人工智能导论 课件 第2章 人工智能基础认知

1

教材：

胡玉荣，余云霞，董尚燕，李俊梅，

《人工智能导论》，清华大学出版社，2025.9人工智能导论第2章人工智能基础认知2.1人工智能的定义与内涵2.2人工智能的发展历程2.3人工智能的主要研究内容2.4人工智能的典型应用2.5人工智能的伦理与社会影响22.1人工智能的定义与内涵2.1.1人工智能的定义

2.1.2人工智能的要素2.1.3人工智能的类型2.1.4人工智能的特点

34麦卡锡（McCarthy）认为，人工智能就是要让机器的行为看起来像是人所表现出的智能行为一样。尼尔逊（Nilsson）认为，“人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的科学。“人工智能目前还没有统一的定义2.1.1人工智能的定义5巴尔（Barr）和费根鲍姆（Feigenbaum）认为，人工智能属于计算机科学的一个分支，旨在设计智能的计算机系统，也就是说，对照人类在自然语言理解、学习、推理问题求解等方面的智能行为，设计的系统应呈现出与之类似的特征。目前，研究者普遍认为，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的发展始终保持着多学科交叉的特性，深度整合计算机科学、认知心理学、哲学和语言学等领域的理论成果。2.1.1人工智能的定义6人工智能的发展由四大核心要素共同驱动——数据、算法、算力与场景，四者构成“燃料—中枢—引擎—实验场”的完整闭环，缺一不可。1.数据——人工智能的“燃料库”数据是人工智能的底层支撑，为机器学习算法提供训练和优化的“养分”。数据的质量、规模与多样性直接影响机器学习模型的准确性与稳健性。为了获得更好的结果，需要收集和整合各种来源的数据，并进行预处理和清洗，以确保数据的准确性和一致性。2.1.2人工智能的要素2.算法——人工智能的“大脑中枢”算法是人工智能的核心规则体系，定义了计算机如何处理数据、提取规律的底层逻辑。算法是指引计算机如何处理和分析数据的指令。不同的算法适用于不同的任务和数据类型，因此，需要根据具体的应用场景选择合适的算法。74.场景——人工智能的“价值实验场”

场景是AI技术的“落地考场”，决定了其实际价值能否转化为社会生产力。不同场景对AI的能力需求差异显著：医疗场景需要精准的疾病诊断和治疗方案的推荐，交通场景需要高效的路径规划和拥堵预测，教育场景需要个性化学习路径设计。2.1.2人工智能的要素四大要素相互依存。数据为算法提供“学习素材”，算力为算法运行提供“动力支撑”，场景为技术与需求搭建“连接桥梁”。四者的协同进化，推动人工智能从“感知智能”向“认知智能”跃迁，重塑人类社会的生产与生活方式。3.算力——人工智能的“动力引擎”算力是AI运行的“动力引擎”，决定了数据处理与模型训练的效率上限。人工智能需要大量的计算资源来处理和分析数据，算力包括CPU、GPU、TPU等硬件设备，为人工智能的发展提供了更好的支持。8弱人工智能是当前技术成熟且应用广泛的人工智能形态，其核心特征表现为任务专精性与工具属性。这类系统专注于解决特定领域问题（如图像识别、自然语言处理等），但缺乏跨领域迁移能力与自主意识。弱人工智能有许多应用，包括问题求解、逻辑推理与定理证明、自然语言理解、专家系统、机器学习、人工神经网络、机器人学、模式识别、机器视觉等在图像识别领域，基于深度学习的人脸识别、物体识别、行为识别等。弱人工智能的“智能”本质上是算法对数据模式的统计学习结果，其决策过程缺乏人类式的逻辑推理与情感理解，且需依赖人类设定的目标函数与数据标注。1.弱人工智能（NarrowAI/ArtificialNarrowIntelligence，ANI）2.1.3人工智能的类型人工智能按照能力层级与技术目标可分为弱人工智能、强人工智能（包含通用人工智能）以及超级人工智能三大类型。9强人工智能/通用人工智能是指能够完全取代人类工作的人工智能，它具有自我思考和学习能力，能够模仿人类的决策和行为。强人工智能的目标是创造能够像人类一样思考和感知的智能机器。2.强人工智能（StrongAI/ArtificialGeneralIntelligence,AGI）2.1.3人工智能的类型10超级人工智能是一种智力水平远超人类的机器智能，具备前所未有的自主学习、创新能力和问题解决能力。它不仅拥有比人类更强大的计算能力、学习能力，还能在创造力、情感理解等方面超越人类。超级人工智能的实现将意味着机器智能在各个方面都大大超过人类，包括推理、创新、情感理解等，甚至可能具备意识或超越人类的情感理解，并在与人类的互动中发挥巨大影响。3.超级人工智能（SuperAI/ArtificialSuperIntelligence,ASI）2.1.3人工智能的类型11

三者之间的关系弱人工智能是实现通用人工智能和超级人工智能的基础。通过设计和训练弱人工智能系统，可以逐步提高其性能和能力，最终实现更高级别的智能。强人工智能是弱人工智能向超级人工智能过渡的中间阶段，它具备了更广泛的智能能力，但仍未达到超越人类智能的水平。超级人工智能则是通用人工智能发展的一个可能结果，代表了人工智能技术的最高水平，是人工智能发展的终极形态。三类人工智能构成从“量变”到“质变”的演进链条：弱人工智能为强人工智能提供数据基础与算法验证平台，强人工智能是实现超级人工智能的必经阶段。跨学科协作（神经科学、哲学、计算机科学）是关键驱动力。2.1.3人工智能的类型121.模拟人类智能行为三种学习路径：人工智能的成长监督学习：有指导的成长监督学习通过大量标注数据进行训练，如同学生在老师指导下学习。系统根据输入和输出的对应关系，学习分类或预测规则。例如在图像分类任务中，通过标注好的图片数据，模型可以学习到不同物体的特征，从而准确识别新图片中的物体。这种学习方式适用于有明确答案的任务，能够快速掌握规律。无监督学习：自主探索世界无监督学习则不依赖标注数据，它通过分析数据的内在结构和分布规律来发现隐藏信息。例如在数据聚类任务中，算法可以将相似的数据点自动分组，帮助人们发现数据中的潜在模式。这种方式类似于人类在没有明确指导的情况下自主探索世界，能够发现数据中未知的关联和规律。强化学习：试错中的优化强化学习是一种通过与环境交互来学习最优策略的方法。它类似于人类在试错中积累经验，通过奖励和惩罚信号来调整行为。例如在机器人路径规划中，机器人通过不断尝试不同的路径，根据环境反馈的奖励信号，逐步优化路径选择，最终找到最优路径。这种方式强调动态适应和策略优化。1232.1.4人工智能的特点131.模拟人类智能行为推理能力：刚柔并济的智慧基于规则的推理基于规则的推理系统严格按照预设规则进行决策，适用于确定性任务，如：专家系统，智能客服系统通过基于规则的推理快速解答常见问题。概率推理概率推理则在信息不完整时，通过统计方法做出最可能的判断，适用于不确定性较高的场景，如：医疗诊断，疾病预测模型则通过概率推理综合多种因素进行诊断。122.1.4人工智能的特点141.模拟人类智能行为感知能力：机器的火眼金睛与顺风耳计算机视觉：机器的火眼金睛计算机视觉技术让机器拥有了强大的视觉感知能力，能够识别物体、理解场景。它通过卷积神经网络等技术，对图像进行分析和处理。例如在自动驾驶中，计算机视觉可以实时检测道路上的物体和交通标志，为车辆提供准确的视觉信息。这种技术不仅提高了机器的感知精度，还改变了人类与机器的交互方式。语音识别：机器的顺风耳语音识别技术赋予机器听觉能力，能够准确捕捉和理解人类语音。它通过声学模型和语言模型的协同作用，将语音信号转化为文字信息。例如智能语音助手可以通过语音识别技术理解用户的指令，并做出相应的回应。这种技术在智能家居、智能客服等领域得到了广泛应用，极大地提升了用户体验。10122.1.4人工智能的特点152.高效的数据处理能力数据洪流中的高效处理在数据洪流时代，人工智能展现出强大的数据处理能力。与传统计算机相比，它通过算法优化和模型设计，能够高效处理海量数据。例如深度学习模型在大规模数据集上进行训练时，通过优化算法和分布式计算，可以快速收敛并提高模型性能。这种能力在金融反欺诈系统中得到了充分体现，能够实时检测异常交易，保护用户资金安全。并行计算与分布式计算的突破GPU的并行计算能力能够同时处理多个计算任务，如同给人工智能装上了“千手观音”。例如在深度学习模型训练中，GPU可以并行计算神经网络的各个层，大大缩短训练时间。这种能力使得复杂的模型训练成为可能，推动了人工智能技术的快速发展。分布式计算框架则像组建了一支“超级计算军团”，将庞大的计算任务分解到成千上万台计算机上协同完成。它通过分布式存储和计算资源的灵活调度，解决了单机计算的瓶颈问题。10122.1.4人工智能的特点163.适应性与灵活性跨行业的强大通用性人工智能在不同行业展现出强大的适应性和通用性。在制造业，它通过图像识别技术检测产品缺陷，精度远超人类；在医疗领域，深度学习模型帮助解读医学影像，辅助医生诊断疾病；在农业中，机器学习算法分析卫星图像，优化种植方案。超强的自我进化能力语言模型具有强大的自我进化能力，能够像海绵吸水一样吸收新词汇和新表达方式。通过在线学习和增量学习，语言模型可以不断更新词汇表和语义理解能力。例如智能翻译系统能够实时更新词汇库，根据用户反馈优化翻译结果，提供更准确的翻译服务。图像识别系统也具备自我进化能力，能够通过持续学习提高对罕见物体的识别率。例如在安防领域，图像识别系统可以通过不断学习新的图像数据，优化识别算法，提高对复杂场景中物体的识别精度。10122.1.4人工智能的特点174.自主性与可扩展性自主决策：智能系统的动态适应自动驾驶汽车通过传感器感知环境，并基于深度学习模型做出实时驾驶决策。例如，通过摄像头和雷达感知路况，系统能够自动识别交通标志、行人和障碍物，并根据预设规则和学习模型调整行驶路径和速度。这种自主决策能力使得自动驾驶汽车能够在复杂路况中安全行驶，提高了交通效率。可扩展性：无限可能的设计理念人工智能系统的可扩展性设计为技术发展提供了无限可能。模块化架构允许开发者像搭积木一样组合不同功能组件，快速扩展系统功能。同时，云计算平台提供了强大的计算支持，通过弹性计算资源实现大规模模型训练和推理，满足不同用户的需求。这种设计不仅提高了开发效率，还降低了开发成本。122.1.4人工智能的特点185.精确性与稳定性高精度：人工智能的精准表现人工智能在医学影像分析领域表现出极高的精度。通过卷积神经网络等深度学习技术，系统能够识别微小病变，诊断准确率已接近甚至超过资深专家。例如在癌症早期筛查中，人工智能系统能够快速准确地检测出病变区域，为医生提供重要的诊断依据。这种高精度表现极大地提高了医疗诊断的效率和准确性。高稳定性：全场景的可靠保障自动驾驶系统通过多传感器融合和冗余设计，能够应对各种极端天气条件。例如在暴雨或大雪天气中，系统可以通过雷达和摄像头的协同工作，准确感知路况，确保车辆安全行驶。这种高稳定性为自动驾驶技术的广泛应用提供了保障。122.1.4人工智能的特点2.2人工智能的发展历程2.2.1图灵测试与起源

2.2.2人工智能的诞生

2.2.3人工智能的发展阶段

1920艾伦·图灵是英国数学家、逻辑学家，被誉为“计算机科学之父”“人工智能之父”。他在《计算机器与智能》论文中，提出了一个问题：“机器能思考吗

？”他设计了一个验证方法“图灵测试”。2.2.1图灵测试与起源21测试方法：假想测试者与两个被测试者采用“问答模式”进行对话，被测试者一个是人，另一个是机器。测试者与被测试者被相互隔开，经过多次测试后，如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就算通过了测试，并被认为具有了人类智能。经过实验，图灵得出机器是具有一定思维的。2.2.1图灵测试与起源221956年夏天在达特茅斯学院开展一次由10个人组成、为期两个月的人工智能研究，共同探讨用机器模拟智能的一系列有关问题，会上首次提出了“人工智能”这一术语。达特茅斯会议是人类历史上第一次人工智能研讨会，它标志着“人工智能”这门新兴学科的正式诞生。这一年也被称为“人工智能元年”，具有十分重要的历史意义。2.2.2人工智能的诞生23约翰·麦卡锡（JohnMcCarthy）1971年获得图灵奖马文·明斯基（MarvinMinsky）1969年获得图灵奖克劳德·香农（ClaudeShannon）是信息论创始人艾伦·纽厄尔(AllenNewell)与赫伯特·西蒙(HerbertSimon)1975年获得图灵奖阿瑟·塞缪尔(ArthurSamuel)是机器学习领域的先驱达特茅斯会议参会人员2.2.2人工智能的诞生242.2.3人工智能的发展阶段251.

起步发展期：1956年～20世纪60年代初在20世纪50年代人工智能刚刚被提出的时候，人工智能的研究主要停留在理论研究阶段，其基本方法是逻辑法，研究方向主要包括自动推理，认知模型，知识表示和推理，人工智能的语言、架构和工具等。掀起了人工智能的第一个高潮。2.

反思发展期：20世纪60～70年代初人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标，很快就遇到了许多麻烦，人工智能的第一个低潮。塞缪尔设计的跳棋程序2.2.3人工智能的发展阶段263.

应用发展期：20世纪70年代初～80年代中20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。人工智能的第二个高潮。4.

低迷发展期：20世纪80年代中～90年代中随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。人工智能的第二个寒冬。2.2.3人工智能的发展阶段275.

稳步发展期：20世纪90年代中～2010年人工智能技术进一步走向实用化。1997年IBM深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念，2009年中国提出“感知中国”概念，这些都是这一时期的标志性事件。6.

蓬勃发展期：2011年至今随着因特网、云计算、物联网、大数据等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景的人工智能技术突破了从“不能用、不好用”到“可以用”的技术瓶颈。2.2.3人工智能的发展阶段2.3人工智能的主要研究内容2.3.1知识与推理

2.3.2搜索与求解

2.3.3机器学习2.3.4自然语言处理2.3.5计算机视觉2.3.6计算机听觉

2829知识与推理研究不仅聚焦于知识的获取、表示、组织和存储，还着眼于如何将知识型工作（例如教师的工作）实现自动化，更重要的是，它要深入探究如何运用知识以及如何创造新知识。知识图谱2.3.1知识与推理30问题求解作为人工智能领域的核心课题之一，其本质可视为在广阔的可能性空间中寻找可行解的过程。当我们面对一个具体问题时，通常需要先明确目标状态（即“解”的特征），再探索从初始状态到达目标状态的有效路径。迷宫2.3.2搜索与求解31机器学习赋予了计算机从经验中自我提升的能力，这一过程模拟了人类通过实践积累智慧的学习模式。其核心理念在于构建能够从数据中自动发现规律并做出预测的智能系统，正如我们通过不断尝试与反馈来掌握新技能一样。2.3.3机器学习32自然语言处理（NaturalLanguageProcessing，NLP）是人工智能领域中一个极具挑战性和趣味性的方向，它的目标是让机器能够像人类一样理解和生成自然语言，从而实现人机之间的无障碍交流。机器翻译2.3.4自然语言处理33计算机视觉给机器装上“眼睛”，让它们能够像人类一样“看”世界，需要复杂的算法和大量的数据支持。计算机视觉系统通常包含图像获取、预处理、特征提取、目标检测、场景理解和决策输出等关键环节。人脸识别2.3.5计算机视觉34计算机听觉，如同给机器装上“耳朵”，让它们能够像人类一样听见并理解声音。在计算机听觉的众多技术中，自动语音识别、语音合成、文语转换以及语音增强等技术尤为关键，它们共同构成了我们日常生活中与智能设备沟通的桥梁。语音识别2.3.6计算机听觉2.4人工智能的典型应用2.4.1智能医疗

2.4.2智能家居

2.4.3智能制造2.4.4智能物流

3536

医疗智能助手达芬奇手术机器人智能医疗是人工智能与医疗健康深度融合的产物，通过构建覆盖预防、诊断、治疗、康复全流程的智慧医疗生态系统，正在解决传统医疗体系资源不均、效率不足等痛点。从影像识别到药物研发，从智能问诊到精准医疗，人工智能技术全方位重塑医疗健康行业。2.4.1智能医疗37

智能家居智能家居借助物联网技术将家中各类设备连接，构建出一个能自主感知和智能决策的智慧生活空间，通过人工智能赋予家居“思考”和“决策”能力，实现从被动响应到主动服务的转变，为人们带来更舒适、便捷、节能的生活体验。2.4.2智能家居38

智能工厂智能制造为传统工厂注入了“大脑”和“神经系统”，使机器变得智能化。智能装备是智能制造的基础，相当于工厂的“智能工人”。智能工厂是智能制造的核心，相当于制造业的“智慧大脑”，设备通过物联网技术互联互通，形成一个有机整体。智能服务是智能制造的延伸，赋予产品“售后服务专家”的能力。

智能装备2.4.3智能制造智能服务39

机械臂精准抓取智能物流就像给传统物流装上了“智慧大脑”，通过物联网、大数据、人工智能等前沿技术，让货物运输、仓储管理、配送服务等环节变得更加聪明高效。计算机视觉技术让物流分拣更加精准，智能摄像头指导机械臂进行精确抓取；区块链技术为跨境物流提供透明可追溯的解决方案；无人机配送在偏远地区展现出独特优势。

现代物流中心（无人仓）2.4.4智能物流2.5人工智能伦理与社会影响2.5.1人工智能的伦理问题

2.5.2人工智能的伦理原则

2.5.3人工智能的伦理治理

4041

伦理是处理人与人之间关系、人与社会之间关系的道理和秩序规范。1.

自动驾驶：效益与伦理的双重挑战自动驾驶难以破解传统道德难题，甚至衍生新的“二难选择”。例如，当车辆必须急刹（可能导致乘客伤亡）或不刹（可能撞孕妇）时，算法如何决策？自动驾驶更颠覆了传统责任体系。传统车祸责任基于驾驶员过错（如酒驾、疲劳），而自动驾驶事故中，过错主体模糊化——既无主观故意，也难归因于操作失误。责任归属问题随之复杂化：设计者、制造商、使用者或智能系统本身，谁应担责？2.5.1人工智能的伦理问题42

2.

人形智能机器人：重构人伦关系的未来挑战人工智能进军婚恋家庭领域引发震动：爱情作为排他性神圣情感、家庭作为“社会细胞”，正遭遇前所未有的冲击。智能机器人的拟人化演进，不仅模糊了人机界限，更动摇传统伦理根基。当具备自主意识的机器人以保姆、伴侣或“家庭成员”身份融入生活，深层矛盾随之浮现：人与机器能否建立真实情感？利益纠葛如何界定？传统家庭结构会否瓦解？更具颠覆性的是，若定制机器人伴侣因“完美特质”引发婚姻诉求，这种反传统关系能否被社会接纳？法律又该如何回应？2.5.1人工智能的伦理问题43

3.

人工智能的双刃剑：效率跃升与人替困境智能机器的大规模应用带来异化风险。在高度自动化的生产线上，普通劳动者因知识与技能局限，难以理解甚至参与生产过程，逐渐沦为系统的“零部件”，绝大多数人可能成为“智能机器的附庸”。更严峻的是结构性失业危机，劳动者沦为“美丽新世界的多余者”。2.5.1人工智能的伦理问题44

4.

虚拟智能技术：体验革命与伦理危机虚拟现实技术通过智能算法将人类意识中的“虚拟”功能推向新高度，创造出沉浸式的交互体验。当虚拟与现实边界日益模糊，传统道德体系面临解构危机。技术创造的“可能世界”冲击着现实伦理规范，责任归属变得模糊不清，社会秩序濒临瓦解边缘。2.5.1人工智能的伦理问题45

5.

脑机接口技术：突破与伦理困境市场需求推动技术快速发展。脑机接口在医疗领域潜力巨大：或可缓解老年痴呆症、修复残疾患者神经功能、治疗抑郁症，并通过神经增强提升人类记忆与计算能力。脑机接口技术带来前所未有的伦理挑战：隐私危机加剧，认知能力“军备竞赛”。2.5.1人工智能的伦理问题46

1.

公平：公平性要求人工智能对所有人平等，不应存在歧视。2018年，微软发表了《未来计算》一书，其中提出了人工智能开发的六大原则：公平、可靠和安全、隐私和保障、包容、透明、责任。2018年2月，加纳裔科学家、美国麻省理工学院的JoyBuolamwini教授一次偶然发现，人脸识别软件竟无法识别她的存在，除非带上一张白色面具。有感于此，Joy发起了GenderShades研究，发现IBM、微软和旷视Face++三家的人脸识别产品，均存在不同程度的女性和深色人种“歧视”（即女性和深色人种的识别正确率均显著低于男性和浅色人种），最大差距可达34.4%2.5.2人工智能的伦理原则47

2.

可靠和安全自动驾驶车辆是人工智能可靠性与安全性的重要案例。2018年，一辆特斯拉在高速行驶时系统死机，司机无法重启自动驾驶系统。自动驾驶车辆的安全性应受到严格监管，但目前监管力度不足。另一个案例是旧金山一名醉酒司机启动自动驾驶系统后睡在车里，认为这样不违法，但实际上这属于违法行为。2.5.2人工智能的伦理原则48

3.

隐私和保障美国流行的健身应用Strava允许用户上传骑行数据，但这些数据可能泄露军事