人工智能基础与应用 课件 ch01 培养具备AI素养的技术技能人才

培养具备AI素养的技术技能人才人工智能基础与应用项目101认识AIAI的定义AI（ArtificialIntelligence，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技术科学。AI是计算机科学的一个分支，试图了解智能的实质，并生产出一种新的能以与人类智能相似的方式做出反应的智能机器，该领域的研究包括机器学习、语音识别、视觉识别、运动控制、自然语言处理和专家系统等。AI的定义AI在计算机上的实现方式有两种。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人类或动物机体所用的方法相同。工程方法（EngineeringMethod）它不仅要看效果，还要求实现方法和人类或生物机体所用的方法相同或类似。模拟法（SimulationMethod）AI的定义自主性自适应性智能交互实时响应高度集成模式识别容错性大数据处理能力学习能力并行处理能力AI的术语AI智能体“AI智能体”通常指的是具有智能的实体，这些实体能够自主地感知环境、做出决策并采取行动。AI智能体可以是软件程序、机器人或者虚拟角色等。它们通过集成多种AI技术，如机器学习、自然语言处理、计算机视觉等，以实现复杂的功能和任务。AI智能体强调的是个体的智能性和自主性，以及在特定环境中的行为表现。AI的术语AIAI是一个更广泛的概念，是指由人类制造出来的系统，能够模拟人类的认知过程，实现学习、推理、适应等功能。AI涵盖了从简单的机器学习算法到复杂的深度学习网络，再到具有高度自主性的智能体等多个层次。AI的核心在于模拟人类的智能行为和思维过程，以解决各种复杂问题。AI的术语AIGCAIGC特指利用AI技术自动生成内容的过程或结果。其中，自动生成内容包括文本、图像、音频、视频等多种媒体形式的内容。AIGC技术通过学习大量的数据样本，掌握特定的创作规律和风格后，自动生成新的内容。这种技术在媒体、娱乐、广告等领域有着广泛的应用前景，能够大大提高内容创作的效率和质量。AI的分类按工作原理划分基于符号逻辑和规则的系统，使用明确的指令集和预先定义的知识库来做出决策。符号主义AI基于神经网络的系统，通过模拟人脑神经元之间的连接和交互来学习和做出决策。连接主义AI通过模拟自然选择和遗传机制来优化问题的解。进化计算AI的分类按用途划分决策式AI专注于分析情况并做出决策。它通过评估多种选项和可能的结果，帮助用户或系统选择最佳的行动方案。生成式AI专注于创造全新内容。它可以根据学习到的数据自动生成文本、图像、音乐等内容。AI的分类按学习能力划分01020304模型通过带有标签的训练数据进行学习，旨在预测输出数据的标签或值。监督学习结合了监督学习和无监督学习的特点，使用一部分带有标签的数据和一部分不带标签的数据进行训练。半监督学习模型通过不带标签的训练数据进行学习，旨在发现数据中的模式或结构。无监督学习模型通过与环境交互来学习，并根据反馈来优化其行为策略。强化学习AI的分类按智能水平划分弱AI（窄AI）弱AI是专门设计用于执行特定任务或解决特定问题的AI系统。这类系统通常不具备自我意识或广泛的理解能力，而是针对某一领域进行优化。强AI（通用AI）具有与人类相似的智能水平，能够理解、学习和应用知识。强AI包括两类：类人的AI非类人的AIAI的特点学习能力自主性智能化AI的特点AI的技术架构AI的技术架构技术层基础层应用层030102应用层是AI技术在各行业和领域的具体实现。它涵盖了广泛的解决方案，包括智能工业、智能交通、智慧城市、智能医疗、自动驾驶、智能农业、智能政务、智慧财务和智能零售等。技术层是AI技术的核心，包括通用技术、算法和底层框架。通用技术（如自然语言处理、计算机视觉和智能语音）为AI提供了基础能力。基础层是AI技术的基础，负责数据的收集和处理。它包括数据、平台系统和硬件设施。AI的技术架构02AI技术基础机器学习机器学习（MachineLearning）是AI的核心领域之一。它通过让计算机模拟或实现人类的学习行为，以获取新知识和技能，并不断改善自身性能。机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，旨在研究如何让计算机模拟或实现人类的学习行为，以获取新的知识或技能。重新组织已有的知识结构使之不断改善自身的性能，是AI技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一。该方法聚焦于从观测数据（样本）出发寻找规律，并利用所发现的规律对未来数据或无法直接观测的数据进行预测。机器学习算法经验性能机器学习的处理过程深度学习深度学习的核心在于使用多层神经网络来模拟人脑处理信息的方式，从而能够自动从数据中提取和学习复杂的特征。深度学习的基本原理是通过构建深层的、多级别的神经网络结构，使得机器能够从原始数据中自动发现、学习和组合特征，以实现对数据的高层次理解。这种学习方法在图像识别、语音识别、自然语言处理等领域取得了显著的成果，因为它能够处理大量的非结构化数据，如图像和声音等。深度学习深度学习的核心是神经网络模型，使用具有多层非线性处理单元的神经网络来对大量数据进行建模和学习。与传统机器学习相比，深度学习具有更强的表达能力和学习能力，可以更好地处理大规模和高维度数据，因此在计算机视觉、自然语言处理和语音识别等领域应用广泛。深度学习不仅是机器学习的一个重要分支，也是当前AI技术发展的重要驱动力之一。计算机视觉计算机视觉是AI领域的一个重要分支。它能够使机器解释和理解视觉世界。计算机视觉致力于使计算机能够像人类一样“看”，即通过摄像头、图像传感器等设备捕捉图像，并从中提取信息。计算机视觉的发展经历了从简单的图像处理到复杂的图像理解的过程，目前深度学习技术对其发展产生了重大影响。计算机视觉广泛应用于多个领域，如自动驾驶、医疗图像分析、安防监控、工业自动化等。计算机视觉是实现机器认知世界的基础，是AI技术的重要组成部分。自然语言处理自然语言处理（NaturalLanguageProcessing，NLP）是AI领域的一个重要分支，专注于使计算机能够理解和处理人类语言。自然语言处理是一门通过建立计算机模型来理解和处理自然语言的学科，是用计算机对自然语言的形、音、义等信息进行处理并识别的应用，涉及机器翻译、自动提取文本摘要、文本分类、语音合成、情感分析等领域。自然语言处理的应用场景丰富多样，涵盖机器翻译、手写体和印刷体字符识别、语音识别、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等。知识图谱知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系。其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关的“属性/值”对。不同实体之间通过关系相互联结，构成网状的知识结构。知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。03AI大模型盘古大模型盘古大模型是华为旗下的盘古系列AI大模型，包括NLP大模型、CV大模型、气象大模型等。盘古NLP大模型可用于内容生成、内容理解等场景。其首次使用Encoder-Decoder架构，兼顾了NLP大模型的理解能力和生成能力，保证了模型在不同系统中的嵌入灵活性。盘古NLP大模型盘古CV大模型在图像分类、分割、检测等任务中表现卓越，是业界首个实现模型按需抽取的超大规模CV大模型。盘古CV大模型借助创新的3DEST网络结构及分层时间聚合算法，盘古气象大模型在气象预报的关键要素和常用时间范围上，精度均超过当前最先进的预报方法，同时，速度相比传统方法提升超1000倍。盘古气象大模型豆包大模型豆包大模型，原名“云雀”，是字节跳动发布的大模型。2024年5月15日，在火山引擎原动力大会上字节跳动豆包大模型被正式发布。字节跳动的豆包大模型家族包含下面几种模型。豆包通用模型是字节跳动自研的LLM专业版，支持128KB长文本，全系列可精调，具备强大的理解、生成、逻辑分析等综合能力，适配问答、总结、创作、分类等丰富场景。豆包通用模型豆包通用模型Lite是字节跳动自研的LLM轻量版，相比专业版，其具备更低的Token成本与延迟，为企业提供了灵活、经济的模型选择。豆包通用模型Lite豆包·角色扮演模型具备个性化的角色创作能力，以及更强的上下文感知和剧情推动能力，可以满足灵活的角色扮演需求。豆包·角色扮演模型豆包大模型豆包大模型，原名“云雀”，是字节跳动发布的大模型。2024年5月15日，在火山引擎原动力大会上字节跳动豆包大模型被正式发布。字节跳动的豆包大模型家族包含下面几种模型。豆包·语音合成模型提供了自然生动的语音合成能力，善于表达多种情绪，演绎多种场景。豆包·语音合成模型豆包·声音复刻模型可实现5秒内声音1∶1克隆，对音色相似度和自然度进行了高度还原，支持声音的跨语种迁移。豆包·声音复刻模型豆包·语音识别模型具有更高的准确率及灵敏度，更低的语音识别延迟，可以正确识别多语种。豆包·语音识别模型豆包大模型豆包大模型，原名“云雀”，是字节跳动发布的大模型。2024年5月15日，在火山引擎原动力大会上字节跳动豆包大模型被正式发布。字节跳动的豆包大模型家族包含下面几种模型。豆包·文生图模型具备更精准的文字理解能力，图文匹配度更高，画面效果更优美，尤其擅长中国文化元素的创作。豆包·文生图模型豆包·Functioncall模型提供了更加准确的功能识别和参数抽取能力，适用于复杂工具调用的场景。豆包·Functioncall模型豆包·向量化模型聚焦向量检索场景，为LLM知识库提供了核心语义理解能力，支持多语言。豆包·向量化模型讯飞星火认知大模型讯飞星火认知大模型是一款集成多种先进AI技术的认知智能系统。其核心能力涵盖文本生成、语言理解与知识问答、逻辑推理与科研辅助、数学问题解决、编程支持和多模态交互体验等方面。下面进行具体介绍。文本生成文档一键生成AI撰写助手多语种文档生成自动配图模板选择演讲备注讯飞星火认知大模型语言理解与知识问答讯飞星火认知大模型借助自然语言处理技术深入解析用户意图，精准解答关于生活常识、医学知识、政策法规等方面的询问。它还能够基于上下文信息给出更加精准的答案，并解释背后的原因或逻辑。逻辑推理与科研辅助讯飞星火认知大模型通过分析问题的背景条件与假设前提，运用逻辑规则推导出合理的结论或者提出创新性见解。对于科学研究项目，它可以利用已有数据资料进行趋势预测、假设验证等工作，加速实验进度。讯飞星火认知大模型数学问题解决讯飞星火认知大模型擅长处理各类复杂的数学题目，如方程求解、立体几何图形分析、微积分运算及概率统计等，同时，该模型可以为解决的问题提供详细的解题步骤说明，以帮助学生更好地掌握知识点。编程支持讯飞星火认知大模型不但可以根据函数名或注释智能生成代码片段，减轻开发者负担，还可以对现有代码进行检查，指出可能存在的语法错误或逻辑漏洞，并提出改进建议。讯飞星火认知大模型多模态交互体验多模态交互是指通过结合多种感官模式（如视觉、听觉、触觉等）来实现人与机器之间的自然沟通。在AI领域，这种技术尤为重要，因为它使得用户能够以更直观、更人性化的方式与智能系统进行互动。（1）图像识别与描述：用户可以上传图像，让AI分析并生成详细的文字说明。这对于教育、艺术鉴赏或简单的信息检索非常有用。（2）基于图像的内容问答：除了基本的图像理解，该系统还能根据图像内容回答具体问题。（3）音/视频生成：依据用户提供的文字脚本或指令，该系统可以自动合成相应的声音效果或创建简短的视频片段。文心大模型文心大模型是百度推出的自然语言处理预训练模型。它有多个版本，每个版本都在前一个版本的基础上进行了改进和优化。文心大模型3.52023年6月，百度文心大模型正式从3.0升级到3.5。作为文心大模型迭代过程中的重要版本，它在自然语言处理领域表现出了强大的性能，具备文本理解、生成、分类等基础任务能力。文心大模型4.0这是一个预览版或者特定领域的优化版，其综合水平与GPT-4相比毫不逊色。与3.5版本相比，4.0版本在模型结构、训练数据、算法优化等方面都有所改进。该模型更加注重于特定应用场景的性能优化，如对话系统、内容推荐等。文心大模型4.0Turbo2024年，百度正式发布了文心大模型4.0Turbo。与之前的4.0版本相比，4.0Turbo版本在生成速度和效果上都有了大幅提升。这一版本的推出标志着文心大模型在性能上的又一次飞跃。DeepSeek大模型DeepSeek是一款由深度求索（北京）科技有限公司开发的AI模型。它可以读作“深度”（Deep）和“探索”（Seek），寓意通过深度学习技术探索未知的领域。这款基于Transformer架构的AI助手，具备自然语言理解与生成、多轮对话管理、跨领域知识整合及代码处理等核心能力，依托大规模预训练和持续学习机制，支持中英文等语言交互，能够在信息检索、学习研究、创意生成等场景中提供辅助。1DeepSeek的第一个开源模型于2023年11月被发布，随后DeepSeek-V3和DeepSeek-R1模型被相继发布。2DeepSeek大模型DeepSeek-V301020304DeepSeek-V3于2024年12月被推出，是一款面向通用任务的大语言模型。其核心优势在于多场景适应能力和长上下文处理能力。作为开源模型，它对开发者友好，支持低成本定制化开发，并可作为基础模型扩展至更多任务场景。该模型支持问答、对话、编程等多种任务，且用户无须针对特定领域进行调整即可直接应用。其尤其擅长处理长达128ktokens的长文本，能够捕捉深层次的上下文关联。其局限性也较为明显：在搜索、实时检索等专用场景中，其性能可能低于专用模型，长上下文推理会导致计算资源消耗增加和响应延迟，且模型依赖训练数据的时效性，无法直接获取实时信息。DeepSeek大模型DeepSeek-R1DeepSeek-R1于2025年1月被推出，尤其擅长处理代码、数学、科学、逻辑推理等推理密集型（Reasoning-Intensive）良定义任务。在数学、代码、自然语言推理等任务中，DeepSeek-R1的性能可与OpenAlo1正式版模型比肩。04AI现状AI的发展历程从始至此，AI在充满未知的道路上探索，曲折起伏，这段发展历程大致可划分为五个阶段。第一个阶段：起步发展期（20世纪40年代～60年代）AI概念被提出后，发展出了符号主义、联结主义（神经网络），相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序、人机对话等，掀起了AI发展的第一个高潮。第二个阶段：低谷反思期（20世纪70年代）AI发展初期的突破性进展大大提高了人们对AI的期望，人们开始尝试更具挑战性的任务，然而计算力及理论等的匮乏使得不切实际的目标落空，AI的发展走入低谷。AI的发展历程从始至此，AI在充满未知的道路上探索，曲折起伏，这段发展历程大致可划分为五个阶段。第三个阶段：应用发展期（20世纪80年代）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AI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。而机器学习（特别是神经网络）在探索不同的学习策略和各种学习方法的过程中，正于众多实际应用场景中逐步复苏。第四个阶段：平稳发展期（20世纪90年代～21世纪10年代）互联网技术的迅速发展，加速了AI的创新研究，促使AI技术进一步走向实用化，与AI相关的领域也取得了进步。在2000年初，由于专家系统需要编码大量显式规则，这既降低了效率又增加了成本，AI研究的重心因此从基于知识的系统转向了机器学习方向。AI的发展历程从始至此，AI在充满未知的道路上探索，曲折起伏，这段发展历程大致可划分为五个阶段。第五个阶段：蓬勃发展期（2011年至今）2017年，国务院印发《新一代人工智能发展规划》，其中提出了大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统五大智能形态，指出AI呈现深度学习、跨界融合、人机协同、群智开放、自主操控等新特征，标志着中国AI发展进入新阶段。2022年2月，联合国教科文组织发布《K-12人工智能课程：政府认可的人工智能课程图谱》（K-12AIcurricula:Amappingofgovernment-endorsedAIcurricula）报告，这是关于K-12AI课程全球状况的第一份报告。我国在AI领域的发展现状随着中国社会经济的发展，劳动力红利逐渐消失，老龄化社会的到来及精英人才需求的不断增加，关键技术的开发成为亟待解决的问题。在这种背景下，发展AI和智能机器不仅能够实现“机器换人”，推动产业转型升级，还能为解决现有的经济问题和社会问题创造良机。“AI+X”将成为万众创新的新时尚和新潮流。中国对AI的探索始于20世纪50年代末。1956年，中国科学院计算技术研究所（简称“计算所”）成立。120世纪80年代，中国在改革开放背景下重启AI研究，并在语音识别、机器翻译等领域取得初步进展。21990年，我国逐步将AI相关研究纳入国家科技计划。3AI发展的启示基础研究是学科可持续发展的基石应用需求是科技创新的不竭之源学科交叉是创新突破的“捷径”宽容失败是支持创新的题中应有之义实事求是设定发展目标是制订学科发展规划的基本原则

AI发展的启示

尊重发展规律是推动学科健康发展的前提AI伦理治理机器人准则阿西莫夫机器人三定律（1942）阿西莫夫机器人三定律由科幻作家艾萨克·阿西莫夫（IsaacAsimov）提出，是最早的机器人伦理准则。第一定律：机器人不得伤害人类，也不得因不作为而使人类受到伤害。第二定律：机器人必须服从人类给予它的命令，除非这些命令与第一法则相冲突。第三定律：机器人必须保护自己的存在，只要这种保护不与第一或第二定律相冲突。后来补充的“第零定律”：机器人不得伤害人类整体，或因不作为而使人类整体受到伤害。欧盟《人工智能伦理准则》（2019）欧盟委员会人工智能高级别专家组（AIHLEG）提出7项关键要求：人类自主性和监督。技术稳健性和安全性。隐私保护和数据治理。透明度。多样性、公平性和无歧视。社会和环境福祉。问责制。AI伦理治理机器人准则IEEE《伦理对齐设计》（2019）IEEE全球倡议组织发布的AI伦理框架，强调：人权优先。减少AI偏见。可解释性。用户知情权。联合国教科文组织《人工智能伦理建议书》（2021）《人工智能伦理建议书》是全球首个AI伦理国际标准，提出的原则包括：人权保护。可持续发展。公平性与包容性。透明度与可解释性。问责制。AI伦理治理机器人准则中国《新一代人工智能伦理规范》（2021）《新一代人工智能伦理规范》由国家新一代人工智能治理专业委员会发布，强调：增进人类福祉。公平公正。隐私保护。可控可信。AI伦理治理伦理要求（1）人类利益原则AI应以实现人类利益为终极目标，体现对人权的尊重，最大化人类和自然环境的利益，同时降低技术风险和社会负面影响。在此原则下，政策和法律需致力于构建有利于AI发展的外部社会环境，推动AI伦理教育和安全意识培养，引导社会警惕AI技术被滥用的风险。此外，还需防止AI系统做出违背伦理道德的决策。（2）责任原则在技术开发和应用两方面建立明确的责任体系，以便在技术层面对开发人员或部门进行问责，并在应用层面建立合理的责任和赔偿体系。在责任原则下，技术开发应遵循透明度原则；而技术应用则应遵循权责一致原则。AI伦理治理保护个人隐私政策2021年《中华人民共和国个人信息保护法》正式实施，旨在规范个人信息处理活动，保护个人隐私权。保护个人隐私政策2021年中国实施《中华人民共和国数据安全法》，强调数据在国家安全中的重要性。隐私设计原则强调在产品和服务的设计阶段就融入隐私保护措施。2018年生效的欧盟《通用数据保护条例》（GDPR），对全球数据保护立法产生了深远影响。2020年生效的美国《加州消费者隐私法案》（CCPA），为加州居民提供了对其个人信息的更多控制权。中高职学生应具备的AI素养在当今AI快速发展的时代，中高职学生作为未来技术领域的重要力量，应具备相应的AI素养。1．体系化知识认知是智能的重要表现，体系化知识是其基石。中高职学生需要对AI进行整体性理解和系统化分类，从而更清晰地认识到AI的内涵、边界和外延。2．构建式能力构建式能力是指中高职学生在掌握体系化知识的基础上，能够自主构建知识体系，形成自己的思维框架