项目2人工智能基础

人工智能基础项目二IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图01项目概述人工智能典型应用场景–指纹识别与手写输入事先反复录入，保存特征使用简单，即刻识别检测目标：个人身份事先无需录入直接使用，即刻识别检测目标：手写内容人工智能系统需要处理的数据对象千差万别，其技术是否也是千变万化、难以捉摸呢？恰恰相反，人工智能的工作原理、数据的处理流程和处理目标都有极高的相似性。一般来说，人工智能技术能够通过对已有数据进行学习，从而习得数据之中的模式和规律，之后能够对新的数据进行预测、判别、归类和推荐等。人工智能的处理对象–数据与模式02思维导图思维导图03思政聚焦我国在2017年以“国家战略”的形式颁布了人工智能发展总体框架《新一代人工智能发展规划》，并随之推出了一系列政策推进人工智能关键核心技术和产业发展。美国、德国、法国等西方传统强国和日本也都制定了国家层次的人工智能发展战略。人工智能已经进入国家的战略层次，对推动国家经济高质量发展、保障国家安全都具有十分重要的意义。人工智能技术进入国家战略层次人工智能技术进入国家战略层次，核心政策加速推出关键核心技术必须牢牢掌握在我们自己手中我们必须居安思危。与美国相比，我国在人工智能领域的关键核心技术仍有一定距离，尤其在人工智能基础技术领域的差距更为明显。作为国之重器，关键核心技术是我国创新能力体现和结晶，是我国科技发展、实现科技强国、国家伟大复兴的重要保障，“关键核心技术必须牢牢掌握在我们自己手中”。人工智能基础层算力、芯片、底层框架是产业核心底座。当前我国AI应用层发展活跃，但基础层仍存“卡脖子”短板。无数科研工作者深耕底层、攻坚突破，产出一批核心成果。新时代高职学子当脚踏实地打牢基础，深耕专业、科技报国，以青春匠心助力智能科技自主可控。以工匠精神筑牢AI自主创新之基04项目相关知识2.1AI基础知识1、智能的具体表现人的五官和肢体表面的各种传感器代表了人的感知能力，是人类接收外界信号方式和渠道，没有了感知就像闭关锁国的清朝；人的大脑代表了智力，表示人类认识、理解客观事物并运用知识、经验等解决问题的能力，是人工智能的最核心技术；人的心脏和四肢代表了体力，这是人类各项能力的基础，支撑着人身体的运动，是人影响外界的主要途径。人工智能在“感知能力”“智力”和“体力”三个领域发展迅速，在部分领域甚至已经远超人类，这种趋势在将来将会愈演愈烈。2、人工智能的三种形态

根据智能水平的高低，产业界将人工智能分为三种形态：弱人工智能、强人工智能和超人工智能。2.1AI基础知识人类智能水平2.1AI基础知识3、AI技术四要素，一个都不能少4、AI技术体系：基础很重要2.1AI基础知识人工智能以知识为研究中心，涉及到知识的获取、表示、处理、分析和使用五个主要环节。人工智能中的“智能”体现在上述每一个环节，要求AI具备五个方面的智能：知识表示、机器感知、机器思维、机器学习与机器行为。2.2AI的主要表现形式1、知识表示

知识经过一定的表示，才能把知识存储到计算机中，供求解问题使用。知识表示方法可分为两大类：-符号表示法-连接机制表示法。2.2AI的主要表现形式2、机器感知，让认识和感知世界，计算机具有类似于人的感知能力，从而模拟、延伸和扩展人从外界获取信息的能力，如视觉、音频（即听觉）、语音、自然语言等。目前已经形成了两个专门的机器感知研究领域：模式识别、自然语言理解。2.2AI的主要表现形式3、机器思维：让机器可以自动推理与搜索机器思维是指对通过感知得来的外部信息以及机器内部生产的各种工作信息进行有目的的处理，是人工智能研究中最重要也是最为关键的研究内容。机器思维使得计算机能够模拟人类的思维活动，既可以进行逻辑思维，又可以进行形象思维。2.2AI的主要表现形式4、机器学习：自主学习、自我完善的能力。机器学习是指在一定的知识表示框架下获取新知识的过程，主要研究如何使计算机具有类似于人的学习能力，从而使AI能够像人一样通过学习自动地获取知识，并在实践中不断地完善和提高自我。常见方法有回归分析、分类、推荐、计划、优化和模式识别2.2AI的主要表现形式5、机器行为：影响世界的能力机器行为主要是指计算机的表达能力，包括说、写、画等能力。对于智能机器人来说，它还应具有人的四肢功能，即能走路、能取物、能操作等。2.2AI的主要表现形式AI应用场景极其广泛，小到智能灯、刷脸、空调温度自动调控，大到无人驾驶、载人航天、马斯克的火箭自动回收等。每个应用场景都涉及三个基本问题：-做什么、-学什么、-怎么学。2.3AI的典型任务1、回归（Regression）是一种针对数值型连续数据进行预测和建模的有监督学习算法。回归任务的特点是需要标注的数据集，任务输入数据是连续性数据，任务目标也是连续型数值。也就是说，每一个观察样本都有一个数值型的标注真值。典型的回归算法有线性回归、多项式回归、逻辑回归、Ridge回归、Lasso回归等。2.3AI的典型任务2、分类（Classification）就是给数据贴标签的过程，要求尽肯能为不同类别数据贴上正确的类别标签。分类任务的目标就是让机器通过经验学习从而具有正确贴标签的能力。从数学角度来看，分类是一种对离散型随机变量建模或进行预测的一种有监督学习算法。与回归算法不同的是，分类算法通常适用于预测一个类别（或类别的概率）而不是连续的数值。2.3AI的典型任务3聚类（Clustering）就是给相似的或相近的数据划分到同一类别，把不相似或者不相近的数据划分到不同类别，聚类一般不需要预先给数据打标签。从技术上来讲，聚类是一种无监督学习任务，该算法基于数据的内部结构寻找观察样本的自然族群（即集群）。聚类常被用作分类算法的数据预处理步骤，用于处理缺少标签的数据。通过聚类分析，可以获得数据分布的基本概况，从而有助于提高分类算法的效率有效性。2.3AI的典型任务2.4AI基础技术当前主流的人工智能技术：

-基于统计的机器学习（MachineLearning，简称ML）-人工神经网络（ArtificialNeutralNetwork，简称ANN）-深度学习（DeepLearning，简称DL）-强化学习（ReinforcementLearning，简称RL）。在实际应用中，机器学习可以理解为一种数据科学技术，通过算法帮助计算机从现有的数据中学习、获得规则，从而预测未来的行为、结果和趋势（图2-13）。机器学习的特点是只能解决存在过的能够提供经验数据的场景、而不能解决未遇见过的问题或场景，所以属于弱人工智能范畴。1、机器学习是人工智能的核心技术和实现手段。简单来说，机器学习就是让计算机具有学习的能力，从而使得计算机能够模拟人的行为。2.4AI基础技术机器学习的基本原理：机器学习一般包括三个步骤：一是收集历史数据，二是通过算法学习获得分布模式，三是应用模型处理新数据从而预测未来。其中，步骤二是机器学习研究的重点，学习的过程就是根据数据确定模型参数的过程。因此，机器“学习”的过程可以简化为寻找一个函数的过程，学习的结果也就是一个确定了参数的数学函数。2.4AI基础技术机器学习算法分类分类

算法任务目标学习方式分类聚类回归降维有监督无监督半监督强化学习回归算法√

√

√

K近邻（KNN）√

√

k-Means

√

√

决策树√

√

√

贝叶斯方法√

√

√

核方法:SVM/RBF/LDA√

√

√

期望最大化（EM）√

√

√√

神经网络√√

√√

深度学习√√

√√

主成份分析（PCA）

√

√

图论推理算法√

√

√

拉普拉斯SVM√

√

√

Q-Learning√√√

√时间差学习√√√

√机器学习算法众多，不同视角有不同的分类方式，这里主要介绍学习任务和学习方式两种视角。-根据学习任务的不同，可以把人工智能算法分为分类、聚类、回归以及降维四种类别。降维是数据预处理的一种方法，其作用是降低计算量，服务于回归、聚类和分类三种任务。-根据学习方式的不同，机器学习算法可以分为有监督学习、无监督学习、半监督学习和强化学习。2、人工神经网络（ArtificialNeutralNetwork,ANN）人工神经网络是一种模拟生物神经系统结构和功能的计算网络，因而生物神经网络是人工神经网络的技术原型。人类大脑皮层由大约140亿个生物神经元（简称神经元）组成，每个神经元又与大约103个其它神经元相连接，形成一个高度复杂又高度灵活的不断变化的动态网络。2.4AI基础技术生物神经元神经元以细胞核为中心，细胞核外有树突与轴突，树突接收其他神经元的脉冲信号，而轴突将神经元的输出脉冲传递给其他神经元，一个神经元传递给不同神经元的输出是相同的。神经元有两种状态：非激活和激活，非激活状态的神经元不输出电脉冲，而激活状态的神经元会输出电脉冲。神经元的激活与否由其接收的所有脉冲信号决定。一个神经元可以描述为一个处理电脉冲信号的非线性单元，该单元能够接受来自多个其他神经元的电脉冲，对接收到的电信号进行一定的处理，能够决定是否发射电脉冲信号。1943年，神经科学家麦卡洛克和数学家皮兹联手，根据生物神经元细胞的结构和工作原理，构造并提出了神经网络的数学模型MCP（McCulloch-Pitt：MCP），从而形成了“模拟大脑”、开启了人工神经网络（一般简称神经网络）的大门。人工神经元（又称感知器）结构如图2-17所示，其工作过程分为三个数学过程：对输入信号进行线性加权，加权后求和，以及采用一定阈值实现输出信号的激活。由于输出信号采用了阈值激活函数，人工神经元实现了非线性信号处理。人工神经元神经网络的拓扑结构与学习过程典型的神经网络由一个输入层、至少一个隐含层和一个输出层组成（图2-18），每层网络由多个神经元构成，层与层之间一般采用全连接，神经元之间的连接强度ω表示神经元之间联系的紧密程度。神经网络的模型众多，不同模型具有不同的网络结构，形成了不同的神经网络算法。值得注意的是，深度学习网络（如DBN、DCN、GAN、DRN等）也属于神经网络。与非深度神经网络相比，深度学习网络框架的层数往往较多、计算量巨大。神经网络技术发展历程3、深度学习（DeepLearning,DL）是机器学习中的一个研究分支，是神经元层数较多的神经网络，因此深度学习网络也被称为深度神经网络。大家耳熟能详的深度学习网络有很多，比如卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），深度强化学习（DRL）等。一般来说，其隐藏层的层数依具体问题可以是几层、几十层、几百层甚至数千层。2.4AI基础技术4、强化学习（ReinforcementLearning,RL）是机器学习领域的一个分支，强调如何基于环境而行动，以取得最大化的预期利益。可以认为强化学习是一套通用的学习框架，可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法，在无人驾驶、工业自动化、金融贸易、自然语言处理、以及游戏等领域具有广泛的应用。强化学习的学习方式是在获得样例过程中进行探索性学习（图2-21），在获得样例之后根据环境反馈的奖赏和状态更新自己的模型，利用更新后的模型来指导下一步的行动，下一步的行动获得奖赏反馈之后再更新模型，不断迭代重复直到模型收敛。强化学习的典型应用有AlphaGoZero、基于RL的医疗保健动态治疗方案（DTRs）、京东和阿里的产品推荐和广告出价、新闻推荐等。2.4AI基础技术5、大语言模型（LargeLanguageModel，LLM）技术是建立在深度学习基础上，参数量规模庞大、泛化适配能力极强的人工智能基础架构，是人工智能领域通用智能的核心底座，它突破了传统AI仅能适配单一特定场景的局限，推动人工智能完成了从“专用工具”到“通用底座”的跨越，现已成为全球人工智能技术创新竞争的核心赛道。数据规模：覆盖海量互联网文本，支撑NLP任务落地。技术架构：Transformer自注意力机制，解决长序列依赖。应用模式：预训练+微调，小样本快速适配垂直场景。2.4AI基础技术1、人工智能产业链国际一流发展迅速有待加强2.5人工智能的应用领域2.5人工智能的应用领域

2、计算机视觉（ComputerVision，CV）：CV也就是计算机视觉，让机器“看得见、看得懂”，能够完成图像识别、检测等多种复杂任务，是人工智能主要应用领域之一。经过多年技术深耕，我国在机器视觉方面处于世界领先地位。3、生物信息识别（BiometricIdentification，BioD）：识别融合AI与生物科技，基于人体生理行为特征鉴别身份与健康状态，这类AI生物识别技术正广泛落地于智慧安防、医疗健康监测等多个贴近生活的场景。2.5人工智能的应用领域

5、智能语音：这项技术主要为机器人加上耳朵和嘴巴，让机器人能够“听得懂”人类语言、并且“说得好听”，是人工智能在语音交互领域的典型应用。4、自然语言处理（NaturalLanguageProcessing,NLP）：作为自然语言处理的简称，NLP被用于分析、理解和生成自然语言，以方便人和计算机设备进行交流、以及人与人之间的交流，目前已被应用在智能翻译、智能客服、情感分析等多个场景中。6、无人驾驶（AutonomousDriving，AD）：通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶车辆、船舶、飞机等各种运输设备。7、数据挖掘（DataMining），整理分析海量数据，找出潜在联系，提供支撑，提取辅助决策的信息、知识、规律和模式。2.5人工智能的应用领域

8、具身智能（EmbodimentIntellegence，EI）：具身智能通过赋予AI物理实体，依托环境感知、决策规划、强化学习与多模态融合，实现与物理世界交互，已覆盖出行、家用、餐饮、工业等场景。2.5人工智能的应用领域

“科学技术都是一把双刃剑”。伴随着人工智能技术的成熟和广泛应用，人与机器之间的矛盾凸显，人工智能的伦理问题引起了社会和各行各业的日益关注。人类对待AI出现了不同的观点，在科幻电影甚至传统媒体中均有体现。2.6人工智能伦理（EthicsofAI）AI在军事上的应用军用智能机器的性能和杀伤力远超人类士兵，无疑引起了人类对未来的担忧、以及对自主武器的争论，目前争论的核心是“自主武器该不该被使用”。2.6人工智能伦理（EthicsofAI）-大模型引发的伦理问题2.6人工智能伦理（EthicsofAI）核心提示：大模型技术快速迭代的同时，需筑牢风险防控底线，推动技术健康有序发展🔒数据泄露风险⚖️内容偏见风险预训练海量公开数据在收集、存储、使用环节易泄露，大模型数据规模大、复杂度高，一旦泄露将严重侵犯隐私，甚至被用于精准诈骗等恶意用途，影响范围广、危害程度深风险源于数据来源偏差与算法机制缺陷，部分大模型生成内容在种族、性别等维度存在偏见，违背公平公正原则，易对社会和谐发展造成负面影响📌

虚假信息风险©️版权归属风险大模型基于数据概率分布生成内容，无法精准区分真实与虚假信息，可能生成不符合事实的内容，造成信息误导大模型生成的文本、图像等作品版权归属存在争议，人机责任界定模糊，目前法律与商业实践中已出现多起相关纠纷案例-AI伦理问题的解决方法阿西莫夫三定律：（1）机器人不得伤害人类，或因不作为使人类受到伤害。（2）除非违背第一定律，机器人必须服从人类的命令。（3）除非违背第一及第二定律，机器人必须保护自己。阿西莫夫第零定律：（0）机器人不得伤害人类整体，或因不作为使人类整体受到伤害。2.6人工智能伦理（EthicsofAI）人工智能的伦理问题仍需人类的统一意见和行动