的并行计算能力，可以高效地处理大规模数据，并且能够捕捉输入数据中的长距离依赖关系图神经网络模型适用于处理图结构数据，如社交网络、知识图谱等。图中的节点和边可以表示不同的实体和它们之间的关系，图神经网络模型可以学习到图的结构信息和节点的特征信息，用于完成节点分类、链路预测、图的生成等任务按照学习范式划分监督学习模型需要大量的标注数据进行训练，学习输入数据和对应的输出标签之间的映射关系，常见的应用领域如人脸识别、语音识别、图像分类等无监督学习模型不需要标注数据，通过对大量未标注数据的学习，发现数据中的内在结构和模式半监督学习模型结合有标注和无标注数据进行训练，利用少量的标注数据提供的监督信息和大量的未标注数据中的隐含信息，提升模型的性能和泛化能力强化学习模型通过与环境的交互来学习最优策略，智能体根据环境的状态执行动作，并获得相应的奖励或惩罚，然后根据这些反馈不断调整自己的策略，以获得最大化的奖励。此类模型在机器人控制、游戏智能体、自动驾驶等领域有广泛的应用人工智能大模型常见的分类方式及其对应的类型2.5.2人工智能大模型的类型人工智能大模型常见的分类方式及其对应的类型分类维度类型说明按照应用领域划分自然语言处理模型主要用于处理文本相关的任务，如机器翻译、文本摘要、情感分析、智能问答、文本生成等。例如OpenAI的GPT系列、Google的BERT等都是非常著名的自然语言处理大模型，它们能够理解和生成人类语言，为人们提供各种语言相关的服务计算机视觉模型用于处理图像和视频数据，包括图像分类、目标检测、图像分割、图像生成、视频内容理解等任务。例如DeepMind的DALL-E，它能根据文本描述生成高质量的图像语音识别模型将语音信号转换为文本，或者进行说话人识别等任务，适用于语音输入、语音翻译等场景多模态模型能够处理多种类型的数据（如文本、图像、音频等），实现跨模态的信息融合和推理2.5.3国内常见的人工智能工具人工智能大模型人工智能工具文心一言文心一言文心一格文心一格豆包豆包通义千问通义千问讯飞星火讯飞星火天工天工AI国内常见的人工智能大模型及其对应的人工智能工具2.5.3国内常见的人工智能工具文心一言首页文心一言2.5.3国内常见的人工智能工具文心一言智能体广场文心一言2.5.3国内常见的人工智能工具文心一格AI创作页面文心一格2.5.3国内常见的人工智能工具豆包功能列表页面豆包2.5.3国内常见的人工智能工具通义千问对话页面通义千问2.5.3国内常见的人工智能工具通义千问工具箱页面通义千问2.5.3国内常见的人工智能工具讯飞星火对话页面讯飞星火2.5.3国内常见的人工智能工具天工AI简洁的搜索页面天工AI2.5.3国内常见的人工智能工具天工AI宝典广场页面天工AI2.5.4人工智能工具提示的设计明确任务或需求01设置限制条件02限制条件说明提示示例限制主题指出生成内容的主题或范围“介绍人工智能的基本概念”“介绍人工智能技术对就业的影响”限制角色指定特定的角色或身份“你是一位旅游规划师”限制场景描述具体的场景或情境“假设我们正在为一个五口之家规划一次秋季露营旅行”限制格式明确指出格式要求“请采用Markdown格式写一个产品介绍，包括产品名称、功能、价格和用户评价，并且每个部分用一个小标题分开”限制篇幅明确规定字数范围、段落数量、回答的长度等“写一篇500-600字的关于电影《×××》的影评”限制时间限定时间范围，以获得特定时间段内的信息“基于2020年到2024年的数据进行分析”限制领域限制回答内容的领域“说明人工智能对医学领域产生的影响”限制语言风格指出使用特定的语言风格“用幽默风趣的风格写一篇旅游攻略”“以学术严谨的风格总结这个研究报告”限制