信息基础技术 2

工信精品人工智能通识教育系列教材信息技术基础（从信息技术到AIGC应用）（微课版）（第2版）人工智能与AIGC基础项目5目录认识人工智能认识大模型认识AIGC任务5.1任务5.2任务5.3让“物”具有人的智能，意味着赋予机器感知、理解、推理、学习和决策等能力，使其能够模拟人类的认知与行为过程。而在今天，随着计算机科学的发展和人工智能技术的应用，这一愿景正在逐步走进现实。本任务主要讲解人工智能的定义与发展、核心要素、关键技术，以及人工智能的应用场景等相关知识。任务描述任务描述认识人工智能任务5.1任务实施任务实施5.1.1人工智能的定义与发展5.1.2人工智能的核心要素5.1.3人工智能的关键技术5.1.4人工智能的应用场景认识人工智能任务5.15.1.1人工智能的定义与发展1．人工智能的定义人工智能的起源可追溯至1956年美国达特茅斯学院的一次历史性研讨会，会上，美国计算机科学家约翰·麦卡锡（JohnMcCarthy）等人首次提出“人工智能”的概念。他们将“人工智能”定义为“能够模拟可被精确描述的学习特征或智能特征的机器”。这个定义将人工智能描述为一类具有高级模拟能力的机器，这类机器能够复制或模拟人类的学习特征或智能特征且这些特征都是可以被精确描述和界定的。人工智能领域的开创者之一，美国斯坦福大学人工智能研究中心的尼尔斯·约翰·尼尔森（NilsJohnNilsson）教授给“人工智能”下了这样一个定义：“人工智能是关于知识的学科——怎样表示知识，以及怎样获得知识并使用知识的学科。”5.1.1人工智能的定义与发展2．人工智能的发展（1）萌芽期1950年，著名的图灵测试诞生，该测试由英国数学家、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·麦席森·图灵（AlanMathisonTuring）提出。图灵测试的基本形式如下：测试员与两个交流对象进行交流，一个是真正的人类，另一个是拥有智能的机器。测试员通过打字的方式向两个对象随意提问，但他不知道哪个是真人，哪个是机器，真人和机器会根据测试员的提问进行回答，如右图所示。5.1.1人工智能的定义与发展（2）探索期1966年，麻省理工学院的约瑟夫·魏岑鲍姆（JosephWeizenbaum）发布了世界上第一个聊天机器人ELIZA。ELIZA的智能之处在于它能通过脚本理解简单的自然语言，并产生类似人类的互动，它的问世不仅是人工智能历史上的一个重要里程碑，也是计算机科学和心理学交叉领域的一个创新点。1966年

至1972年，

美

国

斯

坦

福

国

际

咨

询

研

究

所（SRIInternational）研制出了机器人Shakey。Shakey装备了电视摄像机、三角测距仪、碰撞传感器，以及一个多关节机械臂，如右图所示。5.1.1人工智能的定义与发展（3）成长期1997年，IBM公司研发出的计算机“深蓝”（DeepBlue）在一场历史性对决中战胜了国际象棋世界冠军加里·卡斯帕罗夫（GarryKasparov），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。2011年，沃森（Watson）作为IBM公司开发的使用自然语言回答问题的人工智能程序，在美国著名智力问答节目Jeopardy!中亮相。2016年，Google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总比分定格在1∶4。2012年，加拿大神经学家团队创造了一个具备简单认知能力、有250万个模拟“神经元”的虚拟大脑，命名为“Spaun”。5.1.1人工智能的定义与发展（4）爆发期2020年，人工智能领域迎来了一个里程碑式的突破，即GPT-3语言模型的发布。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的进步。2021年，OpenAI发布了DALL·E，这是一种能够根据文本描述生成图像的人工智能技术。2025年，我国企业推出的DeepSeek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，其推理能力较传统模型提升3倍，性能得到大幅提升。2023年，随着生成式预训练变换器（GenerativePre-trainedTransformer，GPT）模型的进步，聊天机器人变得更加智能。2024年，首部与人工智能相关的文件——《人工智能法案》由欧盟制定并生效。5.1.2人工智能的核心要素1．数据数据被喻为人工智能的“燃料”，没有数据，利用人工智能算法制作的模型就无法学习和进步。数据不仅为模型提供了训练和改进的“原材料”，还是人工智能从经验中学习、提升性能的关键。2．算法算法是一系列定义明确的、有限且可执行的步骤或规则，它是计算机科学的核心概念之一，旨在解决特定问题或执行特定任务。简单来说，算法可以理解为解决某种或某类问题的一种方法或过程。5.1.2人工智能的核心要素3．算力算力即计算能力，是指计算系统（如计算机、服务器、数据中心等）处理信息和执行计算的能力，它是衡量计算设备或系统在处理人工智能任务时的性能的关键指标。算力直接影响计算系统的运算速度、处理复杂任务的能力和效率。算力越高，计算系统处理数据的速度越快，能完成的任务也就越复杂。5.1.3人工智能的关键技术1．概念表示人工智能需要使用计算机系统模拟人类的智能，而人类智能有一项不可忽视的内容，即知识。知识是人类在改造世界的实践中所获得的认识和经验的总和，要实现人工智能，就需要让计算机能够理解人类的知识，而计算机显然是无法理解自然语言的。如何将人类知识“翻译”成计算机能够理解的语言，成为摆在人工智能研究者面前的首要问题。概念表示技术正是将知识以一种易于计算机理解和处理的形式进行表示的技术。其基本思想是将概念和对象抽象成数学上的形式，如向量、矩阵、逻辑符号等，然后通过它们来表示和处理知识。5.1.3人工智能的关键技术2．知识图谱知识图谱这一技术最早由Google在2012年提出。目前，知识图谱已经可以用于通用的信息检索，例如，使用百度搜索“人工智能”，其结果如下图所示。5.1.3人工智能的关键技术3．机器学习机器学习是人工智能领域研究人类学习行为的一个分支，它借鉴了认知科学、生物学、哲学、统计学、计算机科学等众多学科的观点，通过归纳、一般化、特殊化、类比等基本方法探索人类的认识规律和学习过程，并建立了各种能通过经验自动改进的算法，使机器具备自动学习特定知识和技能的能力。下面通过一个例子来说明机器学习的基本原理，如下图所示。5.1.3人工智能的关键技术4．自然语言处理自然语言是指人类在日常生活中使用的语言，自然语言处理则是指利用计算机技术对自然语言进行自动处理，包括对自然语言进行理解、分析、生成和评估等。具有以下6种特点。（1）复杂性（2）动态性（3）交互性（4）依赖性（5）多模态性（6）智能性5.1.3人工智能的关键技术5．计算机视觉通俗地说，计算机视觉就是让计算机能够像人类一样感知和理解周围环境中的视觉信息的技术。下图所示为计算机视觉中的目标识别，可以看出，图片中的各种信息都被逐一标注。5.1.3人工智能的关键技术6．生物特征识别每个人都拥有独一无二的生物特征，包括人脸、指纹、虹膜、掌纹、声纹等，生物特征识别（BiometricsRecognition）技术就是利用个体独特的生物特征进行身份验证或识别的技术。人脸识别技术的基本原理如下图所示。5.1.3人工智能的关键技术7．人机交互使用计算机的过程可以视为人类通过键盘、鼠标等设备与计算机系统进行信息交互的过程，也就是人机交互。传统的人机交互是人类使用鼠标、键盘输入信息，计算机通过显示器输出信息。而人工智能要求计算机具有人的智能，自然希望人机交流突破传统局限，能够像人与人之间的交流一样自然。人工智能领域采用的人机交互方式非常多样，如触摸屏（TouchScreen）交互、手势识别（GestureRecognition）交互、语音识别（SpeechRecognition）交互等。目前，这些技术已经被应用到现实商品中。5.1.3人工智能的关键技术8．虚拟现实／增强现实在人工智能时代，人们除了期待与计算机更便捷地交互，还希望能够获得更真实、更精彩的感官体验，这就要借助虚拟现实（VirtualReality，VR）技术和增强现实（AugmentedReality，AR）技术。人工智能和VR、AR的结合，可以为用户带来更加真实、沉浸式、智能化的体验。AR包含多媒体、三维建模、实时视频显示及控制、多传感器融合、实时跟踪及注册、场景融合等多项新技术，不仅拓展了人类感知世界的维度，也在教育、医疗、工业维修、文旅、零售等领域展现出了广阔的应用前景。5.1.4人工智能的应用场景1．智能教育智能教育指的是将人工智能技术深度融入教育行业，通过智能化手段来优化教育环境，从而推动传统教育模式、教学方法和学习体验发生根本性变革的一种新型教育模式。具体而言，智能教育是指利用人工智能技术来辅助教学管理、评估和反馈等各个教育环节，以实现更高效、更个性化的教育服务。（1）在线教育（2）虚拟助教（2）VR/AR虚拟课程5.1.4人工智能的应用场景2．智慧医疗智慧医疗是指通过应用人工智能、大数据、云计算等信息技术，实现医疗服务、健康管理、公共卫生等领域的智能化、数字化和精细化的新型医疗服务模式。这种模式旨在提高医疗服务的效率和质量，降低医疗成本，为人们提供更加便捷、高效、安全的医疗服务。

（3）智能药物研发

（1）智能问诊

（2）医学影像识别

（4）医疗机器人5.1.4人工智能的应用场景3．智能金融智能金融运用人工智能、大数据、云计算、物联网等技术，对传统金融业务进行创新和改造，以实现金融服务的智能化、个性化和便捷化。它涉及金融产品、服务、运营和监管等多个方面，旨在降低试错成本和增强风险管理能力等，并推动金融行业的创新发展。（1）智能支付（2）智能风控（3）智能投顾5.1.4人工智能的应用场景4．智能交通智能交通是指运用人工智能技术、信息技术、通信技术、控制技术等，对传统交通运输系统进行改造，实现交通管理、交通服务、车辆控制等领域智能化的一系列技术手段和方法，目的是提高交通运输效率，减少交通拥堵和交通事故，减轻环境污染，为公众提供安全、便捷、高效的出行服务。（1）自动驾驶技术（2）智能红绿灯5.1.4人工智能的应用场景5．智能制造智能制造是一种革命性生产方式，它融合了先进的信息技术、自动化技术、人工智能技术、物联网技术和大数据技术等，旨在创建灵活、高效和自主的制造系统。（1）智能生产线工业机器人是指在工业自动化中使用的能够自动控制、重复编程的多用途机器人。工业机器人通过应用机器学习、深度学习等人工智能算法，实现对环境的感知、理解和识别，从而提升其自主决策和行动能力。（2）工业机器人智能生产线是指通过集成先进的自动化设备，借助智能控制系统和大数据分析技术，实现生产过程的自动化、智能化和柔性化的工业生产线。拓展训练实训

体验微信“扫一扫”的图像识别功能当前，人工智能技术已深度融入人们日常生活的方方面面，从智能家居到智慧医疗，从在线教育到移动支付，其应用场景不断拓展。图像识别是人工智能技术的一个重要应用，它通过对图像进行分析和理解，识别出图像中的信息。下面使用微信“扫一扫”的图像识别功能，重点体验其在植物识别、动物辨识及商品识别等场景中的实际应用效果。02识别植物01选择“扫一扫”选项拓展训练实训

体验微信“扫一扫”的图像识别功能04识别动物06商品的相关资讯05识别商品03植物的相关资讯目录认识人工智能认识大模型认识AIGC任务5.1任务5.2任务5.3随着人工智能技术的飞速发展，大模型（LargeModel）作为当前AI领域的核心驱动力，正以前所未有的能力重塑人机交互与内容生成方式。大模型不仅在自然语言理解与生成方面表现卓越，还逐步拓展至图像、音频、代码等多模态领域，成为推动人工智能生成内容（ArtificialIntelligenceGeneratedContent，AIGC）发展的关键引擎。本任务主要讲解大模型基础、大模型的分类、大模型的发展现状与趋势，以及常见的大模型等相关知识。任务描述任务描述认识大模型任务5.2任务实施任务实施5.2.1大模型基础5.2.2大模型的分类5.2.3大模型的发展现状与趋势5.2.4常见的大模型认识大模型任务5.25.2.1大模型基础1．大模型的核心原理大模型的核心原理依托于深度学习与机器学习算法，构建复杂的神经网络结构。以神经网络为基础，通过反复训练大量数据，不断调整网络中的参数，模型能够学习到输入数据与输出结果之间的映射关系。这一过程类似于人类大脑神经元之间的连接和信息传递，大模型通过对海量数据中模式和特征的提取与分析，逐渐形成对不同任务的理解和应对能力，从而在面对新数据时能够做出准确的预测和判断。5.2.1大模型基础2．大模型的优势大模型作为人工智能发展的重要成果，凭借其庞大的参数规模和海量训练数据，在多个方面展现出了显著优势。具体而言，大模型的优势主要体现在以下3个方面。强大的泛化能力01多任务处理能力02持续学习与优化能力035.2.2大模型的分类1．自然语言处理大模型自然语言处理大模型专注于处理和理解人类语言，可以完成文本生成、机器翻译、问答系统、情感分析等任务。例如，文心大模型在文本生成和对话交互方面表现出色，能够生成流畅、连贯且富有逻辑的文本内容；讯飞星火大模型则在自然语言理解任务中取得优异成绩，广泛应用于文本分类、信息提取等方面。2．计算机视觉大模型计算机视觉大模型主要应用于图像和视频的处理与分析，可完成图像分类、目标检测、语义分割（为图像中的每个像素分配一个类别，如人、车、道路或天空等，以帮助大模型更好地理解图像中每个像素的语义内容）、图像生成等任务。例如，盘古CV大模型在图像分类任务中具有很高的准确率。5.2.2大模型的分类3．多模态大模型多模态大模型能够处理多种不同类型的数据，如文本、图像、音频等，并实现不同模态之间的交互与融合。例如，紫东太初大模型通过联合学习图像和文本的表达方式，实现了图像与文本之间的语义对齐（让不同模态或不同表达形式的数据在语义层面建立对应关系，使大模型能够理解它们描述的是同一概念或事件），能够根据文本描述准确检索相关图像。5.2.3大模型的发展现状与趋势1．大模型的发展现状近年来，大模型技术迅猛发展，已成为人工智能领域的核心驱动力。下面主要从以下3个方面介绍大模型的发展现状。1技术进展与成果2行业应用与影响3技术挑战与不足5.2.3大模型的发展现状与趋势2．大模型的发展趋势未来，大模型的发展将呈现以下趋势：一是模型轻量化与高效化，通过研发更高效的模型架构和训练算法，降低模型的计算和存储需求，使大模型能够在资源有限的设备上运行；二是强化可解释性研究，通过开发可解释性技术和工具，揭示大模型内部决策机制，提高大模型的可信度和可控性；三是注重数据质量与多样性，加强数据管理，确保训练数据的高质量、无偏见和多样性，提升大模型的泛化能力和公平性；四是推动多模态融合发展，进一步探索不同模态数据之间的深度融合与交互，实现更强大的智能应用；五是加强伦理和法律规范，制定完善的伦理准则和法律法规，引导大模型技术健康、可持续发展，确保其应用符合人类价值观和社会利益。5.2.4常见的大模型1．GPT系列大模型GPT系列大模型是由OpenAI开发的基于Transformer（一种用于自然语言处理和深度学习的神经网络架构）架构的生成式预训练语言模型，自2018年推出GPT-1以来，历经GPT-2、GPT-3、GPT-4等迭代，参数规模从亿级跃升至千亿级，并引入零样本学习、上下文学习和多模态理解等能力，在文本生成、推理、编程和跨模态任务中的表现显著提升。2．Gemini系列大模型Gemini是由Google推出的大模型，旨在理解和处理文本、图像、音频、视频及代码等多种模态的信息，它基于Transformer架构，具备强大的语言理解与生成能力，支持多轮对话、上下文推理、编程辅助、内容创作等功能。、5.2.4常见的大模型3．DeepSeek大模型DeepSeek是由深度求索公司研发的大模型，因其在中文处理、推理和代码生成方面的卓越表现而备受关注。在DeepSeek网站中可以通过单击“深度思考”按钮来切换DeepSeek-V3和DeepSeek-R1模型，如下图所示。5.2.4常见的大模型4．通义大模型通义大模型是阿里巴巴自主研发的超大规模语言模型，具备强大的多轮对话、文案创作、逻辑推理、多模态理解和多语言支持能力，致力于成为用户工作、学习与生活的智能助手。在千问应用界面使用Qwen3-Max模型如左图所示。5.2.4常见的大模型5．豆包大模型豆包大模型是字节跳动旗下火山引擎推出的AI大模型，具备“三多”能力，可处理文本、图片、视频等多种数据类型，实现跨模态的理解与生成。豆包大模型已构建起包含通用模型、语音模型、视觉模型等在内的丰富模型家族，用户通过App、网页、客户端及插件等多种形式使用豆包大模型，其应用场景覆盖内容创作、智能客服、教育辅助、医疗辅助、工业设计、金融分析等。豆包大模型的应用界面如右图所示。5.2.4常见的大模型6．文心大模型文心大模型是百度自主研发的产业级知识增强大模型，以“知识增强”为核心突破点，构建从单模态到跨模态、从通用基础模型到行业垂直模型的完整技术布局。目前，在文心一言官网中可直接使用文心4.5Turbo、文心X1.1和文心5.0Preview这3个大模型，如右图所示。5.2.4常见的大模型7．讯飞星火大模型讯飞星火大模型是科大讯飞推出的新一代认知智能大模型，具备文本生成、语言理解、知识问答、逻辑推理、数学计算、代码编写及多模态交互七大核心能力。经过持续迭代，其新版本V4.0在教育、医疗、汽车、金融等多个领域实现规模化落地，尤其在高考解题、医学影像分析、智能座舱等方面表现突出。讯飞星火大模型的官网如左图所示。拓展训练实训

使用FlagEval大模型评测平台比较大模型当前市场上的大模型层出不穷、各具特色且在各项能力上存在一定差异。为精准筛选出最契合需求的大模型，需要对大模型进行对比与评估。下面先通过FlagEval大模型评测平台提供的模型排行榜掌握各模型的基准性能，再使用平台的“大模型角斗场”功能，针对实际应用场景直观对比不同大模型的表现差异。01排行榜页面02纯文本对战拓展训练实训

使用FlagEval大模型评测平台比较大模型03最终结果04图文对战05文生图对战06文生视频对战目录认识人工智能认识大模型认识AIGC任务5.1任务5.2任务5.3随着人工智能技术的飞速发展，AIGC正成为推动内容创作变革的重要力量。从文本、图像生成到音频、视频生成，AIGC已广泛应用于教育、传媒、设计、营销等多个领域，极大地提升了创作效率，丰富了表现形式。本任务主要讲解AIGC的特点、AIGC的常用工具、AIGC的工作流程，以及AIGC的使用步骤等相关知识。任务描述任务描述认识AIGC任务5.3任务实施任务实施5.3.1AIGC的特点5.3.2AIGC的常用工具5.3.3AIGC的工作流程5.3.4AIGC工具的使用步骤认识AIGC任务5.35.3.1AIGC的特点AIGC是指运用人工智能技术，尤其是深度学习算法，创建各类数字内容的新型内容创作模式。AIGC的主要特点如下。

自动化生成

多类型生成持续进化创意驱动5.3.2AIGC的常用工具随着人工智能技术的飞速发展，AIGC工具如雨后春笋般陆续出现，这些工具不仅提升了文本、图片和视频等内容的创作效率，广泛应用于各个领域。下面简单介绍6种常用的AIGC工具。01文心一言02讯飞星火03千问04DeepSeek05通义万相06即梦AI5.3.3AIGC的工作流程1．数据搜集首先是广泛而深入地搜集数据。无论是现有的大型数据集、公开的互联网资源，还是通过精心设计的调查、用户交互活动获得的数据，都是AI模型学习与成长的宝贵“养料”。数据的质量与数量直接决定AI模型后续训练的效果与生成内容的质量。因此，在创建AI模型的初期，数据搜集工作十分重要。2．数据预处理原始数据往往夹杂着多余、重复及不相关的信息，如果不处理这些数据，将严重影响AI模型的训练效果。因此，数据预处理是AIGC工作流程中不可或缺的一环。5.3.3AIGC的工作流程3．模型训练在模型训练阶段，开发者会根据数据的特性和任务需求，选择恰当的算法（监督学习或无监督学习等）训练模型。同时，开发者还会不断调整模型参数，力求降低预测误差，从而增强模型的适应能力。每一次训练迭代都是对AI模型的一次精心打磨，使它能够更精准地把握用户意图，并高效地产出所需内容。4．内容生成当AI模型经过充分训练后，便能够独立承担起内容生成的重任。无论是撰写新闻稿、创