人工智能通识教程课件 第1章 人工智能基础

ArtificialIntelligence人工智能基础第1章编者：×××1.1人工智能概述1.2人工智能与其他学科的结合人工智能安全与伦理1.3人工智能与就业1.4章节实训与思考1.51.1.1人工智能的定义与核心特征国际标准化组织将人工智能定义为由计算机系统展示出的人类认知功能，包括但不限于学习、推理、感知、适应、交流、创造等。尼尔斯·约翰·尼尔森教授则从知识角度出发，认为人工智能是关于如何表达、获取和使用知识的学科。帕特里克·温斯顿教授更注重人工智能的功能性，提出人工智能是研究如何使计算机完成过去只有人才能做的智能工作。中国科学院院士张钹则认为人工智能是用机器模仿人的智能行为。综合来看，人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术科学。其核心目标是通过计算机系统与算法，使机器能够执行需要人类智慧才能完成的任务，涵盖从基础的感知识别到高级的推理创造等多个层面。1.1.1人工智能的定义与核心特征人工智能的核心特征主要体现在学习能力、自主性与适应性3个方面。

学习能力人工智能具备与人类相似的学习能力，能够通过分析海量数据，自动优化自身性能。这种学习过程并非简单的记忆，而是深入挖掘数据中的模式与规律，进而构建出可用于预测、分类或决策的模型。自主性人工智能具备自主执行任务的能力，无须人类直接干预。适应性人工智能具备强大的适应性，能够在环境变化时，通过持续学习对自身进行调整，从而适应新的情况。1231.1.2人工智能的类型弱人工智能又称专用人工智能，是指只具备特定领域智能的人工智能系统。这类人工智能系统被设计和训练用于执行单一或有限的任务，并在这些特定任务上表现出超越人类的能力，但缺乏通用性和自我意识

。强人工智能又称通用人工智能，是指能够像人类一样思考、学习和解决问题的人工智能系统。

与弱人工智能不同，强人工智能不仅具备在多个领域执行任务的能力，更重要的是，它拥有知觉、

自我意识和独立的思考能力。超人工智能是一个更为前瞻性的概念，它是指在所有领域，包括科学创新、艺术创作等，其智能水平都远超最优秀的人类大脑的人工智能。超人工智能不仅在认知能力上全面超越人类，其思维速度和信息处理能力也达到了人类无法企及的高度。目前，超人工智能仍然只存在于科幻作品和理论探讨中，没有任何证据表明人类能够或即将创造出这样的智能体。1．弱人工智能2．强人工智能3．超人工智能1.1.3人工智能的发展历程、发展现状与未来趋势萌芽期人工智能的起源可追溯至20世纪中叶的学术探索。1950年，英国数学家艾伦·图灵（AlanTuring）提出“图灵测试”，通过模拟人类对话判断机器是否具备智能，为人工智能研究提供了可操作的标准。这一哲学命题向科学问题的转化，标志着人工智能从概念走向实践。图灵测试的基本形式如下。1956年，在美国达特茅斯学院召开的达特茅斯会议成为人工智能诞生的标志。约翰·麦卡锡、马文·明斯基、赫伯特·西蒙等科学家首次提出“人工智能”术语，并探讨了机器模拟人类智能的可能性。1959年，乔治·德沃尔设计的首台可编程工业机器人“尤尼梅特”问世，其模块化设计实现了生产自动化，为机器人技术发展奠定了基础。01探索期1966年，麻省理工学院开发的聊天机器人“伊丽莎”首次实现自然语言交互，通过脚本匹配模拟心理治疗对话，成为人工智能与心理学交叉的创新典范。1972年，斯坦福研究所研制的移动机器人“沙基”集成视觉能力、测距能力和机械臂，成为首台自主导航机器人，标志着自主系统研究的开端。20世纪70年代，受限于计算能力与数据规模，人工智能在常识推理和自然语言理解等领域遭遇瓶颈，研究资金大幅削减，进入首次“寒冬”20世纪80年代，日本启动第五代计算机计划，推动高性能人工智能计算研发，促使英国、美国加强国际合作。1984年启动的Cyc项目构建常识知识库，为自然语言处理和机器学习提供资源。同期，神经网络研究因算法局限陷入停滞，但反向传播算法的改进为后续人工智能的复兴埋下伏笔。021.1.3人工智能的发展历程、发展现状与未来趋势成长期20世纪末，人工智能在游戏领域取得里程碑式进展。1997年，IBM“深蓝”战胜国际象棋冠军卡斯·帕罗夫，证明了人工智能在规则明确场景中的优势。2011年，IBM“沃森”在智力问答节目《危险边缘！》中击败人类冠军，展现出人工智能自然语言理解能力的突破。2016年，“阿尔法围棋”以4:1战胜围棋冠军李世石，通过结合深度学习与蒙特卡洛树搜索，实现人工智能在复杂策略游戏应用中的进步。2012年，加拿大团队开发的虚拟大脑“Spaun”模拟250万个神经元，通过智商测试验证生物神经网络模拟的可行性。03爆发期2020年，OpenAI公司发布的GPT-3基于Transformer架构，

拥有1750亿参数，显著提升语言生成能力。2021年，DALL·E实现从文本到图像的生成，拓展人工智能创意边界。2023年，GPT-4支持多模态交互，可撰写文章、编写代码甚至创作音乐，推动生成式人工智能商业化。2024年，杭州深度求索人工智能基础技术研究有限公司（以下简称“深度求索公司”）推出DeepSeek系列模型，以其优秀的推理能力和代码生成性能受到广泛关注。同年，欧洲联盟《人工智能法案》生效，通过风险分级监管规范人工智能开发与应用，禁止高风险实践，要求系统透明可追溯。04发展现状与未来趋势当前人工智能以深度学习技术为核心，在计算机视觉、语音识别等领域达到人类水平，并渗透至医疗、金融、教育等行业。例如，人工智能辅助诊断系统可精准识别病灶，智能投顾系统可优化资产配置，个性化学习系统可以通过精准定位知识薄弱点为每位学生定制个性化学习路径。展望未来，人工智能的发展将引领诸多领域的深刻变革。随着5G、6G网络的广泛普及和物联网技术的全面应用，一个万物互联的智能生态系统将被逐步构建成型。在生物科技领域，生物芯片与神经接口技术的突破有望开启人机共生的新模式。051.1.4人工智能的三大学派符号主义又称逻辑主义，是人工智能领域最早出现的学派。其核心思想源于一个基本假设：人类

的认知过程，尤其是逻辑思维，本质上是一种基于符号的操作过程。因此，符号主义认为：智能行为可以通过对符号的逻辑推理和知识表示来模拟。该学派的主要研究方法是构建知识库和推理机。符号主义01行为主义又称进化主义或控制论学派，其理论根基在于对生物进化过程及行为适应性的深入观察。该学派主张，智能并非预先设定或通过单纯学习获得，而是在主体与环境的持续交互中，通过感知与行动不断适应环境而自然涌现的。行为主义尤为重视“感知—行动”的闭环机制，倡导从基础且简单的行为规则着手，借助自组织、自适应以及进化机制，逐步构建起复杂的智能行为体系。该学派的代表性成果是进化算法和强化学习。行为主义03连接主义又称仿生学派，其核心灵感源自人类大脑的神经网络结构。该学派主张：智能并非源自符号操作，而是诞生于众多简单处理单元间的相互连接及并行处理过程。连接主义的关键技术在于人工神经网络，该网络通过模拟神经元的连接强度以及信号传递机制，构建出具备学习和信息处理能力的计算模型。连接主义021.1人工智能概述1.2人工智能与其他学科的结合人工智能安全与伦理1.3人工智能与就业1.4章节实训与思考1.51.2.1人工智能与理工学科目前，人工智能与理工学科的结合最为紧密，其应用已经深入到理工学科各个细分领域。在物理学领域中，人工智能被用于分析大型强子对撞机产生的海量实验数据，寻找新的基本粒子。在化学领域中，人工智能可以预测分子的性质，设计新的药物分子或催化剂，极大地加速了新材料和新药的研发进程。在材料科学中，人工智能能够通过分析材料的微观结构和宏观性能之间的关系，指导新材料的合成与设计。在工程领域中，人工智能的应用更加广泛。例如，在土木工程中，人工智能可用于结构健康监测和灾害预警；在机械工程中，人工智能驱动的机器人可以实现高精度的自动化生产和装配；在航空航天领域中，人工智能被用于飞行器的自主导航、故障诊断和任务规划。这些应用不仅提高了科研和生产的效率，也解决了许多传统方法难以应对的复杂问题。1.2.2人工智能与农学人工智能正深刻赋能农学，进而有力支撑传统农业革新，为其注入新活力，推动其向精准化、智能化、可持续化的“智慧农业”转型。在种植领域中，基于计算机视觉和深度学习的病虫害识别系统，能让农民用手机拍照快速精准识别作物病害、虫害，获取防治建议，减少农药滥用。无人机搭载多光谱或高光谱摄像头，结合人工智能图像分析技术，可实时监测农田，精准评估作物长势、水分与养分状况，指导变量施肥和灌溉，实现水肥资源高效利用。在畜牧业中，人工智能能够分析牲畜行为、声音、体温等数据，从而实现疾病早期预警与精准饲喂。此外，人工智能驱动的农业机器人可自主完成播种、除草、采摘等繁重劳动，解放劳动力，提高生产效率。1.2.3人工智能与医学人工智能在医学领域迅猛发展，深刻改变着疾病的诊断、治疗与预防模式。在医学影像分析中，基于深度学习的人工智能算法能以极高准确率识别CT、MRI、X光等影像中的病灶，辅助医生开展早期癌症筛查，在某些方面的表现甚至超过人类专家。例如，人工智能可精准识别肺结节、糖网病变等，显著提升诊断效率与准确性。在药物研发中，人工智能能分析海量生物医学数据，快速筛选潜在药物靶点，预测化合物活性与毒性，大幅缩短新药研发周期、降低成本。此外，人工智能在个性化治疗方案制订、手术机器人、智能健康管理以及流行病预测等方面潜力巨大，为精准医疗与普惠医疗提供了有力的技术支撑。1.2.4人工智能与经济学人工智能正深刻重塑经济学的研究方式与实践应用。在计量经济学中，传统的线性模型逐渐被更为复杂的机器学习方法替代。例如，随机森林、梯度提升树等算法能够更有效地捕捉经济数据中的非线性关系与交互效应，从而显著提升预测精度。在金融领域中，高频交易算法借助人工智能模型能以毫秒级别分析市场数据并执行交易；智能投顾系统能依据客户的风险偏好与财务目标，提供个性化的资产配置建议；人工智能风控系统则能通过分析海量数据，精准识别欺诈行为并评估信贷风险。此外，人工智能在劳动力经济学、产业组织理论及公共政策评估等领域也日益重要，如通过分析在线招聘数据揭示劳动力市场的动态变化。1.2.5人工智能与文学人工智能正以一种前所未有的方式介入文学创作和研究领域。在文学创作方面，基于大语言模型的人工智能已经能够生成诗歌、小说、剧本等多种文体的文本。例如，人工智能通过用户输入的特定的主题、风格等关键词，可以创作出具有一定文学性的作品，甚至可以模仿特定作家的文风。这不仅为作家提供了新的创作工具和灵感来源，也引发了关于“机器能否成为作者”的讨论。在文学研究方面，人工智能技术，特别是自然语言处理技术，为数字人文研究提供了强大的支持。研究者可以利用人工智能快速分析海量文学作品。例如，通过词频统计、情感分析、主题建模等方法，研究文学风格的演变、作家的写作习惯、作品的主题思想等，从而发现通过传统细读方法难以察觉的宏观模式和规律。1.2.6人工智能与艺术学人工智能正逐渐成为艺术学研究与创作领域中一股不可忽视的新兴力量，其应用范围已广泛覆盖音乐、绘画、雕塑、设计等多个艺术门类。在视觉艺术方面，借助生成式对抗网络和扩散模型等先进技术，人工智能能够依据文本描述或简单草图，生成高质量且风格多样的图像。在音乐创作方面，人工智能通过学习大量音乐作品的风格和结构，能够创作全新的乐曲，还能根据用户的情绪或场景需求，实时生成合适的背景音乐。在设计方面，人工智能则能辅助设计师进行方案生成、风格迁移和优化迭代，显著提升设计效率，并拓展创意边界。1.2.7人工智能与教育学人工智能正深刻影响教育学的实践形态与发展格局，其应用已全面渗透教学实施、学情分析、资源开发等环节。在个性化教学方面，借助大数据分析与自适应学习算法，人工智能能够精准捕捉学生的学习习惯、知识薄弱点，生成个性化的学习方案与进度规划，实现“因材施教”的精准落地。在教学辅助领域，智能答疑系统、虚拟仿真教学平台等工具，可突破时空限制为学生提供实时指导，同时通过模拟复杂教学场景，降低实践教学的门槛与风险。在教育管理层面，人工智能能够对教学数据进行全景式分析，为教师教学优化、学校课程设置及教育政策制定提供科学的数据支撑，推动教育体系向更高效、更精准的方向转型。1.2.8人工智能与新闻传播学人工智能已全面渗透新闻传播的各个环节，从内容生产到分发反馈，重构着传媒行业的运作模式。在内容生产环节，自然语言处理技术支撑的智能写作系统，能够快速完成体育赛事、财经数据等标准化新闻的撰写，同时人工智能还可辅助完成新闻素材的自动筛选、事实核查与多模态内容转化。在传播分发层面，基于用户画像与行为数据分析的智能推荐算法，能够实现新闻内容的精准推送，提升传播效率与用户触达效果。在行业治理与用户互动方面，人工智能可实时监测网络舆情，快速识别虚假信息与不良内容，助力新闻生态净化；同时智能客服、互动式新闻等形式，也进一步增强了用户与媒体之间的参与感和黏性，推动新闻传播从单向输出向双向互动转型。1.2.9人工智能与历史学人工智能为历史学研究提供了全新的技术路径与研究视角，有效破解了传统史学研究中史料处理、分析解读的痛点难点。在史料整理与挖掘方面，借助光学字符识别、自然语言处理等技术，人工智能能够快速完成海量古籍文献、档案资料的数字化转录、校对与分类，同时可从碎片化的史料中挖掘潜在的关联信息，为历史研究提供新的线索。在历史场景重构与分析层面，通过大数据建模与虚拟现实技术，人工智能能够整合历史地理、人口经济等多维度数据，还原特定历史时期的社会风貌、事件演进过程，助力研究者更直观地理解历史发展规律。此外，人工智能还可辅助完成历史数据的量化分析，如通过对历史人口、贸易数据的建模分析，为历史研究提供更精准的实证支撑，拓展史学研究的广度与深度。1.1人工智能概述1.2人工智能与其他学科的结合人工智能安全与伦理1.3人工智能与就业1.4章节实训与思考1.51.3.1人工智能的安全风险与防控1．人工智能面临的安全风险类型（2）数据安全风险社会安全风险则是指人工智能技术的广泛应用对社会结构和社会稳定性带来的潜在威胁。（1）算法安全风险系统安全风险指的是人工智能系统作为一个整体，在独立运行或与其他系统交互时可能出现的故障或失控。算法安全风险主要指人工智能模型本身存在的缺陷或漏洞。（3）系统安全风险数据安全风险则主要指在人工智能系统的数据采集、存储、处理和使用过程中可能出现的泄露、篡改或滥用问题。（4）社会安全风险1.3.1人工智能的安全风险与防控2．人工智能安全风险产生的原因技术本身的局限性是引发安全风险的根本原因。目前，许多人工智能技术，尤其是深度学习领域，在很大程度上仍处于“黑箱”状态。这造成人工智能系统的决策过程既缺乏透明度又难以解释，导致用户无法完全理解并预测其行为模式，即便出现问题，也难以有效地追溯与修正。技术本身的局限性不当的设计和使用不当的设计和使用是安全风险产生的重要原因。一些人工智能系统在设计和开发过程中，可能过于追求性能指标，而忽视了安全性和适应性。在人工智能系统的使用过程中，如果用户缺乏必要的安全意识和操作技能，也可能导致安全事故的发生。法律法规和监管体系的滞后是安全风险产生和加剧的重要因素。人工智能技术的发展速度远远超过了法律法规的制定速度，这导致许多领域对其的监管存在空白。法律法规和监管体系的滞后1.3.1人工智能的安全风险与防控3．人工智能安全风险的防控措施需要加快完善相关法律法规和标准体系。政府应组织专家，针对人工智能安全的关键问题，如算法透明度、数据保护、责任认定等，制定明确的法律法规和行业标准，为人工智能的健康发展提供法律保障。同时，要加强对人工智能市场的监管，严厉打击违法违规行为，维护市场秩序和公众利益。此外，还应加强国际合作，共同维护人工智能安全。

法律和监管层面首先要加强人工智能安全技术的研发。这包括开发更具鲁棒性和更加可解释的人工智能算法，提高人工智能模型抵御对抗性攻击的能力；研究隐私保护计算技术，在保护数据隐私的前提下进行模型训练；以及建立人工智能系统的安全测试和评估体系，在人工智能系统上线前对其安全性进行全面的检验。

技术层面需要建立健全人工智能安全管理体系。这要求人工智能的开发和应用机构，将安全理念贯穿于人工智能系统的全生命周期，从需求分析、设计开发、测试部署到运行维护，都要有明确的安全规范和操作流程。同时，要加强对相关人员的安全培训，提高其安全意识和技能。

管理层面020103

人工智综合治理体系1.3.2人工智能伦理问题1．人工智能伦理的概念人工智能伦理是一套指导人工智能技术研发与应用的价值体系、原则规范和实践准则，旨在解决人工智能系统在决策和行为中可能引发的道德困境，确保技术发展符合人类社会的基本价值观。具体而言，人工智能伦理关注的是：当人工智能系统被赋予越来越多的自主决策权时，如何保障其行为的公平性、透明度、可解释性、安全性和问责性。1.3.2人工智能伦理问题2．人工智能伦理的重要性人工智能伦理是保障基本人权的基石。个人信息权益是基本人权的重要组成部分，而人工智能伦理对于保障其不受侵害起着至关重要的作用，是维护基本人权的坚实基石。01人工智能伦理是建立公众信任的桥梁。公众对于人工智能技术的接受与信任程度，直接影响着该技术的推广与应用。因此，人工智能伦理作为连接人工智能技术与公众的桥梁，对于建立公众对技术的信任至关重要。03人工智能伦理是维护社会公平正义的防线。人工智能算法是人工智能系统的核心要素之一，然而人工智能算法可能存在偏见，而人工智能伦理能够形成一道有效防线，遏制算法偏见带来的负面影响，维护社会的公平正义。02人工智能伦理是引导技术可持续发展的指南。通过制定前瞻性的伦理规范，人们能够提前预见潜在风险，并采取相应的措施加以规避。这些伦理规范可以引导人工智能技术朝着增进人类共同福祉的方向发展，避免因技术失控而带来的灾难性后果。041.3.2人工智能伦理问题3．人工智能伦理的主要内容建立清晰的责任链条和有效的问责机制，是人工智能技术健康发展的必要保障。这不仅需要在技术层面确保人工智能系统的行为可追溯、可审计，记录系统的运行日志和决策过程，以便在出现问题时能够查明原因；更需要在法律层面明确各方主体的权利、义务和责任，制定相关的标准和法律法规，规范人工智能系统的开发、部署和使用。

人工智能的责任归属与问责机制。透明度和可解释性是提高人工智能系统可信度的关键。透明度指的是人工智能系统的设计、数据来源、决策逻辑等信息应该对利益相关方公开，使其能够了解系统的基本运作方式。人工智能的透明度与可解释性。人工智能的发展高度依赖数据，尤其是海量、多维度的个人数据。人工智能系统通过收集、分析和利用个人数据，能够提供个性化服务，提升效率。如何在利用数据价值的同时，有效保护个人隐私，遵循“合理、合法和必要”的原则，成为人工智能伦理和法律必须解决的关键问题。在数据收集方面，人工智能系统的开发者或运营者应明确告知用户数据收集的目的、范围和使用方式，获得用户的明确同意；在数据存储和使用方面，

应采取加密、匿名化等技术手段，保障数据安全。

数据隐私与个人信息保护。算法偏见是人工智能伦理中最突出和普遍的问题之一。它指的是人工智能系统在决策过程中，由于训练数据、算法设计或应用场景等因素，对特定群体产生系统性的、不公平的倾向。因此，确保算法的公平性成为人工智能伦理的核心要求。为了实现算法公平性，我们需要在数据收集阶段，确保数据的多样性和代表性，避免数据集中于某一特定群体；在算法设计阶段，采用公平性算法和评估指标，检测和优化算法的公平性；在应用阶段，建立监督机制，及时发现和纠正算法中的偏见问题。算法偏见与公平性。1.1人工智能概述1.2人工智能与其他学科的结合人工智能安全与伦理1.3章节实训与思考1.5人工智能与就业1.41.4.1人工智能对就业的影响人工智能的发展对就业产生了多方面影响，既带来了冲击与挑战，也孕育了新的机遇与希望，其影响是复杂且深远的。目前，人工智能对就业最主要的影响体现在其对就业结构的改变上。快速发展的人工智能对一些就业岗位产生了替代作用，导致就业结构发生改变。许多重复性、规律性的工作，如数据录入员、客服人员、简单文案的撰写员等，都可以被人工智能取代，这使得大量从事这些工作的人员将面临失业风险。例如，一些新闻机构开始使用智能写作机器人来撰写简单的新闻报道，这使得部分记者的工作受到了影响。1.4.2人工智能催生的新职业1．人工智能设计师人工智能设计师是兼具技术与创意的复合型人才，他们能依据用户需求和特定场景，进行创意策划、内容创作与迭代优化，构建与人工智能系统高效协同的工作流程。作为连接人工智能技术与具体应用场景的桥梁，人工智能设计师在数字内容创作、智能产品设计、虚拟现实及元宇宙等领域发挥着关键作用，其核心竞争力横跨人工智能、设计美学、人机交互及内容创意等多个方面，涵盖多模态内容创新生成、精准提示词工程技术、模型微调优化技能，以及出色的交互设计、用户体验打造、创意策划、项目管理能力和团队协作能力。人工智能训练师是使用智能训练软件，在人工智能产品使用过程中进行数据库管理、算法参数设置、人机交互设计、性能测试跟踪及其他辅助作业的人员。人工智能训练师的工作涉及人工智能从数据到模型全生命周期培育的关键环节，他们如同技术翻译者，将业务需求转化为模型可理解的训练信号，从原始数据中提炼有价值的特征与模式，并通过持续迭代优化模型的性能和泛化能力。提示词工程师是使人工智能按照人类意愿执行任务的专家。他们通过编写详尽的提示词，助力人工智能更精准地生成所需内容。这一职业对从业者的跨领域知识储备要求颇高。从业者不仅需要具备一定的人工智能技术基础，还需拥有卓越的创意构思能力与高效的沟通技巧。2．人工智能训练师3．提示词工程师1.4.3人工智能对从业人员的要求1．专业技术能力01数学理论基础是人工智能技术的底层逻辑支撑，贯穿于算法设计、模型训练与优化的全过程。从经典的机器学习算法到前沿的深度学习模型，都离不开数学理论的深度赋能。数学理论基础。02编程能力是人工智能领域中将理论转化为实践的桥梁，是实现算法落地、开发人工智能系统的核心技能。Python作为人工智能领域的主流编程语言，凭借其丰富的开源库，成为人工智能人才需要熟练掌握的知识。编程能力。03随着人工智能技术的持续细分与发展，专业细分领域技术能力对人工智能人才而言愈发重要，它是人工智能人才精准匹配业务场景、提升自身核心竞争力的关键。以计算机视觉领域为例，该领域的人工智能人才需熟练掌握图像识别、目标检测、图像分割等核心技术。专业细分领域技术能力。1.4.3人工智能对从业人员的要求2．创新与问题解决能力人工智能技术在带来便利的同时，也面临着数据偏见、模型公平性、隐私泄露等潜在风险，批判性思维与风险预判能力成为人工智能人才确保技术伦理、规避业务风险的重要保障。人工智能人才需要具备算法创新意识，能够针对业务痛点，结合前沿技术趋势，提出新的算法思路，或对现有算法进行优化和改进。人工智能领域面临的问题通常具有极高的复杂性。因此，人工智能人才需具备复杂问题拆解能力，即能够将庞大且模糊的问题拆分成多个可量化、可解决的子问题，运用“分而治之”的策略降低问题难度。复杂问题拆解能力。算法创新与优化能力。批判性思维与风险预判能力。0302011.1人工智能概述1.2人工智能与其他学科的结合人工智能安全与伦理1.3章节实训与思考1.5人工智能与就