人工智能基础与应用 课件第一章 人工智能概述

第一章

人工智能概述说在课前的话本门课程32课时（16次课）考查课（平时30%期末70%）上课时间：周一下午5-6节、周四（双周）下午5-6节上课要求：目录CONTENTS人工智能初印象01AI发展时间轴02三大流派解析03AI分类全景04人工智能初印象01保险欺诈检测：AI改变行业传统方法的局限传统保险理赔依赖人工审核，效率低下且易出错。面对虚假报案与夸大损失等欺诈行为，人工审核难以快速精准识别，导致保险公司损失巨大。AI技术的突破AI利用自然语言处理与图像识别技术，自动分析报案信息，识别不一致、矛盾与异常模式，快速锁定欺诈线索，提升审核效率与准确性，保护消费者权益人工智能的定义与目标01广义定义人工智能是使机器模仿或执行人类智能行为的技术，涵盖感知、理解、推理、学习、决策与行动等复杂过程，超越简单计算与自动化任务。02六项核心能力感知能力通过传感器获取外界信息；理解能力深加工信息提取知识；推理能力基于知识逻辑得出结论；学习能力积累经验提升智能；决策能力制订最优方案；行动能力实现目标。03目标目标是创造能以类似人类智能方式响应的智能机器，执行通常需要人类智能才能完成的任务，如知识表示、规划、自然语言处理、感知、模式识别与创造等。AI四大核心要素应用场景应用场景是人工智能技术的落地实践，广泛涵盖智能制造、智能交通、智能医疗、金融服务、教育娱乐等领域，推动相关产业转型升级。数据数据是人工智能的基础，被视为‘新的石油’，是驱动算法学习、优化和决策的关键资源。高质量、大规模、多样化的数据集对训练有效模型至关重要。算法算法是人工智能的灵魂，定义了如何从数据中提取信息、学习规律、做出预测或决策。从传统机器学习到现代深度学习算法，算法的进步推动了人工智能的发展。算力算力是支撑人工智能算法运行的硬件基础。随着算法复杂度增加，对算力资源的需求日益增长，高性能计算和云计算等技术为人工智能提供了强大支持。AI发展时间轴02图灵测试与达特茅斯会议图灵测试1950年，艾伦·图灵提出图灵测试，以评估机器是否具备人类智能，为人工智能发展奠定理论基础，图灵也因此被誉为‘计算机科学之父’‘人工智能之父’。达特茅斯会议1956年，达特茅斯会议上，约翰·麦卡锡首次提出‘人工智能’术语，标志着该学科正式诞生，麦卡锡凭借对AI的卓越贡献获得图灵奖。01初步探索20世纪50—70年代，人工智能处于初步探索阶段，研究集中在逻辑推理、问题求解与棋类游戏等领域，IBM的深蓝计算机击败卡斯帕罗夫成为标志性事件。02局限与低谷受限于当时计算机技术和算法成熟度，早期人工智能系统只能处理简单问题，效率低下、成本高昂，导致20世纪70年代末进入第一次低谷。03启示这一阶段表明，人工智能的发展并非一帆风顺，技术周期的波动提醒我们在追求技术创新的同时，要关注技术的成熟度与实际应用的可行性。早期探索与第一次低谷知识工程与专家系统时代知识工程兴起20世纪80年代，知识工程成为人工智能的主要研究方向，将人类知识和经验形式化、结构化，存储在计算机中，以便机器利用这些知识进行推理和决策。专家系统应用专家系统是知识工程的重要应用，模拟人类专家的决策过程，为特定领域问题提供解决方案，如MYCIN系统可诊断血液感染疾病并提供治疗方案。阶段意义该阶段证明了人工智能在解决实际问题中的巨大潜力，但也暴露出规则维护与领域局限的挑战，为后来统计学习方法的兴起奠定了反思基础。机器学习与深度学习浪潮浪潮背景21世纪以来，大数据的兴起和计算能力的飞速提升，推动了机器学习尤其是深度学习成为人工智能发展的主要驱动力。01技术突破机器学习使机器自动从数据中学习并改进性能，深度学习通过构建深层神经网络模拟人脑学习过程，在图像识别、语音识别、自然语言处理等领域取得显著进展。02新方向涌现强化学习、生成对抗网络等新方向不断涌现，为人工智能在游戏、机器人控制、创意产业等领域提供了新的可能性，推动技术持续演进。03三大流派解析03符号主义：逻辑与规则之道核心思想符号主义学派以数理逻辑为基础，用离散符号表示世界，通过推理与搜索求解问题，认为世界由符号间关系构成。代表成果专家系统、知识工程是其代表成果，IBM的深蓝计算机击败卡斯帕罗夫成为巅峰案例，展示了符号主义在特定领域的强大能力。现状与局限随着第五代计算机项目受挫与互联网兴起，专家系统逐渐演变为规则引擎，符号主义仍聚焦推理、规划等高级智能行为，但独立专家系统公司已少见。连接主义：仿生神经网络的崛起理论基础连接主义学派以神经科学为理论基础，模仿神经元连接机制实现人工智能，认为智能源于仿生学。发展历程从感知机、反向传播算法到深度学习，该学派几经起伏，最终在硬件升级与大数据积累下爆发，AlphaGo战胜柯洁成为标志性事件。广泛应用深度学习已广泛应用于图像识别、语音识别、智能推荐等多个领域，成为人工智能时代的主流技术之一。行为主义：感知—动作的智能观核心观点行为主义学派以控制论与进化论为基础，强调智能取决于感知和行动，认为无需显式知识表示，通过环境交互即可产生智能。代表成果进化算法、多智能体系统、四足机器人‘大狗’等是其代表成果，展示了行为主义在机器人技术等领域的独特优势。发展现状20世纪末，随着自适应与实时决策需求上升，行为主义重获关注，在机器人、自动驾驶等领域取得显著进展。AI分类全景04弱人工智能：垂直领域的专家定义弱人工智能专注于特定任务，缺乏全面自我意识和理解能力，但能在特定领域表现出色。01应用场景在智能制造、交通、医疗、金融、教育娱乐等领域广泛应用，如计算机视觉质检、交通流量预测、病历分析、信用评估、个性化推荐等。02价值弱人工智能通过优化流程、提升效率、降低成本等方式，为各行业带来了显著的经济效益和社会效益。0301定义强人工智能具备与人类相当的通用智能，能执行任何智力任务，拥有理解、创造与自我意识，是人工智能研究的长期目标。02潜在应用在科学研究、社会治理、文化创意、个人助理等领域具有巨大潜力，可辅助实验设计、政策模拟、艺术创作、情感交流等。03挑战强人工智能的实现面临技术、伦理、安全等诸多挑战，如数据隐私、算法道德抉择、可解释性等问题亟待解决。强人工智能：通用智能的愿景按实现方法三分法基于规则依赖预定义的规则和逻辑模拟人类智能，早期专家系统是典型代表，但在处理复杂与不确定性问题时存在局限。基于统计利用大数据和统计模型自动学习并做出决策，机器学习及深度学习属此范畴，适应性强，可处理复杂数据模式。混合方法结合规则与统计方法，如推荐系统同时采用规则过滤与协同过滤，兼具灵活性与准确性，适用于复杂多变环境。按技术架构三分法01集中式将所有智能功能集中在中心节点，适用于小规模简单场景，但存在单点故障和性能瓶颈风险。02分布式将智能功能分散到多个节点协同工作，提高系统可扩展性和可靠性，但需解决数据同步与通信成本问题。03云边协同结合云计算的强大算力与边缘计算的低延迟优势，实现高效、实时、安全的人工智能服务，适应复杂业务需求。总结：AI驱动社会进步技术价