模块二 任务一 AI与需求-不同季节的需求

模块二

任务一AI与需求-不同季节的需求课程名称：人工智能基础授课教师：目录101情景引入与任务结合生活真实场景故事导入，拆解本节课核心实践任务，激发探索兴趣与动力。202自主探究与认识分组探究不同地域智能家居系统差异，自主探索智能控制原理与交互方式。

303知识连接与核心深入解析智能微控制原理，搭建理论与技术的核心知识桥梁。404知识运用与实践通过APP操作与智能设备体验，完成实践挑战，实现理论知识的动手转化。505总结评价与拓展成果展示与互评总结，回顾课程要点，拓展思考智能控制在更多领域的应用。一、情景引入，明确任务那些突如其来的“小麻烦”清晨出门时天气晴好，你将洗净的衣物晾晒在阳台便安心上班。谁知午后风云突变，一场倾盆大雨毫无预兆地降临。傍晚拖着疲惫的身躯回家，迎接你的却是被雨水彻底打湿的衣物，满心的惬意瞬间被无奈取代。这样的生活小插曲，是否也曾发生在你身上？我们是否能让家变得更“聪明”，主动感知环境变化，提前规避这类突如其来的小麻烦？问题的根源：三大核心痛点01信息不对称：感知存在盲区我们的感官和常规信息渠道存在天然局限，无法实时、精准地捕捉环境的细微动态，比如突发的降雨、室内温湿度的骤变等。这种信息获取的滞后与偏差，让我们难以提前预判和准备。02响应不及时：距离成为障碍当我们身处户外或远离居所时，物理距离阻断了即时干预的可能。即便知晓家中环境出现异常，也无法跨越空间进行实时处理，只能被动等待，这往往会导致问题进一步扩大。03体验不智能：设备被动孤立传统家居设备仅作为被动的执行工具，依赖人工手动操控，且设备间相互孤立、缺乏协同。它们无法主动理解用户习惯，也不能根据环境变化自主提供服务，始终停留在“工具”而非“智能伙伴”的层面。我们的愿景：构建主动感知、智能响应的家01主动感知：赋予家“敏锐感官”依托温湿度、光照、空气质量、人体存在等多维传感器，实时捕捉环境细微变化与用户状态，让家不再是被动的空间，而是能时刻感知您需求的“生命体”。

02智能决策：懂你心意的“智慧大脑”基于感知数据与您的生活习惯、作息偏好深度融合，通过AI算法自主分析判断，自动生成最贴合当下的环境调节方案，无需繁琐指令，比您更懂您的需求。

03自动执行：无缝衔接的“贴心管家”联动空调、灯光、窗帘、净化器等全屋设备，将智能决策自动落地为行动。晨起自动拉开窗帘、回家前提前调温，让舒适体验主动迎向您。愿景总结：让智能家居从“被动响应”转向“主动服务”，它不再是冰冷的控制终端，而是懂你、护你、温暖你的生活伙伴，重新定义未来的居住体验。理想场景：科技服务于生活01雨天守护者：智能环境预判与防护系统联动气象大数据与室内传感器，在检测到降雨前自动关闭全屋窗户，并将阳台晾衣架自动升起收回衣物，有效避免风雨侵袭。02舒适到家：定制化的归家仪式感通过定位或门禁感知主人归来，灯光、窗帘、空调自动调节，背景音乐缓缓播放，卸下奔波的疲惫。03节能专家：无感式的能源管理实时监测室内状态，自动启停空调、切断非必要电源，在保障舒适体验的同时实现绿色节能。最终目标：让智能家居成为隐形管家，将人们从繁琐的家务操作中彻底解放，专注享受便捷、舒适且安全的品质生活。二、自主探究，获取新知智能家居系统：一个互联互通的生态01生态核心：打破设备孤岛智能家居并非单一设备的堆砌，而是通过统一管理平台实现设备间的深度联动。它打破了传统家电的“信息孤岛”，将硬件、软件与场景深度融合，实现1+1>2的协同价值。02六大核心子系统构建智慧生活•智能安防：门锁、摄像头、门窗传感器联动，实时守护家庭安全

•智能照明：远程控制与场景切换，随人而动，营造多变氛围

•智能温控：自动感知环境调节室温，兼顾舒适体验与节能降耗

•家电互联：传统家电智能化升级，语音或APP实现全屋设备管控

•健康监测：实时采集健康数据，为家人健康提供数据化参考

•智能电控：智能插座与用电管理，实现精细化、安全化的能源管控图示为智能家居全屋生态布局，从底层的能源电控，到中层的环境调节与安全防护，再到顶层的健康与智能中控，各系统层层递进，共同构成一个感知、交互、服务的完整智能闭环。核心功能：感知与控制01智能感知：家居的“神经末梢”如同人类的五官，智能家居通过温湿度、光照、人体红外、声音、摄像头等各类传感器，全天候捕捉环境与行为数据。这些“神经末梢”将实时信息通过无线协议传输至智能中枢，为系统决策提供精准的环境依据。02智能控制：家居的“执行手脚”智能中枢作为“大脑”，对感知数据进行分析与运算，结合用户预设的场景规则或AI学习的习惯，自动向空调、灯光、窗帘等设备下发指令。无论是一键触发“观影模式”，还是根据光照自动调节窗帘，都能实现毫秒级响应，让家居设备随需而动。系统价值：感知与控制的闭环协同，不仅实现了家居设备的自动化运行，更通过数据优化实现节能降耗，为用户打造安全、舒适、便捷的智慧生活体验。案例1：智能电视-家庭信息中心智能电视的角色重塑：从娱乐终端到家庭信息枢纽如今的智能电视已超越传统的影音播放功能，通过物联网与人工智能技术，成为家庭场景中不可或缺的信息交互中心，为生活提供全方位的智能服务支持。●实时天气感知：依托网络实时同步气象数据，直观呈现温度、湿度、空气质量指数及降水概率，让天气信息一目了然。●智能语音关怀：内置语音助手可主动进行场景化播报，如清晨提醒“今日有雷阵雨，建议携带雨具”，实现拟人化的贴心服务。●个性化场景预警：结合云端AI对用户日程的分析，精准推送定制化预警，如根据出行计划提醒路况天气，或根据运动安排提示户外环境适宜度。案例2：Nest温控器-会学习的温度管家01核心魅力：主动式机器学习Nest摒弃了传统温控器的被动调节，通过内置的机器学习算法，让设备从“被控制”变为“主动服务”，无需复杂编程即可适配用户生活习惯。02多维感知与智能调节融合温度、湿度、光线及人体活动传感器，精准判断室内状态。无人时自动切换至节能模式，有人时快速调节至舒适区间，兼顾体验与环保。03“比你更懂你”的个性化服务记录用户每次手动调节的习惯，约一周即可掌握作息规律。在起床前提前预热房间，离家后自动关闭设备，真正实现“以人为本”的智能温控体验。案例3：智能阳台-衣物的智能守护者核心痛点解决：告别传统晾晒受天气制约、需人工看管的繁琐，打造自动化衣物护理体验。01智能自动收放

通过手机APP远程操控或预设自动化场景，晾衣架可自动完成升降、伸缩动作，无需手动调节。02气象联动防护

对接天气服务API，实时监测气象变化，遇恶劣天气自动收回衣物并联动关窗。03温湿感应烘干

智能感应温湿度，自动开启烘干或风干模式，防止衣物滋生异味、霉菌。三、知识连接，深入技术核心场景联动：创造无限可能的自动化体验什么是场景联动？它是智能家居的“大脑”，通过自定义“如果...就...”的逻辑规则，打破设备间的孤岛，实现自动协同。无需手动干预，系统便会根据环境与行为自动响应，让家变得更“聪明”。01触发条件(IF)—感知世界的变化•时间触发：如“早上7点起床模式”或“晚上10点睡眠模式”

•状态触发：如“智能门锁被打开”或“有人移动时”

•环境触发：如“室温低于20℃”或“室外下雨时”

•手动触发：APP一键点击或语音指令直接唤起02执行动作(THEN)—自动响应的智慧•设备调控：自动“打开窗帘”、“开启加湿器”或“关闭电视”

•消息通知：向手机推送“家中异常提醒”或“设备状态报告”

•延时执行：如“离家后5分钟自动关闭所有灯光”，灵活适配生活节奏场景演示：“雨天守护者”自动化模式01触发条件(IF)依托气象服务API实时监测天气数据，当系统识别到“未来1小时内将出现强降雨”时，自动触发该智能场景，无需人工手动开启。02执行动作(THEN)①智能提醒：向用户手机推送预警通知，告知降雨即将来临，并同步反馈设备执行状态；②闭窗防护：自动联动智能窗户与电动窗帘，快速关闭门窗，阻挡雨水侵入室内；③衣物收纳：指令智能晾衣架自动上升收回衣物，避免阳台晾晒的衣物被雨水打湿；④防潮除湿：若室内湿度传感器监测数值超过预设阈值，自动开启除湿机，保持室内环境干爽。体验亮点：全程自动化运行，即使用户身处户外，也能远程守护居家安全，告别因突降大雨带来的居家困扰。设备端智能的革命：TinyML什么是TinyML？TinyML（微型机器学习）是将轻量化AI模型部署在微控制器等资源受限的嵌入式设备上的技术，让边缘设备具备本地智能决策能力，彻底打破了传统AI对云端算力的依赖。四大核心技术优势：1.极致低延迟：模型本地运行，无需网络传输，实现毫秒级响应，完美适配实时监控与工业控制场景。2.数据隐私安全：数据在设备端闭环处理不上传，从源头杜绝隐私泄露，符合全球数据保护法规要求。3.超低功耗运行：专为微控制器优化，功耗极低，支持纽扣电池或能量收集供电，实现长期免维护。4.离线高可靠性：脱离网络独立运行，在无网或弱网环境（如野外、矿区）下依然稳定可靠。智能家居的“大脑”：机器学习机器学习是让计算机从海量数据中自主挖掘规律、并据此做出预测或决策的智能技术，它是赋予智能家居主动感知与自主决策能力的“大脑”，而非简单执行预设指令的工具。01机器学习的核心工作闭环•观察：采集用户作息、设备交互记录、环境数据（温湿度/光照）等基础信息；

•学习：利用神经网络、深度学习算法对数据进行训练，构建行为模式模型；

•决策：模型对未知场景进行预判，自动输出适配性的控制指令或智能建议。02经典落地：Nest智能温控系统Nest温控器通过持续学习用户的手动调温习惯与生活作息，建立个性化的温控模型。它能预判用户的舒适温度需求，在无人时自动进入节能模式，回家前提前升温，真正实现“懂你所需”的智能调节。图示：机器学习从数据输入到智能决策的转化过程，

这正是智能家居实现“自适应”与“个性化”的技术基础。TinyML工作流程：从云端训练到设备端部署01.云端模型训练(Training)依托高性能云服务器算力，利用海量数据集训练高精度的复杂机器学习模型，为智能应用奠定算法基础。02.深度模型压缩(DeepCompression)通过剪枝、量化、知识蒸馏等技术，大幅缩减模型体积与计算量，使其适配资源受限的微控制器。03.编码与编译适配(Compilation)将压缩后的模型转换为TensorFlowLite等轻量级格式，编译为硬件可执行的机器码，确保兼容性。04.端侧部署与推理(Deployment)将编译好的模型烧录至微控制器，实现本地离线推理，让设备具备实时、低延迟的智能决策能力。核心价值：这一全链路流程打破了AI对云端的依赖，实现了“云训端推”的高效协同，是构建低功耗、实时响应边缘智能设备的关键。深度压缩第一步：模型蒸馏01核心定义：让小模型继承大模型的智慧知识蒸馏是一种模型压缩与迁移技术，核心是利用训练成熟的复杂“教师模型”，去指导结构更简单、参数量更少的“学生模型”进行学习，实现模型的轻量化升级。02工作原理：挖掘“暗知识”的软标签学习教师模型不仅输出最终的分类结果（硬标签），更会提供包含类别相似度的概率分布（软标签），这些“暗知识”能让学生模型理解类别间的关联。学生模型同时学习硬标签的准确性与软标签的关联性，实现更高效的特征提取。03最终目标：精度与效率的平衡在几乎不损失模型推理精度的前提下，大幅降低模型的参数量、计算量和存储体积，让高性能AI模型能够部署在手机、IoT设备等算力受限的终端上。图示解析：输入数据同时送入教师模型与学生模型，教师模型输出的软标签（SoftLabels）与真实标签（HardLabels）共同构成损失函数，引导学生模型学习，最终让轻量化模型获得接近大模型的性能。深度压缩第二步：剪枝01核心思想：为模型“瘦身”神经网络中存在大量权重微小的冗余连接与神经元，它们对最终输出的贡献极低。剪枝技术就是通过识别并移除这些“无用”的部分，对网络结构进行精简。02关键实施步骤①识别：筛选出权重接近零的连接或贡献极小的神经元；

②删除：从网络拓扑结构中移除这些无效的节点与连接；

③微调：对剪枝后的稀疏网络重新进行轻量训练，恢复因剪枝损失的精度。03技术价值与效果大幅减少模型参数量与计算量，实现模型的极致轻量化。这不仅降低了存储需求，还能显著提升推理速度，让复杂的AI模型能够顺利部署在手机、嵌入式设备等边缘端。图示：神经网络剪枝前后的结构对比

左侧为连接稠密的原始网络，右侧为移除冗余连接后稀疏化的高效网络，直观展示了模型“瘦身”的过程。深度压缩第三步：量化01什么是量化？量化是深度学习模型轻量化的核心手段，通过将高精度的32位浮点数（FP32）转换为低精度的8位整数（INT8）或16位整数，用更少的二进制位数存储和计算模型参数，从而实现“用更少的位数存储更多的有效信息”。02为什么需要量化？传统模型依赖32位浮点运算，占用大量内存与算力，难以在微控制器、嵌入式芯片等资源受限的端侧设备上运行。而低精度整数运算能被端侧硬件高效支持，是实现模型“端侧部署”的关键前提。03核心价值与效果•体积骤减：模型体积可压缩至原来的1/4，极大降低存储与传输成本；

•速度提升：整数运算效率远高于浮点运算，推理速度显著加快；

•精度可控：精度损失通常在1%-3%以内，在多数场景下不影响实际业务效果。量化映射原理示意上图展示了32位浮点数到8位整数的非线性映射过程。通过将连续的浮点数值区间压缩到离散的整数区间（0-255），实现了数据的高效压缩，同时在推理时可通过反量化近似还原原始数值分布。深度压缩后续步骤：编码与编译01.编码(Encoding)：无损体积极致压缩核心目的是在模型量化的基础上进一步缩减存储体积。通过霍夫曼编码等无损压缩算法，对量化后的权重数据进行重新编码，用更短的二进制码表示出现频率更高的数据，在不损失任何模型精度的前提下，显著降低模型文件的存储空间占用。02.编译(Compilation)：端侧可执行化将模型转化为微控制器可直接执行的代码。利用TensorFlowLiteforMicrocontrollers(TFLiteMicro)等轻量级框架，把模型编译为C/C++源码。该框架核心库仅约20KB，可适配各类资源受限的嵌入式设备，实现模型在边缘端的高效推理部署。技术价值这两步是模型从“文件”到“运行”的关键跨越，解决了小内存设备无法加载大模型的痛点，是AI从云端走向端侧的核心技术环节。TinyML应用领域：关键字发现01核心定义：智能设备的“唤醒开关”关键字发现（KeywordSpotting）是TinyML最经典的边缘应用，通过设备端本地运行的轻量级模型，持续监听并识别预设的语音指令（如“小爱同学”），从而触发设备从待机到工作的状态切换。02应用与原理：端侧实时交互场景覆盖智能手机、智能音箱、车载系统等；设备麦克风持续采集音频流，TinyML模型在本地提取语音特征并匹配关键词，无需依赖云端网络，识别到目标词汇后即刻唤醒设备响应后续指令。03技术优势：低耗与隐私兼得模型体积仅KB级，可在低功耗MCU上长期运行；本地处理避免了数据上传，既保护了用户语音隐私，又消除了网络延迟，同时大幅降低设备功耗与云端带宽成本。TinyML应用领域2：视觉唤醒词01核心概念：让摄像头学会“主动观察”不同于音频唤醒词，视觉唤醒词以图像为输入源，利用轻量化的TinyML模型对画面进行二分类判断，精准识别画面中是否存在特定目标（如人体、宠物、特定物体），实现从“被动录像”到“事件驱动型感知”的质变。02典型应用场景落地●智能照明联动：检测到“人体出现”时自动亮灯，识别无人后延时关闭。●安防精准告警：仅识别到“人体活动”时触发警报，过滤干扰降低误报。●低功耗智能抓拍：仅识别到目标时启动拍摄，节省电量与存储资源。技术价值：将AI视觉能力带入端侧设备，实现毫秒级本地响应，保护隐私不上云，提升设备智能化与自主性。四、知识运用与实践拓展知识：云服务与物联网01云服务：物联网的“大脑中枢”云服务如同物联网的“大脑”，为智能家居系统提供强大的算力与存储支撑。它负责对设备采集的海量数据进行深度分析、承担复杂AI模型的训练任务，同时实现对分散智能设备的远程管控与指令下发，是整个智能生态的决策核心与数据处理枢纽。02物联网：连接万物的“神经网络”物联网是智能家居的“神经网络”，依托Wi-Fi、蓝牙、Zigbee等通信技术，打破物理设备的孤岛状态，实现物与物、物与人的无缝互联。它构建起设备间的数据传输通道，让家电、传感器、终端之间能实时交互信息，是实现全屋智能联动、场景化控制的基础连接架构。当前的挑战与未来方向01当下的核心挑战：体验与技术的双重瓶颈•认知边界：设备仅执行指令，无法理解抽象意图