6主题二 专题一 认识人工智能基本技术

认识人工智能基本技术学习目标知识目标

深入理解数据、算法、算力在AI中的角色与应用逻辑。掌握监督与无监督学习的概念、区别及典型应用场景。初步认识生成式AI的核心要素与常见落地应用。能力目标

能够敏锐识别生活中常见的AI应用，并拆解其背后的技术支撑逻辑。具备使用简单工具进行数据预处理、模型训练或内容生成的基础操作能力。素质目标

激发对AI技术的浓厚兴趣，建立持续学习的习惯与坚定的科技自信。建立数据安全意识，理性看待AI发展，理解其对社会伦理的深远影响。

学习情境

小李是一名大一新生，他对人工智能充满好奇。一天，他在手机上看到一款“AI写作助手”能自动生成文章，又在电商平台看到“猜你喜欢”推荐商品。他开始思考：这些智能功能是如何实现的？数据从哪里来？机器又是如何“学习”的？带着这些问题，他决定走进人工智能的世界，了解其背后的核心技术。（一）数据的概念和应用数据、算法和算力的概念和应用数据的概念

人工智能系统的生命线，驱动人工智能进步的不可或缺的基础资源。

结构化数据：如数据库表格，格式规整易处理。非结构化数据：文本、图像、音视频等，是当前数据的主要形式，信息密度更高。数据的收集与处理全域收集：来源覆盖社交媒体、物联网设备、金融医疗记录等全场景。关键预处理：原始数据多含噪声与缺失，数据清洗、标注与预处理是提升数据可用性的必要环节。数据的重要性质量决定上限：高质量数据集能够训练出更精准、更健壮的模型。数量挖掘细节：大规模的数据有助于模型捕捉更细微的模式和特征。多样性保障泛化：有助于AI系统在不同场景下都能保持良好的表现。数据的概念和应用医疗领域

通过AI分析X光、CT等海量医学影像，精准识别早期肿瘤、隐匿性骨折等微小病变，为医生提供可靠的诊断辅助依据。金融领域整合用户交易流水、信用评分等多维数据，构建智能风控模型，实时预测贷款违约概率，高效拦截异常欺诈交易。电商领域深度挖掘用户的浏览足迹、历史订单与收藏偏好，通过算法计算兴趣相似度，为用户精准推送潜在需求商品。交通领域实时采集路口车辆通行数据，利用AI动态调整交通信号灯配时策略，均衡路网车流量，有效缓解城市高峰期拥堵。数据、算法和算力的概念和应用数据的概念和应用算法的概念定义：是一套明确的、有限的、可执行的步骤或规则，用于解决特定问题或完成特定任务。主流技术：机器学习、深度学习和神经网络是当前应用最广泛的三大核心算法框架。算法的创新与发展深度学习突破：在图像识别、语音识别、自然语言处理等领域取得了显著成就。新范式涌现：强化学习、迁移学习等新型算法不断演进为AI发展注入新的活力。算法的选择与优化精准选型：需根据具体的业务场景（如分类、生成）选择最合适的算法类型。性能调优：通过调整算法参数、改进算法结构等手段，提升算法的性能与效率。数据、算法和算力的概念和应用算法的概念和应用自然语言处理领域

算法：Transformer应用：构建大型语言模型（如ChatGPT），实现文本生成、机器翻译、情感分析等功能。计算机视觉领域算法：卷积神经网络(CNN)应用：图像识别、目标检测、图像分割等任务，广泛应用于安防监控、自动驾驶、医疗影像分析等领域。强化学习领域算法：Q-Learning,DQN等应用：AI在与环境交互中不断学习和优化策略，应用与游戏AI、机器人控制、智能决策等领域。推荐系统领域算法：协同过滤、内容推荐等算法应用：基于用户历史行为和偏好，为用户推荐个性化的商品、新闻资讯、音乐等内容。数据、算法和算力的概念和应用算法的概念和应用算力的概念是人工智能发展的“动力”，通常是指计算机系统在执行计算任务、处理数据和运行算法时的能力，他衡量的是计算机在单位时间内能完成多少计算机操作（如加减程序、逻辑判断、数据存取等）。

算力的提升途径主要依赖于硬件技术的发展，包括CPU（中央处理器）、GPU（图形处理器）、TPU（张量处理单元）等专用计算芯片的研发和应用。算力的优化与分配通过采取先进的算法优化技术、合理的任务调度策略和高效的资源管理技术，可以在不增加硬件成本的前提下提升算力的利用率和整体性能。数据、算法和算力的概念和应用算力的概念和应用云计算领域提供弹性、可扩展的计算资源，用户可以根据需求动态调整算力规模，满足不同规模的人工智能模型训练和推理需求，降低企业的IT成本。边缘计算领域在智能设备上集成算力芯片，实现数据的本地处理和实时决策，减少数据传输延迟，提高系统的响应速度和可靠性。数据、算法和算力的概念和应用算力的概念和应用科学计算领域利用高性能计算集群的强大算力，进行复杂的科学计算和模拟实验，如气候模拟、基因测序、药物研发等，加速科学研究的进程。自动驾驶领域车载计算平台需要具备强大的算力，以实施处理来自摄像头、激光雷达、毫米波雷达等传感器的数据，进行环境感知、路径规划、决策控制等任务，确保自动驾驶的安全性和可靠性。概念也称为监督机器学习，是使用标记数据集来训练算法以准确地对数据进行分类或预测结果。任务分类(Classification)预测离散类别。如：垃圾邮件识别、疾病诊断。回归(Regression)预测连续数值。如：房价走势预测、销量趋势分析。经典算法线性回归、逻辑回归、决策树、支持向量机(SVM)、随机森林。监督学习和无监督学习的概念和应用监督学习的概念和应用图像识别与分类应用于医学影像、自动驾驶、安防监控等。自然语言处理文本分类、机器翻译、命名实体识别等任务，自动识别和处理语言信息。金融领域风险评估、欺诈检测、股票价格预测等，基于历史金融数据和标签进行训练，辅助决策。医疗健康疾病诊断、药物研发等，帮助医生和研究人员从大量医疗数据中提取有价值的信息。工业制造质量检测、生产流程优化等，对生产数据进行分析和预测，提高生产效率和产品质量。推荐系统根据用户的历史行为和偏好推荐商品、电影、音乐等，提升用户满意度和平台收益等。监督学习和无监督学习的概念和应用监督学习的概念和应用概念：是指在没有标签的情况下，从数据中发现隐藏额结构和模式。广泛应用于聚类、降维和关联规则等任务。聚类核心目标：将类似数据自动分组。💡场景：客户价值分层、新闻主题归类。降维核心目标：压缩数据特征，保留关键信息。💡场景：人脸识别特征提取、图像数据压缩关联规则核心目标：发现数据项间的关联性。💡场景：购物篮分析（啤酒与尿布的经典案例）监督学习和无监督学习的概念和应用无监督学习的概念和应用客户分群与精准营销通过聚类分析用户行为特征，将用户划分为不同群体，帮助企业制定精准营销策略，提高营销效果。异常检测与风险防控在金融领域识别信用卡盗刷、洗钱等异常交易；在工业领域，检测设备故障或异常数据，提前预警潜在风险。数据可视化与降维利用PCA等算法将高维数据压缩到低维空间，便于可视化和分析，帮助研究人员快速理解数据分布和结构。推荐系统基于关联规则发现掘商之间的购买关系，实现个性化推荐。基因数据分析与生物信息学在基因组学中，通过基因表达数据，发现具有相似表达模式的基因，推测其功能或参与的生物过程。监督学习和无监督学习的概念和应用无监督学习的概念和应用图像处理与计算机视觉通过聚类算法将图像中的像素分组，实现图像的语义分割；或使用进行图像去噪、压缩等。概念生成式人工智能（GenerativeArtificialIntelligence，简称GAI或生成式AI），是一类通过大规模数据集的学习，利用深度神经网络和概率模型，生成与原始数据相似但又不完全相同的新数据的机器学习模型。其实现过程通常给定一些初始条件（如噪声向量）作为输入，随后通过复杂的神经网络结构逐步生成目标数据。生成式人工智能的概念和应用生成式人工智能的概念数据基石·TheFoundation海量且高质量的数据是模型学习的基础，为AI模型提供了丰富的训练素材和知识来源。算法核心·TheCoreDriverTransformer、GAN等先进深度学习模型是关键，决定了AI生成内容的质量与逻辑能力。算力支撑·TheBackboneGPU、TPU等高性能硬件提供高速并行计算能力，为大规模模型的训练与实时推理提供保障。场景价值·ValueEmbodiment涵盖自然语言处理、计算机视觉、音乐生成等领域，是AI技术落地并产生实际商业与社会价值的关键。生成式人工智能的概念和应用生成式人工智能的核心要素文本生成应用：文章、故事、诗歌、对话生成等。

工具：大语言模型。图像生成应用：根据文字描述创造图像、艺术创作、设计辅助等。

工具：生成对抗网络等技术。音乐创作应用：根据风格、情绪或旋律要求，自动创作原创音乐片段与完整曲目。程序代码生成应用：生成代码片段，辅助开发。

工具：代码模型。设计与创新应用：生成创新性的设计方案、产品原型草图，打破传统设计思维局限。科学研究

应用：探索新的理论和实训方法，帮助科学家发现新的知识。生成式人工智能的概念和应用生成式人工智能的应用小结三大核心要素数据（原料）：经收集预处理后为模