人工智能通识教程 课程教学设计（教案）庞闻 第8-16周 计算机视觉-海豚实验实训（2）、课程复习

课程教学设计（教案）第8周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目计算机视觉教学对象本科一年级授课时长100分钟学情分析AI8机器学习及深度学习有一定的了解。教学内容分析本次课程的主要内容有：计算机视觉概述计算机视觉系统中的数字图像基于深度学习的计算机视觉课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点基于深度学习的计算机视觉、基于计算机视觉的生物特征识别教学难点基于深度学习的计算机视觉、基于计算机视觉的生物特征识别处理措施通过反复强调、举例让学生理解计算机视觉的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入二、讲授深度学习相关知识计算机视觉概述计算机视觉是一类类似于人眼的新型检测方法，将采集的图片或视频进行处理以获得相应场景的三维信计算机视觉定义：1、对图像中的客观对象构建明确而有意义的描述（Ballard＆Brown，1982）。2、从一个或多个数字图像中计算三维世界的特性（Trucco＆Verri，1998）3、基于感知图像做出对客观对象和场景有用的决策（Sockman＆Shapiro，2001）。计算机视觉发展史1、1960年代，积木世界分析方法1963MIT的Roberts2、1970年代，Marr（马尔）视觉理论1977Marr提出了计算机视觉理论也称为MarrMarrNarr1）从图像获得基元；2）通过立体视觉、运动、光照、轮廓等模块，获得2.5维表达；3）最后提升，获得三维表达。3、1980年代，特征匹配。例如，使用计算机来识别猫和狗。2）计算机分别计算图像中物体的特征，与特征库进行匹配；3）如果满足匹配条件，就完成了识别任务。4、1990年代，特征方法逐渐发展壮大，对物体描述的粒度也从整体特征扩展到了局部特征。5、1990-2000年代，机器学习方法2000FDDB（FaceDetectionDataSetandBenchmark）该数据集用于人脸检测。采用人工标注的方式，对数据集包含的每一张人脸，使用框给框起来。FDDB数据集包含了2845张图像，一共标注了5171张人脸的位置。PASCALVOC数据集（PASCALVisualObjectChallenge）该数据集中包含了20种类别的图片，每种图片的数量在1000至10000张不等。2005PASCALVOC，PASCAL（StaticalModelingandComputationalLearning）是PASCALVOCR-CNNYOLO、SSD等。ImageNet数据集该数据集是斯坦福大学教授李飞飞等人建立。包含总计22000种类别，图片数量超过1400万张。自2010年以来，每年度mageNet大规模视觉识别挑战赛（LSVRC，研究团队在给定的数据集上评估其算法，并在几项视觉识别任务中争夺更高的准确性。其结构为金字塔型：目录->子目录->图片集。6、2010年之后，基于深度学习方法但在2010年之后也逐渐遇到了瓶颈：针对具体任务进行特征的设计，需要丰富的经验，并且需要根据任务的场景进行大量的调试工作；随着任务越来越复杂，机器学习模型的选择和调试也变得更复杂；如何选择适合的特征、并搭配合适的机器学习算法，以获得最优的效果，变得日益困难。2012ILSVRC中，教授研究组使用深度卷积神经网络ImageNet2615年ILSVRC的错误率已经降到了3.6%，已经低于人类的错误率了。基本上解决了物体分类问题。深度学习的优点：1）不需要专家提供知识，由深度神经网络自动进行特征学习和表征；2）深度神经网络具有复杂的参数结构，可以使用同一个模型来解决问题；3）基于深度学习的计算机视觉技术，从原理上更加符合人类视觉的工作机制，容易吸收脑科学和神经科学的研究成果。4.1.3计算机视觉的主要任务计算机视觉的主要任务有目标检测和跟踪定位，前景/背景分割和物体分割，目标分类和识别，场景分类和识别，时间检测和识别，距离估计，图像自动生成标题等。目标检测在图像中检测和定位目标物体的位置，例如检测交通场景中的车辆、行人等。目标检测技术在自动驾驶、机器人视觉、智慧城市、智慧交通等领域得到广泛应用。分类+定位图像分割将图像分割成不同的区域，以便于进一步地处理和分析。该技术广泛用于医疗影像、无人机视觉等领域。像素级分类图像分割数据集标注耗时耗力目标分类粗粒度是类别差异大，细粒度一个类目下的子类。粗粒度图像分类使模型成为一个通才，细粒度图像分类成为专家。 人脸识别姿态估计利用机器学习算法对人体的姿态进行估计，如识别人体的动作和姿势。文字识别计算机视觉系统中的数字图像计算机接受到的数字图像由像素（pixel）点组成。主要有下列几种数字图像：10（（最高亮度，白色，其余数值则表示中间的亮度。2RGB（R（G3个颜色通道的变化以及它们相互之间30，则表示该像素点吸收了全部蓝色光；如果是255，则表示该像素点反射了全部蓝色光。3、RGBD图像：3D深度摄像头可以采集到环境的深度信息，成为所谓RCBD（RGB+Depth）图像。4、红外、紫外、X-光等图像：超越人眼可感知域的电磁波段信号成像设备形成图像。基于深度学习的计算机视觉直到2012年，深度学习掀起了计算机视觉领域应用热潮，目标检测正确率大大提升。目标检测是计算机视觉中一个基础问题，其定义某些感兴趣的特定类别组成前景，其他类别为背景。设计一个目标检测器，它可以在输入图像中找到所有前景物体的位置以及他们所属的具体类别。区域卷积神经网络（Region-CNN，R-CNN）是第一个成功将深度学习应用到目标检测上的算法。卷积神经网络已成为计算机视觉和视觉跟踪的主流深度模型。基于计算机视觉的生物特征识别生物特征识别(BIOMETRICS（DNA等）或行为特征（步态、击键习惯等）来进行个人身份鉴定的技术。目前，基于计算机视觉的生物特征识别技术成为人工智能最重要的研究与应用领域。人脸识别、指纹识别、声纹识别、掌纹识别、虹膜识别、指静脉识别、DNA序列识别等。人工智能在生物特征识别中的应用，大大提高了生物特征识别的自动化和准确率，为人们的生活带来了很多便利。对人特定的特征进行识别：人脸识别指纹识别声纹识别虹膜识别用。其中，人脸识别本质是对两张照片中人脸相似度的计算，人脸识别系统主要包括6个部分：1）人脸检测：给出人脸的位置和大小。2）特征点定位：在矩形框内找到眼睛中心、鼻尖和嘴角等关键特征点，以便进行后续的预处理操作。3）预处理：完成人脸子图的归一化。4）特征提取：这是人脸识别的核心。当前，主要是采用深度学习方法自动提取特征。5）特征比对：对提取的特征进行相似度计算。6）判断：相似程度超过设定阈值判断为相同人。65虹膜识别主要步骤：1）虹膜图像获取。使用特定的摄像器材对人的整个眼部进行拍摄。2）虹膜定位。确定内圆、外圆和二次曲线在图像中的位置。3）虹膜图像归一化。4）图像增强。5）特征提取。6）特征匹配。与数据库中的虹膜图像特征编码逐一匹配，判断是否为相同虹膜。教学效果评价与反思培养学生科学思维、实证思维与计算思维，提高学生信息素养，人工智能素养，为后续学习程序设计类课程、用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第9周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目生成式人工智能教学对象本科一年级授课时长100分钟学情分析AI9机器学习、深度学习及计算机视觉有一定的了解。教学内容分析本次课程的主要内容有：生成式人工智能概述生成式人工智能技术常见大模型课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点生成式人工智能技术、常见大模型、提示词工程教学难点生成式人工智能技术处理措施通过反复强调、举例让学生理解生成式人工智能相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入二、讲授生成式人工智能相关知识生成式人工智能概述生成式人工智能的概念（GAI,Generativeartificialintelligence）人工智能生成内容（AIGC,ArtificialIntelligenceGeneratedContent）生成式人工智能分类及应用文本生成式：依据输入的提示或上下文生成文本内容，例如文章、故事、诗歌等。常见的工具有OpenAI的GPT系列（如GPT-3、GP-4、BRT（BiirectioalEcoerRereetatiosfrmTraformers）等。DALL-E2DeepArt、StyleGAN等。视频生成式：生成视频内容，涵盖视频编辑、视频特效、动画制作等。例如，通过视频GAN（生成对抗网络）可以生成具有真实感的视频，Deepfake技术则可用于生成逼真的面部视频。WaveNet代码生成式：按照自然语言描述或示例代码自动生成代码，帮助开发者增强工作效率。例如，GitHub的Copilot等AI编程助手就是典型的代码生成式应用。UI/UX游戏内容生成式：在游戏中自动生成地图、角色、故事情节等。例如，某些游戏利用生成式AI技术来创建无限的游戏世界和角色。格的绘画作品。5.1.3生成式人工智能工作原理生成式人工智能工作原理通常包括数据预处理、模型训练和数据生成三个步骤：5.2 生成式人工智能技术（GANGANsanGoofellw等人于2014变分自编码器（VAs：VAs是另一种生成模型，由Kigma和ellig于2013年提出。VAEs具有独特的架构，包括两个主要组件：编码器和解码器。它通过编码数据来理解其底层结构，然后再解码生成新的数据。VAEs在数据生成过程中保持了一定的可控性，使得生成的数据既新颖又与原数据有着相似的统计特性。这种方法在图像处理和增强视觉效果方面特别有用，是完成生成任务的强大工具。递归神经网络RNNRNNs长短期记忆网络（LSTM）和门控循环单元（GRU）RNNTrafrmerTranformerVasai等人于2017彻底改变了自然语言处理NLP领域，并在开发GPT-3和GPT-4等大型语言模型方面发挥了重要作用。Transformer允许模型同时考虑序列中的所有元素，而不是像传统RNNs那样依赖于逐步处理。这种并行处理能力使得Transformer在处理长文本和理解语言的上下文方面非常有效。目前，它是许多先进的自然语言处理任务的基础，如机器翻译、文本摘要与问答系统等。 大型语言模型（LLMs：LLMs是以海量数据集进行训练的人工智能系统，能够处理、理解和生成自然语言。LLMsTransformer常见大模型常见大模型12、讯飞智文：PPT制作、数据分析。/ /3、通义千问：/qianwen/4、智谱清言：/5、橙篇：长文（论文、报告）写作（含格式整理。/6、kimi:论文、报告的选题、摘要、综述、刚要、写作等。/7、5118：文章改写。/8、英伟达：多模态大模型（问答、图生视频、文生图。/explore/discove9、文心智能体：数字助教、助管等。/agent/10、moelce(魔搭：tts:/moels/11、流程图、思维导图和甘特图：https://mermaid.live提示词工程（PromptEngineering）Prompt就是给人工智能的指令，引导模型⽣成响应的回答。（生成结果的机制非常容易受到词提示词学习：/使用提示词容易出现的问题：缺乏系统性，依赖个人经验 只有方法，没有语法灵活性，他人分享的不好修改通过引入变量元素，提升复用性偏好分布 与生产环境的数据密切相关，需要增加评测工具不同模型间存在差异 模型之间方法相同，但是内容不能复用解决办法：尽可能清晰明确地表达希望模型执行的操作，以指导模型生成我们期望的输出。较长的Prompt能提供更多上下文信息，使输出的内容更加详细和准确。策略1：使用分隔符清晰表示输入的不同部分2：要求结构化输出(HTML或JSON格式)策略3：让模型验证条件是否被满足、。策略4：少量样本提示复制5：给模型思考的时间，提示工程需要迭代举例说明："请解释什么是⼈⼯智能？""列出三个关于太阳系的事实。""回答以下数学问题：2+2=?“vs"谈谈科技。""讲个笑话。""说⼀些关于历史的事情。"例1：使用分隔符清晰表示输入的不同部分提示词：客户姓名：张三；订单编号：000123；购买产品：苹果笔记本电脑；问题描述：无法开机哪个客户的苹果笔记本无法开机？GPT回答：根据您提供的信息，客户姓名为张三的客户的苹果笔记本电脑无法开机。2：少量样本提示复制提示词：请按照以下格式直接回答问题。只能给出答案，不要⽣产其他内容。问题：中国的⾸都是哪⾥？答案：北京问题：浙江的省会是哪⾥？答案：GPT回答：答案：杭州例3：要求结构化输出(HTML或JSON格式)提示词：生成三个虚构的书名及其作者和类型的列表，JSONkey：book_id、title、author、genre。GPT回答：以下是一个包含三个虚构书名的JSON格式列表，每个书名都包括书ID、标题、作者和类型：[{"book_id":1,"title":"时空之门的守护者","author":"李梦华","genre":"科幻"},{"book_id":2,"title":"author":"赵启明","genre":"悬疑"},{"book_id":3,"title":"author":"金庸","genre":"武侠"}]在这个列表中，每本书都有一个唯一的book_id，以及书名title、作者author和书籍类型genre。Prompt的结构：教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第10周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目生成式人工智能习题课教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第10次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应用、机器学习、深度学习、计算机视觉及生成式人工智能有一定的了解。教学内容分析本次课程的主要内容有：1.复习生成式人工智能技术2.通过海豚实验平台练习提示词及大模型应用课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点生成式人工智能技术、常见大模型、提示词工程教学难点生成式人工智能技术处理措施通过反复强调、举例让学生理解生成式人工智能相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问学生，了解学生日常使用大模型情况，学习提示词工程后对与大模型对话有何心得。二、讲授生成式人工智能相关知识1.复习生成式人工智能概述（GAI,Generativeartificialintelligence）人工智能生成内容（AIGC,ArtificialIntelligenceGeneratedContent）文本生成式：依据输入的提示或上下文生成文本内容，例如文章、故事、诗歌等。常见的工具有OpenAI的GP（GeerativePre-TraiedTraformerBR（BiirectioalcerRereentatiosfrmTrafrmersT5（Text-to-TextTransferTransformer）等。DALL-E2DeepArt、StyleGAN等。视频生成式：生成视频内容，涵盖视频编辑、视频特效、动画制作等。例如，通过视频GAN（生成对抗网络）可以生成具有真实感的视频，Deepfake技术则可用于生成逼真的面部视频。WaveNet代码生成式：按照自然语言描述或示例代码自动生成代码，帮助开发者增强工作效率。例如，GitHub的Copilot等AI编程助手就是典型的代码生成式应用。UI/UX游戏内容生成式：在游戏中自动生成地图、角色、故事情节等。例如，某些游戏利用生成式AI技术来创建无限的游戏世界和角色。生成式人工智能技术（GANGANsanGoofellw等人于2014变分自编码器（VAs：VAs是另一种生成模型，由Kigma和ellig于2013年提出。VAEs递归神经网络（RNNsRNNs长短期记忆网络（LSTM）和门控循环单元（GRU）RNNTrafrmerTranformerVasai等人于2017彻底改变了自然语言处理NLP领域，并在开发GPT-3和GPT-4等大型语言模型方面发挥了重要作用。Transformer允许模型同时考虑序列中的所有元素，而不是像传统RNNs那样依赖于逐步处理。这种并行处理能力使得Transformer在处理长文本和理解语言的上下文方面非常有效。目前，它是许多先进的自然语言处理任务的基础，如机器翻译、文本摘要与问答系统等。大型语言模型（LL大型语言模型（LLMs：LLMs是以海量数据集进行训练的人工智能系统，能够处理、理解和生成自然语言。LLMsTransformer常见大模型1DeepSeekhttps://\h/23、讯飞智文：PPT制作、数据分析。/ /4、通义千问：/qianwen/5、智谱清言：/6、豆包：https://doubao.con/7、kimi:论文、报告的选题、摘要、综述、纲要、写作等。/ 、8、英伟达：多模态大模型（问答、图生视频、文生图。/explore/discove9、moelce(魔搭：tt:/mel/10、流程图、思维导图和甘特图： https://mermaid.live流程图、思维导图和甘特图：\hhttps://mermaid.live提示词工程（PromptEngineering）就是给人工智能的指令，引导模型⽣成响应的回答。Prompt的结构：上下文（可选、指令（必选、输入数据（必选、输出指标（可选。2.大模型练习海豚实验平台：\h/user-center/login/index教学效果评价与反思西安外国语大学课程教学设计（教案）第11周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目自然语言处理教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第11次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应用、机器学习、深度学习、计算机视觉及生成式人工智能有一定的了解。教学内容分析本次课程的主要内容有：自然语言处理应用自然语言处理概述自然语言处理技术课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点自然语言处理概述、自然语言处理技术教学难点自然语言处理技术处理措施通过反复强调、举例让学生理解自然语言处理相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问学生，了解学生对自然语言处理的了解，导入自然语言处理的实例及应用场景。二、讲授生成式人工智能相关知识通俗讲，自然语言处理（NLP，NaturalLanguageProcessing）是用计算机来处理、理解及运用人类语言。NLP6.1.自然语言处理应用交互式搜索的聊天机器人---“小度”、基于情感计算的机器人---“小冰”、基于自然语言理解的聊天机器人……自然语言处理（NLP）在多个领域都有广泛的应用：1．机器翻译：将一种语言的文本自动翻译成另一种语言，极大地促进了国际交流和跨文化沟通，使得不同语言背景的人们能够更加便捷地交流和理解彼此的文化。2．语音识别与合成：将人类语音转换为计算机可读的形式，广泛应用于智能家居、智能手机等设备中，使得智能家居、智能手机等设备能够更好地理解和响应用户的指令，提高了生活的便利性。4．信息检索与自动摘要：从大量文本数据中提取用户需要的信息，生成简洁的摘要内容，广泛应用于搜索引擎、智能客服等领域。帮助用户快速获取所需信息，提高工作效率和生活质量。6．智能客服：通过语音和文字交互，提供高效便捷的客户服务，广泛应用于电商、金融、医疗等领域。24/7提供客户服务，处理常见问题，提升用户体验。7．智能写作：自动创作和编辑文本，提高写作效率和质量，应用于新闻、广告等领域。提高写作效率和质量，节省人力成本。帮助用户快速管理和回复重要邮件，保持收件箱的整洁。8．电子邮件筛选：如Gmail的电子邮件分类功能，帮助用户快速管理邮件。9．智能助手：如Apple的Siri和Amazon的Alexa，通过语音识别提供有用的回复，提升生活的便利性和效率。各行业应用：6.26.2 自然语言处理概述自然语言处理的概念自然语言处理研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，是利用计算OCR（OpticalCharacterRecognition）1.初期探索（1950s-1960s）:1954年的乔治敦-IBM实验是最早的尝试之一，该实验成功地使用机器将60个俄语句子翻译成英语这个实验标志着机器翻译和自然语言处理领域的诞生。在1960年代，研究者开始使用规则基础的方法来解决自然语言处理问题，例如通过编写语法规则来进行句法分析。2.统计时期（1970s-1990s）:1970年代至19903.机器学习时期（2000s）:进入21世纪，随着机器学习的崛起，自然语言处理开始采用更为高效和准确的方法。例如，最大熵模型和支持向量机等机器学习算法开始应用于文本分类、信息检索和命名实体识别等任务。4.深度学习时期（2010s-至今）:2010NNNP任务。随后，Transformer架构的出现进一步推动了自然语言处理的进步。2018年，OpenAI推出了GPT（GenerativePre-training（BidirectionalEncoderRepresentationsfromTransformers）和其它变种模型如T5（Text-to-TextTransfer、、。，Transformer）等的出现，将NLP推向了一个新的高度。Transformer）等的出现，将NLP推向了一个新的高度。5.多模态学习与前沿探索:NLP我国的自然语言处理（机器翻译）研究：机器翻译起步于1957年，世界上第4个开始研究机器翻译的国家。60年代中断，70年代中期有进一步的发展：建立了汉语语料库、科技英语语料库。互联网公司也发布了互联网翻译系统。目前市场上出现了一批自然语言处理的商品软件，但仍是一项长远而艰巨的任务。（、的言作为棋子建构了语言棋理得以体现的间接形式化协同智能系统。心智哲学之父塞尔针对图灵测试提出孪生图灵机或形式化理解模型“中文屋”论题。塔斯基提出对象语言和解释语言或元语言的形式语言。乔姆斯基提出的生成语法的句法结构（S=NP+VP）比尔·盖茨提出语言理解是人工智能皇冠上的明珠。语料库语料库cru，复数crpra：指经科学取样和加工的大规模电子文本库，其中存放的是在语言的实际使用中真实出现过的语言材料。语料库有多种类型：⑴异质的（Hetergeeus：没有特定的语料收集原则，广泛收集并原样存储各种语料；⑵同质的（Hmogeneus：只收集同一类内容的语料；⑶系统的（Systematic：根据预先确定的原则和比例收集语料，使语料具有平衡性和系统性，能够代表某一范围内的语言事实；⑷专用的（Specialie：只收集用于某一特定用途的语料。国内外常用语料库推荐：\h/s/arwjS5msQXpyjFapZ7y54w6.1.3自然语言处理的相关研究计算语言学（CL）\h2023\h年中国自然语言处理行业研究报告：\h/s?id=1781690821463228664&wfr=spider&for=pc6.3 自然语言处理技术NLP、语音识别与合成等。6.3.1基础技术1、词法分析：词法分析的任务：1（2）命名实体识别：人名、地名、机构名3）（针对汉语、日语等）识别出句子中的词。4）词性标注：为句子中的词添加预定义类别集合中的类别标记。不同的语言对词法分析有不同的要求：在命名实体识别、词性标注中，往往将输入的语言序列转化为标注序列：例如：输入序列：我爱北京天安门输出序列：O O B E B I E标记说明：B表示实体开始符，E表示实体结束符，I，O输入序列：It is easy to learn and use Python.输出序列：PRP VBZ JJ TO VB CC VB NNP.标记说明：使用Python的NLTK库进行标记。分词（以Pyton为例：.lower()方法将所有文本转换为小写，再用.replace()方法将其他符号均换成空格，做统一分隔，方便使用.split()方法提取单词。中文：使用jieba库对文本进行分词。2、句法分析：对用户输入的自然语言进行词汇短语分析，识别句子的句法结构。S=NP+VP：4种形式：型文法：短语结构文法，无约束文法；型文法：上下文相关文法；型文法：上下文无关文法CFG；型文法：正则文法RG。利用概率统计法进行句法分析（PCFG概率上下文无关文法的主要任务有两个：1.句法分析树的消歧；2.求最佳分析树。Astronomerssawstarswithears.2）局部句法分析也称浅层句法分析、语块分析。仅要求识别句子中某些结构相对简单的独立成分，如非递归的名次酸雨、Viterbi算法来查找最有的网络路径。3）依存关系分析（有方向是句子的中心，其他成分都依存于它。可以使用有向图和依存树的形式表示依存语法。3、语义分析基于自然语言语义信息的一个分析方法，是把分析得到的句法成分与应用领域中的目标表示相关联。简单做法：依次使用独立的句法分析程序和语义解释程序。缺点：使句法分析、语义分析分离1）语义文法2）格文法4、语用分析5、语境分析对语言所处的具体环境分析，更为正确的解释所要查询语言的技术。教学效果评价与反思西安外国语大学课程教学设计（教案）第12周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目自然语言处理教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第12次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应用、机器学习、深度学习、计算机视觉、生成式人工智能及自然语言处理有一定的了解。教学内容分析本次课程的主要内容有：自然语言处理应用自然语言处理概述自然语言处理技术课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点自然语言处理概述、自然语言处理技术教学难点自然语言处理技术处理措施通过反复强调、举例让学生理解自然语言处理相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问学生，了解学生对自然语言处理的了解，导入自然语言处理的实例及应用场景。二、讲授生成式人工智能相关知识6.3.2核心技术1、机器翻译（源语言转换为另一（目标语言3发展历程：直译式机器翻译系统：通过快速的分析和双语词典，将原文译出。基于规则的机器翻译系统：先分析原文内容，产生原文的句法结构，再转换成译文的句法结构，最后再生成译文。基于规的翻译 介式的翻译基于知识库的机器翻译系统：翻译经常需要除了词汇之外的各种知识，使用知识获取工具，以充实知识库的内容。基于统计的机器翻译系统：通过对大量的平行语料进行统计分析，构建统计翻译模型，进而使用此模（概率（训练基于范例的机器翻译系统：将过去的翻译结果当成范例，产生一个范例库。（TD）NCD（5基于人工神经机器翻译：循环神经网络(RNN)：长短期记忆网络(LSTM)：长短期记忆网络(LSTM)：通过门控机制“记住”句子中比较重要的单词，自注意力网络(Transformer)：2、情感分析（SentimentAnalysis、AffectiveComputing)例1：电影评论原始文本：“这部电影真是太棒了！演员的表演出色，剧情紧凑引人入胜。强烈推荐给大家！”例2：产品评价达了对产品质量和客服服务的不满和失望，因此可以判断为负面情感。例3：社交媒体帖原始文本：“今天是我的生日，收到了很多朋友的祝福和礼物，感觉非常幸福和感激！”情感分析：正面情感。这段帖子中表达了作者收到朋友祝福和礼物的喜悦和感激之情，使用了“幸福”和“感激”等积极词汇，因此可以判断为正面情感。情感分析是2018年公布的计算机科学技术名词，自动判定（利用算法来分析）文本中观点持有者对某一话题所表现出的态度或情绪倾向性的过程、技术和方法。（依赖于预先定义的情感词典，通过匹配文本中的词汇与词典中的条目来确定情感倾向。情感词典是文本分析的基础，利用文本情感词典，可以对情感词典进行极性和强度标注，进而进行文本情感分类。 ”举个例子：这个游戏不是太好玩。举个例子：这个游戏不是太好玩。先进行分词：这个/游戏/不是/太好玩。sos_sore1。然后用pos_score减去neg_score10pos，小于0neg。另一个例子：“这手机的画面极好，操作也比较流畅。不过拍照真的太烂了！系统也不好。”①情感词-11+1-1+1=2.是否合理？②程度词“好”，“流畅”和“烂”前面都有一个程度修饰词。“极好”就比“较好”或者“好”的情感更强，“太烂”也比“有点烂”情感强得多。所以需要在找到情感词后往前找一下有没有程度修饰，并给不同的程度一仅”这些就*0.5了。那么这句话的情感分值就是：1*4+1*2-1*4+1=3③感叹号21*4-2+1=1④否定词 “这手机的画面极好，操作也比较流畅。不过拍照真的太烂了！系统也不好。”*-1，*1因此这句话的准确情感分值是：1*4+1*2-1*4-2+1*-1=-1⑤积极和消极分开来（这样消极分值也是正数，无需使用负数了）。它们同时代表了这句话的情感倾向。所以这句话应该是”积极分值：6，消极分值：7⑥以分句的情感为基础：。（[积极分值,消极分值]0],[2,0],[0,6],[01]]算法设计总结：第1步：读取文本数据，对文本进行分句。第2步：查找对分句的情感词，记录积极还是消极，以及位置。第3步：往情感词前查找程度词，找到就停止搜寻。为程度词设权值，乘以情感值。第4步：往情感词前查找否定词，找完全部否定词，若数量为奇数，乘以-1，若为偶数，乘以1。第5步：判断分句结尾是否有感叹号，有叹号则往前寻找情感词，有则相应的情感值+2。第6步：计算完一条文本所有分句的情感值，用数组（list）记录起来。第7步：计算并记录所有文本的情感值。第8步：通过分句计算每条文本的积极情感均值，消极情感均值，积极情感方差，消极情感方差。问题：情感词典的建立依靠人工构建和自动构建。HowNet等。人工构建词典在扩充词条信息和便利性方面有一定的优势，但是大大增加了人工开销，并且设计的范围有限，不适合跨领域研究。自动构建情感词典：基于知识库的方法：对人工构建情感词典进行的拓展，加入名词动词副词，使情感词更加全面。语料库相对于语义知识库而言,其优点是容易获得且数量充足,构建的词典在语料所属的领域内表现较好,但是构建的成本较高,需要对语料进行预处理,另外,所构建的词典的准确率相对不高。基于词典的文本情感分析技术由于构建的词典往往只针对某个领域，对于跨领域情感分析的效果不够好，而且词典中的情感词可能不够丰富，对于短文本和特定领域文本进行情感分析的效果更好。因此，对于长文本来说，更好的解决方法是利用机器学习方法。KNN词袋（bagofwords）模型文本表示分为离散表示和分布式表示。离散表示的代表就是词袋模型，one-hot（也叫独热编码）、TF-IDF、n-gram都可以看作是词袋模型。（wodmeddinordcGloeEO、GPTBERT。（CNN）（RNN）（LSTM）Transformer，通过学习文本的深层次特征来提高情感分析的准确性。4）混合方法：结合基于规则和基于机器学习的方法，以优化准确性和速度。GPTBERTXL-NET教学效果评价与反思西安外国语大学课程教学设计（教案）第13周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目人工智能伦理教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第13次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应用、机器学习、深度学习、计算机视觉、生成式人工智能及自然语言处理有一定的了解。教学内容分析本次课程的主要内容有：人工智能伦理的提出与发展人工智能伦理的典型案例与成因分析人工智能伦理的治理原则课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点人工智能伦理的典型案例与成因分析、工智能伦理的治理原则、人工智能伦理的治理措施教学难点人工智能伦理的典型案例与成因分析处理措施通过反复强调、举例让学生理解自然语言处理相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问学生，了解学生对人工智能伦理的了解，导入人工智能伦理案例。二、讲授生成式人工智能相关知识在人工智能飞速发展以后，同样不能忽视伦理的约束，这样人类才能在更多享受到技术革新益处的同时，让冰冷的科技亦呈现温暖的底色，创造有温度的未来。人工智能伦理学（theEthicsofArtificialIntelligence）是专门针对人工智能系统的应用伦理学的一个分支。人工智能超级人工智能的奇点问题。人工智能伦理的提出与发展国际电气和电子工程师协会于2016年4月启动了IEEE标准协会发布“人工智能设计的伦理准则”白皮书，力图建立社会公认的人工智能伦理标准、职业认证及道德规范。国际化标准化组织（ISO）于2017年成立人工智能委员会。牛津大学、剑桥大学和OpenAI公司等7家机构于2018年共同发布《人工智能的恶意使用：预测、预防和缓解》。2021年11月24日，第411011中国政府高度重视人工智能发展中的伦理问题。2017年72018年9月1720182019年2月，中国国家新一代人工智能治理专业委员会成立，发布《新一代人工智能治理原则——发展负责任的人工智能》。2021年9月25日国家新一代人工智能治理专业委员会发布《新一代人工智能伦理规范》。1.人工智能伦理典型案例案例1：加州禁止执法人员使用面部识别技术。201991220201月1日生效。旧金山和奥克兰也已全面禁止面部识别技术的使用。俄勒冈州和新罕布什尔州等也有类似的禁令。许多执法团体认为面部识别技术在追踪嫌疑人以及寻找失踪儿童等很多方面都具有重要作用。加州警察局长协会主席罗恩·劳伦斯表示：“这是未来的破案方式，我们需要拥抱而不是逃避技术。”案例“”2019年11月，某小学戴“监测头环”的视频引起广泛的关注与争议。这些头环通过传感器上的三个电极可检测佩戴者的脑电波，从而评判学生是否集中注意力并进行打分：上课专注亮红灯，上课走神亮蓝灯。2019年11月，某小学戴“监测头环”的视频引起广泛的关注与争议。这些头环通过传感器上的三个电极可检测佩戴者的脑电波，从而评判学生是否集中注意力并进行打分：上课专注亮红灯，上课走神亮蓝灯。许多人担忧侵犯学生隐私，以及让学生产生逆反心理。脑机接口技术是一种新兴技术，会不容易被人理解，必须慎之又慎地使用。案例3：人工智能换脸应用引发隐私争议。一款人工智能换脸软件引发严重的隐私争议。用户只需提供一张正面人脸照片上传到换脸软件，就可以把选定视频中的明星面部替换掉，生成以自己为主角的视频片段。该软件被指涉嫌非法收集进而可能滥用用户面部信息。早在2019年11应当及时采取相应的辟谣措施”。案例4：自动驾驶安全事故问责。50岁的班纳驾驶电动车以每小时109公里的速度与一辆牵引车拖车相撞而身亡；而2018年12月10日，该品牌电动汽车在美国康涅狄格州95号州际公路上追尾了一辆停放在路边的警车；事故发生时这些汽车的自动驾驶系统都处于开启状态。案例5：小黄车女子被贷款诈骗案。1此案例反映出人工智能技术在服务过程中可能存在的安全隐患，以及用户对于新技术服务缺乏足够的警惕性和判断力。同时，也暴露出相关平台在监管和服务质量上的不足。案例6：滴滴“控制价”算法争议。此案例涉及人工智能算法的透明度和公平性问题。乘客对于算法定价的不信任源于对算法原理和决案例7：人工智能机器人致死案。某国某医院，一台负责执行医疗任务的人工智能机器人在执行药品配送任务时发生意外，导致一名护士死亡。此案例揭示了人工智能机器人在设计和开发过程中的技术缺陷，以及在智能医疗领域的安全标准和AI案例8：OpenAI开发出假新闻编写软件。OpenAI开发的GPT软件，能编写逼真的假新闻。CicinatiPT7GPT生成文本常有前后不一致，结构重复、突然的主题切换和违背常识。例如，可以记录发生在水下的火灾，或者某人是他们父亲的父亲等。2.人工智能伦理成因分析（1）技术层面：包括算法及系统的安全问题、可解释性问题、算法歧视问题和算法决策问题。算法及系统的安全问题：算法或系统的漏洞被攻击和恶意利用的情形；可解释性问题：关注人类的知情利益和主体地位；算法歧视问题：算法研究人员的认知偏见或者训练数据集不完美导致的歧视性的决策结果；算法决策问题：人工智能自学习导致的不可预见性结果。（3）7.3人工智能伦理的治理原则人工智能的发展应遵循基本原则：人类根本利益原则、责任原则。选择人工智能系统和人工智能方法是否合理的依据：（1）选择的人工智能方法对于实现特定合法目标应是适当的；（3）在所涉决定具有不可逆转或难以逆转的影响或者在涉及生死抉择的情况下，应由人类作出最终决定。随着人工智能的发展，需要建立明确的责任体系，也就是责任原则。基于责任原则，人工智能系统遇到与人类伦理或法律发生冲突时，可以从技术层面对人工智能技术应用部门进行问责。在责任原则下，人工智能技术的开发和应用应分别遵循透明度原则和权责一致原则。在人工智能系统的整个生命周期内都需要努力提高人工智能系统的透明度和可解释性。在人工智能系统的整个生命周期内都需要努力提高人工智能系统的透明度和可解释性。人工智能系统的可解释性也指各个算法模块的输入、输出和性能的可解释性及其如何促成系统结果7.4人工智能伦理的治理措施1．技术改进人工智能的许多伦理风险可以通过技术改进予以解决。例如，算法可解释性和透明性涉及人类的知情利益和主体地位，是人工智能伦理的重要命题之一。要逐步形成算法开发者和使用者信息披露的技术惯例，对算法进行监管，接受公众的审查和质询。逐步推进人工智能标准化进程，进而推动人工智能应用领域的不断拓展。推动人工智能企业建立伦理委员会，明确扮演人工智能技术落地执行者角色的企业的伦理意识和社会责任。2．道德规范推动科研机构和企业对人工智能伦理风险的认知和实践，通过发布伦理风险分析报告等形式，讨论人工智能伦理风险的应对措施。3．政策指引通过国家政策指引更体现差异化和顺应创新趋势。例如：（1）支持自然资源的保护、监测和管理。（2）支持与气候有关问题的预测、预防、控制和减缓。（3）支持更加高效和可持续的粮食生态系统。（4）支持可持续能源的加速获取和大规模采用。（5）促成并推动旨在促进可持续发展的可持续基础设施、可持续商业模式和可持续金融主流化。4．法律法规在人工智能法律法规中，要在促进发展与风险控制之间探求最佳平衡点，尤其需要把握公权力干预和产业自治之间的平衡。在行业发展需要明确责任的领域启动立法研究，如对自动驾驶等发展相对成熟、迫切需要明确责任的领域，在现行法律之下尝试地方性、试验性的立法，为推进人工智能立法进程提供经验。在实践不足以立法规制的领域，通过行业自律、政策引导等方式进行伦理风险控制。国内人工智能法律法规：。成式人工智能服务管理暂行办法》，对生成式人工智能服务提供者的行为进行规范，并支持其发展。成式人工智能服务管理暂行办法》，对生成式人工智能服务提供者的行为进行规范，并支持其发展。《个人信息保护法》：明确规定了个人信息的收集、使用、披露等行为，保护个人隐私。《数据安全法》：关键数据必须在中国境内存储，受到严格保护，保障国家安全和个人隐私。国外的人工智能法律法规侧重于数据跨境流动、伦理道德要求和知识产权保护。（GDPR）美国则通过《国家人工智能倡议法案》重视人工智能技术的知识产权保护。5．人工智能伦理教育犯罪，包括用于商业目的。教学效果评价与反思，西安外国语大学课程教学设计（教案）第14周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目人工智能前沿研究动态教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第14次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应用、机器学习、深度学习、计算机视觉、生成式人工智能、自然语言处理、人工智能伦理有一定的了解。教学内容分析本次课程的主要内容有：通用人工智能曙光已现大世界模型——空间智能202420242025课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点20242024望、2025年人工智能十大趋势教学难点20242024望、2025年人工智能十大趋势处理措施通过反复强调、举例让学生理解自然语言处理相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问学生，了解学生对人工智能前沿研究的了解，导入人工智能前沿研究动态。二、讲授生成式人工智能相关知识通用人工智能曙光已现最近揭晓的2024年诺贝尔奖，让全世界都见证了一个历史性时刻：经典的物理学奖和化学奖都颁给了人ScienceforAI，还是AIforScience，都经受了应用的验证和时间的考验，被证明对相关在2024年世界科技与发展论坛开幕式上的主旨演讲环节，中国工程师联合体副理事长、百度首席技术官王海峰作了题为《通用人工智能曙光已现》的演讲。一起来看吧~大世界模型——空间智能李飞飞因其在ImageNet上的开创性工作而闻名，堪称当今在人工智能方面最有前瞻眼光的研究人员和战略家。李飞飞的新企业WorldLabs，已经筹集了大量资金，其中包括来自AndreessenHorowitz、RadicalVentures和NVentures等投资者的2.3亿美元。公司目标是旨在创建不仅能感知和理解周围环境，还能推理演绎三维环境的系统。李飞飞的目标是超越专注于语言或图像生成的大语言模型(LLM)，开发能够与物理世界互动并做出预测的“大世界模型”(LWM)。整合现实世界和合成数据，以构建能够真正感知理解空间中物体之间的几何形状、位置关系甚至先AR(VR8.22024年人工智能发展报告斯坦福大学教授李飞飞团队关于2024年人工智能发展报告总结：1、核心信息在2024年，人工智能（AI）领域取得了显著的进展，但也面临着挑战。AI在特定任务上超越了人类，如图像分类和语言理解，但在更复杂的任务上仍有局限。工业界在AI研究中发挥了主导作用，尤其在机器学习模型的产出上。训练大型AI模型的成本不断上升，例如GPT-4花了约7800万美金，Gimini花了约1.91亿美金。美国、中国和欧洲是AI模型的主要贡献者，其中中国在AI专利方面领先。AI模型的可靠性评估缺乏统一标准，生成式AI投资激增，AI提高了工作者的效率和质量，加速了科学和医疗的发展，美国AI相关条款发布数量急剧增加，全球对AI潜在影响的意识增强，紧张情绪上科学和医疗的发展，美国AI相关条款发布数量急剧增加，全球对AI潜在影响的意识增强，紧张情绪上升。2、AI研究和发展核心要点AIAIAIAI核心对比信息从2010年到2022年，AI相关的论文发表数量逐年增加，美国在发布优秀的机器学习模型数量上保持世界首位。模型是否会用尽数据AI模型的发展依赖于大量数据，但有担忧表示，计算机科学家可能很快就会用尽高质量数据。尽管合成数据可以缓解这一问题，但使用合成数据训练的模型可能会出现性能下降。基础模型发展训练模型成本训练大型AI模型的成本不断上升，达到数千万美元甚至数亿美元。这表明了AI领域在资源投入方面的增长。3、技术性能核心要点AIAIGoogleGeminiOpenAIbenchmarksSWE-benchHEIM，以及人类评估的引入如聊天机器人竞技场排行榜，反映了AI重要模型发布情况2023年见证了多个重要AI模型的发布，包括Anthropic的Claude、OpenAI的GPT-4、StabilityAI的StableDiffusionv2等，这些模型在多项benchmarks中超越了人类水平。AIAI在图像分类、英语理解和自然语言推理等任务中超越了人类，但在竞赛数学、多语言理解和视觉常识推理等任务上仍有局限。多学科、高难度评估集(MMMU&GPQA&ARC)新的评估集如MMMU、GPQA和ARC的出现，旨在评估AI的多学科推理能力和抽象归纳能力。尽管AI模型在这些评估中取得了一定的成绩，但与人类专家相比仍有差距。Agents基于大型语言模型的AI代理在特定场景中自动处理任务的能力得到了提升，如AgentBench评估的基于LLM的25个agents。。，RLHF&RLHF&RLAIFRLHF和RLAIF是两种基于强化学习的方法，用于训练AI模型以更好地符合人类的偏好和反馈。RLAIF在生成无害对话任务中表现优于RLHF。LLMLLM包括prompting、OPRO和fine-tuning在内的多种技术被用来提升LLM的效果。这些技术通过不同的方法优化模型性能，如通过自然语言描述任务或减少内存需求。AI训练大型AI4、AI可靠性AI的可靠性评估涉及隐私、数据治理、透明性和可解释性、安全性和公平性等多个方面。目前，对LLM的全面标准评估存在缺陷，政治伪造内容的产生和检测成为一个问题，ChatGPT在政治上的偏见也引起了关注。4.1AI可靠性定义AI的可靠性从数据治理、可解释性、公平性、隐私、安全性和透明性等多个维度进行定义和评估。5、AI对经济的影响AI对经济的影响是多方面的，包括提高生产效率、改变工作市场和投资趋势。生成式AI的投资增长迅速AIAIAI。AI2023年，AI领域发生了多项重大新闻，包括BioNTech收购AI公司InstaDeep、微软对OpenAI的投资、GitHubCopilot的发布、EinsteinGPT和微软Office的融合、Bloomberg使用LLM进行金融数据分析等。工作信息AI相关工作在工作市场占比有所变化，美国AI工作技能的需求有所下降，但香港对AI人才的需求相对较高。全球新兴成立的AI公司数量持续增加。AI开发者对AI工具的使用情况显示，GitHubCopilot和ChatGPT的使用量最高，云服务平台的使用也相当普遍。6、AI在医疗与教育的进展AIAIAlphaDevGNoMEEVEscapeAlphaMissenceFDAAI，7、公众对AI的观点公众对AI的潜在影响越来越关注，紧张情绪上升。西方国家对AI的情绪虽然低迷，但正在逐渐改善。公众对AI的经济影响持悲观态度，但ChatGPT已经被广泛认知和使用。不同国家对ChatGPT的态度普遍积极，GPT-4在大模型发布后吸引了大量公众注意力。8.32024人工智能十大前沿技术趋势展望2024年10月23日，2024年世界科技与发展论坛主题会议“人工智能治理创新为培育科技治理生态构建2024（AI）十大前沿技术趋势展望》。下面从AI共性技术、大规模预训练模型、具身智能及生成式人工智能四个方面进行总结：AI共性技术1、小数据和优质数据AI发展，还为解决通用人工智能的瓶颈问题提供新的可能。2、人机对齐只有AIAI3、AI使用边界和伦理监督模型AIAIAIAI4、可解释性模型AI系统的信任AI大规模预训练模型5、规模定律6、全模态大模型种类型的输出。例如引入通常用于捕捉三维空间信息的3D点云数据模态，对于机器人的导航和避障尤其重要7、人工智能驱动的科学研究种类型的输出。例如引入通常用于捕捉三维空间信息的3D点云数据模态，对于机器人的导航和避障尤其重要7、人工智能驱动的科学研究使用大模型、生成式技术等来提高科学研究中提出假说、试验设计、数据分析等阶段的效率和准确AI具身智能8、具身小脑模型传统大模型可以协助机器人处理决策、任务拆解和常识理解等慢通道反应任务，但不适合做强实时性和高稳定性的机器人规划与控制快通道反应任务。具身智能（人工智能在物理世界的进一步延伸，一般是指可以感知、理解物理世界并与其形成互动的智能系统）小脑模型可以通过多模型投票等集成学习方法，结合机器人本体结构与环境特性选择合理的模型控制算法，确保机器人在理解自身本体约束的前提下，完成高动态、高频、鲁棒的规划控制动作，使智能机器人更加满足现实世界的精细操作与实时控制需求。9、实体人工智能系统实体人工智能系统是将具身智能赋能于物理世界中的实体对象，使传统设备能够突破其原有的功能生成式人工智能10、世界模拟器世界模拟器能提供沉浸式的高仿真体验，为使用者带来更加丰富和多样化的游戏世界，可应用于教育、娱乐等领域，还可以创造更多超级数字场景。在机器人领域，这种技术还可用于构建大规模、标准化的多模态机器人行为数据集，提高机器人本体设计、仿真训练和算法迁移的能力。8.42025年人工智能十大趋势美国《福布斯》日前刊登题为《人人都必须为2025年的十大人工智能趋势做好准备》的文章，作者为未来学家伯纳德·马尔。文章深入剖析了2025年人工智能（AI）的十大趋势，这些趋势不仅预示着技术的不断进步，也反映了人类社会在面对科技变革时的适应与挑战。毫无疑问，人工智能仍将是2025年最受关注的技术。从会议室到教室、从医院到家中，人工智能只会越来越深入地融入我们的生活。2025年我们可能会开始回答其中的一些问题。这一年我们也很可能取得更多仅仅在几年前看起来似乎仍遥不可及的令人难以置信的突破。所以下面我就来梳理一下我认为未来一年围绕人工智能和自动化问题的最热门话题和谈论点。▍趋势一：增强型工作2025▍趋势二：实时自动决策随着企业开始从战略上应对利用人工智能的挑战，那些拥有更加成熟的人工智能战略的企业将走向整个业务流程的端对端自动化。这很可能发生在物流、客户支持和营销领域，算法将在这些领域进行决策，比如如何管理库存和如何以最小的人为干预回应客户问询。这将带来更高的效率和对变化中的客户习惯与市场状况更快的反应速度。▍趋势三：“负责任”的人工智能在2025年，人们将日益意识到以一种合平伦理、安全、透明、可靠和尊重知识产权的方式开发和部署人2025年可能会被曝光、遭遇监管机构的压力和顾客的抛弃。▍趋势四：文生视频与新一代语音助手ChatGPTOpenAI公司今年利用其Sora▍趋势五：人工智能立法和监管更加完善SiriAlexaChatGPTGemini(“双子座”"人工智能模型)聊天机器人整合到移动设备中，取代现在已经过时的"HeyGoogle"功能。我认为，2025▍趋势六：人工智能体或将流行2025生歧视和虚假信息的可能性降至最低。▍生歧视和虚假信息的可能性降至最低。▍趋势七：“后真相”世界▍趋势八：人工智能+网络安全202520252025▍趋势九：量子人工智能2025年，这种令人惊叹的潜力给人们带来的兴奋将开始增长!▍趋势十：“可持续”的人工智能2025教学效果评价与反思，西安外国语大学课程教学设计（教案）第15周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目海豚实验实训（1）教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第14次课，学生对计算机基础知识及软件的基本概念、人工智能定义、诞生、发展及应教学内容分析本次课程的主要内容有：通过海豚实验平台进行虚拟仿真实训课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点海豚实验平台虚拟仿真实训教学难点海豚实验平台虚拟仿真实训处理措施通过反复强调、举例让学生理解自然语言处理相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过海豚实验平台后台数据，了解学生实验实训情况。二、指导学生通过海豚实验平台开展虚拟仿真实训\h/user-center/login/index教学效果评价与反思西安外国语大学课程教学设计（教案）第16周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目海豚实验实训（2）、课程复习教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第14次课，学生对计算机