人工智能与智慧教育课件 第1章 人工智能基础

人工智能基础第1章1.1人工智能简介【学习导航】1.2智能计算系统1.3人工智能技术与应用1.4人工智能安全与伦理1.5习题与实践【学习目标】1.理解人工智能的基本概念、历史、学派和核心研究内容，能简述人工智能的发展过程。2.熟悉智能计算系统的相关知识，能描述智能计算系统的组成要素。3.熟悉人工智能的常见应用领域，能描述经典应用场景。4.了解人工智能面临的安全风险与伦理问题，能提出典型问题应对思路。1.1人工智能简介1.1.1人工智能的基本概念人工智能自诞生以来就受到广泛关注。不同学者对于人工智能的定义也不尽相同，目前比较公认的一种定义是：人工智能是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术以及应用系统的一门新的技术科学。人类四次工业革命的发展1.1.2人工智能的历史1.图灵测试1950年，图灵（Turing）发表了一篇题为《计算机与智能》的论文，文中预言了创造出具有真正智能的机器的可能性。由于注意到“智能”这一概念难以确切定义，他提出了著名的图灵测试（TuringTest）：测试者与被测试者（一个人和一台机器）在隔开的情况下，通过一些装置（如键盘）向被测试者随意提问，进行多次测试后，如果机器让平均超过30%的参与者做出误判，不能辨别出其机器身份，那么这台机器就通过了测试，并被认为具有人类智能。图灵1.1.2人工智能的历史2.达特茅斯会议1956年，麦卡锡、明斯基、香农、纽厄尔、西蒙、塞弗里奇、所罗门诺夫、罗彻斯特、塞缪尔和莫尔，在美国达特茅斯学院召开了一次为期两个月的“人工智能夏季研讨会”，从不同学科角度探讨了人类各种学习和其他智能特征的基础，以及用机器模拟人类智能等问题，并首次提出人工智能的术语。达特茅斯会议部分参会者于2006年重聚（左起：莫尔、麦卡锡、明斯基、塞弗里奇、所罗门诺夫）1.1.2人工智能的历史3.人工智能的发展历程（图待更新）1.1.3人工智能的学派1.符号主义学派符号主义又称为逻辑主义、心理学派或计算机学派。符号主义认为人工智能源于数理逻辑。符号主义学者在1956年首先采用“人工智能”术语，后来又发展了启发式算法、专家系统、知识工程理论与技术，并在20世纪80年代取得重大发展。符号主义学派代表人物有纽厄尔、西蒙和尼尔逊等。符号主义学派认为人工智能的研究方法应为功能模拟方法，即通过分析人类认知系统所具备的功能和机能，然后用计算机模拟这些功能，实现人工智能。1.1.3人工智能的学派2.连接主义学派连接主义又称为仿生学派或生理学派。连接主义认为人工智能源于仿生学，特别是对人脑模型的研究。霍普菲尔德在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络。1986年，鲁梅尔哈特等人提出多层网络中的反向传播（BP）算法，使多层感知机的理论模型有所突破。从2010年开始，神经网络、深度学习成为人工智能行业主导，标志着AI经过短暂消沉期后彻底复苏，如今最热的AI概念均出自“连接主义”学派。1.1.3人工智能的学派3.行为主义学派行为主义又称为进化主义或控制论学派。行为主义认为人工智能源于控制论。维纳和麦克洛克等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人兴趣。行为主义学派的代表作品首推布鲁克斯的6足行走机器人，它被看作新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。1.1.4人工智能核心问题1.知识表示与推理旨在让计算机以结构化的方式存储、组织和利用知识，从而模拟人类的逻辑思维和问题解决能力。通过将现实世界的概念、事实和规则转化为计算机可理解的形式，如符号、图结构或语义网络，并结合语义网、知识图谱、逻辑规则系统以及本体工程等技术，计算机能够进行逻辑推导、判断和决策。典型应用包括专家系统（如医疗诊断系统MYCIN，用于疾病诊断）、智能问答系统（如IBMWatson，提供精准答案）和知识管理系统（如维基百科的语义化处理，实现信息结构化检索）等。1.1.4人工智能核心问题2.搜索与优化人工智能解决决策问题的核心方法，致力于在复杂问题空间中寻找最优解或近似最优解。通过启发式搜索、约束满足问题、遗传算法、模拟退火和梯度下降优化等技术，搜索技术系统地探索可能解空间，而优化技术则通过数学方法改进解的质量。广泛应用于路径规划（如自动驾驶中的导航算法，确保高效路线选择）、游戏AI（如AlphaGo，实现博弈决策）和资源调度（如物流优化，提升运输效率）。1.1.4人工智能核心问题3.机器学习旨在研究让机器模拟和实现人类学习能力从而使机器具有智能。通过相关算法对给定的数据集（对应历史经验），进行训练（对应归纳），形成模型（对应规律），再利用该模型对新数据进行预测。广泛应用于图像识别（如人脸识别，保障安全认证）、自然语言处理（如聊天机器人，提升用户交互体验）和推荐系统（如电商平台的个性化推荐，优化用户体验）。人工智能、机器学习、深度学习和大模型的关系1.1.4人工智能核心问题4.感知与行动旨在通过传感器获取环境信息并做出适当反应，模拟生物的感知-决策-行动循环。感知涉及从原始数据中提取有意义的信息，行动则基于感知结果执行物理或虚拟操作，依赖计算机视觉、语音处理、机器人控制和多模态融合等技术。典型应用包括自动驾驶汽车（如比亚迪的高阶智能驾驶系统，实现全场景安全导航）、服务机器人（如家用扫地机器人，提供智能清洁）和智能监控系统（实时检测异常行为）。1.2

智能计算系统

1.2.1人工智能发展的三大要素数据：人工智能的基础。没有高质量的数据支持，人工智能系统无法进行训练和学习。算力：计算机系统在处理复杂任务时所需的计算能力。在人工智能领域，算力是实现高性能计算、大规模数据处理和复杂模型训练的关键。算法：定义了如何使用数据和算力来进行计算和决策。它是人工智能系统的核心引擎，决定了系统的学习、推理和决策过程。1.2.2智能计算系统的定义数据、算力、算法驱动人工智能发展，我国AI应用和算法研究达世界先进水平，但算力建设薄弱；智能计算系统是支撑AI算法运行的物质与逻辑载体，由CPU+智能芯片的异构硬件和含前端编程语言、深度学习框架、编程平台的编程环境软件构成，CPU负责通用计算与控制，智能芯片专攻AI高效数值计算，异构设计提升了系统性能与能效，而硬件异构性也带来编程挑战，配套编程环境则是提升系统易用性的关键。智能计算系统示意图1.2.3智能计算系统发展1.第一代智能计算系统第一代智能计算系统为面向符号主义的计算系统，诞生于1980年前后的人工智能第二次热潮期，主流智能编程语言是Prolog和LISP；1975年MITAI实验室研制出首款LISP机CONS，后续又推出CADR，80年代中期德州仪器推出EXPLOR并入市，部分LISP机还实现多语言兼容及网络互联；90年代初，随人工智能第二次热潮消退，因缺乏实际应用场景等，第一代智能计算系统逐步退出历史舞台。两款LISP机1.2.3智能计算系统发展2.第二代智能计算系统2010年前后发展至今的第二代智能计算系统面向连接主义、适配AI第三次热潮，主打深度学习；英伟达GPU、谷歌TPU成主流智能芯片，我国研发起步早，中科院推出首个深度学习处理器架构及寒武纪1号芯片，华为、地平线、昆仑芯等国产芯片也在各领域落地应用；摩尔定律渐失效、通用CPU性能增长放缓，而智能计算需求攀升、深度学习全面应用，为该系统发展奠定基础，业内预计其将长期优化发展。多款智能芯片1.2.3智能计算系统发展3.下一代智能计算系统第一代、第二代智能计算系统均为面向智能算法的定制化设计，分别对应符号主义与连接主义，支撑的也仅是解决特定问题的弱人工智能；业界预测下一代智能计算系统或将成为强人工智能的物质载体，大模型凭借大参数、海量数据训练的强大能力为其迈向强人工智能提供重要支撑，具身智能则结合物理实体与智能算法，能让智能系统形成类人的感知-决策-行动闭环，为其落地现实世界注入新活力、提供关键方向。1.3人工智能技术与应用1.3.1大语言模型大语言模型为超大规模模型，经海量文本训练，具备强自然语言泛化和多任务处理能力。2020年起GPT、BERT等实现突破，基于Transformer架构，零/少样本学习能力突出。应用覆盖医疗、教育、编程等领域，多模态模型实现跨文本、图像、音频的理解与生成。面临训练成本高、模型有“幻觉”、可解释性不足及区域访问限制等问题。开源技术推动模型升级，未来将向高效、绿色、可信方向发展，支撑智能交互与社会发展。1.3.2自然语言处理自然语言处理目标是让计算机理解人类语言，含多种技术能力，适用于智能交互等多场景。应用广泛，涵盖智能客服、同声传译、文本摘要等多个领域。包含语料预处理、特征工程、模型训练、指标评价四部分，各环节有对应方法和指标。世界人工智能大会上的机器实时翻译1.3.3计算机视觉计算机视觉模拟生物视觉，核心是处理图片/视频获取场景三维信息。应用普及，覆盖制造业质检及人脸识别、物体分类等生活场景。不同应用实现不同，图像分类、目标检测、语义分割各有对应经典算法，深度学习算法在相关场景效果更优。火车站人脸识别系统微信小程序“形色识花”1.3.4语音识别与合成语音识别（ASR）和语音合成（TTS）是人机语音交互核心技术，深度学习使其兼具精准度与自然度，深度融入各类场景。ASR将语音转文本，端到端模型提升效率与准确率，支持多语种及方言、噪声等复杂场景识别。TTS将文本转语音，从拼接合成迭代至神经网络生成，实现拟真语音，还可应用于科技助残等场景。二者常协同应用，赋能实时翻译、智能客服、方言文化传承等，仍面临场景适配等挑战，未来多模态融合将拓展其应用价值。讯飞输入法方言识别智能客服机器人1.3.5科学智能科学智能（AI4Science）是AI与基础科学融合的新兴领域，以深度学习等为核心工具，助力多学科突破，重塑科研范式。生命科学领域，可预测蛋白质结构、解析基因数据，助力靶向药研发、罕见病研究及个性化治疗。物质科学与能源领域，缩短新材料研发周期、优化能源勘探，提升效率并降低成本。基础物理与天文领域，助力海量数据筛选、天体识别及宇宙演化模拟，提升科研效率。AI4Science目前面临数据稀缺、模型可解释性不足等挑战，未来将推动科研向数据与智能驱动转型。基于xTrimoPGLM的抗体CDR3不同设计策略结构预测对比1.3.6机器人控制机器人涵盖模拟人类/生物的机械及无实体自动化程序，机器人控制是智能机器人自主行为的关键，贯穿全流程。智能控制是机器人控制的核心理论基础，核心是通过智能信息处理、反馈与决策实现目标自主达成，已落地自动驾驶等领域。机器人历经三代迭代：工业机器人（示教-再现）、传感型机器人（简单反馈控制）、智能机器人（自主适应、决策）。智能机器人广泛应用于多领域，国产机器人在工业、物流等赛道表现亮眼。自动驾驶四款国产智能机器人1.3.7智慧教育智慧教育是数字技术与教育融合的新型形态，以数据驱动等为核心，重构教学全流程，推动教育现代化与均衡化。教学层面，智能备课、交互式设备、AI虚拟教师助力师生协同，优化教学过程，弥补传统教学局限。个性化学习层面，通过学生画像、知识图谱等，破解同质化难题，助力优质教育资源共享。管理评价层面，实现过程性评价，AI阅卷、智能教务系统提升管理与评价效率。目前面临技术应用不均等挑战，未来结合生成式AI、VR等，将向更公平、高效、个性化发展。某校AI数字教学助手智慧教务云平台智能排课系统1.4人工智能安全与伦理1.4.1技术风险与安全人工智能安全风险贯穿“数据-算法-系统”全生命周期，影响技术稳定、用户权益及社会秩序。1.技术风险：数据存在泄露、质量差、过度采集问题；算法有偏见、失控、黑箱特性；系统有硬件后门、软件漏洞及高并发瘫痪风险。2.风险防范：从技术（数据加密、算法审计等）、管理（建立安全制度、明确流程）、法律多维度构建防护体系。1.4.2社会伦理与法律法规1.社会伦理：人工智能应用引发三类核心争议，一是人机关系上，AI渗透决策挑战人类主体性，过度依赖会退化人类决策能力，违背教育等领域的人文本质；二是公平性上，存在数字鸿沟与马太效应，加剧社会、教育等领域的不平等；三是责任界定上，AI造成损害时责任归属模糊，算法黑箱特性增加责任追溯难度，不利于受害者维权。2.法律法规：各国以“风险分级、分类监管”为核心构建AI规制体系，欧盟将AI分为四类分级监管，中国通过多部专项法规规范数据、算法、应用等维度；同时，G7、联合国教科文组织等推动国际协作，凝聚全球AI伦理与安全共识，助力AI合规发展。《人工智能法案》划分的四类AI风险分级1.4.3教育应用伦理1.教育AI的核心伦理冲突AI提升学习效率，但数字鸿沟加剧城乡、贫富教育差距，违背教育公平理念。教育AI需采集大量学生数据，部分系统过度、隐性采集，侵犯隐私权，违反相关法律且影响学生身心健康。过度依赖算法推荐易形成算法茧房，限制学生知识视野与能力提升，抑制创造力，违背全面育人目标。部分学校过度依赖教育AI导致教师边缘化，AI替代教师量化评价，忽视教育的人文互动本质。1.4.3教育应用伦理2.教育AI的伦理应用准则与实践案例教育AI应用需遵循四大准则：以育人为核心，规范数据使用，推动算法透明可解释，明确AI辅助角色、坚守教师主体性。正面案例：小学用AI批改作文仅标注基础错误，教师聚焦思路指导，兼顾效率与育人价值。反面案例：中学AI课堂监控生成注意力评分，引发反感且被过度依赖，因伦理争议停用。教育AI伦理应用关键是守住教育本质，明确技术为工具、学生为主体、教师为育人核心。1.4.4责任与未来人工智能发展由技术、伦理等多主体协同推动，需明确责任、平衡创新与规范，坚持以人为本。四大责任主体各有职责：开发者源头把控风险，使用者合规应用并复核决策，监管者构建科学监管体系，公众参与监督并理性看待AI。未来AI向负责任方向发展，聚焦技术安全公平、多元伦理治理、解决社会问题、加强国际协作。AI是双刃剑，需拥抱创新且坚守伦理底线，多方协同让其服务人类福祉、推动社会发展。1.5习题与实践1.5.1选择题1.人工智能是一门______。A.数学和生理学学科B.心理学和生理学学科C.语言学学科D.综合性的交叉学科和边缘学科2.人工智能的目的是让机器能够______，以实现某些脑力劳动的自动化。A.具有完全的智能B.和人脑一样考虑问题C.完全代替人D.模拟、延伸和扩展人的智能3.人工智能诞生于______。A.达特茅斯（Dartmouth）B.伦敦（London）C.纽约（NewYork）D.拉斯维加斯（LasVegas）4.关于人工智能，叙述不正确的是______。A.人工智能与其他科学技术相结合，极大地提高了应用技术的智能化水平B.人工智能是科学技术发展的趋势C.强人工智能已经实现并投入规模化商业应用D.人工智能有力地促进了社会的发展5.关于人工智能程序，表述不正确的是______。A.能根据不同环境的感知做出合理行动，并获得最大收益的计算机程序B.任何计算机程序都具有人工智能C.针对特定的任务，人工智能程序具有自主学习的能力D.人工智能程序是模拟人类思维过程来设计的6.以下哪个不是人工智能发展过程中的重要事件______。A.1950年“图灵测试”的提出B.1980年专家系统诞生C.1997年深蓝战胜国际象棋世界冠军D.2010年苹果第四代手机iPhone4发布7.不属于人工智能的学派是______。A.符号主义B.机会主义C.行为主义D.连接主义1.5.1选择题8.知识表示与推理的主要目的是______。A.让计算机存储和处理图像数据B.让计算机以结构化方式存储和利用知识，模拟人类逻辑思维C.优化计算机的硬件性能D.提高计算机的网络通信速度9.以下哪项是搜索与优化技术的典型应用______。A.语音识别系统B.医疗影像分析C.物流路径规划D.文本情感分析10.算法、_______和数据被视为推动人工智能发展的三大要素。A.安全B.算力C.能源D.物联网11.________不是常用的深度学习框架。A.TensorFlowB.CaffeC.PytorchD.GPU12.智能计算系统的硬件部分通常采用______架构。A.同构多核系统B.CPU+智能芯片的异构系统C.纯GPU系统D.分布式集群系统13.以下哪项不是第二代智能计算系统的主要特点______。A.面向连接主义计算B.主要用于深度学习C.以LISP机为代表D.使用GPU、TPU等智能芯片14.一般来讲，属于人工智能语言的是______。A.VJB.C#C.FoxproD.LISP15.下列关于大语言模型的说法，错误的是______。A.大语言模型参数量通常达到数十亿甚至数千亿级别B.GPT系列模型采用Transformer架构，通过自注意力机制捕捉文本长距离依赖C.大语言模型训练成本较低，GPT类模型单次训练成本仅数万美元D.Qwen3、DeepSeek属于开源语言模型1.5.1选择题16.不是自然语言处理要实现的目标的是______。A.理解别人讲的话B.对自然语言表示的信息进行分析概括或编辑C.欣赏音乐D.机器翻译17.以下不属于人工智能在计算机视觉领域应用的是______。A.车站人脸识别进站B.拍照识别植物C.医疗影像诊断D.实时字幕18.______与其他三个属于不同人工智能应用领域。A.图像识别与分类B.医学影像分析C.语音识别D.人脸识别19.下列关于科学智能（AI4Science）的描述，错误的是______。A.是人工智能技术与基础科学研究深度融合的领域B.能通过处理复杂数据、优化实验流程等推动科研范式变革C.仅在生命科学领域有实际应用，暂未涉足物理、化学等学科D.被认为是推动AI自身核心能力升级、通往通用人工智能的关键驱动力20.下列关于机器人迭代的说法，正确的是______。A.第一代机器人（工业机器人）可基于传感器信息实现反馈控制B.第二代机器人能自主感知环境、调整行为以适应变化C.第三代机器人（智能机器人）具有高度适应性和自主能力D.语音聊天机器人属于狭义机器人范畴21.智慧教育在“教”的层面，能为教师提供的核心辅助功能是______。A.自动生成学生成长档案B.智能备课（自动生成课件、推荐教学重难点）C.个性化学习路径推荐D.自动完成高考志愿填报1.5.1选择题22.以下哪项不属于人工智能的技术安全风险______。A.训练数据标注错误导致算法决策偏差B.智能教育系统过度采集学生的家庭收入数据C.教师使用AI教案优化教学内容D.黑客通过芯片漏洞入侵智慧课堂系统23.在教育AI的应用中，下列做法符合伦理准则的是______。A.用AI完全替代教师讲授道德与法治课程B.智慧课堂摄像头仅拍摄学生的课堂互动区域，且提前告知家长C.AI学情分析系统仅根据考试成绩给学生排名，忽视其他发展维度D.禁止学生自主调整AI推荐的学习路径24.当AI诊断系统给出的治疗方案与医生判断冲突时，责任划分的核心原则是______。A.完全由AI开发者承担责任B.完全由医生承担责任C.若医生未复核AI结果，由医