人工智能通识教程 课件 第3讲 人工智能工具与生态

人工智能通识教程《人工智能》第3讲

人工智能工具与生态人工智能通识教程掌握人工智能工具的分类与功能；理解AI工具的核心技术原理；熟悉通用AI工具的实际应用；掌握专业领域AI工具的使用方法；掌握跨平台内容生成与管理工具。章

节目标LEARNINGOBJECTIVES3.1相关技术基础人工智能通识教程第3讲

人工智能工具与生态3.1相关技术基础技术演进路径——AI工具的“底层逻辑”AI工具之所以能够实现强大的功能，其核心在于一套完整的方法论与实现手段。从最初的基础范式，到架构的根本性革新，这条演进路径完整揭示了现代AI系统“为什么能工作”的底层逻辑。阶段一：机器学习·智能启蒙核心是让计算机摆脱人工编写的静态规则，通过算法从海量数据中自动归纳规律。这是AI能力的起点，标志着开发范式从“人工编写规则”转向“数据驱动学习”。关键突破：将传统的“显式编程”转变为“数据驱动”，让AI首次具备了处理图像分类、简单语言识别等非结构化任务的基础能力。阶段二：深度学习·特征飞跃模拟人脑的层级结构，利用多层神经网络自动从原始数据中提取底层像素到高层语义的抽象特征。这是AI感知能力的质变，让系统能理解更复杂的现实世界信息。架构革新：CNN攻克图像空间特征，RNN掌握序列时序特征，解决了复杂感知任务中“特征工程”的巨大人工成本，推动了语音助手与图像识别的普及。阶段三：Transformer·通用引擎引入革命性的“自注意力机制”，打破序列处理瓶颈，实现长距离依赖捕捉与并行化建模。这不仅是算法升级，更是通用人工智能的技术底座。时代里程碑：催生了ChatGPT、文心一言等大模型，让AI具备了生成、推理与理解的通用能力，彻底重塑了人机交互与各行各业的智能化进程。演进脉络：基础范式➔能力深化➔架构革命从“数据驱动学习”到“特征自动提取”，再到“并行化全局建模”，每一步都是对智能边界的突破。底层逻辑：从专用到通用的必然之路这条技术路径解释了AI为何能从单一任务走向通用智能，也为我们理解未来大模型技术的持续演进提供了清晰的认知框架。3.1.1机器学习定义机器学习使计算机能模拟人的学习行为，通过算法让计算机系统能够从数据中自动学习和改进，而无需显式编程。本质通过构建数学模型，发现数据中的潜在规律和模式，从而对未知数据进行预测或决策。输入数据→训练模型→发现规律→预测/决策通俗理解不是告诉机器“每一步怎么做”，而是让机器在大量样本中总结“什么情况通常对应什么结果”。机器学习分类：监督学习与无监督学习3.1.1机器学习特征监督学习无监督学习数据要求需要标注数据无需标注数据主要目标建立输入-输出映射关系发现数据内在结构典型算法决策树、SVM、神经网络K-means、PCA、自编码器评估方式准确率、召回率等明确指标依赖领域知识和解释性3.1.1机器学习1监督学习1分类任务输入邮件内容，输出“垃圾邮件”或“正常邮件”；输入图像，输出人物身份。2回归任务输入房屋面积、位置、楼层等特征，预测具体房价数值。3语言模型预训练利用“上文→下一个词”的大规模文本关系，学习语言生成规律。4工业质检输入产品图像，输出“合格/缺陷”判断，提高检测效率。关键词：标注数据、输入—输出映射、分类、回归、可量化指标。监督学习的核心思想是利用已标注的训练数据（即输入-输出对应关系）构建预测模型。3.1.1机器学习1监督学习1分类任务输入邮件内容，输出“垃圾邮件”或“正常邮件”；输入图像，输出猫和狗的预测数据。2回归任务输入房屋面积、位置、楼层等特征，预测具体房价数值。监督学习的核心思想是利用已标注的训练数据（即输入-输出对应关系）构建预测模型。3.1.1机器学习2无监督学习无监督学习的核心思想是从未标注数据中发现隐藏结构和模式。与监督学习不同，无监督学习不依赖于人工标注的训练样本，而是直接从原始数据自身的内在特征出发，通过模型自动挖掘数据内在的关联性和特征结构。聚类Clustering按照相似性把用户或样本自动分组，如电商用户画像和客户分层。降维Reduction在保留关键信息的同时减少变量维度，便于可视化、去噪和特征抽取。异常检测Anomaly发现明显偏离正常模式的数据，如信用卡欺诈交易和设备异常。3.1.1机器学习混合策略示例：电商推荐系统无监督聚类

划分用户群→有监督训练

预测购买/评分→个性化推荐

动态优化3.1.2深度学习深度学习是机器学习领域的一个重要分支，它的本质是利用多层神经网络从数据中自动学习层次化特征表示。深度学习通过多层结构自主抽象和提取数据的深层特征，从而在复杂任务上实现了显著的性能提升。“深度”的含义网络包含多个隐藏层，每一层将上一层的表示进一步抽象，从低级特征逐步形成高级语义。3.1.2深度学习深度学习的典型模型结构CNN卷积神经网络擅长图像识别、目标检测、医学影像分析RNN/LSTM循环网络曾广泛用于语音、文本和时间序列处理GAN生成对抗网络通过生成器与判别器对抗，生成图像或数据Transformer注意力架构当前大语言模型和多模态模型的重要基础深度学习不是一种单一模型，而是一组以神经网络为核心的模型族。3.1.2深度学习深度学习的重要影响：2024年诺贝尔物理学奖•2024年，美国普林斯顿大学科学家约翰·霍普菲尔德（JohnJ.Hopfield）和加拿大多伦多大学科学家杰弗里·辛顿（GeoffreyE.Hinton）因其在深度学习理论及应用方面的卓越贡献，共同荣获诺贝尔奖•他们的工作奠定了现代深度学习的理论基础，并推动了深度学习的实际应用。设计示例：LeNet-5与手写数字识别案例说明•1998年，YannLeCun等提出LeNet-5。•模型利用卷积层、池化层和全连接层处理手写数字。•在MNIST等任务中展示了CNN处理图像的强大能力，以经典MNIST手写数字识别数据集为例，LeNet-5能够自动学习和提取数字图像的视觉特征，使识别准确率超过95%，开启了计算机视觉和模式识别的新时代。。输入图像→卷积提特征→池化压缩→分类输出启示：深度学习让模型从“手工设计特征”走向“自动学习特征”。3.1.2深度学习从RNN到自注意力机制：谷歌神经机器翻译GNMT背景谷歌翻译早期主要依赖统计机器翻译，2016年前后转向神经机器翻译系统。技术GNMT采用多层RNN并引入注意力机制，以捕捉更长距离的语言依赖。意义Transformer在此基础上进一步用自注意力取代循环结构，提高并行效率与翻译效果。3.1.2深度学习3.1.3Transformer•2017年，Google团队发表论文《AttentionisAllYouNeed》。•Transformer的核心是自注意力机制。•模型可以在处理输入时动态关注关键信息。•相比RNN，更适合并行计算，也更擅长捕捉长距离依赖。一句话总结Transformer让AI在处理文本时可以“自动划重点”，并成为大语言模型的重要结构基础。自注意力机制：让模型学会“看重点”关注关系每个词都可以和句子中的其他词建立关联，判断哪些信息更重要。多头并行多头注意力从不同角度观察信息关系，提高表达能力。长距离依赖即使两个词相距很远，模型也能建立关联。输入序列→计算注意力权重→聚合关键信息→生成上下文表示类比：学生阅读长文章时用荧光笔标出重点；Transformer则在模型内部自动完成“划重点”。小结：AI工具的技术底座1机器学习从数据中学习规律，是AI工具的基础方法。2深度学习通过多层神经网络自动提取复杂特征。3Transformer通过自注意力机制处理长序列与多模态信息。4工具生态不同工具是这些技术在具体场景中的封装与落地。互动思考：为什么同样是AI工具，有些适合写作，有些适合图像生成，有些适合科研分析？3.1相关技术基础3.2通用人工智能工具人工智能通识教程第3章

人工智能工具与生态3.2通用人工智能工具通用AI工具全景：四类能力类别核心能力代表工具应用场景语言模型与对话系统理解与生成自然语言ChatGPT、Gemini、文心一言、DeepSeek智能客服、内容创作、编程辅助图像生成与处理工具根据文本描述生成或编辑图像DALL·E、Midjourney、StableDiffusion广告设计、产品原型、艺术创作语音与翻译工具语音识别、合成与跨语言翻译Whisper、讯飞语音转写、Google翻译会议记录、字幕生成、跨语言交流数据分析与可视化工具处理数据、生成图表和分析报告WPSAI、DeepSeek-R1、Kimi办公分析、科研分析、市场调研通用工具的价值：把复杂AI能力封装成自然语言交互，降低使用门槛。3.2.1语言模型与对话系统模型名称公司/团队推出时间技术特点主要应用领域ChatGPTOpenAI2022年11月基于Transformer架构的大型语言模型，支持多轮对话生成。支持多模态、长上下文处理。智能客服、内容创作、编程辅助Bard/GeminiGoogle2023年2月集成Google搜索的数据，提供实时信息检索和生成服务，轻量化推理。搜索增强、机器人控制、信息检索、内容生成、语言翻译GrokxAI2024年3月逻辑推理强化、多模态融合，具备实时学习功能。实时信息检索、多模态生成、编程辅助、金融预测、工业仿真文心一言百度2023年3月生成式AI模型，支持中文内容生成和知识问答，集成百度搜索。中文内容生成、知识问答、文本翻译、智能客服DeepSeek深度求索2024年1月专注于学术搜索和数据分析，提供精准的搜索结果和分析报告。学术搜索、科研分析、教育辅助、编程辅助注：各模型的推出时间均指其首个公开可用版本的发布时间。2024年，DeepSeek的推出，迅速引爆AI大模型热潮，也标志着中国在人工智能领域的飞速发展。如何更有效地使用语言模型？1任务说明说明要完成什么任务，例如“生成课程导入语”或“整理文献要点”。2背景材料提供教材段落、表格、数据或已有草稿，减少模型猜测。3输出格式明确要求表格、提纲、讲稿、代码、PPT结构等格式。4评价标准说明篇幅、语气、受众、准确性和引用要求。提示词模板：请基于【材料】，面向【对象】，完成【任务】，输出为【格式】，注意【限制条件】。3.2.1语言模型与对话系统3.2.2图形生成与处理系统工具技术特点适合场景使用特点DALL·E多模态理解能力强，文本与图像匹配度较高广告设计、概念图、产品原型提示词友好，适合快速生成Midjourney艺术风格突出，画面表现力强概念艺术、插画、视觉创意风格化能力强，适合创意探索StableDiffusion开源、可本地部署，扩展插件丰富艺术创作、视觉内容生产、图像编辑可控性强，适合深度定制提示图像生成工具的核心不是“随机出图”，而是通过提示词、风格、构图、参考图与后期编辑共同完成视觉设计。3.2.2

图形生成与处理系统设计示例：使用StableDiffusion生成图片任务输入一段关于“青岛海边、海鸥、游客喂食”的英文提示词，生成符合语境的图片。操作流程•打开StableDiffusionWebUI或在线工具。•输入提示词并设置尺寸、采样步数等参数。•生成多张结果，筛选并继续优化提示词。结论：AI图像工具可以把文字想象快速可视化，降低视觉内容生产门槛。3.2.3

语音与翻译工具语音工具：从转写到实时对话•AI语音工具经历了规则合成、统计参数合成和深度学习驱动阶段。•当前主流任务包括语音识别ASR、语音合成TTS、语音翻译和语音对话。•Whisper采用基于Transformer的Seq2Seq结构，支持多语言识别、翻译和语言检测。•讯飞语音转写等商业工具广泛用于会议、采访、庭审和在线教育。应用价值语音工具把“听、说、转写、翻译”连接起来，使AI从文本交互走向更自然的人机交互。3.2.3

语音与翻译工具翻译工具：从“查字典”到“理解语境”技术演进•早期：基于规则的机器翻译。•中期：统计机器翻译。•现在：神经机器翻译与大语言模型。大语言模型在翻译任务中的表现评价指标：BLEUBLEU常用于机器翻译质量评价，用于衡量机器译文与参考译文之间的相似程度。LLM优势大语言模型借助海量多语种语料和上下文理解能力，在复杂语境、歧义和风格处理上具有优势。使用提醒高质量翻译仍需人工校对，特别是法律、医学、合同和学术论文等高风险文本。3.2.3

语音与翻译工具工具名称开发公司推出时间主要功能适用场景WPSAI金山办公2023年智能文档编辑、数据可视化、自动排版日常办公、商务文档处理DeepSeek-R1深度求索2025年复杂数据分析、编程辅助、算法优化科研分析、程序开发Kimi月之暗面科技2023年信息提取、内容生成、知识问答文献研究、市场分析注：各模型的推出时间均指其首个公开可用版本的发布时间。当前主流的数据分析与可视化工具在人工智能技术的推动下取得了显著发展，其中WPSAI、DeepSeek-R1和Kimi分别代表了办公集成、专业分析和文本处理三个重要方向3.2.4数据分析与可视化工具通用AI工具选择矩阵任务需求推荐工具类型关键注意事项写作/问答/编程语言模型与对话系统核实事实，明确输出格式，避免过度依赖海报/插画/产品概念图像生成工具检查版权风险，控制风格与细节会议/采访/字幕语音识别与转写工具注意噪声、方言、专有名词和隐私跨语言沟通翻译工具或LLM重要文本需人工校对表格/报告/数据分析AI办公与数据分析工具核对公式、数据来源和图表解释3.2通用人工智能工具小结：通用AI工具的能力边界能提升效率写作、翻译、图像、语音和数据分析都可显著加速。不能替代判断事实核验、伦理判断和最终责任仍需要人承担。重在任务匹配不同工具适合不同数据类型和应用场景。要会组合使用复杂任务常需要多个工具协同完成。互动思考：一个课程视频从脚本、配图、配音、剪辑到发布，可以分别使用哪些AI工具？3.2通用人工智能工具3.3专业领域人工智能工具人工智能通识教程第3章

人工智能工具与生态3.3.1学术研究工具学术研究工具：覆盖研究全流程1选题与检索Elicit、AMiner、ScholarGPT2阅读与摘要SciSpace、TXYZ、Scholarcy3写作与润色Grammarly、Writefull、QuillBot4数据与建模Jupyter、PyTorch、Scikit-learn提出问题→查找文献→理解文献→分析数据→形成成果目标：让研究者从重复性劳动中解放出来，把更多精力投入问题意识和创新判断。工具核心功能易用性成本适用场景独特优势GPT学术版文献解析、摘要、翻译高，界面友好部分免费，高级功能需付费跨语言研究、编程相关多模态输入、翻译能力强Scholarcy摘要生成、比较分析中，需熟悉功能免费版有限，需订阅综述撰写、文献调研结构化摘要、对比分析Elicit文献检索、数据整合、可视化中，需学习曲线免费+付费高级功能跨学科研究、系统综述可视化关系图、精准检索SciSpaceCopilot文献问答、实验设计高，适合初学者免费版有限，需订阅实验研究、初学者界面友好、实验辅助TXYZ长文档处理、文献问答中，适合PDF处理部分免费，高级功能需付费长篇文献分析长文档支持、带引用回答AMiner学术搜索、学者分析中，界面稍复杂免费，部分功能需授权跨领域研究、热点追踪全面数据、学者网络分析3.3.1学术研究工具文献处理工具：从关键词检索到知识问答文献处理工具是学术研究中不可或缺的辅助工具，旨在帮助科研人员高效完成快速阅读、摘要提取、文献分析和知识整理等任务，特别适用于文献综述、研究背景调研和跨学科研究等阶段。这些工具利用人工智能技术，能够自动解析文献内容、提取关键信息、生成结构化摘要或构建知识网络，从而显著提升研究效率。设计示例：用GPT学术版定位查找特定文献任务向GPT学术版提问：“查找Transformer开山之作”。结果工具定位到Vaswani等人在2017年发表的《AttentionisAllYouNeed》。继续追问要求给出下载链接或论文信息，形成可追溯的文献入口。3.3.1学术研究工具3.3.1学术研究工具写作润色工具：从语法纠错到风格优化写作润色工具对非英语母语者和学术写作者非常有帮助。它们能发现语法、拼写和搭配错误，也能优化句子清晰度。工具名称开发团队

/公司核心功能适用场景GrammarlyGrammarlyInc.语法检查、拼写校对、风格建议、语气调整学术写作、邮件、日常写作QuillBotQuillBotInc.同义改写（Paraphrasing）、摘要生成、语法检查避免重复、语言润色、简写扩写GingerSoftwareGingerSoftwareLtd.拼写检查、语法修正、翻译、重写建议教育、非母语写作者SlickWrite独立开发写作流畅性、句式多样性、语法结构分析写作训练、基础检查ProWritingAidOrpheusTechnology详细的文体分析、结构优化、报告生成专业写作、小说、博客WritefullWritefullB.V.AI论文润色、学术句式建议、语言校对学术论文、科技写作LanguageToolOpen-source/Community多语言语法检查、风格分析、扩展插件丰富多语言写作、开源爱好者HemingwayEditorHemingwayApp简洁性检查、可读性评分、句子冗长提醒内容写作、文案撰写3.3.1学术研究工具设计示例使用原则润色工具可以提升表达质量，但不能替代内容真实性、学术规范和原创性判断。使用Grammaly，输入图中带有错误的英文文本后，Grammarly会自动识别其中的语法、拼写、时态和搭配错误，并给出具体的修改建议。例如，它会将“Hego”改为“Hegoes”，将“everyday”改为“everyday”，并纠正像“he’sbook”这样的错误所有格用法。3.3.1学术研究工具数据分析工具与开发框架：AI项目的工具链在人工智能数据分析中，Python拥有多个常用的机器学习框架。下表给出了常用主流AI数据分析工具与开发框架的对比信息，这些框架共同构成了Python在人工智能分析中的核心工具体系。工具名称类型简介与用途Scikit-learn传统机器学习库提供分类、回归、聚类、降维等算法，适用于结构化数据的建模与分析，是机器学习入门的首选工具。XGBoost集成学习框架高效的梯度提升树（GBDT）实现，支持并行计算，常在Kaggle等竞赛中用于结构化特征建模。LightGBM集成学习框架微软开发的GBDT库，使用基于直方图的高效算法，适合大规模数据和低延迟场景，速度快、精度高。TensorFlow深度学习框架Google开发的开源深度学习平台，支持计算图和自动微分，适用于构建复杂的神经网络模型。PyTorch深度学习框架Meta开发，采用动态图机制，使用灵活、调试方便，是当前科研和工业界最流行的深度学习工具之一。JupyterNotebook交互式开发环境基于浏览器的可执行文档，支持代码、图表、文本混合展示，是数据分析、建模与教学常用平台。GoogleColab云端Notebook环境基于Jupyter的免费云服务，免配置即可使用GPU/TPU资源，适合快速实验与协作开发。StreamlitWeb应用开发框架用极简Python代码快速创建交互式数据应用和模型展示界面，适用于原型演示和内部工具构建。Gradio模型交互展示工具快速构建机器学习模型的Web前端，支持文本、图像、音频等输入输出，适合演示与用户测试。3.3.2自然科学领域的人工智能应用成果生命科学AlphaFold预测蛋白质结构，加速结构生物学和药物研发。物理与能源深度强化学习控制托卡马克等离子体，探索未来清洁能源控制方案。AI在自然科学中的价值，不只是提高效率，更可能改变科学研究范式：从人工试错走向数据驱动、模型辅助和智能控制。设计示例：AlphaFold破解蛋白质折叠难题问题从氨基酸序列预测蛋白质三维结构，是结构生物学长期难题。方法AlphaFold基于深度神经网络，融合多序列比对、结构约束与生物物理知识。影响预测结果可接近实验精度，推动药物研发和生命科学研究。3.3.2自然科学领域的人工智能应用成果AlphaFold的研究成果不仅在学术界引起轰动，也获得国际高度认可。2024年，该项目的两位核心研究人员DemisHassabis和JohnJumper因在结构预测领域的杰出贡献，获得了诺贝尔化学奖设计示例：深度强化学习控制托卡马克等离子体背景托卡马克需要对多组磁场线圈进行高速、高维度闭环控制。方法深度强化学习根据高层控制目标，自动学习线圈电流调节策略。意义在真实复杂物理系统中实现智能控制，为未来核聚变装置提供新思路。3.3.2自然科学领域的人工智能应用成果小结：专业AI工具的价值提高研究效率文献检索、阅读、摘要和润色更高效。扩展研究能力AI可辅助数据分析、建模、仿真和实验设计。推动科学发现AlphaFold等案例改变了传统科研路径。要求专业判断工具输出必须接受领域知识和实验验证。互动思考：你所在专业中，哪些环节最适合先引入AI工具？为什么？3.4跨平台内容生成与管理工具人工智能通识教程第3章

人工智能工具与生态3.4跨平台内容生成与管理工具跨平台内容生态：生成式AI+决策式AI内容生成自动生成社交媒体文案、图片、短视频、数字人播报和广告素材。

技术基础：大语言模型、文生图、文生视频、多模态生成。内容分发根据用户画像和实时反馈进行个性化推荐、排序和广告投放。

技术基础：协同过滤、深度排序模型、在线学习。生成内容→平台分发→用户反馈→算法优化→继续生成商业闭环：AI生成内容，推荐系统分发内容，用户反馈又反过来优化下一轮生成和投放。3.4.1社交媒体内容生成工具基于人工智能的社交媒体内容生成工具逐渐兴起，广泛应用于文案撰写、图像配文、短视频剪辑等场景，显著提升内容生产效率。国外代表性工具很多，主要包括Copy.ai、Pictory、CanvaMagicWrite等，如下表所示。工具名称功能简介技术特点CanvaMagicWrite在

Canva设计平台中生成文案（例如IG图片配文）结合图像设计与文案生成Copy.ai生成社交媒体帖文、广告文案、邮件标题，支持多语言基于

GPT，支持自动风格调整Synthesia使用虚拟

AI人物合成视频内容，适用于品牌宣传、产品展示等社媒内容生成具备多语言

AI虚拟主播功能Pictory将长视频内容提取为适合

TikTok/Instagram的短视频并自动添加字幕AI视频摘要+视觉编辑3.4.1社交媒体内容生成工具设计示例：Pictory生成社交媒体短视频输入输入一段文字脚本，例如对AI影响教育者和课程创作者的描述。生成平台自动匹配场景、字幕、视觉动画和关键词高亮效果。输出生成适合社交平台传播的完整短视频片段。3.4.1社交媒体内容生成工具工具名称功能简介技术特点秘塔写作猫AI文案生成、润色、语法纠错，新增“灵感生成”功能，支持多端协同创作基于NLP大模型，具有查重、改写功能，支持分图层设计稿生成剪映（CapCut）短视频智能剪辑，AI文案成片、AI视频生成、AI切片、自动字幕、智能配乐、特效模板等。集成字节自研AI模型，支持语音转字幕、场景识别，适配抖音生态。一帧秒创文字转视频，自动匹配素材库生成短视频（适合抖音/B站）。多模态AI（文本→视频），内置版权素材库，支持智能分镜。智影数字人播报、AI配音、视频剪辑，适合企业宣传视频。腾讯AILab技术，数字人支持多语言/方言，视频自动合成。阿里妈妈·创意中心电商文案生成（淘宝/天猫），优化商品标题、详情页、广告语。结合阿里电商大数据，AI生成高转化率文案，支持竞品分析。稿定设计AI海报设计、社交媒体配图，提供文案建议和模板库。设计AI+文案生成联动，支持一键适配微信/小红书尺寸。创客贴在线设计工具，AI生成海报、封面图，内置文案灵感库。模板化AI设计，支持团队协作，集成主流中文字体和素材。度加剪辑视频剪辑工具，AI文案生成、智能配图、自动卡点。百度文心大模型支持，结合搜索数据优化热点内容推荐。文心一格AI绘画生成，支持中文场景描述生成图片（类似DALL·E）。基于文心大模型的多模态生成，针对中文语境优化。JikeData社交媒体数据分析+文案生成，辅助小红书/微博运营。结合平台热点数据，AI生成高互动率文案，支持竞品监测。部分国内社交媒体内容生成工具3.4.1社交媒体内容生成工具设计示例：剪映AI文案成片选择热点话题，如“瘦身塑形”“夏季防晒”“校园学习方法”。输入标题和内容，选择口播或数字人样式。系统自动生成脚本、分镜、字幕、配音和素材。可继续结合DeepSeek等工具优化文案，提高传播效果。AI把短视频制作从“专业剪辑流程”简化为“主题—脚本—成片”的低门槛流程。3.4.2社交媒体内容推荐工具推荐系统解决什么问题？在海量内容中，把用户可能感兴趣的内容高效匹配到用户面前。推荐系统依赖什么？点击、点赞、停留时长、转发、评论等行为数据，以及内容特征与用户画像。用户行为→兴趣建模→候选召回→精细排序→内容展示推荐系统的目标不只是“猜你喜欢”，还涉及用户体验、平台收益、内容生态和社会责任。3.4.2社交媒体内容推荐工具字节跳动与谷歌的部分推荐系统文献文献标题团队/平台技术要点Monolith:RealTimeRecommendationSystemwithCollisionlessEmbeddingTable字节跳动

（抖音）支持实时反馈的在线训练架构；无冲突

embedding表；频率过滤与过期机制DeepNeuralNetworksforYouTubeRecommendations谷歌（YouTube）候选生成+排序两阶段架构；大规模深度学习模型优化推荐性能RecommendingWhatVideotoWatchNext:AMultitaskRankingSystem谷歌（YouTube）多目标排序优化（点击率、观看时长）；使用

MMoE和Wide&Deep框架缓解偏差以抖音和YouTube为代表的内容平台，其推荐引擎的设计与演化集中体现了推荐系统领域的前沿成果。主要挑战：用户“点击了”不一定等于“真正喜欢”；优化观看时长也可能强化沉迷和同质化内容。3.4.3营销与推广工具营销与推广工具：AI重构广告流程数据管理→素材生成→智能投放→效果监测→策略优化决策式AI用于用户定位、预算分配、渠道匹配和转化率优化。生成式AI用于广告文案、图片、视频和创意方案生成。智能代理帮助广告主监测效果、调整策略并自动化执行流程。本地化生态中文广告系统更重视平台语境、行业数据和内容审核。3.4.3营销与推广工具设计示例：文心一格与广告创意生成场景电商、包装、海报和社交媒体广告需要大量低成本、多版本创意素材。能力生成式AI可以根据关键词和风格要求生成图像草案，并支持二次编辑。价值降低广告素材生产成本，提高创意迭代速度和个性化投放能力。注意：广告生成必须注意真实宣传、版权合规

和平台审核规则。小结：内容生态中的AI闭环生成大模