計算與人工智能基礎 (微課版)

傅向華，深圳技術大學教授，人工智能學院副院長，“鵬城孔雀計劃”特聘C崗，大數據系統計算技術國家工程實驗室智能物聯大數據研究中心副主任，坪山區智慧城市和數字政府建設專家委員會委員，廣東省人工智能通識虛擬教研室副主任。主要從事大語言模型、具身智能、信息檢索等領域的相關研究。2005年12月在西安交通大學獲計算機科學與技術博士學位，2005年12月至2018年11月在深圳大學信息工程學院/計算機與軟件學院工作，歷任計算機學科講師、副教授、教授。曾聯合創辦深大雲伴健康科技有限公司，歷任CTO、董事長等職。已主持完成國家自然科學基金面上項目、廣東省自然科學基金項目、深圳市基礎研究計劃項目等10余項，主持完成包括華為公司在內的橫向項目多項，在國內外重要期刊以及國際會議上發表論文100余篇，參與編寫教材6本，發表教研論文10余篇，作為負責人獲批省級校企聯合實驗室1個，主持建設省級一流課程1門，參與完成省級精品課程、省級優質資源課程多門，獲省級教學成果特等獎和一等獎各1次，獲深圳市科技進步獎2次。

目錄

 

 

第1章和AI交個朋友1

1.1你好，AI： 第一次對話1

1.1.1AI的“理解”和人的理解不完全一樣2

1.1.2Token： AI眼中的文字單位2

1.2AI能做什麼： 理解、生成與推理3

1.2.1理解： 把文字變成可以計算的表示3

1.2.2生成： 根據上下文繼續寫下去5

1.2.3推理： 像在推理，但仍需要檢驗6

1.3AI做不到什麼： 認識智能的邊界6

1.3.1AI的“自信”和“準確”不是一回事6

1.3.2Temperature： 控制生成隨機性的參數7

1.4生成不等於創造8

1.5本章小結8

1.6練習與思考9

第2章讓AI更懂你： 提示工程10

2.1提問的藝術： 為什麼提問方式決定答案質量10

2.1.1對比實驗： 同一需求的3種問法10

2.1.2AI只能根據你提供的信息作答11

2.1.3上下文窗口11

2.2提示詞設計三原則： 說清楚、說完整、說到位12

2.2.1原則一： 說清楚——明確任務類型12

2.2.2原則二： 說完整——給背景、給約束、給格式12

2.2.3原則三： 說到位——用示例展示你想要的效果13

2.2.4系統化框架： CRISPE13

2.2.5系統提示 vs. 用戶提示15

2.2.6多模態提示： 不只輸入文字15

2.3提示詞進階： 少樣本學習、思維鏈與角色扮演15

2.3.1技巧一： 少樣本學習——用示例教會 AI15

2.3.2技巧二： 結構化推理——讓步驟可檢查16

2.3.3進階了解： SelfConsistency與Tree of Thought18

2.3.4技巧三： 角色設定——讓AI調整回答視角18

2.3.5元提示： 讓AI幫你改提示詞19

2.3.6結構化輸出： 讓AI的回答方便被程序讀取20

2.3.7采樣參數20

2.4提示詞評估與疊代： 好的提示詞是改出來的21

2.4.1疊代四步法21

2.4.2實戰案例： 總結論文22

2.4.3提示詞評估的量化方法22

2.4.4A/B測試思維23

2.5選擇AI平臺： 按需求比較23

2.6AI安全初步： 認識提示註入攻擊24

2.6.1什麼是提示註入24

2.6.2直接註入與間接註入24

2.6.3防禦策略24

2.7本章小結25

2.8練習與思考26

第3章像計算機一樣思考： 計算思維與計算基礎27

3.1計算思維27

3.1.1分解： 將復雜問題拆分為子問題27

3.1.2模式識別： 在問題中發現規律28

3.1.3抽象： 忽略無關細節，把握問題本質28

3.1.4算法設計： 制定有序的解決方案29

3.1.5算法效率： 不同算法的性能差距30

3.1.6計算思維與其他思維的關系31

3.2信息數字化： 二進制與編碼31

3.2.1為什麼計算機只用0和132

3.2.2文字怎麼變數字： 從ASCII到Unicode34

3.2.3圖片和聲音怎麼變數字37

3.2.4數字也有坑： 補碼與浮點數的精度陷阱40

3.2.5萬物皆數據： AI眼中的世界43

3.3計算機硬件： 從CPU到AI芯片45

3.3.1計算機系統： 從五大部件到完整系統45

3.3.2CPU與內存： 計算機的“大腦”與“工作臺”48

3.3.3操作系統： 幕後的管家49

3.3.4從CPU到GPU： AI的算力引擎51

3.3.5互聯網： 數據如何旅行52

3.3.6雲計算： 算力的“插座”52

3.3.7物聯網與邊緣AI53

3.4本章小結54

3.5練習與思考55

第4章寫出第一段程序： Python編程入門56

4.1Python環境搭建與基礎語法56

4.1.1Python簡介與版本選擇56

4.1.2安裝Python解釋器57

4.1.3配置開發環境57

4.1.4編譯型語言與解釋型語言58

4.1.5Python 的解釋器58

4.1.6虛擬環境： 項目的獨立空間59

4.1.7Python基礎語法規則59

4.1.8第一個Python程序61

4.2變量、數據類型與運算61

4.2.1變量與賦值62

4.2.2基本數據類型62

4.2.3運算符與表達式65

4.2.4類型轉換66

4.2.5輸入與輸出67

4.2.6綜合練習： 個人信息卡片69

4.3程序控制： 條件判斷與循環70

4.3.1條件判斷： if/elif/else70

4.3.2三元運算符與鏈式比較71

4.3.3for循環與range72

4.3.4while循環73

4.3.5循環控制： break與continue74

4.3.6列表推導式： 更優雅的循環寫法74

4.4函數定義與模塊化編程75

4.4.1函數的定義與調用75

4.4.2函數的返回值76

4.4.3參數類型76

4.4.4返回多個值77

4.4.5變量作用域78

4.4.6lambda函數與sorted78

4.4.7函數設計原則79

4.4.8模塊與標準庫79

4.4.9自定義模塊80

4.5調試思維與異常處理81

4.5.1五步調試法與常見錯誤81

4.5.2tryexcept異常處理82

4.5.3用print()調試的實用技巧83

4.6本章小結84

4.7練習與思考84

第5章讓數據變得可用： 數據處理與文件操作86

5.1數據結構： 列表、字典與集合86

5.1.1列表： 有序的可變數據容器86

5.1.2字典： 鍵值映射的數據容器91

5.1.3集合： 去重與集合運算94

5.1.4三種數據結構的對比與選擇95

5.2文件讀寫操作96

5.2.1文本文件讀寫96

5.2.2CSV文件讀寫98

5.2.3JSON文件讀寫99

5.3數據清洗基礎： 從臟數據到可用數據100

5.3.1數據質量底線： 垃圾輸入，垃圾輸出101

5.3.2臟數據的識別與修復102

5.3.3數據清洗實戰： 六步流程105

5.4為AI準備數據集110

5.4.1NumPy： 向量化運算引擎110

5.4.2Pandas： 數據清洗的專業工具112

5.4.3異常值的統計檢測115

5.4.4從清洗到訓練： 數據集的規範整理116

5.5本章小結118

5.6練習與思考118

第6章從規則到學習： 機器怎麼變聰明120

6.1規則驅動的困境120

6.1.1從一個實驗說起120

6.1.2規則驅動的三大根本局限121

6.1.3機器學習的誕生122

6.2數據驅動範式123

6.2.1從“人寫規則”到“機器學規則”123

6.2.2數據質量與模型質量123

6.3機器學習的基本範式123

6.3.1監督學習123

6.3.2無監督學習125

6.3.3強化學習125

6.3.4半監督學習與自監督學習126

6.3.5範式對比126

6.4特征表示與損失函數126

6.4.1特征與特征工程126

6.4.2特征縮放127

6.4.3損失函數129

6.5梯度下降與模型訓練131

6.5.1梯度下降131

6.5.2學習率與收斂性131

6.5.3線性回歸： 梯度下降的具體載體133

6.5.4完整訓練流程134

6.5.5偏差方差權衡137

6.5.6動手實踐： 規則驅動與數據驅動的對比138

6.6本章小結140

6.7練習與思考140

第7章從神經網絡到大模型： 深度學習與大模型142

7.1從生物神經元到人工神經元142

7.1.1生物神經元的簡化模型142

7.1.2感知機143

7.2多層神經網絡145

7.2.1多層網絡解決XOR問題145

7.2.2隱藏層的逐層抽象146

7.2.3反向傳播算法146

7.3深度學習148

7.3.1深度與寬度的權衡148

7.3.2激活函數149

7.3.3梯度消失與梯度爆炸150

7.3.4卷積神經網絡150

7.3.5註意力機制151

7.3.6Transformer架構153

7.4大語言模型154

7.4.1規模定律與湧現能力155

7.4.2自回歸生成156

7.4.3預訓練的兩種自監督機制156

7.4.4大模型訓練三階段157

7.4.5多模態大模型157

7.5大模型應用158

7.5.1推理模型158

7.5.2模型微調158

7.5.3檢索增強生成159

7.5.4AI能力的邊界161

7.6本章小結161

7.7練習與思考162

第8章把AI做成應用： AI應用開發實戰163

8.1AI API調用與集成163

8.1.1API的含義163

8.1.2最小API調用164

8.1.3API key的安全邊界165

8.1.4常見錯誤與排查165

8.2Prompt鏈與工作流設計166

8.2.1多輪上下文166

8.2.2上下文管理167

8.2.3結構化輸出167

8.2.4Token與費用168

8.2.5Prompt鏈的作用168

8.2.6工作流的基本結構169

8.2.7可復用 Prompt 模板169

8.2.8工作流中的錯誤處理169

8.3智能體開發基礎170

8.3.1智能體的基本概念與總體架構170

8.3.2從生成文本到調用工具171

8.3.3智能體的基本組成171

8.3.4智能體的風險邊界172

8.3.5Skill的概念172

8.3.6Skill與Prompt模板的區別173

8.3.7MCP的基本思想173

8.3.8MCP與普通API 的關系174

8.3.9MCP的安全要求175

8.3.10常用智能體工具導入175

8.4項目開發： 從需求到原型176

8.4.1場景說明176

8.4.2需求說明176

8.4.3推薦工作流177

8.4.4驗收標準177

8.4.5好作品的起點不是技術177

8.4.6需求分析： 把模糊想法說清楚177

8.4.7MVP： 先做最小可運行版本178

8.4.8能力選擇： 何時使用Prompt、API、Skill或MCP179

8.4.9原型開發模板180

8.4.10案例一： 深圳天氣溫度圖181

8.4.11案例二： Word簡歷自動化182

8.4.12項目疊代與驗收183

8.4.13項目案例與綜合實踐186

8.5本章小結188

8.6練習與思考188

第9章會用還要會判斷： AI安全、倫理與責任189

9.1AI幻覺識別與事實核查189

9.1.1含義與類型190

9.1.2技術成因191

9.1.3控制與測試192

9.2算法偏見與公平性評估193

9.2.1來源與案例194

9.2.2公平性指標194

9.2.3治理實踐195

9.3數據隱私與安全保護196

9.3.1風險類型196

9.3.2防護原則197

9.3.3隱私計算技術198

9.4知識產權與責任199

9.4.1訓練數據爭議199

9.4.2生成內容歸屬200

9.4.3責任鏈條200

9.5深度偽造201

9.5.1技術與威脅201

9.5.2識別與治理201

9.6負責任使用202

9.6.1個人規範202

9.6.2組織治理203

9.6.3社會監管204

9.7長期議題204

9.7.1就業205

9.7.2對齊205

9.7.3可解釋性206

9.8本章小結206

9.9練習與思考207

第10章綜合實踐： 用AI講好數據故事208

10.1提出問題： 直覺需要數據檢驗208

10.2數據準備： 從讀取到清洗210

10.3逐步分析： 四層遞進揭示真相213

10.3.1第一層： 雙變量對比——直覺被溫和翻轉213

10.3.2第二層： 分組分析——出勤率是學習時間的前提214

10.3.3第三層： 極端對比——直覺被徹底翻轉216

10.3.4第四層： 全因素排序——排除替代解釋217

10.4從描述到預測： 讓模型說話218

10.5AI輔助敘事： 從分析結果到數據故事220

10.5.1第一步： 構建證據清單220

10.5.2第二步： 生成課堂展示敘事220

10.5.3第三步： 生成海報導語221

10.5.4第四步： 人工核對222

10.6項目協作與成果展示222

10.6.1小組協作分工222

10.6.2版本管理與可復現性223

10.6.3成果展示與項目反思223

10.6.4最終交付物與提交要求224

10.6.5局限與邊界224

10.7本章小結225

10.8練習與思考225

參考文獻226