《人工智能基础与应用》课件-项目1数字筑基智能启航：信息、计算与人工智能

项目1认知为基，智能启航人工智能基础认知人工智能通识教程·高职院校教学用PPT目录1项目导入与学习目标2知识准备：信息与计算机基础3任务1.1人工智能核心概念与体系4任务1.2发展历程与工业革命5任务1.3生成式AI与大模型6任务1.4AI关键技术全景7项目小结与课后习题01项目导入与学习目标项目导入：人工智能正在改变世界案例一华为盘古气象大模型2023年，华为盘古气象大模型在国际权威气象竞赛中。首次超越传统数值天气预报方法，预报精度提升20%2024年台风"杜苏芮"路径预测中，盘古提前72小时。精准锁定登陆点，为防灾减灾争取了宝贵时间案例二DeepSeek-R1引发全球关注2025年1月，DeepSeek-R1以极低训练成本实现与GPT-4o比肩的推理能力训练成本仅约557万美元，远低于GPT-4的近1亿美元打破了"大模型=大投入"的行业认知案例三矿山大模型：AI深入产业一线2016年AlphaGo胜李世石——AI觉醒2022年ChatGPT发布——大模型时代2023年中国《暂行办法》——制度落地2024年欧盟AI法案——全球首法三个核心问题：贯穿本项目的认知线索Q1人工智能到底是什么？它和人类智能有何本质区别？它依赖哪些核心要素得以发展？Q2人工智能经历了怎样的发展历程？从1956年达特茅斯会议到2025年DeepSeekAI为何经历"三起两落"？Q3人工智能如何改变世界？大模型时代的核心技术有哪些？如何与AI协作以提升个人竞争力？学习目标知识目标理解人工智能的基本定义与核心要素掌握AI"三起两落"的发展脉络了解大模型工作原理与提示词工程认知AI关键技术体系与产业链技能目标能运用S+C+R框架撰写高质量提示词能区分GenAI、AIGC与AGI的概念能分析AI在各行业的应用场景能画出AI技术关联与协同关系图素养目标建立人机协作的系统思维培养批判性思维与提问力理解AI伦理与数据治理的重要性树立"智能向善"的价值理念02知识准备：信息与计算机基础信息与数据：认知的起点结构化数据：数据库中的表格数据半结构化数据：XML、JSON、HTML非结构化数据：文本、图片、音频、视频信息是经过加工处理后对接收者有意义、有价值的数据核心特征：可传递性、可存储性、可加工性、共享性数据->信息->知识->智慧每一层都是对下一层的提炼与升华数据（Data）数据是客观事物的属性、状态和关系等的记录符号分类：数据的生命周期：采集->存储->处理->分析->可视化信息（Information）DIKW层次模型AI的核心价值在于加速从数据到知识的转化二进制与冯·诺依曼架构：计算机的基石一切信息最终以0和1的组合进行存储、传输和处理输入设备->存储器(内存)键盘/鼠标等，将外部信息转为数据运算器(CPU)<->控制器(CPU)运算器执行算术逻辑运算

控制器协调各部件有序工作存储器->输出设备

显示器/打印机等呈现处理结果核心思想：存储程序+顺序执行现代计算机仍遵循此架构二进制（Binary）：信息的通用语言核心优势物理实现的可靠性

仅需两种状态（高/低电平），抗干扰强抗干扰性

适合恶劣环境下的长期稳定运行运算规则简单逻辑运算可由电路直接实现

->推动了数字计算机的大规模普及冯·诺依曼架构1945年，冯·诺依曼提出"存储程序"思想程序和数据存储在同一存储器中五大核心部件计算机系统组成：AI的硬件基石冯·诺依曼架构（vonNeumannArchitecture）CPU中央处理器通用计算核心擅长逻辑控制与串行处理AI中的任务调度与系统管理GPU图形处理器并行计算核心拥有数千个计算核心深度学习训练的主力硬件SSD固态存储高速数据存储读写速度远超机械硬盘支撑大规模训练数据的快速加载输入设备->存储器(内存)->运算器(CPU/GPU)->输出设备控制器(CPU)协调各部件协同工作，实现"存储程序、自动执行"的核心思想计算机与人工智能的关系演进11980s-2010计算机作为AI的运行平台传统计算：CPU执行程序逻辑AI应用依赖通用计算资源算力是AI发展的瓶颈22010-2020AI驱动计算架构变革GPU/NPU专用芯片普及云计算提供弹性算力分布式训练成为主流32020-至今AI重构计算范式大模型驱动的新型计算AI原生应用与Agent算力即智能的基础设施计算机硬件的发展与AI的演进相互驱动：算力提升催生深度学习，AI需求又推动专用芯片创新AI与其他新兴技术的协同关系大数据4V模型：体量、速度、多样、真实性AI的数据来源与燃料云计算IaaS/PaaS/SaaS三层服务AI训练与推理的算力底座5G通信高速率、低延迟、大容量支撑边缘智能与实时推理物联网感知物理世界的传感器网络AI获取实时数据的通道区块链去中心化分布式账本解决AI数据孤岛与信任问题元宇宙VR/AR/数字孪生拓展AI的交互边界与应用空间03任务1.1人工智能核心概念与体系任务导入：人脸识别中的AI三要素当你打开手机使用人脸识别解锁屏幕时：算法负责从图像中提取面部特征并与数据库进行比对算力由手机芯片实时提供计算支持数据来源于你预先录入的人脸模板日常场景：手机人脸识别解锁这正是算法、算力、数据三大要素协同工作的典型案例缺少其中任何一个，人脸识别都无法实现人工智能的定义是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门综合性学科模拟让机器具备类似人类的感知、认知与推理能力延伸在特定领域超越人类能力的智能处理扩展创造人类不具备的新型智能形态人工智能（ArtificialIntelligence,AI）智能的概念与特征生物体认知、理解客观事物，运用知识与经验解决问题的能力，涵盖记忆、观察、想象、思考与判断等认知过程。智能并非单一维度，而是由多种相对独立的智能构成的复合体系智能的定义与四大特征智能（Intelligence）感知能力

视觉/听觉/触觉接收环境信息记忆与思维能力

存储信息+分析综合推理学习与适应能力

经验积累+优化行为与认知结构行为能力

对外部刺激作出反应并执行行动四大基本特征多元智能理论多元智能理论（TMI）八种智能类型语言智能数理逻辑智能音乐智能空间智能身体运动智能人际关系智能自我认识智能自然探索智能突破了传统智力观念的束缚人工智能的哲学基础：图灵测试将"机器能否思考"这一形而上学问题转化为可操作的行为判据，将智能问题从哲学思辨引入实验科学的研究轨道。Step1人类评判者C通过终端与两个隐藏对象对话Step2机器Avs人类BA和B分别回答C提出的问题Step3判断C需判断哪个是机器、哪个是人Step4结论若C无法可靠区分，则A通过测试图灵测试：机器能否思考？图灵测试（TuringTest）1950年，艾伦·图灵（AlanTuring）发表论文《计算机器与智能》，提出核心思想如果一台机器在对话中能够使人类评判者无法区分其与人类的差异，那么这台机器就可以被认为是"智能的"历史意义测试方法与局限测试流程局限性

仅检验"行为表现"而非"内在理解"引发"中文房间"的深刻质疑人工智能的哲学基础：中文房间一个不懂中文的人被关在房间里房间里有中文符号+规则手册（规则：根据符号组合查找对应输出）外面递入中文问题（输入）他按手册规则组合符号递出回答外面的人认为他"懂中文"但他实际完全不理解任何中文！核心论点与启示塞尔的中文房间实验中文房间（ChineseRoom）1980年，哲学家约翰·塞尔（JohnSearle）提出著名思想实验，质疑图灵测试：思想实验弱AI（WeakAI）

AI作为工具模拟智能行为强AI（StrongAI）

AI真正具有理解与意识当前所有AI系统（包括大模型）

均属于弱AI范畴"理解"的本质仍是哲学难题对AI的启示通过图灵测试≠具有真正智能计算机按规则处理符号（语法操作），但并不"理解"符号的含义（语义）。语法不等于语义核心论点人工智能的学科基础学科名称理论贡献典型应用数学概率论、数理统计、线性代数、优化理论梯度下降、贝叶斯推断、PCA计算机科学数据结构、算法设计、分布式计算索引检索、并行训练框架认知科学人类思维过程、决策模式、知识组织知识表示、推理引擎、认知架构神经科学神经元结构与信息传递机制感知机、CNN、脉冲神经网络信息论数据编码、信息度量、熵的计算特征选择、互信息、决策树控制论动态系统反馈、调节与自适应机制强化学习、自适应控制人工智能并非一门孤立的学科，而是建立在多个基础学科交叉融合之上的综合性领域人工智能并非一门孤立的学科，而是建立在多个基础学科交叉融合之上的综合性领域人工智能三大核心要素算法AlgorithmAI的"大脑"机器学习与深度学习模型决定AI的学习能力与推理方式数据DataAI的"燃料"训练与测试的数据集决定AI的知识来源与能力边界算力ComputingPowerAI的"肌肉"GPU/NPU/TPU等硬件决定AI的训练速度与推理效率三要素缺一不可：算法是方法，数据是原料，算力是保障，三者协同构成AI的基石20案例展开：人脸识别中的三要素协同数据人脸模板图像采集算法特征提取模型比对算力NPU/GPU实时计算结果识别成功解锁屏幕图像采集：前置摄像头采集人脸图像(1080p)人脸检测：MTCNN算法定位面部区域特征提取：ResNet提取512维特征向量特征比对：余弦相似度计算匹配分数决策输出：阈值判定(>0.6则解锁)数据：注册时录入的人脸模板图像算法：人脸检测+特征提取+相似度计算算力：手机NPU芯片提供毫秒级推理21技术细节三要素映射AI不是单一技术，而是三要素的系统工程关键启示：人工智能的能力类型体系ArtificialNarrowIntelligence专精单一领域如：人脸识别、语音助手、推荐算法、AlphaGo、自动驾驶强人工智能(AGI)ArtificialGeneralIntelligence具备人类水平通用智能能跨领域学习与推理目前尚处于理论探索阶段ArtificialSuperIntelligence全面超越人类智能在科学创造、社交技能等领域远超人类最优秀个体超级人工智能(ASI)弱人工智能(ANI)人机协作：各自优势与协作原则创造性思维：从0到1的原创新能力情感理解：共情能力与社交智慧价值判断：伦理决策与道德推理跨界整合：将不同领域知识融会贯通批判性思维：质疑、验证与反思大规模数据处理：TB/PB级数据秒级分析持续运行：7x24小时不间断工作模式识别：在海量数据中发现隐藏规律并行计算：同时处理数千个任务知识检索：快速调用跨领域专业知识协作原则：人类负责方向与判断，AI负责效率与规模；人类提出好问题，AI给出好答案23人类的独特优势AI的独特优势课堂讨论1.弱人工智能、强人工智能和超级人工智能三者之间的核心区别是什么？当前我们使用的ChatGPT、文心一言等属于哪种类型？为什么？2.人工智能的三大核心要素中，你认为哪个最重要？如果让你为一个AI创业公司排序资源投入优先级，你会怎么排？为什么？3.在人机协作中，人类最不可替代的能力是什么？随着AI能力提升，你认为这种不可替代性会持续多久？24讨论题04任务1.2发展历程与工业革命25任务导入：AI发展不是线性上升的1956年：达特茅斯会议首次提出"人工智能"概念1970s-1980s：两次"AI寒冬"——算力不足、数据匮乏、期望过高2012年：AlexNet在ImageNet大赛中突破，深度学习崛起2022年：ChatGPT爆火出圈，大模型时代正式开启2025年：DeepSeek-R1以低成本高性能引发全球关注技术发展从来不是线性上升的——每一次低谷都孕育着下一次飞跃26从达特茅斯到DeepSeek：一段波澜壮阔的AI史四次工业革命与生产力跃迁18世纪60年代第一次工业革命蒸汽机为核心动力，工厂制取代手工工场，生产力大幅提升19世纪60年代第二次工业革命电力与内燃机突破，24小时不间断生产，催生汽车航空等新产业20世纪中叶第三次工业革命信息技术革命，计算机与互联网普及，知识经济时代到来21世纪初第四次工业革命AI、大数据、5G等技术突破，深刻改变生产模式与产业形态前三次工业革命解放的是人的体力，第四次工业革命解放的是人的脑力——AI是核心驱动力人工智能发展历程（一）：第一次兴起与第一次低谷1956年达特茅斯会议：McCarthy首次提出"人工智能"一词早期成果：LogicTheorist证明数学定理、ELIZA模拟心理咨询乐观预期："二十年内机器将能完成人类的一切工作"——HerbertSimon(1965)根本原因：算力严重不足：当时的计算机仅能处理极小规模问题组合爆炸问题：搜索空间随问题规模指数增长Lighthill报告(1973)质疑AI研究价值，导致英美大幅削减经费机器翻译项目ALPAC报告(1966)宣告失败第一次兴起（1956-1974）：达特茅斯会议与符号主义第一次低谷（1974-1980）：AI寒冬人工智能发展历程（二）：第二次兴起与第二次低谷专家系统（ExpertSystems）将领域专家知识编码为规则库，实现专业推理代表性应用：XCON(DEC公司配置系统)、MYCIN(医学诊断)日本第五代计算机计划(1982)投入8.5亿美元，引发全球AI竞赛根本原因：知识获取瓶颈：专家经验难以全部编码为规则脆弱性：超出知识库范围即完全失效维护成本高：规则库增大后矛盾与冗余难以管理通用计算机(个人PC)崛起，专用Lisp机市场崩溃第二次兴起（1980-1987）：专家系统商业化第二次低谷（1987-1993）：专家系统的局限人工智能发展历程（三）：第三次兴起——深度学习与大模型2006Hinton提出深度信念网络，"DeepLearning"概念正式确立2012AlexNet在ImageNet大赛中top-5错误率降低10.8个百分点2016AlphaGo以4:1击败围棋世界冠军李世石2017Transformer架构问世(《AttentionIsAllYouNeed》)2022ChatGPT发布，5天用户破百万，2个月达1亿2025DeepSeek-R1以约557万美元成本比肩GPT-4o推理能力第三次兴起的驱动力：大数据+大算力+深度学习算法突破人工智能"三起两落"完整时间线1956达特茅斯会议AI概念诞生1974第一次AI寒冬组合爆炸问题1980专家系统兴起XCON商业成功1987第二次AI寒冬Lisp机崩溃2006深度学习兴起Hinton突破2012AlexNet突破GPU训练成熟2017Transformer架构问世2022ChatGPT发布大模型时代2025DeepSeek-R1低成本高性能当代AI三大支柱与前沿方向GPT/Claude/文心/DeepSeek语言理解与生成的通用基座推动AGI的范式创新从对话到Agent的演进AlphaFold/材料预测/气象AI驱动的科学发现新范式蛋白质结构预测革命加速新材料与新药研发人形机器人/自动驾驶AI与物理世界的交互感知-决策-执行闭环从数字空间走向物理世界大语言模型(LLM)科学智能(AIforScience)具身智能(EmbodiedAI)技术发展从来不是线性上升的每一次低谷都孕育着下一次飞跃——人工智能的第一次飞跃课堂讨论：历史的启示1.为什么人工智能会经历"三起两落"？前两次AI寒冬的根本原因是什么？

当前这轮AI热潮是否也存在类似的泡沫风险？2.将人工智能定位为"第四次工业革命的核心驱动力"，你是否认同？

与前三次工业革命相比，这一次有哪些本质性的不同？3.在人工智能的发展历程中，中国科研力量（如DeepSeek、文心一言等）扮演了怎样的角色？

你认为中国在AI领域最突出的优势和最大的挑战分别是什么？讨论题05任务1.3生成式AI与大模型35案例引入：新加坡AI换脸诈骗案事件经过2026年5月16日，新加坡警方通报犯罪团伙伪造以霍尔木兹海峡局势为主题的Zoom视频会议，冒充多名内阁成员骗取一名商人约490万新元（约合380万美元）事后调查显示：运用AI换脸与语音克隆技术精准模拟面部特征、口型动作与声纹逼真程度令受害人全程未能察觉异样技术原理语音克隆：仅需3秒样本即可复制音色面部替换：GAN/扩散模型实时换脸表情驱动：实时表情迁移与口型同步案件详情技术分析与警示关键警示生成式AI使"眼见为实"不再可靠技术双刃剑效应日益凸显伦理治理与法规体系亟需完善GenAI、AIGC与AGI：概念辨析GenAI生成式人工智能一种能够生成新内容（文本、图像、音频、视频、代码等）的AI技术范式核心：从数据分布中学习并采样生成AIGCAI生成内容由AI自动生成的各种内容形态涵盖文本、图像、音乐、视频、3D等强调内容属性,是GenAI的产出通用人工智能具备人类水平通用智能的AI系统能跨领域学习、推理与迁移是AI的终极目标，目前尚未实现AGI大语言模型工作原理（一）：Token化与词嵌入Token化（Tokenization）大语言模型不直接处理文本，而是先将文本切分为最小处理单元——Token（词元）一个Token可以是一个字、一个词或一个词根示例：中文句子"人工智能正在改变世界"切分为4个Token：「人工智能」+「正在」+「改变」+「世界」词嵌入（WordEmbedding）每个Token被映射为高维数值向量，语义相近的词在向量空间中几何位置更接近如校园与学校距离近,而校园与美丽距离远大语言模型工作原理（二）：Transformer与自注意力摒弃RNN的循环结构完全基于自注意力机制支持大规模并行计算多头注意力(MHA)捕获多子空间特征处理每个Token时，同时计算它与序列中所有其他Token的关联强度（注意力分数）Transformer架构2017年Google论文《AttentionIsAllYouNeed》引用量超12.7万次，AI领域最被引用论文核心创新：收敛速度远高于RNN模型自注意力机制（Self-Attention）Q(Query)：当前Token"我在找什么"K(Key)：其他Token"我有什么"V(Value)：其他Token"我的内容"三矩阵计算：Attention(Q,K,V)=softmax(QK^T/√d)V大语言模型三阶段训练范式1预训练Pre-training目标：学习语言规律与世界知识数据：海量互联网文本(万亿Token)方法：自回归预测下一个Token产出：基座模型(BaseModel)2监督微调SFT目标：学会遵循指令完成任务数据：人工标注的指令-回答对方法：在指令数据上继续训练产出：指令模型(InstructModel)3对齐Alignment目标：对齐人类价值观，安全可控方法：RLHF(人类反馈强化学习)数据：人类偏好排序数据产出：对齐模型(ChatModel)预训练->微调->对齐:从懂语言到会做事再到做好事的进阶之路大语言模型的内在局限幻觉Hallucination生成看似合理但与事实不符的内容缓解策略RAG(检索增强生成)不确定性感知提示设计事实核查与知识图谱约束偏差Bias输出存在不公平的刻板关联或系统性偏见根因训练语料中的系统性偏见被模型复制甚至强化需多样化数据与公平性约束黑箱不可解释性BlackBox决策过程是高度复杂的非线性计算内部参数庞大，难以直观理解挑战医疗诊断、司法裁决等高风险场景的伦理与法规挑战需可解释AI(XAI)技术研究41提示词工程：S+C+R框架在不改动模型参数的前提下，通过精心设计输入指令引导模型生成特定行为与预期输出SScenario场景明确使用者的身份、专业背景与使用场景例:我是一名大学计算机教师CContent内容清晰描述需要AI完成的任务内容例:请帮我设计一节课的教案RRequirement要求设定输出格式、字数、语言风格等例:800字,分3个模块提示词工程（PromptEngineering）高效提示词设计的五大原则1具体明确而非模糊宽泛bad:写一篇AI的文章good:写一篇800字的AI在医疗领域应用的技术综述2提供充分的上下文信息告诉AI你的身份、目标读者、使用场景,让它知道为谁而写3设定清晰的约束边界明确字数、格式、风格、禁用词汇等约束条件4通过多轮迭代持续优化第一次输出不完美是正常的通过追问和修正逐步逼近最优5将复杂任务拆解为步骤将大任务分解为多个小步骤逐一推进，避免一次性要求过多大模型分类体系语言大模型(LLM)处理文本：GPT、文心一言、DeepSeek视觉大模型(VLM)处理图像：Sora、Midjourney、文心一格多模态大模型文本+图像+音频：GPT-4o、Gemini科学大模型蛋白质/分子：AlphaFold、ESML0层：通用大模型具备通用语言理解与生成能力L1层：行业大模型针对特定行业微调：医疗、金融、法律L2层：垂直大模型针对具体场景：客服、编程、写作选型三步法：先定场景->再看数据->最后权衡44按数据类型分类按应用领域分类国内外主流大模型产品概览模型名称开发机构核心特点适用场景GPT-4oOpenAI(美)多模态、推理强通用对话、代码、分析Claude3.5Anthropic(美)长文本、安全对齐文档分析、写作GeminiGoogle(美)多模态原生搜索增强、视觉理解文心一言百度(中)中文优化、知识增强中文场景、企业应用通义千问阿里(中)开源生态、工具调用开发者、AgentDeepSeek-R1深度求索(中)低成本、强推理数学、代码、推理Kimi月之暗面(中)超长上下文(200万字)长文档分析竞争格局：国外引领原创，国内快速追赶；开源与闭源并行，场景化竞争加剧45人工智能核心应用场景2024年中国AI行业市场规模达7470亿元(同比+41.0%)，预计2025年达10457亿元，占全球比重20.9%制造业优化生产流程质量检测预测性维护金融服务风险评估智能投顾反欺诈检测教育个性化学习智能批改虚拟教师医疗健康辅助诊断药物研发患者监测智能机器人工业机器人服务机器人特种机器人交通出行自动驾驶智能调度交通优化46市场规模（艾媒咨询）AI催生的新兴职业与能力重构提示词工程师设计与优化人机交互指令将业务需求转化为高效PromptAI训练师模型训练数据清洗、标注与增强分5个等级，高级需掌握系统设计数据标注师图像/文本/语音数据的标注AI训练师的入门层级(4-5级)AI伦理合规专员制定AI应用伦理准则合规审查与风险评估据测算，应用型AI技术技能人才需求达百万级别；2024年人社部新增19个新职业含AI相关47AI时代人类核心素养的重构记忆力提问力提出精准、结构化、具有启发性的高质量问题的能力日益关键单一技能跨界整合力借助AI工具跨越专业边界实现技术、业务与创意的深度融合信息检索批判性思维判断AI输出的质量与可信度质疑、验证与反思成为最难替代的优势48"人工智能+"行动与产业变革将AI作为关键生产要素深度嵌入制造业、农业、医疗、教育、交通等传统行业的生产与服务流程"互联网+"vs"人工智能+"标杆性应用智能网联汽车进入规模化示范应用AI辅助诊断系统在基层医疗机构推广智慧教育平台实现个性化学习推荐智能制造提升生产效率与产品质量智慧农业实现精准种植与产量预测49"人工智能+"行动"互联网+"强调：连接与平台化"人工智能+"强调：智能化决策与自动化执行的深度融合最重要的能力不是记住了多少而是能通过有效方法自主获取知识并创造性地付诸实践——AI时代的核心素养重构任务练习1.产品调研题从国内外主流大模型产品中选择一款你最感兴趣的，撰写300字产品调研报告：包含核心特点、技术优势、适用场景、使用限制和收费标准2.场景应用设计题结合你所学专业，设计一个AI应用方案：选用哪款大模型及理由、具体应用场景与使用流程预期能够解决的问题、可能存在的风险与应对措施51练习题06任务1.4AI关键技术全景52案例引入：生活中的AI技术社交媒体上，推荐算法根据浏览记录推送内容（机器学习）手机拍照时，相机自动识别场景并优化画面（计算机视觉）和智能客服对话时，系统理解你的问题并给出回答（自然语言处理）搜索引擎中，知识图谱帮助关联相关概念并提供精准答案53你可能已经不知不觉地与多种AI技术打过交道：这些看似不同的功能，构成了一个完整的AI技术体系机器学习：AI的核心分支让计算机从数据中自动归纳规律与模式，并利用所习得的规律对未见数据作出预测或决策范式转换：从"人写规则→计算机执行"到"人提供数据→计算机自行发现规则"1950s-1970s逻辑推理阶段基于符号主义启发式推理专家系统雏形1980s-2000s统计学习阶段SVM、决策树贝叶斯方法浅层模型为主2010s至今深度学习阶段神经网络突破大数据驱动GPU加速训练54机器学习（MachineLearning,ML）机器学习三大学习范式监督学习Supervised有标签数据学习输入->输出映射应用：图像分类、房价预测核心矛盾：过拟合vs欠拟合缓解：正则化(L1/L2)、Dropout无监督学习Unsupervised无标签数据发现数据内在结构应用：聚类、降维、异常检测方法：K-Means、PCA、自编码器发现隐藏模式与分组强化学习Reinforcement通过试错学习最大化累积奖励应用：AlphaGo、机器人控制核心挑战：探索-利用困境方法：Q-Learning、PPO55深度学习：多层级特征自动学习深度学习（DeepLearning,DL）核心特征：使用多个隐藏层的人工神经网络自动学习数据的层次化特征表示灵感来源：生物大脑中神经元的结构与信息传递机制每个"人工神经元"：接收输入->加权求和->非线性激活函数->输出神经网络结构输入层(InputLayer)接收原始数据特征隐藏层(HiddenLayers)多层神经元纵向堆叠形成"深度"网络结构激活函数：ReLU、Sigmoid、Tanh输出层(OutputLayer)产生最终预测结果典型架构：CNN(图像)、RNN(序列)Transformer(NLP/多模态)自然语言处理与计算机视觉自然语言处理(NLP)融汇语言学、计算机科学与数学的交叉学科核心任务：机器翻译(MT)文本分类情感分析问答系统(QA)文本摘要信息抽取大模型时代：Transformer统一了NLP计算机视觉(CV)让计算机从图像/视频中提取信息并构建语义认知核心任务：图像分类：判别图像所属类别目标检测：定位+识别多个对象图像分割：像素级语义理解视觉生成：生成逼真视觉内容生成路线：GAN(生成对抗网络)扩散模型(DiffusionModels)知识图谱：结构化的语义知识库以图形化形式表征知识及其内在关联结构的语义网络核心：三元组(Triple)——（实体-关系-实体）或（实体-属性-值）提升语义理解将数据转为结构化知识让机器理解概念间关系GPT等大模型借助它更好理解语言深层含义增强逻辑推理以三元组或向量表示知识通过推理规则推导新知识如：苹果公司生产iPhone（从两条已知三元组推导）优化问答推荐提升问答系统的准确性支持复杂问题解答百度百科问答、腾讯问问等均基于知识图谱知识图谱（KnowledgeGraph）人机交互：从"使用工具"到"协同共生"语音交互(VoiceInteraction)借助ASR与NLU实现自然语言对话如：Siri、小度、小爱情感交互(EmotionalInteraction)通过表情识别与语音情感分析适应用户情绪状态体感交互(SomaticInteraction)基于视觉传感器或惯性测量单元实现动作捕捉与手势识别脑机接口(Brain-ComputerInterface)采集与解码大脑神经信号实现意念控制云计算与MLOps：AI工程化实践五大核心特征：

按需自助服务

广泛的网络接入资源池化快速弹性可计量服务三种服务模式：IaaS/PaaS/SaaSAI云：GPU云实例、模型托管、AutoML模型全生命周期管理的方法论核心工程实践：

数据版本管理模型版本管理与超参数追踪CI/CD流水线自动化离线评估与在线A/B测试推理延迟与准确率实时监控数据漂移与概念漂移检测快速回滚机制云计算(CloudComputing)MLOps(机器学习运维)物联网与边缘智能物联网(IoT)四层架构将AI推理能力下沉至网络边缘侧靠近数据源完成数据处理与决策核心优势：毫秒级低延迟响应降低云端传输带宽压力减少隐私风险云-边-端协同架构：云端：大规模训练与复杂推理边缘端：实时性推理任务终端：数据采集与轻量处理感知层传感器采集物理世界数据网络层5G/WiFi/蓝牙传输数据平台层数据处理与分析应用层智慧城市、工业互联网等边缘智能(EdgeIntelligence)大数据治理与区块链信任机制4V模型：Volume数据体量巨大Velocity处理速度要求高Variety数据类型多样Value价值密度低数据治理：确保数据质量、安全性与合规性《数据安全法》《个人信息保护法》为AI数据合法合规使用提供依据去中心化的分布式账本技术核心技术：哈希函数：防篡改共识机制：去信任链式结构：可追溯与AI的协同：解决"数据孤岛"问题支持联邦学习等隐私保护技术为跨组织数据协作提供可信底座大数据(BigData)区块链(Blockchain)元宇宙、数字孪生与AI产业链元宇宙：整合VR/AR/数字孪生/区块链/AI的沉浸式虚拟空间数字孪生：物理实体的高保真数字化镜像，实时同步与仿真改变人机交互：从"屏幕交互"到"沉浸式体验"基础层：算力芯片、云计算、数据资源技术层：算法框架、大模型平台、MLOps应用层：场景化AI解决方案生态层：标准、开源、人才、政策训练一个千亿参数级大语言模型的碳排放量约300吨CO2当量我国"双碳"目标下，正推进绿色数据中心建设，将AI能效比纳入关键考核指标算力发展与生态保护的动态平衡，是AI可持续发展的时代命题元宇宙与数字孪生AI产业链四层结构智能向善——绿色计算进阶机器学习方法迁移学习TransferLearning将源域学到的知识迁移到目标域减少对大量标注数据的依赖预训练-微调是大模型时代的

典型应用注意:关联不足时可能负迁移多任务学习Multi-TaskLearning多个相关任务同时学习共享底层表征只需训练一个模型完成多任务更高效使用数据与算力降低过拟合风险元学习Meta-Learning核心理念:学会学习在大量任务上训练快速适应

能力仅需少量样本即达较好性能通向通用人工智能的关键路径64图神经网络与模型评估处理图结构数据的深度学习架构与欧几里得数据(图像/文本)不同：图数据由节点和边构成关键变体：GAT：引入注意力机制GCN：谱域图卷积图嵌入：节点映射到低维向量应用：社交网络、分子预测、推荐系统、交通流量预测通过标准化基准测试度量模型性能评估维度：准确性-效率鲁棒性-解释性分类模型指标：准确率、召回率(Recall)、F1分数回归模型指标：RMSE、MAE工具：scikit-learn、TensorFlow65图神经网络(GNN)模型评估与基准测试课堂讨论：技术融合与统一1.机器学习的三大范式各有不同的适用场景。请各举一个你熟悉的应用案例，说明为什么适合使用对应范式。2.当前Transformer架构统一了NLP和CV等多个领域。你认为是否存在一种"通用架构"能解决所有AI问题？这种统一是好事还是坏事？3.以你熟悉的行业为例，画出AI与云计算、物联网、大数据、区块链的协同关系图。66讨论题07项目小结与课后习题67项目小结(一):知识准备与核心概念知识准备回顾1数据与信息的本质区别数据是记录符号,信息是加工后有意义的数据2二进制与冯·诺依曼架构二进制:0和1的可靠存储与运算基础冯·诺依曼:存储程序+五大部件3DIKW层次模型Data->Information->Knowledge->Wisdom4计算机系统组成CPU/GPU/SSD与AI的关系任务1.1:核心概念与体系5计算机与AI的三阶段演进计算工具->学习系统->智能体1AI定义：模拟、延伸、扩展人类智能2智能四特征:感知/记忆思维/学习适应/行为多元智能理论:八种相对独立的智能3图灵测试:行为判据,机器能否思考中文房间:语法不等于语义弱AIvs强AI4AI学科基础:数学/计算机/认知/神经等6学科5三大核心要素:算法+数据+算力三者协同,缺一不可6能力类型:ANI(弱)->AGI(强)->ASI(超)7人机协作:人类负责方向与判断AI负责效率与规模项目小结(二):发展历程与技术全景任务1.2发展历程四次工业革命

蒸汽->