人工智能导论-教学大纲（32学时版）

PAGE14《人工智能导论》课程大纲（2026版·32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：2.0学业负担估计：32学时先修要求：《高等数学》《线性代数》《概率论与数理统计》等大纲更新时间：2026-05-13一、课程简介（一）中文简介《人工智能导论》是一门面向高等院校学生开设的人工智能通识课程。课程立足人工智能技术的范式演进与前沿发展，系统介绍人工智能的基本概念、发展脉络、数学基础、机器学习方法、深度学习新方法、人工智能生成内容、智能体系统、人工智能实践及人工智能前沿技术等内容。课程以“基础理论—核心方法—前沿应用”为主线，引导学生理解人工智能主要技术流派的基本思想与演进逻辑，认识生成式人工智能、智能体系统等前沿方向的发展趋势，掌握人工智能建模、学习、推理、生成、决策和应用的基本思想。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IntroductiontoArtificialIntelligenceisageneraleducationcourseonartificialintelligenceofferedforundergraduateandgraduatestudentsinhighereducationinstitutions.Thecourseisbasedontheparadigmevolutionandfrontierdevelopmentofartificialintelligencetechnology,andsystematicallyintroducesthebasicconcepts,developmentcontext,mathematicalfoundations,machinelearningmethods,newmethodsofdeeplearning,artificialintelligencegeneratedcontent,agentsystems,artificialintelligencepractice,andfrontiertechnologiesofartificialintelligence.Thecoursetakes“basictheory—coremethods—frontierapplications”asthemainline,andguidesstudentstounderstandthebasicideasandevolutionlogicofthemaintechnicalschoolsofartificialintelligence,recognizethedevelopmenttrendsoffrontierdirectionssuchasgenerativeartificialintelligenceandagentsystems,andmasterthebasicideasofartificialintelligencemodeling,learning,reasoning,generation,decision-making,andapplication.Thiscourseemphasizesthecombinationoftheoreticallearningandpracticalapplication.Itnotonlystressesthesystematicstudyofcoreknowledgesuchasmathematicalfoundationsofartificialintelligence,machinelearning,anddeeplearning,butalsofocusesonfrontierdirectionssuchaslargelanguagemodels,multimodallargemodels,generativeartificialintelligence,agentsystems,modeldeployment,intelligentunmannedsystems,artificialintelligencesecurity,andethicalgovernance.Throughthestudyofthiscourse,studentswillbeabletoestablisharelativelycompleteknowledgesystemofartificialintelligence,understandthebasicprinciples,typicalmethods,andapplicationscenariosofmodernartificialintelligencetechnology,possessthepreliminaryabilitytoanalyzeartificialintelligenceproblems,understandartificialintelligencesystems,andapplyartificialintelligencetoolstosolvepracticalproblems,andformacontinuouslearningawarenessandengineeringpracticeawarenessorientedtowardthefuturedevelopmentofintelligenttechnology.二、课程目标（一）课程教学目标本课程旨在帮助学生系统理解人工智能的基本理论、核心方法、典型应用和前沿发展趋势，建立从基础理论到工程实践的完整认知框架。通过本课程学习，学生应能够理解人工智能的发展历程与技术版图，掌握人工智能数学基础、机器学习、深度学习、生成式人工智能和智能体系统的基本思想，了解人工智能在科学研究、工业应用、智能无人系统等领域的应用方式与发展趋势，具备运用人工智能方法分析问题、解决问题和开展初步实践的能力。同时，本课程注重培养学生的科学思维、工程意识、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社会发展、产业变革、科学研究和人类生活方式的深刻影响，理解人工智能安全、隐私保护和技术规范的重要性，形成负责任地学习、开发和应用人工智能技术的价值观。（二）课程目标分解（1）课程目标1：掌握人工智能的基本概念、发展脉络与技术体系。理解人工智能的基本内涵、发展历史、主要技术流派和技术演进逻辑，了解符号主义、连接主义、行为主义等人工智能技术路线的基本思想，认识生成式人工智能、大语言模型、多模态模型和智能体系统在当前人工智能发展中的重要地位。（2）课程目标2：理解人工智能的基础理论与核心方法。理解人工智能学习的基本框架，掌握回归、分类、优化、泛化、正则化等数学基础知识，了解机器学习、深度学习、强化学习、自监督学习、模型迁移、模型轻量化、分布式训练和混合精度训练等核心方法的基本原理与适用场景。（3）课程目标3：理解生成式人工智能与智能体系统的基本原理。理解生成对抗网络、变分自编码器、扩散模型、自回归模型、大语言模型和多模态大语言模型的基本思想，了解提示工程、思维链、模型对齐等关键概念；同时能够理解智能体的定义、分类、单智能体系统架构、多智能体组织协作机制及其在编程辅助、工作流自动化和个人助理等场景中的应用。（4）课程目标4：具备人工智能实践应用与工程认知能力。了解人工智能实践中的数据准备、开发环境、算法实现、模型训练、模型部署和行业应用流程，能够结合典型案例认识人工智能从算法设计到工程落地的完整过程，初步具备运用人工智能工具和方法解决实际问题的能力。（5）课程目标5：了解人工智能前沿技术与社会影响。了解智能无人系统、具身智能、元宇宙、人工智能驱动科学研究、人工智能安全与隐私、人工智能伦理与治理、通用人工智能等前沿方向，能够分析人工智能技术发展对社会、产业、科研和伦理治理带来的机遇与挑战，形成持续跟踪人工智能前沿发展的学习能力。（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（2学时）1.1教学内容：本章教学内容包括：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（2学时）2.1教学内容：本章教学内容包括：1.统一表示：标量、向量、矩阵、张量及多模态对象的张量化表示；2.学习三要素：数据、模型、目标、基本框架；3.回归问题：定义（线性回归、非线性回归）、求解（均方误差、最小二乘法）；4.分类问题：定义（特征与标签、二分类、多分类、Sigmoid、Softmax）、求解（极大似然估计）；5.优化方法：解析法及其局限性、批量梯度下降；6.泛化与约束：欠拟合与过拟合、正则化基本概念。2.2学习成效要求：（1）理解人工智能学习的基本框架，能够说明数据、模型、损失函数和优化算法之间的关系；（2）掌握回归问题和分类问题的基本定义，能够理解二者在人工智能任务建模中的作用；（3）理解梯度下降法等优化方法的基本思想，能够说明优化算法在模型训练过程中的作用；（4）掌握泛化、拟合、过拟合、欠拟合和正则化等概念，能够解释正则化方法对提升模型泛化能力的作用。2.3重点、难点：重点：人工智能学习三要素；回归与分类问题；梯度下降法；泛化与正则化。难点：损失函数与优化目标的关系；模型拟合能力与泛化能力之间的平衡。2.4作业及课外学习要求：完成本章课后习题；复习线性代数、概率统计和微积分中与人工智能建模相关的基础知识；结合简单回归或分类案例，理解损失函数、参数更新和模型泛化之间的关系。3.机器学习基础（6学时）3.1教学内容：本章教学内容包括：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（4学时）4.1教学内容：本章教学内容包括：1.自监督学习：自监督学习基本概念（通用表示学习）、掩码学习（自回归预测、自编码预测）、对比学习（InfoNCE）、自蒸馏学习（DINOv3）；2.模型迁移：预训练-微调、模型复用、模型微调、跨模态知识迁移（VLA）；3.模型轻量化：模型量化（PTQ、QAT）、模型剪枝（非结构化剪枝、结构化剪枝）、知识蒸馏（离线蒸馏、在线蒸馏）、语言模型轻量化（KVCache、投机解码）；4.数据增广：图像增广、文本增广、其他形式；5.分布式训练：基础原理（数据并行、模型并行）、进阶技巧（计算-通信-显存平衡、FSDP）；6.混合精度训练：AI常用浮点数精度格式、FP16与BF16对比、自动混合精度；7.模型分析：黑箱属性与可解释性需求、可解释性与可视化（模型分析、输入归因、表示空间可视化、可视化工具）、复杂度分析方法。4.2学习成效要求：（1）理解自监督学习的基本思想，能够说明其在通用表示学习中的作用；（2）了解模型迁移和模型轻量化的基本概念，能够认识其在任务适配和边端部署中的应用价值；（3）掌握数据增广、分布式训练和混合精度训练的基本思想，了解其对模型训练效率和效果的影响；（4）理解深度学习模型黑箱属性的含义，了解可解释性与可视化方法的基本作用；（5）了解计算复杂度分析的基本内容，能够初步认识模型精度、计算量、存储量和部署效率之间的关系。4.3重点、难点：重点：自监督学习；模型迁移；模型轻量化；数据增广；分布式训练；混合精度训练；深度学习模型可解释性。难点：自监督学习与监督学习之间的差异；模型迁移和轻量化对模型性能的影响；分布式训练和混合精度训练的基本机制；深度学习模型可解释性的理解。4.4作业及课外学习要求：完成本章课后习题；结合一个深度学习模型案例，思考模型精度、训练效率、推理速度之间的关系。5.人工智能生成内容（6学时）5.1教学内容：本章教学内容包括：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（6学时）7.1教学内容：本章教学内容包括：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（2学时）8.1教学内容：本章教学内容包括：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融合趋势；（3）理解人工智能驱动科学研究的基本内涵，能够说明人工智能在基础科学研究和科研范式变革中的作用；（4）了解人工智能安全与隐私问题，能够认识对抗攻击、防御方法和数据隐私保护在人工智能系统中的重要性；（5）理解人工智能伦理与治理的基本内容，能够分析人工智能发展可能带来的社会风险、伦理挑战和治理需求。（6）了解通用人工智能的发展路径与能力讨论，能够形成对人工智能未来发展趋势的基本判断。8.3重点、难点：重点：智能无人系统；智能无人集群；具身智能；元宇宙支撑技术；人工智能驱动科学研究；人工智能安全与隐私；人工智能伦理与治理；通用人工智能发展路径。难点：人工智能与无人系统、元宇宙、科学研究等领域的交叉融合机制；对抗攻击、防御和隐私保护方法的基本原理；人工智能伦理治理与技术创新之间的平衡；通用人工智能发展路径的不确定性与复杂性。8.4作业及课外学习要求：完成本章课后习题。五、教学安排及方式（一）教学安排及方式总学时32学时（课外学习不计入总学时），其中：讲授32学时，实验0学时，实践0学时。课外学习预估36学时，其中：课前预习12学时，课后作业12学时，自主学习12学时，其他0学时。（二）教学目标及方式序号教学目标教学方式学时1绪论讲授22人工智能数学基础讲授23机器学习基础讲授64深度学习新方法讲授45人工智能生成内容讲授66智能体系统讲授47人工智能实践讲授68人工智能前沿技术讲授2PAGE14六、教材及参考资料（一）建议教材教材名称编著者出版社年份ISBN号《人工智能导论》何友，李劭辉，李徵等清华大学出版社2026978-7-302-72004-1（二）参考书参考书名称编著者出版社年份ISBN号《人工智能发展前沿》何友，卢湖川，王栋，李徵，陈旭，李劭辉清华大学出版社2025978-7-302-70284-9《机器学习方法（第2版）》李航清华大学出版社2025978-7-302-69646-9《人工智能引论》吴飞，潘云鹤高等教育出版社2024978-7-040-61731-3《深度学习详解》王琦，杨毅远，江季人民邮电出版社2024978-7-115-64211-0《深度学习》[美]IanGoodfellow等著，赵申剑，黎彧君，符天凡，李凯译人民邮电出版社2017978-7-115-46147-6《机器学习》周志华清华大学出版社2016978-7-302-42328-7《人工智能导论》课程大纲（2026版·48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：3.0学业负担估计：48学时先修要求：《高等数学》《线性代数》《概率论与数理统计》等大纲更新时间：2026-05-13一、课程简介（一）中文简介《人工智能导论》是一门面向高等院校学生开设的人工智能通识课程。课程立足人工智能技术的范式演进与前沿发展，系统介绍人工智能的基本概念、发展脉络、数学基础、机器学习方法、深度学习新方法、人工智能生成内容、智能体系统、人工智能实践及人工智能前沿技术等内容。48学时版本在主干知识基础上增加案例分析、例题讲解、实践讨论和前沿拓展，帮助学生更加深入地理解人工智能基础理论、核心方法、系统应用和技术治理问题。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)foruniversitystudents.Thecoursefocusesontheparadigmevolutionandcutting-edgedevelopmentofAItechnology,systematicallyintroducingthebasicconcepts,developmenttrajectory,mathematicalfoundations,machinelearningmethods,newdeeplearningmethods,AI-generatedcontent,intelligentagentsystems,AIpractice,andcutting-edgeAItechnologies.The48-hourversionaddscasestudies,exampleexplanations,practicaldiscussions,andadvancedextensionstothecoreknowledge,helpingstudentsgainadeeperunderstandingofthefundamentaltheories,coremethods,systemapplications,andtechnicalgovernanceissuesofAI.Thiscourseemphasizesthecombinationoftheoreticallearningandpracticalapplication.ItstressesthesystematiclearningofcoreknowledgesuchasthemathematicalfoundationsofAI,machinelearning,anddeeplearning,whilealsofocusingoncutting-edgedirectionssuchaslargelanguagemodels,multimodallargemodels,generativeAI,intelligentagentsystems,modeldeployment,intelligentunmannedsystems,andAIsecurityandethicalgovernance.Throughthiscourse,studentswillbuildarelativelycompleteknowledgesystemofAI,understandthebasicprinciples,typicalmethods,andapplicationscenariosofmodernAItechnologies,possessthepreliminaryabilitytoanalyzeAIproblems,understandAIsystems,andapplyAItoolstosolvepracticalproblems,anddevelopacontinuouslearningawarenessandengineeringpracticeawarenessforthefuturedevelopmentofintelligenttechnologies.二、课程目标（一）课程教学目标本课程旨在帮助学生较为系统地掌握人工智能的基本理论、核心方法、典型应用和前沿发展趋势，建立从基础理论到工程实践的完整认知框架。48学时版本将结合典型案例、例题讲解、实践讨论和前沿拓展，强化学生对核心算法思想、智能系统应用流程和人工智能治理问题的分析能力。通过本课程学习，学生应能够理解人工智能的发展历程与技术版图，掌握人工智能数学基础、机器学习、深度学习、生成式人工智能和智能体系统的基本原理，具备运用人工智能方法分析问题、解决问题和开展初步实践的能力。同时，本课程注重培养学生的科学思维、工程意识、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社会发展、产业变革、科学研究和人类生活方式的深刻影响，理解人工智能安全、隐私保护和技术规范的重要性，形成负责任地学习、开发和应用人工智能技术的价值观。（二）课程目标分解（1）课程目标1：掌握人工智能的基本概念、发展脉络与技术体系。理解人工智能的基本内涵、发展历史、主要技术流派和技术演进逻辑，能够结合典型案例分析生成式人工智能、大语言模型、多模态模型和智能体系统的发展趋势。（2）课程目标2：掌握人工智能的基础理论与核心方法。理解人工智能学习的基本框架，掌握回归、分类、优化、泛化、正则化等基础知识，能够比较机器学习、深度学习、强化学习、自监督学习、模型迁移和模型轻量化等方法的基本思想与适用场景。（3）课程目标3：理解并分析生成式人工智能与智能体系统。理解生成模型、大语言模型、多模态大语言模型和智能体系统的基本原理，能够结合案例分析提示工程、模型对齐、智能体规划、协作执行和应用风险等问题。（4）课程目标4：具备人工智能实践应用与工程认知能力。了解人工智能实践中的数据准备、开发环境、算法实现、模型训练、模型部署和行业应用流程，能够结合典型案例分析人工智能从算法原型到工程落地的关键环节。（5）课程目标5：分析人工智能前沿技术与社会影响。了解智能无人系统、具身智能、元宇宙、人工智能驱动科学研究、人工智能安全与隐私、人工智能伦理与治理、通用人工智能等前沿方向，能够分析人工智能发展带来的机遇与挑战。（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：25%。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：25%。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、案例分析与观点表达能力。3.期末考试成绩：50%。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25%25%50%100%分值252550100四、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：本章在主干知识基础上结合例题、案例与拓展讨论展开，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：ChatGPT、DeepSeek-R1、大语言模型、多模态AI、强化学习与世界模型；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。6.发展现状与挑战：算力能耗、数据供给、模型幻觉问题、可解释性、安全隐私、伦理治理与社会影响等挑战。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（4学时）2.1教学内容：本章在主干知识基础上结合例题、案例与拓展讨论展开，教学内容包括：1.统一表示：标量、向量、矩阵、张量及多模态对象的张量化表示；2.学习三要素：数据、模型、目标、基本框架；3.回归问题：定义（线性回归、非线性回归）、求解（均方误差、最小二乘法）；4.分类问题：定义（特征与标签、二分类、多分类、Sigmoid、Softmax）、求解（极大似然估计）；5.优化方法：解析法及其局限性、批量梯度下降；6.非凸优化：局部极小值、鞍点、平坦区域；7.现代优化算法：SGD、动量法、自适应学习率优化算法（AdaGrad、RMSprop、Adam）、神经网络结构设计（归一化层、残差结构）；8.泛化与约束：欠拟合与过拟合、正则化基本概念、L1正则化、L2正则化。2.2学习成效要求：（1）理解人工智能学习的基本框架，能够说明数据、模型、损失函数和优化算法之间的关系；（2）掌握回归问题和分类问题的基本定义，能够理解二者在人工智能任务建模中的作用；（3）理解梯度下降法等优化方法的基本思想，能够说明优化算法在模型训练过程中的作用；（4）理解非凸优化在人工智能模型训练中的基本挑战，了解常见现代优化算法的基本特点；（5）掌握泛化、拟合、过拟合、欠拟合和正则化等概念，能够解释正则化方法对提升模型泛化能力的作用。2.3重点、难点：重点：人工智能学习三要素；回归与分类问题；梯度下降法；泛化与正则化。难点：损失函数与优化目标的关系；非凸优化问题的理解；模型拟合能力与泛化能力之间的平衡。2.4作业及课外学习要求：完成本章课后习题；复习线性代数、概率统计和微积分中与人工智能建模相关的基础知识；结合简单回归或分类案例，理解损失函数、参数更新和模型泛化之间的关系。3.机器学习基础（8学时）3.1教学内容：本章在主干知识基础上结合例题、案例与拓展讨论展开，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（4学时）4.1教学内容：本章在主干知识基础上结合例题、案例与拓展讨论展开，教学内容包括：1.自监督学习：自监督学习基本概念（通用表示学习）、掩码学习（自回归预测、自编码预测）、对比学习（InfoNCE）、自蒸馏学习（DINOv3）；2.模型迁移：预训练-微调、模型复用、模型微调、跨模态知识迁移（VLA）；3.模型轻量化：模型量化（PTQ、QAT）、模型剪枝（非结构化剪枝、结构化剪枝）、知识蒸馏（离线蒸馏、在线蒸馏）、语言模型轻量化（KVCache、投机解码）；4.数据增广：图像增广、文本增广、其他形式；5.分布式训练：基础原理（数据并行、模型并行）、进阶技巧（计算-通信-显存平衡、FSDP）；6.混合精度训练：AI常用浮点数精度格式、FP16与BF16对比、自动混合精度；7.模型分析：黑箱属性与可解释性需求、可解释性与可视化（模型分析、输入归因、表示空间可视化、可视化工具）、复杂度分析方法。4.2学习成效要求：（1）理解自监督学习的基本思想，能够说明其在通用表示学习中的作用；（2）了解模型迁移和模型轻量化的基本概念，能够认识其在任务适配和边端部署中的应用价值；（3）掌握数据增广、分布式训练和混合精度训练的基本思想，了解其对模型训练效率和效果的影响；（4）理解深度学习模型黑箱属性的含义，了解可解释性与可视化方法的基本作用；（5）了解计算复杂度分析的基本内容，能够初步认识模型精度、计算量、存储量和部署效率之间的关系。4.3重点、难点：重点：自监督学习；模型迁移；模型轻量化；数据增广；分布式训练；混合精度训练；深度学习模型可解释性。难点：自监督学习与监督学习之间的差异；模型迁移和轻量化对模型性能的影响；分布式训练和混合精度训练的基本机制；深度学习模型可解释性的理解。4.4作业及课外学习要求：完成本章课后习题；结合一个深度学习模型案例，思考模型精度、训练效率、推理速度之间的关系。5.人工智能生成内容（8学时）5.1教学内容：本章在主干知识基础上结合例题、案例与拓展讨论展开，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（8学时）6.1教学内容：本章在主干知识基础上结合例题、案例与拓展讨论展开，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