《人工智能通识教程》教学大纲

XX大学XXXX学院《人工智能通识》课程教学大纲编写人：XXX审定人：XXX编制时间：2025.8.20审定时间：2025.8.26一、课程基本信息：课程名称人工智能通识英文名称CourseTitle:IntroductiontoArtificialIntelligence课程编码sd01730800开课单位XX所课程类别√通识教育必修课程□通识教育核心课程□通识教育选修课程□学科基础平台课程□专业基础课程□专业必修课程□专业选修课程课程性质√必修□选修学分2学时32适用专业大一及以上全校大学生先修课程后续课程物联网应用、智能控制、人工智能课程网站教学团队XXX等课程负责人XXX二、课程描述本课程面向全校各专业本科生，尤其适合人文社科学生，旨在提供一门兼具理论性与应用性的通识课程。课程从人工智能的基本概念、发展历史与伦理出发，系统介绍机器学习、大模型（包括Transformer、Seq2Seq与微调技术）、ChatGPT与文心一言等主流应用，以及DeepSeek、AIGC与具身智能与机器人系统的核心思想与典型场景。通过理论讲解、案例分析与实践演示，使学生理解人工智能的四要素、技术架构与常用算法（回归、决策树、朴素贝叶斯、神经网络等），掌握大模型生成原理、微调与部署流程，熟悉生成式AI在文本、图像与多模态领域的应用。课程强调科学素养与跨学科思维培养，关注AI伦理、社会影响与法规问题，指导学生辨识风险、规范使用AI工具（如ChatGPT、文心一言与DeepSeek），并能在各自专业中识别AI赋能的机会与挑战。教学以讲授、讨论与项目驱动为主，设有案例作业与小型项目，旨在拓宽学生视野、优化知识结构，为后续深入学习或将AI方法融合入专业研究与工作打下坚实基础。三、教学目标课程《人工智能通识》面向全校各专业本科生，尤其兼顾人文社科类学生，旨在通过系统讲授与案例实践，培养学生对人工智能的整体认知、实践能力与伦理素养。具体目标如下：1.知识与理解（Know）（1）掌握基本概念与框架：理解人工智能的定义、发展历程与研究范畴，熟悉主要分支（如机器学习、深度学习、自然语言处理、计算机视觉、机器人与具身智能等）。（2）把握前沿热点与趋势：了解大模型、生成式AI（AIGC）、多模态融合、联邦学习与可解释性等前沿方向及其产业化应用。（3）认识伦理与社会影响：理解隐私保护、算法偏见、责任归属与治理框架，培养合规使用与风险识别意识。2.能力与方法（Ability）（1）掌握核心方法与思想：理解监督学习、无监督学习与强化学习的基本原理，熟悉回归、决策树、朴素贝叶斯、神经网络与Transformer等常见算法的直观思想与适用场景。（2）培养跨学科问题解决能力：能够结合本专业背景识别问题、提出基于AI的解决思路，设计基础实验或调研方案，并撰写分析报告或完成小型项目。（3）提升信息素养与工具运用能力：熟悉主流AI工具与平台（如大型语言模型接口、模型微调与部署流程），具备对生成内容进行甄别、评价与改进的能力。3.态度与素养（Attitude）（1）强化创新与科学素养：鼓励开放探索、批判性思维与跨界融合，培养以数据驱动的推理能力与实验精神。（2）树立负责任的职业伦理观：倡导尊重隐私、公平与透明的价值观，强调在设计与应用AI时承担社会责任。4.课程成果（可评价的学习成效）（1）学生能清晰阐述人工智能的基本概念、发展脉络与伦理问题。（2）能解释并比较若干常见算法的基本思想与适用场景。（3）能在小组项目中提出结合本专业的AI应用方案，完成方案设计与风险评估。（4）展示批判性分析能力，识别AI应用中的潜在偏差与伦理风险并提出改进建议。通过上述目标的实现，学生将在理论与实践两方面奠定坚实基础，具备将人工智能方法有效融合到各自专业学习与未来职业中的能力。四、课程教学内容及学时分配第1章绪论 1.1人工智能概述 1.1.1关于智能 1.1.2人工智能的定义 1.1.3人工智能的分类 1.2人工智能的起源和图灵测试 1.2.1人工智能的起源 1.2.2图灵测试 1.3人工智能的发展历史 1.4人工智能的应用领域 1.5人工智能相关技术 1.5.1人工智能四要素 1.5.2人工智能技术架构 1.6人工智能伦理 第2章机器学习 2.1机器学习概述 2.1.1机器学习的发展 2.1.2机器学习的定义 2.1.3机器学习的研究内容 2.2基于学习方式的分类 2.2.1监督学习 2.2.2无监督学习 2.2.3强化学习 2.2.4机器学习的其他分类 2.3机器学习的基本结构 2.3.1环境 2.3.2知识库 2.3.3执行部分 2.4机器学习的算法 2.4.1专注于学习能力 2.4.2回归算法 2.4.3基于实例的算法 2.4.4决策树算法 2.4.5朴素贝叶斯算法 2.4.6聚类算法 2.4.7支持向量机算法 2.4.8神经网络算法 2.4.9Boosting与Bagging算法 2.4.10关联规则算法 2.5机器学习的应用 2.5.1数据分析与挖掘 2.5.2模式识别 2.5.3生物信息学应用 2.5.4物联网 2.5.5聊天机器人 2.5.6无人驾驶汽车 第3章大模型 3.1大模型概述 3.2大模型介绍 3.2.1生成原理 3.2.2大模型关键技术 3.2.3大模型关键术语 3.3大模型分类 3.3.1按模型结构划分 3.3.2按模态划分 3.3.3按微调方式划分 3.3.4带插件系统的大模型 3.4大模型的开发流程 3.4.1确定项目目标 3.4.2数据集收集与预处理 3.4.3模型设计 3.4.4模型训练 3.4.5模型部署 3.4.6开源资源和开发者支持 3.4.7评估和反馈 3.4.8模型应用 3.5应用场景 3.6未来发展方向 3.6.1AI智能体 3.6.2具身智能 3.7Seq2Seq结构 3.7.1分词器 3.7.2编码器-解码器结构 3.7.3注意力机制 3.8Transformer 3.8.1位置编码 3.8.2整体结构 3.8.3稀疏Transformer 3.9模型微调 3.9.1监督微调 3.9.2PEFT技术 第4章ChatGPT与应用 4.1ChatGPT概述 4.1.1ChatGPT技术 4.1.2ChatGPT的发展历程 4.1.3ChatGPT的工作流程 4.1.4ChatGPT的优势 4.2ChatGPT工作原理 4.2.1ChatGPT相关的背景知识 4.2.2ChatGPT的工作原理 4.2.3算法细节 4.3ChatGPT的交互性应用 4.3.1教育领域 4.3.2商业领域 4.3.3生活领域 4.3.4个性化的交互体验 4.3.5其他领域 4.4ChatGPT高效交互的关键——咒语 4.4.1咒语 4.4.2ChatGPT生成回答的主要规则 4.4.3ChatGPT高效交流技巧 4.5ChatGPT辅助编程 4.5.1编程 4.5.2基本用法和进阶用法 4.6Windows10系统下访问ChatGPT 4.6.1准备工作 4.6.2打开MicrosoftEdge浏览器 4.6.3添加Edge扩展 4.6.4登录账号 4.6.5使用ChatGPT 第5章文心一言与应用 5.1文心一言概述 5.1.1诞生背景：技术积累与市场需求共振 5.1.2核心功能：全栈式语言服务能力 5.1.3技术架构：知识增强与多模态交互 5.1.4应用场景：从个人助手到行业赋能 5.1.5竞争优势：与ChatGPT的对比与互补 5.1.6未来展望：持续进化与生态拓展 5.1.7社会价值：重塑内容生产与工作方式 5.1.8用户评价：优势与改进空间 5.2项目类、技术类方案 5.2.1项目类、技术类方案与提示词 5.2.2项目类、技术类方案与提问句式 5.2.3项目类方案辅助写作示范 5.3.4技术类方案辅助写作示范 5.3文心一言在诗词和碑帖的补齐中的应用 5.3.1诗词补齐 5.3.2《刘熊碑》拓片补齐 5.4文心一言在诗词赏析与插图绘制中的应用 5.4.1诗词赏析与插图绘制之一 5.4.1诗词赏析与插图绘制之二 第6章DeepSeek与应用 6.1DeepSeek概述 6.1.1DeepSeek的产生背景 6.1.2DeepSeek采用的大模型 6.1.3DeepSeek的功能 6.1.4DeepSeek的特点 6.1.5DeepSeek的市场影响与竞争优势 6.1.6DeepSeek的应用场景 6.1.7DeepSeek开源策略的影响 6.1.8联网搜索 6.1.9文档处理 6.1.10DeepSeek模型中的微调策略 6.1.11与其他顶级AI模型的区别 6.1.12DeepSeek的未来发展 6.2DeepSeek使用与提示词技巧 6.2.1DeepSeek的产品形态 6.2.2DeepSeek功能详解 6.2.3DeepSeek的对话技巧 6.2.4DeepSeek的提示词技巧 6.3PPT大纲自动生成 6.4多语言实时翻译 6.5论文润色 6.6外语学习 6.7嵌入式系统应用编程实例 第7章AIGC与应用 7.1生成式人工智能（GAI） 7.1.1GAI概述 7.1.2GAI与AIGC的关系 7.2AIGC内容孪生、编辑与理解 7.2.1内容孪生 7.2.2内容编辑和生成 7.2.3内容理解 7.3AIGC发展历程 7.4AIGC生成技术 7.4.1语言生成方面的技术 7.4.2视觉生成方面的技术 7.4.3多模态方面的技术 7.4.4图像的表示学习 7.4.5文本的表示学习 7.5生成模型与判别模型 7.5.1生成模型 7.5.2判别模型 7.6AIGC的应用场景 7.7生成模型的原理 7.7.1生成模型的框架 7.7.2生成模型的概率表示 7.7.3生成模型的目标函数 7.7.4生成模型的挑战及解决方法 7.8表示学习 7.8.1表示学习的直观理解 7.8.2表示学习的常用方式 7.8.3表示学习与特征工程的区别 7.4.4图像的表示学习 7.8.5文本的表示学习 7.8.6多模态的表示学习 7.8.7表示学习的融合技术 7.8.8如何衡量表示学习的优劣 7.9表示学习的逆过程 7.10AIGC应用实例 7.10.1天源迪科AIGC智能内容创作与数字人企业内训平台介绍 7.10.2PPT课件和视频课件制作实例 第8章具身智能与机器人系统 8.1什么是具身智能 8.2具身智能和具身人工智能 8.2.1具身智能和具身人工智能发展历程 8.2.2具身智能和具身人工智能相同点和不同点 8.3具身智能的传统技术 8.3.1基于行为的人工智能 8.3.2受神经生物学启发的人工智能 8.3.3认知发展机器人学 8.3.4进化机器人学 8.3.5物理体现与互动 8.4基于大模型的具身智能技术 8.4.1赋能具身智能机器人的基础大模型分类 8.4.2具身智能机器人设计自动化 8.5典型的具身智能任务 8.6具身智能的体系结构 8.7具身智能的优点、缺点与难点 8.8具身智能与机器人智能的关系 8.9具身智能机器人 8.9.1从自动驾驶到具身智能 8.9.2具身智能计算系统 8.10具身智能机器人大模型 8.10.1概述 8.10.2面向机器人技术的ChatGPT 8.10.3RoboticTransformers多模态大模型的应用 8.11具身智能机器人的应用 8.11.1具身智能机器人在医疗领域的应用 8.11.2具身智能机器人在工业生产中的应用 8.11.3具身智能机器人在家庭环境中的应用 8.12人形机器人 8.12.1人形机器人的概念和分类 8.12.2宇树科技UnitreeG1机器人 五、考核方式及成绩评定方式课程考核将按照本课程的教学目标全面考核学生课程学习的效果，分析课程对毕业要求的达成度。考核成绩由平时成绩和期末考核成绩组成，各占50%。其中，平时成绩包括学生上课是否专心听讲、回答教师提问是否正确，以及分组讨论是否积极、正确、有独特见解等课堂表现，以提高课堂教学效果，培养学生的对新技术的兴趣，并逐步培养其创新能力。作业和课内实践方面要重点培养学生的