人工智能導論——技術、應用及倫理

倪波，工學博士，教授，中國計算機學會（CCF）會員、CCF教育專委委員，中國圖像圖形學會會員，湖北省高等學校優秀中青年科技創新團隊核心骨幹。主要研究領域為VR/AR, 人機交互，機器學習，機器視覺等。先後主持湖北省自然科學基金（面上）項目、湖北省教育廳青年人才創新科研項目和湖北省中青年科研創新團隊骨幹成員，參與國家重大基礎研究項目（973），國家自然科學基金，先後在國內外SCI期刊會議上公開發表專業論文20餘篇。發明專利1項，軟件著作權5項，指導國家級、省級大學生創新創業項目10餘項，指導學生獲得國家級、省級學科競賽獎項10餘項，曾榮獲湖北省高校教學成果二等獎。

前言

第1章 人工智能概況：智能時代的必修課 1
1.1 人工智能的定義與分類 2
1.1.1 人工智能的定義 2
1.1.2 人工智能的主要分類 3
1.2 人工智能的發展歷程 4
1.2.1 人工智能的主要學派 4
1.2.2 人工智能的“三起兩落” 6
1.2.3 人工智能的三要素 8
1.2.4 人工智能的我國路徑 11
1.3 人工智能的應用領域 12
1.3.1 行業賦能：人工智能的典型應用場景 12
1.3.2 區域布局：因地制宜的產業生態構建 15
1.3.3 發展前瞻：核心挑戰與戰略機遇 17
1.4 人工智能的“可為”與“不可為” 18
本章小結 19
【擴展閱讀：圖靈測試的當代困境—當AI通過測試，然後呢】 19
課後習題 22
第2章 生成式大模型：內容生成的技術引擎 25
2.1 生成式大模型概述 26
2.1.1 基本定義與內涵 26
2.1.2 技術原理：從數據到智能的演進 27
2.1.3 生成式大模型的分類 28
2.1.4 協作範式：從模糊指令到清晰表達 29
2.2 提示詞工程 30
2.2.1 核心邏輯與要素 30
2.2.2 標準化提示詞模板 30
2.2.3 偏差應對與多輪對話策略 38
2.3 應用實踐與基本準則 39
2.3.1 讓大模型成為你的辦公助手 39
2.3.2 風險識別與驗證機制 49
2.3.3 使用大模型的基本準則 50
本章小結 51
【擴展閱讀：大模型的能耗賬本—智能的代價有多高】 51
課後習題 53
第3章 低代碼開發智能體：人人皆可開發的AI應用 56
3.1 智能體：從生活到技術 57
3.1.1 智能體的定義與特征 57
3.1.2 智能體的核心構成 60
3.1.3 智能體的分類 61
3.2 智能體的工作原理：閉環邏輯 62
3.2.1 “感知-決策-行動-反饋”閉環 63
3.2.2 智能體的主流技術 64
3.3 低代碼開發平臺：新手首選Coze（扣子） 64
3.3.1 平臺優勢與價值 64
3.3.2 主流平臺對比分析 65
3.3.3 Coze平臺及其特色 66
3.4 Coze（扣子）智能體搭建的步驟 66
3.4.1 手把手搭建一個文檔整理智能體 70
3.4.2 基於“工作流”搭建智能體 73
3.4.3 有聲單詞卡智能體開發 75
3.5 應用拓展與進階：校園、教學與生活中的自動化應用 88
3.5.1 智能體多場景應用 88
3.5.2 移動端智能體 91
3.5.3 跨平臺部署策略 91
本章小結 92
【擴展閱讀：低代碼開發智能體的未來困境—當人人皆可開發，然後呢】 92
課後習題 94
第4章 機器學習：讓機器學會“思考” 97
4.1 機器學習的定義 98
4.2 機器學習如何工作 99
4.2.1 數據集基本構成 99
4.2.2 算法模型：一份“可調藍圖” 100
4.2.3 模型訓練的雙重變量：參數vs超參數 101
4.2.4 損失函數：學習的“指南針” 102
4.3 機器學習的主要範式 104
4.3.1 監督學習：“名師出高徒” 104
4.3.2 無監督學習：“自主學習的探索者” 107
4.3.3 強化學習：“在試錯中成為高手” 111
4.3.4 生成式學習：從“判斷者”到“創造者”的進化 114
4.4 機器學習的經典算法 116
4.4.1 線性回歸 116
4.4.2 邏輯斯諦回歸 118
4.4.3 決策樹 120
4.4.4 K均值聚類 122
4.5 機器學習的潛在風險 125
4.5.1 數據偏見：公平性的隱形殺手 125
4.5.2 模型依賴虛假特征：決策可靠性的隱形陷阱 126
本章小結 127
【擴展閱讀：算法背後的偏見—當機器學習“學會”了歧視】 127
課後習題 130
第5章 人工神經網絡：深度學習的基石 133
5.1 傳統機器學習的困境 134
5.1.1 手動設計規則的挑戰 134
5.1.2 人工神經網絡的思路 135
5.1.3 人工神經網絡的發展歷史 135
5.2 人工神經網絡：從“模仿大腦”到“數學計算” 136
5.2.1 神經元的結構與信息傳遞機制 137
5.2.2 人工神經元與激活函數 138
5.3 前饋神經網絡：構建一個“學習大腦” 141
5.3.1 數據準備：從原始圖像到網絡輸入 142
5.3.2 構建模型：層次化特征學習的引擎 144
5.3.3 模型訓練：從“新手”到“專家”的學習閉環 146
5.3.4 訓練陷阱：過擬合與泛化能力 148
5.3.5 調優實踐：讓模型更聰明 150
本章小結 151
【擴展閱讀：奧卡姆剃刀與簡約之美】 151
課後習題 152
第6章 深度學習：讓機器學會“深度”思考 155
6.1 深度學習概述 156
6.1.1 多層感知機就是深度學習嗎 156
6.1.2 “深度”的核心價值：層次化與端到端的特征學習 156
6.2 深度學習的驅動力及架構演進 157
6.3 卷積神經網絡：讓機器“看見”的利器 158
6.3.1 多層感知機的局限性 158
6.3.2 卷積神經網絡的定義 158
6.3.3 卷積神經網絡的工作機制 159
6.3.4 案例：LeNet-5實現手寫數字識別 161
6.4 循環神經網絡：賦予機器“記憶”功能 165
6.4.1 循環神經網絡的定義 166
6.4.2 循環神經網絡的基本單元 166
6.4.3 循環神經網絡的工作機制 167
6.4.4 循環神經網絡的典型應用場景 169

本章小結 173
【擴展閱讀：自註意力機制—大模型的基石】 173
課後習題 174
第7章 人工智能的未來挑戰與責任：技術向善的邊界與責任 177
7.1 技術可信度挑戰 178
7.1.1 “黑箱”決策與信任難題 178
7.1.2 生成式AI的“幻覺”與信息真實性 179
7.1.3 脆弱性與對抗性 181
7.2 價值對齊 181
7.2.1 目標設定的難題 181
7.2.2 技術路徑與社會規範 182
7.3 社會經濟的重塑 182
7.3.1 就業市場的重構 182
7.3.2 數字鴻溝與算法偏見 183
7.3.3 深度偽造與數據安全 183
7.4 人工智能全球治理與中國方案 184
7.4.1 全球三大AI治理範式 185
7.4.2 中國治理與法治保障 186
7.4.3 系統應對 186
本章小結 187
【擴展閱讀：人工智能倫理的未來困境—當AI無所不能，人類該守住什麼】 187
課後習題 189