人工智能通识教程（新文科版）课件全套 刘健 第1-10章 人工智能初探-大模型的高阶应用与项目实战

第1章人工智能初探主要内容什么是人工智能人工智能的发展历程智能的协同与应用无处不在的人工智能

精准推荐最优路线智能购物视频APP能精准“猜”到你感兴趣的内容，实现个性化内容分发。地图导航实时规划最优路线，极大提升交通出行效率。购物网站自动推荐可能需要的商品，精准洞察消费需求。学科定义人工智能的定义与目标人工智能（AI）是一门致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的前沿交叉学科。深度融合计算机科学、数学、神经科学、哲学等多领域。目标：赋予机器感知世界、学习知识、理性决策的能力。核心价值：引领新一轮科技革命和产业变革。典型案例：多样性的智能形式自动驾驶汽车模拟“感知-运动智能”，在动态环境中实时感知并行使操控。AlphaGo模拟“认知-策略智能”，通过海量推演实现对人类棋手的超越。结论：两者展现的智能形式、解决的核心问题及技术底座截然不同。审视AI的四个基本视角依据《人工智能：一种现代方法》，由两条轴线交叉构成：像人一样思考像人一样行动合理地行动基准轴：追求人类表现vs追求理性完美|焦点轴：关注思考过程vs关注行为表现认知建模方法：让机器思维过程与人类匹配，关注内部运作机制。认知建模方法：让机器思维过程与人类匹配，关注内部运作机制。认知建模方法：让机器思维过程与人类匹配，关注内部运作机制。图灵测试：衡量行为的黄金标准1950年艾伦·图灵提出：若裁判无法分辨对话方是机器还是人，则认为机器通过测试。绕开了“机器能否思考”的哲学争议。提供了清晰、可操作的宏伟目标。涉及NLP、知识表示、自动推理等核心能力。理性智能体：当代研究主流现代定义：人工智能是一门研究与构建能够感知环境、进行思考与学习，并能做出最佳行动以实现既定目标的智能体的科学与工程。优势一：比“合理思考”更通用正确的推理只是手段之一。例如紧急刹车虽非推演结果，却是最理性的行动。优势二：兼容“像人一样行动”在人机协作场景中，模仿人类交互本身就是实现目标的最佳策略。强弱之辨：本质的冲突现代定义：人工智能是一门研究与构建能够感知环境、进行思考与学习，并能做出最佳行动以实现既定目标的智能体的科学与工程。维度弱人工智能(WeakAI/ANI)强人工智能(StrongAI/AGI)核心观点机器只能“模拟”人类智能行为计算机本身可以“拥有”心智现状几乎所有现有的AI应用（如导航）仅存于科幻作品（如MOSS）目标创造解决特定任务的超级工具创造全认知能力媲美人类的智能体哲学思辨：“中文房间”实验约翰·塞尔提出：纯粹的符号操作无法产生真正的语义理解。语法(Syntax)≠语义(Semantics)程序无论多复杂，都只是机械地处理符号。促使人类反思：随着AI进阶，我们应更珍视人类独有的创造力与同理心。核心论证点主要内容什么是人工智能人工智能的发展历程智能的协同与应用历史波澜：“三起两落”早期探索与第一次寒冬符号主义(Symbolicism)1956年达特茅斯会议确立。信念：智能本质是基于符号的逻辑推理。代表成果：“逻辑理论家”程序证明数学定理。❄寒冬障碍组合爆炸：计算复杂度随问题规模指数级增长。常识瓶颈：机器难以掌握人类习以为常的背景常识。后果：政府资助削减，研究跌入低谷。专家系统与第二次寒冬海量数据(BigData)：

为AI模型提供充足养料。强大算力(Compute)：

以GPU为代表硬件实现飞跃。算法革新(Algorithms)：

2012年AlexNet证明深度学习潜力。开启从“分析内容”向“创造内容”跨越的生成式AI时代。爆发时代：三大支柱共振专家系统的兴起将专家知识编码为“IF-THEN”规则，在医学诊断、矿产勘探中实现商业价值。连接主义复苏1986年反向传播（BP）算法普及，为多层神经网络训练奠定基础。致命缺陷知识获取依赖人工、开发成本高、系统脆弱且难以维护。主要内容什么是人工智能人工智能的发展历程智能的协同与应用核心能力对比：人类vs机器现代定义：人工智能是一门研究与构建能够感知环境、进行思考与学习，并能做出最佳行动以实现既定目标的智能体的科学与工程。维度人类智能优势人工智能优势推理与决策常识底蕴、灵活性、应对开放环境严密逻辑（符号AI）、感知匹配（深度学习）学习与适应样本效率高、跨界迁移、举一反三海量数据挖掘、统计规律提取创造与意图原创精神、主观意图、情感共鸣概率分布重组、高级插值运算（生成式AI）从互补到协同：人机增强智能机器职责：超大规模数据处理、极致执行稳定性、高维计算。人类主导：守住伦理底线、承担最终决策权责、保障系统韧性。人类专注于：顶层战略规划、价值对齐、颠覆性创新与复杂异常兜底。构建“增强智能”共同体核心研究方向机器学习(ML)现代AI的引擎与基石，研究能从数据中自动学习规律的算法。计算机视觉(CV)赋予计算机“慧眼”，任务包括分类、检测、分割及身份识别。自然语言处理(NLP)人工智能皇冠上的明珠，涵盖翻译、抽取、对话系统。知识表示与推理符号主义传承，利用知识图谱进行逻辑推演。机器人学AI虚拟大脑注入物理躯壳，涉及感知、导航与精密操纵。主要应用领域医疗健康&金融科技解析CT影像、预测蛋白质结构；高频交易、风险评估与反欺诈。交通出行&教育文化自动驾驶、路网调度；自适应学习路径、文创产业赋能。科学发现(NLP)AI已崛起成为继经验观察、理论推演、计算模拟之后的“第四科研范式”，极大地加速着人类拓宽科学边界的征程。第2章人工智能时代的学习方法引言：人工智能时代的学习变革人工智能的浪潮正在深刻地重塑我们获取知识与技能的方式。·传统学习：课堂上单向的知识灌输·今天：与AI协同、深度互动的新型学习范式本章重点：作为学习者，如何驾驭AI这一强大的认知工具，实现学习效率的飞跃与理解深度的拓展。将系统介绍：·利用AI进行个性化学习·高效信息处理·探索式启发核心拷问：当机器能够轻易给出标准答案时，人类学习的意义何在？主要内容学习案例：利用AI攻克"机会成本"AI辅助学习的四阶"赋能矩阵"核心警示：高度警惕"模型幻觉“人机协同的双红线与提示工程AI学习四步法—从抽象到思辨01降维解释化抽象为具象

用通俗语言理解概念02举一反三拓展应用场景

从多维度加深理解03互动练习检验知识内化

通过测试发现盲区04探索边界培养思辨能力

识别认知误区第一步&第二步：降维解释+举一反三第一步：降维解释，化抽象为具象请用通俗易懂的语言解释"机会成本"，并举一个生活中的简单例子。第二步：举一反三，拓展应用场景请从个人、企业、政府三个层面各举一个例子。答："为了得到A，你不得不放弃的那个最好的选项B的价值。"例：看电影（票价50元）vs兼职打工（赚100元）→机会成本含少赚的100元答：个人：大学四年投入电竞→机会成本是掌握外语/实习经历企业：1000万研发手机→机会成本是投入云计算服务的预期利润政府：10亿建大剧院→机会成本是新建20所公立小学第三步&第四步：互动练习+探索边界答：AI出题：小明获赠800元演唱会票（不可转售），不去可参加500元培训。问：听演唱会的机会成本？A.0元B.500元C.800元D.1300元→AI根据回答进行多轮互动反馈，引导推导答：误区一：将所有放弃的选项相加（应只计算最好的选项）误区二：混淆"沉没成本"（已发生的支出不应干扰判断）误区三：狭隘地等同于金钱（还包括时间、健康、情感等）第三步：互动练习，检验知识内化请扮演经济学教授，出3道选择题考考我。第四步：探索边界，培养思辨能力在现实中应用"机会成本"时，有哪些认知误区？AI学习四步法AI在此场景中扮演的多重角色教材翻译者场景拓展者随堂测验官思维引导者→这正是人工智能时代学习范式跃迁的缩影主要内容学习案例：利用AI攻克"机会成本"AI辅助学习的四阶"赋能矩阵"核心警示：高度警惕"模型幻觉“人机协同的双红线与提示工程方法一：高吞吐量的信息处理中枢语义级高效文献检索AI助手能理解复杂自然语言意图，帮你筛选指定领域的高影响力论文，并提取核心创新点和结论。例："帮我筛选近五年关于基因编辑

伦理困境的5篇高被引核心期刊论文"长篇内容的"极速降维"面对数十页PDF或几小时视频，可要求AI浓缩为包含核心论点、论据和缺陷的一页纸摘要。"将这份50页报告浓缩为一页纸摘要"消除语言与格式壁垒AI能提供远超传统机器翻译的译文，结合上下文解释学术黑话，并作为顶级润色师修正语法和语气。在外文论文写作中的翻译与润色方法二：全天候的自适应私人导师将晦涩理论"降维打击"调用生活经验类比晦涩理论（如用做披萨解释OOP）。动态调整难度的苏格拉底式练习通过反问引导学生自行发现漏洞，补齐认知短板。碎片化时间的即时答疑无延迟的反馈保护学习者的探索热情。方法三：激发灵感的跨界"智囊团"头脑风暴：从多维视角搭建分析框架，突破思维定式。思想实验：零成本进行沙盘模型推演（如气温骤降对全球的影响）。费曼学习法：向AI“讲授”模型，由其扮演钻牛角尖的学生精准找茬。方法四：高阶"软技能"的无压模拟舱压力测试：

模拟顶级投行面试，获取量化评分与建议。辩论陪练：

在心理安全的环境中磨砺逻辑锋芒与驳论技巧。复盘提升：

基于STAR原则改进表达清晰度。主要内容学习案例：利用AI攻克"机会成本"AI辅助学习的四阶"赋能矩阵"核心警示：高度警惕"模型幻觉“人机协同的双红线与提示工程AI为何会产生"幻觉"？本质：文本概率预测系统（超级词语接龙大师）。机制：基于统计学而非逻辑验证。冲突：以“连贯”为先，而非以“真实”为本。幻觉的典型重灾区—最高危防范对象捏造微观事实将真实背景与虚假数据缝合，极难一眼识破。凭空伪造文献虚构包含真实学者、合理标题但不存在的“幽灵文献”。报错的代码调用已废弃的API或不存在的函数库。主要内容学习案例：利用AI攻克"机会成本"AI辅助学习的四阶"赋能矩阵"核心警示：高度警惕"模型幻觉“人机协同的双红线与提示工程人机协同的双红线红线一：批判性思维审视AI输出的防御机制·强制交叉验证——Trust,butverify·保持对偏见的敏锐度·逻辑自洽性检验红线二：学术诚信不可逾越的道德底线·敬畏学术规范·厘清主体责任（AI是脚手架）·透明与诚实声明提示工程：对话艺术角色赋予(Role)“请你扮演一位资深数据分析师...”背景铺垫(Context)提供详尽上下文及任务最终目的。明确指令(Format)限定输出格式（如Markdown列表）第3章机器学习：机器如何学会“学习”主要内容机器学习入门：一个简单的决策模型学习的引擎：梯度下降与反向传播机器学习的梦魇：过拟合与欠拟合机器学习的三大终极范式本章小结机器如何学习引例一个日常的决策场景根据一名同学的平时表现，预测其能否通过期末考试。假设根据以往经验，影响考试结果的两个决定性因素是“考前学习时长”和“平时作业成绩”。我们的任务，就是构建一个名为“感知机”的模型a，让它学会根据这两项数据做出精准的及格判断。感知机模型示意图感知机的软肋：非线性困境

只要数据点能够被一条直线干净利落地切开（数学上称为“线性可分”），感知机就能完美胜任。然而，现实世界充满了非线性。面对经典的“异或（XOR）”问题，你会发现无论怎么画，都绝对无法用单条直线将两类不同颜色的点彻底分开。主要内容机器学习入门：一个简单的决策模型学习的引擎：梯度下降与反向传播机器学习的梦魇：过拟合与欠拟合机器学习的三大终极范式本章小结梯度下降：万能的优化哲学

“蒙眼下山”策略——梯度下降（gradientdescent）每次迈步，模型都会计算当前所有参数的梯度，并齐刷刷地更新一遍参数。经历成千上万次这样的“迭代探路”，模型参数就能收敛至最优解。反向传播：精妙的“责任追究”机制

“如何快速算出这上亿个参数对最终那个“错误（损失）”究竟各自承担了多少责任（即计算出每一个参数的梯度）呢？一套极其高效的“责任倒查与分配机制”主要内容机器学习入门：一个简单的决策模型学习的引擎：梯度下降与反向传播机器学习的梦魇：过拟合与欠拟合机器学习的三大终极范式本章小结机器学习的梦魇：过拟合与欠拟合

“学渣的躺平”：模型架构过于简单，或者训练时间太短，导致它连训练数据中最基础的规律都没能掌握。“书呆子的死记硬背”：模型极其复杂，记忆力超群。甚至把训练集里偶然的、毫无意义的瑕疵（噪声）也当成真理死记硬背了下来。主要内容机器学习入门：一个简单的决策模型学习的引擎：梯度下降与反向传播机器学习的梦魇：过拟合与欠拟合机器学习的三大终极范式本章小结监督学习：带答案的练习册

核心特征是：训练数据全部带有精准的“标签”或“标准答案”。模型不断将自己的预测与“标准答案”比对，利用反向传播疯狂纠错。分类（classification）：预测离散的类别。回归（regression）：预测连续的数值。无监督学习：无引导的荒野探索

模型化身为一名没有任何线索的“侦探”，必须完全依靠自己去挖掘数据内部潜藏的结构与关联。它不需要做对错分明的预测，而是专注于“发现”。聚类（clustering）：物以类聚，将特征相似的数据自动抱团。降维（dimensionalityreduction）：化繁为简。在剔除冗余的同时保留数据精髓。聚类示意图强化学习：在试错中进化的博弈论

智能体环境智能体做出动作，环境随之改变，智能体获得奖励或惩罚智能体的目标：通过海量的撞南墙与吃甜头，总结出一套能让未来长期累计奖励最大化的“神级策略”。AlphaGo便是这样诞生的主要内容机器学习入门：一个简单的决策模型学习的引擎：梯度下降与反向传播机器学习的梦魇：过拟合与欠拟合机器学习的三大终极范式本章小结本章小结

在本章中，我们掀开了机器学习的引擎盖，探究了其内部精密的运转机制。从一个用来预测考试的“感知机”出发，领悟了机器学习“在试错中修正参数”的灵魂，也见证了单层线性模型在面对“异或问题”时的深深无力。随后，破解了深度学习得以运转的两大数学密码：用“损失函数”确立目标，用“梯度下降”寻找捷径，并借由“反向传播”的链式法则，实现了海量参数梯度的极速计算。还探讨了炼丹师们必须时刻防备的“欠拟合”与“过拟合”陷阱，确立了以“泛化能力”为核心的评估标准。最后，梳理了统治机器学习版图的三大范式：吃透标准答案的“监督学习”、在混沌中寻找秩序的“无监督学习”，以及在环境博弈中野蛮生长的“强化学习”。第4章人工神经网络：从简单决策到复杂识别主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结人工神经网络是一种受生物大脑结构与功能启发的数学模型。它由大量被称为“神经元”的计算单元相互连接而成，这些单元通常被组织在不同的“层”中。每个连接都赋予一个可调整的“权重”，用以量化信号传递的强度。网络的“知识”存储于这些权重之中，而“学习”的过程，本质上即是根据外部数据自动优化这些权重的过程。什么是人工神经网络生物神经元网络与人工神经网络对比示意图主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结神经元、权重与偏置

无论架构多么复杂，所有神经网络皆由一组最基本的组件构成分层结构

单个神经元的计算能力有限，但当成千上万个神经元以层次化的结构组织时，便能协同实现复杂的模式处理。输入层：网络的入口，负责接收原始数据。隐藏层：位于输入层与输出层之间，是进行特征提取与核心计算的场所。输出层：网络的终端，负责输出最终决策。激活函数

激活函数是网络的关键组件，其核心作用是引入“非线性变换”。Sigmoid：输出范围（0，1）tanh：输出范围（-1，1）ReLU：常见激活函数曲线对比主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结网络的工作流程：前向传播

识别一张手写数字“7”的图片一张28×28像素的灰度图像被“展平”为包含784个数值的一维向量。第一隐藏层。在此层，网络捕捉到了低级视觉特征第二隐藏层。将低级特征（边缘、角点）组合成更复杂的几何结构输出层每个神经元根据上一层传来的高级特征组合计算“置信度分数”。代表“7”的神经元在接收到符合特征的信号后，会输出较高分数。主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结学习的目标：损失函数

为了量化预测值与真实值之间的差异，需要引入损失函数（lossfunction）。它评估模型的每一次预测，偏差越大，损失值越高。优化的目标即是通过调整参数（权重和偏置），使总损失值降至最低。对于多分类任务，最常用的是交叉熵损失（cross-entropyloss）：当模型对正确类别的预测概率接近1时，损失趋近于0；反之则损失急剧增大，这为模型优化提供了明确的指引。优化的核心：梯度下降法

明确目标后，需要一种系统性的方法来最小化损失。梯度下降（gradientdescent）是最核心的优化算法。其思想是：计算损失函数关于每个参数的梯度（即函数值变化最快的方向），然后沿着梯度的反方向微调参数。权重更新公式如下：其中，η为学习率（learningrate），它控制参数更新的步长。学习率过大可能导致模型振荡不收敛，过小则导致训练极其缓慢。梯度的计算：反向传播算法

对于包含数百万参数的深度网络，如何高效计算损失函数相对于每个参数的梯度？计算损失函数对输出层神经元的梯度。将梯度“反向”传至最后一层隐藏层，计算该层神经元对误差的贡献，并求出相关权重的梯度。依次逐层向前传递，直至输入层。主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结梯度不稳定问题

在反向传播中，梯度信号需逐层回传。若每层梯度持续小于1，信号会指数级衰减，导致浅层参数无法更新（梯度消失）；若持续大于1，信号则指数级放大，导致计算溢出（梯度爆炸）。激活函数改进：使用ReLU及其变体替代Sigmoid/tanh。权重初始化：采用He初始化或Xavier初始化，保持各层方差稳定。批量归一化：对每层输入进行标准化（均值为0，方差为1），稳定数据分布。残差连接：如ResNet架构，通过“快捷通道”允许梯度跨层直接传播，从根本上缓解了梯度消失问题。梯度消失与爆炸示意改进措施：过拟合问题过拟合（overfitting）指模型在训练集表现优异，但在测试集表现不佳。随机失活：在训练中以一定概率（如50%）随机“禁用”部分神经元。这迫使网络不依赖特定神经元，学习更鲁棒的特征。数据增强（旋转、缩放图像）。早停：在模型开始过拟合之前停止训练，从而提高模型在新数据上的泛化能力。改进措施：主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结主流神经网络架构简介卷积神经网络（CNN）。其核心在于局部感受野和参数共享。通过“卷积核”扫描图像提取特征，并利用“池化层”降维。LeNet-5是其经典代表，在手写数字识别上取得了巨大成功。CNN是现代计算机视觉的基石。主流神经网络架构简介Transformer摒弃了循环与卷积，完全基于“自注意力机制（self-attention）”。该机制允许模型直接计算序列中任意两个元素的关联，不仅解决了长期依赖问题，更实现了大规模并行计算。Transformer是BERT、GPT等现代大语言模型的基础架构。主要内容什么是人工神经网络神经网络的基本构成网络的工作流程：前向传播网络的学习机制：反向传播与梯度下降深度训练的挑战与对策主流神经网络架构简介本章小结本章小结

本章以“手写数字识别”为切入点，系统阐述了人工神经网络。定义了神经网络的概念，解析了其由神经元、层级结构和激活函数构成的基础框架。通过追踪“前向传播”，理解了数据如何被逐层抽象为预测结果。深入剖析了学习机制：以最小化损失函数（如交叉熵）为目标，利用梯度下降法优化参数，并依靠反向传播算法高效计算梯度。此外，探讨了深度网络面临的梯度不稳定与过拟合挑战及其解决方案（如ReLU、Dropout）。最后，概览了三大主流架构：面向图像的CNN、面向序列的RNN/LSTM以及作为大模型基石的Transformer。理解这些原理，是掌握现代人工智能技术、迈向高级应用开发的坚实基础。第5章计算机视觉主要内容核心任务与评估体系CNN架构的演进目标检测与图像分割前沿:ViT与生成模型图像分类核心任务与评估体系图像分类（imageclassification）旨在为整幅图像分配一个预定义的类别标签（单标签分类）或多个标签（多标签分类）。主流评估指标包括：（1）Top-1准确率：模型预测概率最高的类别即为正确标签的比例。（2）Top-5准确率：模型预测概率前五的类别中包含正确标签的比例。对于多标签分类任务，则通常采用平均精确率（meanaverageprecision，mAP）或F1分数作为评估标准。目标检测核心任务与评估体系目标检测（objectdetection）的任务不仅在于识别图像中的物体类别，更需通过“边界框”（boundingbox）精确定位其位置。该指标的计算基于以下两个基础概念：（1）交并比（intersectionoverunion，IoU）：用于衡量模型预测框与真实边界框（groundtruth）的重合程度。（2）精确率-召回率曲线（precision-recallcurve）：通过调整模型的置信度阈值，生成一系列精确率与召回率点对并绘制曲线。平均精度（AP）即为该曲线下的面积，综合反映了模型在不同召回率水平下的性能。图像分割核心任务与评估体系图像分割（imagesegmentation）致力于实现像素级别的分类。根据任务的精细度与目标，可细分为语义分割（semanticsegmentation）、实例分割（instancesegmentation）、）全景分割（panopticsegmentation）主要内容核心任务与评估体系CNN架构的演进目标检测与图像分割前沿:ViT与生成模型CNN架构的演进

CNN架构演进线AlexNet(2012):深度学习的破晓，ReLU、Dropout、GPU加速VGGNet:强调“深度”，堆叠3x3小卷积核GoogLeNet:Inception模块并行化，提升“宽度”与计算效率ResNet:残差学习解决超深网络训练退化难题CNN架构的演进

AlexNetAlexNet多项关键技术的创新:深层网络结构ReLU激活函数Dropout正则化数据增强与GPU并行计算CNN架构的演进

从VGGNet到GoogLeNet：（1）VGGNet（2014）：核心理念是“深度决定性能”（2）GoogLeNet/Inception（2014）:致力于提升计算效率,其核心是“Inception模块”。CNN架构的演进

ResNetResNet的核心在于“残差学习模块”后续发展（1）DenseNet（2017）：

引入“稠密连接”（denseconnection）（2）EfficientNet（2019）：

提出了复合缩放方法（compoundscaling）主要内容核心任务与评估体系CNN架构的演进目标检测与图像分割前沿:ViT与生成模型目标检测与图像分割目标检测器主要分为两阶段（Two-Stage）和单阶段（One-Stage）两大流派，以及新兴的基于Transformer的端到端架构。图像分割模型普遍采用编码器-解码器（encoder-decoder）架构，旨在平衡全局语义信息与局部细节特征。主要内容核心任务与评估体系CNN架构的演进目标检测与图像分割前沿:ViT与生成模型ViT与生成模型ViT：图像分块（imagepatching）、块嵌入（patchembedding）、位置编码（positionalencoding）、Transformer编码器、分类头。生成式模型赋予了机器“创造”视觉内容的能力：生成对抗网络（GAN），扩散模型（diffusionmodel）第6章自然语言处理主要内容NLP核心任务与评估体系文本的向量化表示序列建模架构的演进预训练语言模型时代NLP任务核心任务与评估体系文本分类：最基础的任务，广泛应用于垃圾邮件过滤、新闻自动归类及情感分析。命名实体识别：典型的序列标注任务，是信息抽取和知识图谱构建的基础。机器翻译：将源语言文本自动转换为等价的目标语言文本。文本生成与摘要：对话响应生成，故事续写，提取关键信息等。问答系统：根据给定的上下文回答自然语言问题。主要内容NLP核心任务与评估体系文本的向量化表示序列建模架构的演进预训练语言模型时代文本的向量化表示

离散表示:One-hot编码(维度灾难、正交性)、词袋模型、TF-IDF(词频与逆文档频率)词嵌入:基于分布式假设，捕获线性类比关系语义空间:向量几何距离反映语义相似度Vector(女王)≈Vector(国王)-Vector(男人)+Vector(女人)主要内容NLP核心任务与评估体系文本的向量化表示序列建模架构的演进预训练语言模型时代序列建模:从RNN到Transformer循环神经网络（RNN）与其变体（1）RNN（recurrentneuralnetwork）：引入循环连接。（2）LSTM（longshort-termmemory）：引入细胞状态（cellstate），通过三个门控机制精细调节信息流。（3）GRU（gatedrecurrentunit）：将遗忘门与输入门合并为更新门。序列建模:从RNN到Transformer革命性架构：TransformerTransformer摒弃了循环结构，完全依赖自注意力机制（self-attention）。缩放点积注意力（ScaledDot-ProductAttention）：多头注意力（multi-headattention）：并行运行多个注意力头。位置编码（positionalencoding）：显式注入位置信息。主要内容NLP核心任务与评估体系文本的向量化表示序列建模架构的演进预训练语言模型时代预训练语言模型时代模型家族（1）Encoder-only（如BERT，RoBERTa）：擅长理解与判别任务（分类、NER）。（2）Decoder-only（如GPT系列，LLaMA）：擅长生成与开放式任务。（3）Encoder-Decoder（如T5，BART）：擅长序列到序列任务（翻译、摘要）。第7章大语言模型范式转移与涌现能力主要内容1.大语言模型的定义与演进2.训练范式：预训练与微调3.构建基石：数据、参数与算力4.LLM典型学习范式5.前沿挑战：幻觉、对齐与安全基础模型：AI构建的全新模式大语言模型(LLM)的定义基于Transformer架构。海量文本数据+自监督学习。参数规模达到巨大量级(百亿至万亿)。不再针对单一任务，而是通用的基础平台。从研究原型向消费级应用的跨越大语言模型的历史演进2017:Transformer诞生。2020:GPT-3确立Few-shot标准。2022:ChatGPT引发消费级革命。2024-2025:o1与DeepSeek-R1开启推理时代。规模与通用性的本质飞跃LLM与传统NLP模型的区别通用性(Generality):习得了广泛的世界知识和语言规律规模(Scale):在参数量、数据量和计算量上实现了数量级的飞跃。涌现(Emergence):当模型规模突破特定临界点后，LLM展现出小模型所不具备的全新能力，类似于从“专用集成电路”向“通用CPU”的演变。北京三天亲子研学旅行规划范式转移的体现：案例分析2.知识检索：筛选特定标签景点。1.复杂指令解析：捕捉多重约束。3.逻辑推理与规划：优化地理路径。模型单次推理即可完成：4.结构化生成：严格遵循格式要求输出Markdown表格。大语言模型知识获取的基石“两阶段”训练范式第一阶段：预训练通读海量数据，学习语言规律与世界常识。(通才养成)第二阶段：微调规范模型行为，教会其遵循人类指令。(助手对齐)下一个词元预测(NextTokenPrediction)预训练：核心任务模型在此过程中内化了句法、语法和常识。概率预测的“文本接龙”：今天的天气真热今天的天气->真今天的天气真->热下个词预测类似于掷骰子性能提升的幂律关系缩放定律(ScalingLaws)训练数据量(D)↑参数量(N)↑计算量(C)↑投入资源越多，Loss下降越可预测。从“续写文本”到“智能助手”微调：规范行为与指令对齐RLHF:基于人类反馈的强化学习。SFT:确保模型诚实、无害、有益。PEFT:高效微调(如LoRA)。确保模型诚实、无害、有益。微调（fine-tuning）阶段旨在规范模型行为微调：核心任务（1）监督微调（supervisedfine-tuning，SFT）使用人工编写的高质量“指令-回复”对模型进行训练，教会模型如何遵循指令、回答问题。微调（fine-tuning）阶段旨在规范模型行为微调：核心任务（2）基于人类反馈的强化学习（RLHF）通过引入奖励模型（rewardmodel）来模拟人类的偏好，并利用PPO算法优化生成策略，使模型输出更符合人类的价值观（诚实、无害、有益）。微调（fine-tuning）阶段旨在规范模型行为微调：核心任务（3）参数高效微调（PEFT）如LoRA技术，仅微调极少量参数即可适配下游任务，海量、高质量的训练语料构建基石：数据(Data)书籍与论文：arXiv/Wikipedia严谨逻辑。通用网络文本：CommonCrawl泛知识。代码数据：显著提升逻辑推理能力。神经网络的记忆容量构建基石：参数(Parameters)内化复杂抽象概念。存储海量事实。建立不同语言间的潜在关联。参数分布在数百层Transformer中：工业级高性能计算集群构建基石：算力(Compute)GPT-3消耗约3.14e23FLOPs。以FLOPs衡量计算量。算力成为大模型研发的硬门槛。需要数千块高性能GPU(H100)连续运行：无需更新参数的全新学习范式上下文学习(In-contextLearning)One-shot:给1个示范。Zero-shot:仅给指令。Few-shot:给3-5个示范。利用预训练习得的“模式匹配”能力。模拟人类解决问题的“慢思考”过程思维链推理(Chain-of-Thought)支持多步符号推理。提升数学应用题准确率。使用户能定位并纠正错误步骤。将复杂问题分解为多个子步骤：激活模型逻辑潜能的神奇咒语零样本思维链(Zero-shotCoT)无需编写推理步骤示例，即可显著提升推理表现。只需在指令末尾添加：“让我们一步一步地思考”PromptEngineering核心技能人机交互新范式：提示工程1.角色设定“你是一位资深数据科学家…”——激活特定领域的知识子空间。2.结构化约束“请以JSON格式输出…”——利用模型的代码生成能力规范输出。3.思维链提示“请列出你的分析步骤…”——激发CoT能力，提升复杂任务的准确率。前沿风险：幻觉(Hallucination)自信地编造“看似合理”的虚假事实制约：在高严谨领域（医疗、法律）受阻。根源：基于概率的统计生成。解决方案：RAG(检索增强生成)。版权挑战：训练数据的合法性“合理使用”与版权所有权的博弈输出端的高度混合统计产物难以追溯。大规模抓取受版权保护的作品。典型案例：NYT诉OpenAI/GettyImages案。学术伦理：生成式AI的边界维护科学研究的真实性与诚信❌严禁列为作者AI不具备论文责任能力。✅强制性披露必须公开声明AI辅助的情况。维护科学真实性，明确AI工具的使用边界。技术前沿：多模态与世界模型超越语言，建模物理世界理解物理规律与因果关联。具备视觉、听觉的融合理解。AI正在从符号空间向物理真实世界跨越。本章小结LLM不仅是技术的飞跃，更是人类认知能力的延伸与重塑。涌现能力：上下文学习与思维链的质变。范式转移：从专用AI到通用基础模型。负责任AI：对齐价值观，恪守伦理底线。第8章知识图谱结构化知识的表示、构建与应用主要内容1.知识图谱的历史演进2.知识图谱的定义与核心概念3.知识图谱的构建方法4.存储、查询与推理技术5.应用场景与大模型集成知识图谱的引入背景克服传统机器学习的知识组织局限显式事实：将孤立事实转化为互连的网络。隐式知识：模型能识别“猫”的特征，但难答“猫是否为哺乳动物”。理念：推动从数据驱动向知识驱动的范式转移。从学术工程向工业应用的跨越知识图谱的历史演进2001:语义网理念提出（RDF/OWL标准）。1984:Cyc项目启动（手工常识库）。2012:Google推出KnowledgeGraph。2025:知识图谱之年（与LLM/GraphRAG集成）。知识图谱的形式化定义实体、关系与属性构成的有向多图关系(Relations)：表示实体间的语义连接（有向边）。实体(Entities)：代表现实世界中的对象或概念（节点）。属性(Attributes)：实体或关系的附加描述（量化/定性细节）。核心存储单元：三元组Triple：知识图谱的原子逻辑标准形式：(主体,谓语,客体)(流浪地球,导演是,郭帆)(吴京,职业是,演员)(珠穆朗玛峰,高度,8848.86米)网络化结构的优势支持灵活扩展与路径推理灵活扩展：轻松接入跨领域事实。多跳推理：揭示隐含关联。

(如：从流浪地球经吴京关联到战狼2)。模拟人类知识组织方式（联想记忆）。知识图谱的构建方法（1）数据采集与预处理（2）实体识别（3）关系抽取（4）实体链接与消歧（5）知识融合与验证（6）后处理核心技术：实体识别(NER)定位文本中的“关键对象”识别专有名词并分类：[阿尔伯特·爱因斯坦]→人名[德国]→地名使用BERT、ROBERTa等预训练模型。核心技术：关系抽取(RE)分类实体间的“语义边”输出：(乔布斯,创始人,苹果)输入：“乔布斯创办了苹果公司。”当代方法：基于GPT的零样本抽取。判定两个识别实体之间的关联：核心技术：实体链接与消歧解决“同名”与“多义”难题消歧：“苹果”是水果、公司还是地名？链接：映射到现有知识库(Wikidata)的唯一ID。确保知识的唯一性与准确性。新兴方法：基于LLM的构建大语言模型辅助自动化建模通过提示工程(Prompt)一键生成三元组。利用知识蒸馏将隐式知识显式化。引入社区摘要与并行检索器。存储标准与技术RDF、OWL与图数据库RDF：使用URI唯一标识实体，支持分布式。OWL：支持本体定义、类继承与属性约束。存储实现：Neo4j(原生图)、Jena(RDF三元组)。查询语言：SPARQL在百亿三元组中精准检索基于图模式匹配定位目标facts。查询“周杰伦演唱的歌曲”：知识推理机制逻辑规则与概率图嵌入1.基于规则推理若A是B的子类，且B有属性C，则A继承C。2.基于嵌入推理使用TransE等算法，通过向量空间距离预测链接。3.高级推理结合LLM的神经符号方法，实现复杂多跳推理。知识表示学习：TransE基于向量空间平移的分布式表示核心直觉：将实体(head,tail)和关系(relation)映射为低维向量。支持链接预测。h+r≈t复杂关系表示：TransR解决“一对多”关系的平移难题局限性：TransE在相同空间的平移会造成向量坍塌。方案：为每种关系构建“专属投影空间”。应用：语义搜索与知识增强理解搜索背后的真实“意图”理解查询实体，提供上下文相关答案。直接在侧边栏显示知识面板。典型应用：谷歌搜索、百度百科。应用：推荐系统与可解释AI利用路径推理打破“黑箱推荐”优势：提供透明的推荐理由，增强用户信任。用户喜欢《盗梦空间》→[诺兰导演]←推荐《星际穿越》推荐逻辑：领域特定应用：医疗与金融垂直领域的专家知识枢纽精准医疗追踪疾病传播、药物重定位、关联症状与检查。金融风控识别洗钱网络、团伙欺诈、控股链条分析。知识图谱与LLM集成：GraphRAG知识图谱增强检索生成技术解决大语言模型的“幻觉”：原理：知识图谱充当检索层，从图中提取关联三元组注入LLM提示词。核心优势：支持多跳推理，在领域特定问答任务中显著优于传统向量RAG。案例：微软GraphRAG框架通过图检索实现复杂逻辑关联。知识图谱构建：LLM驱动方法从非结构化文本到图谱的自动化跨越知识蒸馏：将LLM内部的隐式知识转化为显式的图谱三元组。自动化工具：Neo4j的LLMKGBuilder实现从PDF/网页一键建模。增强组件：引入社区摘要(CommunitySummaries)提升检索效率。双重方法协同：传统NLP提取事实+LLM辅助推理。深度融合：符号-神经混合系统实现端到端、可解释的智能决策逻辑一致性：知识图谱提供符号推理框架，解决复杂逻辑漏洞。测试时计算：动态推理机制通过实时图查询提升模型适应性。应用场景：法律审判、医疗诊断等高严谨性AI代理。前沿趋势：企业数据织物统一孤岛数据的核心底座DataFabric：统一孤岛式数据源。支持实时决策。到2025年，80%数据创新将依赖图技术。面临的工程挑战规模、效率与隐私的平衡1.不完整性现实世界知识时刻变化，增量学习至关重要。2.规模与效率处理亿级三元组时的查询延迟瓶颈。本章小结结构化事实：AI迈向AGI的基石基石作用：GraphRAG时代提升可靠性。桥接模式：连接隐式模式与显式事实。未来演进：神经符号AI的深度融合。第9章AI伦理、法律与社会影响课前思考

你认为AI算法是“客观中立”的吗？如果不是，这种非中立性可能来源于哪里？它又会对我们的社会、经济乃至个人生活产生哪些影响？本章主要内容人工智能已融入社会，但技术发展带来了新的伦理挑战。本章将探讨技术与人文的边界，理解AI发展的责任与使命。理解核心原则剖析真实困境践行责任准则学习公平、责任、透明与安全的四大核心维度通过8个案例，剖析技术落地中的复杂矛盾从理论走向实践，探讨如何在技术创新中坚守人文关怀AI伦理的核心维度避免算法偏见，确保人人平等。明确责任归属，建立追溯机制。打破算法黑箱，确保决策可解释。构建鲁棒系统，防范技术滥用。案例分析：公平与偏见亚马逊招聘工具：历史数据的性别偏见AI招聘工具因学习历史数据中的男性主导模式，学会了贬低包含“女性”相关词汇的简历。核心问题：数据偏见(DataBias)训练数据中的历史偏见被模型继承，使算法成为歧视的放大器，而非中立工具。算法的“客观”≠“公正”案例分析：公平与偏见COMPAS司法系统：隐藏的种族歧视广泛用于美国司法系统的累犯风险评估算法，对黑人被告存在明显偏见。核心问题：代理歧视(ProxyDiscrimination)算法通过“中立”特征作为代理变量，间接延续了制度性的种族不公。需引入算法审计机制案例分析：责任与安全Uber自动驾驶致死事故Uber自动驾驶测试车撞死行人，人类安全员走神，引发责任归属争