人工智能通识教育 课件 模块1 初识人工智能

人工智能通识教育主编：吕争、冯金地、赵琨2025年1月目模块1初识人工智能模块3人工智能关键技术模块5人工智能应用(二)模块7人工智能与社会录模块2人工智能支撑运作平台模块4人工智能应用(一)模块6人工智能前沿模块1初识人工智能模块1结构：单元1人工智能的定义和内涵单元2人工智能发展简史单元3人工智能现状和发展趋势

单元4人工智能概述学习目标：√深入理解人工智能的定义、特征、发展历程及现状趋势。√

掌握人工智能的基础理论、机器学习与深度学习技术，具备初步的应用分析能力。√培养批判性思维，能够分析人工智能技术的优缺点，思考其对社会的潜在影响。学

习重

点

：√

人工智能的内涵。√

人工智能产业链的结构与各国发展现状比较分析。√机器学习与深度学习的基础理论及主要算法。模块1初识人工智能AI定义：通过计算机程

序模拟、延伸人类智能

的技术。赋予机器感知

、理解、推理等能力。里程碑事件：

AlphaGO战胜人类围棋选手、自

动驾驶兴起。模块1初识人工智能单元1人工智能的定义和内涵人工智能的定义人工智能的特征人工智能的实现途径模块1初识人工智能图灵测试与AI定义图灵测试概念：评估机器是否能展现人类智能行为。AI定义：模拟人类思考、学习和解决问题等智能行为。若测试者无法区分与

人

交流的是人还是机器，

则机器具备智能。关测试者

C天图1-2

阿兰

·

图灵和图灵测试B天受

试

者机

器模块1初识人工智能不同视角下的AI定义麦卡锡：制造智能机器，模拟人类思考。尼尔森：研究知识表示、获取和使用的科学。温斯顿：使计算机做过去只有人类能做的智能工作。广义人工智能：高度灵活、适应性的技术，模拟、延伸、超越人类智能。应对各种情境，逻辑推理、问题解决。模块1初识人工智能产业角度利用计算机模拟、延伸、扩展人类智能。涵盖算力

、数据、算法、模型开发，与行业深度融合。人工智能特征全新交互方式：语音识别、自然语言处理。自进化能力：机器学习、深度学习自我优化。去节点化：高效处理信息，用户直接获得所需。模块1初识人工智能全新交互方式通过语音识别、自然语言处理等技术，提供自然

、智能的交互体验，降低使用门槛。自进化能力通过机器学习和深度学习技术，自动识别模式、

预测趋势，适应不断变化的环境和需求。去节点化后台高效处理信息，用户前端直接获得所需，颠

覆获取信息和服务的方式。实现途径-图灵测试自然语言处理、知识表示、自动推理、机器学习、计算机视觉、机器人学。实现途径-认知建模通过内省、心理实验、脑成像技术研究

人脑运行机制，模拟人类思维方式。认知科学贡献者诺姆

·乔姆斯基、赫伯特

·西蒙、丹尼尔

·

丹尼特，为人工智能认知建模奠定基础CANACOMPUTERTALK

LIKE

AHUMAN?模块1初识人工智能模块1初识人工智能实现途径-思维法则受亚里士多德逻辑学影响，通过符号推理与

机器推理，构建具有人类智能特点的系统。实现途径-进程安排智能规划与管理任务执行顺序和方式，根据

不确定性动态调整，实现最佳期望结果。单元2人工智

能发展简史(从计算推理到深度学习)1.0时代：计算推

理，奠定基础2.0时代：知识表

示，专家系统3.0时代：机器学

习和深度学习图灵发表论文，

并提出图灵测试1950年约翰·麦卡锡

Lisp编程语言1958年达特茅斯会议正式提出人工智能概念1956年世界第一台

可编程机器人1954年世界第一台神经网络机SNARC1951年世界第一个

聊天机器人1966年麻省理工获得

美国AI研究经费1963年世界第一台

工业机器人

应用汽车装配里根星球大战计划人工智能

1986年研究经费削减

神经网络理论1970年初

重新发展1985年英国科学研究I

日本政府投资

委员会

8.5亿美元发展报告对人工智

人工智能计算机

能持悲观态度

美国DARPA1974年紧随投资发展A深蓝战胜国际i

象棋冠军1997年斯坦福大学自动驾驶机器人

在沙漠比赛2005年谷歌BERT机

器阅读超越人类2018年IAlphaGo取得围棋冠军2016年DARPA

失败，政府投入缩减1991年斯坦福推出机

器人操作系统ROS2007年IBMWatson

i

危险边缘比赛!2011年谷歌无人驾驶汽车2010年1962年麻省理工研制首台人工智能移动机器人shakey1966-1972年机器人动作1972年模块1初识人工智能6070年代

年代20世纪201021世纪卡耐基

·梅隆大学xCON

专1家系统1980年Al合成主播2018年80年代202050年代年代200044/81模块1初识人工智能人工智能1.0时代以计算推理为基础，为AI领域奠定基础。沃伦

·麦卡洛克和沃尔特

·皮茨的神经网络模型阿兰

·

图灵的图灵机理论1956年达特茅斯会议，AI术语正式提出人工智能1.0时代的重要成果神经网络的提出，为AI研究开辟新方向图灵机理论为计算机科学提供理论基础AI作为独立学科诞生，为后续研究指明方向模块1初识人工智能人工智能2

.0时代基于知识表示的专家系统阶段。知识表示方法的研究，如产生式

规则、语义网络专家系统的开发与应用，模拟人

类专家决策不确定性推理的引入，提高系统

灵活性DENDRAL系统：化学领域应用，推断分子结构MACSYMA

系统：计算机代数系

统，处理复杂数学计算MYCIN

系统：医疗领域应用，诊断和治疗细菌感染知识来自专家专家系统推理引擎

知识库非专家用户询问建议图1-4

专家系统的工作原理用户界面模块1初识人工智能人工智能3.0时代以机器学习和深度学习为主要特征。图像识别与语音识别显著提升自然语言处理取得重大进展强化学习在多个领域取得突破主要科学家及其贡献乔弗里

·辛顿：深度学习之父，提出反向传播算法

杨立昆：卷积神经网络先驱吴恩达：在机器学习和深度学习领域有显著贡献人工智能3.0时代的技术突破深度学习的兴起，实现复杂数据特征提取Transformer模型提出，提高NLP任务性能；

GAN

的发展，生成逼真图像、音频或文本

强化学习在机器人控制、自动驾驶等领域广

泛应用重要标志性事件深蓝战胜国际象棋世界冠军卡斯帕罗夫AlexNet在ImageNet挑战赛中夺冠DeepFace、DeepID在人脸识别上超越人类AlphaGo击败围棋世界冠军李世石深蓝战胜国际象棋世界冠军卡斯帕罗夫(左),AlphaGo

在围棋比赛中击败了世界冠军李世石(右模块1初识人工智能应

用场景实

例自动驾驶：深度学习和强化学习助力汽车实时感知环境、做出决策，

Waymo

和特斯拉积极研发，提升行车安全与效率。医疗诊断：卷积神经网络用于医学图像分析，辅助医生准确诊断，如X

光片、MRI

和

CT

扫描图像识别。智能助手：如

Siri

等基于自然语言处理技术，理解执行语音指令，提供天

气查询等服务，成为生活好帮手。金融风控：运用机器学习算法分析数据与用户行为，预测违约风险、审批

信贷额度，提升金融领域决策准确性。智能制造：机器学习优化生产流程，通过监测传感器数据调整工艺参数，

提高生产效率与产品质量稳定性。模块1初识人工智能模块1初识人工智能单元3人工智能现状和发展趋势人工智能研究现状人工智能产业链剖析各国人工智能发展全景人工智能未来趋势展望人工智能研究现状-吴恩达团队聚焦领域：机器学习与深度学习。医疗突破：开发心律不齐诊断算法，媲美医生准确率，提升诊断质量、节省

时

间

。临终关怀创新：借助深度学习分析

EHR

数据，助姑息治疗团队精准判断，

提高关怀效率。人工智能研究现状-李飞飞团队核心方向：认

知启发AI

与计算机视觉。NOIR

系

统：实现脑电波指挥机器人，革新人机交互。ImageNet

:

构建图像数据库，推动计算机视觉发展。多模态融合：融合视觉、听觉与触觉，解决机器人复杂操作。模块1初识人工智能模块1初识人工智能人工智能研究现状-安德烈·卡帕蒂团队专注领域：自动驾驶神经网络。技术应用：训练网络识别路况，提升自动驾驶安全可靠。Dojo

助

力：加速神经网络训练，增强系统学习性能。视觉优化：优化网络，精准感知环境，数据驱动提升适应性。人工智能研究现状-DeepMind

团队关键领域：机器学习与强化学习。AlphaFold:预测蛋白质结构，突破生物难题。强化学习：探索大脑奖励机制，验证分布式强化学习。挑战突破：解决强化学习难题，提升智能体表现。人工智能研究现状-伊恩·

古德费洛团队主要领域：生成对抗网络(GANs)

等。GANs

创新：提出概念并改进，解决训练问题。结合探索：结合强化学习，虚拟训练新途径。

多元应用：应用于语音、语言处理，成果瞩目。人工智能产业链-基础层硬件算力：GPU/FPGA

与智能芯片，提供强大计

算，推动技术普及。系统平台：智能云与大数据平台，处理海量数据

,支持模型训练。数据资源：通用与行业数据，丰富模型训练素材

,提升准确性与适应性。基础层基础软硬件平台◆

智能芯片◆

系统软件支撑技术与产品◆

大数据◆

智能传感器

◆

其他人工智能产业链图谱技

术

层

应

用

层通用技术◆

机器学习

◆

类脑智能计算

其他模块1初识人工智能◆计算机视觉◆

智能语音◆

自然语言处理◆生物特征识别

VRAR其他产品服务◆

智能机器人◆

智能运载工具◆

智能制造◆智能家居◆

智能物流领域技术

行业应用◆公共安全◆

智能医疗图1-9

人工智能产业图谱模块1初识人工智能人工智能产业链-技术层开源框架：TensorFlow

等提供开发工具，如TensorFlow

强大且生态丰富。

算法模型：机器学习发现规律，深度学习模拟人脑，强化学习试错优化。通用技术：语音、图像识别等，在各场景发挥关键作用。人工智能产业链-应

用层应用平台：智能产品操作系统，连接技术与应用，需灵活安全。智能产品场景：自动驾驶提安全，智能家居增便捷，智能安防保安全，智

能交通优流量，智能医疗助诊断，智能教育促个性，智能政务提效率，智

能金融助决策，智能零售促营销。各国人工智能发展现状-美国政策投资：政策完善，持续投资，发布战略计划，成立委员会。创新成果：“全政府”模式推动，企业成果丰硕。ChatGPT

、谷歌产品、

Siri

等，在多领域广泛应用，引领人工智能发展。各国人工智能发展现状-德

国政策举措：2023年发布计划，加大投资，加强国际合作。应用成果：医疗领域有“个人健康伴侣”;自动化制造有西门子等企业；金

融保险用HIRO

算法；交通物流靠“需求响应式运输”。模块1初识人工智能各国人工智能发展现状-英

国政策投入：吸引人才，设机构定战略，投资构建研究资源。企业产品：IDVerse助力企业，Magic

AI

提供健身教练，VenturePlanner

优化商业规划，还有金融分析、个性机器人等多样产品。各国人工智能发展现状-中

国政策支持：出台多项政策，涵盖产业化、融合、标准化等，指引产业发

展。应用成果：自动驾驶、物流、交通等多领域成果显著。华为、百度等推

动技术，无人车、智能锁等产品涌现。模块1初识人工智能人工智能发展趋势-技术创新基础突破：探索基础理论，优化算法，推动底层变革。技术融合：与物联网、大数据融合，实现实时智能决策。算力提升：量子计算助力，加速模型训练，突破技术瓶颈。人工智能发展趋势-应用拓展行业深耕：医疗精准手术，金融智能风控，提升行业效能。新兴领域：进军太空、深海探索，开拓应用新疆界。社会服务：优化政务、教育服务，增进社会福祉。人工智能发展趋势-伦理与安全伦理规范：制定准则，确保公平、透明、可解释。安全保障：保护数据安全，提升模型鲁棒性。国际合作：各国协作监管，保障健康发展。模块1初识人工智能模块1初识人工智能单元4人工智能概述理论基础：多学科融合机器学习：让机器自主学习深度学习：模拟大脑的智慧模块1初识人工智能人工智能理论基础-

数学线性代数：特征向量与矩阵运算，实现线性变换。概率论与统计学：描述不确定性，推断总体参数。微积分：导数用于优化算法，积分计算概率分布。最优化理论与算法：将机器学习问题转为凸优化求解。信息论：度量信息，应用于特征选择等。数学为AI

算法提供核心支撑。人工智能理论基础-计算机科学数据结构：优化数据处理，提升算法效率。算法：决定AI系统性能与准确性。编程语言：实现智能系统的关键工具。计算机体系结构：优化系统性能与扩展性。数据科学：采集、分析数据，驱动AI

模型。计算机科学构建AI

技术框架。人工智能理论基础-神经科学神经元与突触：神经系统基本单元，传递信息。

大脑结构与功能：各功能区协同实现复杂认知。

神经递质与调质：信息传递的物质基础。神经可塑性：学习和记忆的基础。神经编码与信息处理：揭示神经系统感知原理。

神经科学启发AI

模拟人类思维。人工智能理论基础-控制论控制系统构成：设计智能系统控制策略。反馈控制原理：比较输出差异，优化系统性能。自适应与优化：系统随环境变化自动调整。稳定性与强健性：确保系统稳定运行。控制策略设计：应用于机器人等多种场景。

控制论助力AI

系统稳定运作。模块1初识人工智能人工智能理论基础-心

理

学认知心理学：为自然语言处理等提供理论。行为主义心理学：强化学习源于奖励惩罚机制。情感心理学：实现AI

情感交互，提升用户体验。心理学指导AI模拟人类思维与交互。人工智能理论基础-语

言学基本概念：为自然语言处理提供理论。语音学与音系学：助力语音识别与合成。语法学：解析句子结构，理解语义。语义学与语用学：准确理解文本与语境。语言学支撑自然语言处理任务，AI理解人类语言的关键。模块1初识人工智能人工智能理论基础-经

济学信息不对称理论：减少市场效率低下。博弈论：优化决策者行为与策略。优化理论：解决复杂经济问题。市场机制和竞争：模拟市场，提供策略建议。数据驱动决策：精确分析经济数据。经济学为AI

决策提供理论支持。人工智能理论基础-伦

理学隐私与数据安全：保护用户隐私，防止数据滥用。透明度与解释性：

使AI决策可解释。公平性与非歧视：避免算法偏见。失业风险与社会影响：应对就业结构变化。道德判断与责任：规范AI

行为。伦理学确保AI

健康发展。模块1初识人工智能机器学习-基本概念与生活实例基本概念：让计算机从数据中自动学习，无需明确编程。生活实例：音乐播放应用依听歌历史推荐歌曲。算法分析行为，识别音乐

品味，不断优化推荐，展示机器学习自动化“学习”能力。机器学习-类

型监督学习：带标签数据，学习映射关系，用于图像识别等。无监督学习：无标签数据，发现数据结构，用于市场细分。半监督学习：部分标签数据，降低标注成本，提升泛化力。强化学习：与环境交互获奖励，用于游戏、自动驾驶。不同类型适用于不

同场景。模块1初识人工智能机器学习-常用算法线性回归：拟合数据点，找变量关系。逻辑回归：二分类，输出概率。支持向量机：绘制边界分类。决