人工智能-通识到应用课件 项目 1：AI 之旅

人工智能：通识到应用

CONTENTS目录01

AI的前世今生02

AI的未来挑战03

AI的应用场景04

AI的核心技术01AI的前世今生AI的定义

普遍观点阐述普遍认为，人工智能是计算机科学的一个领域，目标是构建能执行需人类智能参与任务的系统。

涵盖任务范畴这些任务涵盖学习、推理、问题解决、知识理解、语言识别、视觉感知、自然语言处理以及机器人技术等多方面。

核心功能特点AI可模拟与人类思维相关的认知功能，能从过往经验中学习知识，做出合理决策并快速反应。AI的起源01古代神话想象AI起源可追溯到古代神话中对人造智能生命的想象，反映了人类早期对智能创造的憧憬。02现代研究开端20世纪40年代，基于抽象数学推理的可编程数字计算机，激发科学家探讨构造电子大脑的可能性。03学科正式确立1956年达特茅斯学院会议上，“人工智能”研究领域正式确立，标志其成为独立学科。AI的发展-起步发展期

学科确立标志1956年达特茅斯会议上，约翰·麦卡锡正式提出“人工智能”概念，使其作为独立学科确立。

重要科研成果1957年，弗兰克·罗森布拉特提出感知机算法，为神经网络发展奠定基础。AI的发展-反思发展期

发展进入低谷20世纪60-70年代初，初期突破性进展提升期望后，失败和目标落空使AI发展进入低谷。

拉特克利夫报告1973年，詹姆斯·拉特克利夫向英国政府提交报告，严厉批评当时相关技术，指出目标难以实现，研究失败。

科学界的反思此后科学界对人工智能深刻反思，该领域遭受批评和对实际价值的深度质疑。AI的发展-应用发展期

专家系统应用20世纪70年代初-80年代中期，专家系统开始广泛应用于多领域，标志AI研究从理论转向实际。

重要技术成果1982年，约翰·霍普菲尔德证实霍普菲尔德网络，大卫·鲁梅尔哈特提出反向传播算法。

发展新高潮这些成果推动了AI发展的新高潮，促进了AI在实际中的应用和发展。AI的发展-低迷发展期

硬件市场变化20世纪80年代中期-90年代中期，苹果和IBM台式机性能提升，旧有AI硬件产品失去市场定位。

资金支持减少80年代末期，美国国防高级研究计划局大幅减少对AI的资金支持，转向其他项目。

发展遭遇挫折这些因素导致AI领域进入第二次低潮期，发展遭遇新挫折。AI的发展-稳步发展期

互联网推动创新20世纪90年代中期-2010年，互联网技术发展推动AI创新研究，加速技术实用化。

聊天机器人程序1995年，理查德·华莱士受ELIZA启发开发聊天机器人程序Alice，可借助互联网优化对话。

深蓝超级计算机1997年，IBM深蓝超级计算机战胜国际象棋冠军卡斯帕罗夫，运算速度每秒两亿步棋。AI的发展-蓬勃发展期

信息技术推动2011年至今，大数据和云计算等信息技术发展，使深度学习等AI技术取得显著进步。

深度卷积算法2012年，多伦多大学设计的深度卷积神经网络算法，被视为深度学习革命起点。

Transformer架构2017年，谷歌发布论文介绍Transformer架构，成为众多大型语言模型核心，引发AI革命。AI的分类

弱人工智能弱人工智能即狭义人工智能，经专门训练执行特定任务，如苹果Siri、自动驾驶汽车等。

强人工智能强人工智能是理论构想，具备与人类相似智能水平，有自我意识和解决问题等能力。

超人工智能超人工智能智能和能力超越人类大脑，目前属理论范畴，如《2001：太空漫游》中的哈尔。02AI的未来挑战技术挑战-算法优化应对大规模数据需求随着数据量呈指数级增长，传统算法在处理大规模数据集时效率低下。例如，在金融领域的风险评估中，需处理海量交易数据，高效算法能快速分析并给出准确评估。提升AI性能高效算法可显著提升AI性能，以图像识别为例，优化后的算法能让识别准确率大幅提高，处理速度更快。提高计算效率研发高效算法能减少计算资源的浪费，降低计算成本。如在自动驾驶中，高效算法可使车辆快速做出决策，同时降低硬件计算负担。技术挑战-硬件局限性深度学习的硬件需求深度学习需要强大的计算能力，现有硬件在处理复杂神经网络时往往力不从心。例如，训练大型语言模型需要大量GPU并行计算。大规模数据处理难题在处理大规模数据时，硬件的存储和传输能力成为瓶颈。如医疗领域的海量影像数据，现有硬件难以快速处理和存储。硬件更新换代慢硬件技术更新换代速度跟不上AI发展需求，导致AI性能提升受限。例如，一些老旧服务器无法支持最新的AI算法运行。技术挑战-能源消耗问题

成本提升AI模型的训练和运行需要大量能源，这大幅增加了成本。如大型数据中心为运行AI模型，每月电费开支巨大。

环境关注高能源消耗带来严重的环境问题，大量碳排放加剧全球变暖。例如，比特币挖矿式的AI训练对环境造成极大压力。技术挑战-数据隐私和安全问题

有效使用数据在不侵犯用户隐私前提下有效使用数据是关键。如医疗数据可用于疾病研究，但需严格保护患者隐私。

数据安全保护数据面临未授权访问和攻击的风险，保护数据安全至关重要。如金融机构的数据一旦泄露，将造成巨大损失。

面临的挑战平衡数据使用和隐私保护难度大，同时要防范日益复杂的网络攻击。例如，黑客可能窃取用户生物识别数据。技术挑战-提高可解释性增强人类理解提高AI模型可解释性，能让人类更好理解其决策过程。如在医疗诊断中，医生可根据解释判断AI诊断的合理性。建立信任基础透明的决策过程有助于建立人类对AI的信任。例如，自动驾驶汽车的决策可解释，能让乘客更放心乘坐。促进技术应用可解释性强的AI模型更易被各行业接受和应用。如在金融投资领域，可解释的AI模型能为投资者提供可靠建议。伦理道德挑战-偏见和歧视问题

数据中的偏见放大AI系统在处理数据时可能放大其中的偏见。例如，招聘AI系统若基于有偏见的历史数据，会对某些群体产生歧视。实际应用的影响偏见和歧视行为会导致不公平现象，影响社会和谐。如司法领域的AI量刑系统存在偏见，会造成司法不公。伦理道德挑战-责任归属问题

决策不当的界定当AI系统作出不当决策时，难以界定责任归属。如自动驾驶汽车发生事故，责任是归车企、开发者还是AI本身不明确。

法律空白难题现有法律在AI责任归属方面存在空白，给实际处理带来困难。例如，AI创作的作品版权归属尚无明确法律规定。伦理道德挑战-自主性问题与人类价值观一致确保AI系统行为与人类价值观保持一致至关重要。如在军事领域，AI武器的使用需符合人道主义价值观。面临的挑战定义人类价值观并让AI遵循存在困难，且AI在复杂环境中可能偏离预设价值观。例如，AI在资源分配时可能忽视公平原则。社会和经济挑战-就业影响

职业消失AI技术的发展会导致某些职业消失。如自动化生产让一些传统制造业岗位被取代。

新就业机会产生同时，AI也催生了新的就业机会，如AI算法工程师、数据分析师等岗位需求增加。社会和经济挑战-不平等问题技术分布不均AI技术在不同地区、群体间分布不均。如发达地区和企业能更好利用AI技术，而落后地区则缺乏资源。加剧不平等这种不均会加剧社会和经济的不平等现象，导致贫富差距进一步扩大。例如，掌握AI技术的企业利润大增，而传统企业发展艰难。社会和经济挑战-监管和政策

促进健康发展制定有效监管政策能规范AI发展，避免其带来负面影响。如对AI金融应用的监管可防范金融风险。引导有序发展政策引导能让AI技术更好服务社会和经济。例如，政府出台政策鼓励AI在环保领域的应用。国际合作与竞争

全球合作需求AI技术研发和应用需要全球范围内的知识共享和合作。如在气候变化研究中，各国共享数据和算法。

国际竞争情况各国积极投入研发资源，争取在关键技术上取得突破。如中美在AI芯片研发上竞争激烈。

技术出口限制部分国家出于战略等考虑，会限制AI技术出口。例如，美国对某些高端AI技术实行出口管制。公众意识避免关键问题生成型人工智能可能阐述不准确信息，在关键任务中引发问题。如医疗诊断中错误信息会误导治疗。提高认识重要性提高公众对AI能力及其局限性的认识，能让公众做出明智决策。例如，在使用AI投资建议时，能理性判断。03AI的应用场景自动驾驶领域

核心技术AI在自动驾驶领域的核心技术集中在环境感知、决策规划和控制执行。通过集成摄像头、激光雷达、雷达和超声波传感器等多种传感器，实现对车辆周围环境的实时感知，能识别道路、车辆、行人等障碍物。

应用现状目前AI技术已被用于实现从辅助驾驶到完全自动驾驶的各级功能，自动驾驶汽车、无人机、船舶等都在逐步应用相关技术，且发展迅速。

应用前景随着技术的不断进步，自动驾驶领域前景广阔，有望大幅提高交通效率、减少交通事故，改变人们的出行和运输方式。金融服务领域主要应用AI在金融服务领域广泛应用于风险控制、信贷审批、投资建议等方面。通过对大量金融数据的分析，能更精准地评估风险和做出决策。技术支撑大数据分析和机器学习算法是关键，它们使金融机构能够处理海量数据，挖掘潜在信息，提高决策效率和准确性。应用效果借助AI技术，金融机构能更好地识别和管理风险，优化信贷流程，为投资者提供更合理的投资建议，提升金融服务质量。智能家居领域应用范畴

AI在智能家居领域涵盖智能音响、智能家电、智能安防、智能环境控制等多个方面，全方位打造智能化的居家生活。智能实现方式

通过传感器和智能算法，智能家居设备能感知用户的需求和环境变化，自动调整运行状态，实现智能化控制。例如智能音响可通过语音指令控制家电。应用优势

AI赋能的智能家居改善了人们的生活方式，提高了生活的便利性和舒适度，让家居生活更加安全、节能和高效。零售和电商领域

具体应用AI在零售和电商领域的应用包括商品推荐、个性化营销、智能客服、供应链优化等，旨在为消费者提供更智能、便捷和个性化的购物体验。

商品推荐与营销基于用户的浏览和购买历史，AI算法能精准推荐商品，并制定个性化的营销策略，提高用户的购买转化率。

供应链优化AI可预测需求、优化库存管理和物流配送，降低成本，提高供应链的效率和灵活性，确保商品及时供应。工业制造领域

主要应用场景AI在工业制造领域应用于智能生产、机器人自动化、质量控制等方面，推动制造业向智能化、自动化方向发展。

智能生产与自动化利用AI技术，实现生产过程的智能监控和优化，机器人可自动完成复杂的生产任务，提高生产效率和精度。

质量控制通过计算机视觉等AI技术，能快速、准确地检测产品质量，及时发现缺陷，降低次品率，提升产品质量。04AI的核心技术机器学习

01AI核心基石机器学习是AI的基石与核心技术，能让计算机系统通过数据和经验自动改进表现，无需明确编程。

02监督学习使用带标签数据集训练，学习输入到输出的映射函数以预测新数据标签，如线性回归、支持向量机等算法。

03无监督学习不依赖带标签数据集，旨在发现数据内在结构和模式，像K-均值聚类、主成分分析等算法。

04深度学习利用多层神经网络从大规模数据中学习复杂特征，用于模式识别等，如卷积神经网络在图像识别领域成果显著。

05强化学习通过试错学习最佳行为策略，根据行为结果奖惩，在自动驾驶、游戏等领域广泛应用。自然语言处理目标与范畴目标是使计算机理解、解释、生成人类语言并有效交流，涵盖文本预处理、词向量化等关键技术。关系提取应用能从文本中提取实体间关系，为知识图谱构建等提供支持。主题分类应用可对文本进行主题归类，帮助信息筛选和组织，如新闻文章分类。情感分析应用分析文本表达的情感倾向，用于舆情监测、产品评价分析等。实体提取应用从文本中识别出特定实体，如人名、地名等，助力信息检索和挖掘。计算机视觉

01模仿人类视觉旨在模仿人类视觉系统，使计算机“看懂”和理解图像视频，通过图像识别等技术处理视觉信息。

02自动驾驶应用用于自动驾驶汽车的环境感知，识别道路、车辆、行人等障碍物，保障行车安全。

03医学影像诊断应用辅助医生分析医学影像，如X光、CT等，提高诊断准确性和效率。

04安防监控应用可进行目标检测和跟踪，用于公共场所安防监控，及时发现异常情况。虚拟现实与增强现实虚拟现实特点通过计算机生成完全虚拟三维环境，用户借助专用设备沉浸其中，提供强烈沉浸感。增强现实特点将虚拟信息叠加到真实物理环境，使用移动设备或专用眼镜实现，不取代现实。游戏应用VR让玩家深度沉浸游戏世界，AR增加游戏趣味性和真实感，如《精灵宝可梦Go》。教育应用提供沉浸式学习体验，如历史场景重现、科学实验模拟等