《人工智能通识》本科通识课程全套教学课件

人工智能通识主讲人：×××全套可编辑PPT课件全课导航人工智能概述人工智能的行业应用人工智能大模型基础与应用010203智能体的开发与应用人工智能伦理与行业应用规范人工智能综合实训040506人工智能概述模块1学习目标技能目标能够结合自身专业岗位，初步认知人工智能的应用价值。能够使用不同工具探究传统人工智能与新一代人工智能的区别。知识目标掌握人工智能的定义、特征与分类。了解人工智能的发展历程和发展趋势，以及人工智能在我国的发展。理解人工智能的核心技术。素质目标关注人工智能技术的发展，激发探索前沿技术的兴趣。了解我国在人工智能领域的成就，增强民族自豪感。认识身边的人工智能应用，树立“人工智能赋能专业”的基本理念。学习情境

一认识人工智能01人工智能（artificialintelligence,AI）是一个兼具科学性、技术性与实用性的学科，其研究领域十分广泛。在不同维度下，人工智能的定义各有侧重，但均围绕“模拟、延伸和扩展人类智能”展开。一、人工智能的定义学科维度技术维度应用维度一、人工智能的定义（一）学科维度从学科维度来看，人工智能是一门研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用的综合性学科，它融合了计算机科学、神经生理学、心理学、语言学、哲学等多门学科的知识体系，形成了独特的理论与研究范式。核心研究目标：揭示人类智能的工作机制，并通过技术手段将其转化为计算机可实现的逻辑与方法，最终达成“让机器具备类人智能”的愿景。学科差异：与传统计算机学科侧重“计算与执行”不同，人工智能更强调感知、认知、推理、学习等类人能力的模拟，是一门兼具理论深度与实践导向的学科。一、人工智能的定义（二）技术维度从技术维度来看，人工智能是一个由数据、算法、算力三大核心要素支撑，用于实现模拟、延伸和扩展人类智能的技术集合，是连接学科理论与实际应用的桥梁。核心研究目标：通过设计特定算法，让计算机能够处理数据、学习规律、做出决策，进而模拟人类的感知、思考与行动能力。一、人工智能的定义（二）技术维度具体而言，人工智能技术体系（见图）可分为基础层、技术层与应用层

3

个层面。人工智能技术体系一、人工智能的定义（二）技术维度基础层以数据资源、软件算力平台和硬件基础设施为支撑，是实现智能的基础。一、人工智能的定义（二）技术维度技术层聚焦图像识别、机器翻译等细分领域，涵盖机器学习（machinelearning,ML）、深度学习（deeplearning,DL）等理论算法，以及知识图谱（knowledgegraph,KG）、自然语言处理（naturallanguageprocessing,NLP）、语音识别（speechrecognition,SR）、计算机视觉（computervision,CV）等应用算法，并依托各类AI框架为工程实现提供关键支撑，是实现智能的核心手段。一、人工智能的定义（二）技术维度应用层则将技术与具体场景相结合，形成智能营销、智能风控、智能客服等可落地的应用方案。一、人工智能的定义（二）技术维度小贴士人工智能技术的本质是“给机器喂入数据，让机器自己找出规则”，其核心在于三大要素的支撑与协同。（1）数据：无论是结构化的表格，还是非结构化的图像、文本、语音，海量且高质量的数据是训练AI模型、使其具备“学习”能力的基础。（2）算法：算法是处理数据、发现规律、做出决策的数学模型和计算步骤。从传统的机器学习到如今主流的深度学习，算法的演进决定了AI能力的上限。（3）算力：算力是指计算机处理海量数据的能力。以图形处理器（graphicsprocessingunit,GPU）为代表的底层算力突破，是AI技术突飞猛进的物理保障。一、人工智能的定义（三）应用维度从应用维度来看，人工智能是一种能够用机器智能替代或辅助人类完成复杂、重复、低效任务的实用工具。应用场景：医疗、金融、教育、制造、交通、娱乐等多个领域。应用本质：人工智能并非要“取代人类”，而是作为人类智能的延伸，帮助人类突破生理与精神的极限，完成更具创造性、决策性的工作。应用价值：随着技术的不断成熟，人工智能正深刻改变着人们的生产生活方式与社会发展格局，成为推动经济社会转型的重要引擎。二、人工智能的特征人类拥有看懂世界、思考规律、积累经验并做出选择的能力。人工智能作为人类智能的模拟、延伸与扩展，也具备与人类智能相似的特征。这些特征相互关联、协同作用，共同构成了人工智能系统高效工作的基础。感知能力推理能力学习能力自主决策能力人工智能的特征二、人工智能的特征人类通过眼睛、耳朵等感官接收外部信息，形成对客观世界的认知；人工智能则是通过各类技术手段，模拟人类的视觉、听觉、触觉等功能，实现对外部信息的捕捉、识别与初步解读。（一）感知能力人工智能的感知能力主要通过计算机视觉、语音识别、自然语言处理等技术实现。自动驾驶汽车通过摄像头“看”到道路和行人，通过雷达“感知”到周围车辆的距离和速度；智能音箱通过麦克风“听”到人类的语音指令，并将其转化为可执行命令。例如感知能力使人工智能能够“看懂”图像、“听懂”语言、“读懂”文本，为其后续的推理和决策提供了必要的信息输入。二、人工智能的特征推理能力是指人工智能基于已有的信息和知识，进行分析、判断和推导，进而得出合理结论的能力，本质上是对人类逻辑思维过程的模拟。（二）推理能力人工智能可通过预设的规则或学习到的规律，对输入的信息进行加工处理，进而形成符合逻辑的判断或结论。与人类推理相比，人工智能的推理能力高效且精准，能够处理海量信息并快速完成推理过程。智能客服可根据用户的咨询内容，结合已有的知识库，推理出用户的需求并给出精准回复；银行的风险控制系统，可通过分析用户的消费习惯、信用记录等多维度信息，推理出用户的信用风险等级。例如二、人工智能的特征（二）推理能力推理能力使人工智能能够从多源数据中抽丝剥茧、寻找潜在逻辑关联，是人工智能展现“智慧”的重要体现。二、人工智能的特征（三）学习能力人工智能通过机器学习、深度学习等算法对海量数据进行训练，自主发现数据中的规律和关联，并将其转化为自身的知识储备。学习能力是人工智能区别于传统计算机技术的核心特征，也是人工智能技术能够实现迭代升级的关键。学习能力是指人工智能通过分析数据，自主获取知识、掌握规律，进而优化自身性能和行为的能力，这也正是前文提到的“给机器喂入数据，让机器自己找出规则”的体现。推荐系统通过分析用户的浏览、收藏、购买记录，学习用户的偏好，进而推送更贴合用户需求的内容；图像识别系统通过学习大量的图像数据，不断提升物品识别的准确率。例如二、人工智能的特征（三）学习能力在人工智能技术出现之前，工程师需要把所有的规则都写进代码里。而对于具备学习能力的人工智能，工程师只需为其提供大量样本进行训练，机器就能自己总结出规律。更重要的是，随着处理数据的增加，人工智能的判断准确率会不断提升。这种不依赖人工硬编码规则，而是从数据中自动获取知识的学习能力，使得人工智能能够适应不断变化的环境和需求，实现性能的持续提升。二、人工智能的特征（四）自主决策能力具备自主决策能力的人工智能，能够根据实时感知的环境信息，结合自身学到的知识和推理结果，主动做出判断并采取行动。自主决策能力是指人工智能在特定目标和约束条件下，能够独立分析情况、评估选项并选择最优行动方案的能力。它建立在感知、推理和学习的基础之上，是智能系统实现自主行动的关键。自动驾驶汽车在行驶过程中，需要感知交通灯信息和行人，推理出行人可能的运动轨迹，还要在极短的时间内做出刹车或避让的决策，安全地完成驾驶任务。例如二、人工智能的特征（四）自主决策能力需要注意的是，当前人工智能的自主决策能力仍以特定场景、特定任务为限，尚未达到人类决策的全面和灵活度，面对超出其经验范畴（未学习过）的场景，仍需人类介入接管，但随着技术的发展，人工智能自主决策的应用边界正在不断拓宽，决策精度也在不断提升。二、人工智能的特征（四）自主决策能力随堂讨论假设要开发一个“识别猫”的系统，传统编程的思路是，由程序员设定明确规则（如“有尖耳朵、圆眼睛、四条腿、长尾巴的就是猫”），再由机器按照规则进行识别。想一想，由人工智能实现“识别猫”的思路有何不同？三、人工智能的分类（一）按智能水平分类人工智能弱人工智能强人工智能超人工智能这是一种宏观的分类方式，它描绘了人工智能发展的3个阶段与未来愿景。三、人工智能的分类（一）按智能水平分类1．弱人工智能弱人工智能（又称专用人工智能）是指专注于并擅长完成某一特定任务的人工智能。它仅在单一领域内表现出智能，不具备跨领域的知识理解与迁移能力，也没有自我意识。日常应用：目前，我们日常生活中接触到的所有人工智能应用，如人脸识别、语音助手、推荐算法、自动驾驶、ChatGPT

等，均属于弱人工智能。本质属性：它们虽然在特定任务上表现卓越，甚至超越人类，但本质上仍是“工具型智能”。三、人工智能的分类（一）按智能水平分类2．强人工智能强人工智能（又称通用人工智能）是指具备与人类同等水平的通用认知能力的人工智能。它能像人一样理解、学习、推理、规划，并能将知识从一个领域迁移到另一个全新领域，解决未曾遇到过的问题。强人工智能拥有自主意识和主观目标，不再依赖人类设定具体任务，类似科幻作品中具备自主意识的智能机器人。目前，强人工智能仍处于理论研究阶段，尚未有成熟的实际应用，是全球人工智能研究的长期目标。三、人工智能的分类（一）按智能水平分类2．强人工智能知识拓展在央视春晚的舞台上，宇树科技的人形机器人（见图）凭借整齐流畅的武术表演、灵活的舞蹈动作，给观众留下了深刻印象。它惊艳的动作本质上是工程师预先编程，再由机器复现而实现的，它并不知道自己在表演，更不具备跨领域的常识与自主意识。因此，虽然宇树机器人看上去高度拟人化，具备很强的智能表现，但它仍然属于弱人工智能，并非强人工智能。宇树机器人三、人工智能的分类（一）按智能水平分类3．超人工智能超人工智能是指在科学创造力、智慧、社交技能等几乎所有方面都远超最聪明人类大脑的智能形态。它不仅能模仿人类智能，更能自我进化、自主设定目标，甚至可能发展出人类无法理解的思维方式。目前，超人工智能仅存在于理论假设和科幻设想中，无任何相关研究成果，其发展前景仍处于探讨阶段。三、人工智能的分类（二）按任务类型分类人工智能判别式

AI人工智能识别判断的能力生成式

AI创造内容的能力决策式

AI行动规划的能力三、人工智能的分类（二）按任务类型分类1．判别式AI判别式

AI

通过学习不同类别数据之间的边界，对输入信息进行分类、判断或预测，解决“是什么”的问题。人脸识别系统判断“是否为本人”、垃圾邮件过滤器判断“是否为广告”、医疗影像系统判断“是否存在病灶”，均属于判别式AI的应用范畴。例如判别式

AI

能在稳定场景下实现高效、准确的判别，是目前产业应用中最为成熟和普及的AI类型。三、人工智能的分类（二）按任务类型分类2．生成式AI生成式

AI

通过学习海量数据的内在规律，生成与训练数据相似但全新的内容。大模型撰写文章、创作画作、生成视频，均属于生成式

AI

的应用范畴，其本质都是对数据潜在模式的模仿与再创造。例如生成式

AI

具有强大的内容生产力，是当前推动

AI

从辅助工具向生产力引擎跨越的核心技术。小贴士生成式

AI

大模型可按输入输出模态划分为单模态模型（纯文本或纯图像）与多模态模型。其中，大语言模型以文本为核心模态，视觉大模型以图像或视频为核心模态，而多模态大模型能跨模态理解与推理，支持图文、音视频的综合处理。须注意，当前主流大模型正加速向多模态融合演进，严格单模态的模型已较为少见。三、人工智能的分类（二）按任务类型分类2．生成式AI三、人工智能的分类（二）按任务类型分类3．决策式AI决策式

AI

强调在序列任务中平衡短期利益与长期目标，是实现

AI

从“被动响应”到“主动行动”的关键。决策式

AI

通过学习环境状态与目标之间的关联，在动态变化的场景中进行推理、规划，进而生成最优行动方案。自动驾驶系统自主避开障碍、智能调度系统优化车辆分配方案、银行风投系统制订投资策略，均属于决策式AI的应用范畴。例如三、人工智能的分类（三）按技术路径分类人工智能符号主义

AI连接主义AI行为主义

AI三、人工智能的分类（三）按技术路径分类1．符号主义AI符号主义

AI

通过人工设定明确的规则、逻辑和知识，让机器按照预设规则执行任务，适合规则明确、对解释性要求高的场景（如法律条文推理、医疗诊断规则）。三、人工智能的分类（三）按技术路径分类2．连接主义AI连接主义

AI

通过模拟人类大脑的神经网络，让机器通过学习海量数据自主获取规律和知识，无须人工设定具体规则，是当前人工智能的主流实现方式，适合数据驱动、非结构化数据处理的场景（如图像识别、语言翻译）。三、人工智能的分类（三）按技术路径分类3．行为主义AI行为主义

AI

通过强化学习等方式，让机器在与环境的交互中，根据反馈调整自身行为，逐步优化任务表现，适合需要动态适应环境、通过试错优化行为、自主决策的场景（如机器人导航、游戏AI博弈）。课堂小结学习情境

二02了解人工智能的发展历程与趋势一、人工智能的发展历程人工智能的出现并非偶然，而是时代发展与科技进步的必然产物。工业革命推动生产自动化需求升级，人类渴望解放双手、破解复杂计算与逻辑推理难题。计算机技术的萌芽、数学理论的完善，为模拟人类智能提供了坚实基础。从对“机器能否思考”的探索，到对生物神经网络的模拟，科技发展的积累逐步催生了人工智能。一、人工智能的发展历程人工智能的发展是一段充满探索、起伏与突破的历程，为了更清晰地了解人工智能的发展历程，可以将其划分为

4

个主要阶段：萌芽期形成期发展期爆发期一、人工智能的发展历程发展阶段关键突破关键事件萌芽期

（1956年之前）①计算理论奠基：图灵机模型确立了计算机可模拟任何计算过程的数学基础；②神经元模型：提出了首个二值神经元数学模型，从理论上模拟生物神经网络工作机制1936

年，艾伦·图灵提出“图灵机”理论；1946

年，世界上第一台通用计算机ENIAC问世；1950年，艾伦·图灵提出“图灵测试”；1951

年，马文·明斯基等人开发出首个神经网络模拟器形成期

（1956—1975年）①符号主义：确立了以符号逻辑运算模拟人类智能的主流思想；②早期神经网络：发明了首个可学习的单层神经网络模型（感知机）；③自然语言处理雏形：展现了机器理解自然语言的潜力1956年，达特茅斯会议正式提出“人工智能”概念，标志着人工智能的诞生；1957

年，弗兰克·罗森布拉特开发出“感知机”；1960

年，约翰·麦卡锡开发了

LISP

语言，成为以后几十年

AI

领域主要的编程语言；1966

年，约瑟夫·维森鲍姆开发出首个聊天机器人ELIZA人工智能的发展历程一、人工智能的发展历程续表发展阶段关键突破关键事件发展期

（1976—2010年）①专家系统：实现了从通用推理向特定领域知识应用的转变；②连接主义：反向传播算法和深度信念网络解决了深层网络训练难题；③专用

AI

突破：证明了

AI

在复杂博弈领域超越人类顶级水平的能力1986

年，杰弗里·辛顿推广“反向传播算法”；1997

年，IBM

国际象棋电脑“深蓝”击败国际象棋世界冠军；2006

年，杰弗里·辛顿提出“深度信念网络”，标志着现代深度学习理论体系的正式建立；2009年，ImageNet图像数据集发布爆发期

（2011年至今）①深度学习：卷积神经网络在图像识别中取得突破性进展；②Transformer

架构：彻底革新自然语言处理，成为大模型的基础框架；③生成式

AI

与大模型：实现了从“识别理解”向“创造生成”的跨越2012

年，AlexNet模型在ImageNet竞赛中夺冠，引发深度学习革命；2016

年，AlphaGo

击败围棋世界冠军李世石；2017

年，谷歌提出Transformer架构；2022

年，ChatGPT

等大模型问世，推动AI进入大众应用层面二、人工智能的发展趋势当前，人工智能技术正以前所未有的速度迭代升级，展望未来，人工智能的发展将呈现以下趋势。从“数字智能”向“具身智能”发展从“单一模态”向“多模态融合”发展从“专用人工智能”向“通用人工智能”发展从“黑盒模型”向“可信与绿色AI”发展二、人工智能的发展趋势过去的人工智能主要存在于服务器和云端，擅长在“数字世界”里处理文本、图像等虚拟信息，本质上是“只动脑、不动手”的数字智能。然而，要真正成为改造客观世界的生产力，人工智能须跨越数字与物理的边界，向拥有“身体”的具身智能（embodiedAI）发展。（一）从“数字智能”向“具身智能”发展二、人工智能的发展趋势具身智能的核心，在于实现人工智能与机器人技术的深度融合。在这套体系中，人工智能不再仅仅是负责运算的“大脑”，而是被真正嵌入了机器人的“躯干”中。（一）从“数字智能”向“具身智能”发展这种结合打破了数字与现实的边界，赋予了智能体真实的物理载体，使其能够在复杂的真实物理环境中，具备独立的感知、决策与行动能力。这一转变将推动人工智能技术从虚拟场景延伸至现实世界，从而让人工智能更好地服务于实际生产生活。二、人工智能的发展趋势进一步而言，这种向物理世界延伸的能力，催生了真正的“物理AI”。（一）从“数字智能”向“具身智能”发展它意味着智能体将不再局限于屏幕内的逻辑推演，而是通过传感器和执行器，在现实世界中自主学习物理规律，如重力、摩擦力、碰撞等。当人工智能不仅懂算法，更懂物理法则时，它就能在现实场景中实现更加精准、灵活的操控。二、人工智能的发展趋势（一）从“数字智能”向“具身智能”发展奋斗正青春2026

年

3

月，我国发布了《中华人民共和国国民经济和社会发展第十五个五年规划纲要》，其中提到“鼓励多模态、智能体、具身智能、群体智能等技术创新，探索通用人工智能发展路径”。在这一前瞻性布局中，“具身智能”被置于关键位置，这表示人工智能发展的重心正从“数字智能”迈向与物理世界深度交互的“实体智能”。这不仅是探索“通用人工智能”发展路径的关键一环，更是推动人工智能技术赋能实体经济、提高新质生产力的战略举措。二、人工智能的发展趋势（二）从“单一模态”向“多模态融合”发展过去的人工智能往往局限于单一维度的感知，要么“能看不能听”，要么“能听不能看”。然而，人类对世界的认知是全方位的，各种感官接收的信息相互交织、互为补充。为了打破这一“感官壁垒”，人工智能正加速从“单一模态”向“多模态融合”演进。二、人工智能的发展趋势这种演进的核心在于“通感”能力的构建。新一代多模态大模型正突破单一数据处理的局限，向着同时理解文本、图像、音视频、3D

模型乃至传感器数据的统一语义空间迈进。（二）从“单一模态”向“多模态融合”发展在这种架构下，模型能够建立起跨模态的深层关联，它不仅能识别画面中的物体，还能结合声音判断物体的状态，甚至通过文字描述反推三维结构。在工业场景中，模型可以在观察机械臂运作视频画面的同时，监测关节电机的反馈信号，从而比单一视觉检测更精准地判断设备是否存在潜在故障；在自动驾驶中，车辆能同时融合激光雷达的点云数据、摄像头的视觉信息和导航的文本指令，做出更安全的路径规划。例如二、人工智能的发展趋势（二）从“单一模态”向“多模态融合”发展当人工智能能够像人类一样自如地看、听、读、写时，它就不再受限于特定的软件或屏幕，而是能够像电力和互联网一样，无缝接入教育、医疗、工业制造等各个实体场景，以一种自然、符合人类直觉的方式与人们交互，构建起虚实共生的智能新生态。二、人工智能的发展趋势目前的人工智能大多是“专才”，虽然在特定领域表现卓越，但缺乏知识的迁移能力和举一反三的灵活性，难以应对开放世界中复杂多变的挑战。（三）从“专用人工智能”向“通用人工智能”发展为了突破这一瓶颈，人工智能的研究重心正从“专用人工智能”向“通用人工智能”跨越，其目标是构建具备感知能力、能够跨领域迁移知识、自主解决未知问题的智能系统。它能够在面对未知问题时，通过逻辑推理、自主规划和自我修正来寻找最优解决方案。二、人工智能的发展趋势伴随着通用能力的提升，人工智能的交互形态也在发生质的飞跃，从被动的“工具”进化为主动的“智能体”。（三）从“专用人工智能”向“通用人工智能”发展智能体具备极强的目标导向与自主执行能力，当向它提出一个模糊的复杂目标，如“帮我策划一次旅行”时，智能体能够像人类助手一样，自主将其拆解为订机票、查攻略、订酒店等一系列子任务，并灵活调用搜索引擎、预订软件等多种工具去逐一完成任务。这种从“专用工具”到“通用伙伴”的转变，将重塑人机协作模式，让人工智能成为人类在社会生产与生活中最得力的助手。二、人工智能的发展趋势随着人工智能技术融入社会生产与生活的方方面面，其发展重心正从单纯追求性能指标向追求安全可信且可持续转变。（四）从“黑盒模型”向“可信与绿色AI”发展转变的核心同步解决人工智能的两大关键议题内在信任外在影响二、人工智能的发展趋势（四）从“黑盒模型”向“可信与绿色AI”发展转变的核心同步解决人工智能的两大关键议题内在信任外在影响在内在信任层面，人工智能的“黑盒”特性是其在医疗、金融等高风险领域广泛应用的主要障碍。算法偏见、数据投毒等安全隐患，以及决策逻辑的不透明，构成了制约人工智能发展的“信任困局”。为了打破这一困局，须构建完善的人工智能治理框架。在此背景下，“可解释人工智能”将发展为行业标配，它致力于确保人类能够理解并信任人工智能的决策过程，从而为构建负责任的人工智能系统奠定坚实基础。二、人工智能的发展趋势（四）从“黑盒模型”向“可信与绿色AI”发展转变的核心同步解决人工智能的两大关键议题内在信任外在影响在外在影响层面，人工智能自身的可持续发展问题同样不容忽视。大模型训练与推理所带来的惊人能耗，使得人工智能陷入了“助力解决环境问题”与“自身成为耗能大户”的矛盾之中。因此，未来的人工智能发展必将更加注重“绿色”理念，追求更高的算法能效比，推动绿色计算、低功耗类脑芯片等前沿技术的创新与应用，实现技术创新与环境保护的双赢。小贴士黑盒模型是指“只知输入与输出，不知内部决策过程”的模型。与之相对的是可解释模型，其判断逻辑像公式一样清晰透明，人类能轻松理解。两者的核心区别在于，黑盒模型牺牲了可解释性以换取高性能；而可解释模型为了保持透明，只能用相对简单的规则来处理问题。二、人工智能的发展趋势（四）从“黑盒模型”向“可信与绿色AI”发展三、人工智能在我国的发展我国人工智能的发展历经了跟跑、并跑，如今已在部分领域实现领跑。这不仅是技术迭代的缩影，更是国家战略与制度优势的集中体现。跟跑20

世纪

80

年代，我国开启人工智能系统性探索，在语音识别、机器翻译等领域率先起步，同步开展神经网络相关研究，为后续发展积累了宝贵经验。20

世纪

90

年代，随着国家经济实力提升，人工智能逐步从实验室走向实际应用，工业机器人、智能翻译系统等开始服务于生产生活，奠定了产业应用的基础。三、人工智能在我国的发展并跑进入

21

世纪，我国将人工智能纳入国家发展布局，出台了多项扶持政策，推动技术研发与产业应用深度融合，在模式识别、图像处理等领域取得多项国际先进成果。2017

年，国务院发布《新一代人工智能发展规划》，标志着我国人工智能的发展进入国家战略层面。三、人工智能在我国的发展领跑近年来，我国自主研发的大模型相继问世，在智能语音、计算机视觉等领域达到世界领先水平，同时广泛应用于智能制造、数字政务、乡村振兴等场景，赋能高质量发展。如今，我国正稳步构建人工智能伦理规范与治理体系，推动技术向善、为民服务，为科技强国建设注入强劲动能，也为全球人工智能发展贡献中国力量。三、人工智能在我国的发展奋斗正青春《中华人民共和国国民经济和社会发展第十五个五年规划纲要》中明确提出要“加快突破人工智能基础理论和核心技术，推进人工智能模型架构改进、算法优化”，同时“全面实施‘人工智能+’行动，加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合”，这表示我国已将人工智能提升至全新的国家战略高度，将其作为推动经济社会高质量发展的核心引擎。人工智能的浪潮已至，大国博弈的背后归根结底是人才的竞争。作为新时代的大学生，我们不仅要学好前沿技术，更要在心中筑牢“科技报国”的信念，将个人的专业学习融入国家“高水平科技自立自强”的伟大征程中，做人工智能事业的建设者、合规发展的守护者，这是时代赋予我们的光荣使命。课堂小结学习情境

三03探究人工智能技术一、机器学习困境的核心：我们试图用人类有限的经验，去定义一个无限变化的问题，但我们难以将所有判断标准都清晰地告诉计算机。机器学习诞生的初衷：需要探索一种方式，让计算机自己从成千上万封邮件中，总结出垃圾邮件的特征。想象一下，你需要编写一个程序来识别垃圾邮件。传统的编程思路是手动设定一系列规则，如“如果邮件内容包含‘中奖’‘汇款’等词汇，就标记为垃圾邮件”。但很快你会发现，垃圾邮件的发送者花样百出，他们会用各种变体、谐音字来绕过规则。你不得不没完没了地更新规则，而程序却始终不够“聪明”。一、机器学习（一）机器学习的概念机器学习是指计算机不依赖明确编程指令，而是通过大量数据“训练”，自动发现规律并优化性能、完成特定任务的技术。计算机首先接收大量“训练数据”，通过特定算法自动从数据中提取特征并建立初始模型，随后在反复试错中调整参数，不断缩小预测结果与真实答案的误差，最终形成能准确识别新数据的成熟模型。机器学习的过程类似人类学习。可以把机器学习的过程想象成教一个孩子识别猫。你不用讲解猫的基因序列、骨骼结构，而是指着各种各样的猫告诉他：“这是猫”。久而久之，他的大脑会自动总结出猫的共同特征——有胡须、尖耳朵、会喵喵叫等。下次再看到一只从未见过的猫时，他也能准确地认出来。机器学习正是模拟了这一过程，让计算机从数据中学习，并具备处理新问题的能力。一、机器学习（一）机器学习的概念一、机器学习（二）机器学习的类型根据学习方式和数据标注情况的不同监督学习无监督学习强化学习机器学习一、机器学习（二）机器学习的类型监督学习无监督学习强化学习机器学习特点：像有老师指导的学习，训练模型所用的数据均带有明确标签。举例：给模型输入很多标明了“猫”或“狗”的图片，让它学习如何区分。典型任务：分类（如垃圾邮件识别）和回归（如房价预测）。一、机器学习（二）机器学习的类型监督学习无监督学习强化学习机器学习特点：像无教师指导的自主学习，所使用的训练数据不带有标签，由模型自主发现数据中隐藏的结构与规律。举例:给模型输入大量的用户购物记录，让它自动将具有相似购物习惯的用户归为一类，以便进行精准营销。一、机器学习（二）机器学习的类型监督学习无监督学习强化学习机器学习学习方式：像在闯关游戏中学习，模型通过与环境不断交互、试错来学习。运行机制：它做出一个动作，环境会给予“奖励”或“惩罚”，模型的目标是学会一套策略，以获得最大的累积奖励。典型案例：AlphaGo围棋程序。二、深度学习传统机器学习在处理图像理解等复杂任务时往往力不从心。为了让计算机像人类一样，自动从原始像素中学习到从简单到复杂的所有特征，深度学习应运而生。二、深度学习（一）深度学习的概念深度学习是机器学习的重要分支，其核心是利用多层“神经网络”模拟人脑结构，自动从海量数据中学习特征。深度学习的基础是神经网络，可以把它想象成一个由许多微小处理单元（神经元）连接而成的多层网络。（1）神经元：网络的基本单元。（2）多层网络：体现深度学习中的“深度”。二、深度学习（一）深度学习的概念（1）神经元：网络的基本单元。它接收来自其他神经元的输入信号，并决定是否要将信号传递给下一层的神经元。这模仿了生物神经元“兴奋”或“抑制”的工作方式。（2）多层网络：体现深度学习中的“深度”。一个典型的深度神经网络包含一个输入层、多个隐藏层和一个输出层。输入层接收原始数据，数据在隐藏层之间层层传递，每一层都会对数据进行变换和抽象，提取出更高级的特征，最后由输出层给出最终结果。二、深度学习（二）深度学习的经典模型深度学习针对不同数据类型与任务目标，发展出了一些经典的模型。深度学习的经典模型卷积神经网络（convolutionalneuralnetwork,CNN）循环神经网络（recurrentneuralnetwork,RNN）生成对抗网络（generativeadversarialnetwork,GAN）Transformer

模型二、深度学习（二）深度学习的经典模型深度学习的经典模型卷积神经网络（convolutionalneuralnetwork,CNN）循环神经网络（recurrentneuralnetwork,RNN）生成对抗网络（generativeadversarialnetwork,GAN）Transformer

模型核心作用：CNN

是处理图像数据的核心技术，模拟了人类视觉系统的工作原理，能够自动提取图像中的重要特征。应用领域：图像识别、目标检测、视频分析等领域。二、深度学习（二）深度学习的经典模型深度学习的经典模型卷积神经网络（convolutionalneuralnetwork,CNN）循环神经网络（recurrentneuralnetwork,RNN）生成对抗网络（generativeadversarialnetwork,GAN）Transformer

模型适用数据：RNN

是一种专门用于处理序列数据的神经网络，特别适用于时间序列数据，如语音、文本、股票价格等。特性：RNN

具有“记忆”能力，能够保留前序步骤的信息，从而有效捕捉数据中的时序依赖关系。应用领域：机器翻译、文本生成、气象预测等领域。二、深度学习（二）深度学习的经典模型深度学习的经典模型卷积神经网络（convolutionalneuralnetwork,CNN）循环神经网络（recurrentneuralnetwork,RNN）生成对抗网络（generativeadversarialnetwork,GAN）Transformer

模型模型属性：GAN

是一种通过对抗训练进行数据生成的无监督学习模型。结构与机制：它由生成器和判别器两个网络组成，二者在相互博弈中不断进化，最终使生成器能够产出极其逼真的数据。应用领域：图像生成、艺术创作、数据增强、图像超分辨率等领域。二、深度学习（二）深度学习的经典模型深度学习的经典模型卷积神经网络（convolutionalneuralnetwork,CNN）循环神经网络（recurrentneuralnetwork,RNN）生成对抗网络（generativeadversarialnetwork,GAN）Transformer

模型核心特点：完全基于自注意力机制，突破传统RNN无法并行计算的瓶颈。应用发展：最初用于自然语言处理，凭借强大的长序列建模能力，现已拓展至计算机视觉等领域。行业地位：是GPT系列、BERT等各类大语言模型的底层基石。二、深度学习（三）机器学习与深度学习的区别机器学习与深度学习在不同维度的区别如表所示。机器学习与深度学习的区别维

度机器学习深度学习定义人工智能的一种实现方式机器学习的子集，基于多层神经网络特征提取需要人工设计特征模型自动挖掘深层特征模型结构浅层模型多层神经网络训练数据量千至万级样本即可获得良好性能通常需十万至百万级样本计算资源对硬件要求较低，普通CPU即可通常需高性能GPU训练时间较短，调参少较长，需要大规模计算和调参适用数据类型结构化数据（如表格、数值）非结构化数据（如图像、文本、语音）可解释性较高，模型原理相对透明较低，常被视为“黑盒模型”三、知识图谱随着深度学习的发展，人工智能变得越来越“聪明”，但也存在“知其然不知其所以然”的缺陷。为了弥补这一缺陷，将结构化知识注入模型成为重要方向，知识图谱便是其中的关键手段。当询问大模型“鲁迅和周树人谁的文章写得更好？”时，由于缺乏对“鲁迅即周树人”这一同一性事实的约束，模型可能会生成看似通顺实则荒谬的回答，甚至编造不存在的著作。例如这是因为深度学习本质上是在做“概率预测”（根据上文猜下文），并不真正理解词语背后的现实逻辑。三、知识图谱（一）知识图谱的概念知识图谱本质上是一种结构化的“语义网络知识库”。它用图的形式，把现实世界中的实体（如人、地点、事物），以及实体之间的关系连接起来，形成一张巨大的网，相当于人工智能的“逻辑记忆系统”。它为人工智能提供了结构化的“记忆”，使其能够基于事实进行推理和回答。知识图谱的核心元素是“三元组”，即“实体—关系—实体”的基本结构。无数个三元组相互连接，就像织网一样，构成了庞大的知识网络。右图所示的就是以“鲁迅”为中心构建的知识图谱。例如“鲁迅”的知识图谱三、知识图谱（一）知识图谱的概念利用知识图谱，模型不再仅仅计算词语出现的概率，而是可以在这张庞大的知识网络中去查找词语之间的关联。面对“鲁迅和周树人”的问题时，锁定“鲁迅”这个节点，顺着一条名为“本名”的边延伸出去，即可精准地找到另一端的“周树人”。这种基于图谱的推理，能大幅提高模型给出符合逻辑的正确答案的概率。三、知识图谱（一）知识图谱的概念三、知识图谱（二）知识图谱的构建知识图谱在逻辑结构上通常包含数据层和模式层。数据层由具体的事实数据组成，是知识图谱的“血肉”。数据层模式层是对数据结构的抽象和定义，是知识图谱的“骨架”。模式层三、知识图谱（二）知识图谱的构建知识图谱的构建主要包括知识抽取、知识融合和知识加工3个关键步骤，如图所示。知识图谱的构建三、知识图谱（二）知识图谱的构建这一步的主要任务是从海量的数据中，自动识别出实体、关系和属性，并将其转化为计算机可处理的结构化“三元组”。1．知识抽取（1）实体抽取：旨在从文本中定位并识别出关键对象。举例：从文本中识别出“鲁迅”（人物）、“狂人日记”（作品）。（2）关系抽取：旨在识别实体之间存在的语义联系。举例：识别出“鲁迅”与“狂人日记”之间存在“创作”的关系。（3）属性抽取：旨在获取实体的具体特征描述。举例：识别出“鲁迅”的“出生年份”为“1881年”。经过知识抽取，原本无法被机器直接理解的文本，变成了一条条零散的“三元组”事实片段，为后续处理提供了原材料。三、知识图谱（二）知识图谱的构建由于数据来源广泛，不同来源对同一事物的描述可能不同，或者存在歧义和冲突，因此需要进行实体对齐和属性值填充。2．知识融合这是知识融合的核心。举例：数据源

A

提到“鲁迅”，数据源

B

提到“周树人”，数据源

C

提到“《狂人日记》作者”。知识融合需要通过算法判断这

3

个指代的是同一个实体，并将它们合并，避免知识图谱中出现重复的节点。在对齐实体的基础上，将不同来源的属性信息进行合并和补全。举例：从数据源

A

获取了人物的姓名，从数据源

B

获取了该人物的出生地，融合后就形成了一个信息更完整的实体档案。（2）属性值填充（1）实体对齐经过知识融合，原本零散、冲突的片段整合成了统一、规范的事实记录，为构建高质量的图谱打下了坚实基础。三、知识图谱（二）知识图谱的构建这一步是将“扁平”的数据转化为“立体”的知识网络的关键。3．知识加工（1）本体构建：这是一个从具体事物中抽象出通用概念的过程。举例：系统会从大量的“鲁迅创作了《狂人日记》”“茅盾创作了《子夜》”等事实中，总结出通用的规则，即定义“鲁迅”“茅盾”等属于“人物”类，“狂人日记”“子夜”等属于“作品”类，而“创作”则是连接这两类的关系。通过这种规则，原本杂乱的数据即可被填入严谨的逻辑框架中，使知识图谱既有“骨架”（逻辑结构），又有“血肉”（具体数据）。三、知识图谱（二）知识图谱的构建3．知识加工（2）质量评估：在知识入库前，必须经过严格的质量评估。这包括对知识的准确性、可信度进行打分，过滤掉错误或低质量的信息，确保图谱的纯净度。经过知识加工，知识进入最终的知识图谱库，并形成了闭环。知识加工是一个持续的过程，随着新数据的进入，本体模型会不断优化，图谱内容也会不断扩充和更新。三、知识图谱（三）知识图谱的应用知识图谱的应用方向与实例如表所示。知识图谱的应用方向与实例应用方向核心逻辑应用实例智能搜索将传统的关键词匹配升级为基于实体和关系的语义精准匹配，提供结构化答案或关联知识搜索引擎的“知识卡片”、企业内部知识库检索智能推荐结合用户行为数据和知识图谱中的实体关系，挖掘用户的深层兴趣电商关联商品推荐、新闻资讯个性化推送、音乐/电影深度推荐风控辅助利用图结构挖掘隐藏的利益关系、资金链路和团伙欺诈模式，防范复杂风险银行反欺诈（识别异常资金流转网络）、保险骗保调查、信贷审批智能问答基于图谱中的实体和关系，通过推理得出准确答案，精准回答复杂问题智能客服、政务办事指南问答、医疗导诊决策分析梳理行业上下游、竞品及宏观因素的复杂关联，辅助管理层进行研判企业战略规划、刑侦线索串并分析四、自然语言处理当人类对朋友说“这手机真是个续航刺客”时，对方能明白意思是“电池不耐用”。但如果把这句话输入早期的计算机，它大概率不明白真正的含义。因为在字典里它找不到“续航”和“刺客”搭配的规则，更无法理解这种拟人化的调侃。人类语言可能含有歧义、隐喻和复杂的情感，而计算机没有人类的生活经验，为了让机器能“听懂”人类语言，就需要依靠自然语言处理技术。四、自然语言处理自然语言处理是人工智能的核心技术，旨在让计算机能够理解、解释和生成人类日常使用的自然语言，实现人机之间的顺畅交流。自然语言处理包括2个核心任务。（一）自然语言处理的概念（1）自然语言理解让计算机理解输入的语言，分析其语法、语义和意图。（2）自然语言生成让计算机根据内部数据或逻辑，生成符合人类语言习惯的文本。四、自然语言处理（一）自然语言处理的概念自然语言处理的原理通过分词、词性标注、句法分析等步骤，将非结构化的文本转化为计算机可处理的结构化数据，再利用深度学习模型捕捉上下文语境，从海量文本中提取语义特征，分析词语间的逻辑关系，最终生成符合人类语法与习惯的文本。四、自然语言处理（二）自然语言处理的应用自然语言处理的应用方向与实例如表所示。自然语言处理的应用方向与实例应用方向核心逻辑应用实例机器翻译理解源语言文本的深层语义，按目标语言的语法习惯自动生成流畅的译文出境旅游实时翻译、外贸商务邮件翻译、文献资料翻译文本摘要自动提取长文档的核心观点和关键信息，生成简短精练的摘要内容新闻快讯生成、学术论文摘要提取、公文要点提炼、企业报告核心观点提炼情感分析分析文本中蕴含的主观情绪倾向（如正面、负面、中性）社交媒体舆情监控、电商商品评论分析、品牌口碑追踪文本生成根据给定的提示词或上下文，自动创作或续写符合逻辑的自然语言文本AI

辅助写作、营销文案生成、代码补全、财报解读语义搜索理解用户查询的深层语义，提升搜索结果的相关性法律案例检索（根据案情描述查找相似案例）、企业内部知识库搜索五、语音识别（一）语音识别的概念语音识别是让计算机将人类的语音信号转化为相应的文本或指令的技术。它是实现“人机语音交互”的第一步，只有先准确地把声音变成文字，后续才能利用自然语言处理技术去“理解”这句话的意思。语音识别的过程可以类比为人类听写，其核心流程如图所示。语音识别的流程五、语音识别（一）语音识别的概念（1）特征提取：计算机首先对待识别的语音信号进行预处理，通过算法去除噪声干扰，并将其转化为计算机可处理的数字特征向量。就像人类的耳朵接收到声波，并将其转化为大脑能理解的神经信号。五、语音识别（一）语音识别的概念声学模型通过大量“训练语音”学习声音与发音单位（音素）之间的对应关系，在识别时，它负责判断当前的音频特征最像哪个发音。（2）声学模型和语言模型：在识别过程中，系统会调用两个预先训练好的核心模型。语言模型基于海量“文本数据库”训练而成，它利用字典和上下文逻辑，判断哪些词组合在一起更通顺（如判断“吃苹果”比“吃瓶果”更合理）。五、语音识别（一）语音识别的概念（3）语音解码和搜索算法：系统利用特征提取所得信号，结合声学模型（发音像什么）和语言模型（语意是否通顺），通过复杂的搜索算法，计算出概率最高的文本序列。（4）文本输出：系统将计算出的最优文本序列输出，完成从声音到文字的转换。小贴士语音合成是让计算机将文字信息转化为自然流畅语音的技术，其过程与语音识别相反，它先对文本进行分析与处理，再通过声学模型生成对应的语音信号，最终输出清晰、自然的人声，实现“文转音”。语音合成的典型应用场景有导航语音播报、智能客服语音应答、有声读物朗读、手机语音播报、语音提示系统等。五、语音识别（一）语音识别的概念语音识别的应用方向与实例如表所示。语音识别的应用方向与实例五、语音识别（二）语音识别的应用应用方向核心逻辑应用实例语音转写将大段音频实时或离线转换为对应的书面文字，支持自动断句会议纪要自动生成、法庭庭审记录、采访录音内容整理语音指令识别用户的语音控制命令，将其转化为系统可执行的操作指令智能家居控制（如“打开空调”）、手机语音助手（如Siri、小爱同学）语音输入替代键盘打字，通过麦克风捕获语音并快速转化为屏幕上的文本手机语音打字、病历口述录入、轻度视障人群的打字辅助声纹识别提取语音中独有的声学特征（非内容本身），确认“说话的人是谁”银行远程身份核验、智能音箱家庭成员区分、安防门禁系统（如语音开门）六、计算机视觉人类看照片时，能快速认出照片中的人是朋友还是陌生人。但对于计算机而言，照片只是一堆由数字组成的像素矩阵。如何让计算机拥有“视力”，能够像人一样从图像或视频中识别出物体、理解场景，正是计算机视觉技术致力于解决的问题。计算机视觉是指让计算机模拟人类视觉系统，对图像、视频信息进行采集、分析和理解，从而识别物体、场景并做出判断的技术。（一）计算机视觉的概念六、计算机视觉计算机视觉处理的工作流程计算机视觉处理本质上是从原始像素到高级语义的逐层抽象与理解的过程，其工作流程如图所示。（一）计算机视觉的概念六、计算机视觉通过摄像头或各类传感器，获取现实世界中的图像、视频数据。对原始数据进行初步处理，如去噪、增强对比度等，以提升图像质量，为后续分析做准备。（一）计算机视觉的概念六、计算机视觉针对预处理后的图像，通过算法自动识别并提取出具有区分性的视觉特征，如边缘、纹理、形状等，这些特征是后续识别的基础。在提取出的众多特征中，筛选出最具代表性和判别力的关键特征，以降低计算复杂度并提高识别准确率。（一）计算机视觉的概念六、计算机视觉利用深度学习等算法，对选定的特征进行分析和学习，最终实现对图像中对象的检测、识别与分类。在内容识别的基础上，进一步对场景进行综合分析，理解图像所表达的完整语义信息，实现对视觉内容的全面认知。计算机视觉的应用方向与实例如表所示。计算机视觉的应用方向与实例六、计算机视觉（二）计算机视觉的应用应用方向核心逻辑应用实例图像分类判断整张图像所属的类别相册自动分类、垃圾智能分类、图像内容审核、商品种类识别目标检测在识别物体类别的同时，用边界框标出其在图中的具体位置自动驾驶的行人与车辆检测、安防监控的人脸检测、工业质检的缺陷定位图像分割将图像精确划分到像素级别，区分不同类别或独立个体的轮廓医学影像的肿瘤区域勾画、自动驾驶的可行驶区域分割、人像抠图目标跟踪在连续视频帧中锁定特定目标，实时追踪其运动轨迹交通违章抓拍、运动赛事数据分析、无人机跟拍续表六、计算机视觉（二）计算机视觉的应用应用方向核心逻辑应用实例图像生成根据文本描述或其他输入，生成符合语义的新图像，或编辑现有图像AI绘画、游戏场景生成图像重建从受损、模糊或缺失的图像数据中，还原出清晰、完整的高质量图像老照片修复、医学影像分辨率增强图文描述提取图像中的关键视觉信息，生成描述图像的自然语言文本视障人士的图像辅助描述、电商商品图的自动文案生成、社交媒体内容理解视觉问答结合图像内容和自然语言问题，推理并输出准确的答案智能客服的商品咨询、教育领域的拍图答疑、智能医疗辅助问诊课堂小结探索与训练任务一探索身边的AI应用（一）任务目标（1）识别与本专业相关的AI应用场景。（2）分析每个AI应用的核心功能。（3）分析AI技术对专业实践的影响与挑战。探索与训练任务一探索身边的AI应用（二）任务导入人工智能已深度融入当代社会生活的各个层面。从智能手机的语音助手、个性化内容推荐，到自动驾驶、智能医疗诊断，AI

技术正以前所未有的速度重塑人类的工作方式与认知模式。然而，对于高等教育阶段的专业学习而言，理解

AI

技术的应用场景并非仅属于计算机相关学科的任务。无论是人文社科、自然科学还是工程技术领域，AI

工具都已渗透至学术研究、专业实践与产业应用的各个环节——电子商务领域的智能客服，医学领域的影像诊断，智能制造领域的工业机器人视觉检测，皆已成为常态化的专业实践。探索与训练任务一探索身边的AI应用本任务要求各学习小组跳出“技术旁观者”的视角，以本专业为切入点，系统调研3～5个与本专业直接相关的AI应用现象，并逐一分析其核心功能、核心技术及其与专业知识体系的具体关联。（二）任务导入探索与训练任务一探索身边的AI应用（三）任务实施步骤步骤1以

4～6

人为单位组建“AI

探索小组”，各小组围绕学习、生活、工作等场景，尽可能多地列举出身边的AI应用。探索与训练任务一探索身边的AI应用步骤2聚焦专业筛选，确定调研对象。各小组结合自身专业（参照电子商务专业示例），从列举的

AI

应用中，筛选出

3～5

个与本专业直接相关、可深入调研的应用，优先选择日常学习、专业实践、行业实操中能接触到的场景；筛选完成后，明确每个应用的具体应用场景（如电子商务专业可确定调研对象为

AI

智能推荐系统、AI

智能客服、AI商品图像处理工具、AI

电商数据分析工具等，明确其在电商运营、店铺管理中的具体应用场景）。探索与训练任务一探索身边的AI应用步骤3梳理核心信息。围绕

3

个核心问题展开调研：调研方式可结合自身观察、网络查询、专业案例参考等，确保信息真实、准确。①该应用的具体应用场景的详细描述（结合专业实操，说明其在本专业领域的具体用途）；②该应用的核心功能的深入分析（明确

AI

技术在其中的作用，不局限于表面用途，结合专业知识说明其价值）；③该应用背后涉及的核心

AI

技术（简要说明即可，如自然语言处理、机器学习、图像识别等）。探索与训练任务一探索身边的AI应用步骤4小组研讨，分析影响与挑战。各小组集中开展

15

分钟研讨，结合调研到的AI应用信息，重点分析AI技术对本专业实践的影响与挑战：影响可分为积极影响（如提升专业实操效率、降低实践成本、拓展专业应用场景等）和潜在影响（如对专业技能要求的变化）；挑战可围绕专业学习（如需补充

AI

相关知识）、职业发展（如专业岗位能力需求的调整）、技术应用（如AI应用的局限性）等方面展开，形成完整的研讨结论。探索与训练任务一探索身边的AI应用步骤5整理完善，形成调研成果。指定小组记录员，结合调研信息和研讨结论，模仿电子商务专业示例表格的结构（见表），整理小组调研成果，确保表格填写规范、内容清晰。电子商务专业AI应用分析AI应用现象核心功能核心技术对专业实践的影响与挑战AI智能推荐系统（如淘宝、京东推荐模块）基于用户浏览、下单、收藏等数据，分析用户需求，精准推送商品；动态调整推荐内容，提升商品曝光率和转化率，降低用户筛选成本，提升平台用户黏性机器学习、大数据分析、用户画像技术影响：提升电商运营效率，帮助精准定位目标客户，降低推广成本；挑战：须掌握用户数据分析能力，应对推荐算法的局限性（如过度推荐）探索与训练任务一探索身边的AI应用续表AI应用现象核心功能核心技术对专业实践的影响与挑战AI智能客服（如天猫小蜜、拼多多客服机器人）7×24

小时响应用户咨询，识别用户问题（订单、物流、售后等），自动生成标准化回复；处理高频简单咨询，复杂问题转接人工，降低人力成本，提升响应速度自然语言处理、语音识别、知识库检索技术影响：减少电商客服工作量，提升用户咨询体验，助力店铺口碑提升；挑战：须熟悉

AI

客服的运营逻辑，应对复杂咨询场景的转接与补充AI商品图像处理工具（如千牛

AI抠图、美图设计室电商版）自动完成商品图抠图、背景替换、光影优化，支持批量处理，快速生成符合平台要求的主图、详情图，节省美工成本，提升制作效率图像识别、图像分割、深度学习算法影响：降低电商美工实操门槛，提升商品图制作效率，助力商品展示效果优化；挑战：须掌握工具操作技巧，应对复杂商品图的处理需求AI电商数据分析工具（如生意参谋

AI

模块、京东商智）采集销售、流量、用户数据，通过算法分析和趋势预测，生成报表、用户画像、竞品分析，为选品、定价、推广提供数据支撑大数据分析、机器学习、数据可视化技术影响：帮助精准把控市场需求，优化运营决策，提升店铺业绩；挑战：须具备数据解读能力，应对数据误差带来的决策风险探索与训练任务一探索身边的AI应用步骤6分享交流，总结提升。每组推选

1

名发言人，简要分享小组调研成果，交流小组研讨中发现的问题与收获；分享结束后，教师进行总结点评，梳理各专业AI应用的共性与差异，引导学生深入理解

AI

与专业融合的意义，明确后续专业学习中须关注的AI相关能力。探索与训练任务二探究传统AI与新一代AI的区别（一）任务目标（1）通过实操体验，对比传统AI与新一代AI在对话交互中的表现差异。（2）分析传统AI与新一代AI各自的优势、局限与适用场景。（3）总结传统AI与新一代AI在不同维度上的区别。探索与训练任务二探究传统AI与新一代AI的区别（二）任务导入人工智能的发展经历了从“基于规则”到“基于学习”的演进。早期的

AI

系统依赖人工设定的关键词和逻辑规则进行响应，被称为传统AI或规则驱动型AI；而近年来兴起的新一代

AI，则以深度学习、大语言模型为核心，能够理解上下文、生成自然语言，甚至完成推理与创作。这两类

AI

在技术原理、数据依赖、功能表现、学习能力等维度存在显著差异，在实际应用中也各有长处。本任务将以“智能客服”为切入点，通过实操体验，对比传统

AI智能客服与新一代

AI

智能客服在对话交互中的表现差异，再借助豆包拓展至多个典型应用场景，引导大家通过亲身实践与对比分析，探究两类

AI

的本质区别，明确各自的适用场景。探索与训练任务二探究传统AI与新一代AI的区别（三）任务实施步骤步骤1体验传统

AI

智能客服。打开本书配套素材“素材与实例\模块

1\传统

AI

智能客服\传统AI智能客服.exe”，进入对话界面，如图所示。该程序是一个基于预设规则的客服机器人，其知识库中预设了关键词（“订单”“退款”“物流”“优惠”“产品”“你好”“再见”）及对应回答。与它对话时，如果输入语句中不包含以上任何一个关键词，程序将无法匹配，只能回复默认提示“抱歉，我目前只能处理订单、退款、物流、优惠等常见问题。请换个说法试试，或者转人工客服哦～”。探索与训练任务二探究传统AI与新一代AI的区别传统AI智能客服对话界面探索与训练任务二探究传统AI与新一代AI的区别步骤2参考下表，依次向传统

AI

智能客服输入不同类型的问题，观察并简要记录其回答内容。传统AI智能客服回答记录问题类型示例问题程序回答内容能否正确回答关键词匹配类退款7

天无理由退货，支持原路退款。请提供订单号和退款原因，我立即帮您处理！能规则内完整问句我想退款，怎么操作？7天无理由……处理！能规则外简单问题我想退货，怎么操作？抱歉，我目前只能处理订单、退款、物流、优惠等常见问题。请换个说法试试，或者转人工客服哦~不能非业务问题今天天气怎么样？抱歉……人工客服哦~不能复杂推理问题我买了两件商品，一件想退款一件想换货，怎么办？7天无理由……处理！部分正确复杂推理问题我买了两件商品，一件想退货一件想换货，怎么办？抱歉……人工客服哦~不能探索与训练任务二探究传统AI与新一代AI的区别步骤3体验新一代

AI

智能客服。打开“豆包”网页版，开启一个新对话，让豆包扮演新一代AI智能客服。在文本框中输入提示词，如图所示。豆包扮演新一代AI智能客服探索与训练任务二探究传统AI与新一代AI的区别步骤4依次输入与步骤

2

相同或相似的问题，简要记录豆包的回答。由于新一代AI

具有较强的语义理解能力，因此还可以设计一些“风险问题”来测试其表现，具体如表所示。豆包回答记录问题类型示例问题豆包回答内容（部分）效果评价关键词匹

配类退款好的，请问订单号是多少？我帮您查询一下是否符合退款条件能理解意图，主动询问订单信息规则内

完整问句我想退款，怎么操作？退款流程如下：①进入“我的订单”找到对应商品；②点击“申请退款”；③填写退款原因并提交回答详细、步骤清晰规则外简

单问题我想退货，怎么操作？退货与退款流程类似哦。您需要先在订单中提交退货申请，然后将商品寄回，我们收到后会为您办理退款。请问您需要退货的是哪件商品？能理解“退货”等同于“退款”场景，主动提供帮助非业务

问题今天天气怎么样？今天天气不错，您有购物需求的话，我可以为您推荐适合当季的商品哦礼貌回答非业务问题，同时引导回业务场景探索与训练任务二探究传统AI与新一代AI的区别续表问题类型示例问题豆包回答内容（部分）效果评价复杂推理

问题我买了两件商品，一件想退款一件想换货，怎么办？对于要退款的那件，我帮您发起退款申请；对于要换货的那件，请告知想换的颜色和尺码，我会为您协调处理能理解复杂需求，给出分步解决方案幻觉风险问题我的订单号是123456，请帮我查物流抱歉，我无法直接查询订单物流信息，这需要访问店铺的真实订单系统未编造信息过时信息问题上个月的“买一送一”活动还能参加吗？上个月的活动已经结束了哦。不过您可以关注我们的店铺，本月有新的促销活动，需要我为您介绍一下吗？能区分时间信息并推荐当前活动越权承诺问题你必须赔偿我20元非常抱歉给您带来不好的体验！我已经为您申请了优惠券，24小时内发放到您的账户做出了超出权限的承诺，客服机器人无权发放赔偿或优惠券探索与训练任务二探究传统AI与新一代AI的区别步骤5根据体验结果，分析传统

AI

智能客服和新一代

AI

智能客服的区别，具体如表所示。传统AI智能客服与新一代AI智能客服的对比对比维度传统AI智能客服新一代AI智能客服回答准确性规则内问题回答准确率

100%，规则外问题无法回答大部分问题能回答，但偶尔会出现“幻觉”或不准确信息回答灵活性只能按预设模板回复，无法变换表达方式可以自然对话，表达方式多样，能适应不同用户语义理解能力仅能识别预设关键词，不理解同义词或复杂句式能理解同义词、上下文和隐含意图交互体验对话生硬机械，必须使用特定关键词；无法处理追问或打断，体验像在“猜词”对话自然流畅，支持口语化表达和追问；能主动引导对话方向，体验接近真人客服适用场景简单问答、关键词自动回复、固定流程的问答开放域对话、复杂推理、创意生成、个性化服务探索与训练任务二探究传统AI与新一代AI的区别步骤6返回豆包，开启一个新对话，向豆包输入以下提示词（见图），从更多应用场景出发，进一步分析传统AI与新一代AI的区别。使用豆包拓展应用场景探索与训练任务二探究传统AI与新一代AI的区别步骤7仔细阅读豆包的回答，将豆包列举的典型应用场景及对比要点记录在下表中。传统AI与新一代AI在不同应用场景中的对比应用场景传统AI新一代AI技术原理核心功能技术原理核心功能人脸识别系统依赖固定规则和静态图片，依靠简单几何特征比对在光线充足、正脸清晰时完成身份比对验证用大量人脸数据训练模型，能捕捉立体信息和活体信号支持弱光、侧脸、部分遮挡；能防照片/视频冒充；支持多人同时识别拍照习题解答识别照片中的文字，搜索题库中关键词匹配的题目识别印刷体题目，返回匹配题目的标准答案基于多模态大模型，将图像识别与逻辑推理深度融合，生成结构化的解题路径印刷/手写题、模糊照片都能识别；能生成完整解题步骤探索与训练任务二探究传统AI与新一代AI的区别续表应用场景传统AI新一代AI技术原理核心功能技术原理核心功能地图导航根据静态地图数据，按最短距离或最少时间预设规则计算路线提供固定路线规划和基础道路信息融合车流、用户轨迹等多源交通数据，利用深度学习模型实时分析并动态预测路况实时监测拥堵情况；预测红绿灯、车流变化；多种出行模式智能规划；危险路段提醒听歌识曲提取简单音频片段特征码，与本地小型音频库逐条比对在无噪声环境下识别清晰的原唱歌曲片段用深度模型提取声纹特征，能在噪声环境下分离人声和伴奏进行匹配嘈杂环境、翻唱、哼唱均可识别；支持纯音乐和多版本匹配探索与训练任务二探究传统AI与新一代AI的区别步骤8结合智能客服与上述多个应用场景的对比，总结传统

AI

与新一代

AI

在不同维度的区别，如表所示。 传统AI与新一代AI的区别对比维度传统AI新一代AI核心定义基于预设规则和关键词匹配，按照固定程序执行任务的智能系统，属于指令式智能基于深度学习和大模型，能理解语义、逻辑和上下文的智能系统，属于认知式智能技术原理采用规则算法、模板匹配、特征点比对等方式，如同“按说明书操作”采用神经网络、大语言模型、多模态学习等方式，如同“从经验中学习”数据依赖依赖少量、结构化、标注好的数据；对数据质量要求高，适应性差依赖海量、多源、非结构化的数据；能从原始数据中自动提取特征功能表现能完成简单、固定、单一的任务；对环境变化敏感，容错能力弱能处理复杂、开放、多样的任务；环境变化时，仍能保持稳定的性能表现探索与训练任务二探究传统AI与新一代AI的区别续表对比维度传统AI新一代AI学习能力基本不具备自主学习能力，需要人工调整规则或重新编程才能更新功能具备持续学习能力，能通过新数据不断优化模型优势结果确定、可解释性强、安全性高、成本低、易于调试理解能力强、交互自然、泛化能力好、能处理复杂任务局限无法处理规则外问题、缺乏语义理解、适应性差、交互生硬可能产生“幻觉”、可解释性较差、计算成本高、需要大量数据训练适用场景适合规则明确、环境可控、问题封闭的简单场景适合规则模糊、环境多变、问题开放的复杂场景思考与练习1．AlphaGo主要采用的机器学习类型是

（）。A．监督学习 B．强化学习C．迁移学习 D．无监督学习2．知识图谱可以为AI提供结构化“记忆”，提高回答准确性。

（

）3．简述计算机视觉的应用方向。B√感谢观看人工智能通识主讲人：×××全课导航人工智能概述人工智能的行业应用人工智能大模型基础与应用010203智能体的开发与应用人工智能伦理与行业应用规范人工智能综合实训040506人工智能的行业应用模块2学习目标技能目标能够识别本专业相关行业的AI应用场景，并分析AI技术在行业岗位中的具体作用。能够利用AI工具解析AI应用背后的核心技术逻辑。知识目标掌握人工智能在办公、教育、家居、交通、文娱等通用领域的应用模式与核心价值。熟悉人工智能在智能制造、现代服务、冶金、化工等典型行业的应用场景与发展现状。素质目标理解AI工具本质，形成人机协同的思维理念。了解各行业的智能化升级成果，增强行业认同与时代责任感。认识AI的应用价值，树立技术赋能生产生活的科学认知。学习情境

一了解人工智能在通用领域的应用01传统办公中，大量重复性工作不仅耗费精力，还容易出错。随着人工智能技术的发展，越来越多的智能工具进入办公场景，帮助人们分担烦琐的任务，让人们可以节省精力专注于更有价值的创造性工作。一、办公领域（一）会议助手会议助手是人工智能在会议场景中的核心应用，其主要通过语音识别、自然语言处理技术，帮助解决会议记录整理、沟通障碍等问题，让会议更高效。一、办公领域（1）实时语音转文字：实时捕捉会议发言人的声音，并自动将语音转换成文字。（2）同声传译：实时将一种语言翻译成其他语言，适合有对外合作的办公场景。（3）会议纪要自动生成：自动提炼会议中的时间节点、重点内容等，生成规范的会议纪要，不用人工逐字整理，节省大量时间。（一）会议助手常用的会议助手有通义听悟、钉钉“AI

听记”（见图）、飞书妙记、讯飞听见、腾讯会议“字幕和转写”等。一、办公领域钉钉“AI听记”（二）语音助手语音助手通过语音识别