《人工智能基础与应用（第二版）》课件全套 平震宇 项目1-6-人工智能概述-AI艺术与创意实践

项目一走进人工智能认识AI时代的新生产力江苏信息职业技术学院·物联网工程学院（信息安全学院）PROJECTINTRODUCTION·项目导入AI正在重塑千行百业的工作方式0201华为东莞工厂AI视觉质检系统替代人工完成微米级瑕疵检测02海尔卡奥斯灯塔工厂AI维修助理辅助设备故障诊断03无锡本地智能制造企业工业互联网平台实现设备预测性维护人工智能已不再是遥远的科技概念，而是每一位高职学生未来专业学习、顶岗实习、职场工作都将接触到的通用工具。思考讨论①人工智能正在改变哪些传统岗位的工作方式？②掌握AI能力能为今后学习、实习带来哪些帮助？③AI会完全替代人类工作，还是增强人的职业竞争力？1.1·什么是人工智能图灵测试：一种经典的智能判定方法031950·阿兰·图灵《计算机器与智能》“模仿游戏”设想：询问者通过文字终端分别与一个人、一台机器对话；若无法分辨哪一方是机器，则认为该机器通过测试。核心局限：评判的是机器外在的对话行为表现，而非是否真正具备理解力、意识或思维。?询问者人真人机机器文字终端交互，双向不可见图灵梳理的六大智能行为研究范畴1自然语言处理听懂、说清2知识表示记得住3自动推理想得出4机器学习学得会5计算机视觉看得见6机器人技术做得到1.1·什么是人工智能人工智能的能力层级：弱AI·通用AI·强AI04ANI弱人工智能只能在单一或有限特定任务上表现出色代表/现状人脸识别、语音助手、下棋程序、文本生成已实现·当前主流AGI通用人工智能能像人类一样跨领域自主学习、迁移知识、解决新问题代表/现状全球科研机构探索阶段尚未真正实现ASI强人工智能设想中具备自我意识与情感体验的机器智能代表/现状理论探讨与科幻文艺想象理论构想阶段⚠重要辨析DeepSeek、通义千问、ChatGPT等所有主流大语言模型，无论对话能力多么接近人类，本质上仍属于弱人工智能——它们是在“语言理解与生成”这一类任务上经过海量数据训练达到的高度优化，不具备跨领域自主学习、真正理解世界的通用智能能力，与学术界定义的AGI存在本质区别。切勿将“能说会道”误认为已具备通用智能。1.2·AI发展的计算基础冯·诺依曼体系结构：一切AI算力的物理基础051945·美籍匈牙利数学家约翰·冯·诺依曼手机里的语音助手、训练大模型的超级计算集群，其硬件运行都离不开这一体系结构。运算器执行算术与逻辑运算控制器指挥各部件协同工作存储器存放程序与数据输入设备接收外部数据输出设备反馈处理结果五大核心部件协同工作，共同完成计算任务三大核心原则1二进制逻辑所有数据与指令均以0和1的组合表示与运算2存储程序执行程序预先存入存储器，计算机按顺序自动读取并执行3五大部件协同运算器、控制器、存储器、输入/输出设备共同完成计算一句话概括：冯·诺依曼体系结构如同人体的骨骼系统，本身不产生“智能”，却是承载一切智能运算不可或缺的物理基础。1.2·AI发展的计算基础人工智能系统运转的四大要素06算力COMPUTING以冯·诺依曼体系结构为基础的计算硬件，是模型训练与推理运算的物理载体炉灶数据DATA用于模型训练的高质量标注数据，是模型学习规律的原材料食材算法ALGORITHM机器学习、深度学习等技术方法，是数据转化为模型能力的核心逻辑菜谱场景SCENARIO具体的任务与应用需求，决定算力、数据、算法最终服务于哪类实际问题菜单需求这四要素如同做菜所需的“炉灶、食材、菜谱、菜单需求”，缺一不可，共同构成人工智能得以运转的完整链条。1.3·人工智能发展历程三起两落：浪潮与低谷交替演进071956学科奠基期达特茅斯会议提出“人工智能”概念1970s第一次低谷单层感知机无法解决异或问题，经费削减70s末-80s末专家系统繁荣期Xcon商业化；我国“863计划”启动80s末-90s初第二次低谷专家系统维护成本高缺乏自主学习能力90s-2010s统计学习与深度学习崛起深蓝夺冠(97)AlexNet(12)AlphaGo(16)2022起生成式AI爆发期ChatGPT发布国内大模型集中涌现2023至今国产大模型加速发展期DeepSeek-R1开源AI智能体走向落地每一次“浪潮”源于算力、数据或算法某一环节的关键突破；每一次“低谷”源于技术水平尚无法兑现前一阶段的过高预期。1.3·人工智能发展历程发展规律、科技自信与课堂研讨08瓶颈突破发展新瓶颈循环往复，螺旋上升思政小课堂从符号逻辑起步到国产大模型开源迭代，人工智能发展史也是一部持续攻坚、不断突破的创新史。我国科研团队正逐步在部分技术领域从跟随走向自主创新，这背后是几代科技工作者的持续努力。小组讨论国产开源大模型的发展为什么会受到全球广泛关注？它对你所在专业未来的发展可能带来哪些影响？能力自查我能否说出图灵测试的核心设想及其局限？能否区分弱AI/AGI/ASI并判断当前主流大模型所属层级？能否列举至少三次“浪潮—低谷”交替的关键节点？1.4·AI底层支撑：算力、数据与基础硬件算力的两种日常使用形态10云端算力CLOUDCOMPUTING将计算任务提交到远程数据中心处理DeepSeek、通义千问、豆包等大模型网页版/APP，背后均由云端算力支撑用户无需关心底层硬件配置打开浏览器或应用程序即可使用本地轻量化算力LOCALLIGHTWEIGHTCOMPUTING借助Ollama等轻量化部署工具本地运行普通实训机房计算机可运行参数量较小的开源模型不依赖网络连接、不产生数据外传风险适合数据安全要求较高的实训场景小组讨论电子信息类专业同学思考：芯片从设计到制造需要经过哪些环节？这与你所学的专业课程有何关联？1.4·AI底层支撑：算力、数据与基础硬件我国算力产业发展态势11自主可控技术体系国产芯片持续推进训练与推理场景技术迭代国产训练框架支撑模型开发与工程化落地国产大模型积极适配国产算力平台优化发展背景面对国际高端芯片供应环境的变化，我国正加快构建“国产芯片＋国产训练框架＋国产大模型”协同发展的自主技术体系，共同构筑算力自主可控的产业基础。发展方向算力基础设施正沿着“云边协同、软硬结合”的方向持续完善，为人工智能产业的长期发展提供支撑。思政小课堂从依赖进口硬件到国产芯片体系与开源大模型生态的持续完善，我国算力产业正走出一条自主可控与开放合作并重的发展道路。1.5·机器学习与深度学习基础认知机器学习：从“人写规则”到“机器总结规律”12传统编程规则数据答案机器学习数据答案规则（模型）例：识别“猫”的图片——传统编程需工程师逐一编写“耳朵是三角形”“眼睛是圆的”等规则；机器学习让计算机学习大量已标注的猫图片，自主总结出判别规律。核心逻辑记忆机器学习的本质，是让计算机通过“训练—反馈—迭代”的循环过程，不断修正自身的判断规则，最终学会独立完成识别、预测、生成等任务。1.5·机器学习与深度学习基础认知深度学习：越“深”的神经网络，学到的特征越丰富13输入层隐藏层隐藏层隐藏层输出层神经网络层数越多（越“深”），能够学习和表达的特征就越丰富神经元模拟人脑神经元连接方式，构建“神经网络”学习复杂数据规律。当前主流大语言模型正是基于深度学习技术训练而成。深度学习是机器学习的重要分支：通过模拟人脑神经元的连接方式构建“神经网络”，用以学习更为复杂的数据规律；“深度”指的正是神经网络的层数。核心逻辑记忆训练—反馈—迭代的循环，让计算机不断修正判断规则，最终学会独立完成识别、预测、生成等任务。1.6·主流前沿技术：大模型、多模态与AI智能体①生成式AI：从“理解”到“创作”14文文本生成通义千问·DeepSeek·豆包对话问答、文案撰写、代码编写、数据分析图图像生成即梦AI·通义万相输入文字描述，即可生成对应风格的图片视视频生成可灵AI·即梦AI将文字或图片转化为动态视频片段生成式AI（AIGC）是指能够自主生成文本、图像、音频、视频等内容的人工智能技术。小组讨论如果你所在专业有一个“智能助手”，你最希望它帮你完成哪类重复性工作？1.6·主流前沿技术：大模型、多模态与AI智能体②多模态技术：让AI“眼耳并用”15文本图像语音视频多模态大模型同时理解和处理文本、图像、语音、视频等多种类型信息，实现跨模态协同理解VLA（视觉语言动作）模型——多模态技术在物理世界的延伸视觉感知语言理解动作执行端到端对齐，应用于机器人、具身智能，并延伸探索至智能网联汽车、工业机器人等领域⚠关键辨析VLA模型主要应用于机器人与具身智能领域，与具体某一款量产辅助驾驶系统不能简单画等号。二者在数据来源、安全约束机制与工程实现方式上存在显著差异——这一关键辨析将在项目5《辅助驾驶实战》中结合具体系统架构详细展开，此处先建立初步认知。1.6·主流前沿技术：大模型、多模态与AI智能体③AI智能体：从“回答问题”到“自主办事”16三大核心能力：自主规划·记忆存储·工具调用——能将复杂目标自动拆解为多个步骤并逐一执行，直至交付完整成果1感知接入多源信息，感知用户目标与外部环境2推理上下文理解与逻辑推理，判断问题类型3规划将复杂目标拆解为可执行子任务序列4执行调用外部工具，完成实际操作5学习以执行结果为反馈，持续更新知识与策略闭环工作机制：目前主流智能体开发平台（如Coze、Dify等）的通用设计逻辑，项目4将系统实操职场办公场景中的智能体应用1办公场景会议纪要自动整理与日程规划2运维场景设备故障自动诊断与工单生成3设计场景海报初稿批量生成本批小结知识回顾与能力自查17算力·数据·基础硬件云端算力vs本地轻量化算力国产“芯片+框架+大模型”自主技术体系机器学习与深度学习数据+答案→规则，区别于传统编程神经网络越深，学习特征越丰富大模型·多模态·AI智能体生成式AI：文本/图像/视频三类VLA端到端建模；智能体五环节闭环✅能力自查我能否说明云端算力与本地轻量化算力的区别与各自适用场景？我能否用自己的语言解释机器学习“数据+答案→规则”的核心逻辑？我能否准确说出智能体“感知—推理—规划—执行—学习”五个环节？我能否说明为什么不应将VLA直接等同于某一具体辅助驾驶系统？下一节内容AI全行业典型落地应用·“AI+本院各专业”配套案例·AI五层产业链与国产发展趋势1.7·人工智能全行业典型落地应用AI+千行百业：六大领域岗位应用速览18制智能制造质量检验员·设备运维技术员痛点人工目测易疲劳、瑕疵漏检率高AI方案AI视觉缺陷检测与预测性维护物智慧物流与供应链调度员·仓储管理员痛点线路人工规划耗时、盘点效率低AI方案智能调度与视觉盘点金智慧金融与财经财务助理·风控审核员痛点凭证录入效率低、异常交易难排查AI方案智能凭证识别与风控建模信电子信息与运维IT运维工程师·测试技术员痛点日志体量巨大、测试脚本繁琐AI方案智能日志分析与代码辅助创数字文创与传媒新媒体运营·平面设计助理痛点初稿周期长、多平台改写量大AI方案AIGC概念生成与多模态创作医医护康养社区健康管理员·医疗影像助理痛点健康数据繁杂、影像复核排队长AI方案辅助诊断与健康管理系统人工智能技术依托大模型、计算机视觉、自然语言处理、机器学习等核心能力，已深度渗透生产、生活、治理、文创等全领域。1.7·人工智能全行业典型落地应用产教融合案例：AI质检与预测性维护的规模化实践1901华为工业AI质检解决方案面向汽车、电子等制造行业，将行为规范性检测、缺陷检测、定位、测量等场景封装为可复用的图像处理算子库，帮助企业以较低开发门槛快速搭建AI质检系统。检测效率与准确度较传统方案明显提升02海尔卡奥斯COSMOPlat·GenAI维修助理重庆冰箱互联工厂基于工业大模型研发维修助理，用于设备故障智能响应与诊断；青岛净水互联工厂依托生产数据训练AI模型定制工艺参数。设备维修效率与新员工培训效率显著提升03无锡雪浪数制本地智能制造企业实践依托自研工业互联网平台，为双良集团等本地制造企业提供设备预测性维护解决方案，帮助企业提前识别设备异常趋势、降低非计划停机风险。入选工信部人工智能赋能新型工业化典型案例AI在智能制造中的价值，正从单一环节的“效率工具”，逐步演进为贯穿研发、生产、服务全链路的“智能引擎”——这一趋势并不局限于头部大型企业，长三角地区大量中小型智能制造企业同样是AI应用与人才需求的重要阵地。1.8·“AI+本院各专业”分专业配套案例四大专业大类：AI应用场景与人类把关重点20专业大类典型岗位AI应用场景人类把关与核心能力要求装备制造大类工业机器人操作员设备运维工程师工业视觉模型识别加工件尺寸偏差；时序算法分析设备振动/温度数据工艺复核：核对机械公差与材质特性，验证维修策略工程可行性电子与信息大类前端开发助理芯片测试技术员代码生成工具自动补全函数；AI辅助排查网络日志；端侧轻量化推理安全与逻辑审查：审查代码逻辑漏洞与架构合理性，把控部署安全边界财经商贸大类财务分析助理电商运营专员大模型解析财报生成对比初稿；AIGC批量生成商品文案；路径优化推荐真实性与合规审查：核实原始凭证，校验市场数据真实性文化艺术与教育大类视觉设计助理短视频剪辑师图像生成工具建立视觉概念方案；AI语音字幕工具处理音视频素材审美与版权把关：把控设计审美与品牌调性，核查素材知识产权1.8·“AI+本院各专业”分专业配套案例课堂任务：本专业AI应用分析实践21【课堂任务1-2】以本专业为单位分组，结合表格内容及所在专业的培养方案，选择1个典型岗位展开分析。①AI解决了什么痛点AI技术在该岗位中解决了什么具体的业务痛点？②人机分工在哪里梳理“AI负责处理的部分”与“人工必须把关的部分”③整理分析材料整理形成300字左右的分析材料，为项目综合实训积累素材提交材料清单①岗位选择说明（岗位名称及理由）②检索到的企业AI应用案例（注明来源）③人机分工方案表④从业者能力提升路径分析⑤600—800字完整分析报告1.9·AI五层完整产业链从硬件地基到价值落地：五层架构22应用层APPLICATION智能制造、智慧医疗、智能金融等各行业具体落地应用，产业价值最终变现的环节平台层PLATFORM智能体开发平台、模型即服务（MaaS）平台等中间件，降低企业与个人调用AI能力的技术门槛（项目4重点）技术层TECHNOLOGY机器学习、深度学习、大模型训练等核心算法技术，驱动产业运转的技术引擎数据层DATA数据采集、清洗、标注与流通交易，为模型训练提供高质量“原材料”，直接决定模型性能上限基础层INFRASTRUCTUREAI芯片、算力中心、传感器等硬件与基础设施，是整个产业的物理基础双向支撑关系：下层为上层提供基础支撑，上层反哺下层持续迭代优化产业分工细化从早期“基础层—技术层—应用层”三层结构，演进为更加精细的五层架构，反映大模型时代产业分工的持续细化。数据质量直接决定模型性能上限；平台层是本教材项目4实操重点。1.10·国产AI产业发展与政策支撑国家顶层政策部署：“人工智能+”行动23《关于深入实施“人工智能+”行动的意见》明确提出推动人工智能与经济社会各行业各领域广泛深度融合，加快形成人机协同、跨界融合、共创分享的智能经济和智能社会新形态。围绕科技、产业、消费、民生、治理、全球合作等重点领域部署具体行动，并同步推进安全评估和备案管理制度完善。产业端已逐步显现的成效1企业应用比例快速上升我国工业企业应用大模型及智能体的比例呈快速上升趋势2全球最大市场地位稳固我国工业机器人产量保持高速增长，连续多年位居全球最大工业机器人市场3从单点走向全链路智能制造正从“单点应用”迈向“全链路渗透”的新阶段1.10·国产AI产业发展与政策支撑国产算力与开源大模型生态24自主技术体系加速构建面对国际高端芯片供应环境的变化，我国正加快构建“国产芯片＋国产训练框架＋国产大模型”协同发展的自主技术体系。国产AI芯片企业持续推进训练与推理场景技术迭代国产大模型积极探索基于国产算力平台的适配优化国产开源大模型社区已成为全球开发者活跃度较高的重要力量思政小课堂从早期依赖进口硬件与算法框架，到国产芯片体系与开源大模型生态的持续完善，我国AI产业正在走出一条自主可控与开放合作并重的发展道路。这背后是无数科研工作者与产业工程师的持续攻坚——这也是本教材反复强调的“数字工匠精神”在产业层面的生动体现。发展方向我国算力基础设施正沿着“云边协同、软硬结合”的方向持续完善，为人工智能产业的长期发展提供支撑。知识回顾与能力自查251.7全行业典型应用六大领域岗位痛点与AI方案华为/海尔/无锡雪浪产教案例1.8AI+本院各专业五大专业大类AI应用场景岗位化人机分工课堂实践1.9AI五层产业链基础—数据—技术—平台—应用各层双向支撑，平台层项目4详解1.10国产发展与政策“人工智能+”行动顶层部署国产芯片+框架+大模型协同✅能力自查我能否列举至少三个行业领域中AI解决业务痛点的典型模式？我能否结合本专业，说出至少一个岗位中“AI负责的环节”与“人工把关的环节”？我能否复述AI五层产业链各层级核心构成？我能否说出我国算力自主可控的技术路径？下一批预告1.11–1.14数据隐私与个人信息保护·算法公平与大数据杀熟·AI生成内容知识产权·国家AI治理核心原则1.11·数据隐私与个人信息保护案例：非法滥用人脸识别侵犯隐私26人工智能的训练与运行依赖海量数据，其中不乏个人身份信息、消费记录等敏感数据，收集、使用不当极易引发隐私泄露风险。!央视3·15晚会曝光案例多家知名企业在门店私自安装人脸识别摄像头，未告知消费者便采集面部生物信息，用于统计到店次数、分析年龄心情等，进而实施精准营销。处理结果：涉事门店被市场监管部门立案调查并处以行政处罚，责令拆除设备、删除违规采集的数据这类事件提醒我们：AI训练与运行离不开数据，但数据收集、使用必须合法合规，尊重个人权益。小组讨论你在使用AI工具（如上传照片进行图像处理、输入个人信息咨询问题）时，是否留意过该工具的隐私政策？今后你会做出哪些调整？1.11·数据隐私与个人信息保护法规链接：备案前置、动态监管的治理路径27《中华人民共和国个人信息保护法》2021年11月1日起施行我国个人信息保护领域的基础性法律，核心条款明确规定：•处理生物识别、宗教信仰、特定身份、医疗健康、金融账户、行踪轨迹等敏感个人信息，应当取得个人的单独同意•处理个人信息应当遵循合法、正当、必要和诚信原则，不得通过误导、欺诈、胁迫等方式处理•人脸信息属于敏感个人信息，收集使用必须满足该法确立的严格保护标准《生成式人工智能服务管理暂行办法》2023年8月15日起施行要求生成式AI服务提供者在产品上线前完成安全评估与算法备案，明确了：•预训练数据处理规则•标注规则制定要求•内容安全责任划分网信部门持续开展常态化巡查执法，对违规采集数据、未落实备案义务的平台依法处理。治理逻辑：“事前审查—事中监管—事后惩戒”相结合，体现备案前置、动态监管的中国治理思路。1.12·算法公平与大数据“杀熟”、认知茧房算法并非绝对中立：两类常见的算法歧视现象28¥大数据“杀熟”PRICEDISCRIMINATION电商、出行平台可能针对老用户、高消费用户显示更高价格举例同一款商品或同一段行程，不同用户账号在同一时间搜索可能看到不同的价格◐信息茧房（认知茧房）FILTERBUBBLE短视频、新闻资讯类APP的推荐算法根据历史点击行为持续推送同类内容举例久而久之会窄化用户的信息获取范围，加剧认知偏见算法并非绝对中立，训练数据偏差、设计者主观倾向等因素，都可能导致算法歧视，产生不公正结果。小组讨论结合你自己网购、点外卖、刷短视频的经历，说说你是否遇到过“大数据杀熟”或“信息茧房”现象？1.12·算法公平与大数据“杀熟”、认知茧房法规链接：《互联网信息服务算法推荐管理规定》29国家网信办、工信部、公安部、国家市场监管总局四部门联合发布·2022年3月1日起施行算法知情权告知用户算法推荐服务的基本原理、目的意图和主要运行机制算法选择权向用户提供不针对个人特征的选项，或便捷关闭算法推荐服务的选项同时明确规定：不得根据消费者的偏好、交易习惯等特征，在交易价格等交易条件上实施不合理的差别待遇——为治理“大数据杀熟”提供了直接法律依据对未成年人、老年人、外卖骑手等劳动者群体的算法权益保护作出专门规定1.13·AI生成内容知识产权与校园学术规范两个核心争议+一部关键法规301争议一：AI生成的作业、实训报告是否属于学术不端？直接将AI生成内容不加修改、不加标注地作为个人原创成果提交，存在学术诚信风险。AI辅助学习本身并不被禁止，但应遵循“AI辅助而非替代思考”的基本原则。2争议二：AI辅助学习的边界在哪里？利用AI进行资料检索、思路启发、语言润色、代码调试等辅助性工作被普遍认可；但若让AI完全代替独立思考、直接生成完整论文并原样提交，则突破了学术诚信底线。《人工智能生成合成内容标识办法》四部门联合发布·2025年9月1日起施行·与强制性国家标准配套使用显式标识用户可直接感知的标识，如角标、水印隐式标识生成合成内容文件元数据中的属性信息、服务提供者名称或编码平台核验应用分发平台在上架审核时，核验是否提供生成合成服务及相应标识材料1.14·国家人工智能治理核心原则《新一代人工智能治理原则》八大原则与学生行为准则312019年·国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》1.和谐友好AI作为辅助提升专业技能的工具，保持独立思考，不产生精神依赖2.公平公正不利用AI参与考试作弊、虚假宣传等破坏教育与社会公平的行为3.包容共享主动分享AI工具使用经验，帮助同学共同提升数字素养4.尊重隐私不在公有云AI工具中输入他人身份证号、联系方式等敏感信息5.安全可控对AI给出的数据、代码与专业结论保持审慎态度，重要环节人工校验6.共担责任对自身提交的任何AI辅助作业、实训成果的准确性承担完全责任7.开放协作积极关注国内外AI技术前沿发展，以开放包容态度学习新技术8.敏捷治理理性看待AI的局限性与风险，不盲从、不夸大、不恐惧项目综合实训我的专业AI应用分析报告32任务背景随着AI技术在各行业的深入应用，用人单位对毕业生“理解AI技术、判断人机分工边界”的能力提出了新要求。请以本专业对应岗位为切入点，完成一份AI应用分析报告。①选择典型岗位如数控加工、财务会计、软件测试、平面设计、护理等②检索真实案例检索企业实际生产中引入AI技术的真实案例，鼓励优先检索本地企业案例③撰写分析报告600—800字，须涵盖三大维度（见下）报告须包含以下三大维度岗位典型业务痛点传统模式下该岗位面临的效率、精度或成本瓶颈人机分工方案设计明确“AI负责处理的具体环节”与“人工必须把关的核心环节”从业者能力提升路径面对AI赋能，需要补充哪些新技能（提示词撰写、结果复核、数据安全意识等）33拓展项目AIforScience：当AI走进科学实验室机器化学家案例中国科学技术大学研究人员开发了全球首个集阅读文献、设计实验、自主优化功能于一体的“机器化学家”平台。在“高熵非贵金属产氧催化剂”材料研究中，传统方法需从29种元素中选出5种，尝试超55万种配比组合，试错研究可能需要1400年；借助机器化学家，只需几周即可完成——先阅读1.6万篇论文总结规律，再通过模拟计算筛选材料，最后自动完成从合成到测试的全流程实验验证。回顾项目一完整逻辑：是什么—靠什么运转—用在哪—怎么治理AI是什么图灵测试·能力层级·发展历程靠什么运转算力基础·机器学习·前沿技术用在哪里行业应用·专业案例·产业链怎么治理数据隐私·算法公平·治理原则项目二

生成式人工智能的发展与应用懂原理→会选工具→会写提示词→会完成任务→会验证结果→会优化→会自主学习01江苏信息职业技术学院·物联网工程学院（信息安全学院）2.1从人工智能到生成式AI本节导览：三个知识台阶本节承接项目1已建立的人工智能整体认知框架，进一步梳理人工智能技术的层级演进脉络，并引出生成式AI相对传统判别式AI的能力跃升。层01层级关系厘清人工智能、机器学习、深度学习、生成式AI四者的层层递进关系，理解技术演进脉络。范02三大范式掌握监督学习、无监督学习、强化学习的数据特征与代表应用，学会用准确率/精确率/召回率/F1评价模型。网03神经网络原理理解神经元、权重、激活函数、网络层的组成关系，掌握神经网络训练的五步流程。【课堂任务2-1】举出一个‘AI判断’类应用与一个‘AI生成’类应用，比较二者使用体验的差异。项目2·生成式人工智能的发展与应用022.1.1人工智能、机器学习与深度学习的层级关系技术演进链条：从模拟智能到自主行动1人工智能让机器模拟人类智能行为→2机器学习从数据中总结规律，而非人工编写规则→3深度学习用多层神经网络自动学习特征→4Transformer架构高效处理长序列信息的网络结构↓5预训练大模型在海量数据上训练形成的通用能力模型→6生成式人工智能不仅能‘判断’，更能‘生成’新内容→7多模态大模型文本、图像、语音、视频协同理解与生成→8智能体感知、推理、工具调用与自主行动的综合系统在经典程序设计范式中，人们输入规则和数据，系统输出答案；而在机器学习范式中，人们输入数据和期望的答案，系统输出的则是规则——这是机器学习区别于传统编程的本质特征。项目2·生成式人工智能的发展与应用032.1.1人工智能、机器学习与深度学习的层级关系表2-1·各技术阶段的核心能力对照技术阶段核心能力典型任务机器学习分类、预测判断邮件是否为垃圾邮件深度学习感知、识别识别图片中的物体Transformer序列建模理解一段较长的上下文大模型理解、生成撰写一封邮件、回答一个问题多模态跨模态理解与生成依据图片生成文案智能体感知＋推理＋行动自动完成多步骤任务编程范式的根本转变传统编程规则＋数据→答案↓机器学习数据＋答案→规则（模型）要点：机器学习不是人写规则给机器执行，而是让机器从大量数据中自己总结出规律。项目2·生成式人工智能的发展与应用042.1.2机器学习三大范式与评价方法三大学习范式：数据特征决定学习方式督监督学习SupervisedLearning利用由输入数据和对应标签组成的训练集，学习输入与输出之间的映射关系。主要任务分类（如判断西瓜好坏）回归（如预测房价）代表应用图像识别、垃圾邮件过滤、房价预测无无监督学习UnsupervisedLearning在没有人工标签的情况下，发现数据内部的隐含结构。主要任务聚类、降维代表应用用户分群、异常检测、推荐系统强强化学习ReinforcementLearning依靠智能体与环境的持续交互，通过奖励或惩罚反馈优化决策策略。主要任务策略优化、序贯决策代表应用棋类博弈、机器人控制、自动驾驶项目2·生成式人工智能的发展与应用052.1.2机器学习三大范式与评价方法监督学习：有老师教的学生监督学习通过学习由输入数据和对应标签组成的训练集，建立一个函数f(x)=y，其核心在于利用已知的正确答案（GroundTruth）来指导模型减少预测值与真实值之间的误差。分分类Classification根据给定的输入数据（特征）将每个样本分配给预定义的类别或标签之一，输出是离散的。典型场景图像识别：将图像分为猫、狗、汽车等类别文本分类：判断新闻、邮件的主题或情感倾向西瓜品质：根据色泽、根蒂、敲声判断好瓜/坏瓜回回归Regression根据已知的输入变量与输出变量的关系，预测未知输出变量的值，输出是连续的数值。典型场景房价预测：依据面积、位置、房龄预测售价股票价格预测：依据历史交易数据预测未来价格销量预测：依据历史销售数据预测未来销量类比理解：跟着妈妈去买瓜——妈妈指着瓜说‘根蒂蜷缩、敲声浊响的是好瓜’，这就是在提供带标签的训练样本。项目2·生成式人工智能的发展与应用062.1.2机器学习三大范式与评价方法无监督学习与强化学习：没有标准答案的学习无无监督学习：自学成才的分类家在没有任何人工标签的情况下，直接处理原始输入数据，目标是发现数据内部的隐含结构、分布规律或特征表征，例如聚类或降维。类比：一个人去市场，没人告诉你哪个是好瓜，只能观察——这一堆瓜皮色深、那一堆皮色浅，自己把相似的归为一类。数据特征：只有特征，没有标签｜代表应用：用户分群、异常检测、数据可视化、推荐系统强强化学习：在教训中成长的挑战者智能体在环境中通过试错进行学习，不被告知正确动作，而是通过执行动作获得奖励或惩罚，目标是最大化长期累积的奖励总和。类比：亲自去挑瓜、买单、回家剖开吃——吃到甜的，大脑给一个‘奖励’；吃到生的，大脑给一个‘惩罚’，不断尝试优化挑瓜策略。数据特征：无预设标签，依赖环境反馈｜代表应用：棋类博弈（AlphaGo）、机器人控制、自动驾驶项目2·生成式人工智能的发展与应用072.1.2机器学习三大范式与评价方法模型评价：混淆矩阵与四大指标混淆矩阵（以挑西瓜为例）预测为正例预测为负例实际为正例TP真正例FN假负例（漏报）实际为负例FP假正例（误报）TN真负例TP：说是好瓜，切开确实是甜的TN：说是坏瓜，没买，确实也是生的FP：说是好瓜，买回家切开是生的（误报）FN：说是坏瓜没买，结果是甜的（漏报）准确率Accuracy预测正确的结果占总样本的百分比。样本不均衡时容易失真（如99个坏瓜中猜‘全是坏瓜’也有99%准确率）。精确率Precision预测为正的样本中，实际为正的比例（查准率）——挑出来的瓜里，到底有多少是真的好瓜？召回率Recall实际为正的样本中，被正确识别的比例（查全率）——所有好瓜，被翻出来了多少？漏报敏感场景尤为重要。F1值F1Score精确率与召回率的调和平均数，用于综合评估模型在两者之间的平衡表现。项目2·生成式人工智能的发展与应用082.1.3深度学习与神经网络基本原理神经网络的组成：神经元、权重、激活函数、网络层深度学习通过构建具有多个层次的神经网络，让计算机自动从大量数据中学习规律，其突出特点是‘自动特征提取’——模型无需人工预先设计特征，而是在训练过程中自主学习。元神经元网络的基本处理单元，负责接收输入信号并整合后向下传递。→权权重深度学习中最重要的参数，模型训练的本质就是寻找一组最优权重。→激激活函数为神经元引入非线性变换，使网络能够拟合复杂的现实世界问题。→层网络层输入层接收原始数据，隐藏层逐层提取抽象特征，输出层给出最终结论。以图像识别为例：特征从简单到复杂逐层提取浅层识别边缘、颜色等基本视觉元素→中层识别局部部件（如耳朵、轮廓）→深层整合局部特征识别完整目标→输出层给出最终结论（如‘这是一只猫’）项目2·生成式人工智能的发展与应用092.1.3深度学习与神经网络基本原理神经网络训练流程与生成式AI的能力跃升神经网络训练五步流程1初始化权重权重被随机赋值，预测几乎随机→2前向传播输入经过各层计算得到预测结果→3计算损失衡量预测结果与真实标签的差距→4反向传播链式法则逐层计算各权重的贡献→5梯度下降更新权重沿使损失减小的方向微调权重循环执行以上流程，模型预测精度随训练过程逐步提升。从‘判别’到‘生成’：一次能力上的跨越判别式机器学习实现对已知类别的判断→判别式深度学习实现对复杂特征的自动学习→生成式生成式AI进一步具备生成新内容的能力下一节预告：2.2大模型技术基础——Transformer架构与自注意力机制、Token与Embedding、预训练与模型能力的形成、大模型选型方法。项目2·生成式人工智能的发展与应用10项目2·生成式人工智能的发展与应用2.2大模型技术基础弄懂大模型为什么“会说话”：从Transformer架构，到Token与Embedding，再到预训练与选型方法2.2.1Transformer架构与自注意力机制2.2.2Token、Embedding与上下文窗口2.2.3预训练与模型能力的形成2.2.4大模型选型的基本方法人工智能通识·项目2112.2大模型技术基础本节导览：四个知识点大模型之所以能够高效理解和生成长文本，核心技术基础是Transformer架构。理解它的底层机制，能帮助我们更好地解释日常使用大模型时遇到的各种现象。构2.2.1Transformer架构自注意力机制取代RNN，实现序列计算并行化；理解Q、K、V与编码器-解码器分工。词2.2.2Token与Embedding文本如何被切分、转化为向量；上下文窗口为何会带来“遗忘”现象。训2.2.3预训练与能力形成海量数据自监督学习，加上SFT、RLHF、推理训练，共同塑造模型能力。选2.2.4大模型选型方法不同任务类型应优先考虑哪一类模型，建立可迁移的选型判断逻辑。学习提示：大模型产品迭代速度较快，本节聚焦相对稳定的原理与方法，具体产品版本信息请通过配套数字资源获取最新内容。项目2·生成式人工智能的发展与应用122.2.1Transformer架构与自注意力机制为什么需要Transformer？2017年，谷歌在论文《AttentionIsAllYouNeed》中提出Transformer架构，采用自注意力机制取代了此前主流的循环神经网络结构，实现了序列计算的完全并行化，显著提升了训练效率。目前主流大语言模型均以Transformer或其变种作为主干网络。此前：循环神经网络（RNN）逐词按顺序处理，前一个词算完才能算下一个词序列越长，训练速度越慢，难以并行加速长距离依赖信息容易在传递中衰减、丢失现在：Transformer自注意力机制自注意力机制让模型同时“关注”句子中所有相关的词序列计算完全并行化，大幅提升训练效率更擅长捕捉长距离的语义依赖关系目前，主流大语言模型均以Transformer或其变种作为主干网络。项目2·生成式人工智能的发展与应用132.2.1Transformer架构与自注意力机制自注意力机制：Q、K、V三个核心向量自注意力机制模拟人类处理信息的方式，使模型在处理某个词时能够自动“关注”句子中与之相关的其他词，其计算基于三个核心特征向量：QQuery查询代表当前词想要寻找的信息——“我想在句子中寻找什么样的相关内容？”KKey键代表每个词的特征标签，用于与查询向量进行匹配，衡量两者之间的相关程度。VValue值代表词的实际语义内容。当Q与某个K高度匹配时，对应的V将获得更大权重。→当Query与某个Key高度匹配时，对应的Value就会获得更大权重，参与最终的语义汇总。编码器-解码器结构中的分工标准Transformer由编码器（Encoder）与解码器（Decoder）两部分构成：编码器负责理解输入文本、构造语义表示；解码器负责结合语义表示生成目标序列。二者结构上相互独立，因此衍生出仅用编码器或仅用解码器两条技术路线（详见下一页）。项目2·生成式人工智能的发展与应用142.2.1Transformer架构与自注意力机制课堂任务2-3·自注意力如何消解多义词示例句子：“银行门口的柳树很茂盛。”当模型处理“银行”这个词时，它指的是金融机构，还是河岸？自注意力机制如何借助上下文做出判断？①生成Query模型处理“银行”一词时，为它生成一个Query向量，代表“我需要哪些上下文信息来确定词义”。→②匹配Key句子中每个词（门口、柳树、茂盛……）都有各自的Key。“银行”的Query与这些Key逐一比对相关度。→③加权Value“柳树”“茂盛”等与“河岸”语义相关的词匹配度更高，其Value获得更大权重，参与语义汇总。→④消解词义综合上下文的加权语义，模型判断此处“银行”更可能指河岸，而非金融机构。要点：自注意力机制不是孤立地理解每个词，而是让每个词的含义都由它所在的上下文动态决定。项目2·生成式人工智能的发展与应用152.2.1Transformer架构与自注意力机制两条技术路线：BERT与GPT输入文本原始句子/段落→编码器Encoder理解输入、构造语义表示→解码器Decoder结合语义表示生成目标序列编码器与解码器在结构上相互独立，因此衍生出两条各有侧重的技术路线：BERT仅使用编码器（Encoder-only）擅长语言理解类任务，能双向理解上下文。典型任务文本分类、命名实体识别、语义相似度判断GPT系列仅使用解码器（Decoder-only）擅长开放式生成任务，根据前文逐词预测后续内容。典型任务对话生成、文本续写、代码生成、创意写作提示：GPT系列采用“Decoder-only”结构，通过“预测下一个词”的方式逐步生成文本，是当前大多数对话式大模型的技术基础。项目2·生成式人工智能的发展与应用162.2.2Token、Embedding与上下文窗口文本如何被机器“读懂”：Token与EmbeddingTransformer底层的计算过程较为抽象，但与日常使用大模型的体验密切相关。理解Token与Embedding，有助于解释很多使用中遇到的现象。TToken（词元）模型将文本切分为基本处理单元——词元。一段话在模型眼中，首先会被拆解为若干个Token。对使用体验的影响产品的计费和长度限制通常按Token计算——这就是为什么大模型服务常按“Token数”定价，长文本会消耗更多额度。EEmbedding（嵌入）文字、图像等信息被转换为模型可计算的数字向量，使语义相近的内容在向量空间中彼此靠近。对使用体验的影响Embedding是模型理解语义相似度的基础，也是知识库检索、语义搜索等应用场景的核心技术支撑（后续项目4将系统展开）。项目2·生成式人工智能的发展与应用172.2.2Token、Embedding与上下文窗口上下文窗口：为什么长对话会被“遗忘”早期对话内容（可能已超出窗口，被遗忘）上下文窗口内（模型仍能参考）上下文窗口，是模型一次能够参考的文本长度上限。对话越长、文档越长，越早期的内容就越可能被“挤出”这个窗口，模型自然无法再参考。【课堂任务2-4】打开任意一款主流大模型对话工具，输入一段较长文本后连续追问十轮以上，观察模型是否出现“遗忘”早期信息的情况，并结合本节所学分析原因。能力自查2-3：我能否解释自注意力机制中Q、K、V各自代表的含义？我能否用自己的话解释Token、上下文窗口对使用大模型的实际影响？项目2·生成式人工智能的发展与应用192.2.2Token、Embedding与上下文窗口表2-3·底层机制与使用体验对照技术机制对使用体验的影响Token（词元）模型将文本切分为基本处理单元，产品的计费和长度限制通常按Token计算Embedding（嵌入）文字、图像等信息被转换为模型可计算的数字向量Attention（注意力）模型在生成下一个词时，判断应重点参考上文的哪些内容上下文窗口模型一次能够参考的文本长度上限，超出部分可能被遗忘解码生成模型根据已有信息逐词预测并生成后续内容理解上述对应关系，有助于解释使用大模型过程中出现的常见现象：例如长时间连续对话后模型“遗忘”早期内容，或处理超长文档时理解效果下降，均与上下文窗口和Token数量的限制有关。项目2·生成式人工智能的发展与应用182.2.3预训练与模型能力的形成预训练：大模型如何“读遍天下书”大规模预训练是现代基础模型形成通用能力的重要基础。模型首先在海量文本数据上进行自监督学习，无需人工标注即可积累通用语言知识。料海量文本数据百科资料、代码库、书籍等→习自监督学习无需人工标注即可学习→识通用语言知识语法、常识、逻辑的积累→型基础模型具备通用能力的FoundationModel预训练的关键特征自监督学习：模型从数据本身构造学习任务（如预测被遮盖的词），无需人工逐条标注答案数据规模庞大：训练语料通常涵盖百科、代码、书籍等多种类型的海量文本形成“基础模型”：预训练完成后，模型已具备通用的语言理解与生成能力，可作为后续各类任务的起点项目2·生成式人工智能的发展与应用202.2.3预训练与模型能力的形成从“读过书”到“会办事”：三条能力增强路径在预训练基础上，还可通过多种方式进一步增强模型的指令遵循能力与任务适应能力。不同厂商采用的具体训练流程和技术路线存在差异，不宜将其理解为固定不变的单一流程。SFT监督微调SupervisedFine-Tuning使用高质量的“指令-回答”数据集训练，引导模型“听懂指令”，实现从纯文本续写者到智能助手的角色转变。RLHF人类反馈对齐RLHF基于人类反馈的偏好对齐，让模型对同一问题生成的多个候选回答被评分排序，使输出更符合人类期望。RL推理训练强化学习与推理训练通过强化学习等方式提升模型的深度推理能力，使其在数学、代码等复杂任务上表现更佳。要点：预训练解决“懂不懂”的问题，SFT、RLHF、推理训练解决“听不听话、答得好不好”的问题。三者叠加，才形成我们最终用到的对话式大模型。项目2·生成式人工智能的发展与应用212.2.3预训练与模型能力的形成涌现能力，与国产大模型的多维突破涌什么是“涌现能力”（Emergence）随着模型规模、训练数据量与训练方法的持续提升，部分复杂任务上的模型表现可能出现明显增强，这一现象被称为“涌现能力”，例如多步数学推理、代码生成等能力的显著提升。其具体形成机制目前仍是人工智能基础研究的重要课题——这提示我们，不宜把“涌现”当作绝对确定的规律来描述。国从“参数比拼”到“多维度较量”推理模型：在深度推理能力上持续取得突破训练方法效率：以更低成本实现高水平性能开源生态建设：国产开源大模型社区活跃度持续提升近年来，国内多家企业在推理模型、训练方法效率、开源生态建设等方向持续取得技术突破，推动大模型竞争从单纯的参数规模比拼，转向训练方法创新、推理能力、模型效率与开放生态建设等多维度的综合较量，体现出我国在核心技术自主研发方面的持续投入与阶段性成果。项目2·生成式人工智能的发展与应用222.2.4大模型选型的基本方法表2-4·根据任务类型判断选型方向大模型产品迭代速度较快，与其记忆某一时点的具体排名，更重要的是掌握根据任务类型判断应选用哪一类模型的基本方法。任务类型选型考虑因素日常问答、信息咨询通用大模型，响应速度快、使用成本低复杂逻辑推理、数学证明具备深度推理能力的模型图片、图表理解多模态模型代码生成与调试代码能力较强的模型或推理模型长文档、长报告分析支持较大上下文窗口的模型数据敏感、需要本地运行开源模型或可私有化部署的轻量模型拓展资源：数字平台“大模型能力速查”模块，按季度更新主流大模型能力对比信息，辅助完成实际选型任务。项目2·生成式人工智能的发展与应用232.2.4大模型选型的基本方法课堂任务2-5·三个任务，你会怎么选？给定以下三个任务，请分别说明每个任务应优先考虑哪一类大模型，并说明理由。①快速查询明天的天气线索：任务简单、追求时效通用大模型响应速度快、使用成本低，无需复杂推理能力②分析一份80页的行业调研报告并提炼核心结论线索：输入内容篇幅巨大支持大上下文窗口的模型需要一次性“记住”整篇报告，避免前文信息被挤出窗口③根据一张产品图片撰写营销文案线索：输入包含图像信息多模态模型任务需要模型先“看懂”图片内容，再结合文字生成创意文案能力自查2-5：给定一个具体任务，我能否说出应该优先考虑哪一类大模型，并说明理由？项目2·生成式人工智能的发展与应用242.2大模型技术基础本节小结：从架构原理到选型方法2.2.1Transformer架构自注意力机制（Q/K/V）取代RNN，实现并行计算；编码器-解码器分工衍生出BERT（理解）与GPT（生成）两条路线。2.2.2Token与Embedding文本被切分为Token、转化为向量；上下文窗口的限制，是长对话“遗忘”现象的根本原因。2.2.3预训练与能力形成海量数据自监督学习形成基础模型；SFT、RLHF、推理训练进一步塑造“听话、答得好”的能力。2.2.4大模型选型方法根据任务类型——响应速度、推理难度、是否含图像、文档长度、数据敏感性——判断选型方向。下一节预告：2.3提示词工程实践——提示词基本结构、设计七大原则、迭代优化、质量评价量表，以及学习、办公、创作场景的提示词实战应用。能力自查回顾：2-3（Transformer与Token/上下文窗口）·2-4（大模型能力的形成）·2-5（大模型选型方法）项目2·生成式人工智能的发展与应用25★重点项目2·生成式人工智能的发展与应用2.3提示词工程实践从“会写”到“写得好”：结构、原则、迭代、评价，再到真实学习办公创作场景的实战应用2.3.1提示词基本结构2.3.2提示词设计七大原则2.3.3提示词迭代优化2.3.4提示词质量评价2.3.5学习／办公／创作场景应用人工智能通识·项目2262.3提示词工程实践【课程重点】本节导览：五个知识点大模型输出内容的质量，很大程度上取决于用户提出问题的方式。提示词工程是研究如何设计高质量提示词、有效引导模型输出预期结果的方法体系。构2.3.1基本结构指令＋上下文＋输入数据＋输出要求，四要素框架与复杂任务的进阶格式。则2.3.2七大原则明确具体、角色设定、结构化分解、提供示例、指定格式、增加约束、迭代优化。迭2.3.3迭代优化从简单表述到评价型表述，四个层次逐步细化，越改越贴合需求。评2.3.4质量评价六个维度、三档打分，满分30分的提示词质量评价量表。用2.3.5场景应用专业学习、会议纪要、学术写作、职场创作、代码辅助五类真实任务实战。能力目标：能根据任务特点设计恰当的提示词；能运用角色设定、结构化分解、示例引导等技巧迭代优化；能用评价量表分析、改进自己写的提示词。项目2·生成式人工智能的发展与应用272.3.1提示词基本结构四要素框架：指令＋上下文＋输入数据＋输出要求大模型输出内容的质量，很大程度上取决于用户提出问题的方式。一条结构完整的提示词，通常遵循以下逻辑框架：指指令Instruction明确说明需要执行的具体任务，建议使用“总结”“翻译”“生成”等明确动词开头。→境上下文Context提供角色设定、背景信息与约束条件，帮助模型理解任务场景。→入输入数据Input需要模型处理的具体内容，是任务的“加工原料”。→出输出要求Output明确期望的输出格式、长度、风格与语言。进阶格式：面向复杂任务的六要素结构对于较为复杂的任务，可采用进阶格式：任务→参考信息→输出要求→示例→本次输入→输出项任务越复杂，越需要在基础四要素之上补充“参考信息”和“示例”，帮助模型更精准地理解意图。项目2·生成式人工智能的发展与应用282.3.2提示词设计七大原则七大原则总览：让指令从“能用”到“好用”以下七条原则是设计高效提示词的核心准则，适配文本、多模态、多任务等各类场景，可根据任务复杂程度灵活调整运用。原则一明确具体，避免模糊原则二角色设定，激活专业能力原则三结构化分解，化繁为简原则四提供示例，小样本引导原则五指定输出格式，规范结果原则六增加约束，减少偏差原则七迭代优化，持续改进下面三页逐条详解七条原则的具体用法与示例对比项目2·生成式人工智能的发展与应用292.3.2提示词设计七大原则原则一·二：把话说清楚，把身份讲明白原则一：明确具体，避免模糊模型不具备“读心术”，无法猜测用户的潜在意图，提示词应清晰表达任务目标、受众与场景等关键信息。✗模糊写法帮我写个介绍人工智能的文章。✓清晰写法请用通俗易懂的语言，为高职一年级新生撰写一篇介绍人工智能基本概念的科普文章，篇幅约600字，包含定义、应用场景和未来发展三个部分。原则二：角色设定，激活专业能力为模型赋予具体、明确的角色身份，可激活其在对应领域的专业知识储备和语言风格。角色设定需具体到“行业＋经验＋专业技能”，增强针对性。【角色设定示例】你是一位拥有10年行业经验的软件工程师，精通Python和系统架构设计。请帮我分析以下代码存在的性能问题，并给出优化建议：［代码内容］项目2·生成式人工智能的发展与应用302.3.2提示词设计七大原则原则三·四：拆解复杂任务，给出示例引导原则三：结构化分解，化繁为简对于涉及多个步骤的复杂任务，将其拆解为若干清晰的小步骤，引导模型按顺序逐步完成，可显著提升输出的准确性与完整性。请按照三个步骤完成任务——第一步，找出实验数据中的异常值；第二步，分析异常值可能的产生原因；第三步，提出可落地的改进方案。原则四：提供示例，小样本引导在提示词中给出一至三个输入输出示例，模型能够快速学习示例中蕴含的格式与逻辑规则，尤其适用于分类、翻译、句式转换等任务。请判断以下评论的情感倾向，输出“正面”“负面”或“中性”。示例1：评论：这道菜味道很棒，服务也很周到！→情感：正面示例2：评论：等待时间太长了，很失望。→情感：负面现在请判断：评论：菜品还可以，价格有点贵。→情感：项目2·生成式人工智能的发展与应用312.3.2提示词设计七大原则原则五·六·七：规范格式、划定边界、持续迭代原则五：指定输出格式明确告知模型期望的输出格式（如表格、列表、指定字段的结构化数据），减少后续人工整理的工作量。示例请以Markdown表格呈现，包含型号、价格、核心配置、优点、缺点、推荐人群六列。原则六：增加约束，减少偏差明确说明“不需要什么”“不能包含什么内容”，避免模型生成偏离预期或冗余的内容，降低出错概率。示例字数不超过200字；只包含论文中有明确依据的内容，不做主观推测；不要用“我认为”等主观表述。原则七：迭代优化，持续改进提示词设计是一个动态迭代的过程，应根据首次输出结果分析存在的问题，针对性调整表述后重新生成。示例（下一页将用一个完整案例，演示提示词从简单到精细的四层迭代过程）项目2·生成式人工智能的发展与应用322.3.3提示词迭代优化从简单到精细：一条提示词的四层进化以“了解Python在数据分析中的应用”这一需求为例，展示提示词从简单到精细的渐进过程：第一层简单表述帮我介绍Python。缺少角色、受众、要求，输出会很笼统→第二层结构化表述你是一名Python教师，请面向高职一年级、零基础的数据分析方向学生，用通俗语言介绍Python在数据分析中的应用。补充角色与受众信息→第三层约束型表述……要求：分三个要点说明，每点不超过80字，用生活化类比帮助理解，不使用超出高中数学范围的术语，结尾附一个最简单的代码示例。补充字数、格式、示例等具体约束→第四层评价型表述请根据“准确性、完整性、可执行性、格式规范性”四项指标，对上一轮回答进行1至5分打分，并指出可改进之处。要求模型对自身输出进行反思要点：迭代优化不是推翻重写，而是在前一版基础上，针对具体不足有的放矢地补充信息。项目2·生成式人工智能的发展与应用332.3.4提示词质量评价表2-6·提示词质量评价量表在正式使用提示词完成任务前，可先用下表进行自我评价，发现薄弱环节后再动手生成，避免反复试错。评价维度1分（弱）3分（中）5分（强）任务明确度任务模糊，动词不清任务基本明确任务与目标非常明确上下文完整度缺失角色与背景信息部分提供角色、背景信息完整充分输入数据不完整或有歧义基本完整清晰规范、无歧义输出要求无格式与长度要求有部分要求格式、长度、风格均明确约束条件无任何约束有少量约束约束清晰具体、可执行可执行性AI难以直接执行基本可执行可以直接执行、无需追问提示词总分为六个维度得分之和，满分30分。建议正式提交任务前，自评得分不低于20分。项目2·生成式人工智能的发展与应用342.3.5学习、办公、创作场景应用任何一次AI辅助任务的通用工作流大模型的输出无论表述多么流畅、语气多么确定，本质上仍是一个待验证的候选结果，而非确定无误的最终答案。建议遵循以下流程：1提出任务→2设计提示词→3AI生成→4结果验证↓5人工判断→6修改提示词→7再次生成→8形成最终成果这一流程贯穿本节所有实战任务，接下来我们通过五类真实场景，逐一演练这套工作流。项目2·生成式人工智能的发展与应用352.3.5学习、办公、创作场景应用五类真实任务场景速览习专业学习辅助提供个人实际情况（考试时间、可用时长、章节难度），生成个性化复习计划。会会议纪要整理按“决策事项／待办事项／风险预警”结构化呈现，标注责任人与截止时间。（下一页详细案例）学学术写作辅助辅助文献梳理、大纲设计、语言润色，但独立思考与学术诚信不可替代。职职场办公创作商业文案提示词三要素：产品信息＋平台特性＋差异化要求。码基础代码辅助判断错误、提供修复代码、逐行解释，面向编程初学者。提示：这五类任务并非孤立存在，都可以套用上一页的“提出任务→设计提示词→AI生成→验证→修改”通用流程。项目2·生成式人工智能的发展与应用362.3.5学习、办公、创作场景应用完整实操·AI辅助会议纪要（课堂任务2-8）素材一段约1000字的部门会议录音转写文本（内容涉及若干议题、决策事项与责任分工）。提示词请将以下会议转写文本整理为标准会议纪要，按“决策事项”“待办事项”“风险预警”三类分别呈现，每条待办事项须标注责任人和截止时间；若转写文本中未明确责任人或时间，请标注“待确认”，不得自行编造。［粘贴会议转写文本］输出一份包含“决策事项／待办事项／责任人／截止时间／风险”的结构化表格。这条提示词综合运用了原则一（明确具体）、原则五（指定输出格式）与原则六（增加约束——不得自行编造）。核查清单（生成后须逐项检查）□是否存在原文中并未提及、由AI凭空补充的信息？□是否有遗漏的关键决策或待办事项？□责任人与截止时间是否为AI编造，而非来自原文？□发现问题后，应如何修改提示词并重新生成？【课堂任务2-8】分组完成“AI辅助会议纪要”任务，每组提交初版提示词、初版输出、核查记录、修改后的提示词与最终成果，全班交流核查中发现的典型问题。项目2·生成式人工智能的发展与应用372.3.5学习、办公、创作场景应用学术写作辅助：AI使用边界大语言模型可辅助文献梳理、论文大纲设计、语言润色等环节，但AI仅能作为辅助工具，研究者的独立思考与学术诚信不可替代。使用方式判断说明用AI解释知识点可行属于正常的辅助学习行为用AI生成学习提纲、复习计划可行有助于提高学习效率用AI润色语言表达需核实须确认润色后内容准确性未被改变用AI辅助代码调试需理解须理解每一行代码含义，不可直接照搬AI生成论文初稿后直接提交不可行缺乏独立研究与思考，涉嫌学术不端让AI虚构参考文献不可行大模型可能编造不存在的文献，属学术造假某研究生使用AI辅助撰写毕业论文，初稿格式规范、语言流畅，但导师审阅时发现部分段落表述与已发表文献相似，虽非直接抄袭，却缺乏原创性与独立思考的痕迹——AI生成内容应作为参考与灵感来源，结合自身思考完成二次创作。项目2·生成式人工智能的发展与应用382.3.5学习、办公、创作场景应用职场办公创作与基础代码辅助职场办公与商业创作商业文案提示词的核心三要素：产品信息（卖点／人群）＋平台特性＋差异化要求。【商业文案示例】你是一位有10年经验的快消品牌文案策划。请为某品牌橙汁饮料创作5条社交媒体推广文案，核心卖点为100%纯果汁、无添加，目标人群为20—35岁注重健康饮食的都市年轻人，每条文案含标题（15字内）＋正文（80—120字）＋3个热门标签，5条文案角度各异。这条提示词综合运用了角色设定（原则二）、结构化输出要求（原则五）与差异化约束（原则六）。基础代码辅助适用于编程初学者：判断代码是否存在错误、提供修复方案、逐行解释代码含义。【提示词示例】你是一名编程助教。请完成以下三件事：1.判断下方Python代码是否存在错误，若有指出错误位置和原因；2.提供修改后的正确代码；3.逐行解释修改后代码的作用，语言面向编程初学者。这是提示词工程在编程场景中的基础应用。更完整的AI辅助编程环境搭建、五步验证法与工业级实践，将在项目3“AI辅助编程实践”中系统训练。项目2·生成式人工智能的发展与应用39项目2·生成式人工智能的发展与应用2.4AI输出评价与风险防范把AI的输出当作候选结果，而非最终答案：识别幻觉、验证真实性、守住数据与隐私底线2.4.1AI幻觉识别2.4.2信息真实性验证2.4.3数据与隐私保护人工智能通识·项目2412.4.1AI幻觉识别什么是AI幻觉：一本正经的“编造”幻AI幻觉（Hallucination）大模型可能生成看似合理、实则不符合事实或原始依据的内容，这一现象通常被称为AI幻觉，例如编造不存在的文献、虚构数据、错误归因责任人等。根本原因大模型不是……一个“事实查询系统”不会像数据库那样，逐条核实每一句话是否真实存在、有据可查。大模型本质上是……一个“基于概率进行语言生成”的系统它预测的是“接下来最可能出现的词”，而不是“事实上正确的答案”。项目2·生成式人工智能的发展与应用432.4.1AI幻觉识别AI幻觉的三种常见类型献编造不存在的文献生成看似规范、实则查无此文的论文标题、作者、期刊或DOI编号，常见于学术写作辅助场景。⚑核实每一条引用是否真实存在据虚构数据在没有真实数据来源的情况下，编造具体的统计数字、百分比、案例细节，使论述显得“有理有据”。⚑核对数字是否可在原始材料中找到责错误归因责任人在整理会议纪要、事件复盘等任务中，把某项决策或行动错误地归到并未参与的人员身上。⚑核对责任人、时间等结构化信息要点：这三类幻觉的共同特征是——表述流畅、格式规范、语气自信，仅凭“读起来像不像真的”无法识别，必须逐一核实。项目2·生成式人工智能的发展与应用442.4.1AI幻觉识别识别AI幻觉的四种常用方法识别AI幻觉的常用方法包括：①核实原始来源对涉及具体数字、人名、日期、文献的内容，逐一核实原始来源，不轻信AI给出的细节。②要求标注依据要求模型在回答中标注信息依据，追问“这个结论是根据什么材料得出的”。③允许说“不确定”对不确定的内容，要求模型明确说明“不确定”，而非强行给出一个看似确定的答案。④交叉验证借助搜索引擎或其他信息渠道，对关键内容进行交叉验证，不单一依赖AI的一次性回答。实践提示：越是重要的任务（学术写作、正式公文、面向客户的资料），越应该组合运用这四种方法，而不是只用其中一种就草率下结论。项目2·生成式人工智能的发展与应用452.4.2信息真实性验证核心原则：候选结果，而非最终答案对AI生成内容的验证，应始终遵循“将AI输出视为候选结果而非最终答案”的基本原则。对于学术写作、正式公文、面向客户的资料等重要任务，建议至少完成以下三步核查：①核对关键事实与数据是否可在原始材料或权威信源中找到依据？→②核对AI擅自补充的内容是否存在原文中并未提及、由AI凭空添加的信息？→③核对结构化信息责任人、时间、数值等关键字段，是否被错误编造？与项目3的呼应：AI输出是候选结果，须经人工验证方可采信上述核查方法面向的是通用文本类AI输出。针对AI生成代码这一特定场景，由于其可运行性、安全性等维度需要更专门的核验手段，项目3“AI代码五步验证法”将结合代码场景给出更系统化的验证流程，二者共享同一核心理念。项目2·生成式人工智能的发展与应用462.4.3数据与隐私保护哪些信息，绝不能喂给公开的AI对话框在使用大模型处理工作或学习资料时，应避免将敏感数据直接输入公开的对话工具，以防止数据泄露风险。证身份证号等个人身份信息身份证号、护照号、银行卡号等唯一识别信息系联系方式手机号、家庭住址、电子邮箱等个人联系信息密企业内部机密未公开的商业计划、财务数据、核心技术资料隐他人隐私信息同事、客户、同学等第三方的个人信息，未经授权不得转述给AI涉敏场景该怎么办涉及客户信息、财务数据等敏感场景，应优先选用具备明确数据保护承诺或支持私有化部署的服务遵守数据安全与个人信息保护相关法律法规，是使用生成式AI工具的基本职业规范项目2·生成式人工智能的发展与应用472.4.3数据与隐私保护课堂任务2-9·五类敏感信息，结合专业场景举例分组讨论并列出至少5类“不应输入公开大模型对话框”的信息类型，结合本专业未来可能接触的工作场景举例说明。财经商贸类企业未公开财务报表、客户交易明细、银行账户信息电子信息类企业源代码、服务器密钥、内部系统架构文档医药卫生类患者姓名、病历、诊断结果等医疗隐私信息装备制造类未公开的工艺参数、专利技术图纸、供应链合同文化艺术类未发布的品牌设计方案、客户合同金额、肖像授权信息教育与其他同学的成绩单、家庭住址、身份证号等个人信息提示：以上仅为参考方向，各组可结合自己所在专业的真实实训、顶岗实习场景，讨论出更具体的案例。项目2·生成式人工智能的发展与应用482.4AI输出