高中二年级信息技术人工智能知识清单-第八课：走近人工智能

高中二年级信息技术人工智能知识清单——第八课：走近人工智能一、【基础】人工智能的定义、起源与历史演进（一）【基础】人工智能的学科定义与核心目标：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。从学科定义上，我们可以将其概括为：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学16。其核心目标并非仅仅制造出能够执行预设指令的机器，而是要赋予机器具备感知、推理、学习、决策以及与环境和人类进行自然交互的能力。（二）【重要】人工智能的起源与三大主要流派：了解人工智能的历史，不能简单地将其视为一条直线发展的技术史，而应看作是不同哲学思想和科学方法相互碰撞、融合的演进过程。1、符号主义：亦称逻辑主义，该流派认为人类的认知过程是基于符号的操纵和逻辑推理。因此，人工智能的核心在于通过符号逻辑系统来描述世界，并利用推理规则来解决问题。早期的机器定理证明、专家系统是这一流派的典型代表。符号主义在模拟人类的高级思维活动（如数学计算、逻辑推理）方面取得了显著成就，但在处理感知、学习等非结构化问题上遇到了瓶颈1。2、连接主义：其核心思想是模仿人脑的生理结构——神经元及其连接方式（突触）来处理信息。连接主义认为，智能行为是由大量简单的处理单元（神经元）通过复杂的互联并行计算涌现出来的。人工神经网络和深度学习是连接主义的代表性技术。这一流派在图像识别、语音识别等感知领域取得了突破性进展，但其“黑箱”特性使得推理过程难以解释1。3、行为主义：该流派认为，智能不源于抽象的符号运算或内部的神经元连接，而源于智能体与环境的交互作用。它强调“感知—动作”模式，即机器能够根据环境的反馈调整自身行为。控制论和进化机器人是行为主义的重要体现。这一流派为智能体的自主性和适应性研究提供了新的视角1。（三）【基础】人工智能发展的三次浪潮与两次寒冬：人工智能的发展历程并非一帆风顺，而是经历了数次大起落。1、第一次浪潮（1956年—1970年代初期）：1956年达特茅斯会议标志着人工智能的诞生。这一时期的重点是逻辑证明和问题求解，研发了早期的跳棋程序和第一款聊天机器人ELIZA。但由于当时计算机算力有限，且试图解决的很多问题远比预想的复杂，导致政府投入削减，人工智能进入了第一次寒冬。2、第二次浪潮（1980年代—1980年代末期）：专家系统的兴起标志着第二次浪潮的到来。专家系统将领域专家的知识以规则形式存入计算机，用于解决特定问题（如医疗诊断、地质勘探）。日本的第五代计算机项目也极大地推动了这次浪潮。然而，专家系统知识获取的“瓶颈”问题、维护成本高昂以及PC革命带来的冲击，使得人工智能在80年代末期再次进入寒冬。3、第三次浪潮（1993年至今）：随着互联网带来的海量数据、GPU等硬件算力的飞跃式提升，以及机器学习尤其是深度学习算法的突破，人工智能迎来了第三次发展浪潮。2012年AlexNet在ImageNet竞赛中大幅胜出，2016年AlphaGo战胜人类围棋冠军，以及近年来生成式大模型的涌现，标志着人工智能进入了爆发式增长阶段6。（四）【热点】新一代人工智能的特征：以深度学习和大模型为核心的新一代人工智能，呈现出从“感知智能”向“认知智能”过渡的特征。它不仅能够“看”和“听”（感知），还开始具备“理解”和“创造”（认知）的能力。其核心特征包括数据驱动、端到端学习、强大的泛化能力以及多模态信息处理。二、【重要】人工智能的核心构成要素：数据、算力与算法（一）【基础】算法：人工智能的“大脑”：算法是解决问题的步骤和规则，是赋予机器智能的核心。在人工智能领域，算法特指能从数据中学习模式和规律的数学模型。如果说传统程序是“数据+规则=答案”，那么机器学习则是“数据+答案=规则”。机器通过算法从数据中学习，找到数据背后的规律，并用这个规律去预测或决策未知的新数据。（二）【重要】数据：人工智能的“养分”：数据是算法学习的原材料。没有数据，再强大的算法也无法发挥作用。人工智能所需要的数据量大且多样，因此也衍生出专门研究数据处理的方法。1、数据的类型：包括结构化数据（如表格）、非结构化数据（如图像、音频、文本）以及半结构化数据（如JSON、XML文件）。2、数据预处理：现实世界的数据往往是“脏”的，包含缺失值、噪声和不一致性。因此，数据清洗、数据集成、数据变换、数据归约等预处理步骤至关重要，直接影响最终模型的性能4。3、数据标注：对于监督学习而言，标注数据是必不可少的。例如，在训练图像识别模型时，需要人工标记出图片中是“猫”还是“狗”。高质量的数据标注是建立高性能模型的基石。（三）【基础】算力：人工智能的“肌肉”：算力是指计算机系统处理数据的能力，是支撑算法运行和数据处理的基础设施。人工智能，特别是深度学习，需要进行海量的矩阵运算，这对算力提出了极高的要求4。1、CPU：通用计算的核心，擅长处理复杂的逻辑控制和串行任务。2、GPU：图形处理器，拥有数千个计算核心，特别擅长并行计算，已成为深度学习训练的主流选择。3、NPU/TPU/FPGA：神经网络处理器或张量处理器，是为加速人工智能计算任务专门设计的定制芯片，具有更高的能效比，广泛应用于云端推理和边缘端设备。三、【重要】人工智能的主要技术分支与算法原理（一）【高频考点】机器学习：实现人工智能的主要途径：机器学习是研究如何使计算机无需明确编程即可学习的一门学科。根据学习任务的不同，可以分为以下几类16。1、监督学习：其核心是使用有标签的数据进行训练，学习一个从输入到输出的映射函数。常见任务包括回归和分类。（1）分类问题：预测离散的类别。例如，根据邮件内容判断是否为垃圾邮件。经典算法包括K近邻、决策树、支持向量机、朴素贝叶斯等。（2）回归问题：预测连续的数值。例如，根据房屋面积、地段预测房价。经典算法包括线性回归、岭回归等。2、无监督学习：其核心是使用无标签的数据进行训练，让算法自动发现数据内在的结构和模式。常见任务包括聚类和降维1。（1）聚类：将相似的数据样本自动归为一类。例如，电商平台根据用户购买行为将用户划分为不同的客户群体。经典算法包括K均值聚类、DBSCAN等。（2）降维：在保留数据主要特征的前提下，将高维数据映射到低维空间。例如，将包含数千个特征的人脸图像数据压缩到几十个特征以便可视化。经典算法包括主成分分析、t分布邻域嵌入算法等。3、强化学习：其核心是智能体在与环境的交互过程中，通过试错的方式来学习最优策略。智能体执行动作，环境反馈奖励或惩罚，智能体的目标是最大化累积奖励。AlphaGo的核心算法之一便是强化学习1。经典算法包括Q学习、深度Q网络。（二）【热点】深度学习：机器学习的进阶与突破：深度学习是机器学习的一个子集，其灵感来源于对人脑神经元结构的模拟。它通过构建包含多个隐藏层的深度神经网络，自动从原始数据中逐层提取特征，从而学习到极其复杂的函数映射16。1、神经元与感知机：人工神经元是神经网络的基本计算单元，它接收多个输入，进行加权求和，再通过激活函数产生输出。感知机则是由多个神经元组成的单层网络，可以解决简单的线性分类问题1。2、多层感知机与反向传播：为了解决非线性问题，人们在输入层和输出层之间引入了多个隐藏层，形成多层感知机。而反向传播算法则为训练这种深层网络提供了有效的数学方法，通过计算损失函数对各层权重的梯度，逐层向前更新网络参数1。3、卷积神经网络：卷积神经网络是一类特别适用于处理网格状数据（如图像）的深度神经网络。其核心思想是局部连接和权值共享，通过卷积核在输入数据上滑动扫描来提取局部特征。卷积神经网络在计算机视觉领域取得了统治性地位1。4、循环神经网络：循环神经网络是一类专门用于处理序列数据（如文本、语音、时间序列）的神经网络。与卷积神经网络不同，循环神经网络在网络内部引入了循环连接，使得网络能够保留过去时刻的信息，并将其应用于当前时刻的输出计算中。这使得循环神经网络具有天然的“记忆”能力，在自然语言处理中至关重要。（三）【重要】人工智能的其他关键技术领域1、自然语言处理：研究如何让计算机理解、解释和生成人类语言的技术16。其核心任务包括机器翻译、情感分析、文本摘要、问答系统等。从早期的基于规则的方法，到基于统计的方法，再到如今基于Transformer架构的大语言模型，自然语言处理经历了深刻的变革。当前的ChatGPT等应用正是自然语言处理技术集大成的体现。2、计算机视觉：研究如何让计算机从图像或视频中获取高级别理解的技术16。其核心任务包括图像分类、目标检测、图像分割、人脸识别、姿态估计等。计算机视觉技术已广泛应用于安防、医疗影像分析、自动驾驶等领域。3、语音处理：研究如何让计算机能够“听”和“说”的技术1。它包括两个主要方向：语音识别是将语音信号转换成文本；语音合成则是将文本转换成自然流畅的语音。智能音箱、语音助手是语音处理技术的典型应用。4、知识图谱：一种用图结构来建模知识和实体间关系的技术1...本质上是一个语义网络，节点代表实体（如“北京”、“中国”），边代表实体间的关系（如“是...的首都”）。知识图谱为搜索引擎、推荐系统和智能问答提供了结构化的背景知识支撑。5、专家系统：一个包含大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，来解决那些需要专家才能解决的复杂问题1。虽然现在主流技术范式已转向深度学习，但专家系统的知识表示和推理思想仍对智能决策系统有重要影响。四、【热点】大模型时代的人工智能新范式（一）大语言模型的基本概念：大语言模型通常指包含数千亿甚至更多参数的基于Transformer架构的大规模预训练模型。它们在海量的无标注文本数据上进行训练，学习到了丰富的语言知识、语法规则和世界常识。这种“大算力+大数据+大模型”的模式，使模型产生了一种称为“涌现能力”的现象，即在没有经过特定任务训练的情况下，也能表现出优秀的上下文学习、指令遵循和逻辑推理能力4。（二）生成式人工智能：生成式人工智能是人工智能技术的一个重要分支，其核心在于“创造”，而非“识别”或“分类”。它能够基于学习到的数据分布，生成全新的、与训练数据相似的内容，包括但不限于文本、图像、音频、视频和代码3。常见的生成式人工智能应用包括：1、文本生成：撰写文章、诗歌、代码、翻译、对话等。2、图像生成：根据文本描述生成逼真的图片或艺术作品。3、音频生成：合成语音、生成音乐。4、多模态生成：同时生成图文结合、音画同步的内容。（三）智能体的概念与应用：智能体是指能够感知环境、进行决策并执行动作以实现特定目标的实体。在人工智能语境下，智能体往往指的是一个由大语言模型驱动的、能够自主理解任务、规划步骤、调用外部工具并最终完成复杂目标的程序系统12。一个典型的智能体工作流程包括：1、感知与理解：接收用户输入的模糊指令，利用大语言模型理解其真实意图。2、任务规划：将复杂任务拆解为一系列有序的子任务。3、工具调用：根据需要，调用外部API（如搜索引擎、计算器、绘图软件、数据库）来获取信息或执行操作。4、执行与反馈：执行子任务，并根据执行结果动态调整后续规划，直至完成整个目标。五、【难点】人工智能的伦理、安全与社会影响（一）人工智能的伦理挑战：随着人工智能技术的广泛应用，一系列伦理问题日益凸显，成为制约其健康发展的重要因素24。1、偏见与歧视：如果训练数据包含人类社会固有的偏见（如性别、种族歧视），学习到的模型也会继承并可能放大这些偏见，导致不公平的决策。例如，一个有偏见的人脸识别系统对某些人种的识别率可能会更低。2、隐私侵犯：人工智能技术，特别是人脸识别和行为分析，可能被用于大规模监控，对个人隐私构成严重威胁。如何平衡技术创新与隐私保护，是亟待解决的难题。3、责任归属：当自动驾驶汽车发生事故，或人工智能医疗系统出现误诊，责任应该由谁来承担？是开发者、使用者，还是算法本身？现有的法律框架对此尚无清晰界定。4、信息茧房与认知窄化：推荐算法根据用户的偏好不断推送其可能感兴趣的内容，这虽然能提升用户体验，但也可能导致用户长期被同质化信息包围，视野变窄，丧失对复杂世界的全面认知。（二）人工智能的安全挑战241、可解释性难题：深度学习模型，尤其是大模型，往往是复杂的“黑箱”，即使能做出准确的预测，人也很难理解其内部的决策过程。这在医疗、金融等高风险领域是一个重大安全隐患。2、鲁棒性与对抗攻击：研究表明，在图像上添加人眼无法察觉的微小扰动，就可以让一个高精度图像分类模型产生错误识别。这种对抗攻击技术对人工智能应用的安全性构成了直接威胁。3、内容安全与虚假信息：生成式人工智能可以被用来批量制造高质量的虚假新闻、深度伪造视频，这严重干扰了社会的信息生态，增加了公众鉴别真伪的难度，甚至可能被用于舆论操纵和政治干预。（三）【重要】人工智能时代的核心素养：面对人工智能带来的深刻变革，高中阶段的学生需要培养适应未来智能社会的关键能力2。1、计算思维：能够将复杂问题抽象化、分解，并设计出计算机可以执行的解决方案的能力。2、批判性思维：能够对人工智能生成的内容保持审慎态度，不盲从、不轻信，学会质疑、验证和独立思考。3、人机协作能力：能够理解人工智能工具的能力边界，善于利用人工智能辅助自身学习和工作，实现“1+1>2”的协作效应。4、人工智能伦理与社会责任感：理解人工智能技术不是中性的，其应用会对社会和个人产生深远影响。作为未来技术的使用者和创造者，应具备正确的价值观和强烈的社会责任感2。六、【拓展】人工智能的实践应用与项目式学习路径（一）基于可视化编程平台的人工智能体验：对于初步接触人工智能原理的高中生而言，利用图形化、模块化的人工智能编程平台（如百度大脑AIStudio、华为ModelArts的零代码开发功能）进行实践是高效且直观的途径。1、图像分类实践：使用现成的图像分类模型，上传自己拍摄的图片（如不同品种的猫、不同类型的校园植物），观察模型的识别结果，并尝试理解模型是如何基于特征进行区分的。进一步地，可以收集少量图片数据，通过平台的简易功能训练一个属于自己的简单分类器，直观感受数据与模型的关系。2、文本情感分析实践：利用自然语言处理平台，输入不同的评论文本（如电影评论、商品评价），观察模型输出“正向”或“负向”的情感倾向。思考模型可能是从哪些关键词或语法结构中判断情感的，并尝试编写一些歧义句或反讽句来测试模型的鲁棒性。3、语音识别与合成实践：体验将语音实时转写成文字的过程，考察不同口音、不同语速下的识别准确率。同时，利用语音合成技术，将一段文字转换成不同音色、不同情感的语音，感受语音技术的应用潜力。（二）【拓展】跨学科融合的人工智能创新项目设计：人工智能不是孤立的学科，而是赋能其他领域的“使能技术”。高中阶段应鼓励开展跨学科的探究式项目学习37。1、人工智能+生物：利用图像识别技术开发一个“校园植物自动识别系统”，通过拍摄叶片或花朵的图片来识别校园内的植物种类，并建立电子数据库。2、人工智能+历史/语文：利用自然语言处理技术对古代文学作品（如《红楼梦》）进行文本分析，统计不同人物的对话频率、常用词汇、情感色彩，尝试从数据角度探索作者的写作风格或人物关系7。3、人工智能+艺术：利用生成式人工智能工具，以“我们的未来校园”为主题，生成多幅风格迥异的设计草图。通过调整提示词（如“未来主义风格”、“生态友好”、“赛博朋克”），观察人工智能如何理解并可视化抽象概念，并以此为基础进行再创作。4、人工智能+社会科学：设计一个关于“社交媒体算法推荐对高中生信息获取的影响”的调查研究。通过问卷调查收集数据，并结合对推荐算法的理解，分析当前信息环境的利弊，形成研究报告并提出自己的思考与建议。七、【考点梳理】典型考查方式与解题策略（一）【高频考点】核心概念辨析：考查对人工智能基本术语的理解与区分。1、常见题型：单项选择题、多项选择题、填空题4。2、考查方式：给出一个具体应用场景，要求判断其背后主要使用了哪种人工智能技术（如：“智能客服能够理解用户的复杂问题并给出解答，这主要应用了____技术。”）。或给出几个相近概念，要求辨析其核心区别（如：请区分监督学习与无监督学习）。3、解答要点：精准掌握每个核心概念的本质特征。例如，区分关键在于数据是否有标签。能够举一反三，将教材中的概念与生活中常见的应用对应起来。（二）算法原理理解：考查对机器学习基本流程和经典算法思想的理解程度。1、常见题型：综合填空题、简答题、分析题4。2、考查方式：描述一个机器学习项目的完整流程（数据收集、预处理、模型训练