人工智能基础导学案：自主探究与练习

202XLOGO人工智能基础导学案：自主探究与练习演讲人2026-07-071.导学案设计定位与自主探究核心目标2.第一层级：基础概念与发展脉络自主探究3.第二层级：核心技术原理分层探究4.第三层级：应用场景探究与分层实践练习5.探究反思与认知误区梳理目录我作为高校人工智能专业入门课程授课教师，从事人工智能基础教学已有八年时间，在教学中发现多数入门学习者对人工智能的认知要么停留在大众媒体的流量叙事中，将生成式AI等同于人工智能全部，要么畏惧其涉及的数学与编程知识，不敢主动开展自主探究。本导学案以自主探究为核心设计理念，遵循由浅入深的认知规律，引导学习者分层完成知识建构与实践练习，最终搭建完整的人工智能基础认知框架。以下为具体探究内容：01导学案设计定位与自主探究核心目标1设计定位本导学案面向零基础或入门级人工智能学习者，不要求学习者具备深厚的高等数学与编程基础，核心目的是替代传统填鸭式的预习模式，通过分层设置探究任务，引导学习者主动思考、自主梳理知识，培养自主学习能力，为后续深入学习人工智能专业内容打下基础。2核心探究目标2.1知识目标厘清人工智能核心概念与发展脉络，掌握不同发展阶段核心技术的基本原理，熟悉人工智能典型应用场景，能够准确区分易混淆的核心概念。2核心探究目标2.2能力目标能够运用基础原理解释人工智能系统的运行逻辑，能够完成适配自身基础的实践练习，能够独立梳理探究过程中遇到的问题并尝试解决。2核心探究目标2.3素养目标树立对人工智能的理性认知，关注人工智能的伦理与社会影响，培养对人工智能领域的探究兴趣，形成正确的技术观。明确设计定位与探究目标后，我们正式进入第一层级的基础认知自主探究，完成人工智能知识体系的初步搭建。02第一层级：基础概念与发展脉络自主探究第一层级：基础概念与发展脉络自主探究本层级探究的核心是破除入门阶段的认知偏差，建立清晰的基础概念框架，是整个自主探究过程的前提。1核心概念辨析1.1人工智能的定义区分广义上，人工智能是指所有能够模拟、延伸人类智能的计算机系统，涵盖从简单的规则引擎到复杂的大模型在内的所有相关技术；狭义上，当前大众讨论的人工智能通常指以深度学习为基础的生成式人工智能，二者范畴差异很大。我每次第一节课做学情调查，超过八成的新生会把狭义的生成式AI等同于人工智能整体，这是入门阶段第一个需要纠正的认知偏差。1核心概念辨析1.2易混淆包含关系梳理人工智能、机器学习、深度学习三者是逐层包含的关系：人工智能是最大的上位概念，机器学习是实现人工智能的一个技术分支，区别于早期的符号主义规则推理，深度学习是机器学习的一个子类，以多层神经网络为基础，是当前第三次AI浪潮的核心技术。我接触过不少跨专业入门的学习者，一开始常把三个概念等同，梳理清楚这个包含关系，就完成了入门的第一步。2人工智能发展脉络自主梳理2.1三次发展浪潮的关键节点第一次浪潮是1956年达特茅斯会议正式提出“人工智能”概念，到20世纪70年代，受限于计算能力和算法瓶颈，第一次AI寒冬到来；第二次浪潮是20世纪80年代，专家系统兴起，企业开始大规模投资AI，但因为专家系统维护成本过高、通用性差，90年代再次进入AI寒冬；第三次浪潮从2012年AlexNet在图像识别比赛中打破纪录开始，深度学习技术引爆行业发展，2022年ChatGPT推出后，生成式AI走进大众视野，AI进入全面商业化阶段。我2011年读硕士入学的时候，实验室里还在做传统机器学习的项目，AlexNet论文出来之后，整个实验室的研究方向半年内就转了大半，那种技术突破带来的冲击，我到现在都印象深刻。2人工智能发展脉络自主梳理2.2不同阶段的核心逻辑差异第一次浪潮以符号主义为核心，靠人工编写规则实现推理，擅长处理规则明确的问题；第二次浪潮传统机器学习开始兴起，靠人工标注数据提取特征，训练模型完成任务；第三次浪潮深度学习，尤其是大模型，靠海量数据和大算力自动提取特征，通用性大幅提升。3基础层级自检练习（1）请画出人工智能、机器学习、深度学习的包含关系示意图；（2）梳理三次AI浪潮兴起与回落的核心原因，总结AI发展的核心驱动因素。完成基础概念层面的探究后，我们进一步深入核心技术原理，开展第二层级的原理性自主探究，理解AI到底是如何工作的。03第二层级：核心技术原理分层探究第二层级：核心技术原理分层探究本层级探究的核心是拆解不同技术路线的运行逻辑，掌握AI技术的核心原理，搭建完整的技术认知框架。1符号主义AI原理探究1.1规则推理的基本逻辑符号主义AI的核心是将人类知识转化为计算机可以理解的符号规则，机器通过匹配规则完成推理输出，比如早期的国际象棋AI，就是把所有下棋规则和胜负判断逻辑都编写成代码，机器通过遍历计算找到最优走法。1符号主义AI原理探究1.2符号AI的优势与局限性优势是规则透明，可解释性强，不存在黑箱问题；局限性非常明显，对于模糊性、不确定性问题，无法靠人工穷举所有规则。我读博的时候曾经参与过一个传统医学专家系统的开发项目，光是整理常见病症的判断规则就花了三个多月，最后上线测试还是遇到了大量规则之外的例外情况，项目最后只能转为科研样本，无法落地，这段经历让我对符号AI的局限性有非常直观的感受。2传统机器学习核心原理探究2.1机器学习的核心逻辑机器学习区别于符号AI的核心是，它不是靠人工编写规则，而是从数据中学习规律，完成预测或判断，基本流程是“数据输入-特征提取-模型训练-损失优化-结果输出”。2传统机器学习核心原理探究2.2常见学习范式的适用场景监督学习是用标注好的数据训练模型，适合分类、回归等明确任务，比如房价预测、垃圾邮件分类；无监督学习是用未标注数据挖掘数据内在结构，适合聚类、关联规则挖掘，比如用户分群；强化学习是让智能体在环境中通过试错获得奖励，优化策略，适合游戏控制、机器人控制等场景。2传统机器学习核心原理探究2.3传统机器学习的核心痛点核心是特征工程依赖人工，高质量的特征需要领域专家手动提取，一个项目中80%的时间都花在数据清洗和特征工程上，不仅效率低，还非常依赖个人经验。3深度学习与大模型核心原理探究3.1深度学习的核心优势深度学习靠多层神经网络自动提取特征，不需要人工手动设计特征，大幅降低了对领域专家的依赖，在处理图像、文本等非结构化数据上优势非常明显。3深度学习与大模型核心原理探究3.2当前大模型的核心架构当前主流大模型都基于Transformer架构，核心是自注意力机制，能够让模型自主关注到输入序列中不同部分的关联，比如翻译一段文本时，模型能够准确找到代词对应的先行词，解决了传统循环神经网络无法处理长文本依赖的问题。3深度学习与大模型核心原理探究3.3生成式大模型的训练路径当前主流生成式大模型采用“预训练-指令微调-人类反馈强化学习（RLHF）”的路径，预训练阶段用海量文本数据训练模型学习通用语言知识，再用人类标注的指令数据微调，最后通过人类反馈强化学习对齐人类的需求和价值观。4核心层级探究练习（1）对比符号AI、传统机器学习、深度学习的核心差异，完成对比表格；（2）说明自注意力机制在大模型中的作用；（3）思考为什么深度学习在非结构化数据处理上比传统机器学习效果更好。原理层面的探究完成后，我们需要将知识落地到实践，开展第三层级的应用探究与实践练习，实现从理论认知到实践能力的转化。04第三层级：应用场景探究与分层实践练习第三层级：应用场景探究与分层实践练习本层级探究的核心是将理论与实际结合，通过分层练习适配不同基础的学习者，实现知识的内化。1典型应用场景分类探究1.1计算机视觉是AI最成熟的应用领域之一，涵盖图像分类、目标检测、语义分割、生成式图像等方向，典型应用包括人脸识别、工业缺陷检测、AI绘图等。我们学院和本地汽车制造企业合作的AI缺陷检测项目，能够比人工检测提高30%的准确率，大幅降低了企业的次品流出率。1典型应用场景分类探究1.2自然语言处理以自然语言为处理对象，涵盖机器翻译、对话系统、文本生成、信息抽取等方向，ChatGPT、文心一言等大众熟知的产品都属于自然语言处理领域的应用。1典型应用场景分类探究1.3跨模态生成是当前最热门的研究方向，能够处理文本、图像、音频、视频等多种模态的数据，实现文生图、文生视频、多模态对话等功能。我上个月体验了Sora的内测版本，生成的一分钟高清动态视频场景连贯、逻辑自洽，其效果之好超出了我五年前的预判，AI技术的迭代速度确实远超想象。1典型应用场景分类探究1.4垂直领域行业应用AI已经渗透到各行各业，医疗领域的AI辅助诊断能够帮助医生快速识别肺结节、乳腺癌等病灶，教育领域的AI个性化辅导能够为学生提供定制化的学习路径，金融领域的AI风控能够快速识别欺诈交易。2分层实践练习设计适配不同基础的学习者，大家可以根据自身情况选择对应任务：2分层实践练习设计2.1入门级零基础练习基于sklearn库完成鸢尾花分类任务，不需要复杂的编程基础，只需要按照流程加载数据、划分训练集、训练模型、输出准确率，半天就能完成，能够帮助学习者直观理解机器学习的整个工作流程。2分层实践练习设计2.2进阶级有编程基础练习基于开源轻量大模型（如Llama27B），用垂直领域的问答数据集做微调，得到一个专属领域的问答机器人，能够帮助学习者理解大模型微调的基本逻辑，熟悉大模型开发的基本流程。2分层实践练习设计2.3探究级素养提升练习开展AI伦理问题的自主调研，围绕“生成式AI内容的版权归属”“算法偏见的成因与影响”“AI对就业市场的影响”等议题，收集案例，撰写1500字左右的探究报告，培养正确的AI素养。3拓展探究思考题（1）为什么AI在图像生成领域的成熟度高于视频生成？（2）大模型为什么会出现“幻觉”问题？你认为可以从哪些方向缓解这个问题？完成三个层级的探究与练习后，我们需要对整个探究过程进行复盘反思，梳理认知盲区，完成自主探究的闭环。05探究反思与认知误区梳理1入门阶段常见认知误区整理5.1.1误区一：当前AI已经达到通用人工智能水平，具备自我意识实际上当前所有AI都是弱人工智能，都是针对特定任务训练的，不具备通用的认知能力，更没有自我意识，距离通用人工智能还有非常远的距离。5.1.2误区二：AI训练完成后就可以完全自主运行，不需要人工干预实际上AI从数据标注、模型训练到上线后的迭代维护，每一个环节都离不开人工的参与，我参与过的所有落地项目，每个季度都需要更新数据重新训练模型，应对应用场景的变化，不存在一劳永逸的AI。5.1.3误区三：AI只会取代人类工作，弊大于利实际上AI一方面取代了部分重复性的劳动，另一方面也创造了大量新的工作岗位，比如AI训练师、提示词工程师、AI内容安全审核师等，更重要的是AI把人类从重复性劳动中解放出来，让人类可以投入到更有创造性的工作中。2自主探究学习方法总结2.1先梳理概念框架，再深入细节入门阶段不要一开始就扎进复杂的数学公式和代码里，先把整体框架理清楚，再逐步深入，不然很容易迷失在细节里，失去学习兴趣。2自主探究学习方法总结2.2坚持动手实践，在做中学人工智能是一门实践性非常强的学科，只看理论不做练习，永远不可能真正理解，哪怕是跑通一个最简单的分类项目，也比看十遍理论收获大。2自主探究学习方法总结2.3持续关注领域发展，更新认知AI是当前发展最快的领域之一，知识更新速度非常快，入门学习者要