人工智能通識零基礎學AI

林子雨，男，博士（畢業於北京大學），國內高校知名大數據教師，廈門大學計算機科學與技術系副教授，廈門大學數據庫實驗室負責人，中國計算機學會數據庫專委會委員，中國計算機學會信息系統專委會委員，全國工業大數據行業產教融合共同體特聘專家，入選“2021年高校計算機專業優秀教師獎勵計劃”，榮獲“2022年福建省高等教育教學成果獎特等獎（個人排名第一）”和“2018年福建省高等教育教學成果獎二等獎（個人排名第一）”，編著出版13本大數據系列教材，被國內1000多所高校采用，建設了國內高校首個大數據課程公共服務平臺，平臺累計網絡訪問量超過2500萬次，成為全國高校大數據教學知名品牌，主持的課程《大數據技術原理與應用》獲評“2018年國家精品在線開放課程”和“2020年國家級線上一流本科課程”，主持的課程《Spark編程基礎》獲評“2021年國家級線上一流本科課程”。建設的大數據系列MOOC課程入選“2023年教育部國家智慧教育公共服務平臺應用典型案例”。

1.1 信息與計算機概述 7

1.1.1 信息概述 8

1.1.2 信息技術的發展 10

1.1.3 計算機技術的發展 10

1.1.4 計算機的分類 12

1.1.5 四次信息化浪潮 14

1.2 計算機系統 14

1.2.1 硬件系統 15

1.2.2 軟件系統 17

1.3計算機網絡 19

1.3.1 計算機網絡概述 19

1.3.2 移動互聯網 20

1.4 計算機系統安全 21

1.4.1計算機系統面臨的安全威脅 21

1.4.2安全防護技術 22

1.5 國家信息安全 22

1.5.1 信息安全的主要領域 22

1.5.2 保障國家信息安全的舉措 23

1.5.3 我國實施“信創”戰略 24

1.6 信息化基礎設施 26

1.6.1 網絡設施 26

1.6.2 算力設施 27

1.6.3 空間設施 28

1.6.4 電力設施 29

1.6.5 新基建 32

1.7 本章小結 32

1.8 習題 33

第 2章 人工智能概述 34

2.1 什麼是人工智能 34

2.1.1 什麼是智能 34

2.1.2 人工智能的定義 35

2.1.3 人工智能的要素 35

2.1.4 人工智能的類型 36

2.2 人工智能的發展歷程 37

2.2.1圖靈測試 37

2.2.2 人工智能的誕生 37

2.2.3 人工智能的發展階段 38

2.2.4 人工智能發展的五個級別 39

2.3 人工智能的影響 40

2.3.1 人工智能對工作、生活等方面的影響 40

2.3.2人工智能開啟科學研究“第五範式” 42

2.3.3 人工智能開啟“人機共生”新時代 44

2.4 世界各國的人工智能發展戰略 45

2.4.1 美國 45

2.4.2中國 45

2.4.3歐盟 46

2.4.4 其他國家 46

2.5 人工智能關鍵技術 46

2.5.1機器學習 46

2.5.2知識圖譜 48

2.5.3自然語言處理 49

2.5.4人機交互 49

2.5.5計算機視覺 50

2.5.6生物特征識別 51

2.6 人工智能應用 51

2.7 人工智能產業 52

2.7.1智能基礎設施建設 52

2.7.2智能信息及數據 52

2.7.3智能技術服務 53

2.7.4智能產品 53

2.8 人工智能思維 54

2.9 人工智能的未來發展 56

2.10 本章小結 58

2.11 習題 58

3.1 在制造業的應用 59

3.2 在智能家居中的應用 59

3.3 在智能物流中的應用 60

3.4 在金融行業的應用 61

3.5 在醫療健康中的應用 62

3.6 在安防領域的應用 63

3.7 在交通運輸中的應用 64

3.8 在零售業的應用 64

3.9 在農業的應用 65

3.10 在環境保護中的應用 66

3.11 在教育領域的應用 67

3.12 在娛樂與遊戲領域的應用 67

3.13 本章小結 68

3.14 習題 68

4.1 機器學習基本概念 70

4.1.1 什麼是機器學習 70

4.1.2 機器學習的四大類型 70

4.1.3 機器學習的基本過程 71

4.3 監督學習 72

4.3.1 回歸算法 72

4.3.2 分類算法 76

4.3.3 支持向量機 81

4.3.4 KNN 82

4.4 無監督學習 83

4.4.1 K-Means 84

4.4.2層次聚類 84

4.4.3 DBSCAN 85

4.4.4聚類算法的典型應用場景 86

4.5 強化學習 87

4.5.1 強化學習的基本要素 87

4.5.2 強化學習的過程 87

4.5.3 常見的強化學習算法 88

4.5.4 強化學習的典型應用場景 88

4.6 人工神經網絡和深度學習 90

4.6.1人工神經網絡 90

4.6.2 深度學習 91

4.7 本章小結 94

4.8 習題 94

5.1自然語言處理概述 96

5.1.1什麼是自然語言處理 96

5.1.2自然語言處理的重要性與應用價值 96

5.1.3自然語言處理的發展簡史 97

5.2 自然語言處理的核心基礎任務 97

5.2.1文本分類：情感分析與主題識別 97

5.2.2關系抽取：挖掘實體間的關聯 98

5.2.3命名實體識別：從文本中提取關鍵信息 100

5.2.4文本聚類：相似文本的自動歸組 100

5.2.5信息檢索：快速找到所需內容 101

5.3 自然語言處理的典型應用場景 102

5.4 本章小結 103

5.5 習題 103

6.1 計算機視覺概述 104

6.1.1 什麼是計算機視覺 104

6.1.2 計算機視覺的發展歷史 104

6.1.3 計算機視覺與人類視覺的差異 105

6.2計算機視覺的典型應用場景 105

6.3 計算機視覺的核心任務 105

6.4 計算機視覺面臨的挑戰 106

6.5 本章小結 107

6.6 習題 107

7.1 大模型概述 108

7.1.1 大模型的概念 108

7.1.2 大模型與小模型的區別 108

7.1.3 大模型的發展歷程 109

7.1.4 人工智能與大模型的關系 110

7.1.5 大模型在人工智能領域的重要性 111

7.2 大模型產品 111

7.2.1 國外的大模型產品 111

7.2.2 國內的大模型產品 113

7.3.1 原理概述 115

7.2.3 中美兩國在大模型領域的競爭 117

7.3 大模型的基本原理 117

7.3.2 大模型訓練的實例演示 117

7.4 大模型的特點 119

7.5 大模型的分類 121

7.5.1 按照輸入數據類型劃分 121

7.5.2 按照應用領域劃分 121

7.5.3 大語言模型的分類 122

7.6 大模型訓練的硬件設施 123

7.7 大模型的成本 124

7.8 大模型的應用領域 125

7.9大模型對人們工作和生活的影響 126

7.9.1大模型對工作的影響 126

7.9.2 模型對生活的影響 126

7.10 大模型的挑戰與未來發展 126

7.10.1 大模型的挑戰 126

7.10.2 大模型的未來發展 127

7.11 大模型實戰案例 127

7.11.1 為什麼需要本地部署大模型 128

7.11.2 DeepSeek R1簡介 128

7.11.3 在本地計算機部署DeepSeek R1 129

7.12 本章小結 134

7.13 習題 134

第8章 智能體 136

8.1 智能體概述 136

8.1.1 什麼是智能體 136

8.1.2 智能體的發展歷程 137

8.1.3 智能體的應用 137

8.1.4 智能體的優勢 137

8.2 智能體和人工智能的關系 138

8.3 智能體的關鍵特征 139

8.4 智能體的分級 140

8.5 智能體的分類 142

8.6 智能體的組成 142

8.7 智能體的工作原理 142

8.8 智能體的關鍵技術 143

8.9 典型的智能體產品 143

8.10 基於大模型的智能體 144

8.10.1 國外的智能體產品 144

8.10.2 國內的智能體產品 146

8.10.3 案例：扣子智能體搭建實戰 147

8.11 AI Agent和Agentic AI的關系 152

8.12 智能體的未來發展 154

8.13 本章小結 154

8.14 習題 155

9.1 具身智能概述 156

9.1.1 什麼是具身智能 156

9.1.2 具身智能和智能體的關系 156

9.1.3 具身智能的發展歷程 157

9.1.4 具身智能在人工智能中的地位與作用 158

9.2 具身智能的技術支撐 158

9.2.1 傳感器技術：感知世界的觸角 158

9.2.2 機器學習與強化學習 159

9.2.3 機器人技術：具身的物理載體 160

9.3 具身智能的應用領域 161

9.3.1 人機交互與協作 161

9.3.2 自主系統與導航 162

9.3.3 醫療健康 162

9.3.4 娛樂與教育 163

9.4 人形機器人 163

9.4.1 人形機器人的內涵 163

9.4.2 人形機器人的發展階段 164

9.4.3 人形機器人的分類 165

9.4.4 典型人形機器人 166

9.5 具身智能的挑戰與限制 169

9.5.1 技術挑戰 169

9.5.2 倫理與法律問題 169

9.5.3 社會接受度與影響 169

9.6 本章小結 170

9.7 習題 170

10.1 AIGC概述 171

10.1.1 什麼是AIGC 171

10.1.2 AIGC與大模型的關系 171

10.1.3 AIGC的發展歷程 171

10.1.4 常見的AIGC應用場景 172

10.1.5 AIGC技術對行業發展的影響 172

10.1.6 AIGC技術對職業發展的影響 173

10.1.7 常見的AIGC大模型工具 173

10.1.8 AIGC大模型的提示詞 173

10.2文本類AIGC應用實踐 174

10.2.1 文本類AIGC應用場景 174

10.2.2 文本類AIGC工具基礎知識 174

10.2.3案例1：與DeepSeek進行對話 179

10.2.4案例2：與百度文心一言進行對話 181

10.2.5案例3：使用Kimi制作PPT 183

10.2.6案例4：使用DeepSeek和轉換工具生成WORD文檔 187

10.3圖片類AIGC應用實踐 190

10.3.1圖片類AIGC應用場景 190

10.3.2 案例5：創意圖片生成 190

10.3.3 案例6：AI修圖與老照片修覆 192

10.3.4 案例7：圖片擴展與高清化 196

10.3.5 案例8：智能摳圖與圖片融合 197

10.3.6 案例9：塗抹消除與局部重繪 202

10.3.7 案例10：AI繪畫藝術創作 205

10.3.8 案例11：真實照片轉成二次元風格 209

10.4語音類AIGC應用實踐 211

10.4.1 語音類AIGC應用場景 211

10.4.2 案例12：豆包大模型的語音類功能用法 212

10.4.3案例13：使用喜馬拉雅音頻大模型進行文本配音 215

10.4.4 案例14：使用米可智能進行語音克隆 217

10.5視頻類AIGC應用實踐 221

10.5.1 視頻類AIGC應用場景 221

10.5.2 代表性的視頻類AIGC大模型 221

10.5.3 案例15：使用可靈AI實現文生視頻 222

10.5.4案例16：使用即夢AI實現圖生視頻 227

10.5.5 案例17：使用即夢AI制作數字人 234

10.6 AIGC技術在輔助編程中的應用 237

10.6.1 AIGC技術在輔助編程中的應用場景 237

10.6.2 案例18：使用豆包大模型輔助編程 238

10.7 AI搜索 239

10.7.1 AI搜索概述 239

10.7.2 納米AI搜索 240

10.8 本章小結 241

10.8 習題 241

11.1 人工智能倫理概念 242

11.2 人工智能的倫理問題 242

11.2.1 人的主體性異化 242

11.2.2 數據隱私和安全 243

11.2.3 算法偏見和歧視 243

11.2.4 AI造假、欺騙、信息汙染 244

11.2.5 算法的不透明性和不可解釋性 244

11.2.6 AI系統的不穩定性和風險性 244

11.2.7 責任歸屬 245

11.2.8 公平正義和社會效益 245

11.2.9 AIGC技術對知識產權形成挑戰 245

11.2.10 人工智能在軍事領域應用引發的倫理問題 245

11.3 人工智能倫理典型案例 246

11.3.1 亞裔市民被誤識別為非洲裔遭拘留事件 246

11.3.2 某國產新能源汽車高速智駕系統誤判致連環追尾 246

11.3.3 杭州某小區強制刷臉門禁侵犯業主隱私權案 246

11.3.4 智能音箱夜間自動激活竊聽用戶私密對話事件 247

11.3.5醫療AI誤診加劇種族健康差距 247

11.3.6 甘肅某男子用ChatGPT編假新聞牟利 247

11.3.7 智能家居系統“竊聽”用戶隱私 247

11.3.8 使用AI覆活逝者 247

11.3.9 AI成癮及首例AI致死命案悲劇 248

11.4 人工智能倫理的基本原則 248

11.5 解決人工智能倫理問題的策略 249

11.5.1 制定和執行相關法規和政策 249

11.5.2 加強AI技術的透明度和可解釋性 249

11.5.3 建立AI倫理審查機制 249

11.5.4 提高公眾對AI倫理問題的認識和意識 250

11.5.5 加強國際合作和交流，共同解決AI倫理問題 250

11.6 本章小結 250

11.7 習題 251