计算基础与智能 8

大学计算机与人工智能

人工智能技术目录1人工智能发展历程2人工智能相关技术3人工智能应用4大语言模型5人工智能伦理与边界人工智能人工智能人工智能人类制造的机器或产物。在人类产物上模拟、延伸和扩展人类的智能。运用工具或知识实现目标的能力PART01人工智能发展历程图灵测试、达特茅斯会议和人工智能发展的三次高潮人工智能发展历程艾伦•图灵1912~19541966，美国计算机协会（ACM）以图灵的名字设立了图灵奖，以表彰在计算机科学中做出重大贡献的人，这个奖已经成为全世界计算机领域的最高奖。Year1950图灵测试1950年，图灵发表了一篇名为《计算的机器与智能》的文章，讨论了如何建构智能机器以及如何测试他们的智能。图灵测试的提出是人工智能史的开端。Year1956（人工智能领域的正式确立）达特茅斯会议这是数学家约翰•麦卡锡组织的一场小型研讨会。在会议上，“人工智能”这个词被正式提出。10位科学家与会，并提出了一些研究目标。人们对人工智能的定义产生了分歧。约翰•麦卡锡——斯坦福大学

马文•明斯基——麻省理工学院艾伦•纽厄尔——卡内基梅隆大学赫伯特•西蒙——卡耐基理工学院开拓者目标在10年内打造一台完全智能的机器。

用不了20年，机器就能完成人类所能做的任何工作。在一代人之内，关于创造“人工智能”的问题将得到实质性的解决。主题方向研究方法数学逻辑和演绎推理

归纳法（统计特征+概率）仿生大脑（生物学和心理学）自然语言处理神经网络机器学习抽象概念和推理创造力科学性——通过将自然的即生物学上的智能机制嵌入计算机的方式来研究它；

实践性——创造出像人类一样，甚至可以比人类更好地执行任务的计算机程序，而不关心这些程序是否以人类的思维方式进行思考。人工智能发展历程Year1970（人工智能寒冬）第一次发展热潮符号主义早期专家系统早期机器学习——感知机搜索与规划技术河的左岸包含了3名传教士、3名食人者和1艘船，而右岸不包含以上元素。理想状态表示程序的目标：让他们全部都到河的右岸。符号主义移动（传教士的人数，食人者的人数，起点，终点）Year1956训练：在触发正确的行为时奖励，而在犯错时惩罚。 ——有监督学习感知机有很多引人关注的特性，它的线性特征、有趣的学习定理，以及它作为一种并行计算而具有的明显的范式简洁性，但没有理由认为其中任何一个优点可以延展到多层神经网络。 ——明斯基&珮珀特《感知机》早期机器学习人工智能发展历程Year1996（人工智能寒冬）统计学派“AI寒冬”之后，在自然语言处理及语音识别领域，统计学派取代专家系统。第二次发展热潮概率推理与贝叶斯方法连接主义的复兴专家系统的普及机器学习的进一步发展Year1980专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，或重新组织已有的知识结构，使之不断改善自身的性能。从大数据中学习一个x->y的函数，来做分类或回归工作。机器学习神经网络人工智能发展历程Year2010AlphaGo第三次发展热潮计算能力的大幅提升大数据的普及深度学习技术的突破深度神经网络图片分类人脸识别车牌识别翻译谷歌翻译综合应用自动驾驶2016年战胜李世石2017年战胜柯洁人工智能发展历程Year2022仍在持续内容生成文本内容——ChatGPT图片内容——Midjourney人工智能发展历程PART02人工智能相关技术模型、数据和算力是人工智能的三大核心要素。AI三要素模型模型是人工智能系统的核心，它定义了如何从数据中学习并做出预测或决策。模型可以是智能函数或结构，如线性回归、神经网络、决策树等。数据数据是模型训练和测试的基础。数据的质量和数量直接影响模型的表现。高质量的数据能够帮助模型更好地理解问题，而大规模的数据集则可以提高模型的泛化能力。算力算力是支持模型训练和运行的硬件资源，包括CPU、GPU、TPU等。算力的强弱决定了模型训练和推理的速度与效率。强大的算力不仅可以加速训练过程，还能支持更大、更复杂的模型，从而提高系统的性能。数据结构化数据编号面积居室数量成交价格199355228724753128363041323675

新房源A1103？编号项集1面包，牛奶2面包，尿布，啤酒，鸡蛋3面包，尿布，啤酒，可乐4面包，牛奶，尿布，啤酒5面包，牛奶，尿布，可乐

常规数据购物篮数据时序数据地图数据序列数据结构化数据图像数据音频数据视频数据在南方还是风和日丽的时候，我的大东北迎来了第一场雪。刚结束一场考试的我急需休息，睁开眼的时候，只觉着窗外一片白茫茫，难道是下雪了吗，我坐起来，睁开朦胧的睡眼，没错，真的是下雪了。雪花越下越大，看着窗外的同学在雪中奔跑，看着送外卖的服务人员依旧在工作的路上，看着树上堆积的雪花，我心里就像南方的孩子好久看不到下雪一样兴奋。虽然是北方的孩子，但我还是很喜欢下雪天，在下雪天吃上一根粘着水晶糖的糖葫芦，才算的上是冬天吧。文本数据非结构化数据模型1.拆分数据集将数据集拆分为训练数据集和验证数据集。2.提出模型假设

3.训练模型

4.验证模型使用验证数据集检查模型效果。模型是指通过算法从数据中学习到的数学表示，用于预测或决策。

编号面积居室数量成交价格199355228724753128363041323675

新房源A1103？输出模型输入特征标签有监督学习（SupervisedLearning）茉莉花模型预测编号1234训练样本标签茉莉花茉莉花茉莉花茉莉花学习方式的分类第1类第2类

第3类

无监督学习前无监督学习后学习方式的分类无监督学习（UnsupervisedLearning）学习方式的分类半监督学习（Semi-supervisedLearning）是一种在标注数据有限的情况下，通过利用未标注数据来提升模型性能的有效方法。其核心思想是通过未标注数据中的潜在信息来增强模型的性能，尤其是在标注数据稀缺的情况下。这种方法能够显著降低对标注数据的依赖，从而减少标注成本。强化学习（ReinforcementLearning）则是一种通过与环境交互来学习最优策略的学习范式。其核心思想是智能体（agent）在环境中采取行动，根据行动结果获得奖励或惩罚，并通过不断试错来调整策略，以最大化长期累积奖励。算力算力是人工智能发展的燃料，它指的是计算设备处理数据的能力。算力的提升直接影响人工智能模型的训练和推理效率。CPU（中央处理单元）IntelSapphireRapidsFPGA（现场可编程门阵列）XilinVersalAICoreGPU（图形处理单元）NvdiaH100ASIC（专用集成电路）GoogleTPU算力文本理解文本理解（TextUnderstanding）/自然语言处理（NaturalLanguageProcessing，NLP）：一种使计算机能够理解、解释人类语言的技术。文本理解的挑战词语层面的歧义意思：1.意图，用意2.趣味句法层面的歧义咬死猎人的/狗咬死/猎人的狗语义层面的歧义他走了一个小时。1.他以步行的方式移动，持续了一个小时。2.已经离开某个地方，到现在为止过去了一个小时。语境依赖性他真冷。形容气温形容性格这间办公室是个冰窖。1.描述温度。2.暗示人际关系的冷漠。文本理解文本的向量化表示：划分文本单元将词语映射为向量：独热编码/词嵌入获得整个文本的向量表示深度学习技术——循环神经网络（RecursiveNeuralNetwork，RNN）机器视觉机器视觉（ComputerVision）：一种使计算机能够从图像和视频中提取语义信息并做出智能决策的技术。图像数据的表示：一幅图像被表示为像素矩阵（PixelMatrix）——二维（灰度图）或三维（彩色图）的数值数组。对于灰度图像，每个像素取值范围为0~255（8位量化），0表示纯黑，255表示纯白，中间值代表不同灰度级别。机器视觉卷积神经网络智能推荐智能推荐：一种解决信息过载问题的关键技术，可以通过分析用户历史行为、内容特征及上下文信息，预测用户兴趣并主动推送个性化内容。智能推荐数据用户-商品交互矩阵：显式反馈和隐式反馈。用户特征：人口统计学特征、行为序列特征、动态兴趣表示等。商品特征：商品类别（商品的品类、标签、品牌、价格档位）、文本内容（视频或文章的标题、描述、评论等）、视觉内容（商品图片、视频封面、捕捉颜色、风格、品类等）等。智能推荐智能推荐技术：协同过滤基于用户的协同过滤：计算用户间的相似度，为目标用户推荐和其相似的用户喜欢的商品。基于商品的协同过滤：计算商品之间的相似度，推荐与用户喜欢的商品类似的其他商品。矩阵分解：将用户和商品分别压缩为一组隐向量（LatentFactor），通过计算向量间的匹配度来预测喜好。深度学习技术：Wide&Deep，图神经网络PART03人工智能应用人工智能应用01020304医疗医疗影像识别药物研发个性化诊疗方案可穿戴设备交通环境感知驾驶决策智能调度教育个性化学习智能辅导系统批改作业学后评估金融风险管理欺诈检测智能投顾高频交易PART04大语言模型大语言模型能够理解和生成自然语言。大语言模型01GPT-3拥有1750亿个参数，GPT-4更是拥有超过1万亿的参数。规模庞大02Transformer的核心是注意力机制。Transformer包括编码器和解码器。采用Transformer架构03使用新闻、书籍、网页、代码等多种数据进行训练。在规模庞大的数据集上进行训练04用户第一次可以以自然语言的形式对计算机下达指令。允许用户以自然语言的形式与其交互大语言模型，是一种基于深度学习技术的自然语言处理模型，能够理解和生成自然语言。大语言模型发展历程基础模型期Bert、T5GPT1~GPT3Pangu-α能力探索期InstructGPTWebGPTGLM突破发展期ChatGPTKimiDeepSeek未来……Transformer能力的边界？预训练模型InstructGPT大模型产业化2018~20212021~2022.112022.11~至今InstructGPT大语言模型之拓展智能体：人人都可以做自己的应用。提示词之道（以Kimi为例）策略一：使用分隔符表示输入的不同部分。’’’，

”””，<>，---，<tag>&<\tag>原则一：编写清晰、具体的指令正例策略一：使用分隔符表示输入的不同部分。’’’，

”””，<>，---，<tag>&<\tag>原则一：编写清晰、具体的指令反例提示词之道（以Kimi为例）策略二：要求一个结构化的输出，比如JSON格式，HTML格式，Markdown格式。原则一：编写清晰、具体的指令正例提示词之道（以Kimi为例）策略三：要求大模型检查是否满足执行操作的条件。原则一：编写清晰、具体的指令正例1提示词之道（以Kimi为例）策略三：要求大模型检查是否满足执行操作的条件。原则一：编写清晰、具体的指令正例2提示词之道（以Kimi为例）策略三：要求大模型检查是否满足执行操作的条件。原则一：编写清晰、具体的指令反例提示词之道（以Kimi为例）策略四：提供少量示例。原则一：编写清晰、具体的指令正例提示词之道（以Kimi为例）策略一：拆解任务，指定完成任务所需的步骤。原则二：给大模型思考的实践。提示词提示词之道（以Kimi为例）策略一：拆解任务，指定完成任务所需的步骤。原则二：给大模型思考的时间。回答提示词之道（以Kimi为例）策略二：指导大模型在下结论之前找出一个自己的解法。原则二：给大模型思考的时间。提示词提示词之道（以Kimi为例）策略二：指导大模型在下结论之前找出一个自己的解法。原则二：给大模型思考的时间。回答提示词之道（以Kimi为例）B：Background，说明背景，为大模型提供充足的信息；R：Role，定义大模型的角色；O：Objectives，定义目标，指的是我们希望大模型能够实现什么目标；K：KeyResults，定义关键结果，指我们想要什么具体效果；E：Evolve，试验并调整改进提示：从答案的不足之处着手改进背景、目标，关键结果；改进答案：在后续对话中指正大模型答案的缺点；重新生成：尝试在提示不变的情况下多次生成结果，优中选优。BROKE框架提示词之术（以Kimi为例）作用：传达无法通过推理获得的信息。这些信息通常是客观的、私有的。方法：让大模型向使用者提问，分析问题背景。给大模型提供更多原始信息。如果要撰写广告词，背景信息可能包括产品说明书、评测报告等；如果要撰写会议通知，背景信息可能包括会议主要讨论内容、参会者等。用专业方法论设计问题背景。如果要设计海报，可以考虑视觉层次模型；如果要设计销售计划，可以考虑AIDA模型。BROKE框架之背景提示词之术（以Kimi为例）BROKE框架之背景示例

撰写笔记本电脑的广告词步骤1让大模型自己分析任务所需的背景信息。提示词之术（以Kimi为例）BROKE框架之背景示例

撰写笔记本电脑的广告词步骤2按照大模型的要求提供背景信息，并要求它完成任务。提示词之术（以Kimi为例）BROKE框架之背景示例

撰写笔记本电脑的广告词大模型的输出：设计了多版广告词，分别适合不同的投放渠道。提示词之道（以Kimi为例）作用：提高回答的相关性，控制语言风格，增强专业性和可信度。方法：明确角色定位：让大模型清楚地知道这个角色是做什么的。界定角色功能：清晰地告诉大模型这个角色可以解决哪些问题。设定互动规则：知道大模型如何与用户进行有效的互动。BROKE框架之角色提示词之术（以Kimi为例）BROKE框架之角色示例

咨询如何吃才能降低胆固醇提示词

如何降低胆固醇。大模型的输出

从饮食调整、运动锻炼、生活习惯、药物治疗4个方面阐述了降低胆固醇的方法。提示词之术（以Kimi为例）BROKE框架之角色示例

咨询如何吃才能降低胆固醇提示词你是一位营养学家，请为高血脂患者设计一周降胆固醇食谱。大模型的输出

在考虑了主食、蛋白质、蔬菜的搭配的基础上给出了一周食谱。提示词之术（以Kimi为例）作用：关键结果是目标实现过程中的具体衡量指标或核心产出要求，通常与目标（Objective）共同构成OKR（目标与关键结果法）框架。在提示词中，关键结果可以理解为对模型输出的具体要求；设定关键结果可以明确输出方向，提升结果的可操作性，避免信息冗余，聚焦核心需求。方法：内容要素（如必须包含的模块、数据点）；形式规范（如字数、格式、语言风格）；量化指标（如预算限制、时间节点、覆盖率）；优先级或限制条件（如“优先考虑成本效益”“避免使用专业术语”）。BROKE框架之关键结果提示词之术（以Kimi为例）BROKE框架之关键结果示例

撰写新能源汽车的市场分析报告。提示词写一份新能源汽车的市场分析。大模型的输出

一般化的分析，包括市场现状、竞争格局、技术发展、政策支持、消费者偏好、市场趋势。提示词之术（以Kimi为例）BROKE框架之关键结果示例

撰写新能源汽车的市场分析报告。提示词写一份新能源汽车市场分析，需包含以下内容：-2024年全球销量TOP3品牌及市占率；

-消费者购车决策的五大关键因素（基于最新调研数据）；

-政策补贴退坡对2025年市场的影响预测；

-用表格对比纯电、混动、氢能源车的技术瓶颈。大模型的输出

具有针对性的报告，相关数据都给出了引用链接，完全符合要求。提示词之术（以Kimi为例）作用：获得更符合预期的输出。方法：指令给得不清楚：从回答的不足之处着手，改进背景、角色、目标与增加/修改关键结果。大模型做得不好，或回答有错误：在后续对话中要求大模型改进有缺点的回答。运气不好，遇到糟糕的回答：尝试在提示不变的情况下重复生成回答，优中选优。BROKE框架之改进提示词之术（以Kimi为例）BROKE框架示例背景角色目标关键结果提示词之术（以Kimi为例）大语言模型的幻觉事实性幻觉事实不一致幻觉：大语言模型生成的信息与现实世界的真实信息相互矛盾。2022年，ChatGPT曾经错误地认为“除墨西哥外，中美洲最大的国家是危地马拉”（实际上，中美洲最大的国家是尼加拉瓜）。事实捏造幻觉：大语言模型生成的信息在现实世界中不存在。加拿大航空的AI客服在为一名经历丧亲之痛的乘客服务时编造并承诺了根本不存在的“丧亲折扣”，导致乘客据此提起诉讼，使加拿大航空在法庭上陷入尴尬境地。大语言模型的幻觉忠实性幻觉：大语言模型生成的内容与用户的指令或上下文不一致指令不一致幻觉：大语言模型对用户指令理解错误，生成的内容偏离用户指令。例如，用户的指令为“请翻译-英国的首都是哪里？-这句话”，大语言模型给出的回答是“伦敦”。上下文不一致幻觉是指大语言模型的输出与用户提供的上下文信息不符。例如，用户的指令是“总结下面的文本内容：尼罗河是东非一条主要的自南向北流淌的河流，传统上被认为是全球最长的河流。它发源于非洲中部的大湖地区，流经多个国家，最终汇入地中海。”，大语言模型的回答是“尼罗河发源于非洲中部的山脉，流入地中海。”逻辑不一致幻觉指的是大语言模型的输出表现出内部逻辑矛盾。该幻觉常在推理任务中出现。例如，用户的指令是“按步骤解方程2x+3=11”，大语言模型的回答是“第1步，方程两边都减去3得到2x=8；第2步，方程两边都除以2得到x=3。所以方程的最终结果为x=3。”幻觉的起源用于训练大语言模型的数据主要包含两个组成部分：（1）预训练数据，大预言模型通过这些数据获得其通用能力和事实知识，以及（2）对齐数据，这些数据教会LLMs遵循用户指令并与人类偏好保持一致。尽管这些数据不断扩展LLMs的能力边界，但它们也无意间成为LLMs产生幻觉的主要原因。这主要体现在三个方面：有缺陷的预训练数据源中存在的错误信息和偏见，预训练数据范围本身所固有的知识边界，以及由低质量的对齐数据引发的幻觉。除了数据，LLMs的训练策略和架构固有的局限性也可能导致幻觉的产生。预训练阶段（大模型学习通用表示并获取世界知识）、监督微调阶段（利用精心标注的指令-响应进一步训练预训练好的大语言模型）、人类反馈强化学习阶段（整合人类反馈使LLMs更好地与人类偏好一致）都可能引入幻觉。数据训练解码在预训练和对齐后展现LLMs能力方面起着重要作用。然而，解码策略中的某些缺陷可能导致LLMs产生幻觉。不完美的解码策略、过度自信、Softma瓶颈、推理失败都可能使LLMs产生幻觉。推理如何解决通过改进数据质量和引入外部知识的方法可以缓解由数据引发的幻觉。通过改进模型架构和训练策略来缓解在训练过程中引发的幻觉。通过优化解码策略来提高生成内容的准确性和忠实性。在模型上线之前在模型上线之后RAG技术。提示词工程。对信息的真实性进行交叉验证。PART05人工智能的伦理与边界偏见与公平人工智能的决策看似客观中立，实则可能携带并放大人类社会既有的偏见，导致不公平的结果。某智能作文评分系统因训练数据中城市学生样本占比超过80%，在面对农村学生作文中“麦秸垛”、“打谷场”等鲜活的乡土表述时，频频误判，导致这些学生的作文得分普遍低于实际水平。麻省理工学院的一项研究显示，对于受教育程度较低或英语熟练度不高的用户，主流AI聊天机器人的回答准确率显著下降。以Claude3Opus为例，它对受教育程度较低、非英语母语用户的问题拒绝回答率接近11%，而对对照组用户的拒绝回答率仅为3.6%。在某些拒绝回复的情况中，模型甚至使用了居高临下、傲慢甚至嘲讽的语气。偏见与公平解决之道：技术层面：研究人员已经识别出偏见的来源，定义了多种公平性的数学概念，并据此设计了符合这些公平性要求的AI算法。另外一种可能有效的方法是从人工智能系统的训练数据中移除任何可能引发偏见的人口统计学信息（如性别、种族和民族）。制度层面：建立针对AI教育产品的审核机制，防止有偏差的产品无序进入校园和家庭。建议教育部协同相关部委，整合教育、心理、伦理、法律、人工智能技术等领域的专业力量，围绕审核标准研制、检测技术开发等开展理论与实践研究。法律层面：全国人大常委会已将人工智能领域立法纳入重点立法研究范围，代表建议制定《人工智能技术规范应用法》，构建系统完备的法律制度。责任与透明算法不透明：技术层面：深度学习模型的数亿参数使得决策路径难以追溯；组织层面：企业以商业机密为由拒绝公开训练数据与模型架构；认知层面，即使是开发者也难以解释某一特定输出的生成逻辑。责任与透明算法不透明2016年，美国威斯康星州法院使用COMPAS系统评估被告再犯风险，将黑人被告错误标记为高风险的比率几乎是白人的两倍。当被告质疑评分依据时，开发公司Northpointe以专有算法为由拒绝披露计算细节，导致当事人面临被算法审判却无法质证的司法困境。025年3月29日，一辆启用NOA智能辅助驾驶功能的小米SU7标准版家用轿车在安徽德上高速公路池祁段发生严重碰撞事故，造成车内三名女大学生不幸遇难。事故调查中，多个责任主体相互推诿：小米公司声称驾驶员在系统预警后接管了车辆，强调L2级辅助驾驶需驾驶员全程监控；遇难者家属则质疑系统为何在碰撞前2秒才发出预警，且提出车门锁死阻碍逃生属于设计缺陷。责任与透明解决之道技术层面：核心目标是构建可验证、可控制、可解释的AI系统。局部解释工具、全局解释方法和在模型架构阶段即引入透明机制。制