信息技术（WPS Office+人工智能）（第3版）课件 第7章 人工智能概述

第7章

人工智能概述信息技术7.1人工智能的基本概念7.2人工智能的发展7.3人工智能的分类7.4我国人工智能的快速发展内容纲要1）掌握人工智能的概念和定义。2）回顾人工智能的发展历程。3）熟悉人工智能的分类。4）理解人工智能的重要性。

学习目标人工智能（AI）是计算机科学的一个分支，旨在通过模拟、延伸和扩展人类智能的理论、方法及技术，开发能够执行复杂任务的智能系统。

任务7.1.1掌握人工智能的定义

7.1人工智能的基本概念人工智能的定义涵盖了由计算机系统所表现出的智能行为，这些行为通常与人类智能相关联，如学习、推理、问题解决、知识表示、计划、自然语言处理、感知、模式识别以及创造力和适应能力等。其重要性不言而喻，不仅体现在对人类生活方式的深刻改变上，更在于它作为未来科技发展的核心驱动力，正引领着全球科技革命和产业变革的浪潮。随着人工智能技术的不断成熟和普及，它已逐渐渗透到社会经济的各个领域，成为推动经济社会发展的新引擎。从智能制造到智慧城市，从智慧医疗到金融科技，人工智能的应用场景日益丰富，为人类带来了前所未有的便捷和高效。同时，它也在不断地推动着传统产业的转型升级，为经济发展注入了新的活力。

任务7.1.2认识人工智能的重要性

7.1人工智能的基本概念深入了解和掌握人工智能的定义及其重要性，对于我们把握未来科技发展趋势，积极参与科技革命和产业变革，具有重要的现实意义和深远的战略意义。1.人工智能的理论奠基与早期探索(1950s-1970s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展1950年，英国数学家、密码学家艾伦·图灵发表了划时代的论文《计算机器与智能》，提出了著名的"图灵测试"——如果一台机器能够与人类进行对话而不被识别为机器，那么就可以认为这台机器具有智能。1956年夏天，在达特茅斯学院举行的一场为期两个月的研讨会正式确立了"人工智能"这一学科名称。会议由约翰·麦卡锡(他创造了"人工智能"一词)、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农等科学家组织。1.人工智能的理论奠基与早期探索(1950s-1970s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展在随后的十多年里，AI研究主要集中在符号逻辑和问题求解上。1957年，艾伦·纽厄尔和赫伯特·西蒙开发了"逻辑理论家"(LogicTheorist)程序，能够证明数学定理，甚至比人类数学家更有效率。1960年代，专家系统开始兴起，这种基于规则的系统能够模拟人类专家在特定领域的决策过程。这一阶段的AI研究也面临着严重局限性。当时的计算机硬件性能极其有限，内存小、速度慢，无法处理复杂的现实问题。AI程序大多依赖手工编码的规则，缺乏学习和适应能力。到1970年代，随着早期乐观预期的破灭和研究资金的减少，AI进入了第一次"寒冬"。2.专家系统时代与AI的第一次商业化浪潮(1980s-1990s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展1980年代，人工智能迎来了第一次大规模商业化应用浪潮，其标志是专家系统的兴起与普及。专家系统是一种基于知识库和推理引擎的AI程序，旨在模拟人类专家在特定领域的决策过程。专家系统的成功推动了AI产业化的第一次高潮。许多公司投入巨资开发专家系统，政府和企业也增加了AI研发资金。然而，专家系统存在固有缺陷，最终导致了这一波AI热潮的衰退。2.专家系统时代与AI的第一次商业化浪潮(1980s-1990s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展值得注意的是，在专家系统主导的这段时间里，其他AI研究路径仍在默默发展。1986年，杰弗里·辛顿等人提出了反向传播算法，解决了多层神经网络的训练问题。这一突破虽然当时未引起足够重视，却为几十年后的深度学习革命埋下了伏笔。1980年代至1990年代也是AI在特定任务上展示惊人能力的时期。1997年，IBM的"深蓝"超级计算机击败国际象棋世界冠军加里·卡斯帕罗夫，展示了AI在复杂决策中的潜力。这一成就虽然依赖暴力计算而非真正的智能，却向公众证明了AI的实用价值，并为后来的游戏AI(如AlphaGo)开辟了道路。3.机器学习的复兴与深度学习的突破(2000s-2010s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展21世纪初，人工智能领域经历了一次根本性转变——从依赖人工编码规则的符号主义方法，转向数据驱动的机器学习方法。机器学习不再试图直接编程计算机如何解决问题，而是让计算机从数据中自动学习模式和规律。2006年，杰弗里·辛顿等人发表了一篇开创性论文，展示了如何有效训练深度神经网络，这被视为深度学习革命的起点。2012年，深度学习迎来了一个关键转折点。AlexNet深度卷积神经网络在ImageNet图像识别挑战赛中夺冠，准确率远超传统方法。3.机器学习的复兴与深度学习的突破(2000s-2010s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展2016年，谷歌DeepMind开发的AlphaGo程序以4:1战胜世界围棋冠军李世石，成为AI发展的又一个里程碑。2017年，谷歌研究人员提出了Transformer架构，这成为自然语言处理(Neuro-LinguisticProgramming,NLP)领域的革命性突破。在这一时期，AI技术开始从实验室走向实际应用。计算机视觉技术被用于人脸识别、医学影像分析；自然语言处理技术支撑着智能客服和机器翻译；推荐系统成为电商和内容平台的核心组件。AI不再只是学术研究的对象，而是逐渐渗透到日常生活的方方面面。4.大模型时代与ChatGPT的爆发(2020s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展2020年代标志着人工智能进入大模型时代，其特点是模型规模急剧扩大、能力显著提升以及应用场景快速扩展。这一阶段的起点可以追溯到2020年OpenAI发布的GPT-3模型，该模型拥有1750亿参数，展示了"规模带来能力"的新范式。大模型的发展也带来了新的技术挑战和社会讨论。一方面，模型规模的扩大导致训练成本急剧上升，GPT-4的训练费用估计超过1亿美元，使得只有少数资源充足的公司能够参与前沿研究。另一方面，AI的"幻觉"问题(生成看似合理但不正确的内容)、潜在的偏见和滥用风险引发了广泛关注。4.大模型时代与ChatGPT的爆发(2020s)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展值得注意的是，这一时期的AI发展呈现出从通用模型向垂直应用分化的趋势。通用大模型如GPT-4虽然能力广泛，但在专业领域往往不如针对性强的专用模型。因此，金融、医疗、法律等行业的专用模型开始涌现。2024-2025年，AI发展的另一个显著趋势是智能体(Agent)的兴起。与早期只能被动回答问题的AI不同，智能体能够理解用户意图、制定计划、调用工具并自主执行复杂任务。AI更深地融入工作流程和日常生活，成为真正的生产力工具而非仅仅是信息助手。5.DeepSeek的崛起与开源AI生态(2024-2025)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展在全球AI竞赛中，中国公司深度求索(DeepSeek)凭借技术创新和开源策略迅速崛起，成为与OpenAI、Google等国际巨头竞争的重要力量。2024年12月，DeepSeek发布V3模型，以显著低于GPT-4的训练成本(约557.6万美元，仅为GPT-4的1/20)实现了媲美顶尖模型的性能，震惊业界。DeepSeek的成功也得益于与中国企业的广泛合作，推动DeepSeek模型在金融、制造、零售等行业的应用，展示了国产AI技术的商业化潜力。5.DeepSeek的崛起与开源AI生态(2024-2025)

任务7.2.1了解人工智能的发展简史

7.2人工智能的发展DeepSeek模型在专业领域的表现尤为突出。其数学模型在国际竞赛中超越GPT-4，代码生成错误率比Claude3低15%。随着DeepSeek等国产模型的崛起，中国在全球AI格局中的角色正在从"技术跟跑者"向"场景定义者"转变。中国拥有庞大的应用场景、丰富的数据资源和活跃的开发者生态，这些优势正推动AI技术与实体经济深度融合。金融、能源、电信等行业推动"国产大模型+数据本地化"标准；AI与IoT、边缘计算的结合催生了智能制造、智慧城市等特色应用；中文语料模型的低成本和高泛化能力也助力中国AI产品的市场扩展。进入2025年，人工智能发展呈现出几个明确的主流趋势，这些趋势将塑造AI技术的未来演进路径和社会影响。

任务7.2.2了解当前趋势与展望未来(2025及以后)

7.2人工智能的发展首先，AI正从单纯的"内容生成"向"任务执行"转变，智能体(Agent)成为技术发展的前沿方向。这种转变类似于从静态网页到交互式Web2.0应用的跨越，预示着AI将成为数字化基础设施的核心组件。其次，多模态AI的成熟是另一显著趋势。当前的先进模型如GPT-4.5、Gemini2.5等已实现文本、图像、音频、视频的跨模态理解与生成。例如，AI现在可以观看视频后回答相关问题，听录音生成摘要，或整合来自不同模态的信息进行综合判断。在教育领域，能批改作文、评估口语表达并提供个性化反馈。

任务7.2.2了解当前趋势与展望未来(2025及以后)

7.2人工智能的发展全球AI竞争格局也日益清晰，形成以美国和中国为主导的两极体系。美国凭借OpenAI、Google等公司和NVIDIA芯片优势，构建"大模型+芯片+算力+基础设施"的一体化生态；中国则以开源模型和政策引导为支撑，发展"产业融合+安全可控+本地部署"的特色路线。这场竞争不仅是企业间的技术比拼，更是围绕数据主权、算法标准和基础模型输出权的综合博弈。未来AI发展面临的主要挑战包括技术可靠性、社会适应性和全球治理三个方面。技术层面，"AI幻觉"(生成内容看似合理实则错误)和黑箱特性导致的信任问题亟待解决；工程化方面，模型抗干扰能力不足、私有化部署成本高阻碍了企业应用；社会层面，AI对就业结构、教育体系、信息生态的冲击需要政策引导。

任务7.2.2了解当前趋势与展望未来(2025及以后)

7.2人工智能的发展长期来看，AI可能遵循三条演进路径：作为工具增强人类能力，作为协作伙伴与人类共生，或作为自主实体独立运作。当前阶段，AI主要扮演工具和助手角色，但Agent技术的进步正推动其向协作伙伴转变。AI的影响不会在短期内爆发"超级应用"，而是像前三次工业革命一样，在未来30-50年逐步重构社会的方方面面。这种长周期变革要求持续的技术创新、适度的监管框架和包容的社会对话，以最大化AI的积极影响，降低潜在风险。

任务7.2.3归纳人工智能技术的发展阶段

7.2人工智能的发展人工智能的发展从技术上可以分为计算智能、感知智能、认知智能三个阶段。

任务7.2.3归纳人工智能技术的发展阶段

7.2人工智能的发展计算智能使机器像人类一样存储、计算和传递信息，帮助人类高效存储和快速处理海量数据。这一能力的不断提升，依赖于算法的优化和硬件技术的进步。计算智能是感知智能和认知智能发展的基石。感知智能致力于赋予机器类似人类的感知能力，如视觉、听觉等。它不仅能让机器听懂、看懂，还能基于感知结果做出判断，并给出反馈或采取行动，即实现“能听会说，能看会认”。目前，计算机视觉、图像识别语音识别等技术研究已取得显著成果，标志着当前国内外人工智能技术发展的主要阶段。认知智能则使机器能够像人类一样主动思考并采取行动，全面辅助或替代人类工作，代表了人工智能的高级形态，也是未来人工智能行业发展的重点方向。

任务7.3.1了解人工智能的技术流派

7.3人工智能的分类1.符号主义符号主义，亦称逻辑主义、心理学派或计算机学派，其核心原理包括物理符号系统假设和有限合理性原理。其实质在于模拟人类的抽象逻辑思维，通过符号来描述认知过程。符号主义的研究思路起源于数理逻辑，催生了逻辑理论家和几何定理证明器等成果。进入20世纪70年代，大量专家系统涌现，并融合了领域知识与逻辑推断，推动人工智能迈入工程应用领域，为人工智能的进步做出了显著贡献。符号主义主张采用逻辑方法来构建人工智能的统一理论体系，经历了从启发式算法到专家系统再到知识工程的发展路径，在相当长的时间内独领风骚，并在20世纪80年代取得了显著的发展成果，为人工智能的进步做出了重要贡献。

任务7.3.1了解人工智能的技术流派

7.3人工智能的分类2.连接主义连接主义，亦称仿生学派或生理学派，起源于仿生学，尤其是对人脑模型的研究。其主要原理涉及神经网络及其连接机制与学习算法，目前在相关领域占据主导地位。该学派主张通过工程技术手段来模拟人脑神经系统的结构和功能。伴随着Hopfield神经网络模型和反向传播算法的问世，神经网络的理论研究实现了重大突破，为神经网络计算机进入市场奠定了坚实基础。连接主义者开发了一种基于联结的并行处理方法，该方法能够同时进行大量运算，并在“海量连接中涌现出秩序”。鲁梅尔哈特等人进一步提出了多层网络中的反向传播算法（BP算法），连接主义才真正从理论模型迈向实际算法，从理论分析走向工程实现。

任务7.3.1了解人工智能的技术流派

7.3人工智能的分类3.行为主义行为主义起源于控制论，其核心原理基于控制论及感知-动作型控制系统，即通过将神经系统的工作机制与信息理论、控制理论、逻辑以及计算机科学相结合，模拟人类在控制过程中的智能行为和功能。行为主义主张智能无需依赖知识表示和推理，专注于自寻优、自适应、自镇定、自组织以及自学习等领域的深入研究。这一理论在20世纪80年代催生了智能控制和智能机器人系统。作为人工智能新学派——行为主义的代表作，布鲁克斯的六足行走机器人尤为突出，该系统基于感知-动作模式模拟昆虫行为，被广泛视为新一代的“控制论动物”。

任务7.3.2认识人工智能发展的四要素与三形态

7.3人工智能的分类1.人工智能发展的四要素

任务7.3.2认识人工智能发展的四要素与三形态

7.3人工智能的分类2.人工智能发展的三种形态通常认为，人工智能存在三种形态，分别是弱人工智能（ArtificialNarrowIntelligence,ANI）、强人工智能（ArtificialGeneralIntelligence,AGI）以及超人工智能（ArtificialSuperIntelligence,ASI）。（1）弱人工智能弱人工智能包括两个层面的概念，最早创建于1980年。当时，将那些不可能真正推理和解决问题、看起来像是智能但实际上并不具备智能、也不会有自主意识的机器称为弱人工智能。随着人工智能的发展，人们将那些只擅长单个方面或某一领域的人工智能也称为弱人工智能。

任务7.3.2认识人工智能发展的四要素与三形态

7.3人工智能的分类（2）强人工智能强人工智能是能够执行“通用任务”的人工智能，具备像人类一样的学习、推理能力，可以独立思考问题并制定解决问题的最优方案，且不局限于特定领域。这样的人工智能被认为是有知觉的、有自我意识的，并且拥有自己的价值观和世界观体系，具备与生物相似的各种本能，如生存和安全需求。强人工智能有两个层面：首先是类人的人工智能，即机器的思考和推理像人的思维一样；其次是非类人的人工智能，即机器产生了与人完全不同的知觉和意识，使用与人完全不同的推理方式，在某种意义上可以看作一种新的文明。

任务7.3.2认识人工智能发展的四要素与三形态

7.3人工智能的分类（3）超人工智能牛津哲学家、知名人工智能思想家NickBostrom将超级智能定义为“在几乎所有领域都比最聪明的人类大脑聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍。按照库兹韦尔提出的著名“奇点理论”（Singularity），科技发展符合幂律分布，前期发展缓慢，后期越来越快，直到跨过“奇点”爆发。在超人工智能阶段，人工智能已经跨过“奇点”，其计算和思维能力远超人脑。

任务7.4.1了解国内政策支持情况

7.4中国人工智能快速发展1.2017年7月8日，国务院发布了《新一代人工智能发展规划》，该规划明确了我国人工智能发展的战略目标、重点任务及保障措施，为人工智能的长远发展描绘了清晰的蓝图。这是我国在人工智能领域首个系统性的部署文件。到2020年，我国人工智能总体技术和应用将达到世界先进水平，核心产业规模将超过1500亿元，带动相关产业规模超过1万亿元；到2025年，人工智能基础理论将实现重大突破，技术与应用继续保持世界先进水平，核心产业规模将超过4000亿元，带动相关产业规模超过5万亿元；到2030年，人工智能理论、技术与应用将总体达到世界领先水平，使我国成为全球主要的人工智能创新中心。该规划的实施，不仅为我国人工智能技术的发展指明了方向，更为我国在全球科技竞争中抢占先机、赢得主动提供了坚实支撑。

任务7.4.1了解国内政策支持情况

7.4我国人工智能的快速发展2.2021年9月25日，由国家新一代人工智能治理专业委员会发布的《新一代人工智能伦理规范》，将伦理道德融入人工智能的全生命周期，促进公平、公正、和谐、安全，避免偏见、歧视、隐私和信息泄露等问题。3.2022年3月1日，由国家网信办等部门发布并施行的《互联网信息服务算法推荐管理规定》，明确了应用算法推荐技术的定义，禁止算法歧视，要求公开AI推荐服务的基本原理及用户权益救济机制。4.2023年1月10日，由国家网信办等部门发布并实施的《互联网信息服务深度合成管理规定》，定义了深度合成技术等，规范了深度合成服务提供者和技术支持者的行为，要求显著标识AI生成内容。

任务7.4.1了解国内政策支持情况

7.4我国人工智能的快速发展5.2023年8月15日，由国家网信办等七部门联合发布并施行的《生成式人工智能服务管理暂行办法》，定义了生成式人工智能技术等，要求生成内容标识、数据来源合法，明确了服务提供者的内容审核义务。7.2024年9月，由科技部等部门发布的《科技伦理审查办法（试行）》，要求AI算法研发需通过伦理审查，防范社会动员能力的滥用。7.2024年9月9日，由全国网安标委发布的《人工智能安全治理框架》1.0版，提出了AI安全治理原则、治理框架构成、风险分类、技术应对、治理措施等，发布了算法、提供者、使用者、公众安全应用指引。8.2025年3月7日，由国家网信办等部门发布的《人工智能生成合成内容标识办法》，定义了人工智能生成合成内容，要求服务提供者对合成内容进行显式标识和隐式标识。

任务7.4.2了解国内人工智能的典型企业

7.4我国人工智能的快速发展现在，许多企业言必称人工智能。在国家政策的积极引导下，国内众多科技和互联网公司的大力投入与不懈努力下，我国在人工智能领域取得了显著成就，涌现出：DeepSeek华为科大讯飞百度字节跳动等一大批成功的人工智能公司，极大地推动了我国人工智能的