人工智能：从基础到实践（微课视频版）课件 第1章 人工智能绪论

人工智能绪论任课教师:CONTENT目录人工智能概述01人工智能的发展02人工智能分类03生成式人工智能04人工智能发展趋势0501人工智能概述古代对智能的理解1荀子对智能的定义古代哲学家荀子在《荀子·正名篇》中提出，智能是认知活动中展现的特定心理特质，是人类理解和处理信息的能力。2王充的“智能之士”概念东汉学者王充在《论衡·实知篇》中首次提出“智能之士”，强调通过学习和提问来提升智能，认为人才应具备一定水准的智能素养。3古代对智能的综合理解古代中国学者普遍认为，智能不仅包括知识和理解能力，还包括运用这些知识解决问题的能力，是对个体综合能力的全面评估。现代心理学对智能的理解（EdwardLeeThorndike）社会性智能涉及理解他人、管理人际关系的能力，是人际交往中不可或缺的一部分，对促进社会和谐与个人成功有重要作用。机械性智能关乎对工具和机械的认知与运用，这种智能使得人类能够创造并有效使用各种机械设备，极大地提高了生产效率。抽象性智能体现在对观念和符号的理解及应用方面，使人们能够进行逻辑推理、解决问题，并在科学、数学等领域取得进步。人工智能的孕育亚里士多德与形式逻辑古希腊哲学家亚里士多德在《工具论》中提出形式逻辑，为演绎推理奠定基础，其三段论至今仍是逻辑思维的核心。图灵机的抽象概念英国数学家图灵提出图灵机模型，虽非实体设备，却精准模拟人类数学计算过程，为电子计算机研发提供理论支撑。冯·诺依曼结构的影响约翰·冯·诺依曼阐述的计算机体系架构，即“冯·诺依曼结构”，明确了计算机采用二进制等关键要素，对后世影响深远。冯·诺依曼结构的贡献冯·诺依曼结构的提出冯·诺依曼结构采用二进制作为基本计算方法，这种方法简化了计算机的设计和操作，提高了计算效率。二进制计算方法的应用冯·诺依曼结构引入了程序存储与运行机制，使计算机能够按照预设的程序自动执行任务，极大地扩展了计算机的功能和应用范围。程序存储与运行机制的创新约翰·冯·诺依曼1945年提出了计算机的体系架构，即冯·诺依曼结构，为后续电子计算机的研发与实现提供了至关重要的理论支撑。图灵测试的提出与争议图灵测试的提出1950年，图灵发表《计算机与智能》，提出图灵测试，通过问答判断机器是否具备人类智能，成为人工智能领域的重要里程碑。图灵测试的争议尽管图灵测试被广泛接受，但也有人质疑其只关注结果，无法深入探究机器的思维过程，如中文屋思想实验所示。图灵测试的影响图灵测试不仅推动了人工智能的发展，也引发了对机器智能本质的深入思考，至今仍是衡量机器智能的重要准则之一。人工智能的诞生达特茅斯会议的意义231人工智能术语的正式提出在1956年的达特茅斯会议上，"人工智能"这一术语被正式提出，标志着人工智能作为一个独立学科的诞生，为后续研究奠定了基础。LISP语言达特茅斯会议后，麦卡锡开发了LISP语言，这是第一个专为人工智能设计的程序设计语言，极大地推动了AI技术的发展和应用。确立人工智能研究领域通过达特茅斯会议，人工智能作为一个独立的研究领域被广泛认可，吸引了众多科学家投身于AI的研究，加速了该领域的进步。人工智能的概念与特征跨界融合的复杂特征人工智能结合了计算机科学、数学和神经科学等多学科知识，促进了不同领域间的深度融合与发展。自主智能系统的特征自主智能系统无需人为干预，通过先进智能技术实现操作与管理，如无人机和自动驾驶汽车等。混合智能的新特征混合智能将生物智能与机器智能结合，创造出性能更强的新型智能系统，引领未来技术发展。概念：人工智能是利用数字计算机模拟、延伸和拓展人的智能，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。1.知识表示包括符号表示法和连接机制表示法；符号表示法适用于逻辑性知识，连接机制表示法模拟人脑神经元结构。2.机器感知旨在赋予机器类似人类的感知能力，包括机器视觉和机器听觉；模式识别与自然语言理解是机器感知的两个研究方向。3.机器思维是人工智能的核心，依靠机器思维模拟人类思维活动，使其具备逻辑思维和形象思维能力。4.机器学习研究如何赋予计算机类似人类的学习能力，通过多样化的学习途径自动获取知识和技能，实现自我完善。5.机器行为可类比于人类的行为能力，包含计算机的表达能力和智能机器人的操作能力；实现依赖于机器感知与机器思维。人工智能的基本研究内容人工智能的发展02推理期（1956-1970）推理期是人工智能的萌芽阶段，以符号逻辑和推理机制为基础，旨在使计算机模拟人类智能行为，但受限于形式化表达。知识期（1970-1990）知识期标志着人工智能从理论转向实际应用，通过嵌入人类知识，专家系统在特定领域内进行决策和推理，推动了AI的发展。学习期(21世纪~)学习期以深度学习技术为核心，通过大数据驱动，使人工智能从“制造”智能转向“习得”智能，实现了复杂任务的高效处理。推理期成果与局限推理期成果在推理期，人工智能取得了显著的成果，如专家系统、机器学习算法等，成果为人工智能的发展奠定了基础。推理期局限推理期的人工智能仍存在局限性，如知识表达形式化、缺乏常识性知识获取等，限制了其应用范围。知识期的挑战与突破知识工程的兴起20世纪70年代，人工智能研究进入知识期，核心在于将人类知识以规则的形式嵌入计算机系统，实现特定领域的决策支持。专家系统的突破专家系统作为知识期的代表性成果，通过模拟人类专家的决策过程，在医疗诊断、金融分析等领域取得显著成效。知识获取的难题尽管专家系统取得了成功，但知识获取和表示的难题限制了其进一步发展，成为知识期面临的主要挑战之一。机器学习的引入为解决知识获取难题，研究者开始探索机器学习方法，使机器能够从数据中自动学习知识，提高智能系统的自主性。学习期的深度学习010203深度学习的突破2012年，杰弗里·辛顿等人提出了深度神经网络算法，通过模拟人脑的神经网络结构，实现了从“制造”到“智造”的飞跃。大数据驱动的学习深度学习技术通过大量数据训练，自动从数据中学习特征和模式，极大地提高了处理复杂任务的能力，推动了人工智能的发展。应用领域广泛深度学习在图像识别、语音识别、自然语言处理等领域取得了显著成果，广泛应用于医疗、金融、交通等多个行业。03人工智能的分类计算智能、感知智能、认知智能020301计算智能计算智能专注于数据处理与优化，通过数学模型和算法模拟人类的计算能力，解决复杂问题。感知智能感知智能使机器具备视觉、听觉等感知能力，能够识别图像、语音等信息，实现与环境的交互。认知智能认知智能赋予机器理解、推理和决策的能力，处理抽象概念和复杂任务，推动人工智能向更高层次发展。计算智能、感知智能、认知智能对比弱人工智能与强人工智能弱人工智能定义弱人工智能专注于特定任务，无法超越设计范围，如语音助手Siri，仅在特定领域实现一定程度的智能化操作。强人工智能定义强人工智能具备与人类相当的通用智能，能够解决各种问题，如理论上的通用AI，具备自主意识。弱人工智能特点弱人工智能具有高效、精准的特点，缺乏通用性与自主意识，应用于推荐算法、自动驾驶等领域。强人工智能特点强人工智能拥有广泛、多领域的智能，能跨领域学习并适应新任务，具备创造力和理解能力。弱人工智能与强人工智能对比分析04生成式人工智能GAI(GenerativeArtificialIntelligence)生成式人工智能（GenerativeArtificialIntelligence）通过对大量数据的学习和理解，生成与训练数据具有相似特征但又全新的内容。生成式人工智能不仅能够对输入数据进行分类、识别或预测，还能够自主生成全新的数据样本，从而在内容创作、设计优化、数据增强等多个领域展现出巨大的应用潜力。目前较具代表性的生成式人工智能工具有DeepSeek、Kimi、ChatGPT、GPT-4、Gemini、星火认知大模型、文心一言、智谱请言等.Transformer模型010203自注意力机制是Transformer模型的核心，它允许模型在处理每个元素时动态地关注输入序列中的所有其他元素，从而有效捕捉不同位置间的依赖关系。编码器-解码器架构其中编码器负责提取输入数据的特征，而解码器则根据这些特征生成最终结果，广泛应用于机器翻译和文本生成等任务。应用领域与挑战在自然语言处理和计算机视觉等领域取得了显著成就，如BERT、GPT系列模型，但同时也面临着计算资源需求高和调优难度大的挑战。思维链技术思维链技术概述一种模拟人类思考过程的算法，通过构建一系列逻辑推理步骤来解决问题，能够有效地处理复杂的决策和问题解决任务。应用领域广泛思维链技术在多个领域展现出其强大的应用潜力，包括自然语言处理、机器人导航、游戏策略等，帮助机器更好地理解和适应复杂环境。挑战与未来方向面临理解深度、计算资源和算法效率等挑战，未来的研究将致力于克服这些限制，推动技术的进一步发展。人类反馈学习010203人类反馈的定义与重要性人类反馈学习通过收集和利用人类对机器输出的反馈来改进算法性能，包括有监督和无监督两种形式，是提升机器学习模型理解和处理复杂任务能力的关键。人类反馈应用在深度学习领域，人类反馈是获取标注数据的主要途径之一，如AlphaGo通过与人类高手对弈获取反馈优化策略，以及生成式对抗网络利用人类判断生成高质量合成数据。挑战与解决方案获取高质量的反馈并不容易，存在耗时、成本高昂等问题。解决方法包括使用众包平台收集大规模标注数据，开发半监督和无监督学习方法减少对人工标注的依赖。生成式人工智能的应用场景216543文本生成图像生成视频生成代码生成辅助阅读PPT生成应用于新闻撰写、格式文本创作、风格改写以及聊天对话，具备上下文理解和高质量语言生成能力。用于艺术创作、游戏设计、虚拟现实，根据用户需求生成不同风格的图像。用于广告制作、教育教学，根据文本描述或脚本生成视频内容，在短视频和电影制作等领域也具有潜力。应用于办公自动化和教育领域，一键生成内容大纲并辅助完成PPT的设计制作。应用于教育和信息获取，能够根据用户输入的文本内容生成摘要、解释、翻译或问题回答。应用于软件开发、教育和编程辅助，能根据自然语言描述生成代码片段，提高开发效率。面临的挑战与前景技术发展趋势生成式人工智能在文本、图像、视频和代码生成方面展现出巨大潜力，但也面临内容可控性、真实性及版权问题的挑战。潜在应用领域从金融风险评估到医疗诊断，生成式人工智能的应用前景广阔，但需解决技术难题以实现更广泛的行业应用。05人工智能发展趋势技术发展趋势新型机器学习算法不断涌现，并推动着技术边界拓展，提升AI模型在图像识别、语音识别、自然语言处理和自动驾驶等任务中的性能。1.新型机器学习算法的探索人工智能正朝着从“感知智能”向“认知智能”转化的方向发展，未来，AI将结合知识图谱、因果推理等技术，实现从感知到认知的关键突破。2.从感知智能向认知智能的演进量子计算的并行处理能力将极大地提升AI模型训练速度和精确度，为深度学习、机器学习等领域带来前所未有的计算能力。3.量子计算与人工智能的融合5G、大数据中心、人工智能等新型基础设施的建设将促进多智能体协同，放大其在智能交通和物流配送等领域的价值。4.多智能体协同的群体智能成为可能脑机接口技术将在辅助残障人士、远程控制机器人等方面实现突破，逐步走向成熟，也将重塑人与机器之间的关系。5.脑机接口技术的发展潜在应用领域ID潜在应用领域1金融领域2智能制造领域3智能教育领域4智能物流领域5市场营销领域6音乐创作与表演领域7体育训练与竞赛领域8美术创作与设计领域9智能体举例：金融领域的应用财务风险评估通过机器学习和数据分析，能更准确地评估信用风险和市场风险，做出更合理的贷款决策。财务报表分析AI技术可以自动处理大量财务数据，快速生成报表，帮助分析师高效识别关键财务指标，提升工作效率。投资决策支持AI能够预测市场趋势，为投资者提供科学的投资建议，优化投资组合。智能客服应用智能客服通过自然语言处理技术理解客户查询，提供准确回答，显著