大學人工智能通識基礎 課件 模塊一：初識人工智能

人工智能通識課目錄人工智能的發展歷程主題一人工智能的相關知識主題二人工智能的常見應用場景主題三人工智能的未來發展趨勢主題四人工智能的挑戰與爭議主題五發展歷程相關知識人工智能的發展歷程主題一（一）人工智能的概念（二）人工智能發展史（三）中國人工智能發展（一）人工智能的概念人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新技術學科。人工智能是計算機學科的一個分支，它通過算法和系統賦予機器“智能”，使其具備學習、推理、感知、規劃、決策甚至創造的能力，從而完成通常需要人類智力才能完成的任務。何為智能：認知，識別，推理，解決問題，學習等內在而天然的才能（二）人工智能發展史初創時期（20世紀30-50年代）1950年，艾倫·麥席恩·圖靈發表了一篇劃時代的論文，這也為他正式獲得了“人工智能之父”這一桂冠。圖靈提出了一個測試方法，這個方法就是通常說的“圖靈測試”。測試的具體形式采取問與答的模式，觀察者通過打字機與兩個被測試對象（一人類一機器）通話，觀察者不斷提出問題，通過被測試對象的回答來辨別其是人還是機器，如果機器使30%以上的觀察者對其身份產生了誤判，那么這個機器就可以被認定為具備智能。圖靈測試為人工智能的概念與方向做出了進一步的解釋與分析，也為人工智能做出了基本的標準。為紀念圖靈對計算機科學和人工智能領域的貢獻，美國計算機協會（ACM）于1966年設立了計算機獎項“A.M.圖靈獎（ACM

A.MTuringAward”。（二）人工智能發展史人工智能發展史中里程碑式會議--在美國達特茅斯學院召開的達特茅斯會議，又名達特茅斯夏季人工智能研究計劃。達特茅斯會議的主題是“用機器來模仿人類學習以及其他方面的智能”。在這個會議上人工智能（ArtificialIntelligence）這一概念被正式使用和廣泛接受，由此1956年被普遍稱為人工智能元年。初創時期（20世紀30-50年代）（二）人工智能發展史專家系統（解決特定領域問題的智能系統）形成階段（20世紀50-80年代）----符號主義模式識別（第一個機器學習程序）Dendral–化學分析系統（二）人工智能發展史發展階段（20世紀80-90年代）--標志性事件北京時間1997年5月12日凌晨4點50分，國際象棋世界冠軍卡斯帕羅夫對“深藍”的人機大戰落下帷幕，“深藍”以3.5：2.5的總比分戰勝卡斯帕羅夫，這一事件標志著人工智能在特定任務上超越了人類。

超級計算機“深藍”正在下棋的卡斯帕羅夫（二）人工智能發展史平穩發展期（20世紀90年代—2011年）四足機器人：波士頓機械狗人工智能程序Waston在智力問答中擊敗人類（二）人工智能發展史走向新的繁榮（2012年-至今）AlphaGo戰勝圍棋世界冠軍李世石2016年，Google人工智能AlphaGo與圍棋世界冠軍李世石的人機大戰落下了帷幕。在經過長達5個小時的搏殺后，最終李世石與AlphaGo比分定格在1：4，以李世石認輸結束。這一次的人機對弈讓人工智能正式被世人所熟知更新后的AlphaGo（Zero）（二）人工智能發展史走向新的繁榮（2012年-至今）2022年OpenAI推出人工智能聊天機器人程序ChatGPT，引發世界關注2025年中國自主研發的DeepSeek-V3在開源模型中位列榜首，與世界上最先進的閉源模型不分伯仲。（三）中國人工智能發展“東數西算”工程北斗衛星大疆無人機物流機器人智慧交通系統deepseek目錄人工智能的發展歷程主題一人工智能的相關知識主題二人工智能的常見應用場景主題三人工智能的未來發展趨勢主題四人工智能的挑戰與爭議主題五相關內容（一）人工智能的學派（二）人工智能的技術（三）人工智能的形態（四）人工智能的體系相關知識人工智能的相關知識主題二（一）人工智能的學派符號主義---機器擬人心---心智派連接主義---機器擬人腦---結構派行為主義---機器擬人身---行動派人工智能三大學派（一）人工智能的學派學派比較方法學習模式優勢不足符號主義用規則教與人類邏輯推理相似，解釋性強難以構建完備的知識規則庫連接主義用數據學直接從數據中學以深度學習為例：依賴于數據、解釋性不強行為主義感知-行動智能取決于感知和行為，取決于對外界復雜環境的適應；重視結果，實用側重于應用技術，理論基礎薄弱數據→知識→能力，能力增強是最終目標三種學習方法的綜合利用值得關注！（二）人工智能的技術技術分類人工智能方法眾多，但當前落地應用的人工智能主流技術主要是機器學習（特別是基于神經網絡的深度學習）人工智能專家系統進化計算機器學習模糊邏輯知識表示......統計學習神經網絡概率圖......技術方法人工智能監督學習無監督學習半監督學習強化學習訓練（學習方式）（二）人工智能的技術機器學習廣義的機器學習：通過計算機程序從觀測數據（樣本）中尋找規律（模型），并利用學習到的規律（模型）對末知數據進行預測，包含神經網絡、深度學習等。傳統機器學習：除深度學習之外的機器學習，需要人工進行特征工程。機器學習主要研究如何使計算機從給定的數據中學習規律，即從觀測數據（樣本）中尋找規律，并利用學習到的規律（模型）對未知或無法觀測的數據進行預測。（二）人工智能的技術機器學習的分類監督學習：從帶標簽(標注)的訓練樣本中建立一個模式（模型），并依此模式推測新的數據標簽的算法，并分為回歸、分類兩種任務。無監督學習：在學習時并不知道其分類結果，其目的是去對原始資料進行分類，以便了解資料內部結構算法。半監督學習：利用少量標注樣本和大量未標注樣本進行機器學習，利用數據分布上的模型假設,建立學習器對未標簽樣本進行標簽。強化學習：強化學習的學習方式是在獲得樣例過程中進行探索性學習，在獲得樣例之后根據環境反饋的獎賞和狀態更新自己的模型，利用更新后的模型來指導下一步的行動，下一步的行動獲得獎賞反饋之后再更新模型。（三）人工智能的形態人工智能的三種形態人類智能水平（四）人工智能的體系人工智能的技術框架技術名稱開發公司特點適用場景TensorFlowGoogle支持深度學習、機器學習、強化學習等多種任務；強大的分布式計算能力，適合大規模數據和訓練；提供高層API（如Keras）和低層API（如TensorFlowCore），靈活性高；豐富的社區支持和文檔資源。大規模深度學習模型訓練與推理、生產環境的部署與服務。PyTorchFacebook強大的動態計算圖支持，易于調試；與Python集成緊密，支持原生的Python數據結構（如NumPy）；具有深度學習和計算機視覺領域的領先優勢。快速原型開發和學術研究；深度學習，特別是計算機視覺、自然語言處理等領域。Keras社區專注于傳統機器學習任務，如分類、回歸、聚類等；提供了大量的機器學習算法和工具，涵蓋了數據預處理、模型選擇、評估等方面。傳統機器學習任務，如線性回歸、決策樹、KNN、SVM等；數據處理、模型選擇、模型評估。（四）人工智能的體系人工智能的技術框架：國產深度學習框架框架名稱開發組織PaddlePaddle（飛槳）百度MindSpore華為MegEngine（天元）曠世Jittor（計圖）清華大學…………解決基礎技術的“卡脖子”問題。2017年，國務院《新一代人工智能發展規劃》等關于AI頂層規劃的政策中都著重提及，除了加大應用層技術落地，更希望業界和學界深入AI底層技術研發......目錄人工智能的發展歷程主題一人工智能的相關知識主題二人工智能的常見應用場景主題三人工智能的未來發展趨勢主題四人工智能的挑戰與爭議主題五課堂思考思考：隨著人工智能理論和技術的日益成熟，人工智能與傳統行業的融合不斷加深，人工智能技術的快速發展正在深刻改變各行各業的運作方式。人工智能應用領域包括計算機視覺、智能語音、自然語言處理、自動駕駛等，促進了社會發展和經濟增長，提高了人們日常生活水平。請列舉出你每天接觸的人工智能？應用場景相關知識人工智能的常見應用場景主題三（一）計算機視覺（三）智能語音（四）自然語言處理（五）自動駕駛（六）AIGC技術（二）推薦系統（一）計算機視覺圖像識別技術圖像識別技術是利用計算機對圖像進行處理、分析和理解，以識別不同模式的目標和對象的技術，核心任務是讓計算機能夠從圖像中提取有意義的信息，并進行有針對性的分析和處理。（一）計算機視覺圖像識別技術智能交通監控：通過對交通流量監測攝像頭獲取的圖像進行分析，識別車輛的類型、數量、行駛速度、擁堵情況等，為交通管理部門提供數據支持，以便進行交通信號控制、路況疏導等決策。對于違規車輛通過識別車牌號碼進行車輛識別與追蹤，便于交通管理和違法查處。（一）計算機視覺圖像識別技術智能分類與檢索：在搜索引擎和相冊管理應用中，用戶可以通過上傳圖片或輸入關鍵詞來搜索相關的圖像，圖像識別技術能夠對海量的圖像數據進行自動分類和標注，提高圖像搜索的準確性和效率。（一）計算機視覺圖像識別技術作物生長監測：通過無人機或地面攝像頭獲取農田圖像，計算機視覺算法分析作物的生長狀況，如作物的株高、葉面積、病蟲害情況等，為精準農業提供數據支持，幫助農民合理進行灌溉、施肥和病蟲害防治。人臉識別技術人臉采集人臉檢測預處理特征提取特征比對識別決策（一）計算機視覺人臉識別技術(FaceRecognition)是指通過計算機程序對人臉圖像進行處理，從中提取人臉的特征，并將其與存儲在數據庫中的人臉特征進行比較，以確定人物身份的技術。（二）推薦系統推薦系統作為一種信息過濾工具，能根據用戶的行為、偏好等數據，為用戶提供個性化的推薦內容。能夠更精準地滿足用戶的個性化需求，同時在隱私保護和安全性方面也將取得更大的突破。電子商務根據用戶的瀏覽歷史、購買記錄、收藏偏好等，為用戶推薦可能感興趣的商品。基于商品之間的關聯性，為用戶推薦可以搭配使用的商品。社交媒體根據用戶的社交關系、興趣愛好、行為數據等，為用戶推薦可能認識的人或有共同興趣的用戶。根據用戶關注的賬號、點贊、評論、分享等行為，為用戶推薦相關的文章、視頻、圖片等內容。娛樂資訊依據用戶的視頻觀看歷史、音樂播放歷史、收藏偏好、搜索記錄等，為用戶推薦相關的視頻和音樂等。根據用戶瀏覽新聞的類別、關鍵詞、熱點事件等行為數據，為用戶推薦感興趣的新聞和資訊內容。教育學習根據學生的學習階段、學科偏好、學習進度等，推薦相應的教材、輔導書、在線課程、學習視頻等學習資料。針對不同用戶的職業規劃、興趣愛好等，推薦相關的培訓課程、在線學習課程等。（三）智能語音智能語音技術智能語音技術以語音的主要特征為基礎，將聲音信號轉為文字供計算機處理，排除冗余信息，提取關鍵信息，并與語音知識庫進行匹配，得到文字問答結果后，將文本語言轉化為聲波，使終端具備“能聽會說”的能力，實現聲音信息在人機間的交互。（三）智能語音常用場景通過智能客服系統，用戶可以通過語音與機器人進行自然對話，解決一些常見的問題或者需求。智能客服通過語音指令控制智能家居設備，實現智能化家居生活，提升生活便利性。智能語音系統可學習用戶習慣，自動調整設備狀態。智能家居教育類智能語音產品可以根據學生的問題，提供準確的答案和解釋。可以為學生提供語音朗讀、口語評測等學習輔助功能。智能教育（四）自然語言處理自然語言處理常用場景計算機能夠把一種語言翻譯成另一種語言。機器翻譯的難點在于不同語言之間的語法、詞匯、文化等差異，需要計算機能夠準確地理解原文的含義，并用目標語言合理地表達出來。比如谷歌翻譯、百度翻譯等，能快速準確地翻譯多種語言的文本。計算機能夠從給定的文本中，提取出最核心的信息，生成一個簡短的摘要。文本摘要有兩種方法：抽取式和生成式。抽取式就是從原文中直接選取一些重要的句子作為摘要，生成式就是根據原文的內容重新生成一些句子作為摘要。計算機能夠回答用戶以自然語言提出的問題。三種類型：檢索式、抽取式和生成式。檢索式就是從預先建立好的知識庫中查找與問題相關的答案；抽取式就是從給定的文本中抽取出與問題相關的片段作為答案；生成式就是根據問題和相關信息生成一個新的答案。機器翻譯文本摘要問答系統（五）自動駕駛自動駕駛是汽車工程與人工智能等多領域交叉融合的前沿技術，指車輛通過車身布置的傳感器，對周圍環境進行感知并做出控制決策，從而實現自動駕駛。自動駕駛技術百度Apollo的L4級自動駕駛測試里程已超過1億公里，并在2024年加速推進車內無人自動駕駛的規模化應用。特斯拉在2024年發布了FSD（全自動駕駛）V12版本，引入全新的端到端神經網絡架構，實現了從感知到車輛控制的全面自動化。技術成熟度提升2024年，多個城市出臺法規支持自動駕駛汽車的商業化應用，如北京和武漢分別于4月和3月實施相關條例，為L3級及以上自動駕駛汽車提供了制度規范。政策支持不僅推動了自動駕駛技術的規范化，還促進了車路協同基礎設施的建設。政策支持與法規完善2024年，自動駕駛出租車和公交車的試點在多個城市落地，如北京、廣州、武漢等，標志著自動駕駛技術從測試階段邁向了規模應用。商業化應用加速（五）自動駕駛自動駕駛汽車通過攝像頭、雷達等傳感器，實時感知路況，識別行人、車輛等障礙物，感知準確率超95%。通過深度學習算法，優化感知模型，提升復雜環境下的感知能力。環境感知根據感知結果，自動駕駛系統實時做出決策，如加速、減速、變道，決策準確率超90%。通過模擬訓練，優化決策模型，提升應對突發狀況的能力。行為決策自動駕駛系統根據路況和目標位置，實時規劃最優行駛軌跡，提升行駛效率和安全性。通過高精度地圖和實時數據，優化軌跡規劃，確保行駛順暢。軌跡規劃自動駕駛技術（六）AIGC技術AIGC（AIGeneratedContent，人工智能生成內容）是一種基于人工智能技術，通過生成對抗網絡（GAN）、大型預訓練模型等方法，對已有數據進行學習和模式識別，從而生成相關內容的技術。AIGC可以根據用戶輸入的關鍵詞或要求自動地生成內容，無須人工編輯AIGC可以利用深度學習和強化學習等技術，不斷地學習和優化內容生成策略AIGC可以自動生成各種類型的內容，例如文章、視頻、圖片、音樂、代碼等，這樣可以滿足不同用戶的不同需求AIGC可以利用機器學習和深度學習等技術，不斷地更新和改進內容生成的模型和算法隨著自然語言生成技術和AI模型的不斷發展，AIGC逐漸受到大家的關注，目前已經可以自動生成圖片、文字、音頻、視頻、3D模型和代碼等。（六）AIGC技術AIGC應用：代碼生成AIGC可以作為自動化代碼生成和重構的工具，能夠通過對現有代碼庫進行學習和分析，生成符合特定需求的代碼，并對現有代碼進行重構及優化。（六）AIGC技術AIGC應用：AIGC工具自動生成PPT輸入提示詞：幫我自動生成一份關于人工智能的應用場景及案例分析的PPT（六）AIGC技術常見的AIGC大模型工具目錄人工智能的發展歷程主題一人工智能的相關知識主題二人工智能的常見應用場景主題三人工智能的未來發展趨勢主題四人工智能的挑戰與爭議主題五相關知識相關知識人工智能的未來發展趨勢主題四（一）人工智能的技術突破（二）人工智能的應用拓展（三）人工智能的社會與政策（一）人工智能的技術突破量子計算與人工智能結合取得更多成果，利用量子計算的超強算力，使人工智能算法在處理復雜問題、大規模數據分析和優化等方面實現質的飛躍。例如在藥物研發的分子結構模擬等領域，量子AI的發展為解決傳統計算難以處理的復雜問題提供了新途徑，推動了人工智能在更多領域的應用。量子AI進步多模態預訓練大模型可處理文本、圖像、音頻、視頻等多模態數據，實現精準感知和理解。如智能駕駛中對道路環境多維度信息的綜合處理，提升安全性。以商湯的“日日新”融合大模型為例，其在圖文推理、語言等各方面達到業內最優水平，展現了強大的多模態信息處理能力，為復雜任務提供更精準的解決方案。多模態預訓練大模型發展小模型憑借高效、精準、低計算成本和能耗的優勢，在特定任務和本地化場景中應用廣泛，可針對重復性高的任務提供更具性價比的解決方案，與大模型形成互補。例如微軟的Phi模型，參數量僅為140億，卻在數學競賽、自然語言處理等多個基準測試中表現出色，甚至超越了參數量更大的Llama3.370B及OpenAI的GPT-4oMini。小模型崛起020301（二）人工智能的應用拓展智能體普及AI智能體從“增強知識”向“增強執行”轉變AI智能體具備更強的自主決策與任務執行能力，將廣泛應用于辦公、客服、工業生產等領域，成為人們的智能助手，提升工作和生活效率。例如在辦公場景中，智能體可以自動安排會議、整理文件和生成報告，提高工作效率；在客服領域，智能體能夠實時解答客戶問題，提供個性化的服務體驗。智能體在多領域的應用智能體在工業生產中可實現自動化流程控制和質量檢測，提高生產效率和產品質量；在家庭服務中，智能體能夠控制智能家居設備，提供便捷的生活服務。在教育領域，智能體可以根據學生的學習進度和特點，提供個性化的學習計劃和輔導，提升學習效果。智能體的未來發展隨著技術的不斷進步，智能體將具備更強的自然語言理解和生成能力，能夠更好地與人類進行交互和協作。未來智能體將更加智能化和人性化，能夠自主學習和適應不同的環境和任務，提供更加高效和便捷的服務。（三）人工智能的社會與政策立法與監管完善隨著人工智能的廣泛應用，各國加快人工智能立法和監管步伐，在數據隱私、算法偏見、安全責任等方面制定更詳細、嚴格的法規和標準。例如歐盟的《人工智能法案》對人工智能系統的開發和使用提出了明確的規范，保障了公眾的權益。各國加快人工智能立法和監管步伐各國在人工智能立法和監管方面加強國際合作，共同應對人工智能帶來的全球性挑戰。例如，國際組織和各國政府之間開展對話和協商，制定統一的人工智能治理框架和標準，促進人工智能的健康發展。立法與監管的國際合作完善的立法和監管體系將為人工智能的發展提供明確的法律依據和規范，促進人工智能的健康發展。同時，合理的立法和監管也將保障人工智能的安全、可靠和公平使用，保護消費者的權益和社會公共利益。立法與監管對人工智能發展的影響（三）人工智能的社會與政策開源創新活躍目錄人工智能的發展歷程主題一人工智能的相關知識主題二人工智能的常見應用場景主題三人工智能的未來發展趨勢主題四人工智能的挑戰與爭議主題五相關知識相關知識人工智能的挑戰與爭議主題五（一）人工智能應用存在哪些挑戰？（二）人工智能應用是否存在爭議？（三）如何規范使用人工智能？引言“科學技術都是一把雙刃劍”。伴隨著人工智能技術的成熟和廣泛應用，人與機器之間的矛盾凸顯，人工智能的倫理問題引起了社會和各行各業的日益關注。人類對待AI出現了不同觀點，其在科幻電影甚至傳統媒體中均有體現。就業結構變化人工智能技術的發展和應用導致一些傳統的、重復性高的工作崗位被自動化系統和機器人所替代，如制造業中的流水線工人、客服中心的接線員等。崗位替代與創造：新崗位的數量和對勞動力技能的要求與被替代崗位之間存在不匹配，導致部分勞動力面臨失業或轉行的壓力。技能需求轉變：隨著人工智能在各個行業的滲透，對勞動力的技能要求發生了顯著變化，需要具備更高的數字技能、數據分析能力、創新能力和跨學科知識的人才。010203（一）人工智能應用存在哪些挑戰社會公平性影響數字鴻溝數字鴻溝加劇：進一步拉大了社會差距，例如，在一些偏遠農村地區，網絡覆蓋不足，居民缺乏智能手機和電腦等設備，無法使用基于人工智能的在線教育、醫療和金融服務。算法偏見算法偏見與歧視：人工智能算法是基于大量的數據進行訓練和學習的，如果數據本身存在偏見，那么算法可能會延續和放大這些偏見，導致在招聘、信貸、司法等領域出現不公平的決策。（一）人工智能應用存在哪些挑戰（二）人工智能應用是否存在爭議？電車難題是倫理學中一個經典的思想實驗，描述一輛失控的電車即將撞上五個人，而你可以拉動杠桿使電車轉向，撞死另一個人以拯救那五個人。這個難題引發了關于道德選擇的激烈討論，是基于結果主義還是義務論來做出決策。人工智能系統需評估不同決策可能帶來的后果，如自動駕駛汽車撞上行人或轉向撞上其他障礙物，對不同個體和群體的傷害程度、影響范圍等都是考量因素。電車難題（二）人工智能應用是否存在爭議？數據污染以化學材料研發為例，如測量儀器未校準精