人工智能通識教程（微課版）

周蘇，教授，1982年7月畢業於（現）河海大學自動化系計算機專業。1986年調入杭州大學計算機系任教，1991年破格晉升副教授，1999年由浙江大學轉入浙大城市學院任教，2005年晉升教授。2005年清華大學計算機科學技術系高級訪問學者。 在杭州大學、浙江大學、浙大城市學院、浙江安防職業技術學院、溫州商學院等多所院校擔任專任教師，在嘉興技師學院等多所院校兼職任教，教學經驗豐富。 長期從事創新方法、計算機科學與技術、信息管理、大數據技術、人工智能技術等專業課程教學工作，主講創新思維與創新方法、等數十余門課程，對應用型高等院校教育有深刻理解，是多項精品課程建設等教改項目的主持人。《計算機教育》雜誌“首屆百期十佳作者”。主持的《創新思維與創新方法》課程成功入選“2016年度杭州市高校市級精品課程建設項目”。

第1章　思考的工具　1

1.1　計算的淵源　1

1.1.1　巨石陣　1

1.1.2　安提基特拉機械　2

1.1.3　阿拉伯數字　2

1.2　巴貝奇與數學機器　3

1.2.1　差分機　3

1.2.2　分析機　4

1.3　計算機的出現　4

1.3.1　為戰爭而發展的計算機　5

1.3.2　計算機無處不在　6

1.3.3　通用計算機　6

1.3.4　計算機語言　7

1.3.5　計算機建模　8

1.3.6　人工智能大師　8

1.4　計算機的智能行為　9

1.4.1　類人行為：圖靈測試　9

1.4.2　類人思考：認知建模　10

1.4.3　理性思考：思維法則　10

1.4.4　理性行為：理性智能體　11

1.4.5　對人類有益的智能體　11

1.5　人工智能的定義　12

1.5.1　“人工”與“智能”　12

1.5.2　人工智能的實現途徑　14

1.5.3　人工智能發展的6個階段　15

【作業】　16

【實踐與思考】人工智能與人類思考　18

第2章　數學素養與計算思維　20

2.1　人工智能的學科基礎　20

2.2　數學之美與數學素養　21

2.2.1　數學是美的　21

2.2.2　數學素養內涵　22

2.2.3　數學素養的重要性　23

2.2.4　培養和發展數學素養　23

2.2.5　數學素養對人工智能的意義　24

2.3　關於模糊邏輯　24

2.3.1　甲蟲機器人的規則　25

2.3.2　模糊邏輯的發明　25

2.3.3　模糊邏輯的定義　26

2.4　計算思維　26

2.4.1　計算思維的概念　27

2.4.2　計算思維的核心要素　27

2.4.3　計算思維的作用　28

2.4.4　培養計算思維　29

2.4.5　計算思維對人工智能的意義　29

【作業】　30

【實踐與思考】數學素養與計算思維　32

第3章　數據科學與大數據技術　34

3.1　從機械思維到數據思維　34

3.1.1　人類現代文明的基礎　34

3.1.2　確定的還是不確定的　35

3.1.3　解決不確定性問題的思維　35

3.2　數據科學　36

3.2.1　核心要素　36

3.2.2　應用場景　37

3.2.3　數據科學家　37

3.3　大數據思維與變革　38

3.3.1　大數據的定義　38

3.3.2　思維轉變之一：樣本=總體　39

3.3.3　思維轉變之二：接受數據的混雜性　40

3.3.4　思維轉變之三：數據的相關關系　41

3.4　從數據到知識　42

3.4.1　決策樹分析　42

3.4.2　購物車分析　43

3.4.3　貝葉斯網絡　43

3.5　數據挖掘方法　44

3.5.1　數據挖掘的對象　45

3.5.2　數據挖掘的步驟　45

3.5.3　數據挖掘分析方法　46

3.6　大數據與人工智能　47

3.6.1　人工智能與大數據的聯系　47

3.6.2　人工智能與大數據的區別　48

3.6.3　人工智能深化大數據應用　48

【作業】　49

【實踐與思考】數據素養與大數據技術　51

第4章　智能體技術　54

4.1　智能體和環境　54

4.2　智能體的良好行為　55

4.2.1　性能度量　55

4.2.2　理性　56

4.2.3　全知、學習和自主　56

4.3　環境的本質　57

4.3.1　指定任務環境　57

4.3.2　任務環境的屬性　57

4.4　智能體的結構　59

4.4.1　智能體程序　59

4.4.2　學習型智能體　60

4.4.3　智能體程序組件的工作　61

4.5　智能代理技術　62

4.5.1　智能代理的定義　62

4.5.2　典型工作過程　63

4.5.3　智能代理的特點　63

4.5.4　系統內協同合作　64

4.6　智能代理的典型應用　65

4.6.1　股票/債券/期貨交易　65

4.6.2　醫療診斷　66

4.6.3　搜索引擎　66

4.6.4　實體機器人　66

4.6.5　電腦遊戲　67

【作業】　67

【實踐與思考】智能體設計與行為分析　69

第5章　傳統機器學習　71

5.1　什麼是機器學習　71

5.1.1　機器學習的發展　71

5.1.2　機器學習的定義　73

5.2　基於學習方式的分類　74

5.2.1　監督學習　74

5.2.2　無監督學習　75

5.3　學習系統的基本結構　75

5.4　機器學習算法　76

5.4.1　回歸算法　76

5.4.2　k近鄰算法　77

5.4.3　決策樹算法　77

5.4.4　樸素貝葉斯算法　78

5.4.5　聚類算法　78

5.4.6　支持向量機算法　78

5.4.7　神經網絡算法　78

5.4.8　梯度增強算法　79

5.4.9　關聯規則算法　79

5.4.10　最大期望算法　79

5.5　機器學習的應用　79

5.5.1　數據分析與挖掘　80

5.5.2　模式識別　80

5.5.3　生物信息學應用　80

5.5.4　物聯網設備　81

5.5.5　聊天機器人　81

5.5.6　自動駕駛　81

【作業】　82

【實踐與思考】機器學習算法及其應用　83

第6章　神經網絡與深度學習　86

6.1　動物的中樞神經系統　86

6.1.1　神經系統的結構　87

6.1.2　神經系統的學習機制　87

6.2　了解人工神經網絡　88

6.2.1　人工神經網絡的研究　88

6.2.2　典型的人工神經網絡　88

6.2.3　類腦計算機　89

6.3　深度學習　89

6.3.1　深度學習的核心技術　89

6.3.2　深度學習的優勢　90

6.3.3　深度學習的意義　90

6.3.4　神經網絡理解圖像　91

6.3.5　深度學習示例　92

6.3.6　機器學習與深度學習的關系　95

6.4　卷積神經網絡　95

6.4.1　為什麼選擇卷積　95

6.4.2　卷積神經網絡結構　97

6.5　遷移學習　98

6.6　深度學習的應用　99

【作業】　100

【實踐與思考】神經網絡基礎與深度學習模型優化　102

第7章　強化學習　105

7.1　強化學習的定義　105

7.1.1　發展歷程　106

7.1.2　基本模型和原理　106

7.1.3　網絡模型設計　106

7.1.4　設計考慮　107

7.1.5　數據依賴性　108

7.2　強化學習與監督學習的區別　109

7.2.1　學習方式　109

7.2.2　先驗知識與標註數據　110

7.3　強化學習的基礎理論　111

7.3.1　基於模型與無模型環境　111

7.3.2　探索與利用　111

7.3.3　預測與控制　112

7.4　強化學習的分類　112

7.4.1　從獎勵中學習　112

7.4.2　被動強化學習　113

7.4.3　主動強化學習　113

7.4.4　強化學習中的泛化　113

7.4.5　學徒學習與逆強化學習　114

7.5　強化學習的應用　114

7.5.1　遊戲博弈　115

7.5.2　機器人控制　115

7.5.3　制造業　116

7.5.4　醫療服務業　117

7.5.5　電子商務　117

【作業】　118

【實踐與思考】強化學習基礎與模型優化　119

第8章　自然語言處理與大語言模型　122

8.1　語言的問題和可能性　122

8.2　從自然語言處理起步　123

8.2.1　自然語言處理研究的內容　123

8.2.2　深度學習的影響　124

8.2.3　語音理解與語音識別　125

8.3　大語言模型的崛起　126

8.3.1　語言模型基礎　127

8.3.2　大語言模型的特征　127

8.4　高性能、低算力成本的DeepSeek　128

8.4.1　數據蒸餾技術　128

8.4.2　讓大模型的投入與收益成正比　129

8.5　大語言模型工作原理　129

8.5.1　詞元及其標記化　130

8.5.2　基礎模型　130

8.5.3　詞嵌入及其含義　131

8.5.4　生成和理解　131

8.6　大語言模型生成模型　131

8.6.1　大語言模型核心技術　132

8.6.2　生成對抗網絡　133

8.6.3　變分自編碼器　133

8.6.4　變分自編碼器的潛在空間探索　134

8.6.5　流模型　134

【作業】　135

【實踐與思考】大語言模型典型案例分析　137

第9章　生成式人工智能技術　139

9.1　生成式人工智能　139

9.1.1　什麼是生成式人工智能　140

9.1.2　什麼是AIGC　141

9.2　AIGC的應用場景　141

9.3　提示工程的定義　143

9.4　提示工程原理　144

9.4.1　提示詞分類　145

9.4.2　提示構成　145

9.4.3　提示調優　146

9.5　提示工程技術　146

9.5.1　鏈式思考提示　147

9.5.2　生成知識提示　147

9.5.3　少樣本提示　147

9.5.4　自一致提示　148

9.5.5　思維樹提示　148

9.6　大語言模型的幻覺　149

【作業】　151

【實踐與思考】熟悉阿裏雲大模型“通義千問”　152

第10章　機器人技術　155

10.1　包容體系結構　155

10.1.1　所謂“中文房間”　156

10.1.2　傳統機器人學　156

10.1.3　建立包容體系結構　156

10.1.4　包容體系結構的實現　157

10.2　機器感知　158

10.3　機器人的概念　159

10.3.1　機器人三原則　159

10.3.2　機器人的分類　160

10.3.3　智能機器人與非智能機器人　160

10.4　機器人與AIGC的結合　161

10.5　機器人的技術問題　162

10.5.1　機器人的組成　162

10.5.2　機器人的運動　163

10.5.3　波士頓機器人“大狗”　164

10.5.4　宇樹機器人　165

10.6　具身智能與大動作模型　167

10.6.1　智能的物理基礎　167

10.6.2　感知-運動耦合核心挑戰　167

10.6.3　視覺-語言-動作模型架構　168

10.6.4　典型系統：RT-2、RT-X與OpenVLA　169

10.6.5　仿真到現實遷移　170

【作業】　171

【實踐與思考】機器人編程與應用　172

第11章　計算機視覺　175

11.1　模式識別　175

11.2　圖像識別　176

11.2.1　人類的圖像識別能力　177

11.2.2　圖像識別基礎　177

11.2.3　圖像識別模型　179

11.2.4　神經網絡圖像識別　179

11.3　計算機視覺技術　180

11.3.1　什麼是機器視覺　180

11.3.2　定義計算機視覺　181

11.3.3　計算機視覺與機器視覺的區別　182

11.4　智能圖像處理技術　182

11.4.1　圖像采集　183

11.4.2　圖像預處理　183

11.4.3　圖像分割　183

11.4.4　目標識別和分類　183

11.4.5　目標定位和測量　184

11.4.6　目標檢測和跟蹤　184

11.5　視覺技術的應用　184

11.5.1　視覺系統典型功能　185

11.5.2　機器視覺的行業應用　186

11.5.3　檢測與機器人視覺應用　187

11.5.4　布匹生產質量檢測　188

【作業】　189

【實踐與思考】圖像處理與識別　190

第12章　群體智能技術　193

12.1　向蜜蜂學習群體智能　193

12.2　什麼是群體智能　195

12.2.1　群體人工智能技術　195

12.2.2　群體智能的兩種機制　196

12.2.3　基本原則與特點　196

12.3　典型算法模型　197

12.3.1　蟻群算法　197

12.3.2　搜索機器人　199

12.3.3　微粒群（鳥群）優化算法　199

12.3.4　沒有機器人的集群　201

12.4　群體智能背後的故事　201

12.5　群體智能的應用　203

12.6　“機器狼”的發展　204

【作業】　206

【實踐與思考】群體智能算法與應用　207

第13章　人工智能的典型應用　210

13.1　AIGC文本生成技術　210

13.1.1　文本摘要技術　210

13.1.2　詩歌生成　211

13.1.3　簡單對話系統　212

13.1.4　翻譯任務中的應用　213

13.2　AIGC圖像生成應用　214

13.3　預測分析：葡萄酒的品質　216

13.4　智能推薦系統　218

13.4.1　奈飛電影推薦系統　219

13.4.2　亞馬遜圖書推薦系統　220

13.5　自動規劃問題　220

13.5.1　什麼是規劃　221

13.5.2　定義自動規劃　221

13.5.3　規劃問題示例　222

【作業】　223

【實踐與思考】提升人工智能應用的實戰能力　224

第14章　人工智能倫理與安全　227

14.1　人工智能面臨的倫理挑戰　227

14.1.1　人工智能與人類的關系　227

14.1.2　人與智能機器的溝通　228

14.1.3　數據共享問題　229

14.2　倫理與安全　230

14.2.1　創造智能機器的大猩猩問題　230

14.2.2　積極與消極的方面　230

14.2.3　人才和基礎設施短缺　231

14.2.4　設定倫理要求　231

14.2.5　強力保護個人隱私　232

14.2.6　機器人權利　232

14.3　人工智能倫理原則　232

14.3.1　創新發展道德倫理宣言　233

14.3.2　歐盟可信賴的倫理準則　235

14.3.3　百度四大倫理原則　236

14.3.4　微軟六大倫理原則　236

14.4　構建“可信賴”人工智能系統　238

14.4.1　人機對齊的技術核心　238

14.4.2　人機對齊的應用場景　239

14.4.3　未來挑戰與時代使命　239

14.5　人工智能倫理的發展　240

【作業】　241

【實踐與思考】制定人工智能倫理原則的現實意義　243

第15章　人工智能未來發展　245

15.1　創新發展與社會影響　245

15.1.1　人工智能發展的啟示　245

15.1.2　發展現狀與影響　246

15.2　人工智能的極限　247

15.2.1　由非形式化得出的論據　247

15.2.2　衡量人工智能　248

15.3　人工智能架構　248

15.3.1　傳感器與執行器　249

15.3.2　通用人工智能　249

15.3.3　人工智能工程　250

15.4　未來的人工智能　250

15.4.1　意識與感質　251

15.4.2　機器能思考嗎　252

15.4.3　預訓練時代或將走向終結　252

15.4.4　影響工程的頂級趨勢　252

15.4.5　未來已來　254

【作業】　255

【課程學習與實踐總結】　257

附錄　課程教學進度表　261

參考文獻　262