人工智能通識基礎

模塊1　基 礎 認 知

第1章　人工智能導論 2

1.1　計算機的發展及應用 2

1.1.1　計算機的發展歷程 3

1.1.2　計算機的應用領域 6

1.2 計數制及其運算 8

1.2.1 計數制的基本概念 8

1.2.2 常用計數制及其表示方法 8

1.2.3 不同計數制之間的轉換 9

1.3 計算機系統概述 12

1.3.1 計算機系統的組成 12

1.3.2 硬件系統 12

1.3.3 軟件系統 15

1.3.4 計算機系統的工作原理 17

1.4 人工智能的起源與定義 17

1.4.1 人工智能的起源 18

1.4.2 人工智能的定義 20

1.4.3 人工智能的類型 21

1.5 人工智能的主流學派與發展浪潮 23

1.5.1 符號主義：邏輯推理的理性主義 23

1.5.2 連接主義：神經網絡的仿生革命 24

1.5.3 行為主義：感知—行動的進化路徑 26

1.5.4 人工智能的發展浪潮 27

1.6 人工智能的核心要素 30

1.6.1 數據：人工智能的“燃料” 30

1.6.2 算法：人工智能的“引擎” 31

1.6.3 算力：人工智能的“加速器” 33

1.6.4 知識：人工智能的“羅盤”與“護欄” 35

實戰演練：AI發展史報告 37

本章小結 37

思考與練習 38

模塊2　實 踐 應 用

第2章　人工智能賦能辦公創新與教育管理 40

2.1　辦公自動化概述與WPS簡介 40

2.1.1　辦公自動化的演進：從“無紙化”到“智能化” 41

2.1.2　WPS Office：國產辦公軟件的崛起與AI化轉型 41

2.2　人工智能賦能WPS文字處理與實踐 42

2.2.1　智能創作模塊 43

2.2.2　智能編輯模塊 44

2.2.3　智能排版模塊 45

2.3　人工智能賦能WPS表格處理與實踐 46

2.3.1　智能數據分析 46

2.3.2　智能公式生成 47

2.3.3　智能圖表生成 47

2.4　人工智能賦能演示處理與實踐 48

2.4.1　一鍵生成完整演示文稿 48

2.4.2　智能排版與設計優化 48

2.4.3　智能交互 49

2.5　人工智能如何重塑教育模式 49

2.5.1　個性化學習 50

2.5.2　智能化評估 50

2.5.3　教育管理升級 51

實戰演練1：WPS AI文字處理實踐 52

實戰演練2：WPS AI數據分析實踐 60

實戰演練3：WPS AI演示設計實踐 64

本章小結 70

思考與練習 70

第3章 自然語言處理與大語言模型 71

3.1　自然語言處理概述與大語言模型概述 72

3.1.1　自然語言處理的定義與核心目標 72

3.1.2　自然語言處理的技術演進脈絡 73

3.1.3　自然語言處理的核心任務 75

3.1.4　大語言模型的定義與核心特征 78

3.1.5　經典NLP模型  79

3.1.6　國內主流大語言模型 81

3.2　Transformer結構 83

3.2.1　Transformer的整體架構 83

3.2.2　輸入嵌入與位置編碼 84

3.2.3　自註意力機制 87

3.3　大語言模型預訓練與微調 89

3.3.1　預訓練：語言知識的“基礎建設” 89

3.3.2　微調：從“通用學者”到“領域專家” 92

3.4　提示詞工程：與AI高效交互的核心 95

3.4.1　提示詞概述 95

3.4.2　核心要素 96

3.4.3　設計原則 97

3.5　生成式AI的應用與挑戰 100

3.5.1　生成式AI概述 100

3.5.2　生成式AI的核心應用領域 101

3.5.3　生成式AI面臨的核心挑戰 105

實戰演練：文本類AIGC應用與實踐 107

本章小結 118

思考與練習 119

第4章　圖像視頻生成技術 120

4.1　圖像生成技術發展脈絡 120

4.1.1　早期探索：傳統概率模型主導階段 121

4.1.2　中期突破：GAN引領的深度學習生成革命 122

4.1.3　當前主流：擴散模型主導的高質量生成時代 124

4.1.4　三類核心模型的技術對比 125

4.2　提示詞設計與圖像生成流程 126

4.2.1　提示詞的核心作用與構成要素 126

4.2.2　提示詞設計的核心原則與方法 127

4.2.3　圖像生成的完整流程 129

4.3　視頻生成技術概述：從文生視頻到多主體生成 131

4.3.1　視頻生成的核心原理與技術框架 131

4.3.2　視頻生成技術的演進歷程 132

4.3.3　文生視頻技術的核心方法 134

4.3.4　多主體生成技術：核心挑戰與解決方案 135

4.4　主流視頻生成平臺與應用 136

4.4.1　OpenAI Sora 136

4.4.2　Runway 137

4.4.3　可靈AI 138

4.4.4　海螺AI 138

4.4.5　即夢AI 139

實戰演練1：圖片類AIGC的應用與實踐 140

實戰演練2：視頻類AIGC的應用與實踐 153

實戰演練3：AI搜索實踐 164

本章小結 170

思考與練習 171

第5章　多模態AI與智能體系統 172

5.1　多模態AI概述 172

5.1.1　核心定義與關鍵特征 173

5.1.2　技術優勢與產業價值 174

5.1.3　技術挑戰與發展趨勢 175

5.2　智能體基本原理與架構 176

5.2.1　核心定義與關鍵特征 176

5.2.2　智能體的工作原理 177

5.2.3　智能體的基本架構  178

5.3　智能體的核心組件：規劃、記憶、工具使用 181

5.3.1　規劃組件：智能體的“行動導航系統” 181

5.3.2　記憶組件：智能體的“經驗儲備庫” 182

5.3.3　工具使用組件：智能體的“能力拓展器” 184

實戰演練：智能體的應用與實踐 186

本章小結 198

思考與練習 198

模塊3　核 心 技 術

第6章　知識表示與問題求解 200

6.1　認知理論與認知模型 200

6.1.1　認知理論的核心概念 200

6.1.2　人工智能中的核心認知模型 201

6.1.3　認知模型的選擇與應用場景 203

6.2　知識表示的主要方法 204

6.2.1　符號表示法 204

6.2.2　語義網絡表示法 205

6.2.3　框架表示法 207

6.2.4　本體論表示法 208

6.3　知識推理與搜索 210

6.3.1　符號推理 210

6.3.2　概率推理 212

6.3.3　因果推理 215

6.3.4　知識圖譜推理 218

6.4　搜索算法與搜索策略 219

6.4.1　廣度優先搜索 219

6.4.2　深度優先搜索 220

6.5　啟發式搜索與A*算法 221

6.5.1　啟發式搜索基礎 221

6.5.2　啟發函數的設計原則 222

6.5.3　常見啟發式搜索算法分類 223

實戰演練：啟發式搜索與A*算法 225

本章小結 229

思考與練習 229

第7章 機器學習基礎 231

7.1　一般問題求解方法 231

7.1.1　貪心算法 232

7.1.2　分治算法 234

7.1.3　動態規劃算法​ 236

7.1.4　回溯算法​ 238

7.2　機器學習的基本概念與分類 241

7.2.1　基本概念 241

7.2.2　機器學習的分類維度 242

7.3　監督學習：回歸與分類模型 244

7.3.1　線性回歸 244

7.3.2　邏輯回歸 246

7.3.3　決策樹分類 248

7.4　無監督學習：聚類技術與降維技術 249

7.4.1　聚類技術 250

7.4.2　降維技術 251

7.5　Scikit-learn工具使用 253

7.5.1　數據格式規範 253

7.5.2　工具使用註意事項 254

實戰演練1：Scikit-learn入門與線性回歸 254

實戰演練2：無監督學習入門 260

本章小結 269

思考與練習 269

第8章　深度學習入門 270

8.1　深度學習三要素概述 270

8.1.1　數據：深度學習的“燃料” 271

8.1.2　算法：深度學習的 “引擎” 272

8.1.3　算力：深度學習的“動力與支撐” 273

8.2　淺層人工神經網絡模型 274

8.2.1　淺層人工神經網絡的定義與特點 275

8.2.2　淺層人工神經網絡的基本結構組成 276

8.3　從感知機到多層感知機 277

8.3.1　感知機的結構與原理 278

8.3.2　多層感知機的結構與優勢 279

8.3.3　感知機與多層感知機的核心區別 281

8.4　激活函數與損失函數 281

8.4.1　激活函數：神經網絡的非線性核心 281

8.4.2　損失函數：模型優化的核心依據 283

8.5　反向傳播與梯度下降 285

8.5.1　核心概念鋪墊 285

8.5.2　反向傳播算法 286

8.5.3　梯度下降算法 288

8.6　卷積神經網絡 290

8.6.1　CNN的發展歷程 290

8.6.2　CNN的基本結構 290

8.6.3　CNN的工作原理 291

8.7　循環神經網絡與LSTM 292

8.7.1　循環神經網絡的誕生背景與核心原理 292

8.7.2　RNN的局限性：梯度消失與長期依賴問題 292

8.7.3　LSTM：通過門控機制解決長期依賴問題 293

8.7.4　RNN與LSTM的局限性與發展方向 294

實戰演練：深度學習之圖像識別 （PyTorch CPU） 294

本章小結 304

思考與練習 304

模塊4　前 沿 發 展

第9章　人工智能的未來發展與跨學科融合 306

9.1　AI發展趨勢與前沿技術 306

9.1.1　多模態融合：打破信息壁壘的核心路徑 307

9.1.2　生成式AI：從“輔助工具”到“創作夥伴” 307

9.1.3　邊緣智能：工業場景的“實時響應”解決方案 307

9.1.4　可信AI：AI規模化應用的“安全基石” 308

9.1.5　人工智能的新時代 309

9.2　AI+專業領域融合 310

9.2.1　AI+醫療 310

9.2.2　AI+金融 311

9.2.3　AI+農業 312

9.2.4　AI+交通 312

9.2.5　AI+教育 313

9.3　人工智能與國家戰略 314

9.3.1　人工智能的戰略地位 314

9.3.2　中國人工智能國家戰略的實施路徑 316

9.3.3　人工智能安全與倫理規範 317

9.4　人工智能素養與未來職業 317

9.4.1　智能時代的AI素養 318

9.4.2　AI催生的新興職業與崗位 318

9.4.3　終身學習與職業生涯規劃建議 319

實戰演練：AIGC在編程中的應用 319

本章小結 323

思考與練習 323

模塊5　倫 理 規 範

第10章　人工智能安全倫理初探 326

10.1 人機交互與人工智能倫理原則 326

10.1.1 人機交互的倫理邊界與核心風險 327

10.1.2 基本原則 328

10.2 人工智能治理策略與技術 329

10.2.1 人工智能治理的核心目標與治理主體 329

10.2.2 人工智能治理的核心策略 330

10.2.3 人工智能治理技術：以技術治技術 331

10.2.4 全球AI治理的發展趨勢與挑戰 334

10.3 算法背後的公平難題 335

10.3.1 算法公平的核心內涵與評判標準 335

10.3.2 算法公平的實現路徑與保障措施 337

10.4 可信賴的AI系統設計與評估 338

10.4.1 可信賴AI系統的設計原則 339

10.4.2 可信賴AI的核心內涵與系統評估準則 340

本章小結 342

思考與練習 342

參考文獻 344