人工智能导论-教学大纲（人文社科专业通识类24学时版）

PAGE14《人工智能导论》课程大纲（2026版·人文社科专业通识类24学时版）开课学院：【待补充】制定人：【待补充】2026年05月13日目录TOC\o"1-3"\h\z\u一、课程简介 3（一）中文简介 3（二）外文简介 3二、课程目标 4（一）课程教学目标 4（二）课程目标分解 4（三）课程思政目标 5三、考核及成绩评定方式 6（一）考核及成绩评定方式 6（二）考核及成绩评定方式表格 6四、课程教学内容、学习成效要求 6（一）教学内容与学时 6五、教学安排及方式 13（一）教学安排及方式 13（二）教学目标及方式 13六、教材及参考资料 13（一）建议教材 13（二）参考书 13课程编号：【待补充】课程名称：人工智能导论英文名称：IntroductiontoArtificialIntelligence学分：1.5学业负担估计：24学时先修要求：无严格先修课程要求，建议具备基本计算机应用能力和信息素养大纲更新时间：2026-05-13一、课程简介（一）中文简介《人工智能导论》是一门面向人文社科专业学生开设的人工智能通识课程。课程立足人工智能技术的发展脉络、典型应用与社会影响，重点介绍人工智能基本概念、技术流派、生成式人工智能、智能体系统、人工智能实践、前沿应用以及安全伦理与治理等内容。人文社科专业通识类版本以概念理解、应用认知、案例分析和价值判断为主，适当压缩数学推导和工程细节，帮助学生建立理解、使用和评价人工智能技术的基本能力。本课程注重理论学习与实践应用相结合，既强调人工智能数学基础、机器学习和深度学习等核心知识的系统学习，也关注大语言模型、多模态大模型、生成式人工智能、智能体系统、模型部署、智能无人系统、人工智能安全与伦理治理等前沿方向。通过本课程学习，学生能够建立较为完整的人工智能知识体系，理解现代人工智能技术的基本原理、典型方法和应用场景，具备分析人工智能问题、理解人工智能系统、应用人工智能工具解决实际问题的初步能力，并形成面向未来智能科技发展的持续学习意识和工程实践意识。（二）外文简介IntroductiontoArtificialIntelligenceisageneraleducationcourseonartificialintelligence(AI)designedforstudentsmajoringinhumanitiesandsocialsciences.Thecoursefocusesonthedevelopment,typicalapplications,andsocialimpactofAItechnology,introducingfundamentalconcepts,technologicalschoolsofthought,generativeAI,intelligentagentsystems,AIpractice,cutting-edgeapplications,andsafetyethicsandgovernance.Thisgeneraleducationversionforhumanitiesandsocialsciencesemphasizesconceptualunderstanding,applicationcognition,caseanalysis,andvaluejudgment,appropriatelycondensingmathematicalderivationsandengineeringdetailstohelpstudentsbuildbasicabilitiestounderstand,use,andevaluateAItechnology.Thiscourseemphasizestheintegrationoftheoreticallearningandpracticalapplication.ItstressesthesystematiclearningofcoreknowledgesuchasthemathematicalfoundationsofAI,machinelearning,anddeeplearning,whilealsofocusingoncutting-edgedirectionssuchaslargelanguagemodels,multimodallargemodels,generativeAI,intelligentagentsystems,modeldeployment,intelligentunmannedsystems,andAIsafetyandethicalgovernance.Throughthiscourse,studentswillbuildarelativelycompleteknowledgesystemofAI,understandthebasicprinciples,typicalmethods,andapplicationscenariosofmodernAItechnology,possessthepreliminaryabilitytoanalyzeAIproblems,understandAIsystems,andapplyAItoolstosolvepracticalproblems,anddevelopacontinuouslearningawarenessandengineeringpracticeawarenessforthefuturedevelopmentofintelligenttechnology.二、课程目标（一）课程教学目标本课程旨在帮助人文社科专业学生理解人工智能的基本概念、发展脉络、典型应用和社会影响，建立面向智能社会的人工智能通识认知框架。通过本课程学习，学生应能够说明人工智能、生成式人工智能和智能体系统的基本含义，识别人工智能工具的能力边界与应用风险，结合教育、传媒、法律、管理、文化传播和社会治理等场景分析人工智能技术的影响。同时，本课程注重培养学生的数字素养、批判性思维、创新意识和伦理责任意识，使学生能够正确认识人工智能技术对知识生产、社会交往、公共治理和职业发展的影响，形成规范、审慎、负责任地使用人工智能工具的价值观。（二）课程目标分解（1）课程目标1：理解人工智能的基本概念、发展脉络与技术图景。了解人工智能的基本内涵、发展阶段、主要技术流派和典型应用，能够说明生成式人工智能、大语言模型、多模态模型和智能体系统在当前社会中的重要影响。（2）课程目标2：理解人工智能主要方法的基本思想。了解数据、模型、训练和优化等基本概念，理解机器学习、深度学习、强化学习等方法的基本作用，不要求掌握复杂数学推导和工程实现细节。（3）课程目标3：认识生成式人工智能与智能体系统的应用价值和能力边界。能够结合文本生成、图像生成、智能助理、工作流自动化等案例，分析人工智能工具的适用场景、局限性和潜在风险。（4）课程目标4：具备人工智能工具使用与案例分析能力。能够在学习、研究和专业实践中规范使用常见人工智能工具，能够围绕人文社科领域典型场景分析人工智能应用的流程、价值和问题。（5）课程目标5：形成面向智能社会的伦理责任与治理意识。了解人工智能安全、隐私保护、算法公平、内容真实性、知识产权和治理规范等问题，能够对人工智能带来的社会影响进行初步评价。（三）课程思政目标本课程坚持知识传授、能力培养与价值塑造相统一，在讲授人工智能理论、方法与应用的过程中，引导学生正确认识人工智能技术发展与国家战略需求、科技自立自强、产业升级和社会治理之间的关系。通过介绍我国在大模型、智能无人系统等领域的发展实践，增强学生的科技报国意识、创新使命感和社会责任感。课程还将结合人工智能安全、隐私保护、算法公平、伦理治理、生成式人工智能内容风险等内容，引导学生树立正确的技术价值观，认识人工智能技术既具有推动社会进步的重要作用，也可能带来安全、伦理、隐私和治理方面的复杂挑战。通过课程学习，学生应形成负责任的人工智能应用意识，在未来学习、科研和工程实践中坚持科学精神、伦理底线、法治意识和社会责任。主要思政元素包括：科技强国与人工智能发展战略；科技自立自强与原始创新意识；人工智能赋能产业升级与社会治理；人工智能伦理、安全与隐私保护；算法公平与技术责任；生成式人工智能的规范使用；工程实践中的严谨态度与责任意识；面向未来智能社会的持续学习能力和使命担当。三、考核及成绩评定方式（一）考核及成绩评定方式本课程的考核以课程目标达成为主要依据，重点考查学生对人工智能基本概念、核心方法、典型应用及相关伦理治理问题的理解与分析能力。最终成绩由平时成绩、专题研讨成绩、期末考试成绩三部分组成，各部分所占比例如下：1.平时成绩：20%。分为课后作业和课程表现两部分。课后作业：每节课之后布置常规作业，考察学生对每堂课知识点的复习、理解和掌握程度；课程表现：主要考察课堂出勤、随堂讨论的积极性。2.专题研讨成绩：20%。采取线上与线下相结合的方式，针对人工智能前沿技术、典型应用案例等主题进行主题辩论或小组讨论，考察学生的资料搜集与观点表达能力。3.期末考试成绩：60%。主要考核学生对核心知识掌握和运用的能力。（二）考核及成绩评定方式表格成绩组成部分平时作业专题研讨期末考试合计占比20%20%60%100%分值202060100四、课程教学内容、学习成效要求（一）教学内容与学时1.绪论（4学时）1.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.AI发展脉络：达特茅斯会议、AI发展的第一次寒冬与复兴、AI发展的第二次寒冬与第三次兴起；2.前沿突破：大语言模型、多模态AI、强化学习、技术融合与伦理挑战；3.三大技术流派：符号主义、连接主义、行为主义的基本思想；4.生成技术兴起：前AI生成时代、早期生成模型、AI生成技术的腾飞、AI生成内容的爆发；5.AI成熟度曲线：边缘AI、负责任AI、AI生成内容、具身智能、AI仿真、世界模型、量子AI、AGI。1.2学习成效要求：（1）理解人工智能的基本概念、研究目标和主要应用领域，能够说明人工智能与机器学习、深度学习等概念之间的关系；（2）了解人工智能发展的主要阶段，能够概括人工智能技术从早期探索到现代大模型和生成式人工智能的发展脉络；（3）掌握符号主义、连接主义和行为主义三大技术流派的基本思想，能够比较不同技术路线的特点与适用场景；（4）初步了解人工智能发展中的挑战与解决方案。1.3重点、难点：重点：人工智能的基本概念与发展脉络；人工智能三大技术流派；生成式人工智能和大模型技术的发展趋势。难点：不同人工智能技术流派之间的思想差异；人工智能范式演进与当前前沿技术之间的内在联系；人工智能技术发展与社会影响之间的关系。1.4作业及课外学习要求：完成本章课后习题；查阅人工智能发展史相关资料，梳理人工智能发展过程中的重要事件。2.人工智能数学基础（1学时）2.1教学内容：本章以概念介绍为主，介绍数据、模型、目标函数和训练过程的基本概念，帮助学生理解人工智能系统如何从数据中学习规律；简要说明回归、分类、优化、过拟合和泛化等概念，不展开数学推导和算法求解细节。2.2学习成效要求：（1）了解数据、模型、目标函数和训练过程的基本含义；（2）能够用通俗语言说明回归、分类、优化、泛化和过拟合等概念；（3）理解人工智能模型从数据中学习规律并应用于新情境的基本思路；（4）认识数学方法在人工智能中的支撑作用，但不要求掌握复杂推导。2.3重点、难点：重点：数据、模型、目标函数、训练过程、回归与分类、泛化与过拟合。难点：用非数学化方式理解人工智能模型的学习机制，以及数据、模型和应用结果之间的关系。2.4作业及课外学习要求：阅读一个人工智能应用案例，分析其中的数据来源、模型目标和可能存在的偏差或局限。3.机器学习基础（2学时）3.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.经典统计学习：逻辑回归、支持向量机；2.关键应用问题：线性不可分（核技巧、决策树）、标签缺失（K-means、主成分分析）、模型评估；3.典型应用场景：表格数据处理、归因分析与预测；4.深度学习基础：从特征工程到表示学习、多层感知机、激活函数、反向传播、MLP局限性；5.主流网络结构：CNN、RNN、Transformer、图神经网络；6.强化学习基础：强化学习基本要素、价值函数、探索与利用、采样与估计；7.深度强化学习与多智能体：Q-learning、策略梯度、PPO、多智能体协作与博弈。3.2学习成效要求：（1）理解机器学习的基本概念、任务类型和基本流程，能够说明监督学习、无监督学习和强化学习的区别；（2）了解经典统计学习方法的基本思想，能够结合实际问题理解机器学习算法的应用场景；（3）理解深度学习的基本思想，掌握多层感知机和主流神经网络结构的基本概念；（4）理解强化学习中的智能体、环境、状态、动作、奖励和策略等基本概念；（5）了解多智能体强化学习的基本思想，能够认识机器学习方法在复杂决策任务中的应用价值。3.3重点、难点：重点：机器学习基本范式；经典统计学习方法；多层感知机；主流神经网络结构；强化学习基本框架。难点：不同机器学习方法之间的适用边界；深度学习与传统机器学习的关系；强化学习中长期回报、策略优化和环境交互机制的理解。3.4作业及课外学习要求：完成本章课后习题；选取一个典型机器学习应用案例，分析其任务类型、输入输出、模型方法和评价指标。4.深度学习新方法（1学时）4.1教学内容：本章以应用认知为主，简要介绍自监督学习、迁移学习、模型轻量化和模型可解释性等深度学习新方法，重点理解这些方法为何影响人工智能应用的效率、可信度、可部署性和社会接受度，不展开分布式训练、混合精度训练等工程实现细节。4.2学习成效要求：（1）了解自监督学习、迁移学习和模型轻量化的基本作用；（2）能够说明模型效率、可解释性和可信度为何影响人工智能应用；（3）能够结合案例认识深度学习新方法对生成式人工智能、智能体和行业应用的支撑作用。4.3重点、难点：重点：自监督学习、迁移学习、模型轻量化、模型可解释性。难点：理解模型能力提升、应用效率、可信度和社会风险之间的关系。4.4作业及课外学习要求：选择一个人工智能应用或工具，分析其可能使用的模型能力、应用价值和可信度问题。5.人工智能生成内容（4学时）5.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.生成式AI模型基础：判别式任务与生成式任务，隐变量、采样、概率建模和生成质量评价；2.生成式AI典型模型：GAN、VAE、扩散模型、自回归模型；3.生成式AI应用：文本驱动生成（文生图、文生视频、文生音频）、图像驱动生成（图生文、图生图、图生视频）、其他生成（三维内容生成、分子与蛋白质结构预测）；4.大语言模型：Transformer架构、三类典型架构、规模定律与MoE、指令微调、RLHF/模型对齐、提示工程、思维链、RAG与工具调用；5.多模态大语言模型：架构设计（基础设计、高效架构、混合专家架构、视觉-语言-动作协同架构）、训练策略（渐进式多阶段训练、数据质量优化策略、偏好对齐与奖励对齐）、模型推理（快慢思维混合、细粒度评估、无参数优化、系统级优化）。5.2学习成效要求：（1）理解人工智能生成内容的基本概念，能够说明生成式人工智能与传统判别式人工智能任务之间的区别；（2）掌握生成对抗网络、变分自编码器、扩散模型和自回归模型的基本思想，能够概括不同生成模型的主要特点；（3）了解文本驱动生成、图像驱动生成及其他生成任务的基本形式，能够结合典型应用说明生成式人工智能的应用价值；（4）理解大语言模型的基本架构与技术演进，了解Transformer、预训练、指令微调、模型对齐、提示工程和思维链等关键概念；（5）了解多模态大语言模型的基本架构、训练策略和推理方法，能够认识多模态人工智能在图文理解、跨模态生成和复杂推理中的作用。5.3重点、难点：重点：生成式人工智能模型；生成对抗网络；变分自编码器；扩散模型；自回归模型；大语言模型；提示工程与思维链；多模态大语言模型。难点：不同生成模型之间的原理差异；扩散模型和自回归模型的生成机制；大语言模型从预训练到对齐的技术流程；多模态大语言模型中不同模态信息的融合与推理机制。5.4作业及课外学习要求：完成本章课后习题；选取一个生成式人工智能应用案例，分析其输入形式、生成目标、模型类型和应用场景。6.智能体系统（4学时）6.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.智能体定义：概念、基本特征、发展历程；2.智能体分类等：软件/硬件智能体、单/多智能体，按任务组织方式分类、与大语言模型的关系；3.单智能体：感知与状态建模、推理与规划、决策与行动、反馈与学习；4.多智能体系统：组织形式（集中式、分布式）、角色分工与任务分配、通信协调、协作执行、冲突处理与状态共享；5.典型应用：编程辅助智能体、工作流型智能体、个人助理型智能体。6.2学习成效要求：（1）理解智能体的基本定义和主要类型，能够说明智能体系统与一般人工智能模型之间的区别；（2）了解智能体与大语言模型之间的关系，能够认识大语言模型在智能体感知、推理、规划和交互中的支撑作用；（3）掌握单智能体系统的基本架构，能够说明感知与状态建模、推理与规划、决策与行动、反馈与学习之间的关系；（4）理解多智能体系统的组织形式和协作机制，能够说明角色分工、任务分配、通信协调和冲突处理在多智能体系统中的作用；（5）了解编程辅助智能体、工作流型智能体和个人助理型智能体等典型应用，能够分析智能体系统在实际场景中的应用前景与局限。6.3重点、难点：重点：智能体的定义与分类；智能体与大语言模型的关系；单智能体系统架构；多智能体组织形式；角色分工与任务分配；智能体间通信协调；智能体典型应用。难点：智能体感知、推理、规划、决策与行动之间的闭环关系；多智能体系统中协作执行与冲突处理机制；大语言模型驱动智能体时的能力边界、可靠性和安全性问题。6.4作业及课外学习要求：完成本章课后习题；选择一个智能体应用场景（如编程辅助），分析其系统组成、输入输出、任务流程和可能存在的问题。7.人工智能实践（4学时）7.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.实践三要素：数据、算力、算法；2.开发环境：Python、驱动/CUDA/框架、Docker容器化环境、IDE；3.开发工具箱：主流深度学习框架、模型通用训练过程、典型模型库与组件；4.统计学习实践：Kaggle旧金山犯罪分类预测（任务定义、数据准备与处理、算法实现、算法评估）；5.深度学习实践：电力变压器温度数据集回归预测（数据准备、建模流程、构建模型）；6.强化学习实践：IsaacSim环境、机器人控制接口、RL算法实现、训练流程；7.大语言模型实践：核心能力、提示词工程、常见问题与解决方案、使用注意事项；8.人工智能生成内容实践：多模态理解能力、图像生成、视频生成、综合实践、常见问题与解决方案、使用注意事项；9.部署进阶：模型部署实践、算法竞赛平台实践、行业实践。7.2学习成效要求：（1）理解人工智能实践三要素，能够说明数据、算法和算力在人工智能项目中的作用；（2）了解人工智能开发环境和常用开发工具，能够认识人工智能项目开发、训练、测试和部署的基本流程；（3）了解统计学习、深度学习和强化学习算法实践的基本过程，能够结合案例理解不同算法在实际任务中的应用方式；（4）了解大语言模型实践和人工智能生成内容实践的基本内容，能够认识大模型和生成式人工智能工具在实际应用中的使用方式；（5）了解模型部署、算法竞赛平台和行业实践的基本要求，能够初步认识人工智能工程落地中的效率、稳定性、可维护性和应用适配问题。7.3重点、难点：重点：人工智能实践三要素；人工智能开发环境；人工智能开发工具箱；统计学习算法实践；深度学习算法实践；强化学习算法实践；大语言模型实践；模型部署实践。难点：人工智能项目从算法原型到工程部署的转化过程；不同算法实践流程之间的差异；模型训练、评估、部署和应用之间的衔接关系；人工智能工程实践中性能、成本、可靠性和应用需求之间的平衡。7.4作业及课外学习要求：完成本章课后习题；结合一个人工智能实践案例，梳理其问题定义、数据来源、模型选择、训练过程、评价指标和部署方式。8.人工智能前沿技术（4学时）8.1教学内容：本章以概念介绍、案例理解和应用认知为主，教学内容包括：1.智能无人系统：无人系统概念、智能无人集群、具身智能；2.元宇宙：支撑技术、元宇宙实践；3.AI驱动科学研究：AI4S科研新范式、基础科学建模；4.AI安全与隐私：对抗攻击与防御、数据隐私保护；5.AI伦理与治理：AI伦理与社会、AI全球治理框架；6.通用人工智能：概念、核心能力、技术路径展望。8.2学习成效要求：（1）了解智能无人系统的基本概念，能够说明智能无人集群和具身智能的主要特征及应用场景；（2）了解元宇宙支撑技术和实践应用，能够认识人工智能与虚拟现实、数字孪生和沉浸式交互等技术的