人工智能通识教程 课件 第1讲 绪论

人工智能通识教程《人工智能》第1讲

绪论人工智能通识教程掌握人工智能的定义、发展历程及主要分类，能辨析其核心特征与差异；了解符号主义、联结主义和生成式AI的技术原理、代表性成果及局限性；了解达特茅斯会议、AlphaGo、深度学习（DeepLearning）革命等里程碑事件对AI发展的推动作用；了解技术支撑型、社会服务型和跨学科融合应用的典型场景；理解AI技术引发的伦理问题（如算法偏见、职业替代）及应对策略；了解当前AI的技术瓶颈，了解AI在通用智能、多模态交互等方向的发展潜力。章

节目标LEARNINGOBJECTIVES1.1人工智能的概念人工智能通识教程第1讲

绪论AI通识教育的重要性？2017.07《国务院关于印发新一代人工智能发展规划的通知》（国发〔2017〕35号）首部国家层面规划，提出“三步走”战略，到2030年成为世界主要AI创新中心。2024.06《四部门关于印发国家人工智能产业综合标准化体系建设指南（2024版）的通知》提出加快构建满足AI产业高质量发展和“人工智能+”赋能需求的标准体系。2025.08《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）推动AI与经济社会各行业各领域广泛深度融合。2026.05《智能体规范应用与创新发展实施意见》促进智能体规范应用与创新发展。强调安全可控、规范有序、创新驱动、应用牵引，明确智能体应用边界。这些政策共同构建了AI发展的健康生态，AI不是单纯技术热点，而是国家战略、产业升级和人才培养共同推动的通识能力。了解这些政策背景，有助于我们理解为什么今天要学习AI。1.1人工智能的概念知道AI从哪里来理解图灵测试与达特茅斯会议的历史意义说清AI是什么掌握“模拟、延伸、扩展人类智能”的定义分清AI类型区分弱AI、强AI与超级AI的能力边界建立学习地图知道本章后续将学习流派、应用与案例学习AI，先要回答三个问题：它从哪里来？它是什么？它能做到什么程度？本小节学习目标1.1.1人工智能概念的提出1.AI的思想萌芽：图灵测试（1950）提出者艾伦·图灵，英国数学家、计算机科学之父、人工智能先驱。核心思想若人类评估者无法通过对话区分机器和人，则认为机器表现出智能。历史意义图灵测试为“机器能否思考”提供了可讨论、可操作的判断框架。图灵，计算机科学之父，人工智能先驱1.1.1人工智能的发起艾伦·图灵（AlanTuring）（1912—1954年），英国数学家、计算机科学之父，人工智能先驱。他提出“图灵机”（1936年），奠定现代计算机理论基础；设计“图灵测试”（1950年），成为衡量机器智能的经典标准。二战期间破译德军密码，战后探索机器智能与学习，其思想深刻影响计算机与AI发展。图灵奖（计算机界的“诺贝尔奖”）以其命名，纪念他的开创性贡献。1.1.1人工智能的发起2.达特茅斯会议（1956年）：AI学科的正式诞生1956年，“ArtificialIntelligence”成为一个明确的研究领域。发起人约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特、克劳德·香农核心问题如何让机器模拟人类智能历史地位会议首次明确提出“人工智能”术语，标志AI学科诞生从此，AI研究从零散思想进入系统化、学科化探索。1.1.1人工智能的发起3.关键推动事件：从专家系统到深度学习革命20世纪70-80年代专家系统MYCIN、DENDRAL展示AI在特定领域的实用价值2012AlexNetImageNet夺冠，深度学习在视觉识别中取得突破2016AlphaGo击败李世石，证明AI可处理复杂策略决策1.1.2人工智能的定义什么是人工智能？人工智能（ArtificialIntelligence,AI）是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门学科。感知看见、听见、识别环境学习从数据中总结规律推理进行逻辑判断与因果分析决策选择行动、优化目标创造生成文本、图像、方案通俗理解：让机器完成通常需要人类智慧才能完成的任务。AI能做什么：从任务到系统视觉识别人脸识别、医学影像、缺陷检测语言理解机器翻译、智能问答、文本摘要逻辑推理规则推理、知识图谱、复杂推理自主决策自动驾驶、机器人控制、调度优化注意：不同任务需要不同技术组合，不能把所有AI能力简单等同于“大模型”。1.1.2人工智能的定义1.1.2人工智能的定义（一）：弱人工智能别名专用型人工智能（NarrowAI）核心特征聚焦特定任务，像“单任务专家”，跨领域能力有限。典型应用语音助手、人脸识别、自动驾驶、推荐算法、医学影像识别。目前我们日常接触到的AI，基本都属于弱人工智能。优势：在特定任务中效率高、准确率高，已经广泛产业化。局限：缺乏真正理解、常识推理和跨领域迁移能力。1.1.2人工智能的定义1.1.2人工智能的定义（二）：强人工智能强人工智能（AGI）=具备与人类相当的通用智能。跨领域迁移不用为每个新任务重新编程，能把一个领域的经验迁移到另一个领域。自主学习与适应面对未知环境能够主动探索、学习、修正策略。常识与因果推理不仅会统计相关性，还能理解原因、目的和约束。现状：尚未实现，是人工智能研究的重要远景目标。1.1.2人工智能的定义（三）：超级人工智能能力设想在科学研究、创造力、决策能力等方面全面超越人类。当前状态仍属于理论假设或科幻范畴，尚无现实系统达到这一水平。核心挑战伦理安全、价值对齐、可控性、责任归属、资源控制。教学意义理解超级AI有助于提前思考技术治理与人类价值边界。1.1.2人工智能的定义分类特征

智能水平自主性技术实现典型挑战弱人工智能单任务专家依赖预设规则与数据已广泛应用，如GPT-4、AlphaFold等数据偏见、可解释性不足强人工智能跨领域通才自主决策与适应理论探索阶段，如DeepMind的Gato模型常识建模、因果推理超级人工智能超越人类的全知实体完全自主进化纯理论假设伦理安全、价值对齐表1-1

人工智能的分类1.2人工智能的发展与流派人工智能通识教程第1章

绪论1.2人工智能的发展与流派知道AI的发展历程了解符号主义、联结主义、生成式AI三大流派的演进历程说清AI流派之分掌握各流派的核心思想、代表技术与根本差异理解AI方法的优劣辨析符号主义（规则驱动）与联结主义（数据驱动）的适用场景与局限认识技术前沿认识生成式AI的最新发展（DeepSeek等）及其行业影响理解AI的发展，先要回答三个问题：它走过哪些路？每种路怎么走？哪条路通向未来？本小节学习目标1.2人工智能的发展与流派AI发展的三大流派：从符号到生成1.符号主义1950s—1980s逻辑推理+知识规则2.联结主义1980s—2010s神经网络+数据学习3.生成式AI2010s至今内容创造+多模态生成三大流派不是简单替代关系，而是从不同角度逼近“智能”。1.2人工智能的发展与流派1.符号主义：规则驱动的智能核心观点智能可以通过符号表示和逻辑推理来实现。人类思维被理解为符号操作。方法类比像把专家经验写成“如果……那么……”的规则，再让计算机按规则推理。知识表示：用符号、逻辑规则描述世界。逻辑推理：基于规则进行演绎推理。专家系统：将专家知识编码成规则库。关键词：规则、逻辑、知识库、可解释。ELIZA早期对话程序，通过模式匹配模拟人类交流。MYCIN医疗诊断专家系统，展示AI在专业领域的实用潜力。DENDRAL化学分析系统，用规则推理辅助分子结构分析。代表性成果主要技术1.2人工智能的发展与流派2.连接主义（1980s-2010s）：数据驱动的智能核心观点智能来自大量简单神经元之间的连接与信息传递。与符号主义的区别不再主要依赖人工规则，而是让机器从数据中自动学习规律。人工神经网络输入层、隐藏层、输出层共同完成特征变换。反向传播算法根据预测误差反向调整权重，解决多层网络训练问题。深度学习堆叠多个隐藏层，自动提取多层次特征。主要技术代表性成果：LeNet-5手写数字识别、AlexNet图像分类、AlphaGo局限性：可解释性差、需要大量标注数据、依赖高性能GPU1.2人工智能的发展与流派结构说明左侧输入层接收数据；中间隐藏层提取特征；右侧输出层给出预测结果。每条连接都有权重，训练过程就是调整这些权重。学习过程输入样本→前向计算→计算误差→反向传播→更新权重。反复迭代后，模型逐渐学会数据中的规律。2连接主义（1980s-2010s）：数据驱动的智能三层神经网络1.2人工智能的发展与流派连接主义发展的重要节点1943｜M-P模型首个神经元数学模型，奠定神经网络理论基础。1986｜反向传播Rumelhart、Hinton等推动多层神经网络训练。1998｜LeNet-5CNN用于手写数字识别。2012｜AlexNetImageNet夺冠，深度学习热潮兴起。1.2人工智能的发展与流派AlexNet与深度学习革命2012ImageNet突破AlexNet在大规模图像识别竞赛中显著提升准确率，证明深度卷积神经网络的优越性。局限仍在深度学习模型可解释性差，需要大量标注数据，并依赖高性能计算资源。GeoffreyHinton（深度学习之父，2018图灵奖，2024诺贝尔物理学奖）IlyaSutskever（OpenAI联合创始人及前首席科学家）AlexKrizhevsky（CIFAR-10/100数据集创建者）1.2人工智能的发展与流派3.生成式AI：从模仿到创造09生成式AI的目标：学习数据规律，创造符合规律的新内容。观察学习海量文本、图像、音频中的模式模仿形成对语言、风格和结构的统计理解创造根据输入条件生成新文本、图像或方案主要技术：生成对抗网络（GAN）

：生成器与判别器对抗训练Transformer：自注意力机制，捕捉长距离依赖扩散模型：逐步去噪生成高质量图像1.2人工智能的发展与流派生成式AI关键技术（一）：GAN10生成器负责制造“假”数据，目标是让输出越来越逼真。判别器负责判断数据是真实样本还是生成样本。对抗训练类比：培养一位画家和一位鉴赏家，在互相较量中共同提升。1.2人工智能的发展与流派生成式AI关键技术（二）：Transformer自注意力机制让模型在处理文本时动态关注输入序列中的关键信息。解决长序列问题相比传统RNN，Transformer更擅长捕捉长距离依赖，训练并行度更高。类比：AI阅读文章时，能自动“划重点”。机器翻译：Transformer最初在翻译任务中取得突破。大语言模型：GPT系列等模型以Transformer为重要基础。多模态扩展：文本、图像、语音等模态都可借鉴注意力机制。1.2人工智能的发展与流派生成式AI关键技术（三）：扩散模型加噪把清晰图像逐步加噪，学习噪声过程去噪从随机噪声开始逐步恢复结构生成得到高质量、可控性较强的图像类比：雕刻家从粗糙材料中逐渐“释放”出作品。1.2人工智能的发展与流派生成式AI的关键时间节点（2014—2025）2014：IanGoodfellow提出GAN（被会议拒稿后成为经典）2017：Google发布Transformer论文2019：OpenAI发布GPT-2（因担心滥用暂缓完整发布）2021：DALL·E实现“文字生成图像”2022：StableDiffusion开源，DeepSeek崭露头角2023：ChatGPT用户破亿2024—2025：DeepSeek系列模型（R1等）性能比肩OpenAIo11.2人工智能的发展与流派生成式AI前沿：DeepSeek开源策略：降低算力门槛，推动“AI平权”模型创新：DeepSeek-R1（强化学习+冷启动）性能接近OpenAIo1，

训练成本更低市场表现：2025年初流量份额6.58%，全球第三行业影响：推动金融、医疗等行业快速落地1.2人工智能的发展与流派三大流派对比：方法、优势与局限14维度符号主义连接主义生成式AI核心思想智能=符号操作+逻辑推理智能=神经网络+数据学习智能=学习分布并生成内容代表技术专家系统、知识表示神经网络、深度学习GAN、Transformer、扩散模型优势可解释、推理清晰泛化强、适应数据创造力强、多模态输出局限规则编写成本高可解释性差、依赖数据版权、真实性、伦理风险1.2人工智能的发展与流派符号主义：规则驱动，专家系统为代表连接主义：数据驱动，神经网络与深度学习为代表生成式AI：创造驱动，GAN、Transformer、扩散模型为代表关键启示：三种范式从不同角度逼近智能小

结1.2人工智能的发展与流派符号主义和连接主义，你觉得哪种更适合用于法律判决辅助系统？为什么？生成式AI可能带来哪些版权和伦理问题？互动思考1.2人工智能的发展与流派流派演进对AI发展的启示从“规则”到“学习”再到“创造”方法论演进：人工设计规则→数据驱动学习→数据驱动创造计算范式转变：符号逻辑→统计学习→生成模型实践价值：三大流派的技术成果现在综合运用于AI系统1.3主要应用领域人工智能通识教程第1讲

绪论1.3主要应用领域AI应用场景全景：从后台支撑到民生服务技术支撑型工业制造｜金融科技｜智慧交通以效率与自动化为核心社会服务型医疗健康｜教育｜艺术创作以人的需求与体验为核心跨学科融合农业环保｜脑机接口｜法律AI以跨领域创新为核心理解应用类型，有助于判断AI系统解决的到底是什么问题。1.3.1技术支撑型应用技术支撑型应用：看不见的智能底座核心特征不一定直接面对终端用户，而是作为技术后台支撑产品和服务智能化升级。价值目标提升系统效率、优化技术指标、实现自动化运行与智能决策。典型场景：工业制造、金融科技、智慧城市。共性要求：多源数据采集、高精度预测、快速决策响应。评价指标：效率、准确性、稳定性、成本控制。工业制造：智能机器人与预测性维护智能机器人融合计算机视觉、力觉传感和运动规划，完成精密装配、柔性抓取等高难度操作。AI视觉检测汽车制造中的焊接机器人可实时检测焊缝质量，定位精度可达0.1mm级。预测性维护采集振动、温度、电流等数据，提前预测设备故障，减少非计划停机。产业价值从“事后维修”转向“事前预防”，提高生产可靠性并降低成本。1.3.1技术支撑型应用1.3.1技术支撑型应用金融科技：毫秒级决策与复杂风控算法交易高频交易算法分析市场微观结构，在毫秒级时间内完成买卖决策。智能风控图神经网络分析交易网络中的资金流向与关联关系，识别复杂欺诈模式。金融AI的核心价值：在海量数据中快速发现模式、风险和机会。1.3.1技术支撑型应用智慧交通：城市运行的智能调度多源数据融合摄像头、地磁传感器、浮动车GPS等数据共同反映交通状态。实时交通推演AI模型预测拥堵变化趋势，动态调整信号灯配时方案。典型效果新加坡“智慧交通大脑”案例显示，全域路网通行效率显著提升。关键挑战需要低延迟计算、可靠传感器、城市级数据治理与隐私保护。1.3.1技术支撑型应用技术支撑型应用的发展趋势云边端协同云端负责大规模训练，边缘设备负责低延迟推理。模型轻量化知识蒸馏、剪枝、量化等技术降低资源消耗。持续学习能力系统利用运行数据不断进行模型优化。趋势方向：更高效、更可靠、更接近实际现场。1.3.2社会服务型应用社会服务型应用：科技以人为本08核心特征直接面向人的需求，强调人机协同和服务体验优化。社会价值提升公共服务效率，促进教育公平、医疗普惠和文化创新。典型场景：医疗健康、教育创新、艺术创作。核心评价：可获得性、体验、包容性、公平性。风险提醒：避免算法偏见和数字鸿沟。1.3.2社会服务型应用医疗健康：让优质服务更可及医学影像辅助诊断深度学习模型在CT、MRI等影像中标记可疑病灶，提升医生诊断效率。慢性病管理可穿戴设备结合AI健康助手，持续监测生理指标，提供用药与生活方式建议。社会意义缓解医疗资源紧张，让偏远地区居民也有机会获得智能辅助服务。现实约束医疗数据隐私、模型可靠性、医生责任边界和设备条件都必须考虑。1.3.2社会服务型应用教育创新：个性化学习与教育公平智能教学系统分析学习行为数据，构建个性化知识图谱，动态调整教学内容和难度。情感计算通过表情、语音和行为数据评估专注度与理解程度，辅助教师调整策略。特殊教育AI语音交互帮助语言障碍儿童，计算机视觉帮助视障学生“阅读”文字。教育价值把“同一进度”变成“因材施教”，但必须保护学生数据与学习自主性。1.3.2社会服务型应用艺术创作：AI作为创意伙伴视觉创作DALL·E、StableDiffusion等工具可根据文字描述生成图像。音乐创作AI可分析音乐风格，协助作曲家完成配器与编曲。核心理念AI不是简单替代创作者，而是拓展灵感来源和表达方式。伦理议题训练数据版权、作品归属、风格模仿与创作者权益需要讨论。1.3.3跨学科融合应用跨学科融合应用：AI作为通用使能技术创新主体多元需要计算机科学家与农业、医学、法学、神经科学等领域专家共同协作。技术方案集成常常组合计算机视觉、NLP、知识图谱、强化学习等多种技术。应用场景开拓解决复杂系统性问题，甚至催生新的研究领域和产业形态。AI的前沿价值，往往出现在“AI+学科”的交叉点。1.3.3跨学科融合应用脑机接口：AI与神经科学的融合技术原理深度学习算法解码脑电或神经信号，识别用户意图。突破应用意念控制机械臂、智能轮椅、意念打字等帮助运动障碍患者恢复沟通与行动能力。未来挑战信号精度、植入风险、意识隐私、伦理边界与公平可及性。1.3.3跨学科融合应用精准农业、环保监测与法律AI精准农业AI分析卫星影像识别病虫害区域，结合气象与土壤数据优化灌溉施肥。环保监测声纹识别追踪濒危动物，计算机视觉识别海洋塑料垃圾分布。法律AINLP分析判例文书，知识图谱辅助合同风险识别。共同特点跨学科团队+多技术集成+面向复杂现实问题的系统性解决方案。1.3.3跨学科融合应用跨学科融合应用的特点与趋势创新主体多元化：需要组建跨领域研究团队技术方案集成化：往往需要组合多种AI技术应用场景开拓性：常常创造全新的市场需求技术支撑型：效率优先，工业、金融、交通社会服务型：人文关怀，医疗、教育、艺术跨学科融合：创新驱动，脑机接口、精准农业、法律AI未来趋势：三类应用相互渗透，边界日益模糊小结:1.3.3跨学科融合应用如果让你用AI解决一个校园里的实际问题（如图书馆占座、食堂排队），你会如何结合两个以上学科的知识？脑机接口如果未来可以“上传知识”，你认为教育会发生什么变化？这会带来哪些公平性问题？精准农业中AI可以大幅提高产量，但小农户可能买不起设备。你认为政府或企业应该怎么做？互动思考1.3.3跨学科融合应用注：跨学科融合不仅是技术的叠加，更是思维方式的重构。没有标准答案，但每个思考都在推动AI向善。1.4AlphaGo案例分析与伦理思辨人工智能通识教程第1讲

绪论1.4案例分析：AlphaGo概述AlphaGo：AI的“登月时刻”02事件回顾2016年3月，GoogleDeepMind研发的AlphaGo以4:1战胜围棋世界冠军李世石。历史意义首个在无让子条件下击败职业九段选手的AI系统，标志AI在复杂策略领域的重大突破。为什么震撼围棋局面复杂度极高，曾被认为是“人类智慧的最后堡垒”。1.4案例分析：AlphaGo概述AlphaGo的核心技术深度神经网络用于评估棋局、预测落子策略，从大量棋谱与自我对弈中学习。蒙特卡洛树搜索（MCTS）在可能落子空间中进行高效搜索，选择更有胜率的行动。价值：把“学习”与“搜索”结合，形成复杂决策问题的新范式。1.4案例分析：AlphaGo概述从AlphaGo到AlphaZero：技术演进AlphaGoMaster2017年以60:0横扫中日韩顶尖棋手，并战胜柯洁。AlphaZero通过自我博弈学习围棋、国际象棋和将棋，减少对人类棋谱依赖。AlphaFold将相关AI能力扩展到蛋白质结构预测，推动生命科学研究。技术突破的真正价值，在于能迁移到更多复杂问题中。1.4案例分析：AlphaGo概述产业反应：科技巨头加速布局国际巨头DeepMind继续推进AlphaZero、AlphaFold等研究，微软、IBM等加速企业级AI平台商业化。国内企业腾讯、百度、阿里巴巴等加强AI实验室建设，推动自动驾驶、NLP、计算机视觉等方向。战略意义AI从“单点技术竞赛”变成企业研发、平台能力和产业生态的长期竞争。1.4案例分析：AlphaGo概述社会影响：职业替代与伦理讨论07职业替代焦虑围棋棋手开始研究