人工智能通识教程（理工版）课件 第4章 人工智能概述

人工智能通识（理工科）北京科技大学主要内容初识人工智能人工智能的发展人工智能的主要研究领域人工智能的应用场景数据和计算以及人工智能4.1初始人工智能图灵（1912-1954），英国数学家、逻辑学家，被称为计算机科学之父、人工智能之父定义了“可计算性”的概念启发了现代计算机的冯诺依曼体系结构图灵在二战期间利用类似图灵机的原理破解了德国的恩尼格玛密码，为现代密码学奠定了基础初始人工智能图灵测试：1950年，图灵发表的《计算机与智能》中设计了一个测试，用以说明人工智能的概念超过30％的误判，则通过图灵测试初识人工智能1956年，美国达特茅斯大学举行了一场历史性的学术研讨会，正式提出人工智能术语，并将其作为一门新兴科学的名称AProposalforthe

DartmouthSummerResearchProjectonArtificialIntelligence议题描述自动计算机让计算机完成特定人类特定工作使用语言对计算机进行编程通过语言对计算机编程神经网络通过神经网络让计算机形成抽象计算复杂度计算机任务所耗费的时间和空间智能算法的自我改进算法能够日新月异，持续发展智能算法的抽象能力归纳和演绎智能算法的随机性和创造力智能算法具备学会学习能力现实中的人工智能生活中的AI：智能家居、虚拟助手、智能驾驶和智慧医疗等，显著提升了生活的便捷性和工作效率，深刻改变了我们的日常生活方式。

扫地机器人自动驾驶Amazongo无人超市影视中的人工智能影视中的AI：展现了人工智能为生活带来的善意与温暖、强大的决策计算能力及智能机械体的复杂关系，也警示了AI失控的风险，激发公众对AI技术及其伦理、道德和社会影响的深刻思考。

流浪地球中的MOSS

变形金刚哆啦A梦人工智能的起源与早期探索4.2人工智能发展历史人工智能经历了两次潮起潮落，目前处于第三次高潮中。三次高潮具有各自的特征，分别对应基于规则的智能、基于经验的智能、基于学习的智能AI的早期黄金十年（1956-1974）遵循规则推演的基本思路，以基本假设为前提，利用符号演算解决推理问题计算机跳棋早期人机对话符号主义第一次寒冬（1974-1980）以符号主义为代表的AI遇到瓶颈虽然在定理证明这类确定性问题上符号主义表现优异，但在实际问题中存在大量不确定性，不太可能完全用逻辑推理方法来解决不确定性问题常识问题与模糊规则计算复杂性问题鸟会飞？AI的短暂回暖（1980-1987）到80年代，人们渐渐意识到通用AI过于遥远，人工智能首先应该关注受限任务受此思潮影响，以专家系统为代表的基于经验知识型的AI走上历史舞台只关注明确形式的知识只回答特定领域的问题短暂回暖（1980-1987）不同于基于规则的AI，专家系统通过收集具体的领域知识来解决任务，获得巨大成功据统计，福布斯500强企业中有2/3的企业使用专家系统。斯坦福大学开发MYCIN，内部一共备有500条规则。MYCIN开出正确处方率为69%二次低潮（1987-1993）专家系统维护起来较为困难。新知识难以加入，老知识互相冲突由匹兹堡大学设计的疾病诊断系统CADUCEUS仅建立知识库就花了近十年。对AI的投资再次削减，AI又一次进入低谷人们进一步反思传统人工智能中的符号逻辑方法代表人物是罗德尼·布鲁克斯(RodneyBrooks)。他曾写过一篇文章：大象不下棋（ElephantsDon’tPlayChess）认为实现感知、移动、交互等基础能力是更现实、更迫切的事，而这些任务与符号逻辑并没有必然联系，就如果大象不会下棋也生活的很好。务实与复苏（1993-2010）经过80年代末和90年代初的反思，一大批脚踏实地的研究者脱去AI鲜亮的外衣，开始认真研究特定领域内特定问题的解决方法，在语音识别、机器视觉、自然语言处理等领域取得了一系列突破。语音机器视觉决策自然语言处理4.3人工智能的主要研究领域概述：高度协同的人工智能技术生态，以机器学习为核心，辅以知识表示等技术，涵盖了自然语言处理、计算机视觉、具身智能、生成式AI等多个领域。这些技术相互融合、互为支撑。（1）人工智能与机器学习机器学习（MachineLearning）：研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识机器学习是人工智能的核心技术，是自然语言处理、计算机视觉、生成式AI等新兴领域的基石机器学习技术，包含监督学习、无监督学习、强化学习等，深度学习是实现它们的重要技术手段（1）人工智能与机器学习机器学习的主要技术类型监督学习(SupervisedLearning)：给机器一些已经知道结果的数据，机器通过学习这些数据中的规律，之后可以用来预测新数据的结果。像是给机器“上课”，教它如何从已知的例子中学习并做出预测。常见的算法包括线性回归、决策树等，广泛应用与分类和回归任务中。（1）人工智能与机器学习机器学习的主要技术类型无监督学习(UnsupervisedLearning)：机器没有被告知每个数据的标签，而是要根据数据本身的特征自行归纳出它们的模式。像是给机器“放手自学”，让它从没有标注的、没有“正确答案”的数据中发现规律和结构。常见的无监督学习算法包括K-means聚类、主成分分析等，广泛应用于客户细分、质量溯源等场景。（1）人工智能与机器学习机器学习的主要技术类型强化学习(ReinforcementLearning)：核心思想是通过智能体与环境的互动学习如何做决策核心算法包括Q-Learning、深度Q网络DQN、策略梯度方法和演员-评论家方法，这些算法帮助智能体学习最优决策策略（1）人工智能与机器学习深度学习(DeepLearning)：通过构建和训练多层神经网络，让计算机自动从数据中学习特征并进行决策。（1）人工智能与机器学习深度学习的特点通过构建和训练多层神经网络，让计算机自动从数据中学习特征并进行决策深度学习的核心概念是“深度”，即神经网络中层数较多，从而使得模型能够逐层提取和学习更复杂的特征训练过程中，深度学习模型通过反向传播算法不断调整神经元之间的权重，使得模型的预测结果与实际结果尽可能接近深度学习广泛应用于计算机视觉、自然语言处理、语音处理、医疗、金融等领域（2）人工智能与知识表示知识表示：将人类知识形式化。通俗而言，就是把“人类知识”转化成计算机可以“理解”的数据结构。维度符号主义连接主义行为主义知识表示形式显式（符号、规则）隐式（神经网络权重、向量表示）隐式（策略、值函数）可解释性高低中等适用数据结构化知识非结构化数据动态环境典型应用专家系统逻辑推理图像识别自然语言处理机器人控制游戏AI

（3）人工智能与自然语言理解“语言理解是人工智能皇冠上的明珠”---比尔·盖茨微观角度：从自然语言到机器内部的一个映射宏观角度：使机器能够执行人类所期望的某种语言功能（4）人工智能与计算机视觉计算机视觉：将图像转换成机器能够理解的数字信息，然后从中提取有用的特征图像分割目标检测（4）人工智能与计算机视觉广泛应用自动驾驶：识别周围环境，包括障碍物、行人、交通信号，提高交通安全和效率医学影像分析：分析X光片、CT扫描、MRI图像等。自动检测肺部CT图像中的肿瘤，辅助医生进行早期诊断安防管控：面部识别、情感分析、智能监控（5）生成式人工智能生成式AI的核心在于其“创造”能力：它能够从大量数据中学习规律，并生成新的图像、文本、音频等内容广泛应用生成式AI的基础技术：生成模型（如VAEs、GANs、扩散模型）、深度学习架构（如Transformer、CNN）、预训练与微调、强化学习等（5）生成式人工智能生成式AI的应用对话/问答文档/文案/生成内容/会议摘要语言翻译文学/剧本创作自然语言生成代码代码补全生成SQL生成软件测试用例合成数据图像分类/分割工业设计医学影像标注艺术/商业作品创作图像修复天文观测卫星遥感观测信息播报语音编辑/翻译影视内容分析编辑视频增强/风格迁移音乐/视频生成电影/游戏/动画制作建筑/家居设计工业制造工业/艺术设计医疗监控虚拟现实药物设计材料科学食品与农业能源个人护理人工智能的应用场景人工智能具有强大的数据处理能力与自适应能力提升工作效率并改善生活品质人工智能可以为日常生活提供便利，同时可以赋能交通、制造、医疗、金融等多个行业日常生活中的人工智能智能语音助手：Siri，小爱同学智能推荐：购物推荐，通过购买及浏览记录推荐内容推荐，通过浏览记录及点赞推荐安全防护：人脸识别陌生人异常行为识别自动驾驶与智能交通感知：数据采集到环境理解传感器采集周围环境数据人工智能技术分析决策与规划：计算驾驶路径复杂环境做出决策执行与控制：决策转化为控制命令智能化管理交通系统，缓解拥堵，提高道路利用率生产制造中人工智能生产优化高效处理分析生产数据生产调度优化，生成生产计划、工人排班质量控制视觉检测技术捕捉瑕疵实时监控关键参数波动预测性维护与故障诊断个性化定制与柔性生产根据客户需求生成生产方案预测未来需求趋势优化供应链管理医疗健康中人工智能医学影像辅助影像诊断、病变检测与定位疾病诊断辅助医生进行多因素变量疾病诊断个性化治疗预测个体对药物反应药物研发预测药物在临床上的效果与安全性健康管理利用智能穿戴设备分析健康数据金融服务中人工智能银行服务智能客服、信用评估证券投资提供