计算机科学概论（微课版）· 第10章 人工智能 · 教学课件

高等学校计算机专业核心课程精品系列教材计算机科学概论（微课版）第10章人工智能概述·知识表示与推理·搜索·机器学习·自然语言处理·计算机视觉让机器具备学习、推理、感知与决策的能力——本章从人工智能概述、知识表示与推理、搜索技术，到机器学习、自然语言处理与计算机视觉，一览人工智能的核心思想与典型应用。图10-21多层神经网络（教材第194页）第10章人工智能·学习目标学习目标与本章导览目标①了解人工智能的基本概念、弱/强人工智能之分与发展简史，理解图灵测试与智能体思想。目标②掌握知识表示的常用方法（语义网、框架、谓词逻辑）与经典推理、搜索技术。目标③理解机器学习的三类方法与朴素贝叶斯分类器，了解其训练流程与评估指标。目标④了解自然语言处理与计算机视觉的基本原理、典型应用及发展趋势。人工智能=用计算机模拟人类智能：学习·推理·感知·决策本章内容导图（教材第177页）计算机科学概论（微课版）｜第10章人工智能02第10章人工智能·本章结构目录：六条主线+章末10.1人工智能概述弱/强人工智能·发展简史·图灵测试·智能体10.2知识表示与推理语义网·框架·谓词逻辑·经典推理方法10.3搜索技术问题空间与状态空间·DFS/BFS·启发式·退火与遗传10.4机器学习三类学习方法·朴素贝叶斯·垃圾邮件过滤10.5自然语言处理NLU/NLG·机器翻译·情感分析·聊天机器人10.6计算机视觉卷积神经网络·图像分类·对象检测·行业应用章末10.7小结·10.8拓展知识（Deepseek）·10.9习题——回顾全章，也把全书的主线串起来计算机科学概论（微课版）｜第10章人工智能0310.1人工智能概述·什么是人工智能弱人工智能与强人工智能人工智能不仅是一项技术，更是一种新的思维研究方式。目前市面上的人工智能产品，基本上都属弱人工智能。弱人工智能（WeakAI）只能在特定领域完成单一任务，不具备真正的理解与意识。示例：扫地机器人、Siri语音助手（图10-1）——市面产品基本都属此类。强人工智能（StrongAI）具备与人类相当的通用智能，可跨领域思考、学习与创造。代表：机器人索菲亚——史上首位获得公民身份的机器人（图10-2）。图10-1扫地机器人与Siri（教材第178页）图10-2机器人索菲亚（教材第178页）想一想你身边的哪些产品属于弱人工智能？弱人工智能已无处不在；强人工智能仍是探索方向——本章讨论的AI技术多服务于弱人工智能场景计算机科学概论（微课版）｜第10章人工智能0410.1人工智能概述·发展简史在起伏中前行的七十年①20世纪初·设想图灵提出"图灵测试"，为"机器能否思考"设立可操作判据。②1956年·命名达特茅斯会议上，麦卡锡首次提出"人工智能"术语（图10-3）。③60—70年代·符号与知识符号逻辑与知识表示兴起；DENDRAL、MYCIN等专家系统出现。④80年代·机器学习崭露头角机器学习开始受到关注，专家系统走向商业化应用。⑤90年代·"AI冬季"强化学习与神经网络持续发展，但整体热度回落、进入低谷。⑥21世纪·复兴算力+大数据+深度学习突破：自动驾驶、智能助手、金融、医疗、机器人、VR……图10-3达特茅斯会议（教材第178页）"学习的每一方面……都可以被准确地描述，并由机器模拟。"——1956年达特茅斯会议倡议计算机科学概论（微课版）｜第10章人工智能0510.1人工智能概述·图灵测试图灵测试：机器智能的判据图10-4图灵测试示意（教材第179页）定义（1950年，图灵）提问者与两个对象——一台AI（A）和一名真人（B）——对话；若提问者（C）不能分辨哪个是机器，则称该机器具有智能。这是AI哲学的第一个严肃提案。A·电脑被测试的AI系统B·真人作为对照的回答者C·提问者通过对话辨别身份争议测试只考察自然语言对话能力；"通过"不等于机器真正理解对话内容，更不能证明机器拥有意识。意义：把"机器能否思考"这一哲学问题，转化为可操作的实验判据计算机科学概论（微课版）｜第10章人工智能0610.1人工智能概述·智能体智能体：感知环境，自主决策智能体（Agent）=感知环境+自主决策以实现目标的实体，形态可软可硬。①软件智能体运行在软件世界中的智能体：·电子邮件自动分类·搜索引擎的检索与排序②物理智能体拥有实体、作用于物理世界：·工业机器人：装配、焊接、油漆·移动机器人分发物品；水下机器人探油③人型机器人以人的形态与人交互、服务人类。联想：电视剧《魔幻手机》中的"傻妞"——人们对人型智能体的浪漫想象。④自动驾驶汽车摄像头+激光雷达感知路况；决策系统避免碰撞、遵守交规；目标：把乘客安全地从起点送达终点。智能体的核心循环：感知→决策→行动→再感知计算机科学概论（微课版）｜第10章人工智能0710.2知识表示与推理·语义网语义网：用图表示知识知识表示=以计算机可理解的方式组织、存储与处理信息；推理=从已知信息推导出新信息。图10-5语义网示例（教材第181页）起源与结构20世纪60年代提出；有向图：顶点=实体，边=关系（AKO/Can/Have/Live等）。扩展→知识图谱语义网思想的现代形态：把海量实体与关系连成大规模网络，支撑智能搜索与问答。应用搜索引擎中的"居里夫人"知识卡片、电商平台商品推荐、学术网站的同学者推荐。比喻：天赋学生过目不忘是"天分"；普通人需要格式良好的书本——知识表示就是给计算机的"书本格式"。语义网→知识图谱：让搜索引擎"理解"实体之间的关系计算机科学概论（微课版）｜第10章人工智能0810.2知识表示与推理·框架框架：结构化的"经验模板"框架=存储以往经验的通用数据结构，由槽、侧面、槽值、侧面值组成。图10-6教师框架（教材第182页）图10-7事例框架"教师-1"（教材第182页）以"教师"为例六个槽：姓名/年龄/性别/职称/学院/工作时间；事例框架"教师-1"把槽值填为：张三、36、男、副教授、计算机系存储实验室、自2015年起。框架求解把新问题与已有框架做部分匹配→选出预选框架→按启发式信息推进、填充细节，得到解答。典型场景：描述"教室"——黑板、讲台、课桌等槽位一旦匹配，缺失信息也能按常识默认值推断。框架=结构化"经验模板"：新情况先匹配旧框架，再按启发式填充细节计算机科学概论（微课版）｜第10章人工智能0910.2知识表示与推理·谓词逻辑谓词逻辑：可计算的形式语言命题逻辑无法反映命题的结构与共同特征（如"张三是学生""李四是学生"）→谓词逻辑：原子命题=个体+谓词。示例：组合式的含义Human(x)→Lawed(x)Commit(x)→Punished(x)含义："人受法律约束，犯了罪就一定要受惩罚。"图10-8猴子拿香蕉（教材第183页）经典案例：猴子拿香蕉状态谓词：AT(x,y)在位置·ONBOX在箱上·HB拿到香蕉操作：Goto(a,b)走过去·Pushbox(b,c)推箱子·Climbbox爬上箱子·Grasp摘取用谓词公式描述初始状态与目标状态，操作序列即状态转移路径。谓词逻辑（一阶逻辑）：量化个体、刻画关系，支持严格的形式化推理——是自动定理证明的基础。计算机科学概论（微课版）｜第10章人工智能1010.2知识表示与推理·经典推理方法四类经典推理方法推理=从已知信息推导出新信息的过程；经典方法主要有四类。①规则引擎以if-then规则集合表示知识：条件满足即触发结论，是专家系统的核心机制。②基于知识图谱的推理沿实体之间的关系边推导新事实；应用于社交网络分析、医学辅助诊断等。③模型推理用分类、回归等模型从数据中归纳规律，对新样本做出判断与预测。④不确定性推理以贝叶斯网络等处理概率与置信度，应对模糊、不完备的现实信息。演绎·归纳·类比——推理让静态的知识"活"起来计算机科学概论（微课版）｜第10章人工智能1110.3搜索技术·问题空间与状态空间把问题装进"状态空间"搜索=在问题空间中寻找从初始状态到目标状态的操作序列。问题空间三要素：初始状态+目标状态+可行操作。例：八数码与井字棋，都是经典的搜索问题。状态空间一个问题全部可能状态的集合。搜索=在状态空间中系统地探查，直至找到目标。状态变数与向量用状态变数作坐标轴，每个状态对应一个向量；状态的变化=向量在状态空间中的移动。对比两个经典问题八数码：状态=3×3方格中的数字排列，操作=空格上/下/左/右移动；井字棋：状态=棋盘格局，操作=落子——状态空间的规模决定搜索的难度。把问题形式化为状态空间，是运用搜索技术的第一步计算机科学概论（微课版）｜第10章人工智能1210.3搜索技术·基本搜索方法深度优先、广度优先与渐增深度图10-9深度优先搜索（教材第184页）图10-10广度优先搜索（教材第184页）二者都属盲目搜索：不利用问题本身的任何线索，只按固定顺序展开节点。深度优先搜索DFS沿一条分支深入到底再回溯；用栈实现；需设定最大深度限制，防止陷入无穷分支。广度优先搜索BFS逐层向外扩展；用队列实现；时空代价高，但必有解且路径最短。渐增深度搜索IDDFS两者结合：反复做限深DFS并逐步加大深度——兼顾空间效率与解的最优性。盲目搜索的局限：展开大量无用节点、效率低→需要"启发"信息指路计算机科学概论（微课版）｜第10章人工智能1310.3搜索技术·高级搜索方法启发式搜索、模拟退火与遗传算法图10-11八数码的启发式搜索（教材第185页）f(n)=g(n)+h(n)g：已付出的代价；h：到目标的估计。S0中2、8、1错放→h=3。模拟退火类比金属退火：高温时原子自由运动，随温度下降逐渐稳定到能量最低状态。搜索中以一定概率接受较差解，从而跳出局部最小，依概率收敛到全局最优。遗传算法借鉴达尔文"适者生存"：候选解编码为"染色体"，经选择、交叉、变异逐代进化。应用于组合优化、信号处理、人工生命等领域。启发式信息让搜索"有方向"；随机化与进化思想让搜索跳出局部陷阱计算机科学概论（微课版）｜第10章人工智能1410.4机器学习·什么是机器学习从"编写规则"到"从数据中学"应用无处不在：图像识别·语音识别·金融欺诈检测·医学诊断……背后都是机器学习。定义机器学习=从示例数据中学习规律，而不是由人编写处理特定问题的逻辑。传统方法vs机器学习传统：分析问题→编写代码→用控制逻辑处理数据→得到输出；每个测试数据都须预先定义，难以应付不断变化的数据。机器学习：收集所需数据并整理成可用形式→交给算法分析→创建模型→用模型实现解决方案。图10-12机器学习训练过程（教材第186页）训练过程四环节数据（Data）→算法（Algorithm）→数据分析（DataAnalysis）→模型（Model）模型一旦训好，即可对新的、未见过的数据做出预测。机器学习的核心转变：从"编写规则"到"从数据中学出规则"计算机科学概论（微课版）｜第10章人工智能1510.4机器学习·发展历史从ENIAC到AlphaGo20世纪40年代·设想首台手动操作的计算机系统ENIAC诞生；人们开始设想建造"能模仿人类思维与学习的机器"。20世纪90年代·成名计算机科学与统计学交叉产生概率方法，领域进一步转向数据驱动（图10-13）。DeepBlue·国际象棋IBM系统通过大规模分析象棋棋局，击败世界国际象棋冠军。AlphaGo·围棋DeepMind系统通过分析大量围棋棋局，击败世界围棋冠军柯洁。图10-13机器学习发展过程（教材第186页）复兴的三驾马车大规模数据+强大算力+深度学习突破→构建能够分析与学习海量数据的智能系统。计算机科学概论（微课版）｜第10章人工智能1610.4机器学习·方法的类型监督、无监督与强化学习图10-14机器学习方法的类型（教材第187页）监督学习（任务驱动型）数据有标签；学习输入x→标签y的映射。分类输出类别（手写数字0~9），回归输出实值（预测房价、天气）。无监督学习（数据驱动型）数据无标签，发现隐藏结构。如金融机构筛查"洗钱"异常行为；电商平台按性别、年龄聚类用户、精准投放广告。强化学习（试错学习型）与环境交互：正确执行获奖励、错误执行受惩罚；最大化奖励、最小化惩罚，学习一系列动作。三类方法=三种学习信号：标签·数据结构·奖励计算机科学概论（微课版）｜第10章人工智能1710.4机器学习·朴素贝叶斯法朴素贝叶斯：定理+独立假设统计学习是机器学习众多应用的理论基础；朴素贝叶斯=贝叶斯定理+特征强独立假设的概率分类器。贝叶斯定理P(A|B)=P(B|A)·P(A)/P(B)由英国数学家贝叶斯（ThomasBayes，1702—1761）提出，描述两个条件概率之间的关系。特征强独立假设假设各特征之间相互独立。现实中常不成立——写邮件不是从词库随机挑词，而是按上下文组织——但实践效果往往不错。朴素贝叶斯分类器以特征强独立假设+贝叶斯定理为基础的简单概率分类器；训练数据的特征=邮件内容本身，类别标签只有两类：垃圾邮件/不是垃圾邮件。为什么有效条件独立假设大大简化了概率计算；典型应用——垃圾邮件过滤：根据邮件内容判定其是否为垃圾邮件，是朴素贝叶斯在现实中广泛应用的案例。“朴素”=天真地假设特征独立；模型简单，却往往高效实用计算机科学概论（微课版）｜第10章人工智能1810.4机器学习·朴素贝叶斯的应用应用实例：垃圾邮件过滤①数据准备准备带标记的训练数据：已知垃圾邮件与正常邮件的样本，每个样本都包含文本内容与对应标签。②文本特征提取用文本挖掘技术把邮件文本转换为数值特征：敏感关键字、词频、文本长度、发送地址的群发特征等。③朴素贝叶斯分类器的训练模型学习垃圾邮件与正常邮件之间的概率分布；强独立假设简化了概率计算。④模型的实施与评估按学习到的概率分布+设定阈值，对新邮件分类；以准确度、精确度、召回率、F1评估效果。图10-15垃圾邮件类型分布（教材第188页）垃圾邮件占比高达64.7%——自动识别与过滤成为电子邮箱的必备能力。工作闭环：特征提取→概率学习→阈值分类→评估指标持续优化计算机科学概论（微课版）｜第10章人工智能1910.5自然语言处理·发展与定义自然语言处理的三个时期“语言理解是人工智能皇冠上的明珠。”——比尔·盖茨①萌芽期1947年，韦弗提出机器翻译设想——用计算机把一种语言自动翻译成另一种语言。②发展期沃古瓦早期探索；1974年威尔克斯奠基性工作；1972年维诺格拉德SHRDLU积木世界系统；伍兹提出ATN并研制LUNAR问答系统。③繁荣期20世纪末起，NLP走向规模化与真实可用：翻译、搜索、对话等应用进入大众生活。什么是自然语言处理（NLP）让计算机理解与生成人类自然语言的技术；语言的多样性、歧义性、知识依赖与上下文，使机器理解至今仍远不如人类。自然语言处理=人类与机器之间沟通的"桥梁"计算机科学概论（微课版）｜第10章人工智能2010.5自然语言处理·工作原理理解与生成：NLU+NLG图10-16NLP的"桥梁"作用（教材第190页）两大核心任务自然语言理解（NLU）：希望机器像人一样具备正常的语言理解能力；自然语言生成（NLG）：把非语言格式的数据转换成人类可理解的语言格式，如文章、报告。案例："订机票"意图识别vs关键词死板匹配——"我要退订机票"也含"订机票"，会被误判；经训练后机器能识别"帮我推荐一家附近的餐厅"不属该意图。实体提取："上海"=目的地，"下周二"=出发时间。难点：口语化、成语、方言与分词。NLG六步骤内容确定→文本结构→句子聚合→语法化→参考表达式生成→语言实现协同示例智能音箱：用户问"几点了？"→NLU判断意图→NLG回答"现在是6点50分"；体育新闻等有规则的内容已可由NLG自动生成。NLU负责"听懂"，NLG负责"说清"——二者配合，机器才能与人自然对话计算机科学概论（微课版）｜第10章人工智能2110.5自然语言处理·典型应用场景NLP的四大典型应用①机器翻译把一种语言的文本翻译成另一种语言；准确率已经很高——借助Google翻译、DeepL可看懂文章大意，网页可一键翻译。②语音识别把口语转换为文本，已是全民级应用：微信语音转文字、车载导航说出目的地、老年人用语音输入代替拼音。③情感分析互联网文本内容五花八门，情感倾向却一致可循：正面/积极vs负面/消极（图10-17）；可了解用户态度、趋势与关注点，掌握舆情。④聊天机器人ChatGPT（图10-18）：持续学习书籍、文章与网页，回答问题、辅助写文章、调试代码；随智能家居与智能汽车发展，价值更大。图10-17情感分析（教材第191页）图10-18ChatGPT（教材第191页）NLP应用已深入沟通、出行、娱乐与内容创作计算机科学概论（微课版）｜第10章人工智能2210.5自然语言处理·发展趋势NLP的四大发展趋势从"规则驱动"走向"数据与场景驱动"，自然语言处理呈现四大趋势。①符号表示→分布式表示词与语义被映射为连续向量，语义关系可以"计算"——为深度学习铺路。②封闭系统→开放平台化NLP能力以API、开源模型等形式开放，开发者不必从零造轮子。③通用场景→场景化落地深耕具体业务场景；Siri们的现状——"听得到，却听不懂"，仍需突破。④事实性分析→情感文本分析从识别"说了什么事实"，走向理解"持什么观点、带什么情绪"。趋势主线：表示更语义·平台更开放·落地更场景·理解更走心计算机科学概论（微课版）｜第10章人工智能2310.6计算机视觉·为什么重要视觉：数据洪流中的主战场人类大脑皮层约70%用于处理视觉信息；网络上的图像、视频等非结构化数据正指数级增长——图像曾经是机器无法解读的"黑盒"。图10-19新增数据的占比趋势（教材第193页）图10-20计算机视觉的处理目标（教材第193页）处理目标人眼看到一只猫；计算机看到的只是一张数字矩阵——CV要从像素中还原物体与意义。《疑犯追踪》的启示剧中系统从监控视频中识别威胁——这正是计算机视觉的愿景：让机器从图像/视频中感知世界。非结构化数据的爆发使CV成为AI最活跃的领域之一。数据爆炸+视觉主导=计算机视觉的战略地位计算机科学概论（微课版）｜第10章人工智能2410.6计算机视觉·什么是计算机视觉让计算机"看"懂图像计算机视觉=让计算机系统"看"懂图像，理解和解释图像或视频信息：图片里的宠物是猫还是狗？是老张还是老王？桌上放了哪些物品？图10-21多层神经网络（教材第194页）人类视觉四步→机器的类比摄入（瞳孔摄入像素）→初步处理（大脑皮层发现边缘与方向）→抽象（判定物体形状）→再抽象（判定物体是一只气球）。机器类似：多层神经网络，低层识别初级特征，逐层组合，顶层做出分类。应用场景面部识别·车牌识别·自动驾驶·图片风格迁移注意：视觉数据不限于相机图像——地图上的图形表示、立面、热强度地图等任何可可视化的数据，都在其列。计算机视觉借鉴人类视觉系统原理，用算法与模型实现分析、理解与处理计算机科学概论（微课版）｜第10章人工智能2510.6计算机视觉·挑战与卷积神经网络两大挑战与CNN的破解挑战①特征难以提取同一只猫在不同角度、光线、动作下像素差异巨大；图片旋转90°，像素层面变化就非常大。挑战②计算数据量巨大一张1000px×2000px照片×RGB3个参数=600万个参数；4K视频的计算量级更高。CNN卷积神经网络C层（卷积层）提取特征+S层（下采样层）降低空间分辨率：有效提取特征、大幅降维，降低对算力的要求。图10-22卷积神经网络（教材第194页）图10-23卷积特征提取的过程（教材第195页）：3×3区域卷积得1个值，5×5图像→3×3特征计算机科学概论（微课版）｜第10章人工智能2610.6计算机视觉·问题分类计算机视觉的五类问题图10-24对象检测（教材第195页）图10-25图像分割（教材第195页）①图像分类对图片整体标注类别——最重要的基础问题，其他问题多以它为基础。②对象检测在图片上标注代表物体/人的区域；识别部分占整体面积50%以上即判定检测到（图10-24）。③图像分割识别并分析物体轮廓，把它从图像中分离出来——在医学图像肿瘤识别上意义重大（图10-25）。④场景文字识别在背景复杂、分辨率低、字体多样且分布随意的情况下，把图像信息转换为文字序列，如车牌号识别。⑤目标跟踪检测到初始对象之后持续观察与交互，在无人驾驶中应用广泛。计算机科学概论（微课版）｜第10章人工智能2710.6计算机视觉·应用领域从汽车工业到日常生活图10-26车牌号识别（教材第196页）图10-28数字显微镜识别（教材第197页）图10-27车道和障碍物识别（教材第196页）日常生活中的CV·门禁、支付宝上的人脸识别·上传图片/视频到网站时的风险识别·抖音上的各种道具（需先识别出人脸的位置）汽车工业检测交通标志并警告限速、违规等信息；检测道路上的车道和障碍物，告知司机潜在危险——自动驾驶是CV的典型案例（图10-27）。生物医学提升人体器官和身体部位的成像质量；检测显微镜图像中的癌症组织；数字显微镜对特定类型细胞进行计数（图10-28）。更多行业计算机视觉是计算机科学和软件行业最热门的话题之一，还用于电影、国防、照片编辑及视频游戏等领域。注意：条形码、二维码扫描不算计算机视觉——基于固定规则，无需处理复杂图像，用不到人工智能技术计算机科学概论（微课版）｜第10章人工智能2810.7小结本章小结人工智能模拟人类智能的技术与理论，使计算机完成学习、推理、感知和决策等通