新一代技术导论 4

ArtificialIntelligence人工智能基础篇第1单元新一代信息技术导论（人工智能+AIGC应用+技术融合）（微课版）（第2版）编者：×××1.1认识人工智能1.2人工智能的发展人工智能的核心技术体系1.3人工智能的三大范式1.4综合实践1.51.1.1人工智能的定义人工智能是计算机科学的一个分支，也是一个快速演进、涵盖多个子领域的学科，这导致人工智能在业界始终没有一个公认的权威定义。当前，不同学派的研究者从不同角度出发，对人工智能有着不同的理解，他们的研究也因此走向了不同的向。人工智能领域的开创者之一——尼尔斯·约翰·尼尔森教授认为，人工智能是一门关于如何表达知识、如何获取知识和使用科学知识的学科。这个定义强调了知识在人工智能中的核心地位。美国麻省理工学院教授帕特里克·温斯顿认为，人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。这是人工智能领域的经典定义，它强调了人工智能的实践性。1.1.1人工智能的定义国际标准化组织/国际电工委员会第一联合技术委员会在其发布的标准中将人工智能定义为：由计算机系统展示出的人类认知功能，包括但不限于学习、推理、感知、适应、交流、创造等。这个定义是相对官方和权威的，反映了当前国际上对人工智能的基本共识。中国科学院张钹院士则认为人工智能研究的是用机器模仿人的智能行为。这个定义强调了人工智能模仿人类智能行为的能力。综上所述，我们可以认为：人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术学科。它旨在通过计算机系统和算法，使机器能够执行通常需要人类智慧才能完成的任务，包括学习、推理、感知、理解和创造等活动。例如，自动驾驶汽车能够自动感知周围环境，识别道路、行人、其他车辆等障碍物，并据此做出决策，如转弯、加速、减速或停车。这就像是给汽车安装了一个“智慧大脑”，它能够通过学习和适应逐步提高自己的驾驶能力，从而无须人类驾驶员的干预就能安全行驶。1.1.2 人工智能的特征综合主要学术机构、权威资料和业界的共识，可以为人工智能提炼出以下六大特征，这些特征是人工智能区别于其他系统或机器的核心志。学习能力。推理能力。自主能力。交互能力。泛化能力。感知能力。1.1.3人工智能的要素1．数据在人工智能领域，数据被视为训练人工智能时必备的“燃料”。无论是机器学习还是深度学习，都需要海量的数据来训练人工智能模型，使其能够识别模式、做出预测或进行决策。高质量和多样化的数据对于人工智能的发展至关重要。高质量的数据意味着数据准确、完整且没有噪声，这有助于人工智能模型学习到更准确的特征。1.1.3人工智能的要素2．算法算法是人工智能的“大脑”，它决定了人工智能应该如何处理和分析数据。没有先进的算法，人工智能就无法完成复杂的任务，如图像识别、自然语言处理或提供决策支持等。这些任务需要算法处理和分析大量的数据，从中提取出有用的信息，并做出准确的预测或决策。算法的创新和优化是推动人工智能进步的关键。随着研究的深入和技术的不断发展，越来越多的新算法被提出并应用于实际，这些新算法在性能上往往优于传统算法，能够处理更加复杂和抽象的任务。1.1.3人工智能的要素3．算力算力即计算能力，是人工智能的“动力源泉”，它是支撑算法运行和数据处理的基础设施，是实现高效、准确的人工智能项目的物质基础。随着半导体技术的不断进步，计算机系统的处理器性能不断提升，这为人工智能算力的发展提供了坚实的硬件基础。同时，新型硬件设备，如量子计算机、新型存储器等也在不断涌现，这有望进一步提高人工智能的算力。1.1认识人工智能1.2人工智能的发展人工智能的核心技术体系1.3人工智能的三大范式1.4综合实践1.51.2.1人工智能的发展历程1．萌芽期1950年，英国数学家、逻辑学家和计算机科学的先驱，有“人工智能之父”之称的阿兰·马西森·图灵提出了著名的图灵测试，该测试的目的是判断机器是否能够展现出与人类相似的智能。按照图灵的设想，如果一台机器能够与人类展开对话而不被辨别出其机器的身份，那么这台机器便是智能的。图灵测试过程如下：1.2.1人工智能的发展历程1959年，美国人乔治·迪沃尔设计出世界上第一台可编程机器人——Unimate（见图），这意味着机器不再仅能执行单一、固定的动作，而是可以通过指令赋予其新的任务，从而使机器具备了初步的“柔性”和适应性。1956年，美国达特茅斯学院举行了人工智能研讨会，会议提案中首次使用了“人工智能”这一术语，从而为这个新的研究领域正式命名。会议明确了“用机器模拟人类智能”的研究目标，并展示了“逻辑理论家”等早期程序。1.2.1人工智能的发展历程2．探索期1966年，麻省理工学院的约瑟夫·魏岑鲍姆发布了世界上第一个聊天机器人——ELIZA。ELIZA能够通过脚本理解简单的自然语言，并产生类似人类的互动。1968年，国际斯坦福研究所公布了他们研制成功的机器人沙基，它被公认为世界上第一台整合了人工智能技术的自主移动机器人。20世纪70年代初，受限于内存容量和处理速度，计算机无法有效解决复杂的人工智能问题。人工智能研究进展缓慢，未能实现预期突破，人工智能的发展陷入了低谷，但研究者们并未放弃，而是继续探索新的技术和方法。1.2.1人工智能的发展历程3．成长期1984年，美国人道格拉斯·莱纳特带领其团队开发Cyc项目，该项目的目标是构建一个庞大的常识知识库，使人工智能应用能够以类似于人类推理的方式进行工作。随着时间的推移，Cyc项目逐渐演变成一个开放的研究平台，吸引了全球众多的研究者和开发者参与其中。1997年，IBM公司的计算机“深蓝”在一场历史性的对决中战胜了国际象棋世界冠军加里·卡斯帕罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的计算机系统。这一事件不仅代表人工智能在复杂智力游戏中达到了新的高度，也为后续在更多领域中应用人工智能技术奠定了基础。1.2.1人工智能的发展历程4．爆发期2012年，加拿大的神经学家团队创造了一个具备简单认知能力、拥有250万个模拟“神经元”的虚拟大脑，并将其命名为“Spaun”。这个虚拟大脑不仅能够模拟人类大脑的某些基本功能，还通过了基本的智商测试。2015年，谷歌研发出了利用大量数据训练计算机来完成任务的第二代机器学习平台——TensorFlow。2016年，谷歌开发的人工智能AlphaGo与围棋世界冠军李世石进行了举世瞩目的人机大战，最终李世石与AlphaGo的总比分定格在1∶4，这一结果证明了人工智能在解决复杂问题上的巨大潜力，展示出了人工智能在模式识别、决策制定和问题解决方面的强大能力，同时也引发了关于人工智能伦理、影响和未来发展的广泛讨论。1.2.1人工智能的发展历程2020年，OpenAI公司发布了GPT-3，这一事件标志着人工智能技术在语言理解和生成方面取得了长足进步。GPT-3不仅能够生成连贯、自然的文本，还能根据上下文进行推理和判断。2024年，OpenAI公司发布的视频生成模型Sora彻底改变了影视创作的方式，它能够根据文字指令生成高保真的动态影像。2025年，我国杭州深度求索人工智能基础技术研究有限公司发布了DeepSeek，该人工智能助手以“算法革命+算力平权”双重引擎重构了全球人工智能竞争格局，性能也得到大幅提升。Sora生成的逼真视频画面1.2.2人工智能的现状01以大语言模型、多模态模型、生成式人工智能、强化学习等为代表的技术不断取得突破，模型规模持续扩大，性能显著提升，并且推理效率、能耗控制和小型化部署等方面也得到了快速优化，这表明人工智能在语言理解、知识生成、代码编写、图像与视频生成等方面的能力边界正在不断被拓展。02人工智能正在从互联网、消费电子等先行领域向医疗、金融、教育、制造、交通、能源等传统领域深度渗透。03在全球范围内，对人工智能的投资保持高速增长，涵盖风险投资、企业研发投入、政府资金支持等多元形式。04随着人工智能应用的广泛普及与潜在风险的凸显，全球人工智能治理进入新阶段，各国政府和国际组织正加快构建人工智能伦理准则、法律法规与监管框架。技术快速迭代应用深度渗透投资持续火热治理日益完善1.2.3人工智能的未来1．人工智能将深度融入人们的日常生活随着科技的飞速发展，人工智能正逐步跨越技术门槛，深度融入人们的日常生活，成为人们无形的智慧伙伴。人工智能助理将演化为用户的数字孪生体，在创作、决策等脑力劳动方面提供高度定制化服务。3．人工智能将应用于更多领域从医疗健康到教育辅导，从智能制造到金融服务，从城市管理到农业生产，人工智能都将发挥重要作用。随着人工智能的飞速发展与广泛应用，未来的人工智能将渗透到各行各业，其应用领域也将更加广泛。2．人工智能将更加智能化人工智能技术的持续突破，预示着人工智能将更加智能化，并步入一个全新的发展阶段。未来的人工智能将拥有更强的自我学习与适应能力，能够通过深度学习不断优化自身算法，更加精准地理解复杂情境与需求。4．人工智能将加速经济转型升级从微观企业运营到宏观产业生态，人工智能正在通过以下３个维度重塑经济形态：一是以智能算法优化生产函数，提升全要素生产率；二是以数据要素重构价值链条，催生数字经济新体系；三是以人机协同创新组织形态，培育经济发展新动能。1.1认识人工智能1.2人工智能的发展人工智能的核心技术体系1.3人工智能的三大范式1.4综合实践1.51.3.1机器学习1．人工智能算法的发展历程机器学习是让机器能像人类一样，通过观察大量的数据和训练来发现事物规律，以获得某种分析问题、解决问题的能力。机器学习的主要特点如下。个性化服务。可扩展性。预测和决策能力。高效的数据处理能力。自动化和适应性。1.3.1机器学习2．机器学习的类型机器学习是让机器能像人类一样，通过观察大量的数据和训练来发现事物规律，以获得某种分析问题、解决问题的能力。机器学习的主要特点如下。监督学习通常使用有标签的数据集来训练模型，以便对数据进行分类或准确预测结果。1．监督学习在监督学习中，数据集中的每一个训练样本都有一个输入特征，以及相应的标签或目标值，因此监督学习主要包括分类和回归两种任务类型。在回归任务中，监督学习的目标是预测连续数值的输出。与分类任务不同，输出标签

在回归任务中是连续的。②

回归在分类任务中，监督学习的目标是将输入数据分到预定义的类别中，每个类别都有一个唯一的标签。①

分类1.3.1机器学习在无监督学习中，模型面对的是没有标签或没有已知结果的数据，也就是说，这些数据没有明确的“正确答案”来指导学习。无监督学习的目标是从这些数据中发现隐藏的模式、结构或关系。无监督学习的核心是对数据的特征、相似度等进行分析和挖掘，并利用各种方法来捕获和发现数据隐藏的模式、结构或关系。无监督学习的主要类型包括聚类、降维、关联规则挖掘、异常检测等。2．无监督学习异常检测用于识别与大多数样本不同的罕见或异常数据点，它在异常事件检测、

欺诈检测、故障检测等方面应用广泛。④

异常检测。关联规则挖掘用于找出数据集中频繁出现的项集，然后基于这些项集生成形如“如果A则B”的关联规则。③

关联规则挖掘。降维是将高维数据转换为低维表示的过程，同时尽可能地保留数据的特征。降维技术可以减少数据的复杂性、去除冗余信息，并可用于可视化数据、特征提取等。②

降维。聚类是将数据样本分成相似的组别或簇的过程，它通过计算样本之间的相似度来将相似的样本聚集在一起。①

聚类。1.3.1机器学习半监督学习的目标是利用同时包含有标签数据和无标签数据来构建一个模型，使得模型能够在测试阶段更好地泛化到新的、未见过的数据。半监督学习结合了监督学习和无监督学习的优点，能够在一定程度上利用无标签数据，避免过度依赖有标签数据。半监督学习的主要类型如下。3．半监督学习

半监督分类在半监督分类中，训练数据包含有标签样本和无标签样本。半监督异常检测半监督异常检测旨在从包含正常样本和异常样本的数据中，利用有限的标签信息来检测异常。半监督回归半监督回归与半监督分类类似，但主要应用于回归问题。③半监督聚类半监督聚类算法将有标签数据和无标签数据同时用于聚类任务。生成对抗网络中的半监督学习生成对抗网络可以用于实现半监督学习。基于价值的强化学习侧重于学习一个价值函数，该函数可以评估状态或“状态－动作”对。基于策略的强化学习直接学习一个策略函数，该函数定义了在给定状态下应该采取的行动。模型驱动强化学习使用环境模型来学习策略，环境模型是对环境动态的内部表示。与模型驱动强化学习相反，模型无关强化学习直接从与真实环境交互的经验中学习策略或价值函数。1.3.1机器学习强化学习让智能体在环境中通过各种不同的尝试来学习行为策略，智能体通过与环境进行交互，可根据奖励信号来调整其行为策略，以达到最大化累积奖励的目标。常见的强化学习类型主要有以下4种。4．强化学习基于价值的强化学习

基于策略的强化学习模型驱动强化学习模型无关强化学习1.3.1机器学习3．机器学习的常见算法朴素贝叶斯算法利用概率统计知识进行分类，其核心思想是计算每个特征对于分类的条件概率，并基于这些概率来预测新数据的类别。1．朴素贝叶斯算法下面通过一个简单的例子来说明朴素贝叶斯算法的基本原理。假设有一组关于小动物的颜色和嘴型，以及它们是否是小鸡的训练数据，如图所示。朴素贝叶斯算法假设特征之间是条件独立的，这意味着每个特征对分类结果的影响相互独立，这一假设简化了计算过程，也是“朴素”二字的由来。1.3.1机器学习决策树算法是一种利用树形结构来对数据来进行分类的算法，它从根节点开始测试，先到子树，再到叶子节点，从根节点到叶子节点是一个分类的路径规划，每个叶子节点代表一个判断类别，如图所示。2．决策树算法决策树算法的核心思想是从起始点开始，根据数据集中的特征对数据进行分割，直到满足停止条件为止。1.3.1机器学习决策树的构造过程主要包括特征选择、决策树的生成和决策树的剪枝这3个步骤。决策树的剪枝特征选择0103对生成的决策树进行检验、校正和修剪，其目的是去掉那些影响预测准确性的分枝，使决策树更加简单，从而提高其泛化能力。特征选择的目的是选取对数据具有分类能力的特征，通常基于信息增益和信息增益比进行选择。02根据选择的特征，递归地构建决策树。决策树的生成1.3.1机器学习支持向量机算法是一种经典的二分类模型，该算法的核心思想是找到一个最优的超平面，将不同类别的样本数据分开，并最大化间隔，从而实现对新数据的准确分类或预测。3．支持向量机算法例如，桌子上放置了若干深色和浅色的糖果，现在要求我们用一根棍子将它们按不同颜色分开放置，并且保证在放置更多深色或浅色的糖果后，这根棍子的两边仍有较大的间隙，如图所示。支持向量机算法就是试图把这根棍子放在最佳位置，好让棍子的两边留有尽可能大的间隙，以便更轻松地将糖果归类。1.3.2深度学习深度学习是机器学习的一个重要分支，它们与人工智能的关系如图所示。深度学习专注于使用人工神经网络，尤其是深层神经网络来模拟人类大脑的学习过程，使机器能够自动学习和提取数据中的深层次特征，进而实现自主预测和分析。1.3.2深度学习1．人工神经网络人工神经网络是一种模仿生物神经网络行为特征，进行分布式并行信息处理的人工智能算法模型，其诞生和发展离不开生物神经网络。生物神经网络一般是指生物的大脑神经元、触点等组成的网络。生物神经网络是生物体内信息处理的基础，特别是在大脑和脊髓中，生物神经网络负责处理感觉输入、指导行为和认知。1．生物神经网络生物神经网络的基本构造包括神经元及其之间的连接，神经元是生物神经网络的基本结构和机能单位，具有感受刺激和传导兴奋的功能。每个神经元由细胞本体、树突、轴突和突触等部分组成，如图所示。1.3.2深度学习人工神经网络是对生物神经网络的一种形式化描述，即通过对生物神经网络的信息处理过程进行抽象，并用数学语言描述出来的模型。2．人工神经网络的构成人工神经网络按“层”划分神经元，主要包括输入层、隐藏层和输出层，如图所示。前一层的神经元与下一层的神经元相互连接，通过这样的全层连接可以让每个神经元都能处理信号，并最终从输出层得到结果。1.3.2深度学习在人工神经网络中，人工神经元是模拟生物神经元的计算模型。每个人工神经元接收来自其他人工神经元的输入信号，并对它们进行加权处理，以计算出一个单一的输出，该输出又可作为其他人工神经元的输入信号。这个模型模拟了生物神经元之间的信息传递过程。3．人工神经元人工神经元通常包括3个部分，即输入部分、处理部分和输出部分，如图所示。1.3.2深度学习人工神经网络中的函数主要有激活函数和损失函数，二者的作用各不相同。4．人工神经网络中的函数激活函数主要用于增强神经网络的表达能力，使得神经网络可以学习到更加复杂的非线性模式。激活函数1损失函数的主要作用是衡量模型预测结果和真实结果之间的误差，并将误差反馈给神经网络，以进行参数更新和优化。损失函数21.3.2深度学习训练人工神经网络时，首先定义一个损失函数，损失函数的定义需要考虑模型的任务和应用场景；接着随机初始化人工神经网络的参数，以确保没有任何先验偏差；然后通过前向传播将输入样本传递给神经网络进行计算，紧接着进行反向传播，用于更新权重和偏置的值。在训练过程中，需要反复执行前向传播和反向传播以更新参数的值，并不断降低误差，直到误差小于某个阈值或达到最大训练次数为止。5．人工神经网络的训练1.3.2深度学习2．深度学习与机器学习的对比深度学习作为机器学习的一个分支，其概念的提出可追溯至杰弗里·辛顿团队于2006年在《科学》杂志上发表的一篇论文。他在文中指出，通过构建具有多个隐藏层的深层结构，机器能够从数据中自动学习输入与输出之间的复杂映射关系。简而言之，深度学习的核心是利用多层级非线性变换方式，从数据中提取出高层次抽象特征来建立预测模型。深度学习模型通常包含数百万甚至数十亿个参数，能够自动学习数据的有效表示，这些表示有助于完成分类、检测等任务。与机器学习相比，深度学习具有独有的特点，二者的对比如表所示。1.3.2深度学习3．深度学习的常见算法自概念被提出以来，深度学习便在人工智能领域引发了巨大反响，并催生出了许多具有影响力的算法，如深度神经网络、卷积神经网络、循环神经网络、生成对抗网络等。深度神经网络是一种包含多个隐藏层的神经网络，它可以利用多层的网络结构进行特征的自动提取和学习，每一层由多个神经元组成，神经元之间通过权重连接，上一层将其输入信号传递给下一层，并使用非线性激活函数来引入学习的非线性特性，如图所示。1．深度神经网络1.3.2深度学习深度神经网络的核心在于前向传播和反向传播这两个关键环节。从输入层开始，逐层计算每个神经元的输出信号直至输出层。每个神经元的输出信号都依赖于前一层的输出信号和该神经元的权重。01前向传播通过计算预测值与实际值之间的误差，反向更新每层神经元的权重，以减少误差。反向传播基于链式法则计算网络中每个参数对于总损失函数的梯度，并通过梯度下降算法更新权重。02反向传播1.3.2深度学习卷积神经网络是深度学习的代表算法之一，凭借独特的网络结构和运算方式，其特别适用于处理图像数据。卷积神经网络由具有多个层次的神经网络组成，每一层都对输入数据进行了特定处理，最终输出一个分类结果或其他目标值。这些层次主要包括以下5种。2．卷积神经网络1.3.2深度学习循环神经网络是一类用于处理序列数据的神经网络，它能够处理输入信息的序列数据，并在序列的不同时间点共享参数。循环神经网络的核心是隐藏状态，它包含关于过去输入的信息，被用来影响当前和未来的计算。3．循环神经网络循环神经网络的结构如图所示，它由输入层、隐藏层和输出层组成。1.3.2深度学习生成对抗网络由生成器和判别器两部分组成。其中，生成器的任务是生成尽可能逼真的数据样本，而判别器的任务则是区分这些生成的样本与真实样本，两者通过对抗的方式相互训练，以提升彼此的性能。图所示为生成对抗网络的结构，生成器和判别器都可以用人工神经网络来实现。4．生成对抗网络1.3.3知识表示与知识推理1．知识表示与知识推理的定义知识表示是指将人类的知识以计算机可处理的形式进行描述和表达的过程，它不仅关注知识的存储，还关注如何让机器理解和运用知识。知识推理则是指利用已有的知识，通过逻辑规则或模型推导出新知识或结论的过程。总的来说，知识表示是基础，没有良好表示的知识，推理就无法进行；知识推理是目的，存储知识最终是为了让机器能运用它们来表现出智能行为。1.3.3知识表示与知识推理2．知识表示的方法一个好的知识表示方法不仅要能“存”下知识，更要能便于机器后续去“用”这些知识。目前在人工智能领域，知识表示的方法较多，我们在使用时应针对不同的应用进行选择。下面重点介绍谓词逻辑、产生式规则、知识图谱、框架表示法这4种常见的知识表示方法。总的来说，知识表示是基础，没有良好表示的知识，推理就无法进行；知识推理是目的，存储知识最终是为了让机器能运用它们来表现出智能行为。谓词逻辑也称为一阶逻辑，是一种利用形式化符号来表达陈述、对象及其关系的逻辑系统。它是人工智能领域中一种非常重要且基础的知识表示方法，其核心目标是充当机器的“精确描述语言”，以实现用一种毫无歧义、高度结构化的方式向机器描述这个世界中的事实、规则与关系的目的。1．谓词逻辑1.3.3知识表示与知识推理谓词逻辑这种知识表示方法包含一些基本的构成部件，具体如下。谓词是谓词逻辑这种知识表示方法的灵魂，用于描述对象的属性或对象间的关系。3、谓词常量代表特定的、具体的个体对象。1、常量函数用于将一个或一组对象映射到另一个特定的对象上。4、函数量词这是表达数量范围的关键。6、量词逻辑连接词用于将简单的谓词语句组合成更为复杂的复合语句，主要包

括¬（非，表示否定）、∧（与，表示并且）、∨（或，表示或者）和→（蕴含，表示“如果……那……”）。5、逻辑连接词变量代表不特定的、泛指的对象，可以指代“某个人”或“某个东西”。2、变量1.3.3知识表示与知识推理产生式规则是人工智能领域中较直观、应用较广泛的知识表示方法之一，它的核心思想在于使用“如果……那么……”（IF...THEN...）的逻辑结构来表述人们的经验和决策过程。2．产生式规则一条标准的产生式规则主要由以下两个核心部分构成。前件后件01前件即“IF”部分，也称为条件部分。它描述了规则被激活时必须满足的前提条件，通常由多个条件通过“AND”“OR”等逻辑连接词组合而成。02后件即“THEN”部分，也称为结论或动作部分。它指定了当前件得到满足时，机器应当执行的操作或得出的结论。1.3.3知识表示与知识推理产生式规则这种知识表示方法通常由3个核心组件协同工作实现，这3个核心组件分别是规则库、综合数据库和推理机。其中，规则库用于存储所有的产生式规则，是机器的“知识仓库”；综合数据库保存着当前的已知事实和状态，相当于机器的“工作记忆”；推理机是机器的“思考引擎”，负责控制整个推理过程。推理机遵循“匹配—选择—执行”这一循环工作过程，它首先将当前数据库中的事实与规则库中的规则条件进行匹配，找出所有满足条件的规则，然后根据特定的冲突消解策略从多条可用规则中选择一条规则来执行，最后执行选中规则的动作并更新数据库。推理机工作流程1.3.3知识表示与知识推理知识图谱的本质是一种大规模语义网络，它旨在以图的形式描述现实世界中的各种实体、概念及其复杂关系，类似于一张巨大的“信息地图”，其中的一个地标就是一个实体，而连接这些地标的道路就是它们之间的关系，如图所示。3．知识图谱知识图谱的基本构成单元是“三元组”，这是其表达知识的原子形式。一个标准的三元组由头实体、关系和尾实体这3个要素组成，通常表示为（头实体，关系，尾实体）或（主语，谓语，宾语）。1.3.3知识表示与知识推理框架表示法的核心思想是人们对现实世界中各类事物的认识都是以一种类似于“模板”的结构存储在脑海中的。当人们遇到一个新情境或新对象时，总会调用记忆中已有的“模板”来对其进行理解和分析。4．框架表示法框架是框架表示法的基本知识单元，每一个框架代表着一个概念或一类对象。框架的结构类似于表格或表单，由框架名和多个槽组成。框架名用于标识该框架所代表的概念或对象类别，如“汽车”“学生”“会议室”等；槽则用于描述该框架的属性，每个槽由槽名和槽值构成。槽名表示属性的名称，如“颜色”“品牌”“年龄”等；槽值则是对应属性的具体取值。1.3.3知识表示与知识推理3．知识推理的方法演绎推理的典型模式是三段论，由大前提、小前提和结论3部分组成。演绎推理是知识推理中较基本、较严谨的推理方法之一，其核心特征在于从一般性原理推导出特殊性结论。如果推理过程符合逻辑规则且前提为真，则结论必然为真，因此演绎推理又被称为保真推理。这种方法体现了从普遍到特殊的思维过程，是数学证明、逻辑论证和规则系统中较为常用的推理形式。1．谓词逻辑大前提陈述一个普遍性的原理或规则；小前提给出一个具体事例或特殊情况；结论则是根据前两个前提推导出的必然结果。1.3.3知识表示与知识推理归纳推理是与演绎推理形成鲜明对比的重要推理方法，其核心特征在于从多个具体事例中总结出一般性规律或结论。这种推理方法得出的结论具有或然性，即结论可能为真，但并非必然为真，这是归纳推理最显著的特点。归纳推理的最大优势在于其创造新知识的能力。与演绎推理只能揭示前提中隐含的知识不同，归纳推理能够产生超出原有知识范围的新知识、新规律，这种知识拓展能力使得归纳推理成为科学发现和知识创新的重要工具。2．归纳推理1.1认识人工智能1.2人工智能的发展人工智能的核心技术体系1.3人工智能的三大范式1.4综合实践1.51.4.1符号主义符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为，人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。该范式主张人工智能是一个物理符号系统，计算机也是一个物理符号系统，因此能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。符号主义在人工智