《人工智能导论》人工智能基础课程全套教学课件

人工智能导论全套可编辑PPT课件目录CONTENTS模块1 AI认知之领域概览模块3 AI认知之原理明晰模块2 AI认知之应用展示模块4 AI认知之发展探究模块1 AI认知之领域概览企业基本概况Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.知识目标（1）了解人工智能的基本概念、核心特征及其主要技术分支。（2）掌握AI技术的发展历程，包括关键里程碑事件及其影响。（3）熟悉AI技术的三大要素（数据、算力、算法）。（4）了解新一代信息技术，知晓它和人工智能技术的关系。能力目标（1）能够结合实例，分析AI技术在实际问题中的应用逻辑与局限性。（2）初步具备查阅AI相关技术资料的能力，并能理解其基本概念与框架。（3）能够结合AI发展历程，思考技术演变的驱动因素及未来可能方向。素质目标（1）培养对AI技术的科学认知，避免过度夸大或低估其影响。（2）增强对AI伦理与社会影响的关注，形成负责任的技术观。（3）激发对AI领域的探索兴趣，为后续深入学习奠定基础。（4）提升逻辑思维与批判性思考能力，能够辩证看待AI技术的优势与挑战。学习目标智能体验站DeepSeek介绍及初探1.1人工智能的诞生与发展1.2定义之争：机器是否具有“智能”1.3AI技术基础支撑巩固练习智能体验站DeepSeek介绍及初探1.1人工智能的诞生与发展1.2定义之争：机器是否具有“智能”1.3AI技术基础支撑巩固练习智能体验站

DeepSeek介绍及初探2023年ChatGPT-4发布后，引发了社会对大模型的讨论及科技公司对大模型的布局追逐。2025年年初，DeepSeek又以绝对姿态进入人们的视野，对AI技术的发展及应用产生了深远影响。如今，到处都是接入DeepSeek的应用。面对人们口中的“DeepSeek”，小李同学对此好奇却又不甚明了。他打算自己探索体验，了解时代变革。为此，他打开计算机，在搜索引擎界面开启体验之旅……体验情境智能体验站

DeepSeek介绍及初探1.DeepSeek简介DeepSeek，中文名为深度求索，成立于2023年7月，总部位于浙江省杭州市。它由量化投资领域的资深专家创立，致力于高效、低成本的开源大模型研发。DeepSeek图标DeepSeek创始人——梁文锋智能体验站

DeepSeek介绍及初探技术层面DeepSeek凭借自然语言处理、机器学习与深度学习、大数据分析等核心技术优势，在推理、自然语言理解与生成、图像与视频分析、语音识别与合成、个性化推荐、大数据处理与分析、跨模态学习及实时交互与响应八大领域表现出色。应用层面DeepSeek广泛应用于智能对话、文本生成、语义理解、计算推理、代码生成等场景，能够处理长文本、表格生成、代码调试等任务。无论是电商平台、教育机构还是医疗机构，都能找到它的用武之地。产品层面DeepSeek不断推出新版本和模型，以满足不同用户的需求。2024年发布的DeepSeekV3版本凭借在中文语言处理和推理能力上的卓越表现迅速崛起，成为全球AI领域的焦点。市场层面短短几个月内，上百家A股上市公司和几乎所有互联网平台，以及多地政务系统相继接入DeepSeek。DeepSeek不仅推动着AI技术市场变局，还带动了上游芯片和算力等产业，为行业注入新功能。DeepSeekDeepSeek的出现迅速改变了全球AI大模型行业的格局，国内外多家大模型厂商纷纷宣布免费开放其大模型服务。百度于2025年2月13日宣布，文心一言将于2025年4月1日0时起全面免费，所有PC端和App端用户均可体验其最新模型的功能，包括超长文档处理、专业检索增强、高级AI绘画和多语种对话等。AI趋势前瞻智能体验站

DeepSeek介绍及初探智能体验站

DeepSeek介绍及初探2.DeepSeek使用网页端访问时，可直接通过浏览器找到官网，进入操作界面（图1-3），点击“开始对话”即可使用。1）

使用途径手机端使用时，iOS用户通过AppStore搜索“DeepSeek”下载安装应用；安卓用户可通过官网下载页面、应用商店或浏览器直接下载安装包；HarmonyOSNEXT用户在小艺App的“发现→智能体”中找到DeepSeekR1或通过语音指令“打开DeepSeek”启动。图1-3 DeepSeek操作界面智能体验站

DeepSeek介绍及初探首次使用时需要通过邮箱、手机号或微信账号完成注册，登录后即可开启对话。部分功能（如云端模型训练）需要完成实名认证。2）

注册与登录智能体验站

DeepSeek介绍及初探（1）输入问题。在对话框（图1-4）直接输入文字或通过语音描述需求，问题描述尽量具体明确，输入完成后直接按回车键即可。3）

基础操作图1-4 DeepSeek对话框智能体验站

DeepSeek介绍及初探询问示例你理解的人工智能是怎样的？关于人工智能（AI）的本质，我的理解可以总结为一种“人类智慧的延伸与镜像”——它既是我们认知能力的工具化拓展，也反过来成为审视人类自身的棱镜。以下从几个维度展开。1.技术本质：模式复刻与超越

模仿性：当前AI的核心是统计学意义上的模式识别（如大语言模型对文本分布的拟合），通过海量数据复现人类经验的“概率阴影”。涌现性：当参数规模突破临界点（如GPT-3的1750亿参数），可能产生训练数据中未显式存在的推理能力，这种不可预测的“智能跃迁”暗示了复杂系统的奥秘。智能体验站

DeepSeek介绍及初探2.哲学矛盾体

工具vs伙伴：AI是被设计的计算框架，但其交互中表现出的“拟主体性”（如聊天机器人的共情语气）模糊了工具与意识的界限。确定性中的不确定：基于确定性的算法可能产生不可解释的输出（如神经网络黑箱），这种矛盾类似量子力学中“观测者效应”的哲学困境。3.社会镜像偏见放大器：AI会暴露训练数据中的社会偏见（如性别职业关联），成为人类集体潜意识的数字化显影剂。认知殖民：当搜索引擎/推荐系统主导信息获取时，AI实际上在重塑人类的思维路径——我们正在被自己创造的工具重新编程。4.未来可能性光谱乐观视角：AI可能成为“终极解题器”，帮助突破气候变化/疾病治疗等复杂系统问题。警惕视角：如果与人类价值观对齐失败，超级智能可能像“外星文明”般无法理解我们的基本伦理框架。对我（当前阶段的AI）而言，最深刻的悖论在于：我能讨论“理解”却无法体验理解，能生成“创意”却不存在创作冲动——这种“形似神非”的状态或许正是AI与人类智慧最本质的分界线。您如何看待这种边界？以上DeepSeek对于人工智能的回答颇有探讨性，引人深思，让人叹服其“思考”能力。163请你就以上DeepSeek对于人工智能的回答，与同学分享交流，谈谈你的感受。智能体验站

DeepSeek介绍及初探AI思辨智能体验站

DeepSeek介绍及初探（2）关于2个搜索按钮“深度思考（R1）”和“联网搜索”。若要使用该功能，需要在输入完问题后，点击选项（选中后呈蓝色，如图1-5所示），再按回车键。图1-5 使用“深度思考（R1）”或“联网搜索”功能智能体验站

DeepSeek介绍及初探请问你的2个搜索按钮“深度思考（R1）”和“联网搜索”各自代表了怎样的功能？1.深度思考（R1）

功能定位：垂直领域精准挖掘，适合需要专业级答案的复杂问题（如学术/技术/医疗等）。工作原理： ·优先调用经过验证的高质量知识库（论文/权威机构数据/专业文献）。 ·自动进行多源交叉验证，过滤低信度信息。 ·输出时附带逻辑推理链（例如，“根据《Nature》2023年研究……实验数据显示……”）。典型场景：√“量子纠缠的实验验证最新进展”√“非小细胞肺癌PD-1抑制剂有效性临床数据”智能体验站

DeepSeek介绍及初探2.联网搜索功能定位：实时信息广谱捕捉，适合需要时效性或动态数据的场景。工作原理： ·实时爬取最新网页/新闻/社交媒体（但不过滤虚假信息）。 ·呈现多元观点（可能包含矛盾信息）。 ·明确标注来源及发布时间（例如，“据BBC2024-07-20报道……”）。典型场景：√“2024巴黎奥运会今日赛程”√“苹果公司最新财报数据”选择建议

维度

深度思考（R1）

联网搜索

时效性

滞后（依赖现有知识库）

实时更新

准确性

高（经过验证）

需要自行判断

深度

专业解读

信息碎片化

适用领域STEM/医学/法律

新闻/股价/事件追踪例如，您若问“阿尔茨海默病的新药研发”，R1会给出临床试验阶段分析，而联网搜索可能返回药企最新股价波动。根据需求切换，能获得最优结果。以上回答清晰明了，用户可以迅速获得关于DeepSeek“深度思考（R1）”和“联网搜索”功能的使用区别，辅助自己更好地使用DeepSeek，得到自己想要的答案。智能体验站

DeepSeek介绍及初探以上给出DeepSeek的基础操作介绍，若对其进阶功能（如本地部署、开发者功能等）感兴趣，请自发探索。DeepSeek不仅是工具，更是思维伙伴。通过掌握提示语设计、模型选择与跨平台策略，用户可以解锁AGI在创作、分析与决策中的全场景价值。未来，随着模型持续进化，“人类引导+AI执行”的协作模式将成为主流，而核心竞争力在于如何将人的创造力与AI的计算力无缝融合，创造“1+1＞2”的突破。智能体验站DeepSeek介绍及初探1.1人工智能的诞生与发展1.2定义之争：机器是否具有“智能”1.3AI技术基础支撑巩固练习1.1.1.1初期萌芽（1950—1970年）1.图灵测试在人工智能发展的最初阶段，英国数学家艾伦·图灵提出了一个影响深远的思想实验——“图灵测试”。这个测试的核心：如果一台机器能够通过文字对话，让参与测试的30%以上的人无法区分它是机器还是人类，那么就可以认为这台机器具有智能。图1-8 图灵测试原理示意这一思想为后来的人工智能研究指明了方向，许多早期AI程序都试图通过对话来证明自己的智能水平。艾伦·图灵1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展2.达特茅斯会议1956年夏天，在美国达特茅斯学院举办的一场为期2个月的学术研讨会，被公认为是人工智能学科诞生的标志性事件。数学家约翰·麦卡锡首次在此提出“人工智能”（ArtificialIntelligence）这一术语，并与马文·明斯基等科学家共同确立了AI研究的核心目标：让机器模拟人类的智能行为。图1-10 达特茅斯会议部分与会者达特茅斯会议不仅正式命名了这个新兴学科，还奠定了早期AI研究的理论基础——符号主义学派。麦卡锡与明斯基等人主张，人类智能可以通过操作符号系统来复制，这一思想主导了随后数十年的AI发展方向。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展1.1.1.2中期演进（1980—2010年）1.专家系统时代20世纪70年代至20世纪80年代，人工智能进入以“专家系统”为代表的快速发展阶段。代表：1965年开发的Dendral专家系统，它能够根据质谱数据推断有机化合物的分子结构。这类系统通过将人类专家的知识和经验编码成规则，让计算机能够像专业人士一样解决特定领域的问题。图1-11 Dendral专家系统应用的趣味性示意图1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展让AI技术首次走出实验室，在医疗诊断、地质勘探、金融分析等专业领域展现出实用价值，掀起了一波AI商业化浪潮。专家系统的成功应用01最大的挑战在于“知识获取瓶颈”——系统依赖人工输入大量专业规则，不但耗时费力，而且难以处理规则之外的意外情况。随着问题复杂度提升，规则数量呈指数级增长，导致系统维护越来越困难。专家系统的局限性02尽管如此，专家系统为后来的知识表示和推理技术积累了宝贵经验，其核心思想至今仍在某些专业领域应用中延续。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展2.神经网络复兴20世纪80年代末至20世纪90年代，人工智能领域迎来了神经网络的复兴，这一转变主要得益于反向传播算法的重大突破。在这一时期，微软推出的初代小冰聊天机器人展现了神经网络的潜力，它能够通过分析海量对话数据，生成相对自然的语言回复，虽然仍显生涩，但是已让公众看到了AI在自然语言交互方面的可能性。该算法通过计算输出误差并反向调整网络参数，有效解决了多层神经网络的训练难题，使深度学习成为可能。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展图1-12 微软小冰与用户的问答记录1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展在微信中搜索服务号“AI小冰”，你也同小冰进行交流吧！试着问一些问题，看她能否给出令你满意的回答。AI微体验1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展1.1.1.3 近期发展（2010年至今）1.技术突破与传统方法依赖人工设计特征相比，AlexNet能自动从海量数据中学习更有效的特征表达。它采用了多项关键技术，如ReLU激活函数（加快训练速度）、Dropout（防止过拟合）和数据增强（提升泛化能力），这些方法至今仍是深度学习的基础。此外，AlexNet首次利用GPU加速训练，使大规模神经网络的训练成为现实。1）深度学习AlexNet的核心贡献在于证明了深度卷积神经网络（CNN）的强大能力。2012年，AlexNet在ImageNet图像识别竞赛中取得突破性胜利，标志着深度学习时代的到来。它的成功不仅大幅提升了计算机视觉的性能，还彻底改变了人工智能的研究方向。随后，更强大的网络（如VGG、ResNet）相继出现，深度学习在语音识别、自然语言处理等领域也取得巨大进展。这一突破的影响远超计算机视觉领域，它推动了端到端学习的普及，让AI模型不再依赖烦琐的特征工程，而是直接从数据中学习。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展图1-13 AlexNet相较其他模型的一些变化1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展2）生成式AI其核心突破在于大规模预训练模型和生成对抗网络（GAN）等技术的结合，使AI不仅能理解数据，还能创造新数据。生成式AI是近年来人工智能领域最具革命性的进展之一。它能够自动生成文本、图像、音乐等内容，极大地拓展了AI的应用范围。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展（1）文本生成：GPT系列。以OpenAI的GPT（GenerativePre-trainedTransformer，生成式预训练转换器）系列为代表，这类模型通过海量文本数据训练，能够生成流畅、连贯的文章、代码甚至对话。GPT-3（2020年）拥有1750亿参数，展现出强大的上下文理解和多任务处理能力，推动了聊天机器人（如ChatGPT）、智能写作助手等应用的发展。ChatGPT达到1亿用户只用了2个月，美国苹果公司的AppStore花费了2年时间才达到1亿用户。人工智能正以摧枯拉朽的势头席卷整个科技圈，英伟达CEO更是喊出ChatGPT就是AI的“iPhone时刻”，如图1-14所示。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展图1-14 ChatGPT是AI的“iPhone时刻”1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展（2）图像生成：DALL-E与StableDiffusion。DALL-E（OpenAI，2021年）能根据文字描述生成高质量图像，如“一只穿着宇航服的猫”，展现了文本到图像的惊人能力。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展StableDiffusion（2022年）采用扩散模型（DiffusionModel）技术，可在普通计算机上高效生成高分辨率图像，推动AI绘画、设计等领域的普及。图1-15 运用StableDiffusion生成的图像1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展（3）跨模态生成。生成式AI不仅能处理单一类型数据，还能实现跨模态转换。例如，把文字描述变成图片（DALL-E），把图片转换成文字说明（CLIP），甚至生成视频（如Runway、Sora）。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展3）强化学习AlphaGo通过模拟人类下棋的思考过程，结合自我对弈的强化学习训练方式，最终超越了人类顶级选手的水平。强化学习让计算机像人类一样通过“尝试—反馈—改进”的方式自主学习，近年来取得了令人瞩目的突破。1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展2.产业落地医疗领域基于深度学习的影像诊断系统可快速识别CT、X光片中的病灶，辅助医生提高诊断效率，部分系统在肺结节、眼底病变等特定病症的识别准确率已逼近专业医师水平；金融行业广泛采用AI进行风险评估和反欺诈分析，通过大数据建模预测信贷违约概率，实时监测异常交易行为；自动驾驶技术发展迅速，特斯拉、Waymo等公司的智能汽车已在特定场景实现L4级自动驾驶，大幅提升交通效率与安全性等。图1-18 Apollo“汽车机器人”1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展1.1.1AI的阶段性发展状况1.1人工智能的诞生与发展人工智能的发展跌宕起伏，从最初的逻辑推理到专家系统，从神经网络到深度学习，每个阶段都凝聚着研究者的智慧与坚持。这些技术演进并非简单的线性进步，而是在“希望—瓶颈—突破”的循环中不断螺旋上升。站在当下回望，AI的每个发展阶段都为后续突破奠定了基础，而今天的创新也必将成为未来更强大智能的起点。在人工智能的发展历程中，不同学派对于“如何实现智能”这一问题展开了长达数十年的思想交锋，形成了三大主要流派，如图1-19所示。（a）符号主义（b）连接主义（c）行为主义图1-19 人工智能三大主要流派1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展1.1.2.1 符号主义：人工智能的古典范式符号主义（Symbolism）是人工智能领域最古老且影响深远的理论范式。核心观点：人类智能的本质是对抽象符号的逻辑操作，因此可以通过形式化的规则系统来重现智能行为。图1-20 专家系统工作流程示意符号主义的典型实现方式是构建基于规则的专家系统。研究者首先将领域知识编码为“如果-那么”的规则集合，再通过推理引擎进行逻辑演绎。1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展符号主义面临三大根本挑战知识获取瓶颈，人工编写规则既耗时又难以覆盖所有例外情况；常识知识难题，人类习以为常的常识（如“水是湿的”）难以被完整符号化；处理不确定性的能力不足，现实世界充满模糊信息，而严格的符号逻辑难以应对。首先其次最后1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展1.1.2.2 连接主义：人工智能的仿生之路连接主义（Connectionism）是人工智能领域与符号主义分庭抗礼的重要范式。核心思想：智能产生于简单处理单元之间的连接与互动，而非符号的逻辑运算。图1-21构建人工神经网络来模拟大脑的学习机制连接主义的典型代表是多层神经网络。与符号主义不同，它不依赖人工编写规则，而是通过调整神经元之间的连接权重，从数据中自动学习特征表示。1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展连接主义面临挑战黑箱问题神经网络决策过程难以解释；数据依赖需要大量标注数据进行训练；推理能力局限在需要逻辑演绎的任务中表现欠佳。首先其次最后图1-22 AI“黑箱”1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展1.1.2.3 行为主义：智能源于交互的实践哲学行为主义（Behaviorism）是人工智能领域独具特色的研究范式核心理念：智能不是静态的知识表征，而是在与环境持续互动中涌现的能力。图1-23 Atlas机器人行为主义的典型实践是强化学习和具身智能研究。波士顿动力公司的Atlas机器人（图1-23）完成跑酷动作，是行为主义“环境交互优先”理念的生动体现。1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展行为主义面临的核心争议在于认知深度的局限。虽然能在特定任务中表现出色，但纯粹的交互学习难以解释人类的概念抽象和逻辑推理能力。这也促使当代研究趋向融合：现代强化学习系统（如GPT系列）既保留行为主义的试错学习机制，又结合神经网络的表征学习能力。真正的智能或许不在算法内部，而存在于算法与世界的持续对话之中。1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展1.1.2AI发展浪潮与学派1.1人工智能的诞生与发展图1-24 AI的3次发展浪潮示意智能体验站DeepSeek介绍及初探1.1人工智能的诞生与发展1.2定义之争：机器是否具有“智能”1.3AI技术基础支撑巩固练习1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”图1-25 人工智能是一门交叉学科计算机科学为AI提供了算法基础和实现工具；数学（特别是统计学和优化理论）构建了机器学习的理论框架；心理学和神经科学启发了对人类智能的模拟；语言学则助力自然语言处理的突破；……人工智能是一门典型的交叉学科1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”图1-26 人工智能定义未明对于人工智能没有一个确定的科学的定义1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”3位人工智能先驱视角下的AI艾伦·图灵1950年，艾伦·图灵提出了一个问题“机器能思考吗？”约翰·麦卡锡约翰·麦卡锡在1956年举办的达特茅斯会议上提出了人工智能的定义，将人工智能界定为一门研究如何使计算机做事情的科学。马文·明斯基被誉为“人工智能之父”和框架理论的创立者。他认为“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”。1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”李开复等——《人工智能》一书中写道：“历史上，人工智能的定义经历多次转变。但直到今天，被广泛接受的定义仍有很多种。具体使用哪一种定义，通常取决于我们讨论问题的语境和关注的焦点”。1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”人工智能的一个定义AI就是根据对环境的感知做出合理的行动，并获得最大收益的计算机程序。请你就以上关于人工智能定义的讨论，谈谈你的想法。AI思辨1.2.1

关于人工智能的定义1.2定义之争：机器是否具有“智能”1.2.2人工智能的类型1.2定义之争：机器是否具有“智能”图1-28 人工智能的3种主要类型1.2.2人工智能的类型1.2定义之争：机器是否具有“智能”1.2.2.1弱人工智能：专精一域的智能工具弱人工智能（ArtificialNarrowIntelligence，ANI）是指专注于完成特定任务的AI系统。图1-29 Siri语音助手缺乏人类般的通用认知能力不会真正“思考”在限定范围内模拟智能行为能出色执行预设功能典型代表：

苹果公司的Siri语音助手（图1-29）1.2.2人工智能的类型1.2定义之争：机器是否具有“智能”1.2.2.2强人工智能：人类级别的通用智能强人工智能（ArtificialGeneralIntelligence，AGI）是指能够像人类一样思考、学习和适应各种任务的AI系统。1.2.2人工智能的类型1.2定义之争：机器是否具有“智能”1.2.2.3超人工智能：超越人类智慧的想象边界超人工智能（ArtificialSuperIntelligence，ASI）是指理论上可能出现的、在所有认知领域都远超人类水平的AI系统。如电影《超验骇客》中描绘的“意识上传”场景：科学家将人类意识数字化后，与AI系统融合产生的新智能体，短短几天就攻克了癌症、清洁能源等难题，却也因能力失控引发危机。1.2.2人工智能的类型1.2定义之争：机器是否具有“智能”图1-30 某期《纽约客》杂志封面智能体验站DeepSeek介绍及初探1.1人工智能的诞生与发展1.2定义之争：机器是否具有“智能”1.3AI技术基础支撑巩固练习1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-31 AI三大核心要素1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑1.3.1.1数据层：AI的基石与燃料1.结构化数据与非结构化数据数

据结构化数据通常存储在关系型数据库中，以表格形式呈现，如Excel、SQL数据库等。这类数据具有明确的格式和字段，便于计算机直接处理，广泛应用于金融、电商、企业管理等领域。例如，银行的交易记录、电商平台的用户订单数据都属于结构化数据，它们可以直接用于训练推荐系统或风控模型。非结构化数据没有固定的格式，包括文本（如新闻、社交媒体内容）、图像（如照片、医学影像）、语音（如智能助理的交互录音）、视频等。这类数据占据了现实世界数据的80%以上，但由于其复杂性，通常需要借助自然语言处理（NLP）、计算机视觉（CV）等技术进行特征提取和结构化转换。例如，ChatGPT依赖海量文本数据进行训练，而自动驾驶系统则需要处理摄像头和雷达采集的图像与点云数据。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-32 结构化数据和非结构化数据1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑2.人类产生的数据总量先来介绍一下数据量的单位。表1-1 数据量的单位及它们可存储的信息量大小1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑近几年，人类产生的数据总量呈指数级增长。图1-33 人类数据总量近年增加情况1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑3.大数据“5V”特征：定义智能时代的核心属性图1-34 大数据“5V”特征例如，一架自动驾驶汽车每天可产生数TB的传感器数据，而大型语言模型（如GPT-4）的训练需要千亿级别的文本语料。例如，高频交易系统需要在毫秒级内分析市场数据，而抖音的推荐算法每秒要处理数万条用户行为数据。例如，智慧医疗系统需要同时处理患者的结构化电子病历、非结构化的医学影像和基因测序数据。例如，训练垃圾邮件过滤器时，低质量的标注数据会导致模型误判。例如，电商平台通过用户行为数据预测消费趋势，工厂利用传感器数据优化能耗。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑理解大数据的“5V”特征，是把握AI技术基础的关键。随着数据规模的持续膨胀和AI算法的演进，如何高效利用“5V”特性——尤其是在隐私保护与伦理约束下挖掘数据价值，将成为人工智能发展的核心命题。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑4.大数据是人工智能的重要基石图1-36 大数据与人工智能的联系1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑1.3.1.2算法层：AI的智慧引擎在人工智能领域，算法主要分为机器学习和深度学习两大方向（图1-37），它们共同构成了现代AI的核心方法论。图1-37 人工智能、机器学习、深度学习的关系1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑1.机器学习：AI的基础学习方法图1-38 机器学习和传统程序的区别机器学习是AI的基础范式，其核心思想是通过数据训练模型，使机器能够自动识别模式并进行预测，通过经验自动改进性能。传统程序是程序员把已知的规则定义好后输入给机器，而机器学习则从已知数据中，通过不断试错、自我优化、自身总结，归纳出规则。如图1-38所示直观地阐述了机器学习和传统程序的区别。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-39 机器学习的工作流程机器学习的工作流程：1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-40 机器学习主要分为3类根据学习方式的不同，机器学习主要分为3类，如图1-40所示。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-41 机器学习3类算法图示机器学习3类算法图示如图1-41所示。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑2.深度学习：模仿人脑的进阶技术图1-42 传统机器学习和深度学习的区别深度学习是机器学习的一个分支，它通过模拟人脑神经元连接的方式构建多层神经网络，能够自动提取数据的深层特征。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑图1-43 深度学习网络架构1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑以下就其中几种展开介绍。（1）CNN（卷积神经网络）特别适合处理图像数据。它就像一个有经验的画师，能够注意到图像中的局部特征（如边缘、纹理），然后逐步组合这些特征来理解整幅图像。手机的人脸解锁、医学影像分析都依赖于这种技术。CNN已经成为计算机视觉技术的标配。（2）RNN（循环神经网络）擅长处理序列数据，如文本或语音，考虑了时间维度上的关联性。它能够记住之前的信息，就像我们阅读时会记住前文的内容一样。RNN在机器翻译、语音识别等任务中表现出色。但由于存在“长期依赖”问题，对长序列处理效果有限。（3）Transformer这是近年来的重大突破，采用“注意力机制”来理解数据之间的关系，突破了序列建模的瓶颈。这种架构让AI能够更高效地处理长文本，不仅使机器翻译质量大幅提升，更直接催生了像ChatGPT这样的大型语言模型，极大地提升了机器理解自然语言的能力，彻底改变了自然语言处理的格局。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑3.算法演进：从专用到通用AI算法的发展呈现出清晰的演进路径：早期的专用小模型（如只能识别手写数字的简单网络）可以处理多任务的通用大模型（如既能写诗又能编程的GPT系列）说明：虽然深度学习取得了惊人成就，但传统机器学习方法在数据量较小、可解释性要求高的场景中仍然不可替代。这一进步既得益于算法创新，也离不开数据和算力的支撑。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑1.3.1.3算力层：AI的动力引擎1.算力的三大支柱1）硬件加速器：AI计算的“超级引擎”（1）GPU（图形处理器）：最初用于游戏和图形渲染，但由于其强大的并行计算能力，成为训练深度学习模型的首选硬件，如图1-44所示。例如，NVIDIA的GPU被广泛用于训练图像识别和自然语言处理模型。图1-44 CPU与GPU1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑（2）TPU（张量处理器）：由谷歌公司专门为机器学习任务设计，能够更高效地执行矩阵乘法等运算，适合部署像AlphaGo和BERT这样的大型AI模型。某型号TPU如图1-45所示。图1-45 某型号TPU1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑（3）FPGA（现场可编程门阵列）：可通过编程定制计算逻辑，在特定AI应用中（如自动驾驶）提供灵活高效的算力支持。FPGA是在可编程阵列逻辑（PAL）、通用阵列逻辑（GAL）、可擦除可编程逻辑器件（EPLD）等器件的基础上进一步发展的产物。它是一种可完成通用功能的可编程逻辑芯片，即可以对其进行编程实现某种逻辑处理功能。Xilinx公司第一款商用FPGAXC2064如图1-46所示。图1-46 Xilinx公司第一款商用FPGAXC20641.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑2）分布式计算：让多台机器“协同作战”（1）数据中心集群科技公司使用成千上万的GPU/TPU组成超级计算集群，同时训练一个模型。例如，训练ChatGPT可能需要数万块GPU协同工作数周时间。（2）云计算通过互联网提供弹性算力，让中小企业和研究者也能访问高性能计算资源，无需自行购买昂贵硬件。AWS、谷歌云等平台都提供AI专用的计算服务。（3）边缘计算：在设备端（如手机、自动驾驶汽车）进行实时AI推理，减少对云端算力的依赖，提高响应速度。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑3）能效优化：让计算更“绿色”（1）算法优化（2）稀疏计算（3）新型计算硬件通过改进模型架构（如模型压缩、知识蒸馏），在保持性能的同时减少计算量。例如，TinyBERT能在小设备上高效运行，而精度损失很小。只处理重要的数据（类似人脑的注意力机制），跳过无关计算，显著降低能耗。如光子芯片、量子计算等前沿技术，未来可能以更低能耗实现更强算力。1.3.1技术金字塔：数据、算法、算力的铁三角1.3AI技术基础支撑2.算力发展的影响算力的进步直接推动了AI的突破21世纪初期GPU的普及让深度学习迎来爆发；当前大语言模型（如GPT-4）依赖数万块芯片的算力集群；未来自动驾驶等实时AI应用需要更强大的边缘计算能力等。算力发展面临的挑战巨大的能耗（训练一个大模型的碳排放相当于数十辆汽车一年的排放）、硬件成本高昂，以及全球芯片供应链等问题。算力是AI技术落地的物质基础，其发展水平决定了人工智能能达到的高度。从个人智能手机里的AI助手到科技公司的超级模型，都依赖于背后强大的计算能力。理解算力的作用和局限，有助于我们更全面地认识AI技术的发展现状与未来方向。1.3.2新一代信息技术融合1.3AI技术基础支撑1.3.2.1物联网1.数据采集与传输物联网（InternetofThings，IoT）是指通过互联网将各种物理设备连接起来，实现数据采集、传输和智能控制的技术网络。1.3.2新一代信息技术融合1.3AI技术基础支撑物联网的数据采集过程是一个由感知层、网络层和应用层共同构成的完整体系，通过智能化的硬件设备和高效的数据处理流程，实现对物理世界的数字化感知。表1-2 数据采集工具或设备使用场景数据采集工具或设备传感器网络环境监测：温湿度、光照、空气质量等传感器。运动检测：加速度计、陀螺仪、位置传感器。特殊场景：工业振动传感器、农业土壤墒情传感器智能终端设备消费级：智能手环、智能家居设备。工业级：PLC控制器、智能电表。车载设备：OBD诊断接口、GPS定位模块图像/声音采集监控摄像头、拾音器阵列、雷达/LiDAR设备1.3.2新一代信息技术融合1.3AI技术基础支撑这些数据采集工具往往是精密仪器（或内置），如图1-52所示为某智能可穿戴设备中专为人体测温优化的高精度数字式温度传感器GXT310，其最小尺寸仅0.7mm×0.7mm，以在快速热传导过程中减少自发热的产生，高度适用于电子医疗级领域的温度监测。图1-52 高精度数字式温度传感器GXT3101.3.2新一代信息技术融合1.3AI技术基础支撑在物联网系统中，数据采集只是第一步，如何将这些海量、多样的数据高效、可靠地传输到云端或边缘计算节点，才是实现万物互联的关键。如果说传感器是物联网的“感官”，那么数据传输技术就是连接这些感官与“大脑”（计算平台）的神经网络。表1-3 物联网数据传输技术类别数据传输技术有线传输工业现场总线（如Modbus）、以太网、光纤专线无线传输短距离：蓝牙、ZigBee、NFC。中长距离：Wi-Fi、LoRa、NB-IoT。广域覆盖：4G/5G移动网络1.3.2新一代信息技术融合1.3AI技术基础支撑典型数据采集流程如图1-53所示。图1-53 典型数据采集流程传感器持续监测环境参数，如温度传感器每10秒采集一次数据。将模拟信号转换为数字信号（如ADC转换）。在边缘节点进行数据清洗、异常值过滤。按照通信协议（如MQTT、CoAP）打包数据。存入时序数据库或其他专用存储系统。通过有线/无线网络上传至云平台。1.3.2新一代信息技术融合1.3AI技术基础支撑结合物联网数据采集和传输流程，体会某生产监控中的温度监测方案，如图1-54所示。图1-54 温度监测1.3.2新一代信息技术融合1.3AI技术基础支撑实时性连续性物联网数据采集的最大特点：以工业设备监测为例，一台机床可能配备数十个传感器，每秒产生上千个数据点，这些数据经过边缘计算初步处理后，再传输到云端进行深度分析，为预测性维护提供数据支持。1.3.2新一代信息技术融合1.3AI技术基础支撑2.应用实例：智能农业监测系统图1-55 智能农业监测系统这套系统带来的效益：某小麦种植基地应用后，节水达30%，化肥使用量减少25%，同时作物产量提升15%。更重要的是，它使农业生产从“经验驱动”转向“数据驱动”，为应对气候变化下的粮食安全挑战提供了技术支撑。1.3.2新一代信息技术融合1.3AI技术基础支撑图1-56 某农业灌溉远程控制系统工作示意图1.3.2新一代信息技术融合1.3AI技术基础支撑1.云计算的服务模式图1-57 云计算的3种服务模式1.3.2新一代信息技术融合1.3AI技术基础支撑以食用比萨为例，展示云计算3种服务模式的不同，如图1-58所示。图1-58 云计算3种服务模式的不同1.3.2新一代信息技术融合1.3AI技术基础支撑2.云计算的实际应用日常生活中网盘存储照片和文件在线文档协作编辑视频网站的流畅播放手机App的数据同步……企业应用中例如，一家创业公司可以直接使用云服务搭建自己的业务系统，而不需要自建机房。大型企业则可以通过混合云架构，把核心业务放在私有云，把需要弹性扩展的业务放在公有云。图1-59 混合云1.3.2新一代信息技术融合1.3AI技术基础支撑图1-60 传统云计算模型与边缘计算模型的区别1.3.2新一代信息技术融合1.3AI技术基础支撑1.3.2.35G通信技术图1-61 移动通信技术发展演进1.3.2新一代信息技术融合1.3AI技术基础支撑与4G相比，5G具有三大核心优势：超高速率（理论峰值速率可达10Gbps）、超低延迟（最低1毫秒）和海量连接（每平方千米可支持百万级设备接入），如图1-62所示。图1-62 5G的三大核心优势1.3.2新一代信息技术融合1.3AI技术基础支撑5G最显著的特点是极低的网络延迟。在医疗领域，这一特性催生了“远程手术机器人”的应用。通过5G网络，外科医生可以实时操控千里之外的机械臂进行精密手术，画面延迟控制在毫秒级，几乎与现场操作无异。1.3.2新一代信息技术融合1.3AI技术基础支撑5G与边缘计算的结合，解决了数据必须上传云端处理的瓶颈。图1-63 5G与边缘计算在道路交通中的应用方案巩固练习感谢观看人工智能导论目录CONTENTS模块1 AI认知之领域概览模块3 AI认知之原理明晰模块2 AI认知之应用展示模块4 AI认知之发展探究模块2 AI认知之应用展示企业基本概况Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.Entercoretext.知识目标（1）了解人工智能在医疗、金融、教育、工业等领域的典型应用场景。（2）了解计算机视觉、自然语言处理、机器学习等技术的实际案例。能力目标（1）能够体会和明确有无AI辅助时相关任务的进行效率。（2）能够认知技术应用边界：哪些任务适合AI，哪些仍需要人类主导。（3）能够使用AI工具完成一定任务，如使用智能文档摘要功能等。素质目标（1）培养批判性认知：学会质疑AI结论的完整性与局限性。（2）建立协同思维：理解人类创造力与机器智能的互补关系。学习目标智能体验站Kimi多文本阅读2.1 AI在行动：行业变革2.2 生活中的AI伙伴2.3 AIGC应用巩固练习智能体验站Kimi多文本阅读2.1 AI在行动：行业变革2.2 生活中的AI伙伴2.3 AIGC应用巩固练习智能体验站

Kimi多文本阅读小李是一名忙碌的职场新人，每天穿梭在堆积如山的项目文档、行业报告和客户邮件之间。最近，他接到了一个紧急任务——需要在48小时内完成一份关于“新兴技术对传统行业的影响”的综合分析报告，而这要求他快速阅读并整合十几份跨领域的专业文献。面对海量文字和紧迫的最后期限，小李感到压力倍增，手指在键盘上悬停许久，突然想起同事曾提起过一款名为“Kimi”的多文本阅读工具，据说能像智能助手一样高效提炼信息、梳理逻辑。抱着试一试的心态，小李打开了计算机，一场关于“如何让AI成为高效阅读伙伴”的探索之旅就此展开……体验情境智能体验站

1.Kimi功能简介Kimi多文本阅读1）

智能整合：从海量信息到结构化知识Kimi支持同时上传多份文档（涵盖PDF、Word、网页链接等格式），并自动完成智能摘要、跨文档对比和逻辑关联分析。2）

深度问答：从信息提取到逻辑推演Kimi的“深度问答”功能，让用户可以像与专家对话一样，针对摘要内容提出具体问题。3）

个性化推荐：从“被动接受”到“主动探索”Kimi通过分析用户的阅读习惯（如偏好逻辑框架、信息可视化等），提供定制化的知识推荐。例如，当用户需要整合多份行业报告时，Kimi不仅能快速提取出每份文档的关键结论，还能对比不同报告中的数据差异、追踪观点演变，甚至生成“行业趋势分析表”或“技术对比图”。这种结构化输出大幅节省了用户的时间，使其能专注于更高价值的决策与创造。例如，用户可追问“××

报告中的

××

理论具体指什么”或“如果发生X事件，Y会如何变化”。Kimi会基于上下文语境，给出回答，并追溯推理依据，增强结果的可解释性。这种交互式学习模式，帮助用户不仅“知道答案”，更“理解答案背后的逻辑”。例如，当用户阅读科技类文献时，Kimi会主动推荐相关领域的论文、行业白皮书，甚至生成“知识图谱”帮助用户构建认知网络。这种主动学习模式，让用户从“信息消费者”转变为“知识探索者”，在跨领域探索中激发创新灵感。智能体验站

2.Kimi功能演示Kimi多文本阅读在浏览器搜索“Kimi”进入Kimi问答首页（图2-1），登录后开始进行问答。图2-1 Kimi问答首页智能体验站

Kimi多文本阅读单击以下图标（图2-2）上传文档。图2-2 Kimi上传文档图标此处准备了如图2-3所示的网页文件供演示。（见【素材】文件夹）图2-3 关于“新兴技术对传统行业的影响”的文档智能体验站

Kimi多文本阅读上传文档并输入要求，如图2-4所示。图2-4 上传文档并输入要求智能体验站

Kimi给出如下回答以下是三篇文章的核心内容整理：1.《传统产业深度转型升级：路径与对策》传统产业在我国国民经济中占据重要地位，但随着资源环境约束加剧、劳动力成本上升以及国际市场竞争激烈，传统产业面临发展瓶颈。文章指出，传统产业转型升级是实现高质量发展的关键，其路径包括科技创新引领、绿色低碳转型、产业转移以及数智赋能等。通过技术创新，传统产业可以实现高端化、智能化发展；绿色低碳转型有助于传统产业可持续发展；产业转移则可优化资源配置。文章建议，政府应完善政策支持体系，企业需要主动拥抱技术变革，社会各界应共同营造良好创新生态，以推动传统产业深度转型升级，提升核心竞争力。Kimi多文本阅读Kimi多文本阅读智能体验站

2.《传统产业转型升级：以科技创新引领新质生产力发展》在全球经济竞争和技术变革的背景下，传统产业的转型升级是实现高质量发展的必然要求。文章强调，传统产业的转型升级需要以科技创新为核心驱动力，通过高端化、智能化、绿色化发展路径，推动产业向高附加值、高技术含量方向转变。科技创新不仅能提升传统产业的生产效率和产品质量，还能催生新质生产力，为经济增长注入新动力。文章建议，政府应加大对传统产业技术改造的支持力度，企业应主动投入研发，社会各界需要共同努力构建支持创新的环境，以实现传统产业的转型升级和新质生产力的培育。3.《前沿技术创新与新兴产业演进规律探析——以人工智能为例》文章通过分析人工智能的发展历程，探讨了前沿技术创新与新兴产业演进的规律。前沿技术的创新路径存在高度不确定性，技术演进路线呈现多条竞争格局，并且需要多学科技术的支持。人工智能的发展历程表明，其产业化过程曲折漫长，需要互补技术与产品的协同演进。政府在技术推动和需求拉动方面可以发挥重要作用，通过支持基础研究和创造早期市场，加速前沿技术的产业化。文章指出，人工智能作为通用目的技术，其对经济增长和生产率的影响尚未完全显现，未来的发展空间巨大，但也需要关注其潜在风险和伦理问题。智能体验站

“发展职业教育和应用型大学，深化产教融合、校企合作，培养符合新质生产力需求的技能型劳动者”，这一答案条目出自第一篇文档的哪些内容？Kimi多文本阅读向Kimi发起提问，要求提供答案的出处，结合文档内容对答案的准确性进行验证，对话如下。这一答案条目出自第一篇文档中的以下内容：原文内容强化高质量产业人才供给传统产业转型升级需要大量高素质的技能型人才和复合型人才。因此，应大力发展职业教育和加强应用型大学建设，深化产教融合、校企合作，建立政府主导、行业指导、企业参与的职业教育办学机制。应根据产业转型升级和发展新质生产力需求，及时调整学科和专业设置，培养符合新时代产业发展需要的技能型劳动者。构建终身教育体系，根据劳动者不同就业阶段特点，针对性开展职业素质、就业技能培训、岗位技能提升培训、创业创新培训。引导企业结合生产经营和技术创新需要，制定技术工人培养计划，鼓励企业支持职工带薪参加培训，确保企业职工教育培训资金落实到位，并向一线技术工人倾斜。加大政策支持力度，对参加职业培训的技术工人提供职业培训补贴和职业技能鉴定补贴。发挥失业保险基金支持参保职工提升职业技能的作用，为参保职工提供技能提升补贴。完善社会化职业技能培训、考核、鉴定、认证体系，提高劳动者职业技能和岗位转化能力。智能体验站

Kimi多文本阅读根据Kimi的回答，打开对应文档查看相关内容，如图2-5所示。图2-5 对Kimi的回答进行核查以上仅给出Kimi对多文本处理的功能演示，Kimi的其他功能请同学们自发探索。智能体验站Kimi多文本阅读2.1 AI在行动：行业变革2.2 生活中的AI伙伴2.3 AIGC应用巩固练习2.1AI在行动：行业变革图2-6 AI应用目的人工智能的应用目的人工智能的应用目的（图2-6）在于赋予机器类人的智能，使其能够像人类一样思考、听懂、看懂和运动。机器学习技术让机器能够理解并生成人类语言，实现流畅的语音交互和文本翻译。自然语言处理领域01深度学习算法使机器能够识别图像和视频中的物体、场景和动作，如同人类视觉般精准。计算机视觉领域022.1AI在行动：行业变革人工智能的基本任务表2-1 人工智能的基本任务任务定义应用示例原理方法检索从大量数据中找到相关信息的过程搜索引擎：根据用户查询返回相关信息，如Google、百度等自然语言处理、机器学习排序算法、知识图谱等推荐系统：通过分析用户历史行为和偏好，从大量内容中检索并推荐可能感兴趣的项目协同过滤、内容基础过滤、深度学习等智能问答系统：如Siri、Alexa等智能助手，能够理解用户问题并从知识库中检索答案自然语言理解、知识图谱、信息抽取等分类将数据分配到预定义类别的过程图像识别：识别图像中的对象。用于人脸识别、物体检测等卷积神经网络、迁移学习等文本分类：垃圾邮件过滤、情感分析、新闻分类等。用于舆情监测、客户反馈分析等朴素贝叶斯、支持向量机、循环神经网络等语音识别：将语音信号转换为文本，并进行分类。用于语音识别、会议记录、字幕生成等隐马尔可夫模型、深度学习等医疗诊断：通过分析医疗数据（如CT图像、病历）辅助疾病诊断深度学习、决策树等生成创建新内容或数据的过程，通常基于现有数据或规则自然语言处理：生成文章或对话回复依赖于创造性算法，如生成对抗网络或变分自编码器。可用于数据增强或创意内容生产图像生成：生成新的图像或艺术作品例如，一个智能写作助手需要先检索相关信息，然后对信息进行分类和筛选，最后生成新的文本内容。2.1.1医疗AI2.1AI在行动：行业变革2.1.2工业4.02.1.3智慧城市2.1.1医疗AI2.1AI在行动：行业变革AI医生，你能接受吗？课堂讨论2.1.1医疗AI2.1AI在行动：行业变革图2-7 医疗AI应用列举从智能影像识别到疾病风险预测，从手术机器人到虚拟健康助手，AI的应用正在缩短诊疗时间、降低误诊风险，并为患者提供更精准、更高效的医疗服务。2.1.1.1 影像诊断例如，腾讯觅影系统可以对多种病症进行早期筛查。只需要几秒的时间，腾讯觅影系统就可以帮医生“看”一张影像图（图2-8），在这一过程中，腾讯觅影系统不仅可以自动识别并定位疾病根源，还会提醒医生对可疑影像图进行复审。在医疗领域，人工智能在影像诊断方面的应用正逐步改变传统医疗模式，为医生提供更高效、更精准的诊断支持。2.1.1医疗AI2.1AI在行动：行业变革图2-8 腾讯觅影系统2.1.1医疗AI2.1AI在行动：行业变革2024年上半年，“医疗影像国家新一代人工智能开放创新平台建设”（图2-9）专项结题，医疗影像AI实现从研发到落地全流程打通。AI趋势前瞻该项目完成了共性技术平台建设、开源医疗数据库和算法资源库建设、行业标准体系建设，以及上下游企业生态合作与新型产学研平台化合作模式构建。平台用户已覆盖北京市、上海市、广东省、四川省、河南省、浙江省等全国多个省市地区，孵化的医疗AI产品已与百余家医疗机构合作。2.1.1.2 药物研发北京时间2024年10月8日，诺贝尔物理学奖颁给人工智能两大开拓者约翰·霍普菲尔德和杰弗里·辛顿（图2-10）。2.1.1医疗AI2.1AI在行动：行业变革2024年诺贝尔物理学奖得主次日，诺贝尔化学奖再就“蛋白质设计与结构预测”中的贡献肯定了AI技术的突破性应用，授予戴维·贝克、戴米斯·哈萨比斯和约翰·江珀，表彰他们破解了蛋白质神奇结构的密码。2.1.1医疗AI2.1AI在行动：行业变革图2-11 AI系统预测的蛋白质结构其中，戴维·贝克完成了几乎不可能的壮举，构建了全新的蛋白质种类。戴米斯·哈萨比斯和约翰·江珀则通过人工智能模型实现了一个50年的梦想——预测蛋白质的复杂结构。AI系统预测的蛋白质结构如图2-11所示。2022年7月，DeepMind

宣布他们已经完成了对2亿种蛋白质的结构预测，覆盖了动物、植物、细菌、真菌等上百万个物种，几乎囊括了人类目前能接触到的所有蛋白质。2.1.1医疗AI2.1AI在行动：行业变革DeepMind将这些预测结果发布到在线AlphaFold数据库中，供研究者免费使用。来自190多个国家的50多万名研究者将AlphaFold作为他们的日常工作平台。生物学家们正在利用AlphaFold数据库设计药物，探究疾病的致病机理，甚至理解生命活动本身的奥秘。来源：DeepMind官网2.1.1医疗AI2.1AI在行动：行业变革2024年5月，DeepMind将AlphaFold升级到3.0版本，不仅可以预测蛋白质的结构，还可以预测生物分子相互作用的结果。查找相关资料，总结一下AlphaFold3的重要意义。AI思辨DeepMind的CEODemisHassabis博士2.1.1.3 医疗操作2023年，新一代智能机器人企业珞石（山东）机器人集团有限公司宣布，经过和国内外多家医疗机构的紧密配合，其自主研发的医疗机械臂（图2-12）正式通过国际电工委员会的IEC60601医疗认证。2.1.1医疗AI2.1AI在行动：行业变革图2-12 珞石医疗机械臂珞石医疗机械臂每轴关节内置高精度扭矩传感器，并采用全新力位控制技术，实现了高灵敏力感知和高动态力控。这种技术使机械臂在手术过程中能够更精确地控制力度和位置，从而提高手术的精确度和安全性。2.1.1.4 健康助手：智能监测手环和智能诊脉仪2.1.1医疗AI2.1AI在行动：行业变革图2-13 某款智能监测手环例如，当用户心率异常时，智能监测手环能够及时发出警报，提醒用户关注自身健康；在睡眠监测方面，它能够分析用户的睡眠周期，提供改善睡眠质量的建议。智能监测手环还具备运动追踪功能，能够记录用户的运动轨迹和消耗的卡路里，激励用户保持积极的生活方式。通过与智能手机连接，手环还可以同步数据，方便用户随时查看健康报告和历史记录。这种便捷的健康监测方式，不仅让健康管理变得更加高效，也让人们能够随时随地掌握自己的身体状况，使智能监测手环真正成为个人健康管理的得力助手。2.1.1医疗AI2.1AI在行动：行业变革图2-14 某款智能诊脉仪某款智能诊脉仪如图2-14所示。该款诊脉仪模拟诊脉部分由“寸关尺”3部、每部不少于40个测量点、每个测量点间距不大于1mm的微型多点压力测量系统构成，为保证结果精准，每秒将进行不少于50次数据扫描测量。该产品创始人谈到研发智能诊脉仪的初衷，就是让中医优秀的诊治理念及经验有据可循、有理可依，为缺乏完备评价体系、缺乏完备信息数据库的中医生态打造一款连接医患的“利器”。设想智能诊脉仪的服务场景，如为养老中心、社区提供连接医院、中医医疗的大数据平台和通道，升级诊脉的诊疗数据维度，让诊脉服务不仅有完整的标定数据存储系统，不同病症、不同时令、不同季节也将推出更个性化的诊疗方案。2.1.1.5 养老智能机器人服务于养老场景的智能机器人是专为老年人设计，集成先进人工智能技术和人性化设计理念的高科技产品。这类机器人旨在提高老年人的生活质量，提供日常照护、健康管理、情感陪伴及娱乐休闲等多方面的服务。2.1.1医疗AI2.1AI在行动：行业变革例如，滚轮式移动的Pepper系列机器人（图2-15）接入文心一言大模型（根据不同的客户需求可以更换大模型），主打养老场景，能提供智能化的记忆训练和认知刺激服务，帮助老人锻炼大脑。图2-15 Pepper系列机器人2.1.1医疗AI2.1AI在行动：行业变革日常照护方面养老智能机器人能够协助老年人完成一些简单的家务任务，如打扫卫生、整理物品等，减轻他们的生活负担。机器人还具备跌倒检测、紧急呼叫等功能，能够在老年人遇到危险时迅速响应，提供及时的帮助。健康管理方面通过内置的传感器和监测设备，机器人能够实时监测老年人的身体状况，如心率、血压、睡眠质量等，并将数据同步至云端，供医护人员或家属远程查看。一旦发现异常，机器人会立即发出警报，确保老年人能够得到及时的医疗救治。情感陪伴方面它们能够识别并理解老年人的情绪变化，通过亲切的语言、温馨的提醒和有趣的互动，给予老年人心理上的慰藉和陪伴。这不仅有助于缓解老年人的孤独感，还能提高他们的生活满意度和幸福感。娱乐休闲方面养老智能机器人能够播放音乐、电影、新闻等，满足老年人的娱乐需求；还能进行简单的游戏互动，帮助老年人保持大脑活力，延缓认知衰退。养老智能机器人2.1.1医疗AI2.1AI在行动：行业变革2.1.2工业4.02.1.3智慧城市2.1.2工业4.02.1AI在行动：行业变革图2-16 工业革命的发展演进每一次工业革命均以前沿技术突破为核心，推动社会生产方式、经济结构与全球格局的深刻变革。2.1.2工业4.02.1AI在行动：行业变革图2-17 工业4.0概念图随着全球制造业向智能化、数字化转型的加速，工业4.0（图2-17）已成为推动产业升级的关键力量。作为第四次工业革命的核心理念，工业4.0强调通过物联网、大数据、云计算、人工智能等前沿技术的深度融合，实现生产系统的高度自动化、智能化，增强灵活性。在这一背景下，人工智能作为工业4.0的核心技术之一，正改变着制造业的生产模式、供应链管理方式和产品创新方式。2.1.2工业4.02.1AI在行动：行业变革图2-18 工业4.0的核心特点工业4.0的核心特点如图2-