《基于新信息技术的程序设计教程》全套教学课件

第1章信息技术的发展1.1信息技术基础1.2计算机的发展1.3计算机中的数制和编码1.4信息安全第1章信息技术的发展第2章计算思维第3章人工智能概述第4章C语言基础第5章基本数据类型与运算第6章顺序结构程序设计第7章选择结构程序设计第8章循环结构程序设计第9章数组第10章指针第11章函数第12章预处理指令第13章结构体与共用体第14章文件全套可编辑PPT课件

1.1信息技术基础

1.1.1信息技术的定义与核心要素信息技术(InformationTechnology，IT)是用于信息的获取、处理、传输、存储、显示、控制与应用的一系列技术、设备、系统和方法的总称。它以计算机技术、通信技术、微电子技术为核心支柱，融合软件、网络、数据、智能算法等多种技术，是现代社会最具基础性、先导性和战略性的技术体系，如图1-1所示。图1-1信息技术的核心支柱

信息技术由图1-2所示的五大核心要素构成，它们相互支撑，协同工作，共同构成完整的信息技术体系。图1-2信息技术的五大核心要素

1．信息与数据

信息是经过加工处理、具有使用价值的数据；数据是信息的载体，包括数字、文字、图形、图像、音频、视频、传感器信号等，是信息技术处理的基本对象。

2．硬件基础设施

硬件是信息技术运行的物理载体，包括计算机、服务器、终端设备、网络设备、传感器、芯片、存储设备等，决定了系统的处理能力、运行速度与稳定性。

3．软件系统

软件是信息技术的灵魂，包括操作系统、数据库、中间件、应用软件、算法程序、开发平台等，用于控制硬件、实现逻辑处理、完成业务功能。

4．通信网络

通信网络是信息传输与互联互通的通道，包括互联网、移动通信网、局域网、光纤通信网络、卫星通信网络等，实现跨地域、跨设备的数据共享与协同工作。

5．人力资源与应用能力

人才是信息技术发挥价值的关键。掌握信息技术原理，具备计算思维，能够进行系统开发、工程实践与创新应用的专业人才，是推动信息技术不断发展的核心动力。

1.1.2信息技术的主要特征与分类

信息技术是现代社会发展的核心驱动力，也是支撑数字经济与社会数字化转型的关键技术体系，具备多重鲜明且关联紧密的核心特征，如图1-3所示。它具有极强的渗透性，可深度融入生产、服务、管理、科研等领域，打破行业界限，赋能各领域创新。信息技术具有非消耗性，可供多主体共享复用，体现出突出的共享性。同时，信息技术的时效性显著，信息价值随时间变化，只有经高效获取、处理与传递，才能充分发挥其价值。信息技术的虚拟性能够将物理事物数字化，构建虚拟空间，实现模拟推演。此外，信息技术还具备良好的交互性、扩展性、成长性与集成性，可实现多方实时交互，持续迭代并与相关技术融合，以数字化能力为社会高质量发展提供全面支撑。图1-3信息技术的主要特征

信息技术是覆盖各领域的综合性技术。通过科学分类，人们可更清晰地认识其功能、应用与发展，为学习和实践提供指导。

1．按用途划分

信息技术按用途可分为通信技术、数据处理技术与软件开发技术。通信技术是信息传递的基础，从传统电话、电报发展到互联网、移动通信网，极大提升了信息交流效率；数据处理技术负责数据的收集、存储、分析与挖掘，将海量数据转化为决策依据；软件开发技术则通过编程语言、开发工具与工程方法，为各行业提供实用可靠的应用系统。

2．按技术类型划分

信息技术按技术类型可分为硬件技术、软件技术与网络技术。硬件技术以CPU、存储设备、终端设备为核心，支撑设备性能提升；软件技术涵盖各类应用与系统开发，伴随云计算、AI不断升级；网络技术实现设备互联与资源共享，同时也推动了网络安全技术的发展。

3．按发展阶段划分

信息技术经历了四次迭代，从电子管时代设备笨重且低效，到晶体管时代体积缩小，再到集成电路时代实现小型化、高效化，最终以大规模与超大规模集成电路时代的微处理器为核心推动个人电脑普及，使信息技术全面融入社会生活。

1.1.3信息技术在理工类领域的应用场景

信息技术已深度融入理工类各学科，成为科研创新、工程实践与实验教学的核心支撑，其应用场景覆盖从基础研究到工程落地的全流程。

在机械与智能制造领域，计算机辅助设计(CAD)、计算机辅助制造(CAM)完成零件建模、仿真加工与装配验证，工业物联网、自动化生产线实现精准控制与无人化作业，大幅提升生产精度与效率。

在土木与建筑工程中，BIM技术实现建筑全生命周期三维可视化管理，可进行结构受力模拟、施工方案优化；地理信息系统(GIS)结合遥感技术，用于地质勘测、城市规划与灾害风险评估。

在电子与电气领域，EDA工具集完成芯片、电路板设计与电路仿真，智能电网通过大数据与远程监控实现电力调度、故障检测与能耗优化，保障供电稳定与安全。

在化工与材料科学领域，信息技术用于分子模拟、材料性能预测与反应过程仿真，减少实验损耗；大数据分析助力新材料研发，加速配方优化与性能迭代。

在物理、天文等基础科研领域，高性能计算机用于核物理模拟、天体运行推演，传感器网络与数据采集系统实现精密实验数据的自动获取与分析，支撑前沿理论验证与重大发现。

此外，各类数据处理软件、编程工具与虚拟仿真平台也广泛应用于理工类实验教学与科研数据分析，成为现代理工类研究与实践中不可或缺的工具。

1.2计算机的发展

1.2.1计算机的起源计算机的起源最早可追溯到我国古代的计算工具。我国春秋战国时期的算筹和公元1200年出现的算盘，以物理形式辅助运算，是人类最初的计算辅助工具。随着科技进步，17世纪诞生了帕斯卡加法器、莱布尼茨乘法器等机械计算机，能够自动完成四则运算，突破了传统手工计算的局限，为现代计算机发展奠定了基础。19世纪，巴贝奇提出了差分机与分析机的设计理念，率先提出了编程相关构想，推动了计算设备向可编程方向发展。

20世纪上半叶，图灵机模型与冯・诺依曼体系结构相继问世，构建起完整的理论框架，在逻辑原理与硬件架构上为现代通用电子计算机的诞生提供了关键理论支撑，人类由此完成了从传统计算工具到现代计算机的演变，如图1-4和图1-5所示。图1-4计算机的起源演变图1-5冯・诺依曼与IAS电子计算机(1952年)

1.2.2各发展阶段的核心技术与特点

依据核心器件的不同，计算机的发展可划分为以下四个主要阶段。

(1)电子管计算机时代(1946—1957年)：核心器件为真空电子管；其特点为体积庞大，功耗高，可靠性差，软件层面主要使用机器语言或汇编语言，编程烦琐；应用领域集中在军事科研和科学计算。电子管计算机如图1-6所示。图1-61946年世界第一台电子管计算机ENIAC

(2)晶体管计算机时代(1958—1964年)：核心器件为晶体管；与电子管相比，体积更小，重量更轻，寿命更长，发热更少，运算速度大幅提升，软件层面出现了高级编程语言(如FORTRAN、COBOL)和操作系统雏形；应用领域从单纯的科学计算扩展到数据处理和工业控制。晶体管计算机如图1-7所示。图1-7晶体管计算机

(3)集成电路计算机时代(1965—1970年)：核心器件为中小规模集成电路；核心技术及特点为将多个电子元件集成在硅片上，体积进一步缩小，功耗降低，可靠性极大提高，操作系统逐渐成熟，支持多道程序设计；应用领域走向标准化和系列化(如IBMSystem/360)，广泛应用于商业事务、数据管理等领域。集成电路计算机如图1-8所示。图1-8集成电路计算机

(4)大规模与超大规模集成电路计算机时代(1971年至今)：核心器件为大规模和超大规模集成电路；核心技术及特点为微处理器问世，CPU集成度极高，计算机性能呈指数级增长，整机趋向微型化，价格低廉，软件产业高度繁荣，图形用户界面、数据库、网络技术飞速发展；应用领域极大拓展，个人计算机广泛应用，互联网实现全球互联，人工智能、物联网等新兴技术不断涌现，渗透到社会生活的每一个角落。中国麒麟芯片如图1-9所示。图1-9中国麒麟芯片

1.2.3计算机技术的发展趋势

随着半导体、人工智能、量子物理等技术突破，计算机技术正朝着高性能、智能化、多元化、安全化、绿色化方向演进，深度融入社会各领域，具体趋势如下：

(1)智能化升级，AI与计算技术深度融合。智能化向自主感知、决策全流程推进，特定领域语言模型应用于多垂直领域，AI与量子计算融合突破算力瓶颈，AI原生开发平台赋能软件研发。

(2)算力跃升与硬件革新。先进芯片制程持续突破，异构计算成为主流，芯粒集成、存算一体等技术落地，量子计算从实验室走向产业试点，逐步实现实用化。

(3)应用泛化与端边云协同。形成“端-边-云”协同格局，边缘AI广泛应用于多场景，计算机技术深度嵌入各垂直领域，MR(MixedReality，混合现实)工作区推动工作方式变革，形成“计算即服务”新范式。

(4)安全与合规升级。机密计算保障数据隐私，AI安全平台实现全生命周期防护，后量子密码技术研发加快，筑牢数字系统安全防线。

(5)绿色低碳发展。硬件能效优化与软件算法升级双管齐下，绿色数据中心普及，推动计算机技术与绿色发展深度融合。此外，RISC-Ⅴ等开源架构崛起，打破了技术垄断。

未来，计算机技术将持续突破，从“工具”向“伙伴”转型。

1.3计算机中的数制和编码

1.3.1常用数制在计算机科学中，数制是数据表示的基石。简单来说，数制就是用一组固定的符号和统一的规则来表示数值的方法。我们日常生活中最习惯的是十进制，但在计算机内部，为了适应电子器件的物理特性，采用的是二进制。为了方便人类阅读和书写冗长的二进制代码，八进制和十六进制也应运而生。

1．十进制(Decimal)

十进制由0～9共10个不同数字符号表示，基数为10(逢10进1)，是日常使用最广泛的数制，符合人类计数习惯。

2．二进制(Binary)

二进制(见图1-10)仅由0和1两个数字符号表示，基数为2(逢2进1)，是计算机内部的核心数制。其特点是适配计算机硬件结构，计算机的电子元件(如晶体管)仅能表示“通电”“断电”两种状态，对应二进制的0和1，运算规则简单(0+0=0，0+1=1，1+1=10)。通常在二进制数字后加后缀“B”，如1010B、1101.101B。图1-10二进制示意图

3．八进制(Octal)

八进制由0～7共8个数字符号表示，基数为8(逢8进1)。1位八进制数可对应3位二进制数，常用于简化二进制数的书写与阅读，减少出错概率。表示方法为在八进制数字后加后缀“O”(或“Q”)，如12O、75.3O，对应的二进制数分别为1010B、111101.011B。

4．十六进制(Hexadecimal)

十六进制由0～9、A～F(A=10，B=11，…，F=15)共16个符号表示，基数为16(逢16进1)。1位十六进制数可对应4位二进制数，是简化二进制表示最常用的数制，广泛应用于程序编写、硬件调试等场景。表示方法为在十六进制数后加后缀“H”，如1AH、3F.5H，对应的二进制数分别为11010B、111111.0101B。

1.3.2不同数制间的转换方法

1．十进制与二进制的转换

十进制转换为二进制，需将整数部分和小数部分分开转换，再合并结果。整数部分采用“除2取余，逆序排列”法，即不断用2去除十进制整数，直至商为0，将每次得到的余数从后向前排列，即二进制整数部分；小数部分采用“乘2取整，顺序排列”法，不断用2去乘十进制小数，直至小数部分为0(或达到所需精度)，将每次得到的整数部分从前向后排列，即二进制小数部分。

2．十进制与八进制的转换

十进制转换为八进制的方法与十进制转换为二进制的方法类似，整数部分采用“除8取余，逆序排列”，小数部分采用“乘8取整，顺序排列”，合并两部分结果即对应的八进制数。

3．十进制与十六进制的转换

十进制转换为十六进制时，整数部分采用“除16取余，逆序排列”，余数10～15分别用A～F表示；小数部分采用“乘16取整，顺序排列”，取出的整数10～15同样用A～F表示；整数部分和小数部分合并后即得十六进制数。

4．二进制与八进制、十六进制的快速转换

二进制与八进制转换，利用“1位八进制数对应3位二进制数”的规律。二进制转换为八进制时，将二进制数从右往左每3位分为一组(不足3位的在左边补0)，每组对应1位八进制数；八进制转换为二进制时，将每1位八进制数转换为对应的3位二进制数。拼接后即得二进制数。例如，二进制数101110转换为八进制数，从右往左每3位分组为101110，101对应5，110对应6，结果为56；八进制数56转换为二进制数，5对应101，6对应110，拼接后为101110B。

1.3.3计算机中的常用编码

计算机内部仅能识别和处理二进制数(0和1)，而人类日常使用的文字、符号、数字等信息，需通过特定的编码规则转换为二进制序列，才能被计算机识别和处理。这些编码的本质是二进制数与各类信息的对应规则。计算机中常用的编码主要包括ASCII码、GB2312/GBK/GB18030编码、Unicode编码(含UTF-8)等，如图1-11所示。不同编码适用于不同场景，其核心作用是实现信息的标准化转换与传输。图1-11计算机中的常用编码

1．ASCII码

ASCII码即美国信息交换标准代码，是最早的计算机字符编码，主要用于表示英文字符、数字、标点符号及控制字符。ASCII码采用7位二进制数表示，共可表示128个字符，其中包括数字0～9、26个大写英文字母、26个小写英文字母、常用标点符号(如!、@、#)及不可显示的控制字符(如换行、回车)。由于仅能表示英文相关字符，无法满足其他语言的编码需求，因此ASCII码逐渐被扩展编码和通用编码替代，但在英文场景中仍广泛使用。

2．GB2312/GBK/GB18030编码

这类编码是我国自主制定的汉字编码标准，主要用于解决汉字在计算机中的表示问题，属于双字节编码(部分字符为多字节)。GB2312是最早的汉字编码，收录了6763个常用汉字及少量符号，基本满足日常汉字使用需求；GBK在GB2312的基础上进行扩展，收录了21003个汉字，增加了生僻字、繁体字及部分少数民族文字；GB18030是目前我国通用的汉字编码标准，兼容GB2312和GBK，收录了更多汉字及少数民族文字，可满足各类中文场景的编码需求，是中文计算机系统的常用编码。

3．Unicode编码及UTF-8编码

Unicode编码又称统一码，是为解决全球不同语言编码不兼容问题而制定的通用编码标准，其目标是为世界上所有语言的字符、符号分配唯一的二进制编码，涵盖中文、英文、日文、韩文等所有常用语言字符。Unicode编码本身不规定二进制序列的存储方式，UTF-8是Unicode编码的一种常用实现方式，属于可变长编码，根据字符类型采用1～4字节表示不同字符，其中英文字符采用1字节(与ASCII码兼容)，汉字通常采用3字节表示。UTF-8编码兼容性强，占用空间合理，是目前互联网、软件开发、网页设计等场景中最常用的编码方式。

1.4信息安全

1.4.1信息安全的定义与核心需求信息安全(InformationSecurity，InfoSec)是指为数据处理系统建立和采用的技术与管理上的安全保护措施，旨在保护计算机硬件、软件及数据不因偶然或恶意的原因而遭到破坏、更改或泄露，确保系统连续、可靠、正常地运行。

信息安全的核心需求为CIA三要素，分别是保密性、完整性和可用性，如图1-12所示。图1-12CIA三要素

1．保密性(Confidentiality)

保密性指确保信息不被未授权的主体访问、泄露或窃取，只有经过授权的用户才能访问对应信息，防止信息被非法获取、传播或滥用，常见实现方式包括加密技术、访问控制、身份认证等。

2．完整性(Integrity)

完整性指确保信息在存储和传输过程中不被未授权地篡改、删除、伪造或破坏，使信息的内容、格式和状态保持与原始状态一致，可通过哈希校验、数字签名、校验码等技术手段实现完整性验证。

3．可用性(Availability)

可用性指确保授权用户在需要时能够正常访问和使用信息及信息系统，系统不会因故障、攻击或意外事件而无法提供服务，需通过冗余备份、容灾技术、抗拒绝服务攻击措施等保障系统的持续可用。

1.4.2常见的信息安全威胁与风险

理解信息安全的定义与CIA核心需求后，需重点关注破坏这些需求的安全隐患。信息安全威胁是对系统、网络或数据造成损害的潜在危险，风险则是威胁利用系统漏洞造成实际损失的可能性。当前，信息安全威胁呈现多样化、复杂化、智能化特点，可从攻击手段、威胁来源、技术与管理漏洞三个维度识别风险。

1．攻击手段

在常见攻击手段中，恶意软件的危害突出。勒索软件加密用户数据并索要赎金，易致业务瘫痪；病毒可自我复制并破坏文件；木马伪装成正规软件窃取信息、远程控制设备；挖矿程序占用硬件资源，造成设备负载过高。社会工程学(如网络钓鱼)利用人性弱点，伪造官方信息诱骗用户泄露隐私、下载病毒，AI换脸、语音合成等技术更增加了识别难度。此外，DDoS攻击挤占服务器资源致网络瘫痪，漏洞攻击、中间人攻击也严重威胁信息安全。

2．威胁来源

威胁来源分为外部、内部和供应链三类：外部威胁来自黑客和网络黑灰产组织，以牟利、破坏为目的；内部威胁源于工作人员的操作失误、安全意识薄弱或恶意泄密，隐蔽性强；供应链攻击通过第三方间接渗透，波及范围广，防范难。

3．技术与管理漏洞

根源性风险在于技术脆弱性与管理缺失。弱口令、系统未及时更新、高危端口开放等留下技术隐患；敏感资料存放不当，权限分配不合理，数据管理不规范，缺乏备份与应急方案等，会放大威胁危害。综上，信息安全风险由外部威胁、系统漏洞和重要数据资产决定，需兼顾攻击防范、技术防护与制度规范，全方位抵御风险。

1.4.3基础信息安全防护方法

针对信息安全威胁与风险，基础信息安全防护需围绕技术防护、管理规范、个人防护三个核心维度展开，操作简单、易落地，可有效抵御各类常见安全隐患，保障系统、网络及数据的CIA核心需求。

技术防护是基础保障，核心在于堵塞技术漏洞，构建基础防护屏障。首先，需规范设备与系统管理，及时更新操作系统、应用软件及杀毒软件，安装官方补丁，关闭多余高危端口，从源头减少漏洞被利用的可能。其次，部署基础防护工具，终端设备安装正版杀毒软件、防火墙，定期对设备进行全盘扫描，查杀恶意软件、病毒及挖矿程序，防范DDoS攻击、漏洞攻击等常见技术威胁。同时，做好数据备份，定期将重要数据备份至安全存储设备，设置备份校验机制，避免因勒索软件攻击、设备故障等导致数据丢失。

个人防护是最后一道防线。在日常生活和工作中，我们需养成良好安全习惯和信息安全意识，设置复杂且唯一的密码，避免使用弱口令，定期更换账号密码，不随意泄露账号、密码、验证码等核心信息；警惕网络钓鱼与社会工程学攻击，不点击陌生链接，不下载非官方软件，不轻易相信陌生短信和邮件中的虚假信息，防范AI换脸、语音合成等新型诈骗。在公共网络环境中，不进行网银转账、账号登录等敏感操作，降低数据被截取、篡改的风险。

基础信息安全防护的核心是“预防为主、防治结合”，以技术防护筑牢屏障，以管理规范规避风险，以个人防护守住底线，全方位抵御常见信息安全威胁，保障信息资产安全。第2章计算思维2.1计算与计算思维2.2计算思维的应用

2.1计算与计算思维

2.1.1计算的定义与本质计算是人类认知世界、改造世界的基础行为，也是贯穿人类文明发展与科技进步的核心活动。从狭义到广义、从简单到复杂，其内涵与外延随着人类工具革新与科学发展不断深化。它不仅仅是数学的基石，更是连接抽象逻辑与物理世界的桥梁，是人类文明演进中一种根本性的认知方式。

从狭义层面来讲，计算指依据既定的数学规则、公式与算法，对数值、符号进行运算、变换、推导的过程，是对数量关系、空间形式的逻辑化处理。计算最基础的体现为加减乘除、方程求解、函数运算等数学计算。这是人们最直观理解的计算形态。它依托数学规则开展，其目标是获得精准的数值结果或逻辑结论，这是早期人类生产生活、科学研究的核心计算形式，服务于数据统计、工程测算、天文推演等基础需求。

从广义层面来讲，计算不再局限于数值与符号运算，而是泛指一切遵循既定规则、流程、算法等，对信息、数据、知识进行采集、存储、处理、分析、输出和反馈的系统性过程，是信息的加工与转化活动。随着计算机技术、信息技术的发展，计算的对象从单纯的数值拓展为文字、图像、音频、视频、行为数据等各类信息，计算的形式从人工手动计算转变为机器自动化计算，计算的范畴覆盖数据处理、逻辑判断、模式识别、系统仿真、智能决策等多个领域，成为数字化时代信息处理的核心方式。

本质上，计算已经演变为一种“建模与求解”的思维方式，即首先将现实世界中的复杂现象抽象为计算机可以理解和处理的数据模型，然后通过算法驱动机器去寻找答案。这种思维方式强调的是一种确定性的逻辑：只要输入是明确的，规则是清晰的，那么输出必然是可预测的。然而，随着人工智能和大数据技术的发展，计算的边界正在被拓展。现代计算不再局限于精确符号推导，已经开始处理模糊性、概率性和非结构化的数据。深度学习中的神经网络计算，本质上是在高维空间中寻找数据之间的统计规律，这标志着计算从“逻辑推演”向“数据驱动”的范式转变。

2.1.2计算思维的概念与核心内涵

计算思维是依托计算科学的核心逻辑，融合数学思维、工程思维、逻辑思维等，形成的一种系统化、抽象化、自动化的问题求解思维，是数字化时代人类必备的核心思维能力，其概念、起源与发展，与计算技术、计算机科学的发展深度绑定，具备清晰的发展脉络与权威的概念界定。

计算思维的概念由美国卡内基・梅隆大学计算机科学系主任周以真教授于2006年在CommunicationsoftheACM期刊中首次系统提出。她将计算思维定义为：运用计算机科学的基本概念进行问题求解、系统设计以及人类行为分析的一系列思维活动。这一概念明确了计算思维的核心依托是计算机科学，核心目标是解决复杂问题，核心属性是综合性思维能力，并非单纯的编程能力或计算机操作能力，而是适用于全领域、全人群的通用思维范式。

计算思维的核心内涵，是跳出传统经验化、碎片化的思考模式，以计算的逻辑看待问题，将复杂、模糊、无规律的现实问题转化为可拆解、可抽象、可建模、可执行、可验证的标准化问题，通过系统化分析、流程化处理实现问题的高效求解。它强调人的主导性、思维的普适性、方法的科学性，是一种用计算的方式思考问题、用科学的方法解决问题的思维模式，既适用于计算机、信息技术等专业领域，也适用于理工类学习、工程实践、日常生活等各类场景。

2.1.3计算思维的核心特征

计算思维之所以能够成为一种普适的思维方式，在于它拥有一套独特而强大的核心特征。这些特征构成了计算思维的骨架，尽管不同的学者对计算思维的特征有不同的归纳，但抽象化、自动化、系统化和模块化无疑是其中最为基础和关键的四个维度。它们相互交织，共同塑造了计算思维独特的魅力。

抽象化思维是计算思维的基础特征，是处理复杂问题的首要前提。抽象化思维在面对现实问题时，主动剥离问题中无关紧要、非本质的细节信息、次要属性和特殊场景，精准提炼问题的核心要素、本质规律、逻辑关系与求解目标，将复杂具体的现实问题转化为简洁、规范、可计算、可处理的逻辑问题。现实世界的问题充斥着海量冗余信息，直接处理会陷入细节泥潭，而抽象化思维通过去粗取精、去伪存真，降低问题复杂度，聚焦问题核心，为后续问题求解奠定基础。例如，可以将现实中的交通路网抽象为包含结点、路径和距离的逻辑模型，忽略道路材质、建筑等无关细节，实现路径规划；也可以将复杂物理现象抽象为数学公式与逻辑关系，实现精准分析。抽象化思维的核心是抓住本质，简化问题，为计算思维实现高效求解奠定基础。

自动化思维是计算思维的核心特征，体现计算思维的实践价值。自动化思维指基于抽象化后的问题模型，设计一套严谨、可重复、无歧义、可执行的标准化规则与操作流程，借助计算机等工具，无须人工持续干预，自动完成数据处理、问题求解和任务执行的思维方式。其核心是将人的逻辑思考转化为可机械执行的流程与算法，把重复、烦琐、规律性的工作交给工具完成，实现人思考、机器执行，大幅提升问题求解效率，减少人为失误。自动化思维贯穿计算思维的实践全过程。编程代码、算法执行、自动化控制系统、智能分析工具等都是自动化思维的具体体现，是计算思维从理论转化为实践的核心支撑。

系统化思维是计算思维的全局特征，保障问题求解的整体性。系统化思维指将问题、任务、系统看作一个有机统一的整体，而非零散的部分组合，立足全局目标、全局结构、全局功能，梳理各要素、各环节、各部分之间的相互联系、相互制约、相互协同关系，避免碎片化、局部化思考。在计算思维中，系统化思维要求问题求解全程围绕整体目标开展，统筹协调所有资源、步骤及环节，确保每一步操作都服务于最终求解目标，杜绝局部优化导致整体失衡的问题。无论是理工类专业中的系统设计、工程建模，还是问题求解中的流程规划，都需要依托系统化思维，保障问题求解的完整性、合理性、有效性。系统化思维能够跳出单一的技术视角，从生态系统的角度去理解问题，从而设计出更加健壮、可扩展和可持续的解决方案。

模块化思维是计算思维的实践特征，可降低复杂问题的处理难度。模块化思维是系统化思维的具体落地，指将一个规模庞大、逻辑复杂、难以直接处理的问题或系统，按照功能、逻辑、流程、层级等维度，拆解为若干规模较小、结构简单、相对独立、便于处理的模块，每个模块具备独立的功能与执行逻辑，模块之间通过标准接口实现数据传递与协同配合。拆解后的模块可单独设计、单独调试、单独优化，完成后再整合为完整整体，大幅降低复杂问题的处理难度。模块化思维具备灵活性、高效性、可维护性等优势，在计算机编程、软件工程、理工类工程设计、系统开发中应用广泛，是计算思维处理复杂问题的核心实践方式。

这四大特征并非孤立存在，而是相辅相成、层层递进的有机整体：抽象化为模块化提供了理论基础，模块化为实现自动化创造了前提条件，而系统化则是将各个分散的模块有机整合、保障整体效能的关键。它们共同支撑起计算思维，实现对复杂问题的高效求解。

2.1.4计算思维的四大核心方法

1．分解：复杂问题的拆解方法

分解是计算思维的逻辑起点，是处理所有复杂问题的基础方法，指将一个规模庞大、逻辑交织、无法直接求解的复杂问题，按照科学的逻辑规则、流程顺序、层级结构，拆解为若干个规模适中、逻辑简单、易于处理的子问题，通过逐个突破子问题，最终实现复杂问题的整体求解。

复杂问题的核心痛点在于信息过载与逻辑混乱，直接处理往往令人望而生畏。分解方法的核心逻辑是“化整为零，各个击破”，通过合理拆分，将不可处理的复杂问题转化为可操作的简单子问题，降低问题的认知难度与处理门槛。在分解过程中，必须遵循高内聚、低耦合的原则，确保子问题边界清晰、互不重叠，且所有子问题都服务于整体目标，避免偏离核心。

2．抽象：核心本质的提炼方法

抽象是计算思维的精髓，与分解方法紧密衔接，指在完成问题分解后，针对每个子问题或整体问题，剥离其中与求解目标无关的细节信息、次要属性、特殊场景，只保留对问题求解起关键作用的核心要素、本质规律、逻辑关系、约束条件，将现实问题转化为可计算、可逻辑分析的标准化问题。

抽象方法的核心是“去粗取精，聚焦本质”，过滤冗余信息，避免细节干扰，让问题从复杂、具体的现实形态转变为纯粹、简洁的逻辑形态。抽象主要分为特征抽象与逻辑抽象两类：特征抽象指提炼事物的核心属性，忽略次要特征；逻辑抽象指提炼问题的内在求解规律、运算关系、因果逻辑，忽略具体场景差异。抽象的关键是把握适度原则，既不能抽象过度导致丢失核心信息，也不能抽象不足导致问题依旧复杂。

3．建模：问题逻辑的构建方法

建模是连接现实世界与数字世界的桥梁，是计算思维落地的关键环节，指在分解、抽象的基础上，运用数学、逻辑、专业理论等工具将提炼出的问题核心要素、规律、逻辑、约束条件整合构建为一套完整、可运算、可验证、可优化的逻辑模型或数学模型，为问题求解提供标准化载体。

4．算法：问题求解的执行方法

算法是计算思维的最终落地方法，也是实现问题自动化求解的核心手段，是指针对构建完成的问题模型，设计一套完整、严谨、有效、可执行、可终止的操作步骤与求解流程，按照流程逐步执行计算、推理、操作，最终得到问题的精确求解结果。

四大核心方法形成完整的问题求解闭环：分解化繁为简，抽象去伪存真，建模搭建桥梁，算法驱动执行。这不仅是计算思维的基石，更是解决复杂工程与科学问题的通用方法论。

2.1.5计算思维与理工类专业的关联

理工类专业以自然科学、工程技术为核心，涵盖数学、物理、化学、生物、计算机、机械、电子、建筑、土木、化工、自动化等多个学科，核心特点是逻辑性强，抽象性强，实践性强，复杂性高，注重问题求解、系统设计、数据计算、实验验证与工程实践，而计算思维的核心逻辑、方法、特征，与理工类专业的人才培养目标、专业学习要求、实践应用需求高度契合，为理工类专业学习与实践提供科学的思维方法与实践路径。

在专业知识学习层面，计算思维是理解理工类专业知识、构建知识体系的核心工具。理工类专业知识体系庞大，逻辑严谨，知识点关联性强，包含大量抽象公式、定理、原理、模型，传统死记硬背的学习方式难以掌握核心，而计算思维的抽象化、系统化、模块化方法能帮助学生拆解专业知识体系，提炼核心知识点与逻辑关系，梳理知识脉络，构建系统化、模块化的专业知识框架。同时，计算思维的抽象化思维能帮助学生理解专业知识中的抽象原理、模型、公式，将抽象知识转化为可理解、可梳理、可应用的逻辑内容，降低专业知识的学习难度，提升知识的吸收效率。

在实验实践操作层面，计算思维是开展理工类专业实验与实践活动的核心指引。理工类专业注重实验教学、实践训练，核心目标是培养学生的动手能力、问题解决能力与实践操作能力。计算思维的分解、抽象、建模、算法四大核心方法完美适配实验设计、操作、分析、优化全过程：运用分解方法梳理实验流程，拆分实验步骤，保证实验有序开展；运用抽象方法提炼实验核心变量，观测指标，忽略无关干扰因素；运用建模方法构建实验分析模型，实现实验数据的精准分析；运用算法方法设计实验操作流程、数据处理步骤，提升实验效率与结果精准度。无论是物理实验、化学实验、生物实验，还是工程实训、机械操作、电路调试等，都离不开计算思维的指引。

在工程设计与技术研发层面，计算思维是理工类专业工程实践、科技创新的核心支撑。理工类专业的核心应用场景是工程设计、技术研发、系统开发、产品设计等，面对的都是复杂、大型、多要素的工程问题与技术难题。计算思维的系统化、模块化、自动化思维能帮助工程技术人员拆解复杂工程任务，构建工程系统模型，设计自动化执行流程，实现工程方案的优化、工程系统的研发、技术难题的解决。机械设计、建筑工程、电子电路研发、自动化控制系统设计、软件开发等工程技术活动，都是计算思维与理工类专业深度融合的典型体现，计算思维为工程研发提供了科学的方法论，提升了工程设计的合理性、高效性、创新性。

此外，计算思维契合理工类专业的人才培养目标。当前理工类专业人才培养注重培养学生的逻辑思维、实践能力、创新能力与数字化能力，而计算思维的培养能同步提升学生的逻辑分析、问题求解、实践操作、数字化应用与创新能力，助力学生适应理工类专业发展需求，契合行业企业对工程技术人才的能力要求，为学生的职业发展、科研深造奠定坚实基础。

2.2计算思维的应用

2.2.1计算思维在程序设计中的应用程序设计是计算思维最核心、最直接的应用场景。在程序设计的广阔天地里，计算思维不是纸面上的逻辑推演，而是必须经受住机器执行的实战检验。从需求分析到代码实现，再到调试优化，计算思维的每一个核心要素都在其中发挥着不可替代的作用，决定了软件的质量、效率和可维护性，二者深度融合、不可分割。

在算法设计与实现阶段，计算思维的核心在于对效率与资源的精准权衡。编写代码不是语法的堆砌，而是算法逻辑的构建。计算思维要求开发者在设计循环、递归或条件判断时时刻关注算法的时间复杂度和空间复杂度。例如，在处理海量数据排序时，是选择简单但缓慢的冒泡排序，还是选择复杂但高效快速排序或归并排序，这需要对数据特征有深刻的洞察。此外，自动化思维在此阶段体现得淋漓尽致，开发者需要设计出一套机器能够无歧义执行的指令序列，考虑到每一个可能的边界条件。这种对确定性和完备性的极致追求，正是计算思维赋予程序员的职业素养。

调试与优化是程序设计中最为考验计算思维的环节。当程序运行结果不符合预期时，计算思维提供了一种系统化、可复现的排错路径。这不是试错，而是一种基于假设—验证的科学探究过程。开发者需要首先运用逻辑推理，根据错误日志或异常表现，通过二分法等手段推测问题可能出现的模块，隔离变量以复现问题，然后追踪数据流向，定位逻辑漏洞。优化过程则更是对计算思维的深度应用与升华，通过性能分析工具找出瓶颈，运用缓存策略减少重复计算，利用并行处理提升吞吐量。在这个过程中，计算思维帮助开发者在代码的可读性、运行效率和开发成本三者之间找到最佳平衡点，从而实现软件工程意义上的最优解。

此外，现代程序设计中的设计模式本质上就是计算思维中模式识别与泛化迁移的结晶。单例模式、工厂模式、观察者模式等都是前人总结出来解决特定类型问题的标准化思维模式。熟练运用这些模式，意味着开发者能够站在巨人的肩膀上，用更成熟、更稳健的思维框架来构建软件系统。因此，程序设计不仅是计算思维的应用场景，更是锤炼计算思维的最佳磨刀石。

2.2.2计算思维在理工类工程问题中的应用

在理工类专业工程实践中，计算思维已经超越了辅助工具的角色，成为驾驭复杂性、解决非线性及大规模问题的核心引擎。无论是土木工程的宏观结构还是电子工程的微观电路，计算思维通过虚拟化、离散化和迭代优化的手段将现实世界的物理挑战转化为可计算的数学模型，是解决工程难题、保障工程质量、提升工程效率的核心思维工具。

在土木与机械工程中，计算思维最典型的应用莫过于有限元分析。面对一座跨海大桥或一台航空发动机，工程师无法通过简单的公式手算其受力情况。计算思维引导工程师首先将连续的物理实体离散化为成千上万个微小的、形状规则的单元，通过抽象，将复杂的材料属性简化为弹性模量、泊松比等参数，然后利用计算机强大的算力对每个单元的物理方程进行求解，最后将所有单元系统化地组装起来，模拟出整体结构在极端载荷下的应力分布和形变情况。这种离散化的思维方式使得人类得以处理连续介质力学中的复杂难题，极大地提高了工程设计的安全性和经济性。

在电子与通信工程领域，计算思维体现为对信号的处理和对系统的仿真。在设计复杂的集成电路或通信协议时，工程师利用EDA(ElectronicDesignAutomation)工具进行虚拟原型设计。通过编写硬件描述语言，工程师将电路的逻辑功能算法化，并在计算机上进行时序仿真和功耗分析。这种思维方式要求工程师具备极强的模块化能力，将庞大的芯片设计分解为寄存器传输级模块，并精确控制信号在时钟周期内的流动。此外，在5G通信等前沿领域，计算思维用于设计复杂的信道编码算法，通过概率统计和矩阵运算，在充满噪声的信道中实现接近香农极限的高效传输。

在生物医学工程等交叉学科中，计算思维正在开启全新的研究范式。例如，在基因测序分析中，面对海量的DNA片段数据，计算思维指导研究人员设计高效的比对算法，将数以亿计的短序列片段拼接还原为完整的基因组。在医学影像处理中，通过图像分割和特征提取算法，计算机能够辅助医生自动识别肿瘤病灶。这种先将生物信息转化为数字信息再通过算法挖掘价值的过程，正是计算思维在生命科学中的生动实践。

在理工类专业的工程问题中，计算思维不仅是一种技术手段，更是一种计算实验的方法论。它允许工程师在投入巨额资金制造实物之前，在数字世界中反复试错、迭代优化，从而显著降低了试错成本，缩短了研发周期，并最终实现了从经验驱动向数据与模型驱动的工程范式转型。

2.2.3计算思维的培养与意义

1．个人综合能力提升

计算思维的培养，其首要价值在于对个人综合认知能力的重塑与升级。在传统教育中，理工科学生往往习惯于基于公式的线性思维或基于经验的试错思维，这种模式在处理确定性问题时有效，但面对开放性与复杂性问题时往往束手无策。计算思维通过分解、抽象、建模、算法这一套严密的逻辑链条，训练了将模糊问题转化为清晰步骤的能力，从而显著提升了解决非结构化问题的能力。

具体而言，这种提升体现在以下三个方面。

(1)逻辑严谨性。编程与算法设计要求个体考虑所有边界条件与异常情况，消除了其日常思维中的模糊地带，培养了其凡事讲逻辑、步步有依据的习惯。

(2)系统性规划能力。通过模块化与系统化思维的训练，个体学会了从全局视角统筹资源，避免头痛医头、脚痛医脚的碎片化认知。

(3)抗挫折能力与调试能力。在调试代码的过程中，个体面对报错与失败，学会了基于证据的假设验证法来定位问题根源，这种科学探究精神能迁移到学习、工作的方方面面。因此，计算思维不仅是技术能力的补充，更是底层思维模型的升级，是个人从被动接受知识向主动构建方案转变的关键。

2．数字化时代必备素养

在数字化与智能化浪潮席卷全球的今天，计算思维已不再是计算机专业人士的专利，而是演变为像阅读、写作、算术等的基础必备技能。在一个算法推荐主导信息获取、大数据分析主导商业决策、自动化系统主导社会运行的时代，不具备计算思维的人容易沦为数字文盲或被技术黑箱所裹挟。例如，具备计算思维的人可以理解为何搜索引擎能快速找到信息，为何电商能精准推荐商品，并能对算法偏见和数据隐私问题保持批判性警惕。此外，计算思维赋予了个体与机器高效协作的能力。在办公场景中，利用Excel宏、Python脚本、AI工具自动处理报表，或通过正则表达式清洗数据，已成为职场进阶的高阶竞争力。因此，普及计算思维教育是弥合数字鸿沟、提升全社会数字化生存能力的必由之路。

3．计算思维与创新实践

计算思维的最高价值在于它为创新实践提供了全新的方法论与工具箱，推动个体从技术的消费者转变为创造者。在传统的创新模式中，灵感往往源于偶然的顿悟或漫长的试错；而在计算思维的驱动下，创新可以通过计算实验与数据驱动来系统地实现。

一方面，计算思维支持仿真驱动的创新。在航空航天、生物医药等高风险、高成本的领域，创新者可以利用计算模型在虚拟空间中进行成千上万次模拟实验，以极低的成本快速筛选方案，试错迭代，极大地加速了研发进程。另一方面，计算思维赋能数据驱动的发现。在科学研究中，设计算法从海量数据中发现人眼无法识别的模式，这种第四范式已成为科技创新的新引擎。对于理工科专业学生而言，掌握计算思维意味着拥有了将奇思妙想转化为实际产品的工程化能力，无论是开发一款移动应用程序，还是设计一个智能硬件控制系统，计算思维都是连接创意与现实的桥梁，是孕育颠覆性创新的土壤。第3章人工智能概述3.1人工智能的定义3.2人工智能的诞生与演进3.3人工智能的主要学派3.4人工智能的核心技术3.5人工智能的应用领域3.6人工智能的伦理与社会影响3.7人工智能的未来发展趋势

3.1人工智能的定义

3.1人工智能的定义

人工智能旨在模拟人类的思维模式与行为方式，使计算机系统具备感知、学习、推理、决策乃至一定程度的创造能力，从而辅助或部分替代人类完成各类复杂任务。简言之，人工智能是人类借助计算机技术构建的、具有部分类人脑功能与行为特征的智能体(IntelligentAgent)。

1．弱人工智能

弱人工智能，又称窄人工智能，是指专注于解决特定问题、执行单一领域任务的人工智能系统。这类系统通常依托预先设定的规则与海量数据完成工作，不具备真正意义上的自主意识、通用学习与跨领域推理能力。

弱人工智能本质上是为特定场景、特定任务量身设计的专用程序，仅依靠强大的计算能力，按照既定算法与模型，模拟人类在某一专业领域内的判断与决策过程。

2．强人工智能

强人工智能目前仍属于科幻设想，其出现可能对人类社会产生深远影响，但具体情形尚难预测。强人工智能指的是达到人类智能水平的通用智能系统。与弱人工智能相比，强人工智能依托强大的计算能力，更加全面地模拟人类的思维活动。除了在特定领域具备专家级决策能力，它甚至能够模拟人类的创造力与情感反应。

目前，人类对强人工智能的研究仍停留在理论与概念层面，尚未实现实际系统。强人工智能具有广泛的认知能力，能够像人类一样在多个领域和任务中表现出智能行为，并具备自主学习、推理、规划和创造等能力。

3．超级人工智能

超级人工智能长期以来是科幻作品中备受关注的题材。根据一些设想，超级人工智能不再仅仅依赖强大的计算能力进行模拟，而是实现了“觉醒”，具备自主认知和创新能力。觉醒后的超级人工智能对硬件算力的依赖可能反而降低，其处理和理解信息的能力远超人类。

面对人类数千年文明积淀的海量知识，超级人工智能可以快速整合突破并生成全新的知识体系。它不仅具备强人工智能的所有能力，包括自主学习、推理、规划、创造和情感模拟，还可能发展出适合自身的独特认知模式、创造方式，甚至形成属于自己的偏好和情感体验。在智力、创造力、学习能力等维度，理论上超级人工智能将会超过人类。

3.2人工智能的诞生与演进3.2.1人工智能的起源随着科技的不断进步，到了20世纪中叶，计算机技术的出现为人工智能的诞生提供了关键的物质基础。1956年，美国达特茅斯学院举办学术会议，正式提出“人工智能”这一术语，标志着人工智能正式成为一门独立学科。这次会议汇集了计算机科学、数学、心理学等多个领域的专家(见图3-1)，共同探讨如何让机器具备人类智能的相关问题。图3-1达特茅斯会议参会学者

3.2.2人工智能的发展阶段

如图3-2所示，人工智能的发展经历了三次浪潮。图3-2人工智能三次发展浪潮时间轴

1．第一次浪潮：基于规则的系统

20世纪50年代末至70年代初，迎来人工智能的第一次浪潮。在这个阶段，科学家试图通过编写大量的规则和知识，使计算机具备智能。例如，专家系统就是这一时期的典型代表。专家系统是一种基于知识的计算机程序，它能够模拟人类专家在特定领域的决策过程。

然而，基于规则的系统存在一些局限性。随着知识的不断增加，规则的数量和复杂性也迅速增长，导致系统的维护和扩展变得困难；另外，这种系统缺乏灵活性，难以处理不确定和模糊的信息。

2．第二次浪潮：机器学习

20世纪80年代至90年代，人工智能迎来了第二次浪潮，以机器学习为主要特征。机器学习的出现使得计算机能够通过数据学习和改进自身的性能，而不再仅仅依赖于人工编写的规则。统计学习方法在这个时期得到了广泛应用，如决策树、支持向量机等算法。

机器学习在很多领域取得了显著的成果，如模式识别、数据挖掘等。它能够从大量的数据中自动提取有用的信息和规律，为人工智能的发展注入了新的活力。

3．第三次浪潮：深度学习

从21世纪初开始，人工智能进入了第三次浪潮，以深度学习为核心。深度学习是一种基于神经网络的机器学习方法，它通过构建多层神经网络来学习数据的内在特征和规律。深度学习在图像识别、语音识别、自然语言处理等领域取得了突破性的进展。

3.3人工智能的主要学派

3.3.1符号主义学派符号主义学派认为人工智能的核心是符号系统，通过对符号的操作和推理来模拟人类思维。其理论基础源于数学逻辑和计算机科学。在早期的人工智能研究中，符号主义学派占据重要地位。例如，图3-3所示的专家系统就是符号主义学派的典型应用。专家系统将领域专家的知识以符号形式表示，通过规则引擎进行推理，从而解决特定领域的问题。图3-3专家系统架构图

3.3.2连接主义学派

连接主义学派基于神经网络的原理，认为人工智能可以通过模拟生物神经系统的结构和功能来实现。神经网络由大量的神经元相互连接组成，通过对数据的学习和训练，调整神经元之间的连接权重，从而实现对信息的处理和学习。

例如，在图像识别中，卷积神经网络(CNN)(见图3-4)通过多层神经元的卷积和池化操作，能够自动提取图像的特征，实现高精度的图像识别。图3-4卷积神经网络(CNN)结构示意图

3.3.3行为主义学派

行为主义学派强调从行为的角度研究人工智能，认为智能是在与环境的交互中产生的。它不关注内部的认知过程，而注重通过行为的反馈来学习和适应环境。例如，在机器人控制中，行为主义学派的方法可以使机器人通过与环境的交互，不断调整自身的行为，以完成特定的任务，如避障、导航等。

行为主义学派在机器人控制和一些简单的智能体系统中有着广泛的应用，为人工智能在实际环境中的应用提供了重要的思路。

3.4人工智能的核心技术

3.4.1机器学习机器学习是人工智能的基础技术之一，其核心思想是让计算机通过数据自动学习规律，无须人工编写具体规则就能完成任务。根据学习方式的不同，机器学习可分为监督学习、无监督学习和强化学习三大类，如图3-5所示。图3-5机器学习三类方法对比

(1)监督学习：通过标注好的训练数据(即输入与对应输出的“标准答案”)，让模型学习输入到输出的映射关系。例如，在图像分类任务中，给模型输入大量标注了“猫”“狗”的图片，模型通过学习可自动识别新图片中的动物类别。

(2)无监督学习：面对没有标注的数据集，模型通过挖掘数据内部的结构和规律(如相似性、聚类特征)完成任务。例如，电商平台通过用户消费记录的聚类分析实现精准的用户群体划分。

(3)强化学习：智能体通过与环境的交互，根据“奖励”或“惩罚”信号调整行为策略，逐步优化目标。例如，AlphaGo通过自我对弈学习围棋策略，最终战胜人类顶尖棋手，就是强化学习的典型应用。

3.4.2深度学习

深度学习是机器学习的一个重要分支，以人工神经网络为核心，通过模拟人脑神经元的连接方式实现复杂的信息处理。与传统机器学习相比，深度学习能自动提取数据的多层级特征，尤其在处理图像、语音等复杂数据时表现突出。

(1)卷积神经网络(CNN)：通过卷积层、池化层等结构，有效提取图像的局部特征(如边缘、纹理)，广泛应用于图像识别、人脸识别等领域。例如，手机相机的“人像模式”就是通过CNN识别前景人物与背景，实现虚化效果。

(2)循环神经网络(RNN)：针对序列数据(如文本、语音)，通过记忆先前信息处理后续输入，适用于机器翻译、语音识别等任务。例如，实时字幕生成利用RNN对语音流进行时序建模，完成语音到文本的转化。

(3) Transformer模型：基于“注意力机制”，同时关注输入数据的不同部分，在自然语言处理领域引发了革命(如ChatGPT、机器翻译系统)。其并行计算能力大幅提升了长文本处理效率。

3.4.3自然语言处理

NLP的关键技术与应用包括词嵌入、预训练语言模型、机器翻译等。

(1)词嵌入(WordEmbedding)：是NLP中语言模型与表征学习技术的统称。众所周知，计算机无法读懂自然语言，只能处理数值，因此自然语言需要以一定的形式转化为数值。词嵌入是将自然语言中的词语映射为数值的一种方式，用于将文字转化为计算机可理解的向量，捕捉词语间的语义关联。例如，“国王”与“女王”的向量差近似于“男人”与“女人”的向量差。

(2)预训练语言模型：如BERT、GPT等，通过海量文本数据预训练，能快速适配下游任务(如问答、摘要生成)。例如，智能客服系统通过预训练模型理解用户问题，并生成自然语言回复。

(3)机器翻译：打破语言壁垒的核心技术，从早期的基于规则翻译发展到如今基于深度学习的端到端翻译，准确率大幅提升。目前，谷歌翻译支持100多种语言实时互译。

自然语言处理使人类与计算机的交互更自然，推动了智能助手(如小艺、小爱、Siri等)、自动文档处理等应用的普及。

3.4.4计算机视觉

计算机视觉的典型技术与应用场景在各个领域均有体现，常见的有如下几种。

(1)目标检测：在图像中定位并识别多个目标(如行人、车辆)，广泛应用于自动驾驶(识别交通信号灯、障碍物)、安防监控(异常行为检测)等领域，如图3-6所示。

(2)图像分割：将图像像素级划分为不同语义区域(如天空、道路、建筑等)，是无人机航拍地图绘制、医学影像分析(如肿瘤区域定位)的核心技术。

(3)人脸识别：通过提取人脸特征点(如眼角、鼻尖位置等)进行身份验证，已应用于手机解锁、机场安检等场景，其准确率在理想条件下在99%以上。图3-6目标检测应用示例

3.5人工智能的应用领域

3.5.1医疗健康人工智能为医疗行业注入了“智慧基因”，从疾病诊断到健康管理实现全链条赋能。(1)医学影像分析：通过深度学习技术，计算机可自动识别CT、MRI等影像病灶(如肺部结节、脑瘤等)，辅助医生提高诊断效率和准确率。例如，乳腺癌筛查系统能在钼靶片中快速定位可疑钙化点，灵敏度远超人工肉眼。

(2)智能诊疗助手：基于自然语言处理的系统可解析患者病历，结合医学知识库给出诊断建议，尤其在基层医疗资源匮乏地区，能弥补医生经验不足的短板。

(3)药物研发：AI通过预测分子结构与疗效的关系，加速新药筛选流程，将传统需要数年的研发周期缩短至数月。例如，在新冠疫苗研发中，AI对蛋白结构的预测发挥了关键作用。

3.5.2金融服务

金融行业是人工智能应用最成熟的行业之一，其核心价值在于风险控制与效率提升。

(1)智能风控：通过机器学习分析用户征信、交易记录等多维度数据，构建风险模型，实时识别欺诈交易(如信用卡盗刷、洗钱行为)。某银行应用该技术后欺诈率下降60%以上。

(2)智能投顾：根据用户风险偏好、资金规模等，自动生成个性化投资组合，降低理财门槛。例如，蚂蚁财富的“智能理财助理”可实时调整资产配置。

(3)量化交易：AI算法通过分析市场波动规律，实现高频交易决策，在毫秒级时间内捕捉套利机会，远超人工操作效率。

3.5.3智能制造

人工智能推动传统制造业向“柔性化”和“智能化”转型，重构生产流程。

(1)预测性维护：在工业设备(如风机、机床)上安装传感器，AI通过分析振动幅度/频率、温度等数据，提前预判故障风险并发出维修提醒。某汽车工厂应用AI后停机时间相对减少。

(2)智能质检：计算机视觉系统可自动检测产品表面缺陷(如芯片划痕、玻璃瓶杂质)，替代传统人工抽检，降低漏检率。

(3)数字孪生：通过构建工厂虚拟副本，AI模拟生产流程并优化参数(如能耗、产能调度)，显著提高了工厂的生产效率。

3.5.4智能交通

人工智能是实现交通安全、高效、绿色的核心技术支撑。

(1)自动驾驶：L4级自动驾驶汽车通过激光雷达、摄像头等传感器感知环境，结合AI算法实时决策(如避让行人、变道超车)，如图3-7所示。百度Apollo已在多个城市开展Robotaxi试点。

(2)智能交通管控：AI分析路口车流量数据，动态调整信号灯时长，提高了早晚高峰通行效率；同时可预测交通拥堵点，提前发布绕行建议。

(3)车路协同：通过车与车、车与路侧设备的信息交互，AI实现全局交通优化，降低事故率。

图3-7自动驾驶示意图

3.5.5教育与服务

(1)个性化学习：AI根据学生答题数据生成知识图谱，定位薄弱环节并推送定制化习题，实现“因材施教”。

(2)智能客服：融合自然语言处理的客服系统可7 × 24小时响应用户咨询(如银行APP的语音客服)，大幅降低人工成本。

(3)文旅体验：故宫、敦煌等景区的AI导览机器人能通过语音交互讲解文物历史，还可根据游客兴趣推荐游览路线。

人工智能的应用已从“单点突破”迈向“全域渗透”，其价值不仅在于替代重复劳动，更在于通过数据洞察创造新的可能性。随着技术成熟，未来更多领域将迎来智能化变革。

3.6人工智能的伦理与社会影响

3.6.1伦理困境：技术进步背后的价值拷问1．算法歧视与公平性人工智能的决策依赖于训练数据，若数据中隐含偏见(如与性别、种族相关的历史数据)，则模型可能会强化这种不公。这种“隐性歧视”难以察觉，却会加剧社会不平等，如何在技术设计中嵌入“公平性原则”成为关键。

2．隐私与数据滥用风险

人工智能的高效运行依赖海量数据，尤其是生物特征(人脸、指纹)、行为习惯(消费记录、位置信息)等敏感数据。若这些数据被过度收集、非法交易或泄露，可能导致个人权利受损。例如，某企业未经授权采集用户人脸数据用于营销分析；黑客攻击AI系统窃取医疗记录。

3．责任归属与“算法黑箱”

当人工智能系统出现失误(如自动驾驶车辆事故、医疗AI误诊)时，责任该由开发者、使用者还是系统自身承担？由于深度学习模型的“黑箱性”(决策过程难以解释)，追责往往面临困境。例如，某自动驾驶汽车碰撞事故中，无法明确是算法缺陷、传感器故障还是人类误操作导致了结果。

3.6.2社会影响：变革中的机遇与挑战

1．就业结构的重构

人工智能对就业的影响具有两面性：

一方面，重复性劳动(如流水线工人、电话客服)可能被自动化取代，导致部分岗位消失；

另一方面，新职业(如AI训练师、算法伦理师)不断涌现，推动劳动力向高技能领域转型。据测算，到2030年，全球约15%的工作岗位将被AI和自动化技术重塑。

2．社会关系与人类主体性

随着AI在教育、医疗、陪伴等领域的渗透，人类对技术的依赖逐渐加深。例如，儿童长期与教育机器人互动，可能影响其社交能力的发展；老年人过度依赖陪护机器人，可能弱化亲情联结。更值得警惕的是，若AI被用于制造“深度伪造”(如虚假视频、语音)，可能破坏信息的真实性，动摇社会信任基础。

3.6.3应对路径：构建负责任的人工智能

面对伦理与社会挑战，国际社会已开始探索解决方案。

(1)技术层面：开发“可解释AI”和“公平性算法”，让模型决策透明化、可追溯。

(2)政策层面：出台数据保护法规(如欧盟《通用数据保护条例》GDPR)、AI伦理指南(如联合国教科文组织《人工智能伦理建议》)。

(3)教育层面：培养技术开发者的伦理意识，提升公众对AI的认知与批判能力。

只有将“伦理嵌入技术设计”“责任融入发展理念”，才能让人工智能真正成为服务人类福祉的工具。

3.7人工智能的未来发展趋势

3.7.1技术融合：多领域协同催生新范式人工智能将与其他新兴技术深度融合，形成“1+1>2”的协同效应，重塑产业形态。

(1) AI + 物联网(IoT)：通过智能传感器收集物理世界数据，AI进行实时分析与决策，实现“万物智联”。

(2) AI + 区块链：区块链的去中心化、不可篡改特性为AI数据提供可信支撑。

(3) AI + 边缘计算：将AI模型部署在终端设备(如手机、摄像头)上，而非云端，实现低延迟、高隐私的智能服务。

3.7.2能力升级：从“感知智能”迈向“认知智能”

当前AI以“感知智能”(如识别图像、语音等)为主，未来将向具备推理、规划、创造能力的“认知智能”突破。

(1)通用人工智能(AGI)探索：现有AI系统多为“窄人工智能”(NarrowAI)，即只能在特定任务或领域内表现出智能。例如，AlphaGo专注于围棋对弈，机器翻译系统仅擅长语言转换，它们缺乏跨领域迁移能力和自主理解复杂场景的综合智能。而AGI的核心目标是实现“通用智能”：具备与人类相似的认知能力，能够理解、学习任何领域的知识，灵活应对未预设的复杂任务，甚至拥有自主意识和创造力。

(2)可解释AI(XAI)：破解“算法黑箱”，使AI决策过程透明化、可追溯。例如，医疗AI不仅给出诊断结果，还能说明“基于患者的哪些症状、历史病例得出该结论”，增强医生对系统的信任；金融风控AI需解释拒贷原因，保障用户知情权。

(3)自主进化能力：AI系统将具备自我学习、自我优化的能力。例如，工业机器人通过持续积累生产数据，自主调整动作参数以提高精度；推荐系统根据用户反馈实时迭代算法，减少“信息茧房”效应。

3.7.3应用拓展：从“产业赋能”到“社会治理”

(1)可持续发展领域：AI助力“双碳”目标实现。

(2)公共服务普惠化：AI推动教育、医疗资源均衡分配。

(3)全球治理协同：AI在应对公共卫生危机(如疫情传播预测)、自然灾害(如地震预警)、粮食安全(如病虫害智能防治)等全球性问题中发挥作用。

人工智能浪潮是一场深刻的结构性变革。它既带来了岗位替代与职业转型的挑战，也催生了大量新职业、新产业与新机遇。未来，人工智能将不再只是孤立的技术工具，而逐步发展为融入社会运行体系的“智能基础设施”，广泛服务于生产制造、教育医疗、城市治理和日常生活等领域。

人工智能的发展既需要持续推动技术创新，也必须加强制度规范与伦理治理，在追求效率与突破的同时坚守安全、公平与责任底线。唯有如此，才能推动人工智能朝着更加健康、可持续的方向发展，最终实现“以人为本、人机协同、共享共赢”的智能社会愿景。第4章C语言基础4.1C语言程序介绍4.2C语言程序的组成4.3C语言程序的实现

4.1C语言程序介绍

4.1.1C语言的发展早期的操作系统等系统软件主要用汇编语言编写(包括UNIX操作系统在内)，但汇编语言存在明显缺点，即用其编写的程序可读性和可移植性较差。为了提高程序的可读性和可移植性，可改用高级语言。但是，一般的高级语言难以实现汇编语言的某些功能(如直接对硬件进行操作、对内存地址的操作、位操作等)。

为此，人们希望找到一种既具有一般高级语言特性，又具有低级语言底层操作能力的语言—集二者优点于一体的语言。于是，C语言在20世纪70年代初应运而生。1978年，美国电话电报公司(AT&T)的贝尔实验室正式发布了C语言；同时，B.W.Kernighan和D.M.Ritchit合著出版了影响深远的TheCProgrammingLanguage一书(该书通常被简称为K&R，也有人称之为K&R标准)。K&R标准并没有定义一个完整的标准C语言，因此，许多开发机构纷纷推出自己的C语言版本，而这些版本之间的微小差别不时引发兼容性问题。针对这些问题，美国国家标准学会(AmericanNationalStandardsInstitute，ANSI)在各种C语言版本的基础上制定了C语言标准，于1983年发表，通常称为ANSIC。

4.1.2C语言的特点

C语言是一种通用、灵活、结构化、标准化且使用广泛的编程语言，能完成用户的各种任务，尤其适合系统程序设计和对硬件进行操作的场合。C语言本身对程序员限制较少，是专业程序员优先选择的语言。

C语言有如下主要特点：

(1)简洁紧凑：压缩了一切不必要的成分。ANSIC只有32个关键字，书写形式自由。

(2)运算符丰富：将括号、赋值、强制类型转换、取变量地址等以运算形式实现。ANSIC提供了34种运算符，灵活使用这些运算符可实现其他高级语言难以完成的操作。C语言的表达式简练、多样、灵活、实用，加上分号即可构成语句。

(3)数据类型丰富：具有现代语言的各种数据类型，用户还能扩充它，以实现各种复杂的数据结构，来完成各种问题的数据描述。C语言的指针类型非常有特色，可指向各种数据，完成数据的高效处理。C语言不但能对数据作类型上的描述，还提供了存储属性方面的考虑。

(4)结构化的程序设计语言：层次清晰，便于按模块化方式组织程序，易于调试和维护。C程序由若干程序文件组成，一个程序文件又由若干函数组成。

(5)可直接访问物理地址：进行位(bit)级操作，实现汇编语言的大部分功能。由于C语言实现了对硬件的编程操作，集高级语言和低级语言功能于一体，表现能力和处理能力极强，有时也被称作“中级语言”。

(6)提供预处理机制：有利于大型程序的编写和调试。

(7)目标代码质量高：程序执行效率高，一般只比汇编程序生成的目标代码效率低10%～20%。

(8)可移植性好：与汇编语言相比，用C语言编写的程序基本上不做修改就可以用于各种型号的计算机和操作系统。

(9)语法限制不太严格：程序员的设计自由度较大(如数组下标越界不做检查，由程序员自己保证程序的正确性)。一般高级语言语法检查都比较严格，能查出大部分语法错误；而C语言允许程序员有较大的自由度，因此放宽了语法检查。限制与灵活是一对矛盾：限制严格，就会失去灵活性；而强调灵活，就必然放松限制。不熟练的程序员编写正确的C语言程序可能会比其他高级语言难一些。也就是说，对于使用C语言的人，要求其对程序设计更熟练一些。

4.2C语言程序的组成

下面通过几个简单的程序实例来说明C语言程序的组成。

【例4.1】在屏幕上输出一串字符“HelloWorld!”。

分析：

(1) main( )为主函数。C语言程序由函数构成，但有且只有一个主函数。

(2) C语言程序中必须至少有一对{}，代表程序的开始与结束，其中内容称为函数体。

(3) printf( )为标准输出函数，用于将程序运行结果显示到输出设备(显示器)上。

(4) #include<stdio.h>为预处理命令，当程序中有输出函数或输入函数时必须包含此行。

【例4.2】已知a = 10,b = 30，求两数之和sum。

分析：

(1)“inta,b,sum;”语句说明a、b和sum为三个整型变量，可通过赋值操作改变变量的值。

(2)“a = 10;”语句表示将整数10送到a的存储单元中；“sum = a + b;”语句表示先取a和b两个存储单元中的数据并在运算器中相加，然后将结果保存在sum变量单元中。

(3)“printf("sum = %d\n",sum);”语句中，printf( )函数的参数包括两部分：“sum”是要输出的数据；“sum=%d\n”是数据输出的格式控制字符串，其中格式控制符“%d”的作用是按整数格式输出sum的值，“sum=”是输出数据的