人工智能导论-面向自动化类本科专业 教学大纲

XX大学XXXX学院《人工智能导论》课程教学大纲编写人：XXX审定人：XXX编制时间：2026.4.20审定时间：2026.4.26一、课程基本信息：课程名称人工智能导论英文名称IntroductiontoArtificialIntelligence课程编码sd01730800开课单位XX所课程类别√通识教育必修课程□通识教育核心课程□通识教育选修课程□学科基础平台课程□专业基础课程□专业必修课程□专业选修课程课程性质√必修□选修学分2学时32适用专业大一及以上全校大学生先修课程后续课程物联网应用、智能控制、人工智能课程网站教学团队XXX等课程负责人XXX二、课程描述本课程面向全校各专业本科生，尤其适合人文社科学生，旨在提供一门兼具理论性与应用性的通识课程。课程从人工智能的基本概念、发展历史与伦理问题出发，系统介绍机器感知技术（包括计算机视觉、自然语言理解、语音识别）、机器学习基础理论、大模型技术（包括Transformer架构、注意力机制、多模态融合）、DeepSeek大模型应用、人工智能生成内容（AIGC）以及人工智能在自动化与智能制造领域的应用。通过理论讲解、案例分析与实践演示，使学生深入理解人工智能的核心要素、技术架构与常用算法（包括神经网络、决策树、回归算法、支持向量机、朴素贝叶斯等），掌握大模型的生成原理、微调技术与部署流程，熟悉生成式AI在文本、图像、音频、视频等多模态领域的应用场景。课程特别关注机器感知技术中的图像分类、目标检测、自然语言理解模型以及ChatGPT等实际应用案例。课程强调科学素养与跨学科思维培养，重点关注AI伦理、社会影响与法规问题，指导学生辨识AI技术风险、规范使用各类AI工具（如ChatGPT、DeepSeek等），并能在各自专业领域中识别AI赋能的机会与挑战。教学内容涵盖人工智能算力架构、芯片技术、算力网络等基础设施，以及工业机器人、自动驾驶、智能制造等前沿应用。教学以讲授、讨论与项目驱动为主，设有丰富的案例作业与小型实践项目，旨在拓宽学生技术视野、优化知识结构，为后续深入学习或将AI方法融合入专业研究与工作实际打下坚实基础。课程还将探讨注意力机制、多模态融合技术、表示学习等前沿主题，帮助学生建立完整的人工智能知识体系。三、教学目标本课程面向全校本科生，尤其兼顾人文社科学生，旨在通过系统讲授、案例分析与项目实践，构建学生对人工智能的完整认知框架、实践能力与伦理素养。具体教学目标如下：知识与理解（Know）掌握基本概念与框架：理解人工智能的定义、研究范畴与发展脉络，熟悉主要分支与典型应用场景，如机器学习、深度学习、自然语言处理、计算机视觉、具身智能与机器人系统等。把握前沿热点与产业趋势：认识大模型（包括Transformer、Seq2Seq与微调技术）、生成式AI（AIGC）、多模态融合、联邦学习与可解释性等前沿方向及其在产业中的常见落地案例（例如ChatGPT、文心一言、DeepSeek）。理解伦理与社会影响：掌握与AI相关的隐私保护、算法偏见、责任归属、法规政策与治理框架，形成合规使用与风险识别的理论基础。能力与方法（Ability）掌握核心方法与技术思路：理解监督学习、无监督学习与强化学习的基本原理，熟悉常用算法（回归、决策树、朴素贝叶斯、支持向量机、神经网络、Transformer等）的直观思想、优缺点与适用场景。培养跨学科问题解决能力：能够结合自身专业识别问题，提出基于AI的方法与实现路径，设计基础实验或调研方案，并撰写结构化分析报告或实现小型原型项目。提升信息素养与工具运用能力：熟悉主流AI开发与使用流程（模型训练、微调、评估与部署），掌握大型语言模型接口与生成式AI工具的基本操作，具备对生成内容进行甄别、评价与改进的能力。态度与素养（Attitude）强化创新意识与科学素养：鼓励开放探索、批判性思维与跨界融合，培养以数据与实验为依据的推理习惯与持续学习能力。树立负责任的职业伦理观：倡导尊重隐私、公平与透明的价值观，强调在AI设计与应用中承担社会责任，养成审慎评估风险与遵守法规的职业态度。可评价的课程成果（LearningOutcomes）完成课程后，学生应能够：清晰阐述人工智能的基本概念、发展脉络与主要伦理议题；解释并比较若干常见算法的基本思想与适用场景，并能阐述其局限性；在小组项目中提出结合本专业的AI应用方案，完成方案设计、实现要点说明与基础的风险评估；展示批判性分析能力，识别AI系统中的潜在偏差与伦理风险并提出可操作的改进建议。通过上述目标的实现，学生将在理论理解、实践能力与伦理判断三方面建立坚实基础，具备将人工智能方法有效应用于本专业学习与未来职业发展的能力。四、课程教学内容及学时分配第1章绪论 1.1人工智能概述 1.1.1智能的本质与动物智能 1.1.2人工智能的定义 1.1.3人工智能的分类 1.2人工智能的起源和图灵测试 1.2.1人工智能的起源 1.2.2图灵测试 1.3人工智能的应用领域 1.4人工智能基础框架：要素、体系与系统类型 1.4.1人工智能的核心要素 1.4.2人工智能的学科体系 1.4.3人工智能系统分类 1.5人工智能的研究目标和研究内容 1.5.1人工智能的研究目标 1.5.2人工智能的研究内容 1.6人工智能伦理 习题第2章机器感知技术 2.1计算机视觉 2.1.1图像工程概述 2.1.2图像采集和处理 2.1.3图像分类 2.1.4目标检测与跟踪 2.1.5图像分割 2.1.6图像理解 2.2自然语言理解 2.2.1自然语言理解概述 2.2.2自然语言理解的基本理论与发展 2.2.3自然语言理解的主要模型 2.2.4ChatGPT——自然语言理解应用实例 2.3语音识别 2.3.1语音识别技术的发展历程与现状 2.3.2语音识别基本原理 2.3.3语音识别关键技术和方法 习题第3章机器学习 3.1机器学习概述 3.1.1机器学习的发展 3.1.2机器学习的定义 3.1.3机器学习的研究内容 3.2基于学习方式的分类 3.2.1监督学习 3.2.2无监督学习 3.2.3强化学习 3.2.4机器学习的其他分类 3.3机器学习的基本结构 3.3.1环境 3.3.2知识库 3.3.3执行部分 3.4.1专注于学习能力 3.4.2神经网络算法 3.4.3决策树算法 3.4.4回归算法 3.4.5支持向量机算法 3.4.6聚类算法 3.4.7朴素贝叶斯算法 3.4.8基于实例的算法 3.5.1数据分析与挖掘 3.5.2模式识别 3.5.3生物信息学应用 3.5.4物联网 3.5.5聊天机器人 3.5.6无人驾驶汽车 习题第4章大模型技术 4.1大模型概述 4.1.1大模型技术的崛起与应用创新 4.1.2技术突破与多领域应用拓展 4.1.3未来展望与可持续发展挑战 4.2.1按模型结构划分 4.2.2按模态划分 4.2.3按微调方式划分 4.2.4带插件系统的大模型 4.3大模型核心技术解析 4.3.1大模型生成原理 4.3.2大模型关键技术 4.3.3大模型核心概念 4.4.1确定项目目标 4.4.2数据集收集与预处理 4.4.3模型设计 4.4.4模型训练 4.4.5模型部署 4.4.6开源资源和开发者支持 4.4.7评估和反馈 4.4.8模型应用 4.5Transformer模型 4.5.1Transformer模型的工作原理 4.5.2Transformer模型的编码器与解码器 4.5.3Transformer模型编码器层 4.5.4Transformer模型解码器层 4.5.5Transformer模型框架 4.6大模型应用领域 4.6.1金融领域 4.6.2政府领域 4.6.3医疗领域 4.6.4教育领域 4.6.5电商领域 4.6.6自动驾驶领域 4.6.7工业领域 4.6.8农业领域 4.6.9物流领域 4.6.10文化娱乐领域 习题第5章注意力机制与多模态融合 5.1智能时代的大模型与高性能变革 5.1.1大模型：智能时代的变革引擎 5.1.2高性能大模型 5.2注意力机制 5.2.1注意力机制的基本原理 5.2.2注意力机制的变革与发展 5.2.3高性能注意力机制GQA与MLA 5.3大模型的外拓：多模态融合 5.3.1多模态融合技术 5.3.2融合策略与技术 5.3.3深度学习在多模态融合中的应用场景 5.4注意力与多模态融合的未来展望 5.4.1融合技术的创新方向 5.4.2注意力机制的前沿探索 习题第6章人工智能的算力与架构 6.1人工智能算力的定义、分类和评估 6.1.1人工智能算力的定义 6.1.2人工智能算力和芯片的分类 6.1.3人工智能算力的评估 6.1.4AI芯片数据预处理 6.2人工智能芯片的发展与前沿趋势 6.2.1人工智能芯片的发展 6.2.2人工智能芯片的前沿趋势 6.3人工智能算力网络 6.3.1人工智能算力网络的定义和特征 6.3.2人工智能算力网络的基本架构和工作机制 6.3.3人工智能算力网络的关键技术 6.3.4人工智能算力网络应用示例 6.4普适人工智能算力网络 6.4.1普适人工智能算力网络的基本架构 6.4.2普适人工智能算力网络的应用示例 习题第7章DeepSeek大模型与应用 7.1多模态大模型DeepSeek概述 7.1.1DeepSeek模型简介 7.1.2DeepSeek带来的技术创新 7.1.3DeepSeek的功能 7.1.4DeepSeek的特点 7.1.5DeepSeek的应用场景 7.2DeepSeek使用与提示词技巧 7.2.1DeepSeek的产品形态 7.2.2DeepSeek功能详解 7.2.3DeepSeek的提示词技巧 7.3嵌入式系统应用编程实例 7.4DeepSeek-R1工业大模型：构建高效可信的深度推理与决策体系 7.4.1工业大模型与强推理能力在复杂工业场景中的应用与创新 7.4.2DeepSeek-R1深度推理架构与工业级强推理能力创新 习题第8章人工智能生成内容（AIGC）与应用 8.1生成式人工智能（GAI） 8.1.1GAI概述 8.1.2GAI与AIGC的关系 8.2AIGC内容孪生、编辑与理解 8.2.1内容孪生 8.2.2内容编辑和生成 8.2.3内容理解 8.3AIGC发展历程 8.4AIGC生成技术 8.4.1语言生成方面的技术 8.4.2视觉生成方面的技术 8.4.3多模态方面的技术 8.5生成模型与判别模型 8.5.1生成模型 8.5.2判别模型 8.6AIGC的应用场景 8.6.1文本生成 8.6.2音频生成 8.6.3图像生成 8.6.4视频生成 8.6.5代码生成 8.6.6游戏开发 8.6.7教育与培训 8.7生成模型的原理 8.7.1生成模型的框架 8.7.2生成模型的概率表示 8.7.3生成模型的目标函数 8.7.4生成模型的挑战及解决方法 8.8表示学习 8.8.1表示学习的直观理解 8.8.2表示学习的常用方式 8.8.3表示学习与特征工程的区别 8.8.4图像的表示学习 8.8.5文本的表示学习 8.9表示学习的逆过程 习题第9章人工智能在自动化中的应用 9.1工业机器人种类 9.1.1按照结构分类 9.1.2按照功能分类 9.1.3按照应用领域分类 9.2工业机器人控制系统与软硬件组成 9.2.1工业机器人控制系统的基本原理和主要功能 9.2.2工业机器人控制系统的分层结构 9.3工业人工智能 9.4智能制造 9.4.1智能制造和技术体系 9.4.2智能制造技术 9.5自动驾驶汽车技术 9.5.1自动驾驶系统的架构 9.5.2自动驾驶的功能体系架构 9.5.3自动驾驶闭环控制系统 9.5.4完全自动驾驶（FSD） 9.5.5Transformer在自动驾驶汽车中的应用 9.6机器学习支持的建模在监督和控制中的应用 9.6.1生产过程的控制结构 9.6.2ML-Oracle与机器学习方法 9.6.3用于过程监控的学习系统模型 9.6.4过程控制中的学习模型 五、考核方式及成绩评定方式课程考核将按照本课程的教学目标全面考核学生课程学习的效果，分析课程对毕业要求的达成度。考核成绩由平时成绩和期末考核成绩组成，各占50%。其中，平时成绩包括学生上课是否专心听讲、回答教师提问是否正确，以及分组讨论是否积极、正确、有独特见解等课堂表现，以提高课堂教学效果，培养学生的对新技术的兴趣，并逐步培养其创新能力。作业和课内实践方面要重点培养学生的创新能力，并提高其对新技术探索和自学习的兴趣。