计算与人工智能通识（微课版）-课件 第1章 计算与人工智能概论

计算与人工智能通识

（微课版)第1章

计算与人工智能概论CONTENTS目录1.1

计算与计算自动化1.2

计算思维1.3

人工智能的起源与定义1.4

人工智能的发展历程与趋势1.5

人工智能的研究内容与主要技术1.1

计算与计算自动化1.1.1

计算的概念计算，既是一种数学技能，也是推动科技进步的重要手段。随着电子计算机的出现以及电子计算机应用的普及，人们对计算的理解发生了很大变化。1．计算是指数学运算算术运算是指数据在运算符的作用下按照一定的计算规则进行的数学运算。“计算”体现的是一种基本的数学技能，且是人类必须具备的基本技能。这是对计算最简单、最直接的理解。2．计算是指较复杂的运算“计算”体现的是问题求解的方法和手段。当待求解的问题变得复杂而用传统数学方法无法求出精确解时，只能利用一种先进的计算工具来取代人工计算，这种计算工具就是电子计算机。3．计算是指符号变换计算是一种符号变换，即从一个符号串按照一定的规则变换成另一个符号串的过程。符号变换的规则由程序决定。从这个意义上讲，电子计算机是一个具有程序执行能力的符号变换工具，如图所示。符号变换所得到的输出结果，除了取决于输入的数据，还取决于程序，即程序不同，数据处理方法不同，得到的结果也不同。“计算”一词的英文表示通常是Computing，以计算机为工具实现符号变换的过程都可以称为计算。1.1.2

图灵机模型图灵机（Turing

Machine）是由英国数学家艾伦·图灵于1936年提出的一种抽象的计算模型。图灵机不是一种具体的机器，但是通过这种模型可以制造一种十分简单却具有极强运算能力的计算装置，用来计算所有能想象得到的可计算函数。1．图灵机的组成图灵机的结构如图所示。图灵机由以下4个部分组成。（1）一条无限长的纸带（Tape）（2）一个读写头（Head）（3）一套控制规则表（Table）（4）一个状态寄存器图灵机就是根据程序的命令以及它的内部状态进行纸带的读写和移动的。2．图灵机的工作过程图灵机的动作完全由3个因素确定：机器所处的当前状态、读写头所在方格上的符号、转换规则。每个转换规则由以下4元组说明。（current_state,symbol,action,next_state）其含义是当图灵机处于current_state状态时，若读写头扫描到纸带方格里的符号为symbol，则执行动作action，并转换到next_state状态。下面以计算x+1的图灵机为例，分析图灵机的工作过程。图灵机的控制规则如表所示，表中S表示图灵机的起始状态，P表示中间状态，G表示结束状态。设x=37，计算过程如下。①图灵机处于S状态，图（a）。②

图灵机进入P状态，图（b）。③图灵机进入G状态，立即停机，图（c）。完成x+1运算。可以看出，只要改变图灵机的控制规则表，它就可以完成其他的任务。图灵机虽然简单，但是具有充分的一般性，反映了计算的本质。电子计算机是图灵机的物理实现形式，其计算能力与图灵机等价。

为了纪念图灵对计算机科学的卓越贡献，国际计算机学会（AssociationforComputingMachinery，ACM）于1966年设立了图灵奖。该奖一直是世界计算机科学领域的最高奖项。1.1.3

冯·诺依曼体系结构1．基本思想①

电子计算机应由运算器、控制器、存储器、输入设备和输出设备5个部分组成。②

计算机采用二进制数而不是十进制数。③

计算机的基本工作原理应该是存储程序和程序控制，即计算机可以按照程序规定的顺序，自动地从执行一条程序指令转向执行下一条程序指令。2．在现代计算机中的应用与影响长达101页的《关于EDVAC的第一份报告草案》是计算机发展史上的一份划时代的文献。这一方案提出了电子计算机的基本体系结构，使得计算机在硬件组成、数据处理方式等方面都具有了高度的统一性和规范性，从而奠定了现代计算机的发展基础。3．优点与局限性（1）优点①

通用性强。能够执行各种类型的程序。②

灵活性高。可以根据存储的程序自动执行，能够适应不同的应用场景，并根据需要进行调整和扩展。③

可扩展性好。可以通过增加存储器和外部设备来扩展其功能和性能。④

易于实现。设计相对简单明了。⑤

支持高级语言。高级语言程序可以通过编译器或解释器转换成机器语言，在计算机上执行。（2）局限性①

冯·诺依曼瓶颈。中央处理器与存储器是分离的，导致存储器成为制约计算机性能的关键因素之一。②

串行执行。计算机采用串行执行方式，限制了计算机并行处理的能力，影响了计算速度的提升。③

非数值处理能力有限。冯·诺依曼体系结构最初是为数值计算而设计的，因此在非数值处理领域（如图像处理、语音识别等）的发展相对缓慢。④

功耗问题。随着处理器集成度的增加，冯·诺依曼体系结构的功耗问题日益突出，对散热和能源效率提出了更高要求。（3）未来的发展趋势研究人员正在探索非冯·诺依曼体系结构，如量子计算、光子计算等。新型存储技术，如非易失性内存（NVM）和三维堆叠存储器的出现，有望缓解“冯·诺依曼瓶颈”。随着多核处理器和分布式计算技术的发展，计算机系统的并行处理能力将得到进一步提升。1.2

计算思维三种基本的思维方式：一是以数学学科为代表，以推理和演绎为特征的逻辑思维；二是以物理学科为代表，以实验、观察和归纳总结为特征的实证思维；三是以计算机学科为代表，以设计和构造为特征的计算思维。1.2.1

计算思维的概念图灵奖得主艾兹格·迪杰斯特拉（Edsger

W.

Dijkstra）：“我们所使用的工具影响着我们的思维方式和思维习惯，从而也将深刻地影响着我们的思维能力。”周以真教授认为，计算思维（ComputationalThinking）是运用计算机科学的基础概念进行问题求解、系统设计以及人类行为理解等涵盖计算机科学之广度的一系列思维活动。下面通过两个简单的例子，说明什么是计算思维。先看求定积分的问题：为了求函数f(x)在[a,b]区间内的定积分，数学上的求解思路和利用计算机的求解思路是不同的，反映出不同的思维方式。再看一个问题：验证哥德巴赫猜想，即任何大于2的偶数，都可表示为两个素数之和。哥德巴赫猜想是一个古老而著名的数学难题，迄今未得出最后的理论证明。数学家要做的事情是证明一般性的结论，利用计算机只能对有限范围内的数加以验证，不能算严格的证明。1.2.2

计算思维的本质与方法1．计算思维的本质计算思维的本质是抽象（Abstraction）和自动化（Automation）。（1）抽象抽象是指将具体事物或现象的共同特征、属性抽取出来，并用概念、模型、符号等方式表示出来的思维方式。哥尼斯堡七桥问题：18世纪初，普鲁士的哥尼斯堡有一条河穿过城区，河上有两个小岛，有七座桥把两个岛与河岸联系起来，图（a）。为了求解这一问题，欧拉对问题进行了抽象，把每一块陆地视为一个点，连接两块陆地的桥以线表示，由此得到抽象后的几何图形，图（b）。欧拉证明了遍历七座桥并回到原点的路径是不存在的，并创立了一个新的数学分支—图论与几何拓扑。（2）自动化自动化是指利用计算机技术实现任务的自动执行和处理。利用计算机自动求解问题需要结合人类的思维和计算机的能力。2．计算思维的方法（1）约简、嵌入、转化与仿真约简是将问题简化为更容易处理的形式，去除不必要的细节，降低问题的复杂性。嵌入是将问题嵌入一个更大的系统中，以便利用系统的资源和功能来解决问题。转化是将问题转化为另一种形式或领域，以便利用该领域的知识和方法来解决问题。仿真是通过构建仿真模型来模拟实际问题，从而预测和评估不同解决方案的效果。2．计算思维的方法（2）递归与迭代递归是通过函数调用自身来解决问题。递归方法能够简化问题的求解过程，但需要注意效率问题。迭代是通过重复执行某个过程来逐步逼近问题的解。迭代方法常用于优化问题、求解方程等场景。2．计算思维的方法（3）并行处理、分布式处理与多维分析并行处理利用多个处理器或计算资源同时处理问题的不同部分，以提高计算效率。分布式处理将计算任务分布在多个计算机或节点上执行，以实现更高效的资源利用和更快的计算速度。多维分析从多个角度和维度对问题进行分析，以便更全面地理解问题的本质和特征。2．计算思维的方法（4）抽象与分解计算思维的核心之一是抽象，即将复杂的问题或系统简化为更易于理解和处理的形式。分解是将复杂的问题分解为一系列更小、更具体的子问题。2．计算思维的方法（5）算法设计与分析算法是计算思维的核心组成部分之一，它规定了问题求解的步骤和规则。算法分析是对设计的算法进行评估和优化，以提高其效率和准确性。2．计算思维的方法（6）自动化与容错机制自动化是指利用计算机技术和工具实现问题求解和系统设计的自动化。容错机制是指在系统设计中考虑可能出现的错误和异常情况，并采取相应的容错措施来确保系统的稳定性和可靠性，包括冗余设计、错误检测与恢复等。1.3

人工智能的起源与定义人工智能是一门研究如何构造智能机器或智能系统，从而模拟、延伸和扩展人类智能的学科。1.3.1

人工智能的起源1．理论奠基：图灵与智能的判据人工智能的起源可以追溯到艾伦·图灵的图灵测试，如图所示。图灵测试成为人工智能领域的重要评估标准，为人工智能的发展奠定了基础。2．学科诞生：达特茅斯会议与人工智能元年1956年夏天，一场为期两个月的研讨会在美国达特茅斯学院（DartmouthCollege）召开，这次会议被认为是人工智能学科的正式起点。在会议上，约翰·麦卡锡把机器的这种模仿能力总结为“人工智能”，“人工智能”一词就此诞生，因此1956年被称为人工智能元年。1.3.2

人工智能的三大学派由于人们对人工智能本质的不同理解和认识，形成了符号主义（Symbolism）、连接主义（Connectionism）、行为主义（Behaviorism）三大学派。符号主义以基于知识工程的专家系统研究为代表，连接主义以人工神经网络研究为代表，行为主义以行为动作的感知与控制研究为代表。1．三大学派的基本思想（1）符号主义符号主义代表人物是艾伦·纽厄尔（AllenNewell）、赫伯特·西蒙（HerbertSimon）等。符号主义主张用计算机模拟人类的符号处理过程，通过逻辑推理、规则匹配等方法来实现人工智能。其代表性成果包括机器证明、专家系统、知识工程等。基于符号主义的标志性事件有IBM公司的“深蓝”（DeepBlue）超级计算机战胜国际象棋冠军加里·卡斯帕罗夫（GarryKasparov）。1．三大学派的基本思想（2）连接主义连接主义的代表人物是沃伦·麦卡洛克（WarrenMcCulloch）与沃尔特·皮茨（WalterPitts）等。连接主义的核心方法是构建人工神经网络（ArtificialNeuralNetwork，ANN）及人工神经网络间连接机制的学习算法，实现对大脑功能的模拟。谷歌公司开发的人工智能围棋程序AlphaGo击败韩国棋手李世石，之后又战胜了中国棋手柯洁；DeepMind公司的Alphafold人工智能程序破解了困扰生物学界50年之久的蛋白质分子折叠问题。1．三大学派的基本思想（3）行为主义行为主义的代表人物是罗德尼·布鲁克斯（RodneyBrooks）。行为主义起源于进化生物学和控制论，其基本思想是智能取决于感知和行动，提出智能行为的“感知-动作”模式，落脚点为行为控制、自适应与进化计算。行为主义代表性成果是谷歌的机器狗，其目标是实现人或动物能去的地方机器都能去。三大学派的区别如表所示。2．生成式人工智能—三大学派共塑的智能革命生成式人工智能（ArtificialIntelligenceGeneratedContent，AIGC）的崛起，不仅是技术的飞跃，更是人工智能三大学派思想融合的产物。它以连接主义为基础，吸收符号主义的逻辑框架，融入行为主义的动态反馈，共同推动智能技术迈向新高度。连接主义为生成式人工智能提供了底层架构。Transformer架构的突破，更让生成式人工智能跨越文本、图像、视频的多模态生成成为可能，验证了连接主义对分布式表征的强大能力。2．生成式人工智能—三大学派共塑的智能革命尽管生成式人工智能以连接主义为主导，但符号主义的逻辑推理与知识表示方法仍在其中发挥辅助作用。行为主义关注智能体与环境的互动反馈，这一机制被深度整合至生成式人工智能的训练中。生成式人工智能的诞生与发展，是三大学派跨越理论鸿沟、走向协同创新的缩影。生成式人工智能通过突破传统学派壁垒，正推动人工智能向通用智能（ArtificialGeneralIntelligence，AGI）的终极目标迈进。1.3.3

人工智能的定义马文·明斯基提出：“人工智能是一门科学，是使机器做那些人需要通过智能来做的事情，是能够和人一样进行感知、认知、决策、执行的人工程序或系统”；尼尔斯·约翰·尼尔森（NilsJohnNilsson）提出：“人工智能是关于知识的科学，是研究知识的表示、知识的获取和知识的应用的一般规律、算法和实现方法的一门科学”。人类不是机器，机器也不是人类，人工智能和人类智能有着本质的区别。（1）非生物与生物的区别。人类智能是自主智能系统，除了理性智能，人类还具有难以评定的感性思维。（2）人类采用现实思维，有主观能动性，机器采用固定思维，无法开发出自主情绪。（3）从功能上看，人类具有对未来可能的重构能力，而机器只能简单地读取过往的记忆。人工智能已发展为一门综合性的交叉学科，如图所示。

1.4

人工智能的发展历程与趋势1.4.1

人工智能的发展阶段1．起步发展期（1956—1960年）1956年达特茅斯会议后的几年间，掀起了人工智能发展的第一次高潮，取得了一批研究成果。这些成果让人们看到了人工智能的巨大潜力，仿佛一个全新的时代已经到来。然而，当时的计算机性能有限，处理速度慢，存储容量小，极大地限制了人工智能的发展。2．反思发展期（1961—1970年）人工智能发展初期的突破性进展，让人们对它充满了无限的期望。人们开始尝试更具挑战性的任务，接二连三的失败和预期目标的落空，使人工智能的发展走入了低谷。3．应用发展期（1971—1985年）20世纪70年代，专家系统的出现，为人工智能的发展注入了新的活力。专家系统能够根据输入的信息，运用专家的知识和经验，进行推理和判断，给出解决方案。但专家系统严重依赖人工录入大量规则，导致系统的维护与更新十分困难。4．低迷发展期（1986—1995年）随着人工智能应用规模的不断扩大，专家系统存在的问题逐渐暴露出来。专家系统的应用领域狭窄；只能根据专家提供的知识进行推理；知识获取困难、推理方法单一、难以与其他系统进行协同工作、数据共享困难。这些问题使得专家系统的应用受到了限制，人工智能的发展再次陷入了低谷。5．稳步发展期（1996—2010年）20世纪90年代中期，互联网的飞速发展为人工智能提供海量训练数据；计算机性能持续改善，图形处理器（GraphicsProcessingUnit，GPU）开始用于加速计算；统计学习崛起，让机器从数据中自主发现规律。2006年，杰弗里·辛顿（GeoffreyHinton）提出深度学习（DeepLearning）的概念，成为点燃人工智能革命的导火索。2008年，IBM提出了“智慧地球”的概念，实现万物互联和智能化的管理。在这一时期，人工智能技术在语音识别、图像识别、自然语言处理等方面也取得了显著的进展。6．蓬勃发展期（2011年至今）以深度神经网络为代表的人工智能技术飞速发展，迎来了爆发式增长的新高潮。大数据为人工智能提供了丰富的“养料”；云计算和GPU等计算平台为人工智能的发展提供了强大的计算能力。2017年，谷歌研究人员在论文AttentionIsAllYouNeed中首次提出Transformer架构，该架彻底改变了自然语言处理的技术路径，为后续的大语言模型（如GPT、BERT）以及多模态模型奠定了基础。6．蓬勃发展期（2011年至今）2018年以来，美国OpenAI公司发布的GPT系列模型不断刷新人们对人工智能的认知。2024年12月，中国人工智能企业深度求索（DeepSeek）公司发布了大语言模型DeepSeek-V3。2025年1月，深度求索公司又发布了DeepSeek-R1推理模型。DeepSeek为大模型的普惠化发展做出了积极贡献。1.4.2

人工智能的发展趋势1．可信人工智能可信人工智能（TrustworthyAI）指的是一种在设计、开发和应用过程中，能够确保其可靠性、安全性、公正性、透明性和可解释性的人工智能系统。未来的可信人工智能研究将着眼于改进算法设计、加强安全措施、采用隐私保护技术、消除数据偏见以及提高模型的可解释性等方面，以逐步实现可信人工智能更高的目标。1.4.2

人工智能的发展趋势2．多模态大模型多模态大模型能够处理和理解多种不同类型的数据，如文本、图像、声音和视频等，以实现更加自然的人机交互。目前多模态大模型已取得较好的成果。1.4.2

人工智能的发展趋势3．人机协作与交互机器依赖人类的反馈和指导，不断调整其策略，实现更个性化的服务和更高效的用户体验。未来的人机协作与交互研究将致力于提升机器对人类意图和行为的理解能力，推动系统通过自适应学习不断优化与用户的互动。同时，研究将更加注重人机协作过程的透明性和可解释性，以增强用户的信任感，并解决数据隐私和伦理问题，以确保协作系统的安全性和社会可接受性。4．具身机器人具身机器人（EmbodiedRobotics）的核心是通过物理实体（机器人）在真实环境中的感知、行动与交互，实现智能的具身化。与传统工业机器人（依赖预设程序完成重复任务）不同，具身机器人强调通过自主学习适应动态环境，具备“感知-决策-执行”的闭环能力，是人工智能从虚拟模型走向现实世界的关键载体。4．具身机器人（1）核心技术①

具身智能（EmbodiedIntelligence）：具身智能是指具有身体并支持与物理世界进行交互的智能体，如机器人、无人车等。②

大模型赋能：通过多模态大模型处理传感数据，由大模型生成运动指令，并对机器人进行驱动。③

物理交互能力：突破传统机器人“刚性控制”局限，融合软体机器人、自适应抓取算法（如基于视觉的多指灵巧操作），实现对易碎物体（如鸡蛋）、非规则物体（如衣物）的安全操作。4．具身机器人（2）关键应用场景①

家庭与服务机器人：具备自主导航、物体识别、人机协作能力的家用机器人。②

工业与物流自动化：具身机器人通过视觉感知实时调整抓取策略，适应多品种小批量生产需求。③

灾难救援与极端环境检测：通过地形自适应算法穿越复杂废墟，依赖实时环境建模与路径规划技术降低人工风险。4．具身机器人（3）挑战与未来方向①感知与决策的鲁棒性：研发更鲁棒的多模态融合算法，结合监督学习提升模型泛化能力。②能耗与机动性