人工智能通识基础 课件 任务1：初识人工智能

任务1初识人工智能目录1.1人工智能概述1.2人工智能的三大流派1.4人工智能的核心技术分支1.3人工智能的发展历程CONTENTS目录1.5人工智能的支撑技术基础1.6人工智能在各行业的发展现状1.8实践任务1.7人工智能技术发展对个人的意义CONTENTS本章目标1.掌握人工智能的定义、核心特征及核心技术分支。2.理解人工智能三次发展浪潮的驱动因素与标志性成果。3.了解中国在人工智能领域的战略布局与技术突破。4.熟悉支撑人工智能发展的技术基础。5.了解人工智能在各行业的发展现状。重点重点人工智能概述012024.2央视财经频道《人工智能：时代的机遇和挑战》第一集：潮起，/video/BV14r421p7dw《人工智能：时代的机遇和挑战》第二集《出航》/video/BV1XF4m1j7Tc《人工智能：时代的机遇和挑战》

第三集《竞渡》/video/BV17x4y1r74K《人工智能：时代的机遇和挑战》第四集看人类与人工智能如何相伴远行/video/BV1o2421T7Dv《2025中国·AI盛典》央视网2025.8.14/2025/08/14/VIDEz2QGJN6slDkFi2IiYyGa250814.shtml哪些是真正的人工智能？人工智能（AI）是什么？想象AI时代下，我们的一天早上，被智能音箱叫醒，并提醒今日重要事项。体检，购物，见朋友......智能音箱提醒今天天气并给了穿衣建议出门后用智能门锁锁好门手机搜索了一下要去做检查的医院，并规划了路线打了个无人驾驶的出租车体检时，智能医疗机器人为其做B超，并智能读片在商场，看中好几件衣服，又不愿意来回换，智能镜换装先看看效果见到好友，由智能服务员服务，开心用餐与好友争着买单，刷脸支付晚上回家刷短视频看到了可爱猫咪，并点了个赞于是，看见了更多可爱猫咪的视频可是，无意中点开一款防脱洗发水广告，并多看了几眼结果，迎来一万点暴击......换个心情来个智能换脸吧，看看自己还是美美哒早上7:00早上8:00早上8:30中午12:00晚上6:00晚上9:00我们所接触到的，哪些是AI实现的？思考人工智能的时代，有太多的商品与应用被与以“人工智能”的外衣，那么，到底什么是人工智能

？如果布谷鸟钟被发明在这个时代，是不是也会被称为——人工智能布谷鸟钟？智能音箱地图智能路线规划智能服务机器人智能推荐刷脸支付智能穿衣镜无人驾驶汽车AI换脸购物推荐1.1人工智能概述计算机科学工程控制论数学人工智能AI认知科学神经科学解放1.1人工智能概述什么是自动化系统？自动化系统是AI吗？自动化系统主要利用计算机或软件来操控设备，从而实现数据处理和功能执行的自动化地铁自动售票机网上银行系统自动化系统虽然能执行预定的任务，但缺乏人工智能系统的自主学习和适应能力1.1人工智能概述什么是脑机接口？脑机接口是AI吗？脑机接口是一种先进的技术，它使得大脑能够与外部设备进行直接的通信融入了人工智能技术，但不等同于人工智能2024年1月马斯克完成首次人体实验写入读取1.1人工智能概述什么是机器人技术？机器人技术是AI吗？机器人技术作为涉及多个学科的广泛领域，包括人工智能技术，机电控制系统、材料科学、以及姿态控制系统等利用了人工智能，但是人工智能并非唯一核心技术扫地机器人特斯拉推出的Optimus机器人宇树H1人形机器人1.1人工智能概述什么是知识工程？知识工程是AI吗？知识工程致力于捕捉、表达、整理和运用人类专家的知识与经验，旨在构建能够模拟专家解决问题能力的计算机系统等属于早期的人工智能美国IBM公司研发的Watson机器人

（Watson在2011年的美国智力竞赛《危险边缘》（Jeopardy!）中击败了人类选手，成为AI发展的一个里程碑）专家系统工作原理1.1人工智能概述什么是机器学习和深度学习？机器学习和深度学习是AI吗？机器学习是实现人工智能的一种核心技术。它让计算机能够从数据中学习，而不需要人为编写每一条具体的指令。深度学习是一种先进的机器学习原理的人工神经元网络技术实现人工智能的核心技术方法1.1人工智能概述什么Python？Pyhon是AI吗？Python是由吉多·范罗苏姆发明的一种广受欢迎的编程语言。如今已经成为人工智能研究和模型开发的重要语言之一Python是目前最主流、最方便的人工智能开发语言1.1人工智能概述自动化系统不是人工智能，缺乏人工智能系统的自主学习能力脑机接口不是人工智能，但在应用中与人工智能结合机器人技术一个广泛的领域，人工智能只是其中的一个重要组成部分知识工程专家系统人工智能发展历程中的重要成果，不是现代人工智能的基础和组成部分机器学习和深度学习实现人工智能的核心技术方法，推动了人工智能的快速发展Python人工智能开发中广泛使用的工具，但不应将其等同于人工智能本身1.1人工智能概述1.人工智能的定义与核心特征人工智能是研究如何使计算机去做过去只有人才能做的智能工作麻省理工学院温斯顿教授人工智能是关于知识的学科，是怎样表示知识，以及怎样获取知识，并使用知识的科学斯坦福大学人工智能研究中心尼尔逊教授人工智能是指利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。......机器学习是人工智能的核心技术之一，深度学习是机器学习的一个分支......人工智能ArtificialIntelligence，AI1.1人工智能概述识别真正的AI1.完成时间：2分钟《机器人管家》安德鲁Excel电子表格学生选题系统豆包智能电饭锅小爱音响电子体温计美团外卖点餐系统想一想，下面哪些内容是AI呢？1.1人工智能概述1.人工智能的定义与核心特征学习能力指AI系统从数据或经验中获取知识，并据此优化自身性能的能力。数据驱动的学习能力推理与决策能力指AI系统基于已有信息进行逻辑或概率分析，并形成判断的能力。

基于逻辑的推理决策能力感知解析能力指AI系统通过传感器或数据输入来解析和理解物理或数字环境的能力。多模态感知解析能力自然语言交互能力指AI系统理解与生成人类语言的能力。面对充满歧义、隐含信息和复杂结构（如比喻、反讽）的人类语言，AI系统需解析语法、语义及语境。自然语言交互能力自主性指AI系统在无人直接干预下独立运作的能力；适应性指其根据环境变化动态调整行为的能力。自主性与适应性1.1人工智能概述2.人工智能的发展阶段AI的发展阶段可划分为弱AI（WeakAI）、强AI（StrongAI）和超AI（SuperAI）三个演进层次，其核心差异体现在智能的广度与自主性维度。弱人工智能专注于一项任务执行像人类超越人类当前电影小说中尚不存在强人工智能超人工智能剥削伤害控制......人工智能伦理1.1人工智能概述根据数据特性和问题目标差异，AI系统主要处理回归（Regression）、分类（Classification）与聚类（Clustering）三种典型任务：3.人工智能的典型任务1.1人工智能概述3.人工智能的典型任务回归（Regression）回归是有监督学习中对连续型变量建模的预测任务，其数学本质是建立输入特征与连续目标变量间的映射关系。该任务要求训练数据集包含数值型标注真值，输入输出均为连续空间的数据分布。1.1人工智能概述3.人工智能的典型任务分类（Classification）分类是通过学习有标签数据的内在规律，为数据对象赋予类别标记的监督学习任务。从数学视角看，其实质是对离散型随机变量建模，本质差异在于输出空间的结构——分类预测类别标签而非连续数值。通过设定决策阈值，回归模型可转化为分类器，这也解释了为何主流算法通常存在对应的回归与分类版本。1.1人工智能概述3.人工智能的典型任务聚类（Clustering）聚类是基于数据内在相似性的无监督学习任务，其核心目标是通过度量样本间相似度，将数据划分为具有同质性的簇群。与分类任务不同，聚类无需预先标注的训练数据，常作为分类任务的数据预处理环节，在探索性数据分析中具有重要价值。人工智能的三大流派021.2人工智能三大流派三大流派的产生人类智能=知识+智力智能的基础本身的能力人工智能=知识+智力逻辑规则神经连接环境反应符号主义联结主义行为主义如何教会机器智能1.2人工智能三大流派1.符号主义认为人工智能是数学规则，思考如何将逻辑推理过程转化为计算机可执行程序符号主义的思想类似物理或者数学的解题过程算法规则模拟基于规则的决策过程根节点是否接受一份工作？

一个物体从高度为米的地方自由下落，忽略空气阻力，求物体下落的时间以及落地时的速度？逻辑推理1.2人工智能三大流派2.联结主义认为人工智能源于大脑神经元连接及相互作用，需构建神经网络模型模拟人脑以实现人工智能。仿生思维高级智慧任务感知行动能力简单困难执行模仿莫拉维克悖论符号主义质疑联结主义促进1.2人工智能三大流派为神经网络发展奠定基础2.联结主义协同激活的神经元会形成连接唐纳德·赫布提出赫布定律神经网络1.2人工智能三大流派3.行为主义认为智能是生命体在特定环境中适应和进化的综合能力。符号主义联结主义规则太多难以实现促进难以完全解释和实现复杂的智能行为行为主义1.2人工智能三大流派行为主义3.行为主义专注智能体与环境之间的互动，提倡利用奖励与惩罚的机制来指导学习过程知错能改智能演化遵循“行动-反馈-优化”三阶段循环。行动探索：智能体通过试错改变环境状态。奖励信号：环境产生正/负强化反馈。策略迭代：基于反馈更新行为模式。1.2人工智能三大流派人工智能三大流派的融合联结主义符号主义行为主义模拟生物神经网络独特的进化思维和对学习环境的反馈和适应强调知识的形式化和逻辑推理人工智能的发展历程031.3人工智能的发展历程35/60（1）理论奠基期（1950—1970年）：符号主义构建形式化推理框架。（2）技术突破期（1980—2010年）：联结主义实现分布式学习。（3）应用拓展期（2010—至今）：行为主义推动具身智能发展。1.3人工智能的发展历程1.早期理论基础与图灵测试（1940-1950年代）1936年，艾伦·图灵在论文《论可计算数及其在判定问题上的应用》提出图灵机的概念机器可以思考吗？展示了如何通过简单符号操作来执行复杂的计算任务1.3人工智能的发展历程1956年的达特茅斯暑期研讨会是AI发展史的关键转折点，汇聚全球顶尖学者探讨机器智能，并作为里程碑事件正式宣告AI学科的诞生。会上麦卡锡提议正式采用“ArtificialIntelligence（人工智能）”这一术语，标志着人工智能学科正式诞生。1.早期理论基础与图灵测试（1940-1950年代）1.3人工智能的发展历程早期理论基础与图灵测试（1940-1950年代）图灵测试多名评委在隔开的情况下，通过设备向一个机器人和一名人类随意提问。多次问答后，若不能确定被测者是人还是机器，那么,该机具备人类智能。1.3人工智能的发展历程早期理论基础与图灵测试（1940-1950年代）中文屋思想实验语言哲学家约翰.R.塞尔（JohnR.Searle，1980）1.3人工智能的发展历程2.第一次发展浪潮：符号主义的崛起与探索（1956—1974年）哲学技术真理的核心是推理——笛卡尔理论哲学欧几里公理公理......定理定理定理定理定理......世界

构建复杂的符号系统，运用谓词演算、模糊推理等工具，对复杂信息进行符号化处理与推理分析1955年，逻辑理论家程序证明数学定理1966年，第一个聊天机器人ELIZA1966年，第一个人工智能机器人Shakey......1.3人工智能的发展历程3.第一次寒冬（1974—1980年）Itrainscatsanddogs原义：下倾盆大雨Ilpleutdeschatsetdeschiens猫狗在下雨在下猫和狗英语法语翻译中文算力不足知识缺乏硬件性能不足，计算成本高昂当“知识”不明确或者缺乏的时则无法推理由于时代和各种因素不容易解决加大对知识的投入总结与反思总结与反思1.3人工智能的发展历程4.第二次浪潮：专家系统的兴衰（1980—1987年）哲学技术知识就是力量——培根力量不仅指改造自然的能力，更象征

着在复杂决策中占据主导地位的权力......

知识工程的崛起标志着这一时代的显著特征1968年，第一个专家系统DENDRAL1972年，医学诊断的专家系统——MYCIN1980年，专家系统XCON正式商用1984年，超级百科全书（CYC）......归纳观察数据现象知识体系1.3人工智能的发展历程5.第二次寒冬（1987—1993年）过犹不及，物极必反医学知识更新不及时患者个体差异复杂病情分析困难缺乏临床经验判断纠错成本高......医生患者知识依靠人类机器自主学习知识掌握规则知识获取困难规则不灵活适应性差自动学习动态调整规则适应性强机器学习

总结与反思1.3人工智能的发展历程6.稳健时代（1993年—2011年）在该阶段，AI技术深度融入计算机与软件体系的主流应用。为淡化早期概念中的科幻色彩，相关研究与应用常以“数据分析”、“知识系统”等更务实的名称出现，其成果也被广泛整合到软件工程实践中。深度卷积神经网络在ImageNet挑战赛中成功应用谷歌无人驾驶汽车项目取得进展杰弗里·辛顿提出深度信念网络（DBN）吴恩达团队探索GPU用于大规模无监督学习赛普·霍克赖特和于尔根·施米德休伯提出LSTM神经网络理查德·莱华士开发网络聊天机器人Alice2012年2012年2006年2009年1995年1997年1234561.3人工智能的发展历程6.稳健时代（1993年—2011年）1996年，“深蓝”战胜国际象棋棋王卡斯帕罗夫此后的十年里，人类与机器在国际象棋比赛上互有胜负，直到2006年棋王弗拉基米尔·克拉姆尼克被国际象棋软件深弗里茨击败后，人类再也没有击败过电脑。1.3人工智能的发展历程7.第三次浪潮：深度学习的爆发与应用（2011年—至今）哲学技术世界本质规律的信仰，相信事物发展遵循一定的内在规律，通过历史数据的学习可以预测未来趋势

统计学习方法、机器学习算法与深度学习技术的融合发展2006年，杰弗里·辛顿提出深度学习2012年，AlexNet卷积神经网络模型2014年，生成对抗网络提出2016年，AlphaGo战胜世界围棋冠军2017年，谷歌发布Transformer架构......符号主义联结主义行为主义综合思想数据是经验模型是计算观察规律预测未来经验学习知错能改熟能生巧1.3人工智能的发展历程AlphaGo与深蓝等最本质的差异：阿尔法狗不需要师傅，能根据以往的经验来不断优化算法，梳理决策模式，吸取比赛经验，并通过与自己下棋来强化学习。机器博弈是人工智能研究中的最好试验场

一是博弈规则非常简单。二是博弈衍生出的问题非常复杂，可能性极多，能够让人工智能大显身手。二是人工智能算法在博弈问题中容易实现，特别是人工智能算法产生错误不会产生重大损失。7.第三次浪潮：深度学习的爆发与应用（2011年—至今）AlphaGo无师自通横扫世界围棋大师棋局数量一字棋：9！西洋跳棋：1078国际象棋：10120围棋：107611.3人工智能的发展历程进入2020年代，AI的发展迈入了一个全新的阶段——生成式AI与大模型时代。这一阶段的核心特征是大规模预训练模型（LLM）的崛起，以及生成式AI在文本、图像、音频、视频等领域的广泛应用。生成式AI与大模型时代的到来，标志着AI从“感知”走向“创造”的革命性跨越。8.第三次浪潮的浪尖：生成式AI与大模型时代（2020年——至今）1.3人工智能的发展历程进入2020年代，AI的发展迈入了一个全新的阶段——生成式AI与大模型时代。这一阶段的核心特征是大规模预训练模型（LLM）的崛起，以及生成式AI在文本、图像、音频、视频等领域的广泛应用。生成式AI与大模型时代的到来，标志着AI从“感知”走向“创造”的革命性跨越。8.第三次浪潮的浪尖：生成式AI与大模型时代（2020年——至今）1.3人工智能的发展历程8.第三次浪潮的浪尖：生成式AI与大模型时代（2020年——至今）1.3人工智能的发展历程8.第三次浪潮的浪尖：生成式AI与大模型时代（2020年——至今）大模型需要与人类对齐，才能在人类的驱动下改正错误，实现自我进化把大模型和周围的虚拟环境结合起来，让环境提示它的错误，从而有反思的机会去改正错误通过加上机器人，让大模型在物理世界也能工作多模态生成对产业的发展非常重要，因为大模型不仅可以生成文本，还可以生成图像、声音、视频、代码等具身智能AIAgent（智能体）多模态生成与人类对齐一些研究尝试通过微调多模态模型在多模态场景中生成高质量的思维链来探索思维链推理。推理能力1.3人工智能的发展历程8.第三次浪潮的浪尖：生成式AI与大模型时代（2020年——至今）2026年AI正从“聊天生成”走向自主执行、技能化、具身化、多模态协同：OpenClaw：本地优先、可执行的全能AI助手（2026爆火开源项目）AgentSkills：AI的“模块化技能库”，2026生态爆发具身智能（EmbodiedAI）：AI从“虚拟”走向“物理世界”多模态原生Agent：“看、听、说、做”一体化智能体...1.3人工智能的发展历程三次浪潮与三个流派的对应关系第1次浪潮第2次浪潮第3次浪潮符号主义联结主义行为主义主导萌芽鼎盛复兴根基大放异彩兴起小结人工智能发展的三个流派符号主义：逻辑推理联结主义：仿生思维行为主义：知错能改人工智能发展的三次浪潮第一次第二次第三次54/601.3人工智能的发展历程9.中国人工智能的发展20141978年20世纪80年代初19842006邓小平发表了“科学技术是生产力”的重要讲话科技事业迎来了春天钱学森等主张开展人工智能研究人工智能研究进一步活跃邓小平批示批示“计算机普及要从娃娃抓起”研究境遇有了极大改善人工智能学科诞生50周年，东北大学的“棋天大圣”象棋软件获得机器博弈冠军人工智能科技取得了长足的进步人工智能成为国家发展战略进入快速发展通道1.3人工智能的发展历程9.中国人工智能的发展从“百模大战”到技术深耕，中国大模型发展已从规模扩张转向质量提升，逐步构建“基础研究-技术攻关-产业落地”的全链条创新体系。未来，随着算力基础设施（如国产AI芯片）的完善和跨学科协同，中国AI有望在AGI的全球赛道上占据关键地位。人工智能的核心技术分支041.4.人工智能的核心技术分支明确部分关键术语定义1.4.人工智能的核心技术分支明确部分关键术语定义01020304人工智能（AI）旨在开发能够模拟或执行通常需要人类智能的任务的系统。机器学习（ML）实现AI的一种核心方法，使计算机系统能够从数据中自动学习规律和改进性能。深度学习（DL）机器学习的一个关键子领域，利用包含多个处理层（深度）的神经网络来学习数据的多层次抽象表示。神经网络（ANN）一种受生物神经元结构启发的计算模型，是构建深度学习系统的基础架构。1.4.人工智能的核心技术分支1.人工神经网络——模拟生物神经元连接的计算模型神经网络工作状态：兴奋状态：细胞膜电位>动作电位的阈值→神经冲动

抑制状态：细胞膜电位<动作电位的阈值学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱

。1.1943年，麦克洛奇和皮兹提出M－P模型。…-1（权重/突触）（细胞体）（阈值）（神经冲动）人工神经元i的模型图激励函数1.4.人工智能的核心技术分支人工神经网络——模拟生物神经元连接的计算模型一般模型：1.人工神经网络——模拟生物神经元连接的计算模型3部分组成：加权求和、线性环节和非线性激活函数1.4.人工智能的核心技术分支1957年，美国康奈尔大学的实验心理学家、计算科学家弗兰克·罗森布拉特，受Hebb学习规则的启发，提出了感知机（Perceptron），并在一台IBM-704计算机上模拟实现了感知器神经网络模型。它是受到赫布学习规则的启发而设计的，旨在通过模拟生物神经元的结构和功能，实现简单的分类任务。感知器的提出标志着人工神经网络研究的第一个高潮。它被认为是第一种能够通过学习算法自动调整权重的人工神经网络模型，为后续的研究奠定了基础。1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支

1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支单层感知机模型（判断是否鱼）1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支单层感知机模型（判断是鱼还是鸟）1.4.人工智能的核心技术分支感知器存在两个关键问题难以解决：单层神经网络无法解决不可线性分割的问题，例如无法实现简单的异或门电路（XORCircuit）。利用当时最先进的计算机也没有足够计算力，完成多层感知器训练所需的超大计算量。1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支1974年，哈佛大学博士生保罗·沃波斯(PaulWerbos)在其博士论文《ParallelDistributedProcessing》中证明，在感知器神经网络中再多加一层，并利用误差的反向传播（BackPropagation，简称BP）来训练人工神经网络，可以解决XOR问题。1985年，加拿大多伦多大学教授杰弗里·辛顿（GeoffreyHinton）和鲁梅尔哈特等重新设计了BP学习算法，1986年，发表了具有里程碑意义的经典论文：《通过误差反向传播学习表示》，实现了明斯基多层感知器的设想。BP算法的核心流程可概括为：输入数据经网络前向传播得到输出并计算误差；误差反向传播至各层，利用梯度下降法计算各权重对总误差的贡献（梯度）；依据梯度更新权重以最小化损失函数。1.人工神经网络——模拟生物神经元连接的计算模型正向传播反向传播1.4.人工智能的核心技术分支这是一个全连接神经网络（每层神经元与下一层的所有神经元都有连接），包括1个输入层，N个隐藏层，1个输出层。关于参数量的说明：考虑一个三层前向全连接神经网络，输入层有784个输入，隐藏层有1000个神经元，输出层有10个输出，那么这个神经网络要训练的参数量为784×1000+1000×10=7940001.人工神经网络——模拟生物神经元连接的计算模型深度神经网络1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支瑞典皇家科学院当地时间2024年10月8日宣布，将2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。。解读：物理诺贝尔奖为何颁给了HNN之父和深度学习之父？1.4.人工智能的核心技术分支BP算法局限性：梯度消失与梯度爆炸：在训练深度网络时，梯度可能会逐渐趋近于零（梯度消失）或变得非常大（梯度爆炸），导致训练困难。局部最优解：BP算法容易陷入局部最优解，而不是全局最优解。训练时间长：对于大规模数据集，BP算法的训练时间可能较长。1.人工神经网络——模拟生物神经元连接的计算模型1.4.人工智能的核心技术分支从理论层面来看，人工神经网络最重要的数学特性体现在其强大的函数逼近能力上。通用近似定理（UniversalApproximationTheorem）严格证明了具有单隐层的前馈神经网络能够以任意精度逼近定义在紧致集上的任何连续函数，这为神经网络解决复杂非线性问题奠定了理论基础。1.人工神经网络——模拟生物神经元连接的计算模型人工神经网络到底可以解决什么？1.4.人工智能的核心技术分支机器学习（MachineLearning,ML）是AI的核心分支，旨在赋予计算机通过数据自主学习和改进的能力，模拟人类从经验中获取知识的过程。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支监督学习（SupervisedLearning）是机器学习中最重要且应用最广泛的方法。其核心在于利用带有标签（正确答案）的数据集训练模型。模型的目标是学习输入特征与对应输出标签之间的映射关系，从而能够对新的、未见过的输入进行预测。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支半监督学习（Semi-supervisedLearning）适用于同时拥有少量标注数据和大量未标注数据的场景。其核心思想是：仅依赖少量标注数据训练模型往往不足，需有效利用大量未标注数据来挖掘数据内在结构，提升模型性能。这种方法最大化利用了有限标注数据的价值，并从海量未标注数据中提取潜在规律。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支无监督学习（UnsupervisedLearning）通过分析未标注数据的内在统计规律（如分布特征或相似性），自主识别隐藏结构。系统以自组织方式调节参数，实现聚类、降维或特征提取等任务。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支强化学习（ReinforcementLearning）是一种机器学习方法，其核心在于智能体通过与环境的持续交互学习决策策略。智能体通过尝试不同动作并接收环境反馈的奖励信号，逐步学习如何采取行动以实现长期累积奖励的最大化。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支不同的机器学习方法在实际应用中各具特点：监督学习适用于需要精确输出标签的任务（如欺诈检测、图像分类）无监督学习擅长于探索数据结构与发现隐藏模式（如推荐系统、用户群体划分）半监督学习则融合了前两者的优势，适用于标注数据稀缺但存在大量未标注数据的场景（如医疗系统、自然语言处理）强化学习则特别适用于需通过环境交互学习最优决策序列且难以获取大量标注数据的场景（如游戏AI、机器人导航）。实践中，这些方法常被结合使用以解决复杂问题（例如，一个推荐系统可能融合多种学习技术以提升性能）。2.机器学习——数据驱动决策的算法基石1.4.人工智能的核心技术分支2006年，辛顿团队发表了两篇里程碑式论文。这两项工作共同确立了“预训练+微调”的两阶段训练范式：首先通过无监督学习逐层初始化网络权重（旨在为深层网络提供更好的起点以缓解梯度问题），随后利用监督学习对整个网络进行端到端优化。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支2012年，杰弗里·辛顿与其学生亚历克斯·克里泽夫斯基和伊利亚·苏茨克韦尔合作，开发了深度卷积神经网络模型AlexNet，并在ImageNet数据集上训练。AlexNet在2012年ImageNet大规模视觉识别挑战赛（ILSVRC）中取得突破性胜利，将图像分类的Top-5错误率从此前最佳水平（约26.2%）大幅降至15.3%。AlexNet原始架构包含5个卷积层和3个全连接层，总参数数量约为6000万。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支3.深度学习——多层次特征抽象的神经网络架构传统机器学习与深度学习的对比维度传统机器学习深度学习模型（函数类别）机器学习模型通常基于统计学习方法和数学方法，如逻辑回归（LR）、决策树（DT）、支持向量机（SVM）、朴素贝叶斯（NB）等，这些方法从数据中学习映射函数。深度学习模型基于层次化的神经网络结构，如卷积神经网络、循环神经网络和Transformer等，更适合处理复杂的模式识别任务。算法（拟合方法）常用的优化算法有梯度下降法、牛顿法、随机梯度下降等主要使用基于梯度的优化算法，如随机梯度下降等，依赖大量的数值计算和较高的算力采用反向传播策略策略（拟合目标）主要使用损失函数，损失函数通常较为简单，且有明确的数学形式，用于指导模型在学习过程中的优化方向，而且通常不涉及激活函数。损失函数更加多样化，可以结合不同任务、不同模型和多层网络进行设计，通常具有更复杂的优化目标。且深度学习模型每一层通常都包括一个激活函数。特征工程需要人工设计和选择特征，特征工程的好坏直接影响模型性能采用表示学习，能够自动学习和提取特征直接使用自然数据（如图像像素），减少人工特征工程的需求1.4.人工智能的核心技术分支深度学习的主要分支：1.卷积神经网络（ConvolutionalNeuralNetwork，CNN）。

提出时间：1989年

核心：利用卷积层（局部特征提取）、池化层（降维）和全连接层处理网格状数据（如图像）。

优势：具有平移不变性，能高效提取空间特征。

典型应用：图像分类（ResNet）、目标检测（YOLO）、医学影像分析。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支深度学习的主要分支：2.循环神经网络（RecurrentNeuralNetwork，RNN）。

提出时间：1986年（JordanNetwork）

核心：通过循环连接处理序列数据，具有时间依赖性记忆能力。

变体：LSTM（1997年，Hochreiter&Schmidhuber）、GRU（2014年，Choetal.）

优势：适用于时序数据建模。

典型应用：语音识别、机器翻译、股票预测。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支深度学习的主要分支：3.Transformer。提出时间：2017年（Google《AttentionIsAllYouNeed》）核心：基于自注意力机制，并行处理序列数据。衍生模型：BERT（2018）、GPT（2018）、ViT（2020）优势：高效处理长序列，支持跨模态建模。典型应用：ChatGPT、机器翻译、图像描述生成。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支深度学习的主要分支：4.生成对抗网络（GenerativeAdversarialNetwork，GAN）。

提出时间：2014年（IanGoodfellow）

核心：由生成器和判别器通过对抗训练生成逼真数据。

优势：能生成高质量合成数据。

典型应用：AI绘画（StyleGAN）、人脸生成（Deepfake）。

3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支深度学习的主要分支：5.扩散模型（DiffusionModel）。

提出时间：2015年（首次提出），2020年后因DDPM改进而流行

核心：通过逐步加噪→去噪生成数据。

优势：生成质量高，训练稳定。

典型应用：文本生成图像（DALL·E、StableDiffusion）。3.深度学习——多层次特征抽象的神经网络架构1.4.人工智能的核心技术分支自然语言处理（NaturalLanguageProcessing，NLP）是AI的一个研究方向，它指计算机拥有识别理解人类文本语言的能力，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理的任务大致分为两类——自然语言理解（NLU）和自然语言生成（NLG）。4.自然语言处理——让机器理解与生成人类语言的技术1.4.人工智能的核心技术分支NLP的核心任务：1)基础语言理解任务：

词性标注（Part-of-SpeechTagging）：确定句子中每个单词的词性类别

命名实体识别（NamedEntityRecognition）：识别文本中的人名、地名、机构名等特定实体

句法分析（SyntacticParsing）：分析句子的语法结构

语义角色标注（SemanticRoleLabeling）：识别句子中谓词与其相关论元的关系2)语义理解任务：

情感分析（SentimentAnalysis）：判断文本表达的情感倾向

文本蕴含（TextualEntailment）：判断两个文本之间的逻辑关系

问答系统（QuestionAnswering）：根据给定问题从文本中寻找答案

语义相似度计算（SemanticSimilarity）：衡量两个文本片段的语义相似程度4.自然语言处理——让机器理解与生成人类语言的技术3)语言生成任务：

机器翻译（MachineTranslation）：将一种语言自动翻译成另一种语言

文本摘要（TextSummarization）：自动生成文本的简洁摘要

对话系统（DialogueSystems）：实现人机自然语言对话

文本生成（TextGeneration）：根据特定要求自动生成连贯文本4)跨模态任务：

图像描述生成（ImageCaptioning）：为图像生成自然语言描述

语音识别（SpeechRecognition）：将语音转换为文本

视频内容理解（VideoUnderstanding）：理解视频中的语言和视觉内容实现NLP的方法主要包括前期的传统方法和后期的深度学习方法。1.4.人工智能的核心技术分支如今，深度学习的神经网络模型是实现NLP的核心技术组件。不同于之前介绍过的简单的前馈型神经网络（例如感知机）。NLP中常用的神经网络是在1.4.3节简单介绍过的循环神经网络（RecurrentNeuralNetworks，RNN）4.自然语言处理——让机器理解与生成人类语言的技术1.4.人工智能的核心技术分支自2018年前后开始，以Transformer架构为核心的深度学习模型在参数量、训练数据规模和计算需求上呈现爆炸式增长，标志着“大模型”（LargeModels）时代的开启。5.大模型技术——生成式人工智能的核心驱动力Large（大规模）：指其巨大的模型参数量（通常在百亿至万亿级别）和用于训练的海量文本数据（常达TB级别）。这种规模是其强大能力的基础。0102Model（模型）：指其本质是一个基于深度学习的计算模型，通过学习海量数据中的统计规律，能够执行语言理解、生成、翻译等多种任务。03Language（语言）：指其核心功能是处理和理解人类语言（文本）。虽然当前许多顶尖LLM（如GPT-4）主要处理文本，但需注意“大语言模型”特指语言处理能力，区别于处理图像或融合多模态信息的模型。Model（模型）：指其本质是一个基于深度学习的计算模型，通过学习海量数据中的统计规律，能够执行语言理解、生成、翻译等多种任务。1.4.人工智能的核心技术分支“大模型”（LargeModel）通常指代参数规模巨大（通常在十亿至万亿级别）、在海量数据上预训练而成的基础模型（FoundationModel）。当前语境下，“大模型”一词常特指其最重要且应用最广泛的一类分支：大语言模型（LargeLanguageModel,LLM）。大语言模型专注于处理和理解人类语言。此外，还包括视觉大模型（处理图像/视频）和多模态大模型（融合文本、图像、音频等多种信息）。所有类型统称为广义大模型，而仅处理语言的大模型则称为狭义大模型。5.大模型技术——生成式人工智能的核心驱动力1.4.人工智能的核心技术分支5.大模型技术——生成式人工智能的核心驱动力神经网络包含数十亿至数万亿个可调参数（例如：GPT-3约1750亿，GPT-4约1.7万亿，Deepseek-V3约6710亿）。训练过程消耗巨大的计算资源。（见课本）需使用TB级别的文本数据进行预训练。参数量巨大（ModelSize）训练数据海量（DataScale算力需求极高（ComputeIntensity）大模型之“大”，核心体现在三个方面：1.4.人工智能的核心技术分支5.大模型技术——生成式人工智能的核心驱动力GPT3训练数据1.4.人工智能的核心技术分支大模型的训练是一个复杂的过程，核心目标是使模型从海量数据中学习到复杂的模式与关联（通常称为模型“习得知识”），并最终能够应用这些模式完成特定任务（如问答、内容生成）。这一过程主要分为两个关键阶段：预训练（Pre-training）和微调（Fine-tuning）。预训练后获得的模型用于实际任务处理的过程，称为推理（Inference）。5.大模型技术——生成式人工智能的核心驱动力1.4.人工智能的核心技术分支预训练得到的基础模型虽然具备广泛的通用知识，但在执行特定领域或专业化任务（如法律文书分析、金融报告生成、特定设备故障诊断）时，其表现往往达不到应用要求。通过微调，基础模型可以转化为面向特定行业（如金融、医疗、教育）或垂直领域（如股票分析、癌症诊断、编程辅导）的专用模型。5.大模型技术——生成式人工智能的核心驱动力1.4.人工智能的核心技术分支大模型强大的学习能力与其巨大的参数量密切相关。更多的参数意味着模型具备更强的容量（Capacity），能够拟合更复杂的数据分布和模式，从而在多样化的任务上展现卓越性能。大模型尤为突出的两个特性是涌现能力（EmergentAbility）和泛化能力（GeneralizationAbility）。涌现能力：指当模型的参数量和训练数据规模增长到某个临界点（ScalingLaw）后，模型表现出的、在较小规模模型上观察不到或极微弱的新能力。泛化能力：指模型将训练阶段学习到的知识有效应用于新样本、新任务的能力。5.大模型技术——生成式人工智能的核心驱动力1.4.人工智能的核心技术分支生成式AI（ArtificialIntelligenceGeneratedContent）是指一类能够自主创建新颖内容（如文本、图像、音频、视频、代码等）的AI系统。生成式AI可根据输入与输出模态的关系进行分类：同模态生成（Single-modalityGeneration）：输入与输出为同一模态。例如：文本续写/摘要（文生文）、图像修复/扩展（图生图）、视频预测（视频生视频）。跨模态生成（Cross-modalityGeneration）：输入与输出为不同模态。例如：根据文本描述生成图像（文生图）、图像内容描述（图生文）、基于文本生成视频（文生视频）或音乐（文生音频）。5.大模型技术——生成式人工智能的核心驱动力1.4.人工智能的核心技术分支5.大模型技术——生成式人工智能的核心驱动力AI技术里程碑AI产业发展“三叠浪”AI重点事件里程碑1956年达特茅斯会议1997年深蓝机器人战胜人类2007年视觉识别超过人类2020年AlphaFold2022年ChatGPT决策式AI生成式AI1.4.人工智能的核心技术分支5.大模型技术——生成式人工智能的核心驱动力图1.47

自然语言处理、大语言模型和生成式人工智能的关系1.4.人工智能的核心技术分支为什么说大模型技术是生成式人工智能的核心驱动力?5.大模型技术——生成式人工智能的核心驱动力大模型基于超大规模参数（如千亿级）和广泛训练数据，能够学习复杂的数据分布规律，为生成高质量内容（文本、图像等）奠定基础。海量数据与强大算力支撑当模型规模超过临界点，会涌现出小模型不具备的推理、泛化能力（如逻辑链推理），显著提升生成内容的连贯性和创造性。涌现能力与性能跃升通过预训练（如Transformer架构），大模型掌握跨领域语义关联，无需任务特定训练即可完成多种生成任务（对话、创作、代码生成等），实现"一模型多用途"。通用生成能力突破大模型通过"预训练+微调"框架统一了传统分散的AI任务，成为生成式应用的基础设施，推动技术快速迭代和产业化落地。技术范式统一1.4.人工智能的核心技术分支《奇点临近》到2025年底AI智力超人类，2027-2028年，甚至可能超越所有人类智力。到2030年，人工智能超过人类智力综合的概率约100%。埃隆・马斯克超越人类智慧的AI最快可能在5年内问世，最慢也可能在20年内出现。杰弗里・辛顿机器在未来几年内几乎可以做人脑能做的任何事情。2025年，人们会看到AGI对预期的改变。在未来一段时间内，超级智能的出现或将成为现实。萨姆·奥尔特曼雷・库兹韦尔在书中语言，2045年将迎来“奇点”，技术会以指数级速度发展，人工智能将超越人类，那时人类和机器的界限将越来越模糊，甚至有可能实现思想的数字化存储和永生的梦想。/video/BV1dMzpB9EaU/，人工智能教父杰弗里·辛顿教授2026.1.7最新演讲。辛顿这场演讲的核心信息是：大语言模型和人脑的工作方式高度相似，但数字AI有两个人类永远无法企及的优势——它们可以共享知识，而且可以通过自我推理超越训练数据。这意味着超级智能的出现只是时间问题，而它出现后，人类在智力上毫无胜算。人工智能的支撑技术基础051.5.人工智能的支撑技术基础1.人工智能的基石——计算资源的飞速发展早期计算设备与AI的萌芽1956年达特茅斯会议确立AI学科时，IBM704计算机（约4000FLOPS）为早期符号主义AI提供了实验平台。算力革命与AI复兴2006年，多核处理器（如IntelCore2Quad）的出现显著提升了CPU的并行能力，支撑了早期机器学习库的运行。图形处理器的并行计算架构（NVIDIA在1999年提出GPU概念并发布GeForce256）被证明极其适合矩阵运算分布式计算技术。异构计算与AI爆发NVIDIAFermi架构（2010）是GPU通用计算能力的重要演进，显著提升了并行处理能力计算架构协同进化与AI新边疆当前AI计算已进入“CPU+GPU+专用加速器”的异构时代，不同架构协同工作：CPU主导逻辑控制和任务调度；GPU擅长处理大规模并行张量运算（如矩阵乘法）；而TPU、FPGA等专用加速器则针对特定算子（如注意力机制）进行优化1940s-1970s1980s-2010s2010s-2020s2020-至今1.5.人工智能的支撑技术基础云计算（CloudComputing）为AI提供了可扩展、高效率的算力支持，使其突破本地硬件的限制。通过虚拟化技术和分布式架构，云计算能够动态调配计算资源，满足AI模型训练和推理的高并发需求。公有云、私有云和混合云的多样化服务模式，降低了企业部署AI的门槛，推动技术普惠化。2.人工智能的算力——云计算的弹性与普惠1.5.人工智能的支撑技术基础AI与大数据（BigData）的结合被视为科技领域的一次革命性融合。AI依赖于大数据的海量信息进行学习和决策，而大数据则通过AI技术的处理和分析获得更深层次的洞察和应用。这种技术融合不仅加速了创新的步伐，还重新定义了许多行业的运作方式。3.人工智能的血液——大数据的爆发与赋能1.5.人工智能的支撑技术基础TensorFlow、PyTorch等深度学习框架为AI开发者提供了强大的"创新工坊"，大幅降低了算法研发的门槛。这些开源工具通过模块化设计和自动微分等核心技术，让研究人员能够快速实现从理论到应用的跨越。4.人工智能的"创新工坊"——算法开发工具TensorFlow是一个开源的机器学习框架，致力于各种数据流图的自动微分和深度神经网络的计算。简而言之，TensorFlow帮助我们轻松地构建、训练和部署机器学习模型。它可以在各种平台上运行，包括桌面计算机、服务器、移动设备和嵌入式设备。TensorFlowPyTorch是一个由Facebook的AI研究团队开发的开源深度学习框架。在2016年发布后，PyTorch很快就因其易用性、灵活性和强大的功能而在科研社区中广受欢迎。Pytorch人工智能在各行业的发展现状1.61.6.人工智能在各行业的发展现状医疗健康智能制造教育行业文娱传媒交通物流零售信息技术............1.6.人工智能在各行业的发展现状自动驾驶和智能驾驶辅助智能交通管理智能公共交通系统物流与供应链优化交通物流杭州市的“城市大脑”的交通治理系统京东物流无人配送车百度“萝卜快跑”湖北路口智能预警系统深圳市南山区无人驾驶公交车特斯拉发布FSD演示视频：旧金山到洛杉矶全程580公里零干预（2025.8.13）/0/874/938.htm首批L3级车型获批上路

我国自动驾驶时代有序开启（2025.12.16）/tech/20251216/1a2a5bf1141d4bdda70d178ba852e6dc/c.html1.6.人工智能在各行业的发展现状2.智能制造辅助设计生产自动化与优化质量控制与缺陷检测智能分拣与物流1.6.人工智能在各行业的发展现状2.智能制造AI打造的工业金属风福特F-150皮卡联想为客户构建基于SmartAPS的工厂生产计划排产管理系统，显著提升了企业的供应链协同能力、响应速度和决策智能化水平。该智能排产系统不仅缩短了生产计划周期、减少了库存天数，还提高了生产计划管理的可视度质量控制与缺陷检测2.智能制造国内头部半导体材料厂锂电池和半导体制造，通过机器视觉获取硅片表面特征图像，对缺陷精准定位、识别与分类；分析缺陷分类占比等数据，实现自适应缺陷检出，配合自动化质量监控对设备问题报警友思特AI视觉软件平台为传统的深度学习视觉检测方案提供了“自动深度学习“的解决方案，一键生成高性能视觉检测模型，完成元件自动标注任务生产自动化与优化2.智能制造特斯拉工厂智能生产线首次揭秘特斯拉上海超级工厂/video/BV1XV411o7DQ搬运车架车身喷漆装发动机引擎盖装挡风玻璃1.6.人工智能在各行业的发展现状疾病诊断个性化治疗智慧病历药物研发

3.医疗健康115/921.6.人工智能在各行业的发展现状3.医疗健康中文数字放射科医生”小君”可以实现针对脑血管病以及脑部、颈部和胸部等十几个部位的肿瘤、感染等上百种疾病给出诊断意见，准确率超过95%，且平均生成一个病例的诊断意见仅需0.8秒116/92浙大二院Medcopilot,具备知识检索与推荐、裸眼3D模型唤醒、检验指标自动形成趋势图、工作量提醒、病历书写提醒、病历质量提醒、自动生成交接班文书、自动生成病历小结、解析中英文文献等多项AI功能1.6.人工智能在各行业的发展现状3.医疗健康117/92/0/888/976.htm1.6.人工智能在各行业的发展现状3.医疗健康华为云盘古药物分子大模型辅助药物筛选和分子设计，利用该模型研发出超级抗菌药—DrugX。其研发过程突破了医药研发“双十定律”的瓶颈，将原本漫长的研发周期从数年缩短至数月1.6.人工智能在各行业的发展现状3.医疗健康2024年诺贝尔化学奖授予了在AI蛋白质设计领域做出突破的科学家。其核心是AI工具AlphaFold（由哈萨比斯领导的DeepMind开发），它能以原子级精度预测蛋白质三维结构。北京时间2024年10月9日下午，2024年诺贝尔化学奖正式揭晓。瑞典皇家科学院决定将2024年诺贝尔化学奖一半授予DavidBaker，以表彰其对计算蛋白质设计的贡献，另一半则共同授予DemisHassabis和JohnM.Jumper，以表彰其对蛋白质结构预测的贡献1.6.人工智能在各行业的发展现状内容生成内容审核人工智能合成主播个性化推荐4.文娱传媒-新闻传媒行业1.6.人工智能在各行业的发展现状4.文娱传媒2024年3月29日，央视《晚间新闻》选用了人工智能生成的视频1.6.人工智能在各行业的发展现状4.文娱传媒2024年，人民网《两会人工智能学习》栏目人民网多语种人工智能数字主持人1.6.人工智能在各行业的发展现状

4.文娱传媒-新媒体行业内容生成与管理个性化推荐与用户分析用户互动与服务自动化营销1.6.人工智能在各行业的发展现状

4.文娱传媒-新媒体行业小红书的人工智能写作助手,根据关键词生成内容，辅助选题与标题创作，提供智能写作建议，涵盖丰富模板、云端同步、数据统计、互动交流、语音输入及智能排版等功能，助力创作者产出优质笔记一个10岁男孩的小红书推荐页一个20岁女大学生的小红书推荐页1.6.人工智能在各行业的发展现状

4.文娱传媒-新媒体行业广告主利用人工智能分析工具打造营销场景1.6.人工智能在各行业的发展现状

4.文娱传媒-影视行业前期制作：人工智能驱动的剧本创作软件Nolan中期制作：《哪吒2》原本需要200人团队耗时3个月完成的「四海龙王水战」场景，现由12人团队2周完成后期制作：AI实现百部经典华语港片，重温经典梦回黄金时代,高清修复提升感官体验1.6.人工智能在各行业的发展现状

5.教育行业个性化学习智能助教教学设计科研助手天津大学提供的“数字老师”是以刘艳丽老师个人形象1:1仿真模拟出的虚拟数字人科大讯飞推出的教师助手全面支持教学设计环节，显著提升了教师的单元教学规划效率、教学活动丰富度以及课件制作效率中国知网提供的人工智能学术研究助手，它具备强大的辅助研读和辅助创作功能，将研究与创作环节无缝对接，形成从研读到创作的场景闭环1.6.人工智能在各行业的发展现状软件开发与测试人工智能终端设备6.信息技术行业Cursor智能编程助手1.6.人工智能在各行业的发展现状智能营销增强购物体验用户洞察和个性化体验智能客服和会员管理7.零售行业1.6.人工智能在各行业的发展现状7.零售行业AI模特AI数字人直播带货1.6.人工智能在各行业的发展现状7.零售行业淘宝智能导购2024年6月，淘宝VisionPro（人工智能+VR）版增加了品牌馆的页面，提供了虚实结合的购物环境，抢先体验虚拟小米SU7

试驾功能1.6.人工智能在各行业的发展现状7.零售行业深入分析用户的购买行为、浏览记录和评价反馈人工智能在其他行业的应用8.其他行业行业人工智能应用金融行业风险管理、信用评估、欺诈检测、客户服务、智能交易、智能助手科学研究和技术服务业数据分析与预测、模拟与实验设计、新材料与药物设计、智能辅助工具、智能实验仪器