人工智能基础与应用教程 课件 第1-3章 人工智能基础 -WPS AI智慧办公

第1章

人工智能基础CONTENTS目录01

本章学习目标02

人工智能概述03

人工智能的发展历程与重要事件04

人工智能的三大主要学派05

人工智能的应用领域06

人工智能的典型应用CONTENTS目录07

人工智能技术挑战与未来08

本章小结本章学习目标01明确本章核心学习目标定义与研究目标明确人工智能的定义及其研究目标，理解模拟人类智能的本质。发展历程认知理解人工智能的发展历程，包括关键时期与重大事件。学派理论掌握掌握符号主义、连接主义、行为主义三大主要学派的观点与差异。应用领域了解了解人工智能在问题求解、机器学习、自然语言处理等主要应用领域中的概况。挑战与趋势认识认识人工智能当前面临的技术挑战及未来发展趋势。人工智能概述02人工智能的定义

图灵测试与早期定义1950年图灵提出“机器智能思维”观点，设计图灵测试判断机器是否具备与人类相当的智能。

达特茅斯会议与学科诞生1956年达特茅斯会议首次提出“人工智能”术语，定义为制造模拟人类智能行为的机器的科学与工程。

机器学习视角的定义1997年汤姆·米切尔提出：计算机程序通过经验积累提升特定任务性能即从经验中学习。

现代多维度定义斯坦福大学将其概括为研究如何使计算机系统完成以往需人类智能胜任的任务，涵盖感知、推理、决策等能力。人工智能的研究目标

弱人工智能（ANI）专注于特定领域或单一任务，缺乏自主意识和通用学习能力，如语音助手、图像识别。

强人工智能（AGI）具备与人类相似的通用智能，能理解、学习各类智力任务，拥有自主意识、情感及创造力。

超人工智能（ASI）在所有领域全面超越人类智能，可能具备自我迭代进化能力，属于哲学和未来学研究范畴。人工智能的发展历程与重要事件03人工智能的发展历程

孕育期（1956年以前）从古代神话到1950年图灵提出机器思维论断，为人工智能诞生奠定思想、理论和技术条件。

形成期（1956—1961年）1956年达特茅斯会议标志人工智能学科诞生，随后在定理证明、问题求解等领域取得重要成果。

发展期（1961年以后）经历首次热潮、低谷、专家系统兴起、再次困境，2010年后随大数据等技术成熟迎来爆发式增长。人工智能发展重要事件（一）图灵机和图灵测试1936年图灵提出图灵机数学模型，1950年提出图灵测试，预言创造真正智能机器的可能性。达特茅斯会议1956年达特茅斯会议首次提出“人工智能”术语，确立AI的名称与任务，催生首批研究者。第一代工业机器人1959年乔治·德沃尔和约瑟夫·英格伯格制造出第一台工业机器人Unimate，成立Unimation公司。首台智能机器人1968年世界上首台智能机器人ShaKey问世，配备视觉传感器，能按指令识别并抓取积木。反向传播算法突破1986年杰弗里·辛顿提出利用反向传播算法训练深度神经网络，为深度学习发展奠定基础。人工智能发展重要事件（二）

家用吸尘器机器人诞生2002年iRoot公司推出Roomba吸尘器机器人，具备躲避障碍物、自动规划路线和充电功能。

深度学习重大进展2006年深度学习在图像识别、语音识别等领域取得重大进展，得益于计算速度提升和数据涌现。

“尤金·古斯特曼”通过图灵测试2014年聊天程序“尤金·古斯特曼”首次通过图灵测试，标志机器智能的重要突破。

AlphaGo战胜李世石2016年谷歌旗下AlphaGo战胜世界围棋冠军李世石，展示人工智能在复杂决策领域的能力。

ChatGPT引发热潮2022年末OpenAI发布ChatGPT，具备强大自然语言生成与理解能力，引发新一轮AI研究热潮。人工智能的三大主要学派04符号主义学派

起源与基本思想起源于逻辑学和哲学，认为人类认知过程是对符号的推理运算，致力于用符号描述并模拟人类认知。

代表人物与成果代表人物为赫伯特·西蒙、艾伦·纽厄尔等，代表性成果是“逻辑理论家”数学定理证明程序LT。

贡献与局限长期主导人工智能研究，贡献启发式算法、专家系统等，但遭遇“常识”问题和不确定事件处理障碍。连接主义学派

起源与基本思想又称仿生学派，认为人工智能源于神经网络的连接机制，智能活动的基本单元是神经细胞，过程是神经网络动态演化。

理论基础与发展1943年提出M-P神经元模型，1986年反向传播算法突破推动深度学习发展，在图像处理等领域取得重要成果。

核心方法与应用核心方法是构建人工神经网络及学习算法，模拟大脑功能，深度学习已成为机器学习领域主流算法。行为主义学派起源与基本思想又称进化主义和控制论学派，基于“感知—行动”的行为智能模拟方法，认为人工智能源于行为动作的感知与控制。学习观点认为学习是刺激与反应之间的连接，过程是渐进的尝试错误，强化训练是学习成功的关键。代表人物与成果代表人物是布鲁克斯，代表性成果是六足行走机器虫，展现应对复杂环境的灵活能力，远超传统机器人。三大学派比较

符号主义学派起源于逻辑学和哲学，基本思想是基于逻辑推理的智能模拟。

连接主义学派起源于神经科学，基本思想是基于神经网络和连接机制与学习算法的智能模拟方法。

行为主义学派起源于控制论，基本思想是基于“感知—行动”的行为智能模拟方法。人工智能的应用领域05问题求解与博弈、自动定理证明问题求解与博弈开发出能解决复杂难题的下棋程序，运用问题表示、分解、搜索和归纳等人工智能基础技术，如AlphaGo。自动定理证明数学与计算机科学结合的研究课题，是AI最早成功应用的领域之一，可转化医疗诊断等非数学领域任务。机器学习与专家系统机器学习机器获取知识的根本方式，分为监督学习、无监督学习和强化学习三类，应用覆盖AI各分支，推动技术发展。专家系统模拟人类专家决策的智能程序系统，具备领域专家级知识，能推理判断解决复杂问题，典型代表是DENDRAL系统。模式识别与自然语言处理

01模式识别使计算机系统模拟人类感知模式，包括语音识别、文字识别、人脸识别等，神经网络方法已成功应用于手写字符识别等。

02自然语言处理融语言学、计算机科学、数学于一体的科学，包括自然语言理解和生成，广泛应用于机器翻译、虚拟助手等领域。机器视觉与自动程序设计

机器视觉亦称计算机视觉，利用计算机技术实现或模拟人类视觉系统的测量与判断功能，融合多学科技术，应用于工业领域。

自动程序设计依据问题原始描述自动生成满足要求的程序，推动半自动软件开发系统发展，未来可能实现全流程自动化。机器人学与人工神经网络

机器人学智能机器人融合多学科技术，具备感知、规划等能力，分为工业、农业、医疗等类型，研究方向广泛。

人工神经网络由大量简单处理单元连接构成的人工网络，模拟大脑结构与功能，具有自学习、联想存储等特点，应用于多领域。其他重要应用领域

智能检索研究海量复杂信息处理，综合文献相关性和重要性排序，提升检索效率，未来向主动需求预测发展。

智能控制无须人工干预即可驱动智能机器实现目标的控制技术，研究涵盖智能机器人规划、智能流程规划等方面。

分布式人工智能和智能体分布式计算与AI结合的产物，研究分散智能系统并行协作求解问题，多智能体系统成为研究焦点。

数据挖掘与知识发现从数据库大量数据中挖掘隐含、未知且有潜在价值的信息，应用领域广泛，是AI与数据库领域研究热点。

人工生命借助人工媒介生成或构建呈现自然生命系统行为特征的仿真系统，1987年首届学术会议确立为一门学科。人工智能的典型应用06智慧医疗与智能客服智慧医疗医疗健康与信息技术深度融合的创新模式，通过AI等技术推动数字化转型，提升效率、精准度与患者体验。智能客服依托自然语言处理等技术构建的自动化服务系统，由客服机器人承担自动问答功能，24小时全渠道响应。智能家居与自动驾驶

智能家居以住宅为平台，通过物联网等技术将设备互联互通的系统，实现远程控制、自动管理及场景联动，提升生活便捷性。

自动驾驶通过传感器融合及AI算法模拟人类驾驶行为，实现车辆自主感知、决策与控制，提升驾驶安全性与舒适性。医学影像处理

技术与应用针对多种成像技术生成的影像数据进行智能化分析，深度学习模型能自动提取深层特征，高效检测微小病灶。

价值与意义作为医生的“第二双眼睛”，提升阅片效率、诊断准确性，在医疗教学、临床研究中提供标准化分析工具。人工智能技术挑战与未来07人工智能面临的挑战人才挑战

全球AI发展面临人才缺口庞大、结构失衡挑战，国内缺口突破500万，高端研究型和复合型人才尤为紧缺。技术挑战

面临算力问题（依赖海量计算资源，成本高昂）、黑箱问题（算法内部决策机制难以解释）、算法偏见及数据隐私问题。法律、安全与伦理挑战

引发一系列法律与道德问题，如权益平衡、技术透明性、算法公平性等，自动驾驶等场景存在伦理困境。人工智能的未来

产业领域变革推动制造业向“智慧工厂”转型，医疗健康领域实现疾病早期筛查与个性化治疗，偏远地区获得优质诊断服务。

日常生活影响构建“无感服务”生态，智能交通系统优化路况，教育领域实现因材施教，家庭场景提供多模态交互智能终端。

技术发展方向通用人工智能探索取得进展，具备跨领域学习能力，量子计算与AI融合突破算力瓶颈，同时需应对伦理挑战。本章小结08本章小结

核心内容回顾本章系统阐述了人工智能的基础理论与发展历程，界定了定义与研究目标，梳理了发展历程及关键节点。学派与应用总结剖析了三大主要学派的核心思想，介绍了在多领域的应用成果，探讨了技术瓶颈与伦理挑战，展望了未来发展方向。THEEND谢谢第2章人工智能核心技术CONTENTS目录01

本章学习目标02

机器学习：AI的核心支撑技术03

深度学习：AI突破的关键驱动力04

自然语言处理：人机语言交互的桥梁05

计算机视觉：机器“看”世界的技术06

语音识别：让机器听懂人类语言CONTENTS目录07

大模型：AI能力涌现的新形态08

其他人工智能相关技术09

本章小结本章学习目标01本章导读：AI核心技术的发展脉络

AI技术革命的时代背景从早期编程任务到自主决策系统，AI正引领新一轮技术革命，通过关键技术实现数据自动学习与智能决策本章核心技术模块概览涵盖机器学习、深度学习、自然语言处理、计算机视觉、语音识别、大模型及其他相关技术，全面呈现AI技术框架学习目标：明确本章掌握要点核心关系与分类逻辑理解AI与机器学习的包含关系，掌握机器学习核心分类（监督、无监督、半监督学习）的含义技术原理与结构认知掌握典型机器学习算法、人工神经网络基本结构、计算机视觉工作原理，了解自然语言处理主要任务类型前沿技术与拓展认知认识大模型核心特点及分类，了解语音识别原理、脑机接口与知识图谱等相关技术基本概念机器学习：AI的核心支撑技术02机器学习概述：定义与核心能力

机器学习的定义与核心目标是让计算机从数据中自动学习并预测决策的技术，核心目标是无需明确编程即可识别模式规律，构建适配新数据的模型

机器学习的核心能力与应用场景具备自适应、自动化和泛化能力，广泛应用于图像识别、自然语言处理、推荐系统、自动驾驶等领域机器学习与AI的关系：分支与核心实现手段

机器学习与AI的包含关系机器学习是AI的重要分支和核心实现手段，AI是更广泛的研究领域，包含多种技术方法

机器学习的典型应用案例覆盖推荐系统（如视频商品推荐）、自然语言处理（如Google翻译、Siri）、计算机视觉（如自动驾驶障碍物识别）等六大领域机器学习的发展历程：从理论到深度学习大模型

早期思想与理论基础（1940—1960年）以图灵测试、赫布型学习规则、感知机模型为标志，奠定神经网络发展基础知识工程与符号主义（1960—1980年）聚焦基于规则的专家系统，经典算法如K近邻、决策树在此阶段提出统计学习与神经网络突破（1980—1990年）反向传播算法解决多层神经网络训练问题，支持向量机、贝叶斯网络等技术涌现数据驱动与集成学习兴起（2000年起）互联网普及带来海量数据，集成学习（随机森林、AdaBoost）与非监督学习（PCA、K-means）得到发展深度学习崛起（2010年起）ImageNet竞赛中卷积神经网络夺冠，循环神经网络、生成对抗网络、强化学习（AlphaGo）取得突破性进展现代机器学习与AI广泛应用（2020年起）Transformer模型引领NLP飞跃，多模态学习、自动化机器学习兴起，伦理与公平性成为研究热点机器学习技术分类：三大核心学习方式

监督学习：依赖标注数据的训练方式利用输入与输出配对的标注数据训练，分为分类（如水果识别）与预测（如房价预测）问题

无监督学习：挖掘数据内在结构的学习方式无需标签数据，通过关联学习（如社交好友推荐）与聚类学习（如银行客户分群）分析数据模式

半监督学习：融合标注与无标注数据的学习方式利用少量有标签数据与大量无标签数据构建模型，在NLP、医学图像分析等标记成本高的场景中价值显著常见机器学习算法（一）：线性回归与K近邻

线性回归：连续型输出的线性建模假设目标值为特征线性组合，通过最小化均方误差找到最佳拟合直线，如房地产公司用“售价=4×房屋面积”预测房价

K近邻算法：基于距离的分类回归方法通过测量特征距离分类，K值选择敏感，优点是简单易实现、支持多分类，缺点是计算量大、对参数敏感常见机器学习算法（二）：决策树与支持向量机决策树：可解释性强的树形分类模型以属性为结点构建分类模型，叶子结点表征类别，如贷款审批模型通过年龄、房产、收入等特征决策，可解释性好支持向量机：最大化间隔的分类器核心是找到特征空间中间隔最大的线性分类器，通过核技巧实现非线性分类，支持向量为距离超平面最近的训练样本点常见机器学习算法（三）：集成学习与随机森林

集成学习：结合弱分类器提升性能通过集成多个弱分类器提高整体模型准确率，随机森林是其典型应用，采用有放回抽样与随机特征选择增强泛化能力

随机森林的预测策略分类任务采用多数投票法，回归任务取预测值平均值，可同时处理分类与回归问题，如预测房价、温度等连续数值深度学习：AI突破的关键驱动力03深度学习概述：定义与核心优势

深度学习的定义与核心逻辑是机器学习的重要分支，以人工神经网络为核心，模拟人脑神经元连接方式，从原始数据中自动提取多层次抽象特征

深度学习与传统机器学习的区别传统机器学习依赖人工设计特征，深度学习自动提取特征，在处理高维、复杂数据（图像、文本、语音）时表现更出色深度学习与AI、机器学习的关系三层技术的包含关系深度学习是机器学习的子领域，机器学习是AI的分支，三者呈“深度学习→机器学习→AI”的包含关系深度学习的崛起意义早期AI依赖人工规则，传统机器学习处理高维数据能力有限；2012年以来，深度学习模型推动AI从实验室走向产业应用，如自动驾驶、智能语音助手人工神经网络：深度学习的核心结构

人工神经网络的生物灵感与结构灵感来自人脑神经元，由输入层、隐藏层、输出层组成，输入层接收外部数据，隐藏层核心处理信息，输出层生成最终结果

神经网络的主要类型分为前馈型（无反馈，如卷积神经网络）和反馈型（有反馈，如Hopfield网络），具备非线性、并行处理、容错性等特征卷积神经网络：擅长图像任务的深度学习模型

卷积神经网络的架构与数据传递输入图像经卷积层、池化层处理得到特征图，最后通过全连接层输出分类结果，如识别鸡排、鸡腿、鸡翅的图像分类实例

核心组件的功能解析卷积层提取局部特征并共享权重，池化层降低特征图大小增强鲁棒性，全连接层连接特征提取与分类/回归阶段生成对抗网络：生成逼真数据的创新模型生成对抗网络的核心框架由生成器（G）和判别器（D）组成，G生成模拟数据，D判别数据真假，通过对抗训练提升生成数据的逼真度生成对抗网络的工作原理以图像生成为例，G接收随机噪声生成图像，D判断图像是否真实，二者博弈使G生成的图像逐渐逼近真实数据自然语言处理：人机语言交互的桥梁04自然语言处理概述：交叉领域与核心任务

NLP的交叉领域属性是计算机科学、AI与语言学的交叉领域，目标是让计算机理解、生成和交互自然语言，实现人机自然交流

核心任务分类：理解与生成自然语言理解包括词性标注、信息抽取、分词、文本分类等；自然语言生成包括机器翻译、语音识别、问答系统、自动摘要等机器翻译：跨语言沟通的技术实现

机器翻译的定义与优势利用计算机技术自动转换源语言与目标语言，核心优势是高效性与低成本，现代技术已接近人工翻译效果

技术演进的三个阶段从基于规则（依赖语法规则与词汇库）、基于统计（分析双语文本统计关系）到基于神经网络（Transformer模型提升准确性），神经机器翻译成为当前主流智能问答：所问即所得的交互体验

智能问答的核心目标区别于搜索引擎返回链接，直接提供准确简洁的答案，实现“所问即所得”，如回答“地球直径”直接返回具体数值智能问答系统的主要类型包括基于知识库（依赖预定义知识库）、基于检索（从文本数据检索片段）、基于对话（多轮交互理解上下文）、基于生成（实时生成答案）四类系统计算机视觉：机器“看”世界的技术05计算机视觉概述：定义与人类视觉的差异

计算机视觉的定义与核心功能使计算机从图像、视频中获取信息的技术，在自动驾驶、安防监控、医疗诊断等领域发挥重要作用，赋予机器洞察世界的能力

与人类视觉的对比分析人类视觉通过长期环境训练分辨物体，计算机视觉通过大量图像数据快速训练，在检测细微缺陷、高精度识别任务中超越人类计算机视觉的工作原理与核心任务

工作原理的两大核心技术依赖机器学习（从数据中学习视觉信息上下文）与卷积神经网络（分解图像像素，通过卷积运算提取特征）实现图像理解

计算机视觉的核心任务包括图像分类与识别、物体检测与分割、人体分析、三维计算机视觉、视频理解与分析五类，覆盖从静态图像到动态视频的处理语音识别：让机器听懂人类语言06语音识别概念与原理语音识别的定义与多学科属性让智能设备听懂人类语音的技术，涉及数字信号处理、AI、语言学等多学科，应用于自动客服、语音翻译等领域基于模式匹配的核心原理本质是基于语音特征参数的模式识别，流程包括预处理（分帧、加窗等）、特征提取（MFCC等参数）、模式匹配（失真判决准则识别）语音识别技术的主要类型

模型匹配法与概率统计方法模型匹配法包括动态时间规整（非线性规整技术）、矢量量化（信号压缩技术）；概率统计方法包括高斯混合模型、隐马尔科夫模型

判别器分类方法包括支持向量机、人工神经网络、深度神经网络等，深度神经网络替换GMM模型建模观测概率，提升识别性能大模型：AI能力涌现的新形态07大模型的特点与发展历程大模型的核心特点具备巨大规模（数十亿参数）、涌现能力（突破规模后产生复杂能力）、多任务学习、大数据训练、强大计算资源依赖等特点大模型的发展历程从早期理论探索（1940—1960年）、深度学习兴起（2006年起）、迈向更大规模（2015年后）到超大规模模型时代（2018年至今），参数从数十亿增长到上万亿大模型的分类与常用模型大模型的主要分类按输入数据类型分为语言大模型（处理文本，如GPT系列）、视觉大模型（处理图像，如ViT系列）、多模态大模型（处理多类型数据，如DALL·E）常用大模型的生态布局涵盖OpenAI、Google、百度、阿里巴巴等机构的模型，如ChatGPT-4.0推理能力强、文心一言结合中文语境、通义千问代码能力突出其他人工智能相关技术08脑机接口与知识图谱技术

脑机接口技术：脑与外部设备的直接连接在人或动物脑与外部设备间建立直接通道，实现信息交换，应用于神经康复、残疾辅助、人机交互等领域

知识图谱：结构化的语义知识库以结点和边组成图结构，描述概念及其相互关系，实现语义表示与推理，应用于数据挖掘、信息检索、智能问答等领域人机交互与自主无人系统技术

人机交互：优化系统与用户的交互关系研究系统与用户交互关系的学科，通过用户界面设计、AI技术等优化交互体验，提升人机交互的方便性与高效性

自主无人系统：无需人工干预的自主运行借助先进技术实现自主操作管理，应用于无人驾驶、无人机、空间机器人等领域，实现危险环境与任务的无人化执行本章小结09本章小结：AI核心技术体系回顾核心技术模块系统回顾

机器学习分三类学习方式与多种算法，深度学习以神经网络为核心，自然语言处理实现语言交互，计算机视觉让机器“看”世界，语音识别基于模式匹配，大模型展现涌现能力技术框架与应用潜力总结

整体展示AI技术框架，涵盖从基础到前沿的全链条技术，呈现其在多领域的应用潜力，为后续学习与实践奠定基础THEEND谢谢第3章

WPSAI智慧办公CONTENTS目录01

本章学习目标02

办公软件概述03

文档处理的AI功能04

表格与数据AI应用05

演示文稿AI创作CONTENTS目录06

WPS灵犀：AI个人助理07

本章小结本章学习目标01智慧办公的时代背景

办公软件的智能化转型传统办公工具局限于文档处理，AI技术推动其升级为集成智能功能的“智慧办公平台”，覆盖文档、数据、演示全流程。

WPSOffice的核心优势作为国产办公软件代表，WPSOffice以轻量化、兼容性、智能化为特色，支持跨端同步与多人协作，适配个人与企业需求。本章学习目标

01知识与技能目标了解WPSOffice发展历程与AI技术应用逻辑，掌握文字、表格、演示的AI功能操作，提升办公效率。

02实践与应用目标综合运用WPS灵犀解决实际问题，实现文档智能生成、数据快速分析、演示文稿高效设计。办公软件概述02WPSOffice产品矩阵

基础办公组件WPS文字支持200+格式兼容与AI排版；WPS表格含400+函数与AI数据分析；WPS演示提供3000+模板与AI一键生成功能。

特色工具与服务PDF全功能处理（OCR识别准确率99.8%）、WPSAI智能助手、云协作与跨端同步，适配国产操作系统与企业级需求。技术架构与创新优势

兼容性与轻量化突破自主研发V8排版引擎实现与MicrosoftOffice格式“一字不差”兼容，安装包不足500MB，启动速度快于行业平均水平。

安全与合规能力通过国密三级加密与ISO27001认证，提供私有化部署方案，2024年信创办公软件市场占有率领先。市场地位与生态布局

用户与客户覆盖国内PC端渗透率高，移动端月活过亿，服务超30万家机构，海外市场营收占比持续提升。生态系统建设聚合1亿+免费模板与素材，开放300+API支持第三方插件开发，推出适老化版本与绿色办公方案。文档处理的AI功能03智能写作：高效内容生成

帮我写：主题式内容生成输入提示词即可生成放假通知、工作总结等20+文体，支持文档大纲与全文创作，如生成国庆节放假通知仅需输入主题与接收方。

伴写：实时续写与风格适配开启伴写功能后，AI根据上下文提供续写建议，支持教师、行政等专业角色选择，提升写作针对性。

帮我改：文本优化与格式转换提供纠错、缩写、扩写、风格转换（如党政风、学术化）等功能，例如将文本转为更正式风格或生成表格格式。智能排版：一键美化文档

通用文档排版一键识别文档结构，匹配最优布局与样式，如将杂乱文本自动整理为层次清晰的格式，节省手动调整时间。

论文排版：高校模板适配选择学校名称即可获取对应模板，自动完成格式设置（如字体、行距、目录生成），提升论文规范度与效率。智能校对与内容辅助智能校对：错误检测与修正通用校对可识别拼写、语法错误，如“写同”自动改为“协同”，支持一键替换，提升文档准确性。内容辅助工具全文总结提取核心观点，AI总结生图将文本转为可视化图表，文档问答通过自然语言交互快速获取信息，如提问“第一章主要内容”即可得到结构化回答。表格与数据AI应用04智能公式生成

自然语言转公式在单元格输入“=AI”并唤起助手，描述需求（如“计算B列房租总和”）即可自动生成SUM函数，无需记忆函数语法。

批量计算与填充生成单个公式后，通过自动填充功能完成多列计算，如C列水电、D列人员工资的总计，提升数据处理效率。条件标记与筛选排序

条件标记：异常数据高亮输入提示词“标记大学物理低于70分的同学”，AI自动识别并高亮对应单元格，便于快速定位问题数据。

筛选排序：智能数据分析输入“筛选总成绩低于240分的同学”或“根据课程名称排序”，AI自动完成数据筛选与排序，无需手动设置条件。数据可视化与透视表

AI推荐图表：直观展示数据输入“分析数据并推荐图表”，AI自动生成柱形图