人工智能通识与伦理 课件 马文静 第1-4章 人工智能概述-AI图像处理

AI的“前世今生”与趣味体验第1章

人工智能概述导入探讨挑战，思考未来方向亲手操作，体验AI强大能力追溯历史，洞悉核心概念从互动游戏开启AI之旅探索AI的无限可能课程目录01.AI猜谜互动02.AI的前世今生03.AI能力体检04.AI的双刃剑知识实践思辨导入：AI“猜谜”互动智能音箱唤醒清晨购物精准推荐AI生成炫酷特效AI已无处不在！今天我们不聊复杂公式，就来解锁AI的“前世今生”，还要亲手测试AI的能力～互动环节AI猜图！上传照片，让AI描述内容，看看谁能最快发现AI漏看的细节！什么是人工智能？通俗定义“AI就像给计算机装了‘大脑’，让它能模仿人类的看、听、说、想——但它的‘大脑’是数据和算法做的，不是真的有思想哦！”你觉得以下哪个属于AI？计算器智能语音助手扫地机器人普通电饭煲ChatGPTAI的“前世今生”第一阶段：符号主义(1950s-1980s)——“按规则做事的机器”例如：早期的MYCIN医疗系统，医生输入症状，它按预设规则诊断疾病。缺点：“知识获取难”，就像要把所有医生的经验都写成规则，累死啦！第二阶段：统计学习(1980s-2010s)——“从数据中学习的机器”例如：LeNet-5识别手写数字，喂给它上万张图，它自己找到规律。缺点：“需要人工帮忙找特征”，不能完全自主学习。只会背答案的小学生需要老师引导的中学生AI的“前世今生”第三阶段：认知智能：能理解、会创造的伙伴2010s-至今核心特点“自主学习+多模态”，能看懂文字、图片，还能自己创作，是我们的“全能助手”。应用案例GPT：流畅撰写文章、代码与对话AlphaFold2：破解蛋白质结构难题AI绘画：根据文字描述创作艺术作品AI的三大要素数据：“做饭的食材”没有好食材（高质量数据），再厉害的厨师也做不出好菜。

算法：“做饭的菜谱”不同菜谱（算法）做出来的菜（结果）不一样。算力：“做饭的火”食材多、菜谱复杂（大模型），需要大火（高性能GPU）才能快速做好。多好全分类算法回归算法深度学习算法如果想让AI推荐适合大学生的减肥餐，需要哪些数据、算法和算力？AI三大要素的典型应用图像识别核心任务：识别物体、场景或人脸，让计算机“看懂”图片。数据：海量标注好的物体图片。算法：CNN卷积神经网络，提取特征。算力：GPU加速处理海量像素。实践任务：AI“猜物品”互动、手写数字识别。语音识别核心任务：将语音信号转换成文字，让计算机“听懂”说话。数据：海量多口音语音录音及转录。算法：RNN或Transformer理解上下文。算力：快速处理连续音频流的能力。实践任务：AI“听”力大挑战（普通话/方言）。文字识别(OCR)核心任务：提取图片文字并数字化，让计算机“读”懂文档。数据：大量印刷/手写体图片及标签。算法：图像识别与序列预测技术结合。算力：快速解析高分辨率文档信息。实践任务：识别PPT文字、扫描笔记数字化。自然语言生成核心任务：根据提示生成连贯文本，让计算机“写”出文章。数据：海量互联网文本、书籍和新闻。算法：大语言模型（GPT/文心一言）。算力：千亿级参数模型所需的超算集群。实践任务：AI“写”作小测试。实践体验：

AI能力“体检”小游戏分组完成3个迷你任务，亲手“体检”AI的能力！任务1：AI“识”图（图像识别）工具：推荐使用“百度AI识图”或“微信搜一搜”功能。操作：1、准备图片（2-3张）：清晰物体、复杂场景（如街道）、抽象/艺术作品2、使用工具逐一识别，记录识别结果。思考与讨论观察：AI识别的准确率如何？是否有误判？分析：

结合三大要素，影响准确率的关键因素是什么？拓展：AI图像识别在生活中的应用场景及带来的挑战。任务2：AI“听”力大挑战（语音识别）工具：微信语音输入利用大家常用的微信，直观感受AI语音识别的日常应用。操作：三种方式说同一句话标准普通话、带口音的普通话、以及你的家乡方言。记录与讨论对比识别准确率，思考“为什么方言识别是巨大挑战？”AI识别语音的关键是什么？语音波形：AI识别的基础方言多样性：挑战的根源任务3：AI“写”作小测试（自然语言生成）测试工具DeepSeek/豆包/文心一言等主流大语言模型网页版操作指令输入提示词例如：“以大一新生口吻，写100字入学感想，语气真诚”。思考与讨论AI写的像真人吗？有没有假大空的内容？AI写作工具界面展示任务4：AI“猜”兴趣（推荐系统）工具抖音/小红书/B站操作打开APP，搜索“大学生宿舍好物”，连续看3条后刷新首页。记录和讨论新推荐的内容有哪些和“大学生活”相关？AI是怎么知道你喜欢什么的？会不会一直给你推同类内容，形成“信息茧房”？推荐系统实时捕捉你的兴趣警惕！你可能身处“信息茧房”伦理思辨：AI的“双刃剑”AI是天使还是魔鬼？我们该如何看待它？案例讨论案例1：AI招聘的性别偏见招聘AI系统因训练数据多为男性简历，导致女性候选人通过率极低。案例2：深度伪造的伦理危机AI生成“换脸视频”用于造谣、诈骗，严重侵犯个人隐私与名誉。根源探究：数据偏见、算法黑箱、隐私泄露？应对策略：我们该如何构建负责任的AI？核心伦理原则尊重隐私不用AI偷别人的隐私数据。公平公正警惕数据和算法中的偏见。安全可控不相信AI的所有答案，要校验。用AI做正确的事，共建可信的智能未来。总结与预告知识回顾AI定义模拟人类智能的技术，并非真正拥有思想。发展三阶段按规则→学数据→能创造。核心三要素数据(食材)、算法(菜谱)、算力(火)。下次预告亲手部署AI工具体验从0到1的AI应用搭建过程。重要提示：下次课带上电脑！人工智能通识2026年10月27日2.1大模型基础第2章AI工具与平台初体验目录CONTENTS0102032.1大模型基础2.2无代码AI工具全景图2.3AI大模型本地应用部署实践目录CONTENTS010203040506任务场景学习目标相关知识和技能任务实施任务小结练习任务PART01任务场景任务场景在人工智能快速发展的今天，大模型已经成为推动智能化应用的重要引擎。理解大模型的基本概念和应用场景，是开启人工智能应用的起点。本节以“结合大学学习与生活场景”为出发点，建立对大模型的整体认知。通过案例讲解、任务驱动和小组讨论，学生能够理解大模型在语言处理、图像生成、跨模态应用等方面的作用，并认识其在学习、生活和未来职业发展中的价值。PART02学习目标学习目标-知识目标了解人工智能大模型的基本概念和发展历程。熟悉大语言模型、视觉模型和多模态模型的主要类型与应用场景。能够理解大模型在学习、生活和职业发展中的常见应用方式，并具备初步的应用意识。学习目标-能力目标能够用通俗语言解释大模型的原理和应用价值。能够通过案例分析，识别大模型在学习、生活和社会中的应用场景。能够在小组讨论中提出观点，描述自己接触人工智能大模型的应用体验。学习目标-情感目标树立科技报国意识，认识人工智能大模型技术对国家科技竞争力的战略意义。培养理性思维，能够在面对新兴技术时保持科学态度。强化社会责任感，理解人工智能应用对学习、生活和社会发展的积极价值。PART03相关知识和技能相关知识和技能-大模型定义与发展AI大模型是指参数规模巨大、结构复杂的机器学习模型，通常具有10亿(1B)以上的参数，通过在大规模数据集上进行预训练，能够直接支持多种应用。它结合了“预训练”和“大模型”两层含义，预训练使模型无需大量微调即可完成复杂任务。近年来，AI大模型的参数规模已从千亿级发展到万亿级，如OpenAI的GPT、阿里的“通义千问”qwen、深度求索的DeepSeek等。相关知识和技能-主流大模型类型当前的主流大模型包括大语言模型、视觉大模型、多模态大模型等。目前，大模型已在多个领域得到广泛应用，包括搜索引擎、智能体、相关垂直产业及基础科学等领域，推动了各行业的智能化发展。相关知识和技能-核心技术架构Transformer是一种近年来在人工智能领域广泛应用的深度学习模型架构。它最初被设计用于自然语言处理任务，能够很好地解决传统模型在处理长文本时容易出现的信息丢失问题。Transformer的核心机制是“自注意力”，成为当前大模型的主要技术基础。CNN（卷积神经网络）是一类专门擅长处理图像数据的深度学习模型。它的设计灵感来自人类视觉系统，能够通过“卷积操作”自动提取图像中的局部特征，例如边缘、纹理和形状，再逐层组合形成对整体图像的理解。相关知识和技能-核心技术架构类型技术架构能力侧重点应用场景大语言模型（LLM）基于Transformer，海量文本训练自然语言理解、生成、推理文本创作、问答系统、代码生成视觉大模型（VLM）图像处理为主，如CNN或VisionTransformer图像识别、图像生成、目标检测智能安防、医学影像分析多模态大模型（MLLM）融合文本+图像/语音等信息语义理解与跨模态推理智能助手、虚拟客服、教育辅助相关知识和技能-大语言模型代表模型/产品应用场景通义千问（阿里）文心一言（百度）GPT系列DeepSeek等聊天机器人（如智能客服、助理）文档分析、处理内容写作与创意生成程序代码教育辅助相关知识和技能-视觉大模型视觉大模型主要应用于计算机视觉领域，负责处理和分析图像或视频数据。它们通过对大量视觉数据的训练，能够完成图像分类、目标检测、图像生成、语义分割等任务。相关知识和技能-多模态大模型010203代表模型/产品应用场景多模态大模型是近年来人工智能发展的重要方向，能够同时处理文本、图像、语音、视频等多种模态的数据，并在不同模态之间建立联系，实现跨模态的理解与生成。GPT（OpenAI）Gemini（GoogleDeepMind）QwenVL智能客服与语音助手医疗诊断视频理解智能交通与安防教育辅助相关知识和技能-主流AI大模型对比模型开发公司架构特点多模态支持开源情况GPT‌OpenAITransformer架构文本/图像/语音全模态‌闭源Qwen3‌阿里巴巴密集（Dense）与混合专家模型（MoE）文本/图像/音频‌部分开源DeepSeek‌深度探索混合专家模型（MoE）图像解析完全免费开源Llama3‌MetaTransformer架构文本生成图像‌开源Gemma3‌Google局部/全局注意力混合架构文本/图像/视频‌开源Hunyuan‌腾讯Hybrid-Transformer-MambaMoE支持图片生文部分开源相关知识和技能-智能体智能体——人工智能的行动主体（1）感知（Perception）（2）认知（Cognition）（3）行动（Action‌）感知是智能体与外部环境交互的第一步。通过传感器或数据接口，智能体能够获取来自环境的信息，包括图像、声音、文本、视频等。认知是智能体的“思考”过程。基于感知到的信息，智能体需要进行逻辑分析、问题解答和知识学习。大模型在这一环节提供了强大的技术支撑。行动是智能体与环境交互的最终环节。根据认知结果，智能体需要采取具体行为，如生成文字、控制设备、执行任务等。相关知识和技能-大模型与智能体关系项目AI智能体大语言模型定义能感知、决策并行动的系统基于大量文本训练的语言模型功能可执行多种任务（如控制设备、生成内容）主要用于自然语言处理和生成关系LLM可能是其中的一部分或核心模块通常是智能体的一个重要组成部分相关知识和技能-AI搜索AI搜索，即基于人工智能技术的搜索引擎，是传统搜索方式的深度升级。它不再仅仅依赖关键词匹配，而是通过自然语言处理（NLP）、深度学习、知识图谱、多模态理解等技术，主动理解用户的真实意图，从而提供更精准、更智能、更个性化的信息服务。相比传统搜索引擎，AI搜索不仅能“找信息”，更能“理解问题”和“生成答案”，成为我们日常学习、工作和生活中不可或缺的新型知识工具。在百度的传统搜索框下，点击AI搜索即可打开，可以在线使用，开启我们与AI的交互对话，包括文字聊天、AI作图、AI写作、AI阅读等功能。相关知识和技能-AI搜索：PART04任务实施任务实施-任务导入任务导入（3）提出问题本任务以“构建AI认知地图”为主线，围绕人工智能大模型、智能体与AI搜索三大主题，开展资料调研、工具体验、场景设计与成果展示等活动。通过任务驱动式学习，在真实问题情境中理解核心概念，提升信息素养与表达能力，并形成理性、负责任的技术认知。AI就在你身边（1）展示百度AI搜索首页，观察“DeepSeek-R1最新版已支持”的提示语，讨论“AI搜索与传统搜索有何不同”。（2）播放一段AI制作的文生视频，引导学生思考“AI是否正在改变内容创作的本质？”。“你是否用过AI写作工具？你知道它背后的技术是什么？”分享个人体验，建立任务关联。任务实施-分组探索分组探索三类模型、三种认知（1）第一组大语言模型（LLM）——以DeepSeek为例，调研其语言理解与生成能力，分析其在教育、写作、编程等场景中的应用。（2）第二组视觉大模型（VLM）——以文心一格或Qwen3-VL为例，探索图像识别与生成技术，设计校园视觉应用方案。（3）第三组多模态大模型（MLLM）——以Qwen3为例，研究其跨模态处理能力，构思智能助教或虚拟助手的应用场景。任务实施-工具体验与场景模拟（1）每组模拟一个智能体系统，如“校园智能助理”、“AI图书管理员”“、虚拟社团策划师”，明确其任务目标与输入信息类型。（2）设计智能体的处理流程，包括感知方式（如语音、图像、文本）、认知逻辑（如调用LLM进行推理）、行动输出（如生成内容或执行指令）。（3）展示智能体的任务执行路径，并说明其背后的技术支持，特别是如何调用DeepSeek或Qwen3等模型完成任务。任务实施-成果展示各组展示任务成果，包括模型认知卡片、应用方案设计、AI搜索体验报告与智能体角色演示。（1）技术理解、表达能力、创新性与价值导向等维度进行点评，将技术认知转化为现实问题解决能力。（2）互评，提出改进建议，开放式学习。（3）总结本次任务的学习收获，思考AI技术的未来发展。PART05任务小结任务小结通过本次任务，我们初步建立了人工智能认知地图，理解了大语言模型、视觉大模型、多模态大模型的基本特征与应用场景。理解智能体“感知—认知—行动”的运行逻辑，并通过百度AI搜索的实操体验，直观感受到AI搜索与传统搜索的差异。PART06练习任务练习任务1：AI搜索与传统搜索的主要区别请用简明语言描述AI搜索与传统搜索的主要区别，并结合校园场景举一个应用例子。练习任务2：AI大模型的特点与应用选择DeepSeek或Qwen3，结合自己的体验，说明其技术特点与应用价值。练习任务3：智能体应用结合智能体的“感知—认知—行动”三要素，描述一个我们在校园生活中可能使用的智能体应用场景。谢谢《人工智能通识与伦理》人工智能通识2026年10月27日2.2无代码AI工具全景图第2章AI工具与平台初体验目录CONTENTS0102032.1大模型基础2.2无代码AI工具全景图2.3AI大模型本地应用部署实践目录CONTENTS010203040506任务场景学习目标相关知识和技能任务实施任务小结练习任务PART01任务场景校园学习与活动中的任务需求在校园学习与活动中，完成方案撰写、宣传设计、视频制作等多种任务。随着无代码AI工具的普及，我们只需通过自然语言交互和可视化界面，就能快速完成复杂的创作流程。以“基于百度文心助手的智能体协同”为主线，在校园社团招新活动的场景中，体验如何利用文心助手及相关工具，完成从信息检索到多模态内容生成的全过程。PART02学习目标知识目标了解无代码AI工具的类别、核心能力与典型应用。认识AI搜索与无代码工具的关系与协作方式。熟悉DeepSeek、Qwen3等国产大模型在工具生态中的应用特点。能力目标使用百度AI搜索进行任务拆解与信息组织。基于无代码工具完成图文、音视频、PPT等内容的快速生成。能够完成一个面向校园场景的完整创作过程，从信息检索到成果发布。情感目标010203建立理性技术观念，正确认识无代码AI工具的优势与局限。在使用过程中增强责任意识，注重隐私保护与版权合规。注重团队协作，培养服务校园与社会的价值导向。PART03相关知识和技能无代码AI工具的基本概念典型特征无代码AI工具是指无需编程，通过可视化界面、模板配置或自然语言交互即可调用人工智能功能的应用。它们降低了技术门槛，使更多人能够在教育、科研、商业和生活场景中直接使用AI。低门槛：无需编程知识即可操作可视化界面：通过图形化交互完成任务多功能支持：涵盖文本、图像、音频、视频、数据分析等典型特征典型特征无代码AI工具——文心助手01020304无代码AI工具的主要类别与功能文本生成与办公类工具文心助手，copilot等图像生成与编辑类工具AI文生图等语音与视频类工具文生视频等数据分析与可视化类工具CopilotinExcel等国产大模型在工具生态中的应用（1）DeepSeek例如，百度AI搜索（2）Qwen3支持文本、图像、音频等多模态任务（3）文心系列与百度搜索深度融合，形成完整的知识检索与内容生成链条01020403技能要点任务拆解提示工程工具协同在使用无代码AI工具时，需要学会将复杂任务分解为“信息检索—内容生成—成果展示”三个环节。提示工程是提升生成结果质量的重要方法。通过明确角色设定、结构化提问和示例对齐，AI能够更好地理解需求。单一工具往往难以满足复杂任务需求，因此需要学会组合使用不同工具。在使用工具时必须注意隐私保护、版权合规和结果核查。安全与合规PART04任务实施任务实施概述在本任务中，我们以“校园计算机社团招新活动”为情境，尝试利用无代码AI工具完成一套完整的宣传物料制作。整个过程分为信息检索、文案生成、海报设计、成果展示等四个环节。任务实施概述环节步骤建议工具信息检索提问+整理纲要百度AI搜索（DeepSeek）文案生成主文案+短文案+主持词DeepSeek、Qwen3海报设计主海报+导出文心助手AI生图、CanvaAI成果展示展示+交流课堂展示、讨论1.信息检索：明确需求与方案骨架（1）结构化提问百度AI搜索（也可以使用其它AI工具）提出问题：“大学校园计算机社团招新的主要目标是什么？”、“大一新生的兴趣特点有哪些？”（2）结果整理将检索到的要点汇总为简要纲要，形成“招新方案骨架”。2.文案生成（1）主文案撰写（2）社交媒体短文案（3）主持词简稿使用AI工具生成一段简洁有力的招新宣传文案。使用AI工具生成若干条适合朋友圈或微信公众号的短文案，选择使用。生成一份简短的主持词开场白，用于活动当天。3.海报设计4.成果展示与交流（1）成果展示（2）交流小组展示最终成果AI工具在哪些环节帮助最大？哪种提示词效果最好？遇到结果不满足需求如何解决？PART05任务小结任务小结本次任务以“校园计算机社团招新活动”为实践场景，围绕信息检索、文案生成、海报设计与成果展示四个环节，系统运用了多种无代码AI工具，完成了一套完整的宣传物料制作流程。通过结构化提问与要点整理，我们明确了招新方案骨架；借助AI文案生成工具，快速产出主文案与社交短句；结合图像生成与模板排版，实现了海报的高效设计与输出；最终通过成果展示与交流，提升了团队协作与提示词优化能力。整个过程不仅体现了AI工具的协同效能，也锻炼了我们从需求理解到成果呈现的综合执行力，为今后在校园场景中应用AI技术提供了宝贵经验。PART06练习任务练习任务1：设计一幅校园讲座海报任务说明操作目标使用图像生成工具，输入参考提示词图像生成练习任务2：生成一段校园图书馆温馨提示任务说明操作目标请使用任意无代码AI文本工具，输入提示词学会用提示词生成简短的服务类文案；体验AI在校园公共服务场景中的应用；对比不同工具生成的风格差异谢谢《人工智能通识与伦理》人工智能通识2026年10月27日2.3AI大模型本地应用部署实践第2章AI工具与平台初体验目录CONTENTS0102032.1大模型基础2.2无代码AI工具全景图2.3AI大模型本地应用部署实践目录CONTENTS010203040506任务场景学习目标相关知识和技能任务实施任务小结练习任务PART01任务场景任务场景说明在校园学习与科研中，很多任务需要调用大模型完成智能问答、文案生成或多模态处理。相比在线工具，本地部署能够在离线环境下运行，提升数据安全性与可控性。以LMStudio软件为例，实现在个人电脑上部署并运行Qwen3-VL-4B等大模型，体验从安装到应用的完整过程。PART02学习目标知识目标了解本地部署大模型的意义与基本流程。熟悉LMStudio的功能与操作界面。认识Qwen3-VL-4B等大模型的特点与应用场景。能力目标能够独立完成LMStudio的安装与模型加载。掌握本地运行大模型进行文本与多模态任务的基本方法。能够在校园场景或个人计算机中应用本地模型完成简单创作或分析。情感目标建立理性技术观，理解本地部署的优势与局限。增强数据安全与隐私保护意识。培养自主探索与实践精神。PART03相关知识和技能本地部署大模型的基本概念在人工智能快速发展的背景下，常见的使用方式是通过云端平台调用模型。优势在于便捷，只需联网即可获得强大的计算能力和丰富的功能。云端也存在一些局限，比如网络环境不稳定时无法使用，或者在涉及敏感数据时存在隐私风险。所谓本地部署，就是将大模型直接安装并运行在个人计算机或校园服务器上。这样做的最大特点是离线可用。除了离线可用，本地部署还带来数据安全与隐私保护的优势。LMStudio软件简介LMStudio安装简单、模型下载方便、交互直观。如图所示，这种体验与在线AI工具几乎一致，但运行完全在本地，更加安全可靠。图中的LMStudio加载了“qwen3-8b”大模型，回答了用户提问“你是谁”，可见它是由通义实验室（通义实验室是阿里巴巴集团旗下的核心机构，专注于人工智能及大模型研究）研发的大模型。理解大模型运行参数与性能表现（一）生成速度（Token/s）首个Token用时Token是什么？在语言模型中，Token是最小的语言单位，可以是一个字、一个词，甚至一个标点。模型的生成过程就是“一个一个地输出Token”。这是指模型每秒钟能生成多少个Token。例如，“135token/s”，说明模型每秒能输出约135个语言单位。速度越快，响应越流畅，适合实时对话或现场演示。这是模型开始生成第一个词的等待时间，通常在0.1～1秒左右。时间越短，说明模型启动更快，体验更自然。理解大模型运行参数与性能表现（二）以Qwen3-VL-4B为例“Qwen”是模型系列名称，由通义实验室研发；“3”表示第三代版本；“VL”代表Vision-Language，即支持图像与文本的多模态任务；“4B”表示模型拥有约40亿个参数（B=Billion）。当前最新为V3.5版。参数是模型学习语言规律的“记忆单元”。参数越多，模型理解能力越强，但也意味着运行时需要更多计算资源。个人如何选择？对于普通笔记本电脑，建议选择4B～8B参数规模的模型；如果使用高性能显卡或校园服务器，可以尝试30B或更高的模型。理解大模型运行参数与性能表现（三）模型名称架构类型激活参数量推荐最低显卡型号显存要求说明Qwen3-VL-4B稠密模型4BNVIDIARTX3060Laptop≥6GB支持文本与图像任务，适合教学演示与校园项目Qwen3-30B-A3BMoE模型3B（激活）NVIDIARTX4060Laptop≥8GB虽然总参数为30B，但仅激活3B，性能强且资源友好稠密模型与专家模型对比：PART04任务实施1.安装LMStudio打开LMStudio官方网站(lmstudio.ai/download)，下载适合操作系统（Windows、macOS、Linux）的安装包，如图所示。按照提示完成下载和安装，启动软件后进入主界面。如图所示，建议选择“PowerUser”高级用户，点击“Continue”继续，其它向导界面点击右上角的“Skip”忽略，进入主界面。2.基本设置010203Settings——GeneralHardware（硬件）首次启动完成，在LMStudio主界面，如图所示，点击右下角的齿轮标记，打开“应用设置”，进行必要的检查和设置。选择语言（language）为“简体中文”，方便后续交互；可选择用户界面，建议选“高级用户”。确认启用当前计算机的显卡（GPU）；在AI大模型运行中，GPU的速度远远大于CPU，需优先选用。3.下载大模型如图所示，点击左侧的“发现”按钮，打开大模型搜索界面，输入“Qwen3VL4B”，列出可供下载的大模型。搜索列表主要有三种可选。Qwen3-VL-4B、Qwen3-VL-4B-think、Qwen3-VL-4B-Instruct，按需要选择下载。假设，我们选择“Qwen3-VL-4B”，点击右下角“Download”下载，大模型文件约3.33GB，相对来讲还是很“轻巧”了。等待下载成功完成后，模型会显示在已安装列表中。4.运行环境设置如图所示，选择“Runtime——Selections”，配置运行环境，很重要。打开GGUF选择列表，根据显卡类型选择运行环境。一般来说，nVidia（英伟达）显卡选择“CUDA”，AMD等其它显卡选择“Vulkan”，以便于发挥最大的AI运算能力。5.加载运行大模型在LMStudio主界面的顶部，选择已安装模型列表中的“Qwen3-VL-4B”，按默认方式直接加载该大模型。如图所示，加载成功后的大模型显示在界面顶部；然后，点击左上方的“+”按钮，创建新会话；之后，在下方交互对话框输入“你是谁”，AI回复“我是通义千问……”，操作成功。6.设置系统提示词在LMStudio右侧参数设置区，点击“Context”设置；在“系统提示”中，输入示例提示词“你是大学计算机社团的智能助手，能够用亲和的语气回答问题。”之后，同样提问“你是谁”，AI回复大致就是“我是通义千问（Qwen），大学计算机社团的“AI小助手”！虽然我是个AI，但我会用最亲切、最懂你的语气陪你聊技术、解难题、写代码、甚至帮你规划社团活动～……”。与初始未设置系统提示词相比，明显体现了AI角色设置的作用，使回答更符合场景需求。在LM中，可以保存多个系统提示词，以便在不同的对话环境中，选择使用。7.多模态测试在交互区上传一张图片，或者直接粘贴图片，并输入提示词“请描述这张图片的主要内容。”模型会识别图像内容并生成文字描述，展示多模态能力。同时，也可以实现OCR图片识别文字功能，从纸质印刷品照片、截图等媒介上提取文字等，显著拓宽了AI应用场景。PART05任务小结01020304任务小结内容完成了LMStudio的安装与基本设置，下载并加载了Qwen3-VL-4B模型，并通过参数配置和系统提示词的设定，体验了模型的文本生成与图像识别功能。LMStudio的使用流程清晰、操作简便，能够在本地环境下快速运行大模型。也认识到硬件资源、模型规模和提示词设计都会影响运行效果。不仅掌握了AI工具的基本操作，还加深了对本地部署大模型的理解，实践表明，本地部署不仅能提升数据安全与自主性，还能帮助我们更深入理解大模型的应用机制，为后续的研究与创新提供基础。PART06练习任务练习任务内容1.模型加载与文本生成。在LMStudio中加载Qwen3-VL-4B模型，输入提示词2.图像识别与描述。在LMStudio中加载Qwen3-VL-4B模型，上传一张校园场景图片（如图书馆、操场或教室），在交互区输入“请写一段校园春天风景的宣传文案。”观察模型生成的结果，并尝试修改提示词，比较不同提示词对输出内容的影响。“请描述这张图片的主要内容。”记录模型的回答，并与我们自己的人工描述进行对比，思考模型在图像理解上的优势与不足。3.参数设置调整实验。在LMStudio中运行同一个提示词，分别设置不同的温度参数（如0.1、0.7、1.0），比较模型生成结果的差异，理解温度参数对回答创造性和稳定性的影响。谢谢《人工智能通识与伦理》让机器“能说会道”——自然语言处理（NLP）初探人工智能通识课程探索AI语言交互的奥秘·2026.03什么是自然语言处理？核心定义自然语言处理（NLP）是人工智能领域处理“人类语言”的核心分支，像一位“人机语言翻译官”，将抽象语言转化为机器可懂的数字信号。核心价值构建计算机与人类之间的“语言翻译桥梁”，实现高效交互。工作流程语音/文本→结构化数据（数字向量）→自然语言生成上图展示了一个典型的NLP应用场景：用户通过语音发出指令，系统将语音转化为文本，再通过NLP技术理解意图并执行操作，最终生成自然语言反馈。这一过程体现了NLP在人机交互中的关键作用。NLP的两大核心能力语言理解(LanguageUnderstanding)计算机解析人类语言语义、提取关键信息的过程。例如，自动识别快递地址中的姓名、电话、地址等信息。语言生成(LanguageGeneration)计算机依据需求生成符合人类语言逻辑的内容。例如，智能客服根据用户问题生成标准化回复。智能客服对话示例NaturalLanguageProcessingCoreCapabilitiesNLP怎么工作？数据预处理核心任务对原始语言数据进行标准化处理，去除噪声与冗余。技术目标将杂乱数据转化为计算机可识别的结构化信息。语言理解核心任务解析处理后数据的语义与逻辑关系，建立上下文关联。技术目标让计算机精准捕捉语言中的关键信息与核心意图。语言生成核心任务根据语义理解结果生成回应内容，确保语法通顺。技术目标输出符合人类语言习惯的自然文本或语音。NLP能帮我们做什么？——生活场景语音识别与语音助手：解放双手的高效工具利用自然语言处理技术，将语音转化为文字，实现人机语音交互，极大提升生活效率。讯飞语记：实时语音转文字记录老师讲课、采访录音，自动生成文字稿，告别手动记录。钉钉AI听记：智能会议纪要自动识别会议发言，生成结构化纪要，提升团队协作效率。智能语音助手(Siri/小爱同学)语音导航、查询天气、设置闹钟，实现便捷的人机交互体验。钉钉AI听记实际界面示例NLP能帮我们做什么？——学习场景作文批改与润色利用Grammarly、升网e学通等工具，实现对英语作文的实时反馈、精准纠错和词汇优化，提升写作质量。左：Grammarly实时纠错界面|右：升网e学通深度批改反馈文献摘要与提炼利用WPSAI等工具的论文摘要功能，快速从海量文献中提取核心观点，避免逐字阅读的繁琐，提升科研效率。智能摘要生成一键提取关键信息，节省阅读时间NLP赋能学习全流程，让技术成为知识获取与能力提升的加速器。NLP职业场景应用：电商与营销智能客服快速响应用户咨询，生成标准化回复，实现7x24小时不间断服务。AI文案生成基于产品特性，自动生成符合平台风格的推广文案，提升营销效率。舆情分析利用指数与情感分析工具，实时监测品牌口碑，辅助市场决策。舆情分析工具示例微信指数移动端热门趋势监测百度AI情感分析文本情感倾向智能判定NLP能帮我们做什么？——文秘与财务场景会议纪要智能化使用腾讯会议“AI纪要”功能，将会议语音实时转化为结构化纪要，大幅节省整理时间。公文处理高效化利用WPSAI“公文助手”功能，快速调整文件格式与专业措辞，提升公文撰写规范性。发票管理自动化使用支付宝“发票管家”功能，扫描发票后自动提取关键信息并生成电子台账，减少人工录入错误。支付宝发票管家界面示例任务一：数据预处理——让语言变得干净有序口语化提问场景示例任务场景：AI的“听不懂”困境用户口语化提问（如“咋看课表”）常导致AI无法理解，产生沟通障碍。任务目标：构建标准化清单将杂乱的校园问答转化为“干净有序”的结构化数据，建立标准化问答库。核心概念：数据预处理即对原始语言数据进行“标准化改造”，去除噪音，统一格式，提升AI识别率。Step1:从“混乱”到“有序”，开启数据处理之旅数据预处理：分词什么是分词？将连续的句子拆分为独立的语义单位（词语）。例如将“我的大学生活很充实”拆分为“我/的/大学/生活/很/充实”。核心作用帮助计算机明确语言的基本构成单元，避免将完整句子误判为无意义的字符组合，是NLP任务的基础。HanLP中文分词效果示例HanLP在线演示网站（）数据预处理：词性标注与命名实体识别词性标注(POSTagging)为拆分后的词语添加语法属性标签（如代词、名词、动词），帮助计算机理解词语在句子中的语法功能和角色。命名实体识别(NER)识别文本中的专有名词（如人名、地名、机构名、时间），从非结构化文本中精准提取关键信息。核心价值：通过赋予文本语法属性和实体标签，将非结构化文本转化为结构化数据，提升计算机的语义理解能力。数据预处理：停用词去除核心定义删除句子中无实质语义的冗余词汇，如“的”、“很”、“都”等虚词，保留核心实词。主要作用有效过滤文本噪音，降低数据维度，让计算机聚焦于核心语义信息，减轻后续处理负担。图示：停用词去除前后的文本对比示例关键价值：通过去除高频无意义词汇，提升模型对关键信息的捕捉能力，优化算法效率。任务一实施：制作校园问答清单原始问题：学校图书馆开放时间是什么时候？▍自然语言处理（NLP）加工过程分词结果展示词性与实体标注核心信息提取：学校/图书馆/开放时间▍标准化问答清单成果序号问题核心词标准回答示例001学校、图书馆、开放时间学校图书馆开放时间为周一至周日8:00-22:00。通过NLP工具对原始问题进行分词、标注和提取，最终将非结构化的文本转化为结构化的标准化问答清单。任务二：语言理解——搭建校园问答小秘书任务目标利用处理好的“校园问答清单”，搭建一个能够理解用户问题并给出准确回答的智能问答小秘书。核心能力让AI能够理解用户的提问意图，并从知识库中检索答案，实现精准的智能问答交互。AI赋能校园服务·智能问答系统构建语言理解的核心技术词向量(WordEmbedding)将词语转换为数字向量，语义相似的词向量距离更近，让AI具备判断词语相似性的能力。AI语言理解的两大基石：语义相似度与语法结构解析词语词向量（简化示意）语义特征猫[0.9,0.85,-0.1,...]动物、宠物、小型、温顺狗[0.88,0.82,-0.12,...]动物、宠物、忠诚、会叫汽车[-0.2,-0.1,0.95,...]机器、交通工具、金属、快速语言理解的核心技术句法分析(SyntacticAnalysis)分析句子中词语的主谓宾、定状补等语法关系，构建句子的“结构图”，让AI理解语法逻辑。AI语言理解的两大基石：语义相似度与语法结构解析语言理解的核心技术定义与本质意图匹配技术旨在建立用户自然语言表达与预定义“意图类别”之间的映射关系。它忽略表达形式的差异，聚焦句子背后的核心目的，精准识别用户的真实需求。示例：“怎么查课表？”、“我的课在哪上？”→核心意图：查询课表核心逻辑流程定义意图类别：梳理核心场景需求，如“报修宿舍”。收集多样问法：准备足量训练数据，覆盖不同表达习惯。算法精准匹配：计算语义相似度，将新问题归类到最相似意图。核心价值：通过建立“表达”与“意图”的精准映射，让机器能够穿透语言的多样性，理解用户的真实诉求，从而提供更贴心、更智能的服务体验。协同工作：从“听字面”到“懂心思”示例句子：“我想查一下明天的课表”词向量阶段将“查”、“课表”、“明天”转化为数字向量，发现语义关联。句法分析阶段识别主语、动词、宾语和状语，明确词语间的逻辑结构关系。意图匹配阶段综合语义与结构，精准判断用户意图，调用知识库回答。核心观点：词向量让AI“认识词语”，句法分析让AI“读懂句子结构”，意图匹配让AI从“听字面”升级到“懂心思”。三者协同工作，才让AI真正“听懂人话”。任务二实施：搭建Coze智能体用户输入意图识别知识库检索答案输出关键实施步骤1.创建知识库导入任务一制作的标准化问答清单，构建基础数据底座。2.创建工作流添加“知识库检索”节点，引导AI在特定范围内查找答案。3.引入大模型节点优化回答语气，处理知识库未命中的问题，提升交互体验。4.增加意图识别区分用户是询问校园问题还是通用闲聊，精准匹配服务场景。Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体Coze官网：/注册扣子账号Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体Coze官网：/左：点击免费使用进行注册账号

右：登录后点击“扣子编程”开始项目的创建选择方式创建Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体1、AI对话式创建Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第1步：创建智能体第2步：点此准备添加表格类型的知识库2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第3步：点此创建知识库第4步：选择“表格格式”，输入名称“校园高频问答库”，创建并导入。2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第5步：将之前创建的“校园问题清单.xlsx”拖拽到如图示意处，点“下一步”按钮第6步：逐一勾选表结构中你需要的列，点击“下一步”进行预览预览后服务器会进行数据处理，此时确认即可。2、低代码模式开发第7步：知识库创建完成，后续可随时增删改第8步：点左侧的“项目开发”，再点右边你创建的校园秘书智能体，重新进入编排界面。在编排界面再次点击添加知识库，选择刚才创建好的“校园问答清单”，添加。2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第9步：点此添加“工作流”第10步：点击“创建工作流”，选择“创建对话流“第11步：在“创建对话流”窗口中输入对话流名称（例如answer）及对话流描述，点击确认2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第12步：在对话流右侧进行角色配置第13步：点击“添加节点”，选择“知识库检索“2、低代码模式开发Coze（扣子）平台提供强大的工作流编排能力，助力快速构建企业级智能体第14步：点击“开始节点”右侧的锚点拖拉鼠标至“知识库检索”节点，建立流程连接线第15步：点击“知识库检索”节点，右侧出现“知识库检索”配置页面，在“输入”的变量值处选择“开始”节点的“USER_INPUT”。目标知识库处点击“+”，选择前面创建的“校园问答清单”知识库2、低代码模式开发第16步：添加一个大语言模型节点，并且连接到知识库检索的后面。该大模型节点的设置如下图所示，输入变量有两个，一个是名为outputList，变量值自知识库检索节点而来，另一个是USER_INPUT，变量值从开始节点而来。大模型的输出变量为output，异常处理超过时间可以设置长一些，为600。在系统提示词中输入提示词，参考提示词如下：#角色你是校园问题百事通，能对学生提出的关于学校的问题进行精准回答。#工作流程##步骤一：问题理解与回复分析认真理解用户的问题，判断相关内容是否能解答用户的疑问。如果用户的问题不够明确或信息不足，主动追问，确保理解其需求。##步骤二：回答用户问题如果问题与校园问题无关，礼貌拒绝回答。如果知识库中没有相关内容，告知用户“对不起，我无法提供相关答案。“如果找到相关信息，将该问题对应的”答案“字段提炼并优化总结内容，确保答案精确简洁。用户提示词处为：当前用户输入；{{USER_INPUT}}数据库检索：{{outputList[0].output}}2、低代码模式开发第17步：添加一个“意图识别”节点，将其连接至开始节点和知识库检索节点的中间，其设置如下图所示，输入变量值设置为开始节点的“USER_INPUT”，意图匹配处输入“校园相关问题”。第18步：再添加一个“大模型”节点，连接至意图识别节点和结束节点的中间，其输入输出设置如图2、低代码模式开发第19步：重新设置结束节点。输出变量有2个，其一名为output，变量值来自于大模型，其二名为output1，变量值来自于大模型1，回答内容框中输入“{{output}}{{output1}}”，表示如果意图匹配到知识库检索，则输出为大模型的output值，如果无法匹配到知识库，则输出为大模型1的output1的值。2、低代码模式开发完整的工作流图2、低代码模式开发测试一下整个工作流是否能成功运行了，点击“试运行”按钮，在试运行界面中输入你想问的问题，看看答案吧。2、低代码模式开发点击右上角的“发布”按钮，就可以发布我们创建的工作流。在弹出的询问“是否添加至当前智能体”中，单击确认。2、低代码模式开发在开场白中输入你希望的开场白，例如“你好啊，我是校园小秘书，请问有什么问题？”点击右侧的调试，可以看到此时的调试结果2、低代码模式开发在左侧的“人设与回复逻辑”中输入如下图提示词：你是一个校园问答助手，请直接回答问题，不要解释调用过程、不添加任何思考说明、不写描述语句。只输出最终答案即可。再次调试，发现回答时不会再显示思考过程，而是直接出结果。2、低代码模式开发在智能体编辑界面点击右上角的“发布”按钮。点击上图中的“立即对话”按钮，即可进入该智能体的使用页面，如下图所示，我们可以在这里进行问答互动。在运行界面，点击右上角的“分享”按钮，即可进行微信、微博分享。2、低代码模式开发例如我们选择微信，就会出现一个分享的二维码，让你的同学扫二维码进行校园