《现代AI基础》(微课视频版)第5章 课后思考题答案

第5章课后思考题答案1.计算机能够识别手写数字，主要依靠大量样本训练和深度学习模型自动提取图像特征。卷积神经网络CNN通过“卷积”提取局部特征，如边缘、笔画、形状；通过“池化”压缩信息、减少噪声，使模型对轻微变形具有一定鲁棒性。除了识别文字，CNN还可以识别物体、场景、人脸、医学影像异常等。但它并不等于真正理解图像，仍可能受到数据偏差、遮挡、噪声和对抗样本影响。2.神经网络受到人脑视觉皮层启发，尤其是层级处理、局部感知和特征组合等思想。CNN就类似于从简单边缘逐步提取复杂图像结构。模仿大脑为AI提供了重要方向，但AI不应只模仿结构，还应关注人脑如何学习、记忆、推理和适应环境。当前AI在常识理解、小样本学习、因果推理、情感理解和综合判断方面仍远不如人脑。3.Transformer能通过注意力机制捕捉上下文关系，因此擅长处理语言、代码和文本生成。但它并不一定真正理解语言，而是从大量文本中学习表达模式和知识关联。它会产生“幻觉”，说明它可能生成流畅但错误的内容。目前它介于高级模式匹配和有限理解之间。区分这一点很重要，因为在医疗、法律、教育等场景中，不能把“说得像真的”直接等同于“真的可靠”。4.GAN可以生成逼真的图片、人脸、视频和艺术作品，具有创作、修复和设计价值。但它也可能被滥用，例如制造虚假新闻、伪造人脸、侵犯肖像权、进行诈骗或制作深度伪造内容。因此，技术发展初期就应考虑伦理和社会影响。平衡方法包括生成内容标识、水印、检测工具、法律监管和公众媒介素养教育。技术创新不能脱离责任边界。5.训练神经网络可以比作烹饪一道复杂的菜。算法像菜谱，参数像火候，模型结构像厨具，而数据像食材。即使算法很好，如果数据质量差、样本不足或存在偏差，模型效果也会很差。也可以把训练模型比作训练宠物或学生，需要不断反馈、纠错和优化。这个比喻说明：数据质量和多样性是机器学习效果的核心基础。6.未来十年，神经网络可能深入购物、医疗、教育、招聘、交通和社交等场景。AI可以帮助推荐商品、辅助诊断、生成学习资源、筛选简历、规划路线和提高工作效率。这些变化一方面增强人的能力，让人机协作更普遍；另一方面也可能替代部分重复性、标准化工作，如基础客服、简单文案、数据整理等。人类应提升复杂思考、创造力、沟通能力和AI使用能力。7.手机、智能音箱、导航和推荐系统已经广泛使用神经网络技术。它们可以语音识别、路线规划、智能推荐、图像优化，让生活更方便。但这些服务通常需要收集位置、语音、搜索、消费和行为数据，可能带来隐私泄露和数据滥用风险。平衡方式包括最小化授权、关闭不必要权限、加强数据加密、平台透明使用数据，以及完善法律监管。8.大型语言模型能够生成文本、代码、图像描述等内容，看起来具有创造力。但从原理上看，它主要是学习已有数据中的模式，并进行组合和生成。因此，它更接近“重组式创造”。不过，人类创造也常常建立在已有知识基础上，所以AI仍可以成为重要的创作工具。它接近人类创造力的地方在于生成和组合能力，远离人类创造力的地方在于缺少真实体验、情感、目的和价值判断。9.在医疗、金融、自动驾驶等关键场景中，模型决策可能影响生命、财产和权利，因此不能只看结果，还要理解原因。可解释性有助于建立信任、发现错误、识别偏见和改进模型。常见方法包括特征可视化、热力图、Grad-CA