《人工智能技术应用（第二版）》课件 项目一 任务3 智能阅读

任务三

智能阅读任务目标1.熟练掌握AI智能提取摘要、生成思维导图的各项功能和操作。2.灵活运用AI内容分析、内容问答、文档翻译等辅助阅读功能。3.体会智能阅读为学习、工作等带来的便利,提升自身的信息获取与处理能力。AI智能阅读依托强大的自然语言处理技术和深度学习算法，对文本进行深度剖析。能够识别文本的内容结构、逻辑关系、关键语句，通过复杂的模型运算将长篇内容转化为简洁的摘要、清晰的脑图等形式呈现给用户。以生成脑图为例，AI智能阅读平台会先分析文本的章节层次、核心观点，将其作为脑图的节点，再依据观点间的关联构建分支，从而直观展现文本的架构。在进行重点提取时，结合文本的高频词汇、段落主旨以及用户设定的领域方向，精准定位关键信息。AI智能阅读还具备强大的内容分析能力。它能够识别文本中的情感倾向、主题分布以及潜在的逻辑漏洞，为用户提供全面的阅读视角。在智能问答方面，AI智能阅读系统可以根据用户提出的问题，快速从文本中提取相关信息，并生成准确的答案。对于复杂的专业术语或概念，AI还能提供详细的解释和背景知识，帮助用户更好地理解内容。了解AI智能阅读：任务准备认识创作平台：360AI办公平台研学AI平台任务准备活动一

提取摘要小李需要通过文档、视频、音频等多种渠道汲取知识。他将这些文件上传至360AI智能阅读平台迅速提炼出核心要点，并生成了清晰的思维导图，显著提升了他的阅读效率。借助360AI平台，小李迅速克服了阅读障碍，高效地提取了关键信息，从而提高了学习效率，使得学术研究更加顺利。活动描述-提取摘要在运用AI智能提取摘要之前，首先应根据阅读目标明确所需的功能。若目标是掌握文本的总体内容，可先利用生成脑图功能构建知识框架；若仅需掌握核心要点，生成摘要或重点提取功能则更为合适；对于需要系统性回顾的场合，文档总结功能则是最佳选择。活动分析-提取摘要参照教材中“活动展开”，尝试操作。1.AI生成思维导图

活动展开-提取摘要参照教材中“活动展开”，尝试操作。2.AI提取文档重点

活动展开-提取摘要1.AI视频总结360AI具备提炼视频简介的功能，能够根据时间序列提炼出视频中的关键内容，让核心信息一目了然，从而提升工作和学习的效率与便捷性。用户仅需上传视频文件，360AI即可自动进行视频内容分析，提取关键信息，并生成一个简洁明了的视频简介。应用提升-提取摘要2.AI录音分析360AI能够智能分析音频内容，使用户能更加便捷地收听和理解音频信息。用户仅需上传录音文件，AI便能够自动对上传的录音文件进行分析，识别录音中的不同发言人，并且能够一键总结出每位发言人的主要观点，帮助用户快速了解录音内容的核心要点。应用提升-提取摘要3.AI网页分析360AI网页分析主要专注于解析网页内容，能够提取网页中的文本、图片、链接等元素，并对这些元素进行深入分析。通过智能网页分析功能，用户可以大幅提高信息获取效率，快速筛选出对自己有价值的内容，节省大量阅读和整理时间。应用提升-提取摘要活动二

辅助阅读活动描述-辅助阅读小李最近忙于准备毕业论文，需要阅读大量的学术文献以作参考。面对复杂的专业知识和冗长的论文篇幅，他难以把握重点，常常陷入信息过载的困境。通过使用“研学AI”辅助阅读文献和构思论文，他获得了丰富的写作素材，提升了学术研究的效率。

活动分析-辅助阅读本次活动的核心目标是培养学生熟练掌握并运用知网研学中“研学AI”工具辅助论文智能阅读。学生们需要学习如何有效地调用该工具的各项功能，以便在面对海量学术文献时，能迅速抓取关键信息，显著提升阅读效率与精准度。此外，学生还需深入理解如何借助“研学AI”的智能问答功能，深挖文献背后隐藏的知识脉络，以及怎样利用文献翻译功能打破语言壁垒，无障碍吸收外文前沿成果，这些功能能够助力学生快速梳理文献要点，完成知识积累。

参照教材中“活动展开”，尝试操作。1.AI研读

活动展开-辅助阅读参照教材中“活动展开”，尝试操作。2.智能问答活动展开-辅助阅读1.AI智能检索研学AI支持全库问答、智能文献检索、智能段落检索等功能。用户仅需在研学智得AI的搜索框内输入查询的问题或检索需求，系统便能迅速在庞大的文献库中找到与查询问题或内容相关的文献，并将其呈现给用户。应用提升-辅助阅读2.AI智能翻译研学AI支持多种语言之间的互译,能够满足不同语言环境下的阅读需求,帮助用户跨越语言障碍,吸收和借鉴国际前沿的学术成果。同时,AI智能翻译还支持对翻译结果进行复制、保存等操作,方便用户进一步使用。应用提升-辅助阅读3.AI文献综述AI文献综述功能分为调研型综述和文献计量学综述，能够迅速地整理和分析海量的学术文献，提炼出关键信息和核心观点。当用户上传文献后，AI将自动执行深度分析，提炼出研究的背景、目标、方法、结果和结论等关键要素。利用这些分析结果，AI能够创建一份内容条理化、结构严谨的文献综述报告。①调研型综述应用提升-辅助阅读3.AI文献综述AI文献综述功能分为调研型综述和文献计量学综述，能够迅速地整理和分析海量的学术文献，提炼出关键信息和核心观点。当用户上传文献后，AI将自动执行深度分析，提炼出研究的背景、目标、方法、结果和结论等关键要素。利用这些分析结果，AI能够创建一份内容条理化、结构严谨的文献综述报告。②文献计量学综述应用提升-辅助阅读理论拓展1.了解GAI与AIGC在人工智能技术蓬勃发展的当下，生成文本、图像、音频、视频、代码等应用已深度融入日常生活。这些应用背后的核心技术体系，主要依托生成式人工智能（GenerativeArtificialIntelligence,GAI）与人工智能生成内容（ArtificialIntelligenceGeneratedContent,AIGC）。生成式人工智能（GAI）：作为人工智能领域具备内容创造能力的核心分支，其技术体系以深度学习、神经网络等为核心，通过对海量图像、文本、音频数据的特征提取与规律分析，构建数据认知模型，最终具备生成符合客观逻辑与人类认知习惯的新内容的能力，可类比为“人工智能创作的技术内核”。人工智能生成内容（AIGC）：是GAI技术落地应用的具体成果，即通过GAI模型生成的各类内容载体。例如使用讯飞星火可快速生成作文提纲、报告框架等文本内容；借助文心一格能创作动漫角色、设计草图等图像；利用魔音工坊可以制作背景音乐、语音播报等音频；而即梦则可生成短视频片段、动画素材等内容。这些多元形式展现了人工智能在内容创作领域的无限可能。AIGC正悄然渗透进人类生活的每个角落。理论拓展2.了解AIGC发展历程AIGC的发展进程充满创新与突破，从基础探索到成熟应用的阶段性特征，可划分为三个关键阶段：

（1）早期萌芽阶段（20世纪50年代至90年代）：AIGC的概念可追溯至20世纪50年代，科学家们开始尝试利用计算机生成音乐和文本等内容。1957年，作曲家莱杰伦·希勒和伦纳德·艾萨克森开发作曲程序，通过将程序控制变量转化为音符，创作出历史上首部计算机生成音乐作品——弦乐四重奏《依利亚克组曲》。这一里程碑事件为AIGC后续发展奠定基石。

1966年，约瑟夫·韦岑鲍姆和肯尼斯·科尔比共同开发全球首个机器人“伊莉莎”。伊莉莎不仅能理解人类讲话，还富有同情心，能像知心朋友般根据对话内容给予鼓励和安慰。随后，许多心理学家和医生将其用于心理治疗，收效显著。

20世纪80年代末至90年代中期，因人工智能研究成本高昂且缺乏商业变现能力，各国政府纷纷削减投入，导致AIGC未能取得重大突破。理论拓展2.了解AIGC发展历程（2）沉积积累阶段（20世纪90年代至21世纪初）：随着深度学习算法、图形处理单元、张量处理器及训练数据规模的显著提升，AIGC开始从实验性转向实用性。尽管面临算法瓶颈限制，其效果已逐渐显现。

2007年，纽约大学研究员罗斯·古德温开发的人工智能系统，通过记录并感知公路旅行中的见闻，创作出全球首部完全由AI生成的小说《OneTheRoad》。2012年，微软展示全自动同声传译系统，利用深度神经网络自动将英文演讲内容通过语音识别、语言翻译及语音合成生成中文语音。

理论拓展2.了解AIGC发展历程（3）快速发展阶段（21世纪初至今）：自2014年起，随着生成式对抗网络等深度学习算法的出现，AIGC取得突破性进展。底层技术的持续迭代推动AIGC在多个领域实现商业落地。当前，AIGC已具备成熟的多模态创作能力，可同步处理语言、图像、音频、视频等多种数据类型，完成单模态技术无法实现的复杂任务，如视频自动加字幕、文本指令生成插画、音视频内容转写与摘要提炼等，在学习辅助、设计创作、媒体生产等领域的应用不断深化，显著提升内容创作效率。

随着技术进步与应用场景拓展，AIGC将在更多领域发挥关键作用，推动人类社会持续发展。

理论拓展3.AIGC的核心技术AIGC能够实现多样化内容生成，核心依赖多种技术模型的支撑。（1）生成对抗网络（GAN）：一种基于对抗训练的真实内容生成模型。

生成对抗网络（GAN）的核心机制为对抗训练框架，由生成器与判别器构成动态博弈系统。二者通过交替优化实现性能提升：生成器从随机噪声中构建目标样本（以猫咪图像生成为例），初始输出为低质量模糊图像；判别器则负责区分生成样本与真实样本，并通过梯度反馈引导生成器优化特征表达（如调整猫咪耳部轮廓、毛发纹理等细节）。随着迭代次数增加，生成器逐步提升样本真实性，直至判别器无法可靠区分真伪。该机制通过极小化极大值博弈实现纳什均衡，在图像超分辨率重建、风格迁移等领域应用广泛，可显著增强视觉内容的细节还原度与艺术化表现力。

理论拓展3.AIGC的核心技术（2）变分自编码器（VAE）：基于特征提取的内容生成模型。变分自编码器（VAE）通过概率建模实现内容生成，核心由编码器与解码器组成。编码器对输入样本（如猫咪图像）进行特征提取，将高维数据映射至低维隐空间并构建概率分布模型（例如白色毛发概率为70%、三角形耳朵概率为80%），形成结构化特征参数；解码器基于此概率分布随机采样特征组合（如白色毛发、三角形耳朵、蓝色眼睛、短尾巴），重构生成新样本。该模型通过最大化边际似然估计优化特征学习，既能捕捉数据本质规律，又可生成具有多样性的新样本（如输入白色短尾猫图像，可生成白色长尾猫、黄色短尾猫等变体）。理论拓展3.AIGC的核心技术（3）扩散模型：基于逐步去噪的高精度内容生成模型。

扩散模型的核心逻辑在于“反向扩散过程”，即从随机