人工智能导论 课件 第1章 绪论

第1章绪论2人工智能源与流——发展简史24小时浓缩人类文明发展史：前22小时50分钟，拓展生理机能边界；最后70分钟，蒸汽机突破肌肉束缚；最后20分钟，创造出延伸人类心智的工具——人工智能。农业文明时代蒸汽和电气时代智能时代3人工智能研究的由来人工智能源与流——发展简史1950年，“计算机科学之父”和“人工智能先驱”阿兰·图灵（AlanTuring）发表划时代论文《计算机器与智能》，首次系统性地探讨了“机器能否思考”这一根本问题，并提出了判断机器是否具备智能的可行标准——“图灵测试”。4什么是人工智能（ArtificialIntelligence，AI）？人工智能源与流——发展简史智能就是学习的能力，以及解释与解决现实问题的能力。将人类智能释放到体外，成为脱离生命体的存在，即为——“人工智能”。人工智能是指算法吗？还是机器人？AI的研究目的可以概括为“通过探索、理解、模仿并扩展人类的智能行为，促使智能主体会听、会看、会说、会思考、会学习，甚至能行动”。5美国新罕布什尔州汉诺威小镇达特茅斯学院人工智能源与流——发展简史参加达特茅斯会议的部分学者1956年，达特茅斯会议，“人工智能元年”61962年，阿瑟·萨缪尔开发的西洋跳棋程序‌击败美国康涅狄格州的西洋跳棋冠军罗伯特·尼利，引起广泛关注。1968年，乔舒亚·莱德伯格领导开发了世界上第一个专家系统DENDRAL。人工智能源与流——发展简史乔舒亚·莱德伯格AI发展的第一次寒冬与复兴运行跳棋程序的IBM7090晶体管计算机硬件算力不足、训练数据缺乏、人工规则不能处理复杂问题等，导致实际能力达不到预期，1970年代初迎来AI发展的第一次寒冬。

7研究思路转换：在特定领域达到甚至超过人类专家水平，知识积累推动应用突破。医疗专家系统DENDRAL➡MYCIN➡INTERNIST，知识从规则化到系统化；XCON取得商业成功人工智能源与流——发展简史AI发展的第一次寒冬与复兴——应用突破"专家系统之父"爱德华·费根鲍姆基于规则的医疗专家系统计算机配置专家系统XCON8卷积神经网络（杨立昆，1989）反向传播算法（杰弗里·欣顿，1986）人工智能源与流——发展简史新技术突破推动人工神经网络向更深层、更复杂方向迈进。AI发展的第一次寒冬与复兴——技术突破91997年，IBM“深蓝”击败加里·卡斯帕罗夫—低谷中的高光人工智能源与流——发展简史1987年，专用硬件市场的崩溃推动AI领域转向基础理论和算法研究AI发展的第二次寒冬与第三次兴起2006年深度学习实现‌从数据中自动学习层次化特征表示，算法取得重大突破‌；基于GPU的并行计算打破了制约模型训练的算力瓶颈；

ImageNet等海量标注数据集，为全球AI模型训练提供数据支持。算法、算力和数据三大要素同时具备，共同开启了AI的黄金时代！

10大语言模型的本质变化是它获得了“理解指令”和“举一反三”的核心能力。人工智能源与流——前沿突破大语言模型的认知革命与技术演进2020年，GPT-3涌现出少样本学习的能力,确立了‌“大规模预训练+提示”‌的新范式。GPT系列大模型以ChatGPT为爆发点，技术演进开始加速11人工智能源与流——前沿突破多模态AI的架构创新与跨模态融合多模态学习教机器同时理解和处理文字、图片、声音等多种不同类型的信息，让它的理解更全面、更可靠。视觉-语言模型将“看”与“说”结合起来，能同时“看懂”图片视频并“听懂”文字视觉语言动作模型整合视觉感知、语言理解与动作控制三大能力，可以实现从环境感知到行为执行的端到端直接输出12人工智能源与流——前沿突破强化学习的算法突破与决策智能化强化学习让智能系统像人一样，通过不断尝试、从结果中学习来成长。让智能体在每个具体情境下，通过与环境互动，找到最佳的行动方式，并获得最大的长期“收益”。特斯拉使用“世界模拟器（WorldSimulator）”生成了汽车行驶过程中针对同一场景的不同视角13人工智能技术版图——三大技术流派符号主义、连接主义和行为主义,代表对智能的不同理解和实现方式符号主义知识表示知识图谱连接主义神经网络深度学习行为主义机器人强化学习AI14艾伦·纽厄尔（AllenNewell），图灵奖得主，人工智能先驱赫伯特·西蒙（HerbertSimon）诺贝尔经济学奖得主‌，人工智能先驱人工智能技术版图——三大技术流派符号主义：通过符号表示知识，并使用逻辑推理模拟从知识到决策的智能实现过程。A*算法：通过启发式公式对当前搜索状态的下界进行估计，并且优先搜索更有潜力的解，在保证正确的前提下，找到到达终点的最短路径。PeterHart‌,‌NilsNilsson,‌BertramRaphael‌，1968“逻辑理论家”（LogicTheorist）程序，195615人工智能技术版图——三大技术流派连接主义：通过模拟大脑神经网络结构，用分布式表示和学习算法来实现学习和认知功能。感知机解决分类问题多层感知机（MLP）16人工智能技术版图——三大技术流派行为主义：把模型对外在环境的感知映射到其自身的具体行动决策来实现智能，重点研究对环境变化的反应性和适应性。沃尔特“乌龟”机器人，1949世界上第一辆可以自主行驶和避障的斯坦福小车，1970s17人工智能技术版图——生成式人工智能前AI生成时代：数据概念分布的学习与生成。所有节点相互连接，信息从所有节点输入和读出信息从可见节点输入和读出，隐藏层负责重建层内节点无连接，通过无监督训练逼近输入数据概率分布18人工智能技术版图——生成式人工智能早期AI生成模型：数据驱动的概率分布建模。隐含狄利克雷分布（LDA）能够自动将大量文本归类到特定主题下，并按照概率分布的形式给出。典型应用：自动给文章打标签‌；‌找相似文档或推荐‌；‌分析舆情和情感；‌构建知识图谱‌。图片源自：李航，《统计学习方法》，北京：‌清华大学出版社，‌2019年。19变分自编码器（VAE）：基于概率推断，显式建模数据的概率分布人工智能技术版图——生成式人工智能AI生成技术腾飞：用神经网络建模概率分布。生成对抗网络（GAN‌）：基于零和博弈，隐式学习真实数据分布Transformer依托自注意力机制，直接建模序列元素的全局依赖关系20人工智能技术版图——生成式人工智能AI生成内容爆发：大规模多模态内容生成触发因素：①GPT、DALL·E和StableDiffusion等大规模生成模型的出现；②HuggingFace等开源平台降低了AI生成模型的开发门槛；③GPU和云计算的普及，以及互联网数据指数增长，支持了超大规模模型的训练。辨析：GAI是“工具”，AIGC是“用工具完成的作品”。21人工智能发展现状——技术成熟度曲线Gartner：创新触发期期望膨胀期幻灭低谷期复苏斜坡期生产力平稳期22人工智能发展现状——技术成熟度曲线成熟时间代表技术当前阶段典型应用场景2年内边缘AI幻灭低谷期自动驾驶、工业质检负责任AI期望膨胀期金融风控、内容审核2-5年AI生成内容幻灭低谷期软件开发、文案写作、影视创作具身智能创新触发期智能制造、康复医疗5-10年AI仿真创新触发期工业制造、城市治理与防灾减灾世界模型创新触发期自动驾驶、机器人、工业自动化10年以上量子AI创新触发期药物研发、复杂系统模拟AGI创新触发期通用AI助手、开放域科学发现代表性AI技术成熟度和应用情况人工智能发展现状——2年内进入生产力平稳期边缘AI技术：在云端训练模型，在边缘端执行推理，再将数据回传云端以优化模型，形成自主学习的闭环。应用场景：满足工业场景对实时性、数据隐私和成本控制的要求智能摄像头可穿戴心电图设备2324深度伪造检测人工智能发展现状——2年内进入生产力平稳期负责任AI：以安全、可靠和合乎道德的方式开发、评估和部署AI系统的方法，核心是让AI贯彻人类价值观和社会责任医疗诊断线上招聘25人工智能发展现状——2～5年内跨越幻灭低谷AI生成内容：推理成本优化和幻觉消除

豆包大模型UltraMem推理时间最高提升6倍，内存成本降低10倍以上检索增强生成（RAG）集合工具调用，可有效降低模型幻觉率26人工智能发展现状——2～5年内跨越幻灭低谷具身智能：具有物理身体、能通过“感知—行动”闭环与真实世界进行交互，并在交互中学习和演化的AI系统典型场景：仓储分拣柔性装配家用服务机器人……宇树科技G1人形机器人搭载Unitree机器人统一大模型27人工智能发展现状——5～10年内由研究走向产业AI仿真：将AI与传统仿真结合，构建数字化模型、模拟真实系统的运行规律与交互逻辑，实现对物理世界的动态复刻、预测分析与优化决策核心优势：‌运算效率极高。‌非线性模拟能力强‌。‌数据处理能力突出。‌学习迭代速度快。技术瓶颈：仿真到真实的迁移成功率上海“人工智能+气象”应用“雨师”短临预警模型预报结果28人工智能发展现状——5～10年内由研究走向产业世界模型：用于模拟环境动态并预测未来状态的AI核心技术框架，通过多模态数据训练构建系统内部表征，需具备生成性、多模态与互动性三大核心能力。让AI在虚拟世界中思考，在真实世界中行动。代表模型：谷歌ProjectGenie，能实现"凭空造世"——用户输入文字或上传图片，几秒钟内就能生成一个可进入探索的3D虚拟空间。‌‌‌29人工智能发展现状——10年以上远景量子AI：‌量子计算与AI的结合体，旨在用量子算力突破传统AI瓶颈。‌既包括用量子计算机加速AI算法，也包括用AI技术优化量子系统控制。2025年8月，中国科学技术大学利用AI技术成功构建了包含2024个原子的无缺陷量子计算阵列实验装置重排阵列30人工智能发展现状——10年以上远景通用人工智能（AGI）：具备像人类一样跨领域学习、推理与决策能力，在广泛认知任务上达到或超越人类水平的AI系统。2025年10月，北京智源人工智能研究院发布了其开源原生多模态世界模型——悟界・Emu3.5Emu能模拟动态物理世界，让用户以第一人称视角进入参观，并全程保持空间一致性，体现其掌握了世界运行的内在规律。Emu直接一步步生成从狐狸草图到最终手办形态的完整视觉流程，体现其长时程创作能力31人工智能发展现状——挑战与解决方案大模型幻觉：模型在生成内容时产生与事实不符、虚构或误导性的信息。成因：训练数据中的错误或片面信息、模型处理复杂场景的能力局限、对参数化记忆的过度依赖以及对用户模糊提问的“自由发挥”。对策：检验策略：联网搜索验证和双AI交叉检验提示工程：知识边界限定和对抗性提示等技术架构：检索增强生成框架，精细化训练策略32迁移学习：将源任务中学到的知识转移到目标任务中面临数据分布差异、特征空间不匹配等挑战人工智能发展现状——挑战与解决方案泛化性能：模型对训练数据中未出现过的样本做出准确预测或决策的能力。模型的泛化性能差的原因：训练和测试数据分布存在差异，数据数量或代表性不足，数据质量不高。33人工智能发展现状——挑战与解决方案能耗危机：AI数据中心的能源消耗速度约为电网新增电力速度的4倍，这种指数级增长给电力基础设施造成严重压力，导致全球电力分配的结构性调整。根据行业估算，GPT-4单次训练的耗电量高达2.4亿千瓦时，相当于12万户家庭一年用电量我国“算力-电力”共生系统：软件层面：通过优化算法训练更高效的专业模型，从源头节约算力；硬件层面：采用液冷等先进技术及AI自优化系统，大幅降低数据中心能耗；能源保障：发展长时、可靠的储能技术，AI算力中心稳定运行绿色电力并参与电网调度。34人工智能发展现状——挑战与解决方案数据供给：大规模数据采集和标注方法面临成本、隐私和多样性等限制，特别是覆盖“长尾场景”的高质量数据严重不足。高质量数