人工智能探索 课件 项目2 人工智能智从何来

2.1大数据技术主讲人：***CONTENTS目录01大数据技术概述02数据的产生与处理03算法的核心作用04算力的支撑与发展05总结与未来展望大数据技术概述01大数据技术的定义与战略意义大数据技术的定义大数据技术是一种处理和分析海量数据集合的能力，涵盖了数据的采集、存储、处理、分析及可视化等多个方面。大数据技术的战略意义大数据技术的战略意义并不在于单纯掌握庞大的数据信息，而在于对这些有价值的数据进行专业化处理。若将大数据视为产业，盈利关键在于提升数据的“加工能力”，通过“加工”实现数据的“增值”。大数据技术的典型应用案例淘宝购物的推荐机制在淘宝购物时，应用程序能依据大数据分析，将用户匹配到相应的人群，从而推荐该人群偏好的内容。百度搜索的推荐机制通过百度进行搜索时，应用程序会根据大数据分析自动列出相关内容，把用户匹配到相应人群并推荐其偏好内容。数据的产生与处理02大数据的主要产生渠道互联网互联网公司在核心业务领域，如搜索引擎数据、社交媒体数据、交易数据等会持续产生数据，长期积累后形成海量数据。物联网自动采集随着物联网设备数量增加，来自传感器、智能温度控制器、智能电表、监控摄像头、联网家电、工厂机器、RFID技术会采集大量数据。企业和政府企业运营中产生交易数据、客户关系管理系统数据、生产数据、库存数据等；政府机构在公共服务和管理中产生交通数据、医疗数据、公共安全数据等。交易数据包括电子商务数据、互联网单击数据。移动通信数据智能手机等移动设备产生的数据。大数据的“5V”核心特点体量（Volume）指数据规模庞大，大数据涵盖海量的数据集合。多样性（Variety）数据类型多样，包括结构化、半结构化和非结构化数据。速度（Velocity）数据产生和处理的速度快，需要及时处理和分析。价值（Value）大数据的战略意义在于对有价值的数据进行专业化处理，实现数据“增值”。真实性（Veracity）强调数据的准确性和可靠性，确保数据真实可用。大数据处理的基本流程（上）数据采集从多个数据源收集数据，是大数据处理的起始步骤。数据清洗与预处理确保数据的准确性和一致性，为后续处理做准备。数据存储经过预处理的数据需存储在能够高效管理和检索的系统中，这些步骤相互关联，共同构成大数据处理体系的一部分。大数据处理的基本流程（下）数据分析与挖掘是大数据处理流程的核心环节，决定大数据集合的价值性和可用性，以及分析预测结果的准确性。结果可视化将分析得到的结果以可视化方式展示，便于用户直观理解和利用数据。数据应用把数据分析的成果转化为实际的业务价值。数据监控对处理后的数据进行实时监控和管理，确保数据质量和准确性，及时发现和解决问题，整个流程具有连贯性。算法的核心作用03算法的定义与基本概念算法的定义算法是对问题解决方案的准确和完整的描述，是一系列清晰的指令，用于解决特定问题。输入输出的确定性给定特定的标准输入，算法能够在有限的时间内生成所需的输出。冒泡排序算法示例（原理）相邻数字比较交换比较相邻的数字，如果第一个数字大于第二个数字，则交换这两个数字。每轮确定最大数对每一对相邻数字执行相同的操作，从第一对开始，一直到最后一对。在这一轮结束时，最后一个数字将是最大的数字。逐步缩小处理范围对所有数字重复以上步骤，但每次都忽略已经排好序的最后一个数字，持续重复上述步骤，处理越来越少的元素，直到没有需要比较的数字为止。冒泡排序算法示例（图示辅助）图示展示排序过程配合图2-2“冒泡排序原理”，用图示展示数字排序过程，直观呈现算法执行逻辑。算法优劣的评判标准（1-2）01正确性算法的正确性是评价一个算法优劣的最重要的标准。02可读性算法的可读性是指一个算法可供人们阅读的容易程度。算法优劣的评判标准（3-5）鲁棒性算法的鲁棒性是指一个算法对不合理输入数据的反应能力和处理能力，也称为容错性。时间复杂度算法的时间复杂度是指执行算法所需要的工作量。空间复杂度空间复杂度是指算法在执行过程中所需消耗的内存空间。选择合适算法可提高工作效率。算法在人工智能中的应用（典型案例）AlphaGo战胜围棋冠军AlphaGo战胜世界围棋冠军源于其强大的算法。语音翻译软件语音翻译软件的高效性依赖于算法的优化。搜索推荐与广告推送算法决定了“百度搜索”的结果，影响了“微博”向用户展示的话题，指导了“爱奇艺”推荐的电影，影响了“淘宝”所推荐的商品，以及“抖音”推送的视频内容，甚至决定了电脑上弹出的广告。算法对人工智能发展的驱动作用核心作用算法是AI实现智能任务、数据处理、优化学习、决策推理的核心。重要驱动力创新与优化是AI发展重要驱动力。算力的支撑与发展04算力的定义（狭义与广义）狭义算力狭义上，算力是指对数学问题进行运算的过程，例如完成“1+1=？”的计算。广义算力广义上，算力则涵盖了对信息进行处理并得到结果的所有过程。凡是能够完成计算过程的能力，都可称为“算力”。算力与人类智慧算力不仅代表人类对数据处理的能力，也反映了人类智慧的发展水平。中国算力发展现状（总体规模）在用算力中心机架规模中国在用算力中心机架总规模超过830万标准机架。算力总规模算力总规模达246EFLOPS（每秒百亿亿次浮点运算），位于世界前列，为“量的增长”奠定基础。中国算力发展现状（技术与应用）时延保障能力城域算力节点间1ms（毫秒）时延保障能力逐渐形成，区域集群到周边主要城市间5ms时延保障能力广泛覆盖，国家枢纽节点间20ms时延保障能力全面实现。PUE与绿色数据中心全国算力中心平均电能利用效率（PUE）降至1.47，创建国家绿色数据中心246个。各领域应用项目工业、教育、医疗、能源等多个领域算力应用项目超过1.3万个，体现“质的提升”。算力与硬件配置的关系（电脑与手机）电脑硬件与算力电脑配置的不同导致价格差异，主要取决于CPU、显卡及内存等硬件的差异性。高配置计算机算力强，能流畅运行高要求软件；低配置则算力不足。手机算力与体验手机算力越高，游戏体验越流畅；反之则可能导致游戏卡顿。人们高价购买高性能电脑和手机，本质是购买更高的算力。算力在人工智能中的关键作用（典型场景）火车站人脸识别得益于强大的算力支持，火车站人脸识别检票能迅速完成，几乎感受不到延迟，提升了乘客进站效率。自动驾驶自动驾驶技术中的场景检测和行人识别依赖于底层算力的支撑，算力越强，检测和识别越准确。实时翻译实时翻译中的语音识别等应用也依赖于算力，算力强能带来更好的服务体验。广义算力的扩展维度01广义算力的构成广义的算力不仅包括CPU的性能，还涵盖内存和显卡的性能，以及网络传输的性能和远程服务器的性能等。025G通信与算力以跑车在不同路况的性能差异类比，我国大力发展5G通信技术的建设，能为提升算力提供有力支撑。我国算力发展的政策与规划01强化规划设计统筹好“量的增长”和“质的提升”。02强化创新驱动统筹好技术创新和产业创新。03强化应用培育统筹好“化点成珠”和“串珠成链”。04强化安全保障统筹好高质量发展和高水平安全。2024中国算力大会成果平台启动大会正式启动“中国算力服务平台（河南）”。报告发布集中发布《中国综合算力指数（2024年）》《中国算力发展报告》等重磅研究报告。协议签约8个框架协议、9个合作协议、5个战略协议集中签约，总金额达231.2亿元，体现产业推动力度。我国人工智能算力增长趋势算力增长态势结合图2-5“我国人工智能算力快速增长”，随技术进步，我国人工智能算力呈现快速增长态势。算力对AI的支撑算力是人工智能发展的基础，其增长为AI发展提供了有力支撑。总结与未来展望05大数据技术的核心价值总结数据增值的战略意义大数据技术的战略意义在于对有价值的数据进行专业化处理，提升数据“加工能力”，实现数据“增值”，如淘宝、百度根据大数据推荐符合用户兴趣的内容。全链路的处理流程大数据处理基本流程包括数据采集、清洗与预处理、存储、分析与挖掘、结果可视化、应用和监控，各步骤相互关联构成完整体系。算法与算力协同驱动算法和算力协同作用，驱动智能应用。算法决定了众多互联网应用的结果，算力是人工智能应用的基础，二者缺一不可。算法与算力的未来发展方向算法持续创新优化算法需持续创新优化，以提升智能水平，如AlphaGo、语音翻译软件依赖强大算法，未来算法将在更多领域发挥关键作用。算力强化技术与应用融合算力需强化技术与应用融合，支撑更多场景，我国大力发展5G通信技术为提升算力提供支撑，未来算力将在更多领域保障服务体验。共同带来更多价值算法的创新优化和算力的技术与应用融合，共同呼应“为我们带来更多价值”的目标。大数据技术的社会影响与责任重视算法保护生活各方面被算法覆盖，需重视算法保护，避免算法滥用，确保算法合理应用于各个领域。保障算力安全算力支撑日常服务，要保障算力安全，确保数据质量，如对处理后的数据进行实时监控和管理。推动技术向善重视算法保护和算力安全，推动大数据技术向善发展，为社会带来积极影响。未来智能应用的想象空间基于现有技术的拓展基于现有技术，如火车站人脸识别检票、自动驾驶技术中的场景检测和行人识别等，未来智能应用将有更深度的拓展。更深度的智能场景展望更深度的智能场景，如精准医疗、智慧城市等，“大数据+算法+算力”将持续拓展人类生活边界。持续拓展生活边界“大数据+算法+算力”的结合将不断创造新的智能应用，持续拓展人类生活的边界和可能性。技术发展与人类需求的平衡提升用户体验技术发展需以提升用户体验为核心，如手机芯片算力支撑流畅上网，强大算力让刷脸进站几乎无延迟，带来流畅服务。解决实际问题技术发展要解决实际问题，如提升工作效率、提高服务质量等，避免“为技术而技术”，回归“服务于人”的本质。回归服务本质技术发展应始终围绕人类需求，以提升用户体验、解决实际问题为目标，回归“服务于人”的本质。THEEND谢谢2.2机器学习主讲人：***CONTENTS目录01机器学习的基础概念02机器学习的类型解析03机器学习的生活应用案例04机器学习软件实践体验05机器学习的未来与总结机器学习的基础概念01机器学习的学科定位01跨学科属性机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。02核心目标专注于通过计算手段，利用经验（如以往的数据）来改善系统自身的性能。机器学习的定义集合周志华定义周志华教授在《机器学习》中提到，机器学习是一门人工智能的分支，使用算法分析数据，从中学习并做出推断或决策，而无须专门编程。IEEE定义电气和电子工程师协会（IEEE）将机器学习定义为研究如何构建和分析算法，使计算机能够利用数据来提高性能。ArthurSamuel定义早期的机器学习研究者ArthurSamuel将机器学习描述为在没有明确编程的情况下，使计算机具有学习能力的领域。TomM.Mitchell定义计算机科学家TomM.Mitchell将机器学习定义为一个程序被认为在学习，如果通过经验P对任务T（任务T是P的一个子集）在度量性能P上的性能得到了改善。关键要素这些定义强调了机器学习的数据、算法、学习过程、性能度量和任务等关键要素，共同点是通过数据驱动的方法改进计算机程序性能，无需人为编写具体指令。机器学习与人类学习的对比共性机器学习和人类学习的过程都可概括为“总结经验、发现规律、掌握规律、预测未来”。人类学习过程人类通过归纳工作和生活中积累的历史经验，提炼出规律，依据规律对未来未知情况进行预测。机器学习过程机器通过对历史数据的训练生成一个模型，当新的数据出现时，应用该模型对未来未知情况进行预测。示意图辅助如图2-6所示，展示了机器学习过程与人类学习过程的对比。机器学习的研究意义人工智能核心分支机器学习是人工智能的一个重要分支和核心研究内容。实现AI关键途径机器学习是当前实现人工智能的关键途径之一。多领域支撑作用机器学习应用广泛，涵盖专家系统、自动推理、自然语言理解、模式识别、计算机视觉和智能机器人等多个领域。机器学习的类型解析02有监督学习的定义与流程有监督学习的核心有监督学习指根据已有的大量输入数据与相应输出数据（结果）之间的关系，寻找合适的模型（函数），并利用该模型对未来结果进行预测。训练过程在监督学习中，每个训练数据样本都包含特征值和对应的标签，机器学习通过带标签的训练数据进行学习，以构建模型，从而对未知或未来的数据进行预测，可结合图2-7示意图理解。典型任务监督学习通常用于解决生活中的分类和回归问题，例如垃圾邮件分类、判断肿瘤的良恶性等。无监督学习的特点与应用无监督学习的特性无监督学习中，数据样本事先是无标签的，也就是没有分类的，需要从大量的数据中自行获得新方法或新发现。类比过程无监督学习犹如学生自学的过程，没有老师讲授，学生需要通过自学寻找答案。作用无监督学习可直接对无标签的数据建立模型，然后对观察数据进行分类或区分，结合图2-8示意图，其能发现数据内在结构，如聚类分析。半监督学习的融合优势融合方式半监督学习是监督学习和无监督学习相结合的一种学习方法。研究价值在模式识别领域，半监督学习可利用少量标签数据和大量无标签数据提升模型性能。机器学习的核心逻辑总结核心流程机器学习的核心流程为“算法分析数据→学习规律→生成模型→预测未知”。关键结论机器学习不是直接地通过编写程序来执行某些任务，而是指导机器获得一个模型来完成任务。机器学习的生活应用案例03虚拟个人助理的智能实现典型案例列举华为的“小艺小艺”、小米的“小爱同学”、百度的“度秘”是当前虚拟个人助理的典型例子。功能实现方式机器学习通过语音识别、信息检索、用户偏好分析实现日程查询、任务提醒等功能。例如用户询问“我今天的日程安排是什么？”或指示“设置明天早上6点的闹钟”等，虚拟个人助理会据此处理。交通预测的优化价值01信号灯配时优化机器学习通过收集和分析大量交通数据，预测交通状况，帮助交通管理部门优化信号灯配时，提高交通效率。02公共交通调整根据预测的交通流量，机器学习可辅助调整公共交通线路，减少拥堵。03疲劳驾驶预警机器学习能够分析驾驶员的行驶习惯、安全记录和工作时间等因素，预测疲劳驾驶和违规行驶等行为，提高乘客安全性。视频监控的智能升级异常行为检测机器学习可检测如长时间站立、跌倒或在长椅上打盹等异常行为。犯罪预警功能现代视频监控系统由人工智能驱动，能在犯罪事件发生之前进行检测，并向执法人员发出警报，减少事故发生。提升监控效率训练计算机完成监控任务，可减轻值班人员负担，同时利用验证的异常活动数据提高监测服务的效果和准确性。智能客服的服务优势24小时不间断服务智能客服能够快速处理大量客户请求，不受时间限制，提供24小时不间断服务，提升服务效率。个性化响应服务通过机器学习和大数据分析，智能客服系统能根据客户的历史行为和偏好，提供个性化的服务体验，增强客户满意度和忠诚度。降低成本覆盖多场景相比人工客服，智能客服系统能显著降低人力成本，同时提高企业运营效率，覆盖在线购物、金融服务、旅游服务等场景。商品推荐的个性化策略01数据收集利用购物平台利用用户行为、购买历史、喜好和品牌偏好等数据。02推荐算法应用通过推荐算法，向用户推荐符合其偏好的商品。03核心优势体现“个性化”是商品推荐的核心优势，能提升用户购买率和满意度。新冠病毒变体预测案例PyR0模型能力麻省理工学院-哈佛大学布罗德研究所以及美国马萨诸塞大学医学院开发的PyR0模型，能在约1小时内分析数百万个新冠病毒基因组。公共卫生应用该模型可预测哪些病毒变体将占主导地位并可能引发新的浪潮，还能确定病毒基因组中最不可能发生突变的部分，为可对抗未来变体的疫苗提供目标。机器学习软件实践体验04形色App的植物识别功能拍摄操作在手机上下载并安装形色App，打开后对准某一植物进行拍摄。识别过程App通过机器学习对照片上的内容进行识别。准确率评估同学们可利用形色App尝试识别各种花草树木和果蔬海鲜，并评估识别的准确率，该App识别正确率较高。豆包App的多模态生成能力语音指令输入在手机上下载并安装豆包App，打开后输入语音指令，如“帮我生成一张图片：生成一个戴红领巾的小学生的图片。比例1:1。”“生成一个春天的草原的图像”。图片生成展示豆包App根据语音指令生成相应图片，如戴红领巾的小学生、春天的草原等图片。技术支持说明豆包App这些功能背后是由机器学习技术支持，使其能够理解语音指令并生成对应内容。其他功能体验引导01写作功能同学们可以在豆包App中输入“帮我写作”相关指令，体验其写作功能。02音乐生成功能尝试在豆包App输入指令使用“音乐生成”功能，感受机器学习在音乐创作方面的应用。03翻译功能使用豆包App的“翻译”功能，自行输入需要翻译的内容，体验其翻译能力。通过尝试这些功能，可深化对机器学习应用的理解。机器学习的未来与总结05机器学习的发展趋势应用领域扩展机器学习在医疗、金融等更多行业的渗透不断加深，如在医疗领域可助力医学诊断，在金融领域可用于市场预测。技术优化机器学习模型效率不断提升，以PyR0模型为例，它能在约1小时内分析数百万个新冠病毒基因组。技术价值与社会意义提升效率机器学习通过自动化、智能化提升效率，如交通预测可优化信号灯配时，智能客服能24小时不间断服务。推动科研为科学研究提供新工具，如PyR0模型可预测新冠病毒变体，为疫苗研发提供目标。促进社会进步机器学习在各领域的应用推动了社会的发展和进步，提高了人们的生活质量和工作效率。学习与实践的重要性加深理解通过实际操作如使用形色App识别花草树木、果蔬海鲜，使用豆包App生成图片、写作等，可加深对机器学习的理解。培养意识实践操作能培养用户的技术应用意识，更好地适应科技发展。关键概念回顾定义机器学习是通过数据驱动的方法来改进计算机程序的性能，无需人为编写具体指令，涉及数据、算法等要素。类型包括有监督学习（用于分类和回归问题）、无监督学习（对无标签数据建模）和半监督学习（结合前两者）。核心流程核心流程为从数据训练生成模型，再用模型对未来未知情况进行预测。典型应用典型应用有虚拟个人助理、交通预测、视频监控、智能客服、商品推荐等。案例与软件的关联解析技术共性虚拟助理、交通预测等应用与形色、豆包软件均基于数据训练模型，通过对历史数据的学习来处理新数据。技术落地路径体现了“从理论到实践”的技术落地路径，将机器学习理论应用到实际软件和场景中。行业应用的扩展思考教育领域在教育领域可用于智能辅导，根据学生的学习情况提供个性化的学习方案。农业领域在农业领域可进行作物监测，如监测作物生长状况、病虫害情况等。用户互动问题设计应用讨论你还用过哪些机器学习应用？准确率评估如何评估形色App的识别准确率？数据与算法的核心地位数据驱动机器学习以数据为驱动，优质数据是模型训练的基础。高效算法高效算法能使计算机更好地利用数据，提升机器学习的性能。THEEND谢谢2.3深度学习主讲人：***CONTENTS目录01深度学习的基本概念02深度学习的发展与技术基础03深度学习的应用深度学习的基本概念01深度学习的定义与核心思想深度学习的定义深度学习是机器学习的一个分支，它基于人工神经网络，尤其是深度神经网络，从数据中学习和提取特征，以实现复杂任务的自动化处理和决策。核心工作方式深度学习模仿人类大脑的工作方式，通过多层神经网络来实现数据的分类、识别、预测等。自动特征提取特点深度学习可以自动地学习数据中的特征，不需要人工进行特征提取，能处理比传统机器学习更大、更复杂的数据集。深度学习与传统机器学习的区别传统机器学习的特征提取方式传统机器学习需要人工进行特征提取，这在面对复杂数据时效率较低且依赖人工经验。深度学习处理数据的优势深度学习能够处理更大、更复杂的数据集，在图像、语音、文本等领域展现出强大的处理能力。深度学习自动学习特征的优势深度学习可自动学习数据中的特征，减少了人工干预，提高了模型的适应性和准确性。深度学习技术特征01层次化特征学习‌‌从低级特征（如像素）逐层抽象到高级语义（如物体轮廓）‌‌‌‌02端到端训练‌无需人工干预特征设计，直接处理原始数据03大数据依赖‌模型性能随数据量增长显著提升深度学习主流模型01卷积神经网络擅长图像处理，核心结构包括卷积层、池化层（如ResNet、YOLO）02循环神经网络处理序列数据，LSTM变体解决长序列梯度消失问题03‌Transformer基于自注意力机制，革新自然语言处理（如GPT、BERT）04生成对抗网络‌‌用于图像生成和风格迁移（如Deepfake）深度学习的发展与技术基础02从人工神经网络到深度学习的演进起源于人工神经网络深度学习源于人工神经网络研究，人工神经网络是其发展的基础，为深度学习提供了最初的理论框架和模型雏形。大数据推动发展随着大数据时代的到来，海量的数据为深度学习提供了丰富的训练素材，使得深度学习模型能够学习到更复杂、更准确的特征和模式。计算能力提升助力计算能力的显著提升，如GPU等硬件的发展，大大缩短了深度学习模型的训练时间，使得原本复杂且耗时的训练过程变得可行，推动了深度学习的快速发展。深度神经网络结构解析多层结构展示深度神经网络具有多层结构，通过图可以清晰看到其层次分布，不同层次承担着不同的功能，从输入层接收数据，经过中间的隐藏层进行特征提取和转换，最后由输出层给出结果。模拟人脑神经元深度神经网络模拟人脑神经元的工作原理，神经元之间通过连接传递信息，类似于人脑神经元之间的突触连接。每个神经元接收输入信号，经过激活函数处理后输出结果，多个神经元协同工作完成复杂的计算任务。信息传递与处理在深度神经网络中，信息从输入层开始，逐层向前传递，每一层对信息进行加工和转换，最终得到对数据的高级抽象和分析结果，实现对复杂任务的处理。常见深度学习算法与技术常见算法列举常见的深度学习算法包括卷积神经网络，常用于图像识别等领域；循环神经网络，适用于处理序列数据；生成对抗网络，可用于图像生成等任务。网络结构设计网络结构设计是构建深度神经网络的关键，合理的结构设计能够提高模型的性能和效率。需要考虑网络的层数、每层的神经元数量、连接方式等因素。参数初始化与正则化参数初始化对模型的训练效果有重要影响，合适的初始化方法可以加速模型收敛。正则化技术则用于防止模型过拟合，提高模型的泛化能力，常见的正则化方法有L1和L2正则化。深度学习面临的挑战与未来趋势当前面临的挑战深度学习目前面临着过拟合问题，即模型在训练数据上表现良好，但在测试数据上表现不佳；训练时间长，尤其是对于复杂的模型和大规模的数据；数据依赖性强，需要大量的标注数据进行训练。与其他技术结合未来，深度学习将与强化学习、生成对抗网络等技术相结合，发挥各自的优势，解决更复杂的问题，拓展应用领域。模型发展趋势随着技术的进步，深度学习模型将变得更加复杂和精确，能够处理更具挑战性的任务，但同时也需要解决模型的可解释性等问题。深度学习的应用03计算机视觉领域应用计算机视觉定义计算机视觉是让计算机理解图像和视频数据的AI分支，使计算机能够像人类一样“看”和理解世界。自动驾驶应用在自动驾驶中，计算机视觉技术用于识别道路标志、行人、其他车辆等。如特斯拉的自动驾驶系统，依靠摄像头等设备采集图像，利用计算机视觉技术进行分析，确保行驶安全。医疗影像分析应用在医疗领域，计算机视觉可通过分析X射线、CT扫描等影像来检测疾病。例如，利用深度学习模型识别肺部CT图像中的早期肺癌迹象，辅助医生进行诊断。制造业应用在制造业生产线上，计算机视觉系统能自动检测产品缺陷。比如电子厂利用该技术检测芯片表面的微小瑕疵，提高产品质量和生产效率。计算机视觉其他应用场景人脸识别应用在安全和监控领域，人脸识别技术用于识别和验证个人身份。如机场、高铁站的安检处，通过人脸识别系统快速准确地核实旅客身份。农业应用农业中，计算机视觉可用于监测作物生长、病虫害检测和自动除草。例如，无人机搭载计算机视觉设备，对农田进行扫描，及时发现作物病虫害情况。零售业应用在零售业，计算机视觉可用于客流统计、货架商品监控和自助结账系统。像一些大型超市利用该技术统计不同时段的客流量，以便合理安排员工。增强现实应用在娱乐和教育领域，计算机视觉技术可提供沉浸式的AR体验。例如一些AR游戏，通过识别现实场景，将虚拟元素与现实场景相结合。计算机视觉其他应用场景安全监控应用计算机视觉用于视频监控系统，检测异常行为或潜在安全威胁。如银行的监控系统，利用该技术实时监测是否有可疑人员或异常行为。图像编辑和增强应用在图像编辑软件中，计算机视觉技术可用于自动美化照片、消除噪声等。例如一些手机拍照软件的自动美颜功能。视频处理应用在视频制作和广播中，计算机视觉可用于视频稳定化、特效添加等。如电影制作中利用该技术添加各种炫酷的特效。自然语言处理应用自然语言处理定义自然语言处理致力于让计算机理解、解释和生成人类语言，涵盖搜索引擎、语音识别等多个领域。情感分析应用情感分析用于分析文本数据，确定公众对某个话题或产品的情绪倾向。例如电商平台通过分析用户的评论，了解用户对商品的满意度。聊天机器人应用聊天机器人通过模拟人类对话提供客户服务或在线助手功能。如很多企业的客服聊天机器人，能快速回答用户的常见问题。语音识别应用语音识别将口语转换成书面文本，广泛应用于智能助手和自动字幕生成。如苹果的Siri、小米的小爱同学等智能助手，都依赖语音识别技术。机器翻译应用机器翻译自动将文本从一种语言翻译成另一种语言，对跨语言交流至关重要。例如谷歌翻译、百度翻译等工具，能实现多种语言之间的快速翻译。语音合成技术01语音合成基本流程语音合成包括文本分析和声音合成两个阶段。文本分析阶段将输入文本转化为适用于语音合成的内部表示形式，涉及文本规范化、词性标注等；声音合成阶段将内部表示转换为声音波形，生成可供人类听辨的语音。02深度学习驱动的进展基于深度学习的语音合成技术发展迅速，如Google的WaveNet、OpenAI的GPT-4、科大讯飞的讯飞智作等，实现了从文本直接生成自然流畅的声音波形。03实际应用场景-虚拟助手虚拟助手如小度智能音箱、天猫精灵、华为小艺等，依托先进的语音合成技术，为用户提供高度自然的人机交互体验。04实际应用场景-无障碍沟通语音合成技术为视障人士等提供了无障碍沟通的方式，使他们能够通过语音获取信息。05实际应用场景-语言学习在语言学习中，语音合成技术可用于发音练习、听力训练等。例如一些英语学习软件，利用语音合成技术提供标准的英语发音。医疗保健应用-医学影像分析癌症检测应用深度学习在癌症检测方面表现出色，通过训练模型识别X射线、CT扫描等影像中的癌症迹象。如在乳腺癌检测中，利用深度学习模型分析乳腺钼靶图像，提高早期诊断率。病理学图像分析应用可对病理学图像进行分析，帮助医生更准确地判断病情。例如分析肿瘤组织切片图像，确定肿瘤的类型和分级。3D医学图像应用3D深度学习技术应用于CT和MRI等三维医学图像数据的分析，增强诊断的准确性。如在脑部疾病诊断中，对脑部3D影像进行分析，更清晰地观察病变情况。医疗保健应用-疾病预测与药物研发疾病风险预测深度学习模型基于临床数据和生物标志物预测疾病风险，协助医生识别高风险患者并提供早期干预措施。例如通过分析患者的基因数据、病史等，预测患心脏病的风险。药物研发应用在药物研发领域，深度学习通过分析生物医学数据，有助于识别潜在的药物靶点和药物分子，加速新药的发现和研发进程。如一些药企利用该技术筛选可能有效的药物化合物。医疗保健应用-挑战与未来面临挑战-数据隐私在医疗保健领域应用深度学习面临数据隐私问题，患者的医疗数据包含大量敏感信息，需要严格保护。面临挑战-模型可解释性深度学习模型的决策过程往往难以解释，医生和患者难以理解模型的判断依据，影响其在医疗领域的应用。未来前景-医疗创新随着技术的进步，有望克服上述挑战，推动医疗创新，改善患者的护理和诊断质量。金融服务应用-核心金融应用场景01个性化投资建议深度学习模型通过分析大量市场数据和客户的投资偏好等信息，为客户提供个性化的投资建议。如一些智能投顾平台，根据用户的风险承受能力和投资目标，推荐合适的投资组合。02信用风险评估通过分析借款人的历史信用记录和其他相关数据，深度学习模型能够评估信用风险并自动化贷款审批流程。例如银行利用该技术快速评估借款人的信用状况。03股票价格预测分析历史和实时市场数据来预测股票价格走势，实现自动化交易决策。一些量化投资机构利用深度学习模型进行股票交易。金融服务应用-风险监测与欺诈检测市场风险监测金融机构使用深度学习模型监测和预测市场风险，包括信用风险、市场风险和操作风险。如银行通过分析市场数据，提前预警潜在的风险。异常交易模式识别深度学习模型能够识别异常交易模式，帮助金融机构检测和预防欺诈行为。例如识别信用卡盗刷等异常交易。监管科技应用在监管科技领域，深度学习帮助监管机构自动化合规性检查和风险评估。如监管部门利用该技术对金融机构的业务进行实时监测。零售与电子商务应用-个性化推荐与搜索优化个性化商品推荐通过分析用户的购物历史、浏览行为和偏好，深度学习模型能够提供个性化的商品推荐，提升用户体验和购买转化率。如亚马逊根据用户的购买记录推荐相关商品。搜索意图理解深度学习技术优化搜索引擎，使其更好地理解用户的查询意图，并提供更准确的搜索结果。例如淘宝的搜索系统，能根据用户输入的关键词，精准推荐相关商品。零售与电子商务应用-动态定价与库存管理01动态定价应用深度学习技术分析市场趋势、库存水平和消费者行为，帮助零售商实时调整价格，以最大化利润。如航空公司根据市场需求和座位剩余情况动态调整机票价格。02库存管理应用通过预测分析，深度学习有助于优化库存水平，减少过剩或缺货的情况。例如京东利用该技术预测商品的销量，合理安排库存。网络安全应用-网络威胁识别与防御恶意软件识别深度学习通过分析文件特征来识别恶意软件，在识别未知恶意软件方面表现出色。与传统方法相比，能更有效地检测新型恶意软件。网络流量异常分析分析网络流量，识别出异常模式，从而检测潜在的网络攻击。例如检测DDoS攻击等异常流量。用户行为异常检测学习用户的行为模式，有效识别异常行为，对于检测内部威胁、提升系统安全性具有重要意义。如检测员工的异常操作行为。威胁狩猎与安全策略优化深度学习模型自动化威胁狩猎过程，持续分析网络行为发现潜在安全威胁；同时评估当前安全策略的效果并提出优化建议，提升整体网络安全防护效率。网络安全应用-挑战与未来研究方向面临挑战-数据隐私保护在网络安全应用中，深度学习模型处理的数据包含大量敏感信息，需要保护数据隐私。面临挑战-模型可解释性深度学习模型的决策过程难以解释，在网络安全领域，难以向用户说明模型判断的依据。面临挑战-防御对抗性攻击网络攻击者可能会对深度学习模型进行对抗性攻击，使其做出错误的判断，需要提高模型的防御能力。未来研究方向-提高泛化能力未来研究可集中于提高模型的泛化能力，使其在不同的网络环境和数据下都能有效工作。未来研究方向-减少对标注数据的依赖在网络安全领域获取足够的标注数据困难，未来可研究减少模型对大量标注数据的依赖。未来研究方向-提升可解释性提升模型的可解释性，让用户更好地理解模型的决策过程，增强对模型的信任。THEEND谢谢2.4人工智能分类应用与发展前瞻主讲人：***CONTENTS目录01人工智能的分类体系02人工智能的典型应用场景03人工智能的发展前景与挑战04总结与启示人工智能的分类体系01弱人工智能：专注单一任务的智能弱人工智能的定义弱人工智能是只具有某一个方面能力的人工智能，其特点是只专注于完成某个特定的任务。典型案例：AlphaGo能够战胜围棋世界冠军的人工智能机器人AlphaGo，它只会下围棋，如果向它询问其他的问题，它就不知道应该怎么回答了。生活中的应用：智能音箱智能音箱具有语音识别功能，可以根据指令的要求播放故事或歌曲，可以定时播放，还可以提醒主人相关事宜。购物软件的应用智能手机上的购物软件可以分析用户购物习惯、搜索记录，并进行个性化信息推送。扫地机器人的应用扫地机器人会自动规划扫地路径，听得懂语音指令，能够自动充电。强人工智能：类人通用智能的探索强人工智能的定义强人工智能也称通用人工智能，是一种和人类的智能相似的人工智能，在各方面都能和人类的智能比肩，能从事人类的脑力活、体力活。类人的人工智能类人的人工智能，即机器的思考和推理就像人类的思维一样。非类人的人工智能非类人的人工智能，即机器产生了与人类完全不一样的知觉和意识，使用和人类完全不一样的推理方式。技术实现难度创造强人工智能产品比创造弱人工智能产品要难得多。超人工智能：超越人类的智能概念超人工智能的概念超人工智能可以被理解为其智能程度比人类还要高，几乎在所有领域都比人类聪明得多，包括科学创新、通识和社交技能等方面。当前现状超人工智能目前仍然只是一个概念，还没有证据表明人类可以研究出一个可以全方位超越人类自己的机器。目前大部分产品仍属于弱人工智能的范畴。人工智能的典型应用场景02智能家居：物联网驱动的家居生态构成要素智能家居基于物联网技术，由硬件系统、软件系统、云计算平台构成完整的家居生态圈。主要功能用户可远程控制设备，设备间能互联互通，还可通过自我学习来优化家居环境的安全性、节能性、便捷性。应用场景展示结合图2-24可直观看到智能家居的各类应用场景。智能安防：视频分析与异常预警监控规模目前公共场所和个人场所监控摄像头安装总数已超过175亿，部分一线城市实现视频监控全覆盖。技术应用智能视频分析技术可随时从视频中检测出行人和车辆，能对醉酒行人、逆向运行车辆等异常行为发出带具体地点信息的警报，还能自动判断人群密度和人流方向以管理人流。案例展示结合图2-25可了解智能安防的实际应用案例。电商零售：无人化与用户画像优化应用类型电商零售中的人工智能应用包括无人便利店、智慧供应链、无人仓库等。京东无人仓库案例京东自主研发的无人仓库采用大量智能物流机器人，通过多种技术让机器人自主判断和行动，实现商品分拣、运输、出库等环节自动化。图普科技客流统计案例图普科技利用人工智能技术进行客流统计，通过人脸识别从多维度建立用户画像，为门店运营策略调整提供数据基础，提升下单转换率。智慧医疗：影像分析与手术辅助医学影像自动分析诸多研究机构开发医学影像自动分析技术，可自动找到重点部位并分析对比，为医生诊断提供参考，减少误诊或漏诊。三维器官模型重建有些新技术能通过多份医疗影像重建人体内器官的三维模型，帮助医生设计手术，确保手术更精准。典型场景展示结合图2-26可看到智慧医疗的典型应用场景。智能金融：身份核验与风险控制身份识别以人工智能为内核，通过活体识别、图像识别、声纹识别、OCR识别等技术手段对用户身份进行验证，大幅降低核验成本。大数据风控通过大数据、算力、算法结合，搭建反欺诈、信用风险等模型，多维度控制金融机构的信用和操作风险，避免资产损失。智能投顾基于客户理财需求、资产状况等因素，运用投资组合理论，通过算法搭建数据模型，利用人工智能技术和网络平台提供个性化理财顾问服务。智慧教育：批改答疑与资源均衡技术应用科大讯飞、猿辅导等企业探索人工智能在教育行业的应用，包括图像识别用于试卷批改、识题/答题，语音识别用于纠正、改进发音，人机交互用于在线答疑解惑。平台案例国家中小学智慧教育平台体现了人工智能和教育的结合，一定程度上改善教育行业师资分布不均衡、费用高昂等问题。智能客服：降本增效与服务升级应用成效以支付宝为例，智能客服自助率达97%，解决率达78%，优于人工客服。行业普及智能客服已在电子商务、金融、通信、物流和旅游等多个行业得到应用。发展趋势智能客服使简单话务被智能机器取代，人工服务向高端化、专业化转变，以顾问身份帮助客户解决业务问题。智能制造：质量监控与缺陷检测01传统检测弊端传统生产线上人工检测易漏检和误判，还会使检测工人疲劳。02人工智能优势很多工业产品企业使用人工智能视觉工具，可自动检测出形态各异的缺陷。03作用体现结合图2-28可看出人工智能为工业“智”造系统提供有力支撑。自动驾驶：多传感器融合与路径规划环境感知自动驾驶通过视频摄像头、激光雷达、卫星定位系统等多种传感器对行驶环境进行实时感知。路线规划与控制智能驾驶系统综合分析多种感知信号，结合地图等指示标志实时规划驾驶路线，发出指令控制车辆运行。物流应用物流行业利用相关技术对运输、仓储等流程进行自动化改造，基本实现无人操作。人工智能的发展前景与挑战03技术趋势：大模型与通用智能探索大模型技术的驱动因素大模型技术基于大数据、大算力和强算法快速发展，为通用人工智能的实现提供了新的可能性。对通用人工智能的推动作用大模型技术的发展让通用人工智能的实现有了新契机，有望使人工智能在更多领域实现深度应用。产业变革：无人经济与生产重构01传统产业升级人工智能正推动传统产业升级换代，如无人工厂、无人商店等“无人经济”快速发展。02生产环节重构无人工厂等深刻重构了社会生产环节，提高了生产效率。03分配、消费环节重构无人经济对社会分配、交换、消费等环节也产生了深刻影响，改变了原有的经济模式。全球科技产业巨头积极布局人工智能技术生态，从人工智能市场规模来看，其发展态势良好。社会影响：就业变化与人才适应就业变化预测到2030年，全球可能有15%-30%的劳动人口，即4-8亿人的工作将因人工智能而发生变化，其中对中国的影响预计将超过1亿人。高等教育的机遇高等教育应将人工智能发展视作机遇，各类院校的师生应尽早拥抱并适应新技术。职业生涯规划师生应结合本专业规划好自己的职业生涯，以适应人工智能带来的变化。伦理与法律：责任界定与规范需求伦理法律问题随着人工智能技术的广泛应用，出现了如自动驾驶车辆发生交通事故时责任如何划分、人工智能撰写的论文的知识产权应归谁等伦理和法律问题。规范发展的需求这些问题需要社会各界共同努力，制定相应的法律法规，以指导和规范人工智能的发展。市场潜力：中国AI规模突破万亿01市场规模预测预计到2029年，中国人工智能行业的市场规模将突破万亿大关，展现出强劲的增长势头。02全面应用新阶段趋势人工智能的发展将迎来新趋势，包括通顺的自然语言生成、全领域知识体系的覆盖以及通畅的人机交互接口等，正在加速迈向全面应用的新阶段。未来展望：人机协同与全球挑战人机协同工作未来，人工智能将与人类更加紧密地协同工作，创造更多价值。应对全球挑战人工智能还将助力解决气候变化、资源分配等全球性挑战。技术与社会价值平衡在发