新一代信息技術導論（人工智能+AIGC應用+技術融合）（微課版）（第2版）課件 楊竹青 第1-4章 人工智能基礎篇 - 人工智能生成內容（AIGC）的崛起

ArtificialIntelligence人工智能基礎篇第1單元新一代信息技術導論（人工智能+AIGC應用+技術融合）（微課版）（第2版）編者：×××1.1認識人工智能1.2人工智能的發展人工智能的核心技術體系1.3人工智能的三大范式1.4綜合實踐1.51.1.1人工智能的定義人工智能是計算機科學的一個分支，也是一個快速演進、涵蓋多個子領域的學科，這導致人工智能在業界始終沒有一個公認的權威定義。當前，不同學派的研究者從不同角度出發，對人工智能有著不同的理解，他們的研究也因此走向了不同的向。人工智能領域的開創者之一——尼爾斯·約翰·尼爾森教授認為，人工智能是一門關于如何表達知識、如何獲取知識和使用科學知識的學科。這個定義強調了知識在人工智能中的核心地位。美國麻省理工學院教授帕特里克·溫斯頓認為，人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。這是人工智能領域的經典定義，它強調了人工智能的實踐性。1.1.1人工智能的定義國際標準化組織/國際電工委員會第一聯合技術委員會在其發布的標準中將人工智能定義為：由計算機系統展示出的人類認知功能，包括但不限于學習、推理、感知、適應、交流、創造等。這個定義是相對官方和權威的，反映了當前國際上對人工智能的基本共識。中國科學院張鈸院士則認為人工智能研究的是用機器模仿人的智能行為。這個定義強調了人工智能模仿人類智能行為的能力。綜上所述，我們可以認為：人工智能是一門研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的新技術學科。它旨在通過計算機系統和算法，使機器能夠執行通常需要人類智慧才能完成的任務，包括學習、推理、感知、理解和創造等活動。例如，自動駕駛汽車能夠自動感知周圍環境，識別道路、行人、其他車輛等障礙物，并據此做出決策，如轉彎、加速、減速或停車。這就像是給汽車安裝了一個“智慧大腦”，它能夠通過學習和適應逐步提高自己的駕駛能力，從而無須人類駕駛員的干預就能安全行駛。1.1.2?人工智能的特征綜合主要學術機構、權威資料和業界的共識，可以為人工智能提煉出以下六大特征，這些特征是人工智能區別于其他系統或機器的核心志。學習能力。推理能力。自主能力。交互能力。泛化能力。感知能力。1.1.3人工智能的要素1．數據在人工智能領域，數據被視為訓練人工智能時必備的“燃料”。無論是機器學習還是深度學習，都需要海量的數據來訓練人工智能模型，使其能夠識別模式、做出預測或進行決策。高質量和多樣化的數據對于人工智能的發展至關重要。高質量的數據意味著數據準確、完整且沒有噪聲，這有助于人工智能模型學習到更準確的特征。1.1.3人工智能的要素2．算法算法是人工智能的“大腦”，它決定了人工智能應該如何處理和分析數據。沒有先進的算法，人工智能就無法完成復雜的任務，如圖像識別、自然語言處理或提供決策支持等。這些任務需要算法處理和分析大量的數據，從中提取出有用的信息，并做出準確的預測或決策。算法的創新和優化是推動人工智能進步的關鍵。隨著研究的深入和技術的不斷發展，越來越多的新算法被提出并應用于實際，這些新算法在性能上往往優于傳統算法，能夠處理更加復雜和抽象的任務。1.1.3人工智能的要素3．算力算力即計算能力，是人工智能的“動力源泉”，它是支撐算法運行和數據處理的基礎設施，是實現高效、準確的人工智能項目的物質基礎。隨著半導體技術的不斷進步，計算機系統的處理器性能不斷提升，這為人工智能算力的發展提供了堅實的硬件基礎。同時，新型硬件設備，如量子計算機、新型存儲器等也在不斷涌現，這有望進一步提高人工智能的算力。1.1認識人工智能1.2人工智能的發展人工智能的核心技術體系1.3人工智能的三大范式1.4綜合實踐1.51.2.1人工智能的發展歷程1．萌芽期1950年，英國數學家、邏輯學家和計算機科學的先驅，有“人工智能之父”之稱的阿蘭·馬西森·圖靈提出了著名的圖靈測試，該測試的目的是判斷機器是否能夠展現出與人類相似的智能。按照圖靈的設想，如果一臺機器能夠與人類展開對話而不被辨別出其機器的身份，那么這臺機器便是智能的。圖靈測試過程如下：1.2.1人工智能的發展歷程1959年，美國人喬治·迪沃爾設計出世界上第一臺可編程機器人——Unimate（見圖），這意味著機器不再僅能執行單一、固定的動作，而是可以通過指令賦予其新的任務，從而使機器具備了初步的“柔性”和適應性。1956年，美國達特茅斯學院舉行了人工智能研討會，會議提案中首次使用了“人工智能”這一術語，從而為這個新的研究領域正式命名。會議明確了“用機器模擬人類智能”的研究目標，并展示了“邏輯理論家”等早期程序。1.2.1人工智能的發展歷程2．探索期1966年，麻省理工學院的約瑟夫·魏岑鮑姆發布了世界上第一個聊天機器人——ELIZA。ELIZA能夠通過腳本理解簡單的自然語言，并產生類似人類的互動。1968年，國際斯坦福研究所公布了他們研制成功的機器人沙基，它被公認為世界上第一臺整合了人工智能技術的自主移動機器人。20世紀70年代初，受限于內存容量和處理速度，計算機無法有效解決復雜的人工智能問題。人工智能研究進展緩慢，未能實現預期突破，人工智能的發展陷入了低谷，但研究者們并未放棄，而是繼續探索新的技術和方法。1.2.1人工智能的發展歷程3．成長期1984年，美國人道格拉斯·萊納特帶領其團隊開發Cyc項目，該項目的目標是構建一個龐大的常識知識庫，使人工智能應用能夠以類似于人類推理的方式進行工作。隨著時間的推移，Cyc項目逐漸演變成一個開放的研究平臺，吸引了全球眾多的研究者和開發者參與其中。1997年，IBM公司的計算機“深藍”在一場歷史性的對決中戰勝了國際象棋世界冠軍加里·卡斯帕羅夫，成為首個在標準比賽時限內擊敗國際象棋世界冠軍的計算機系統。這一事件不僅代表人工智能在復雜智力游戲中達到了新的高度，也為后續在更多領域中應用人工智能技術奠定了基礎。1.2.1人工智能的發展歷程4．爆發期2012年，加拿大的神經學家團隊創造了一個具備簡單認知能力、擁有250萬個模擬“神經元”的虛擬大腦，并將其命名為“Spaun”。這個虛擬大腦不僅能夠模擬人類大腦的某些基本功能，還通過了基本的智商測試。2015年，谷歌研發出了利用大量數據訓練計算機來完成任務的第二代機器學習平臺——TensorFlow。2016年，谷歌開發的人工智能AlphaGo與圍棋世界冠軍李世石進行了舉世矚目的人機大戰，最終李世石與AlphaGo的總比分定格在1∶4，這一結果證明了人工智能在解決復雜問題上的巨大潛力，展示出了人工智能在模式識別、決策制定和問題解決方面的強大能力，同時也引發了關于人工智能倫理、影響和未來發展的廣泛討論。1.2.1人工智能的發展歷程2020年，OpenAI公司發布了GPT-3，這一事件標志著人工智能技術在語言理解和生成方面取得了長足進步。GPT-3不僅能夠生成連貫、自然的文本，還能根據上下文進行推理和判斷。2024年，OpenAI公司發布的視頻生成模型Sora徹底改變了影視創作的方式，它能夠根據文字指令生成高保真的動態影像。2025年，我國杭州深度求索人工智能基礎技術研究有限公司發布了DeepSeek，該人工智能助手以“算法革命+算力平權”雙重引擎重構了全球人工智能競爭格局，性能也得到大幅提升。Sora生成的逼真視頻畫面1.2.2人工智能的現狀01以大語言模型、多模態模型、生成式人工智能、強化學習等為代表的技術不斷取得突破，模型規模持續擴大，性能顯著提升，并且推理效率、能耗控制和小型化部署等方面也得到了快速優化，這表明人工智能在語言理解、知識生成、代碼編寫、圖像與視頻生成等方面的能力邊界正在不斷被拓展。02人工智能正在從互聯網、消費電子等先行領域向醫療、金融、教育、制造、交通、能源等傳統領域深度滲透。03在全球范圍內，對人工智能的投資保持高速增長，涵蓋風險投資、企業研發投入、政府資金支持等多元形式。04隨著人工智能應用的廣泛普及與潛在風險的凸顯，全球人工智能治理進入新階段，各國政府和國際組織正加快構建人工智能倫理準則、法律法規與監管框架。技術快速迭代應用深度滲透投資持續火熱治理日益完善1.2.3人工智能的未來1．人工智能將深度融入人們的日常生活隨著科技的飛速發展，人工智能正逐步跨越技術門檻，深度融入人們的日常生活，成為人們無形的智慧伙伴。人工智能助理將演化為用戶的數字孿生體，在創作、決策等腦力勞動方面提供高度定制化服務。3．人工智能將應用于更多領域從醫療健康到教育輔導，從智能制造到金融服務，從城市管理到農業生產，人工智能都將發揮重要作用。隨著人工智能的飛速發展與廣泛應用，未來的人工智能將滲透到各行各業，其應用領域也將更加廣泛。2．人工智能將更加智能化人工智能技術的持續突破，預示著人工智能將更加智能化，并步入一個全新的發展階段。未來的人工智能將擁有更強的自我學習與適應能力，能夠通過深度學習不斷優化自身算法，更加精準地理解復雜情境與需求。4．人工智能將加速經濟轉型升級從微觀企業運營到宏觀產業生態，人工智能正在通過以下３個維度重塑經濟形態：一是以智能算法優化生產函數，提升全要素生產率；二是以數據要素重構價值鏈條，催生數字經濟新體系；三是以人機協同創新組織形態，培育經濟發展新動能。1.1認識人工智能1.2人工智能的發展人工智能的核心技術體系1.3人工智能的三大范式1.4綜合實踐1.51.3.1機器學習1．人工智能算法的發展歷程機器學習是讓機器能像人類一樣，通過觀察大量的數據和訓練來發現事物規律，以獲得某種分析問題、解決問題的能力。機器學習的主要特點如下。個性化服務。可擴展性。預測和決策能力。高效的數據處理能力。自動化和適應性。1.3.1機器學習2．機器學習的類型機器學習是讓機器能像人類一樣，通過觀察大量的數據和訓練來發現事物規律，以獲得某種分析問題、解決問題的能力。機器學習的主要特點如下。監督學習通常使用有標簽的數據集來訓練模型，以便對數據進行分類或準確預測結果。1．監督學習在監督學習中，數據集中的每一個訓練樣本都有一個輸入特征，以及相應的標簽或目標值，因此監督學習主要包括分類和回歸兩種任務類型。在回歸任務中，監督學習的目標是預測連續數值的輸出。與分類任務不同，輸出標簽

在回歸任務中是連續的。②

回歸在分類任務中，監督學習的目標是將輸入數據分到預定義的類別中，每個類別都有一個唯一的標簽。①

分類1.3.1機器學習在無監督學習中，模型面對的是沒有標簽或沒有已知結果的數據，也就是說，這些數據沒有明確的“正確答案”來指導學習。無監督學習的目標是從這些數據中發現隱藏的模式、結構或關系。無監督學習的核心是對數據的特征、相似度等進行分析和挖掘，并利用各種方法來捕獲和發現數據隱藏的模式、結構或關系。無監督學習的主要類型包括聚類、降維、關聯規則挖掘、異常檢測等。2．無監督學習異常檢測用于識別與大多數樣本不同的罕見或異常數據點，它在異常事件檢測、

欺詐檢測、故障檢測等方面應用廣泛。④

異常檢測。關聯規則挖掘用于找出數據集中頻繁出現的項集，然后基于這些項集生成形如“如果A則B”的關聯規則。③

關聯規則挖掘。降維是將高維數據轉換為低維表示的過程，同時盡可能地保留數據的特征。降維技術可以減少數據的復雜性、去除冗余信息，并可用于可視化數據、特征提取等。②

降維。聚類是將數據樣本分成相似的組別或簇的過程，它通過計算樣本之間的相似度來將相似的樣本聚集在一起。①

聚類。1.3.1機器學習半監督學習的目標是利用同時包含有標簽數據和無標簽數據來構建一個模型，使得模型能夠在測試階段更好地泛化到新的、未見過的數據。半監督學習結合了監督學習和無監督學習的優點，能夠在一定程度上利用無標簽數據，避免過度依賴有標簽數據。半監督學習的主要類型如下。3．半監督學習

半監督分類在半監督分類中，訓練數據包含有標簽樣本和無標簽樣本。半監督異常檢測半監督異常檢測旨在從包含正常樣本和異常樣本的數據中，利用有限的標簽信息來檢測異常。半監督回歸半監督回歸與半監督分類類似，但主要應用于回歸問題。③半監督聚類半監督聚類算法將有標簽數據和無標簽數據同時用于聚類任務。生成對抗網絡中的半監督學習生成對抗網絡可以用于實現半監督學習。基于價值的強化學習側重于學習一個價值函數，該函數可以評估狀態或“狀態－動作”對。基于策略的強化學習直接學習一個策略函數，該函數定義了在給定狀態下應該采取的行動。模型驅動強化學習使用環境模型來學習策略，環境模型是對環境動態的內部表示。與模型驅動強化學習相反，模型無關強化學習直接從與真實環境交互的經驗中學習策略或價值函數。1.3.1機器學習強化學習讓智能體在環境中通過各種不同的嘗試來學習行為策略，智能體通過與環境進行交互，可根據獎勵信號來調整其行為策略，以達到最大化累積獎勵的目標。常見的強化學習類型主要有以下4種。4．強化學習基于價值的強化學習

基于策略的強化學習模型驅動強化學習模型無關強化學習1.3.1機器學習3．機器學習的常見算法樸素貝葉斯算法利用概率統計知識進行分類，其核心思想是計算每個特征對于分類的條件概率，并基于這些概率來預測新數據的類別。1．樸素貝葉斯算法下面通過一個簡單的例子來說明樸素貝葉斯算法的基本原理。假設有一組關于小動物的顏色和嘴型，以及它們是否是小雞的訓練數據，如圖所示。樸素貝葉斯算法假設特征之間是條件獨立的，這意味著每個特征對分類結果的影響相互獨立，這一假設簡化了計算過程，也是“樸素”二字的由來。1.3.1機器學習決策樹算法是一種利用樹形結構來對數據來進行分類的算法，它從根節點開始測試，先到子樹，再到葉子節點，從根節點到葉子節點是一個分類的路徑規劃，每個葉子節點代表一個判斷類別，如圖所示。2．決策樹算法決策樹算法的核心思想是從起始點開始，根據數據集中的特征對數據進行分割，直到滿足停止條件為止。1.3.1機器學習決策樹的構造過程主要包括特征選擇、決策樹的生成和決策樹的剪枝這3個步驟。決策樹的剪枝特征選擇0103對生成的決策樹進行檢驗、校正和修剪，其目的是去掉那些影響預測準確性的分枝，使決策樹更加簡單，從而提高其泛化能力。特征選擇的目的是選取對數據具有分類能力的特征，通常基于信息增益和信息增益比進行選擇。02根據選擇的特征，遞歸地構建決策樹。決策樹的生成1.3.1機器學習支持向量機算法是一種經典的二分類模型，該算法的核心思想是找到一個最優的超平面，將不同類別的樣本數據分開，并最大化間隔，從而實現對新數據的準確分類或預測。3．支持向量機算法例如，桌子上放置了若干深色和淺色的糖果，現在要求我們用一根棍子將它們按不同顏色分開放置，并且保證在放置更多深色或淺色的糖果后，這根棍子的兩邊仍有較大的間隙，如圖所示。支持向量機算法就是試圖把這根棍子放在最佳位置，好讓棍子的兩邊留有盡可能大的間隙，以便更輕松地將糖果歸類。1.3.2深度學習深度學習是機器學習的一個重要分支，它們與人工智能的關系如圖所示。深度學習專注于使用人工神經網絡，尤其是深層神經網絡來模擬人類大腦的學習過程，使機器能夠自動學習和提取數據中的深層次特征，進而實現自主預測和分析。1.3.2深度學習1．人工神經網絡人工神經網絡是一種模仿生物神經網絡行為特征，進行分布式并行信息處理的人工智能算法模型，其誕生和發展離不開生物神經網絡。生物神經網絡一般是指生物的大腦神經元、觸點等組成的網絡。生物神經網絡是生物體內信息處理的基礎，特別是在大腦和脊髓中，生物神經網絡負責處理感覺輸入、指導行為和認知。1．生物神經網絡生物神經網絡的基本構造包括神經元及其之間的連接，神經元是生物神經網絡的基本結構和機能單位，具有感受刺激和傳導興奮的功能。每個神經元由細胞本體、樹突、軸突和突觸等部分組成，如圖所示。1.3.2深度學習人工神經網絡是對生物神經網絡的一種形式化描述，即通過對生物神經網絡的信息處理過程進行抽象，并用數學語言描述出來的模型。2．人工神經網絡的構成人工神經網絡按“層”劃分神經元，主要包括輸入層、隱藏層和輸出層，如圖所示。前一層的神經元與下一層的神經元相互連接，通過這樣的全層連接可以讓每個神經元都能處理信號，并最終從輸出層得到結果。1.3.2深度學習在人工神經網絡中，人工神經元是模擬生物神經元的計算模型。每個人工神經元接收來自其他人工神經元的輸入信號，并對它們進行加權處理，以計算出一個單一的輸出，該輸出又可作為其他人工神經元的輸入信號。這個模型模擬了生物神經元之間的信息傳遞過程。3．人工神經元人工神經元通常包括3個部分，即輸入部分、處理部分和輸出部分，如圖所示。1.3.2深度學習人工神經網絡中的函數主要有激活函數和損失函數，二者的作用各不相同。4．人工神經網絡中的函數激活函數主要用于增強神經網絡的表達能力，使得神經網絡可以學習到更加復雜的非線性模式。激活函數1損失函數的主要作用是衡量模型預測結果和真實結果之間的誤差，并將誤差反饋給神經網絡，以進行參數更新和優化。損失函數21.3.2深度學習訓練人工神經網絡時，首先定義一個損失函數，損失函數的定義需要考慮模型的任務和應用場景；接著隨機初始化人工神經網絡的參數，以確保沒有任何先驗偏差；然后通過前向傳播將輸入樣本傳遞給神經網絡進行計算，緊接著進行反向傳播，用于更新權重和偏置的值。在訓練過程中，需要反復執行前向傳播和反向傳播以更新參數的值，并不斷降低誤差，直到誤差小于某個閾值或達到最大訓練次數為止。5．人工神經網絡的訓練1.3.2深度學習2．深度學習與機器學習的對比深度學習作為機器學習的一個分支，其概念的提出可追溯至杰弗里·辛頓團隊于2006年在《科學》雜志上發表的一篇論文。他在文中指出，通過構建具有多個隱藏層的深層結構，機器能夠從數據中自動學習輸入與輸出之間的復雜映射關系。簡而言之，深度學習的核心是利用多層級非線性變換方式，從數據中提取出高層次抽象特征來建立預測模型。深度學習模型通常包含數百萬甚至數十億個參數，能夠自動學習數據的有效表示，這些表示有助于完成分類、檢測等任務。與機器學習相比，深度學習具有獨有的特點，二者的對比如表所示。1.3.2深度學習3．深度學習的常見算法自概念被提出以來，深度學習便在人工智能領域引發了巨大反響，并催生出了許多具有影響力的算法，如深度神經網絡、卷積神經網絡、循環神經網絡、生成對抗網絡等。深度神經網絡是一種包含多個隱藏層的神經網絡，它可以利用多層的網絡結構進行特征的自動提取和學習，每一層由多個神經元組成，神經元之間通過權重連接，上一層將其輸入信號傳遞給下一層，并使用非線性激活函數來引入學習的非線性特性，如圖所示。1．深度神經網絡1.3.2深度學習深度神經網絡的核心在于前向傳播和反向傳播這兩個關鍵環節。從輸入層開始，逐層計算每個神經元的輸出信號直至輸出層。每個神經元的輸出信號都依賴于前一層的輸出信號和該神經元的權重。01前向傳播通過計算預測值與實際值之間的誤差，反向更新每層神經元的權重，以減少誤差。反向傳播基于鏈式法則計算網絡中每個參數對于總損失函數的梯度，并通過梯度下降算法更新權重。02反向傳播1.3.2深度學習卷積神經網絡是深度學習的代表算法之一，憑借獨特的網絡結構和運算方式，其特別適用于處理圖像數據。卷積神經網絡由具有多個層次的神經網絡組成，每一層都對輸入數據進行了特定處理，最終輸出一個分類結果或其他目標值。這些層次主要包括以下5種。2．卷積神經網絡1.3.2深度學習循環神經網絡是一類用于處理序列數據的神經網絡，它能夠處理輸入信息的序列數據，并在序列的不同時間點共享參數。循環神經網絡的核心是隱藏狀態，它包含關于過去輸入的信息，被用來影響當前和未來的計算。3．循環神經網絡循環神經網絡的結構如圖所示，它由輸入層、隱藏層和輸出層組成。1.3.2深度學習生成對抗網絡由生成器和判別器兩部分組成。其中，生成器的任務是生成盡可能逼真的數據樣本，而判別器的任務則是區分這些生成的樣本與真實樣本，兩者通過對抗的方式相互訓練，以提升彼此的性能。圖所示為生成對抗網絡的結構，生成器和判別器都可以用人工神經網絡來實現。4．生成對抗網絡1.3.3知識表示與知識推理1．知識表示與知識推理的定義知識表示是指將人類的知識以計算機可處理的形式進行描述和表達的過程，它不僅關注知識的存儲，還關注如何讓機器理解和運用知識。知識推理則是指利用已有的知識，通過邏輯規則或模型推導出新知識或結論的過程。總的來說，知識表示是基礎，沒有良好表示的知識，推理就無法進行；知識推理是目的，存儲知識最終是為了讓機器能運用它們來表現出智能行為。1.3.3知識表示與知識推理2．知識表示的方法一個好的知識表示方法不僅要能“存”下知識，更要能便于機器后續去“用”這些知識。目前在人工智能領域，知識表示的方法較多，我們在使用時應針對不同的應用進行選擇。下面重點介紹謂詞邏輯、產生式規則、知識圖譜、框架表示法這4種常見的知識表示方法。總的來說，知識表示是基礎，沒有良好表示的知識，推理就無法進行；知識推理是目的，存儲知識最終是為了讓機器能運用它們來表現出智能行為。謂詞邏輯也稱為一階邏輯，是一種利用形式化符號來表達陳述、對象及其關系的邏輯系統。它是人工智能領域中一種非常重要且基礎的知識表示方法，其核心目標是充當機器的“精確描述語言”，以實現用一種毫無歧義、高度結構化的方式向機器描述這個世界中的事實、規則與關系的目的。1．謂詞邏輯1.3.3知識表示與知識推理謂詞邏輯這種知識表示方法包含一些基本的構成部件，具體如下。謂詞是謂詞邏輯這種知識表示方法的靈魂，用于描述對象的屬性或對象間的關系。3、謂詞常量代表特定的、具體的個體對象。1、常量函數用于將一個或一組對象映射到另一個特定的對象上。4、函數量詞這是表達數量范圍的關鍵。6、量詞邏輯連接詞用于將簡單的謂詞語句組合成更為復雜的復合語句，主要包

括?（非，表示否定）、∧（與，表示并且）、∨（或，表示或者）和→（蘊含，表示“如果……那……”）。5、邏輯連接詞變量代表不特定的、泛指的對象，可以指代“某個人”或“某個東西”。2、變量1.3.3知識表示與知識推理產生式規則是人工智能領域中較直觀、應用較廣泛的知識表示方法之一，它的核心思想在于使用“如果……那么……”（IF...THEN...）的邏輯結構來表述人們的經驗和決策過程。2．產生式規則一條標準的產生式規則主要由以下兩個核心部分構成。前件后件01前件即“IF”部分，也稱為條件部分。它描述了規則被激活時必須滿足的前提條件，通常由多個條件通過“AND”“OR”等邏輯連接詞組合而成。02后件即“THEN”部分，也稱為結論或動作部分。它指定了當前件得到滿足時，機器應當執行的操作或得出的結論。1.3.3知識表示與知識推理產生式規則這種知識表示方法通常由3個核心組件協同工作實現，這3個核心組件分別是規則庫、綜合數據庫和推理機。其中，規則庫用于存儲所有的產生式規則，是機器的“知識倉庫”；綜合數據庫保存著當前的已知事實和狀態，相當于機器的“工作記憶”；推理機是機器的“思考引擎”，負責控制整個推理過程。推理機遵循“匹配—選擇—執行”這一循環工作過程，它首先將當前數據庫中的事實與規則庫中的規則條件進行匹配，找出所有滿足條件的規則，然后根據特定的沖突消解策略從多條可用規則中選擇一條規則來執行，最后執行選中規則的動作并更新數據庫。推理機工作流程1.3.3知識表示與知識推理知識圖譜的本質是一種大規模語義網絡，它旨在以圖的形式描述現實世界中的各種實體、概念及其復雜關系，類似于一張巨大的“信息地圖”，其中的一個地標就是一個實體，而連接這些地標的道路就是它們之間的關系，如圖所示。3．知識圖譜知識圖譜的基本構成單元是“三元組”，這是其表達知識的原子形式。一個標準的三元組由頭實體、關系和尾實體這3個要素組成，通常表示為（頭實體，關系，尾實體）或（主語，謂語，賓語）。1.3.3知識表示與知識推理框架表示法的核心思想是人們對現實世界中各類事物的認識都是以一種類似于“模板”的結構存儲在腦海中的。當人們遇到一個新情境或新對象時，總會調用記憶中已有的“模板”來對其進行理解和分析。4．框架表示法框架是框架表示法的基本知識單元，每一個框架代表著一個概念或一類對象。框架的結構類似于表格或表單，由框架名和多個槽組成。框架名用于標識該框架所代表的概念或對象類別，如“汽車”“學生”“會議室”等；槽則用于描述該框架的屬性，每個槽由槽名和槽值構成。槽名表示屬性的名稱，如“顏色”“品牌”“年齡”等；槽值則是對應屬性的具體取值。1.3.3知識表示與知識推理3．知識推理的方法演繹推理的典型模式是三段論，由大前提、小前提和結論3部分組成。演繹推理是知識推理中較基本、較嚴謹的推理方法之一，其核心特征在于從一般性原理推導出特殊性結論。如果推理過程符合邏輯規則且前提為真，則結論必然為真，因此演繹推理又被稱為保真推理。這種方法體現了從普遍到特殊的思維過程，是數學證明、邏輯論證和規則系統中較為常用的推理形式。1．謂詞邏輯大前提陳述一個普遍性的原理或規則；小前提給出一個具體事例或特殊情況；結論則是根據前兩個前提推導出的必然結果。1.3.3知識表示與知識推理歸納推理是與演繹推理形成鮮明對比的重要推理方法，其核心特征在于從多個具體事例中總結出一般性規律或結論。這種推理方法得出的結論具有或然性，即結論可能為真，但并非必然為真，這是歸納推理最顯著的特點。歸納推理的最大優勢在于其創造新知識的能力。與演繹推理只能揭示前提中隱含的知識不同，歸納推理能夠產生超出原有知識范圍的新知識、新規律，這種知識拓展能力使得歸納推理成為科學發現和知識創新的重要工具。2．歸納推理1.1認識人工智能1.2人工智能的發展人工智能的核心技術體系1.3人工智能的三大范式1.4綜合實踐1.51.4.1符號主義符號主義又稱邏輯主義、心理學派或計算機學派。符號主義認為，人類認知和思維的基本單元是符號，而認知過程就是在符號表示上的一種運算。該范式主張人工智能是一個物理符號系統，計算機也是一個物理符號系統，因此能夠用計算機來模擬人的智能行為，即用計算機的符號操作來模擬人的認知過程。符號主義在人工智能領域中長期占據主導地位，且其思想和方法對人工智能的發展產生了深遠影響。它推動了人工智能在自然語言處理、專家系統、知識表示與知識推理等領域的研究和應用。然而，隨著算力的提升和復雜問題的涌現，符號主義也逐漸暴露出其可擴展性和靈活性不足的問題。1.4.2聯結主義聯結主義也叫連接主義，是人工智能領域中的一個重要范式，其理論基礎主要來源于神經網絡和認知科學，它強調通過模擬人類大腦神經元的聯結方式來實現智能。聯結主義的核心在于從大量的數據中學習并優化網絡連接以實現智能行為。聯結主義在語音識別、圖像識別等領域取得了顯著的成果，生成式人工智能技術的發展則綜合運用了符號主義和聯結主義的思想和方法。1.4.3行為主義行為主義在人工智能領域常被稱為基于行為的方法，其思想與心理學中的行為主義頗有淵源，但更側重于構建能在環境中實時做出反應的系統。該范式認為智能并非源于復雜的內部符號模型，而是從智能體與環境的直接交互中“涌現”出來的。行為主義的思想可以追溯到早期的人工智能研究。在人工智能發展早期，行為主義者們設計了各種基于規則和傳感器的機器人系統，這些系統能夠感知環境并做出相應的反應。行為主義范式通過模擬生物體的行為模式來實現人工智能，在機器人控制、自動駕駛等領域有著廣泛的應用，并且隨著技術的進步，其應用領域還在不斷擴大。但受到深度學習和強化學習等技術發展的影響，行為主義也在一定程度上受到了挑戰。傳統的行為主義強調通過試錯學習和與環境交互來優化行為策略，而深度學習和強化學習則可以通過構建深度神經網絡模型來自動學習復雜的行為策略。1.1認識人工智能1.2人工智能的發展人工智能的核心技術體系1.3人工智能的三大范式1.4綜合實踐1.5實踐1

使用樸素貝葉斯算法設計垃圾郵件過濾器1．實踐目標機器學習是人工智能的核心技術之一，它可以利用各種先進的算法讓機器具備學習能力，進而推動人工智能技術的發展。本次實踐將利用樸素貝葉斯算法來構建一個簡單的垃圾郵件過濾器，幫助讀者進一步了解機器學習算法的原理。2．實踐內容（1）準備訓練數據。（2）預處理數據。（3）計算先驗概率。（4）計算條件概率。（5）構建垃圾郵件過濾器。（6）預測類別。實踐2使用謂詞邏輯知識表示方法完成推理任務1．實踐目標謂詞邏輯知識表示方法以形式化符號精準刻畫對象屬性與關系，為人工智能提供了毫無歧義、高度結構化的知識表示與自動推理基礎，是實現機器精準理解世界和智能決策的關鍵方法。本次實踐將使用這種知識表示方法來完成簡單場景下的推理任務，幫助讀者鞏固謂詞邏輯基本構成部件的使用方法，強化基于給定規則進行簡單推理的邏輯思維能力，并增強對人工智能知識表示方法的理解和興趣。2．實踐內容（1）場景設定。（2）知識表示事實。（3）知識表示規則。（4）推理任務。ArtificialIntelligence謝謝觀看!！學海無涯祝您成功！編者：×××ArtificialIntelligence人工智能的典型研究領域第2單元新一代信息技術導論（人工智能+AIGC應用+技術融合）（微課版）（第2版）2.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐2.1.1自然語言處理的定義自然語言處理是指讓機器接收用戶輸入的自然語言，并通過算法和模型進行加工、計算等系列操作，以模擬人類對自然語言的理解，并返回用戶期望的結果。自然語言處理研究的目的是通過各種理論和方法來實現人與機器之間的自然語言有效通信。復雜性交互性多模態性智能性依賴性動態性2.1.2自然語言處理的發展自然語言處理的發展可以追溯到20世紀50年代。1954年，美國喬治城大學和IBM公司合作研發的機器翻譯系統，基于一個僅包含250個詞語和6條語法規則的詞典，翻譯了預先精心挑選的約60個俄語句子。20世紀60年代，一些較為成功的自然語言處理系統開始出現，如ELIZA人機對話系統，盡管它并沒有真正理解文本內容，但它通過關鍵詞匹配和預先設定的腳本可以模擬出與人類對話的效果。20世紀70年代，自然語言處理的主流是基于規則的范式，其重點研究方向是概念依存理論和框架語義學等深層語義表示。20世紀80年代，是自然語言處理領域基于規則方法與統計方法交織發展的時期。20世紀90年代，隨著統計機器學習方法的興起，自然語言處理領域發生了一場范式轉變。21世紀最初十年，是自然語言處理從“統計革命”邁向“神經網絡曙光”的承上啟下時期。2.1.3自然語言處理的核心技術1．詞法分析詞法分析的核心任務是將原始的字符序列轉換為有意義的、計算機可處理的詞匯單元，并賦予這些單元基本的語法和語義信息。完成這項核心任務，需要借助分詞、詞性標注、命名實體識別、詞形還原與詞干提取等操作。分詞是指將連續的文本切分成獨立的詞語，這項操作主要針對的是中文等沒有天然空格分隔的語言，其核心難題是如何避免文本切分后產生歧義。解決這些歧義一般可以采用以下方法。1．分詞基于詞典的匹配方法。基于統計的方法。基于深度學習的方法。2.1.3自然語言處理的核心技術詞性標注的目的是為分詞后的每一個詞語標注一個正確的詞性，它需要避免出現兼類詞歧義的情況，即同一個詞在不同上下文中可能具有不同的詞性。詞性標注的方法有以下3種。2．詞性標注基于規則的方法01基于統計的方法02基于深度學習的方法032.1.3自然語言處理的核心技術命名實體識別用于識別文本中人名、地名、機構名等具有特定意義的實體，這項任務面臨的是實體種類繁多、命名形式多樣化、新舊實體不斷涌現等挑戰。早期，命名實體識別采用的是基于詞典和規則的識別方法，后來采用基于統計的識別方法，再后來便是利用Bi-LSTM+CRF模型，使用深度學習的技術來進行識別。目前主流的方法是利用BERT等預訓練模型來進行命名實體識別，這類模型強大的上下文理解能力，能夠極大地提升命名實體識別的效率。3．命名實體識別2.1.3自然語言處理的核心技術詞形還原與詞干提取的目的是將詞語的屈折形式或派生形式歸并到其基本形式，這項任務主要針對的是英語等屈折語，通過詞匯歸一化來減少特征維度，提升模型泛化能力。4．詞形還原與詞干提取1、詞形還原2、詞干提取。01詞形還原是指基于詞典和語法規則返回詞的正確的字典形式，如將“was”還原為“be”，將“better”還原為“good”等。02詞干提取是指基于啟發式規則返回詞的詞干，如從“running”

中提取詞干“run”，從“flies”中提取詞干“fly”等。2.1.3自然語言處理的核心技術2．句法分析詞法分析是“識字”，句法分析則是“學語法”。句法分析能夠讓機器從識別孤立的單詞跨越到理解單詞是如何組合成一個結構嚴謹的句子的，這是消除歧義、理解句子核心意義的重要技術。句法分析的主要產出是句法樹，這主要涉及以下兩種理論體系。1．句法樹01成分句法分析理論02依存句法分析理論2.1.3自然語言處理的核心技術句法分析的方法也經歷了從基于規則的方法到基于統計的方法，再到基于深度學習的方法的演進。2．基本方法基于規則的方法01基于統計的方法02基于深度學習的方法032.1.3自然語言處理的核心技術語義分析的目的是理解語言單位所表達的真實含義，其重要性遠超詞法分析和句法分析，因為它直接關系到機器能否真正“智能”地與人進行交互。語義分析是一個多層次任務，其原理可以通過以下任務進行說明。3．語義分析詞匯級語義分析任務01篇章級語義分析任務0302句子級語義分析任務2.1.3自然語言處理的核心技術文本生成就是讓機器“創造”語言，讓機器根據特定的輸入內容自動創造出連貫、有意義且符合人類語言習慣的文本。文本生成有以下幾類方法。4．文本生成基于規則的方法基于統計的方法基于深度學習的方法基于預訓練語言模型的方法12342.1.4自然語言處理的應用這里主要介紹自然語言處理在機器翻譯、情感分析、信息檢索、自動摘要和問答系統中的應用情況。機器翻譯能夠基于自然語言處理技術分析語句并理解語境，捕捉語言間的細微差異，從而提升翻譯的準確性。1、機器翻譯情感分析能夠利用自然語言處理技術進行分詞、詞性標注和語義角色識別等操作，解析文本中的情感傾向。2、情感分析信息檢索是用戶根據需要，采取一定的方法，借助檢索工具查詢和獲取信息的方法和手段。3、信息檢索自動摘要是自然語言處理的一個具體應用，這一技術對提煉新聞報道、學術論文、自媒體文章、法律文檔等十分有用。4、自動摘要問答系統是一種智能化的信息交互工具，它能夠通過分析用戶的問題自動、準確地解答用戶的各種疑問，常用于智能客服、醫療診斷輔助等場景。5、問答系統2.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐2.2.1計算機視覺的定義計算機視覺是使用計算機及相關設備對生物視覺進行模擬的一種技術，該技術能夠通過處理采集的圖片或視頻數據來實現對相應場景的多維理解。計算機視覺也是人工智能的一個重要研究領域，它涉及計算機科學、信號分析與處理、幾何光學、應用數學、統計學、神經生理學等多個學科的知識。按處理方式的不同，計算機視覺有二維計算機視覺和三維計算機視覺之分。二維計算機視覺專注于從二維圖像中提取信息，如邊緣檢測、形狀分析、紋理識別等，這種技術適用于對靜態圖像或視頻幀的處理。1、二維計算機視覺三維計算機視覺主要處理三維空間中的數據，涉及立體視覺、深度感知、三維重建等，這種技術在機器人導航、自動駕駛等領域有著廣泛應用。2、三維計算機視覺2.2.2計算機視覺的發展20世紀60年代至70年代，計算機視覺的概念開始形成。研究者們嘗試通過簡單的幾何模型來理解圖像中的對象，這一階段的代表是1966年麻省理工學院的“夏季視覺項目”，它標志著計算機視覺領域探索的正式開始。20世紀80年代，隨著數字圖像處理技術的發展，計算機視覺逐步建立起自己的理論基礎。戴維·C.馬爾（DavidC.Marr）提出的視覺計算理論成為這一時期的里程碑。20世紀90年代至21世紀初，計算機視覺技術從實驗室走向更為廣泛的實際應用場景。技術上的核心進展在于特征工程的成熟，如尺度不變特征變換等穩健的特征向量被提出，使得物體識別與匹配的可靠性得到大幅提升。2.2.2計算機視覺的發展21世紀的前兩個十年，大數據與強大算力的誕生與發展，促使了以深度學習，尤其是卷積神經網絡為核心的技術革命。當前，計算機視覺處于與自然語言處理、機器人等技術深度融合的階段，推動著多模態感知與認知智能的研究。未來，計算機視覺的研究重點將不再局限于提升模型精度與效率，而是更加側重于應對小樣本學習、模型可解釋性、具身智能等挑戰，以增強視覺系統在開放、復雜環境中的適應與推理能力。2.2.3計算機視覺的基本任務計算機視覺的基本任務構成了該領域的技術核心，它們從簡單到復雜，從粗略到精細，共同使機器能夠“看到”并“理解”視覺世界。下面介紹計算機視覺中基本且常見的4類任務。1．圖像分類圖像分類是計算機視覺技術能夠成功應用于各個領域的基石，是計算機視覺需要解決的根本的、核心的問題，即“這張圖片是什么？”，它賦予了機器“看到”并“理解”視覺世界的基本能力。許多更復雜的計算機視覺任務都可以被視為在圖像分類基礎上進行的擴展和深化。圖像分類本質上是模式識別和統計決策問題，其核心思想是從圖像中提取出能夠代表不同類別的區分性特征，然后根據這些特征利用一個學習到的模型來判斷圖像屬于各個類別的可能性，最后選擇概率最高的類別作為輸出。2.2.3計算機視覺的基本任務2．目標檢測目標檢測的任務是回答一個比圖像分類更為復雜的問題，即“圖像中有什么物體？它們在哪里？”，它需要同時完成識別和定位兩大任務，且通常會用邊界框來標定物體的位置。目前，目標檢測主要可分為“兩階段”目標檢測和“單階段”目標檢測兩種理論體系。“兩階段”目標檢測。“單階段”目標檢測。2.2.3計算機視覺的基本任務3．語義分割語義分割的核心思想是為每一個像素分配一個類別標簽，然后將輸入的圖像轉換為一個同樣大小的分割圖譜，其原理大致如下。使用編碼器提取特征，通常使用在圖像分類任務中預訓練過的卷積神經網絡，通過一系列卷積層和池化層，使特征圖的空間尺寸逐漸縮小，但通道數增加，讓每個像素在深層特征圖中都包含其周圍一個大區域的上下文，從而準確預測其類別。使用解碼器恢復空間細節，將編碼器中對應層的高分辨率的淺層特征圖與解碼器中的深層特征圖進行通道拼接。這樣，解碼器在恢復圖像尺寸時，既能利用深層的語義信息，又能復用淺層的精確定位信息，從而實現高精度的邊界分割。2.2.3計算機視覺的基本任務4．實例分割實例分割的任務是回答一個復合性問題，即“圖像中的每一個物體實例是什么？它們的具體像素級輪廓是什么？”，它需要同時完成目標檢測和語義分割兩個任務，其重要性體現在它提供了視覺理解最豐富、最精細的物體級信息，是連接感知與行動的關鍵。實例分割主要有自上而下的實例分割和自下而上的實例分割兩種方法。自上而下的實例分割自上而下的實例分割的核心思路是“先找對象，再摳輪廓”。自下而上的實例分割自下而上的實例分割的核心思路是“先分類像素，再聚類成實例”。2.2.4計算機視覺的應用1、自動駕駛5、無人機應用2、人臉識別4、安防監控3、醫學影像分析6、增強現實和虛擬現實7、智能拍照與圖像處理計算機視覺在自動駕駛領域扮演著至關重要的角色，它能識別道路、車輛、行人、紅綠燈、路標等相關信息，以確保車輛安全行駛。計算機視覺技術可以自動分析醫學影像，如X光片、計算機體層成像影像、核磁共振影像、B超影像等，從而輔助醫生進行診斷，

提高診斷的效率和準確率。無人機利用計算機視覺技術可以進行目標檢測、跟蹤、自主導航和精確制導等，在電力巡檢、農作物分析等場景中發揮著重要作用。智能手機中的自動曝光、自動白平衡、自動對焦等功能都離不開計算機視覺的算法支持。借助計算機視覺，人臉識別技術可以提取和比對面部特征，廣泛應用于身份驗證和安全監控等方面，其識別準確率已經高于人眼的識別準確率。安防攝像頭結合計算機視覺算法，可用于實時監控、事件檢測和警報系統，以提高安全性。在計算機視覺技術的協助下，AR和VR能夠實現物體追蹤和交互功能，為用戶提供更為沉浸式的體驗。2.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐2.3.1語音識別與語音合成的定義1．語音識別的定義與特征語音識別是一種將人類的語音信號自動轉換為機器可讀的文本的技術。語音識別具有以下特征。對數據的高度依賴性環境的強魯棒性跨學科性計算的實時性2.3.1語音識別與語音合成的定義2．語音合成的定義與特征語音合成是一種將文本轉換為人類可理解的語音信號的技術，其目的是讓機器“說人話”，以實現從文本到聲音的轉換。它具有以下特征。高度的可控性和靈活性卓越的自然度和表現力2.3.2語音識別與語音合成的發展語音技術的發展可以追溯到20世紀中期，且語音合成的研究早于語音識別。1939年，美國貝爾實驗室的霍默·達德利（HomerDudley）展示了其研制的第一個電子語音合成器“Voder”。20世紀60年代，規則合成方法成為主流語音合成方法，如約翰·拉里·凱利（JohnLarryKelly）使用IBM704計算機合成了歌曲《DaisyBell》。語音識別的研究則始于20世紀50年代。1952年，貝爾實驗室研發的Audrey系統能夠識別單個說話人說出的數字0～9，這是首個功能性的語音識別系統。20世紀70年代，隱馬爾可夫模型被引入語音識別，它能夠對語音信號的時間序列進行統計建模，同時取代了簡單的模式匹配，并為后續語音識別的發展奠定了堅實的數學基礎。在語音合成方面，20世紀80年代，線性預測編碼和共振峰合成等技術得到了廣泛應用，它們能夠以較低的比特率合成人類可懂的語音。20世紀90年代，基于拼接的單元選擇合成方法能夠從一個龐大的預錄語音庫中選取合適的語音單元（如音素、音節）進行拼接，顯著提升了合成語音的自然度。2.3.2語音識別與語音合成的發展21世紀10年代，深度學習徹底改變了語音識別與語音合成技術。微軟、IBM及杰弗里·辛頓團隊的研究表明，深度神經網絡在聲學建模上顯著優于傳統的“高斯混合模型-隱馬爾可夫模型”框架，語音識別的錯誤率因此得到大幅下降，這使得智能助手的語音交互體驗變得可行。語音合成也在2016年左右迎來突破，DeepMind提出的WaveNet和百度提出的DeepVoice等模型能夠直接生成原始音頻波形，合成語音的自然度首次逼近真人，這標志著“神經語音合成”時代的到來。21世紀20年代至今，是語音識別技術的“大規模預訓練模型”時代，語音識別技術展示出強大的多語種、魯棒性語音識別能力。語音合成則朝著高度自然、富有表現力的方向發展，能夠精確控制韻律、情感和說話人風格。語音識別與語音合成的邊界正在變得模糊，語音識別與語音合成與自然語言處理和計算機視覺的深度融合，成為多模態交互系統的核心，共同推動人工智能的進步與發展。2.3.3語音識別與語音合成的核心技術1．語音識別的核心技術機器學習是讓機器能像人類一樣，通過觀察大量的數據和訓練來發現事物規律，以獲得某種分析問題、解決問題的能力。機器學習的主要特點如下。解碼與輸出語言模型處理聲學模型處理特征提取前端信號處理2.3.3語音識別與語音合成的核心技術2．語音合成的核心技術文本分析與前端處理聲碼器聲學模型2.3.4語音識別與語音合成的應用0102030405實時字幕與轉寫服務智能客服與交互式語音應答智能語音助手音頻內容創作與有聲化發音學習與口語評測2.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐2.4.1專家系統的定義專家系統是一種模擬人類專家知識和推理能力的人工智能程序，它采用知識表示和知識推理技術來模擬通常由領域專家才能解決的復雜問題，因此它能輔助人類專家進行工作。處理不確定性透明性高效性03專業性0201042.4.2專家系統的發展專家系統始于20世紀60年代，這一時期的里程碑事件是美國斯坦福大學開發的DENDRAL系統，它被公認為世界上第一個專家系統。該系統的任務是根據質譜數據推斷有機化合物的分子結構，它的出現證明了將人類專家的知識固化并存儲為知識庫后加以利用的操作是完全可以實現的。20世紀70年代至80年代，專家系統進入成熟與繁榮期，這一時期涌現出了一批經典的系統，其中最具代表性的是用于診斷細菌感染的MYCIN系統。該系統確立了專家系統經典的“知識庫+推理機”體系結構，并且首創了“置信度因子”來處理不確定性信息，同時還能向用戶解釋自己的推理過程，這極大地增強了系統的可信度。20世紀80年代末至90年代，研究人員不再依賴于規則，而是轉而探索混合智能系統，如結合基于案例的推理（直接參考過去的相似案例）和利用事物深層原理進行推理，使系統變得更加強大和靈活。進入21世紀，專家系統與機器學習、自然語言處理和大數據分析等技術實現了深度融合。2.4.3專家系統的基本構成一個經典的專家系統，其基本構成包括知識庫、推理機、綜合數據庫、解釋器、人機界面等模塊，如圖所示。2.4.4專家系統的應用010305教育培訓金融分析客戶服務020406醫療診斷法律咨詢能源管理07工業制造08農業生產2.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐2.5.1自動駕駛的定義自動駕駛是指通過搭載先進傳感器、控制器、執行器等裝置，并融合現代通信與網絡技術，使車輛具備環境感知、智能決策和自主控制的能力，能夠自動、安全、高效地完成行駛任務的技術體系。自動駕駛系統具有以下５個顯著特征。規則依賴性算法高魯棒性技術融合性安全至上性高時效性2.5.2自動駕駛的發展早在20世紀70年代，對自動駕駛的概念便已萌芽。當時的研究集中于在結構化道路上實現簡單的路徑跟蹤，如通過攝像頭識別車道線來完成基礎的車道保持。這一階段的系統完全依賴于預設規則，智能水平極為有限。20世紀90年代至21世紀初，對自動駕駛的研究在高校和機構實驗室中逐步深入。美國國防部高級研究計劃局在2004年至2007年舉辦的３屆無人車挑戰賽成為關鍵催化劑，參賽車輛開始深度融合激光雷達、全球定位系統與初步的環境感知算法，以應對復雜多變的非結構化環境，證明了自動駕駛在極端場景下的技術可行性，從而為后續的自動駕駛技術發展奠定了堅實的基礎。21世紀10年代，深度學習的突破為自動駕駛注入了革新動力。2012年，AlexNet在圖像分類任務上的成功使其很快就被遷移到自動駕駛的物體檢測與識別中。與此同時，產業力量開始主導自動駕駛的發展，以Waymo為代表的科技公司開始推行“多傳感器融合+高精度地圖”的技術路徑，而特斯拉則開創了以視覺為主、依靠大規模真實道路數據驅動的技術路徑。自動駕駛技術從此由實驗室大步邁向真實道路測試，高精度地圖與傳感器融合技術也在此過程中日趨成熟。2.5.2自動駕駛的發展21世紀20年代，自動駕駛進入了以商業化落地和規模化應用為標志的新階段。Waymo、百度Apollo等公司或平臺開始在特定城市區域提供移除安全員的具有４級駕駛自動化系統的出租車服務。與此同時，自動駕駛技術的發展也從單純的“單車智能”拓展至“車路協同”，通過車輛與道路基礎設施的信息交互來彌補單車感知的盲區，以共同構建更高階的安全體系。未來，自動駕駛的終極目標是實現全場景、全氣候適應的5級完全自動駕駛，這不僅依賴于算法和硬件的進步，更需要在法律法規、社會倫理和公眾接受度等軟性層面取得突破。2.5.3自動駕駛的基本原理自動駕駛的基本原理遵循“感知—決策—執行”這一典型分層架構，這與人類駕駛員的“眼睛、耳朵—大腦—手腳”工作模式高度相似。1．感知層感知層是自動駕駛的“眼睛”和“耳朵”，負責實時、精準地感知車輛周圍的動靜態環境，其主要原理如下。多傳感器融合01計算機視覺技術應用02高精度定位032.5.3自動駕駛的基本原理2．決策層決策層是自動駕駛的“大腦”，負責根據感知信息進行駕駛行為決策和路徑規劃，其主要原理如下。路徑規劃0203不確定性處理01行為決策2.5.3自動駕駛的基本原理3．執行層執行層是自動駕駛的“手腳”，負責將決策層生成的規劃軌跡轉化為具體的車輛動作，其主要原理如下。縱向控制010203橫向控制整車協調2.5.4自動駕駛的應用自動駕駛技術正在重塑交通運輸、物流配送和城市出行模式，它的應用場景也在不斷拓展。下面是自動駕駛的部分應用情況。01自動駕駛出租車無人配送服務02港口物流03礦區運輸042.1自然語言處理2.2計算機視覺語音識別與語音合成2.3專家系統2.42.5自動駕駛2.6綜合實踐實踐1

按照自然語言處理的方式構建句法樹1．實踐目標自然語言處理讓人工智能從“計算智能”和“感知智能”邁向“認知智能”，使人工智能真正具備了與人溝通、從人類知識中學習，并為人類提供智慧服務的能力，它對人工智能的發展至關重要。本次實踐將構建句法樹來幫助讀者鞏固句子的句法結構與成分關系的相關知識，幫助讀者體會機器理解句子結構的原理。用于本次實踐的兩個句子分別為“小貓追蝴蝶。”和“聰明的學生認真地讀一本有趣的書。”2．實踐內容（1）分詞。（2）詞性標注。（3）構建成分句法樹。（4）構建依存句法樹。兩個句子的成分句法樹兩個句子的依存句法樹實踐2使用百度識圖識別中國建筑1．實踐目標計算機視覺技術已經深入人們的日常生活當中，為人們帶來了極大的便利。利用計算機視覺技術，各種識圖工具可以幫助用戶隨時認識和了解身邊的各種物體。本次實踐將利用網頁版百度識圖功能來識別中國建筑，讀者在體驗計算機視覺技術強大功能的同時，嘗試分析該功能使用了計算機視覺的哪些核心技術。2．實踐內容（1）搜索“百度識圖”實踐2使用百度識圖識別中國建筑（2）準備上傳圖片（3）選擇圖片（4）完成識別（5）分析技術原理

ArtificialIntelligence謝謝觀看!！學海無涯祝您成功！編者：×××ArtificialIntelligence人工智能領域中的智能體第3單元新一代信息技術導論（人工智能+AIGC應用+技術融合）（微課版）（第2版）編：×××3.1認識智能體3.2智能體的關鍵技術智能體在重點產業中的應用實踐3.3綜合實踐3.43.1.1智能體的定義智能體是一種能夠感知環境并自主采取行動以實現特定目標的軟件、硬件，或由軟硬件構成的系統實體。它通常具備自主性、適應性和交互能力，能夠通過傳感器或數據接口獲取信息，并根據內置規則或學習到的知識和算法進行判斷和決策，然后通過執行模塊或外部接口對環境產生影響，以完成任務或接近目標。智能體主要體現出以下特征。進化性預動性社會性反應性自主性3.1.2智能體的分類按照不同的標準，智能體可以分為各種不同的類型。分為簡單反射智能體、基于模型的反射智能體、基于目標的智能體、基于效用的智能體和學習智能體五大類，下面依次進行介紹。1．簡單反射智能體簡單反射智能體是較為基礎的一類智能體，其運作完全基于“條件—動作”規則。這意味著它們僅能根據當前的感知輸入直接做出反應，而不會考慮任何過去的經驗或歷史數據。這種機制要求智能體的運行環境通常是可觀測和能確定的，以便智能體能夠依據預設的規則集預測行動結果并做出決策。3.1.2智能體的分類2．基于模型的反射智能體基于模型的反射智能體是簡單反射智能體的一個重要演進，其核心突破在于它能夠有效應對部分可觀測的環境，即智能體不僅能依據當前的感知輸入，還會結合其內部的環境模型來共同決定行動。這類智能體可以通過兩個關鍵信息來實現其內部環境模型的持續更新，一個是世界如何獨立于智能體而自主演變，另一個是智能體自身的動作已對世界產生了什么影響。3.1.2智能體的分類3．基于目標的智能體基于目標的智能體是使用環境信息來實現特定目標的人工智能驅動系統。與簡單反射智能體或基于模型的反射智能體不同，這類智能體能夠確定達到期望結果所需的最佳決策和行動序列。具體來說，基于目標的智能體的核心在于其決策始終服務于一個既定目標，它能通過搜索/規劃算法來生成一個能高效實現該目標的行動計劃，并將當前狀態與目標進行對比，從而選擇一個能與目標縮短距離的動作。3.1.2智能體的分類4．基于效用的智能體基于效用的智能體是人工智能決策架構中的一種高級形式，其核心在于通過一個效用函數來評估和選擇行動。該函數可以為不同的環境狀態或行動結果分配一個表征“滿意度”的數值。它能評估所有可能行動的預期效用，并選擇能將其最大化的那一個，這使得它能在復雜和不確定的環境中表現出更強的適應性和實現更高的決策質量。基于效用的智能體能夠通過一個結構化的決策流程來實現其優化目的，如圖所示。3.1.2智能體的分類5．學習智能體學習智能體是一類能夠從過往經驗中獲取知識并隨時間動態提升其性能的人工智能系統。一個典型的學習智能體包含以下4個協同工作的核心組件。01學習組件02評價組件03執行組件04問題生成器3.1.3智能體的發展1．概念萌芽與早期實踐階段20世紀50年代至80年代，智能體的核心基于智能源于對符號的操縱的思想，即通過預先設定的邏輯規則來模擬智能行為。智能體概念的誕生可以追溯到計算機科學和人工智能領域發展的初期。最初，智能體的概念主要與自動化和控制系統相關。20世紀50年代至60年代，隨著計算機技術的發展，早期的人工智能領域研究者開始探索能夠自主執行任務的系統，盡管這些系統的能力相對簡單，但它們為智能體概念的提出奠定了基礎。1976年，艾倫·紐厄爾和赫伯特·西蒙提出的“物理符號系統假設”為基于符號推理的智能體奠定了堅實的理論基礎。1986年，馬文·明斯基提出智能是由大量稱為“智能體”的微小進程協同工作產生的觀點，這一觀點為分布式智能體系統提供了重要的思想源泉。3.1.3智能體的發展2．架構完善與環境交互階段20世紀90年代至21世紀初，智能體的核心思想實現了重要飛躍，它被認為不應僅是被動響應預設規則的機器，而需具備內部狀態，并能主動規劃行動以達成特定目標或實現最大化效用。1997年，IBM的超級計算機“深藍”擊敗了國際象棋世界冠軍，成為基于目標的智能體的典范，展現了其在復雜規則約束下強大的搜索與規劃能力；1999年，索尼推出的AIBO娛樂機器人（見圖），作為早期具備自主行為與環境交互能力的消費級智能體，成功激發了公眾對智能體技術的廣泛想象與興趣。3.1.3智能體的發展3．數據驅動與自主學習階段21世紀10年代，隨著深度學習的興起，以及強化學習算法的日益成熟，智能體不再完全依賴于預設規則，而是能夠直接從與環境的交互數據中自主學習行為策略。2016年，AlphaGo結合深度學習與強化學習擊敗人類圍棋世界冠軍。AlphaGo可通過自我對弈不斷進化，是典型的學習智能。而AlphaGo擊敗人類圍棋世界冠軍這一事件標志著智能體在復雜決策領域達到新的高度。2020年，AlphaFold2在蛋白質結構預測上取得革命性突破，充分展示了學習智能體在科學發現等高端領域的巨大應用潛力。3.1.3智能體的發展4．大語言模型賦能與通用探索階段21世紀20年代至今，智能體的發展以大語言模型為核心，大語言模型賦予了智能體強大的語言理解、任務分解與工具調用能力，使其能夠處理開放世界中模糊、復雜的自然語言指令。這一新技術的基石是2017年提出的Transformer架構，以及在其基礎上發展起來的各類大語言模型。在大語言模型的基礎上，智能體迎來了認知能力的質變。GPT、BERT等大語言模型為智能體注入了豐富的世界知識和強大的推理能力，使其能夠精準理解人類的復雜意圖。DeepMind于2022年推出了通用智能體Gato，其單一模型便可處理語言、圖像，乃至機器人控制等異構任務，展現了智能體向通用人工智能邁進的潛力。2023年出現的AutoGPT則標志著人工智能領域中智能體的成熟，它能夠將復雜任務自動拆解為子任務，并循環調用各種工具來執行子任務，展現了高度的自主性。3.1.4智能體的分級智能體的分級通常采用從L0到L5的框架，這一分級框架借鑒了國際自動機工程師學會對自動駕駛的自動化分級邏輯，其核心依據是智能體的自主性、任務復雜度和環境適應能力。3.1.5基于大模型的智能體1．基于大模型的智能體的特點提高語言理解能力提升文本生成效果支持多場景應用降低開發成本12343.1.5基于大模型的智能體2．基于大模型的智能體產品介紹豆包是字節跳動公司基于自主研發的云雀模型及豆包大模型推出的人工智能工具，它以多模態交互能力為核心，支持文本、圖像、語音等信息融合處理，并提供聊天對話、寫作輔助、英語學習、生活服務、垂直場景決策等功能。其技術架構采用Transformer模型并對其進行優化創新，可實現自然流暢的語音交互與實時通話功能，同時具備圖像理解和生成能力。1．豆包豆包創建智能體的界面3.1.5基于大模型的智能體扣子是字節跳動公司推出的智能體開發平臺，它致力于降低大模型應用的構建門檻，用戶可通過可視化界面或低代碼方式快速創建具備對話、知識庫調用或工具集成能力的專屬智能體。扣子的特點在于其提供了豐富的插件生態與多模型支持，并支持將智能體一鍵部署至多元化場景。2．扣子文化智能體平臺是基于文心大模型的智能體生態產品，強調在中文場景下的專業化與場景適配能力。它為用戶提供了定制化智能體構建工具，支持企業結合行業知識庫和業務邏輯開發客服、營銷、教育等垂直領域應用。其特點在于深度整合百度搜索生態與多模態技術，并能針對中文語言文化進行優化。3．文心智能體平臺3.1認識智能體3.2智能體的關鍵技術智能體在重點產業中的應用實踐3.3綜合實踐3.43.2.1智能體的感知技術感知技術是智能體與外部環境交互的“窗口”，負責采集和理解環境信息，并為智能體后續決策提供原始數據。感知技術的最終目的是為智能體構建并維護一個準確的內部世界模型，讓它能夠“看得清、聽得懂、知所在”，這是所有智能行為的起點。具體來說，智能體可以通過環境感知、信息融合與狀態估計等技術來實現感知。3．狀態估計1．環境感知0103在部分可觀測的環境中，智能體無法直接獲得環境的完整狀態，此時利用狀態估計技術就能使智能體根據不完整的、帶有噪聲的觀測數據來推斷和預測環境內

部的真實狀態。環境感知是感知技術的基礎，是指智能體通過硬件傳感器或軟件接口來獲取原始數據。02單一傳感器的信息往往具有局限性甚至是噪聲，而信息融合技術則可以對不同來源、不同模態的數據進行綜合處理，以生成對環境更為全面、可靠的統一理解。2．信息融合3.2.2智能體的決策技術決策技術是智能體的“大腦”，它能夠基于感知技術提供的環境信息決定“現在應該做什么”。一個完整的決策過程可以簡單理解為由問題建模、方案生成與評估選擇構成的連續流程。1．問題建模問題建模是決策的第一個環節，其目的是讓智能體“理解”它所處的環境。這個環節的關鍵是將復雜、連續的真實世界抽象為機器能夠處理的結構化模型。這一環節涉及以下兩種關鍵技術。狀態空間表示是指將環境中所有可能的情況定義為一個“狀態”集合，決策就是從“當前狀態”向“理想狀態”的轉移。狀態空間表示01不確定性處理是指使用概率模型或模糊邏輯來表示和處理“可能”“大概”等不確定性信息。不確定性處理023.2.2智能體的決策技術2．方案生成完成問題建模后，智能體的決策過程便會進入方案生成環節，以便系統性地探索可能的行動路徑。這一環節主要依賴于以下兩種技術路徑。搜索算法是非常經典的方法，適合在已知模型中系統性地探索行動序列。其中，盲目搜索適用于小型空間；啟發式搜索則具有更高的效率，其原理是利用預估成本來優先探索最有希望的路徑。搜索算法策略函數可以通過建立從環境狀態到最優動作的直接映射來實現快速響應。當智能體處于某個狀態時，它無須進行在線搜索，而是直接通過策略函數執行動作，響應速度極快。策略函數01023.2.2智能體的決策技術3．評估選擇當有多個可行方案時，智能體需要使用一套標準來評選出最佳方案。在實際情況中，智能體常借助以下兩種技術來完成評估選擇的任務。1效用函數與價值函數效用函數可以為不同的方案賦予一個代表“滿意度”的數值，而價值函數則可以評估長期累積的回報。智能體通過計算每個行動的期望效用或期望價值來選擇數值最高的那一個方案。2決策理論決策理論結合了概率論和效用理論中的貝葉斯決策理論，為在不確定性下做出最優決策提供了完整的數學框架，可以確保智能體的選擇在概率意義上是“最理性”的。3.2.3智能體的學習技術學習技術主要包括監督學習、無監督學習、強化學習和模仿學習等，這里介紹模仿學習。模仿學習又稱“從演示中學習”或“學徒學習”，是機器學習領域的重要分支。其核心目的