1.1人工智能的概念和特征1.1人工智能的概念和特征1.1.1人工智能的概念人工智能的定義可以分為兩部分，即“人工”和“智能”。有時我們會考慮什么是人力所能制造的，或者人自身的智能程度有沒有高到可以創造人工智能的地步等。但總的來說，“人工”就是通常意義的人工系統。01人工人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對自身智能的理解非常有限，對構成人的智能的必要元素的了解也有限，所以就很難定義什么是“人工”制造的“智能”了。02智能1.1人工智能的概念和特征尼爾遜教授“人工智能是關于知識的學科—怎樣表示知識以及怎樣獲得知識并使用知識的科學?！睖厮诡D教授“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。”1.1人工智能的概念和特征

人工智能（ArtificialIntelligence，簡稱AI）是一門研究如何使計算機模擬人類智能行為和思維的科學與技術。它涵蓋了多個領域，包括計算機科學、數學、心理學、神經科學、語言學等，旨在通過算法、模型和系統的設計，讓機器能夠執行通常需要人類智能才能完成的任務。1.1人工智能的概念和特征1.1.2人工智能的特征20世紀70年代以來人工智能稱為世界三大尖端技術之一，也被認為是21世紀三大尖端技術之一。這是因為近30年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，并取得了豐碩的成果。人工智能已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。人工智能具有以下三大特征。01人工智能系統必須以人為本，這些系統是人類設計出的機器，按照人類設定的程序邏輯或軟件算法，通過人類發明的芯片等硬件載體來運行或工作。通過計算和數據，為人類提供服務02人工智能系統能夠幫助人類做人類不擅長、不喜歡但機器能夠完成的工作，而人類則適合去做更需要創造性、洞察力、想象力、靈活性、多變性乃至用心領悟或需要感情的一些工作。對外界環境進行感知，與人交互互補03人工智能系統在理想情況下應具有一定的自適應特性和學習能力，從而使人工智能系統在各行各業產生豐富的應用。擁有適應和學習特性，可以演化迭代謝謝觀看1.2人工智能的分類1.2人工智能的分類人工功能指在各方面都能和人類比肩的人工智能，人類能干的腦力活它都能干。強人工智能指不能制造出真正能推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是并不真正擁有智能，不會有自主意識。弱人工智能超人工智能在幾乎所有領域，包括科學創造力、一般智慧和社交技能，都比最優秀的人類大腦聰明得多的智力。1.2人工智能的分類1.2.1弱人工智能弱人工智能具備“數據處理”“自主學習”及“快速改進”三大基本能力，能夠將大量數據進行存儲—學習—應用—改進的循環，但其局限在于無法進行推理或通用學習，并需要大量的數據樣本進行歸納與不斷的試錯練習。因此，“人”對實現弱人工智能的應用非常重要：需要“人”設計解決問題的方法，需要“人”尋找、識別并分享有用的數據，也需要“人”對機器的行動進行反饋。商業應用主要功能發現新問題/趨勢處理無規則數據以及產品價格優化靜態個性化建議預測及分析戰略優化/資源配置1.2人工智能的分類1.2.2強人工智能在弱人工智能三大基本能力的基礎上，強人工智能還具有如人腦一樣的完整推理能力（RobustReasoning），即掌握學習的方法，減少對“人”的依賴。此能力有多種不同的技術實現路徑，例如遷移學習（TransferLearning）、小數據推理等，甚至不只是一種技術，而是多種技術的疊加。遷移學習核心是發現共性（共同特征）。小數據推理用樣本量小且存在不確定性的數據樣本進行推理，并通用到其他場景中。強化學習機器可以理解這個世界，在正常運行中學習。1.2人工智能的分類1.2.3超人工智能目前，人工智能領域很多專家認為2060年是一個實現超人工智能的合理預測年，主流觀點也認為超人工智能可能在21世紀就發生，發生時可能會產生巨大的影響。超人工智能意味著什么呢？很多人在提到和人類一樣聰明的超級智能的計算機時，第一反應是它運算速度會非?？欤秃孟褚粋€運算速度是人類百萬倍的機器，能夠用幾分鐘時間思考完人類幾十年才能思考完的東西。超人工智能確實會比人類思考快很多，但是真正的差別其實是在“智能”的質量，而不是速度上。人類之所以比猩猩智能很多，真正的差別并不是思考的速度，而是人類的大腦有一些獨特而復雜的認知模塊，這些模塊讓人類能夠進行復雜的語言呈現、長期規劃或者抽象思考等，而猩猩的腦子是做不來這些的，這也正是超人工智能的進化之處。謝謝觀看1.3人工智能與圖靈測試1.3人工智能與圖靈測試1.3.1圖靈測試的研究過程有意識的人類及無意識的機器之間的區別1936年圖靈測試新想法：讓計算機來冒充人，如果超過30%的裁判誤以為在和自己說話的是人而非計算機，那么測試就算成功。1952年中文屋實驗圖靈設想付諸實踐1980年提出了著名的圖靈測試1950年達特茅斯會議1956年“2014圖靈測試”大會人工智能軟件尤金·古斯特曼通過了圖靈測試2014年2015年人工智能終于能像人類一樣學習，并通過了圖靈測試1.3人工智能與圖靈測試1.3.2圖靈測試的內容圖靈提出了一種測試機器是不是具備人類智能的方法，即假設有一臺計算機，其運算速度非?？?、記憶容量和邏輯單元的數目也超過了人腦，而且還為這臺計算機編寫了許多智能化的程序，并提供了合適種類的大量數據，那么，是否就能說這臺機器具有思維能力了呢？

1.3人工智能與圖靈測試案例：圖靈測試圖靈采用“問”與“答”模式，即觀察者通過控制打字機向兩個測試對象通話，其中一個是人，另一個是機器。要求觀察者不斷提出各種問題，從而辨別回答者是人還是機器。你會下國際象棋嗎？是的。請再次回答，你會下國際象棋嗎？是的。你會下國際象棋嗎？是的。

1.3人工智能與圖靈測試你會下國際象棋嗎？是的。請再次回答，你會下國際象棋嗎？你煩不煩，干嘛老提同樣的問題。你會下國際象棋嗎？是的，我不是已經說過了嗎？謝謝觀看1.4人工智能的風險挑戰與應對措施1.4人工智能的風險挑戰與應對措施1.4.1人工智能的風險挑戰倫理和道德挑戰就業結構的影響軍事和武器化風險公眾認知與接受度法律和政策滯后數據安全和隱私威脅技術失控與超級智能風險1.4人工智能的風險挑戰與應對措施1.4.2風險與挑戰應對措施加強監管和立法各國政府和國際組織需要制定和實施有效的監管框架和法律法規，以確保人工智能的開發和應用符合倫理和法律標準。01提升技術透明度需要發展可解釋性和透明度更高的算法和技術手段，以便能夠更好地理解和監管人工智能系統的決策過程。02促進跨學科研究和合作需要不同學科領域的專家和研究人員共同合作，以應對人工智能帶來的各種挑戰。03加強公眾教育和意識提升需要通過教育和宣傳，提高公眾對人工智能的認識和理解，確保其廣泛應用。04關注數據隱私和安全一是要加強對數據隱私的保護，確保數據使用的透明度和法律合規性，防止濫用和不當使用；二是要通過技術手段來解決數據隱私保護的問題，確保數據安全。05推動技術創新與人才培養就需要推動技術創新和人才培養，以適應人工智能時代的發展需求，同時關注技能需求的變化并調整教育和培訓體系。06謝謝觀看1.4人工智能的風險挑戰與應對措施3.就業結構的影響人工智能的快速發展可能導致大量工作崗位的自動化，從而減少對人力資源的需求。例如，生產線上的裝配工作、客服中心的電話操作員、某些行業的數據分析等都可以被機器人或自動化系統取代。這可能導致失業問題。例如，百度旗下的蘿卜快跑自動駕駛出行服務平臺，目前在武漢、重慶、北京、深圳等城市開啟了全無人自動駕駛出行服務與測試。截至2024年4月19日，蘿卜快跑累計向公眾提供乘車服務600萬次。如果蘿卜快跑全面投入市場，全國超1000萬的出租車和網約車從業人員將面臨失業風險。人工智能的發展還可能導致技能需求的改變。新的技術和工具的出現需要人們具備不同的新技能和新知識，這可能改變社會就業結構。蘿卜快跑汽車返回1.5人工智能國家治理1.5人工智能國家治理當前，全球人工智能技術快速更迭，以ChatGPT為代表的生成式人工智能技術不斷催生新場景、新業態、新模式和新市場。在賦能人類社會經濟進步的同時，人工智能“狂飆突進”式的發展也給全球帶來了安全隱患和風險挑戰。1.5人工智能國家治理1.5.1國外人工智能國家治理在人工智能國家治理方面，不同國家和地區往往根據其自身的法律傳統、技術發展水平、政策導向等因素來制定各具特色的治理模式。0201美國的人工智能治理架構呈現分散的特點，各州擁有獨立的立法權和執法權，可以獨立制定和實施自己的法律。在聯邦層面，多個部門和機構共同參與人工智能的治理工作，形成了多部門協同的治理架構。美國人工智能國家治理《人工智能法案》是全球首個AI監管法案，2021年被首次提出，適用于任何使用人工智能系統的產品或服務。該法案根據4個級別的風險對人工智能系統進行分類，從最小到不可接受。歐盟《人工智能法案》1.5人工智能國家治理1.歐盟《人工智能法案》歐盟就《人工智能法案》達成協議。012023年12月8日歐盟27國代表一致支持《人工智能法案》文本。022024年2月2日03歐洲議會通過了《人工智能法案》。2024年3月13日《人工智能法案》在整個歐盟范圍內正式生效。052024年8月1日歐洲理事會正式批準歐盟《人工智能法案》。042024年5月21日1.5人工智能國家治理2.美國人工智能國家治理2023年1月2023年10月2024年5月美國商務部國家標準與技術研究院發布《人工智能風險管理框架》美國參議院人工智能工作組發布《推動美國在AI領域的創新：參議院AI政策路線圖》發布總統行政命令《安全、可靠和值得信賴的人工智能開發和使用》1.5人工智能國家治理1.5.2我國人工智能國家治理我國人工智能國家治理是一個多維度、多層次的復雜體系，旨在通過法律法規建設、治理原則與理念、國際合作與倡議、監管機制與措施等多個方面的努力，推動人工智能技術的健康發展和社會福祉的提升。1.治理原則與理念強調人工智能技術的發展應服務于人類福祉，不能偏離人類文明進步的方向。以人為本規范人工智能在法律、倫理和人道主義層面的價值取向，確保人工智能發展安全可控。智能向善在鼓勵人工智能創新發展的同時，注重防范和化解潛在的安全風險。發展與安全并重1.5人工智能國家治理1.5.2我國人工智能國家治理2.法律法規建設中國建立了一系列與人工智能相關的法律法規，以規范人工智能技術的研發、應用和管理?！吨腥A人民共和國著作權法》《中華人民共和國專利法》《新一代人工智能發展規劃》《國家新一代人工智能標準體系建設指南》《生成式人工智能服務管理暫行辦法》《中華人民共和國商標法》《中華人民共和國刑法》1.5人工智能國家治理3.國際合作與倡議2023年10月2023年11月2024年5月7日2024年5月我國提出《全球人工智能治理倡議》，旨在推動全球人工智能的健康發展，確保人工智能技術更好地服務于人類社會。中美元首舊金山會晤期間，兩國就建立人工智能政府間對話機制達成重要共識。中法兩國發布《中華人民共和國和法蘭西共和國關于人工智能和全球治理的聯合聲明》，加強了兩國在人工智能領域的合作。中美人工智能政府間對話首次會議成功舉行。2024年7月在上海舉辦的2024世界人工智能大會上，我國發布了《人工智能全球治理上海宣言》。謝謝觀看1.6人工智能的發展趨勢1.6人工智能的發展趨勢人工智能的發展趨勢是多方面且快速演進的，有以下幾大主要趨勢。大模型的持續迭代人工智能與機器人技術的融合人工智能的法規與倫理問題日益受到重視生成式人工智能的興起人工智能加速賦能千行百業人工智能的算力與數據需求持續增長發展趨勢1.6人工智能的發展趨勢1.大模型的持續迭代2022年11月，OpenAI公司推出一款人工智能對話聊天機器人ChatGPT，其出色的自然語言生成能力引起了全世界范圍的廣泛關注，2個月用戶突破1億，國內外隨即掀起了一場大模型浪潮，Gemini、文心一言、Copilot、LLaMA、SAM、Sora等各種大模型如雨后春筍般涌現，2022年也被譽為大模型元年。這些模型展現了更強的多模態能力和更廣泛的應用場景，在文本生成、圖像識別、音頻處理等方面表現出色，并持續推動技術邊界的拓展。1.6人工智能的發展趨勢2.生成式人工智能的興起生成式人工智能（GenerativeArtificialIntelligence）是利用復雜的算法、模型和規則，從大規模數據集中學習，以創造新的原創內容的人工智能技術。生成式人工智能在文本、圖像、視頻等多個領域展現出強大的創造力，降低了專業創作的門檻，并推動了數字創意產業的快速發展。生成式人工智能入選“2023年度十大科技名詞”。2023年12月世界數字技術院（WDTA）發布了《生成式人工智能應用安全測試標準》和《大語言模型安全測試方法》兩項國際標準。2024年4月1.6人工智能的發展趨勢3.人工智能與機器人技術的融合將大型語言模型與機器人或智能體相結合，使機器人在現實世界中更有效地工作，成為未來發展的重要方向。人形機器人正逐步走出實驗室，進入公眾視野。它們不僅在家庭、工業等領域展現出應用潛力，還推動了機器人技術的整體進步。2024年4月27日，北京人形機器人創新中心在北京發布了全球首個純電驅擬人奔跑的全尺寸人形機器人“天工”。4.人工智能加速賦能千行百業截至2024年5月，我國人工智能發展取得積極進展，企業數量超過4500家，智能芯片、通用大模型等創新成果加速涌現，智能基礎設施不斷夯實，數字化車間和智能工廠加快建設，為人工智能賦能新型工業化奠定了良好基礎。人工智能在影像、零售、制造、金融、教育、醫療等領域已得到廣泛應用，改變了生產模式和經濟形態，提高了生產效率，降低了生產成本，有效提升了產業國際競爭力。1.6人工智能的發展趨勢5.人工智能的法規與倫理問題日益受到重視隨著人工智能技術的快速發展，各國政府紛紛出臺相關法規以規范其應用和發展。我國關于人工智能的法律法規主要包括與個人信息保護、網絡安全以及知識產權保護相關的法律。這些法律法規共同構成了我國人工智能領域的基本法律框架。人工智能的倫理問題也日益受到關注，包括隱私保護、算法偏見、責任歸屬等。6.人工智能的算力與數據需求持續增長算力是支撐人工智能算法運行和數據處理的基礎設施。隨著人工智能技術的不斷發展，對算力的需求也在持續增長。為了滿足大模型等復雜應用的需求，算力規模呈指數級增長。數據是人工智能的“燃料”，是驅動AI技術發展的重要基礎。沒有數據的支持，再先進的算法和算力也無法發揮出應有的價值。隨著人工智能應用的深入，高品質數據的需求不斷增加，合成數據的重要性也日益凸顯。謝謝觀看2.1人工智能的孕育2.1人工智能的孕育人工智能的孕育階段主要是指1956年以前。自古以來，人們就一直試圖用各種機器來代替人的部分腦力勞動，以提高人們征服自然的能力。人工智能是一門邊緣學科，屬于自然科學和社會科學的交叉學科。用來研究人工智能的主要物質基礎以及能夠實現人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智能還涉及哲學、數學、經濟學、神經科學、計算機工程等多門學科。人工智能學科研究的主要內容包括知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。2.1人工智能的孕育2.1.1哲學（公元前428年—現在）亞里士多德認為哲學是科學，而不是感覺、經驗和技術。雷內·笛卡爾給出了第一個關于意識和物理之間的區別以及由此引起的問題的清晰討論。有了能處理知識的物理意識，下一個問題就是建立知識的來源。魯道夫·卡爾納普的著作《世界的邏輯結構》中定義了一個清楚的計算過程，用以從基本實驗中抽取知識。它很可能是第一個把意識當作計算過程的理論。復旦大學哲學學院教授徐英瑾專門為復旦學生開了“人工智能哲學”課。這門課第一講的標題是：為何人工智能科學需要哲學的參與？或者換句話來說，一個哲學研究者眼中的人工智能，應該是什么樣的？亞里士多德的算法在2300年后由計算機科學家艾倫·紐厄爾和赫伯特·西蒙在他們的GPS程序中實現了。我們現在可以稱之為回歸規劃系統。安托萬·阿爾諾正確地表述了用于在類似情況下決策該采取什么行動的一個定量規則。約翰·斯圖爾特·密爾的著作《功利主義》把理性決策規范的思想發揚推廣到人類行為的各個層面。2.1人工智能的孕育2.1.2數學（約800年—現在）哲學家們標志出了AI的大部分重要思想，但是實現一門規范科學的飛躍發展就要求在邏輯、計算和概率三個基礎領域完成一定程度的數學形式化。形式邏輯的思想可以追溯到古希臘哲學家，但是其數學的發展其實是從布爾的工作開始的，他于1847年完成了命題邏輯，也稱布爾邏輯的細致工作。一般認為第一個不可忽視的算法是歐幾里得的計算最大公約數的算法。1900年，大衛·希爾伯特提出了著名的可判定性問題。1930年，庫特·哥德爾提出存在一個有效的過程可以證明羅素和弗雷格的一階邏輯中的任何真值語句。在邏輯和計算之外，數學對AI的第三個重要貢獻是概率理論。意大利人吉羅拉莫·卡爾達諾首先搭建了概率思想的框架。皮埃爾·德·費馬、布雷西·帕斯卡、詹姆斯·貝努利、彼埃爾·拉普拉斯以及其他人推進了理論并引入了新的統計方法。托馬斯·貝葉斯提出了根據新證據更新概率的法則。貝葉斯法則及由其衍生出來的“貝葉斯分析”形成了大多數AI系統中不確定推理的現代方法的基礎。2.1人工智能的孕育2.1.3經濟學（1776年—現在）經濟學的科學研究從1776年開始，當時蘇格蘭哲學家亞當·斯密（AdamSmith）出版了《國家財富的性質和原因的研究》（也稱作《國富論》，AnInquiryintotheNatureandCausesoftheWealthofNations）一書。對于“偏好的結果”或稱效用的數學處理，最先由經濟學家瓦爾拉斯（LeonWalras）完成形式化，由弗蘭克·拉姆齊（FrankRamsey）于1931年加以改進，后來由約翰·馮·諾依曼（JohnvonNeumann）和奧斯卡·莫根施特恩（OskarMorgenstern）在他們的著述《博弈論與經濟學行為》（TheTheoryofGamesandEconomicBehavior，1944年出版）中進一步改進。雖然AI研究多年來一直沿著完全獨立的道路發展，但是經濟學和運籌學的研究工作對于我們的理性智能體很有貢獻。一個原因就是制定理性決策的明顯的復雜性。AI研究者的先驅赫伯特·西蒙于1978年獲得諾貝爾經濟學獎，是因為他早年的工作顯示出基于滿意度的模型制定“足夠好”的決策，而不是艱苦計算得到最優化決策—能更好地描述真實人類行為。到了20世紀90年代，對于智能體系統中使用決策理論技術的興趣開始復蘇。2.1人工智能的孕育2.1.4神經科學（1861年—現在）神經科學研究的是神經系統，特別是大腦。大腦產生思維的精確方式是科學上最重大的神秘現象之一。幾千年來人們一直贊同大腦以某種方式和思維聯系在一起，因為有證據表明頭部受到重擊會導致精神缺陷。大約公元前335年，亞里士多德寫道：“在所有的動物中，人擁有相對于其體型比例而言最大的大腦?！比欢?，直到18世紀中期人們才廣泛地承認大腦是意識的居所。在那之前，一般認為意識存在于心臟、脾或松果體。法國神經學家保羅·布魯卡（PaulBroca）通過解剖語言障礙者的大腦發現了人類的語言中樞，現在被稱為布魯卡區。那時，人們已經知道大腦是由神經細胞或稱神經元組成的，但是直到1873年卡米洛·高爾基（CamilloGolgi）開發出一項染色技術，人們才觀察到了大腦的單個神經元。該技術由圣地亞哥·拉蒙·卡哈爾（SantiagoRamonyCajal）用于他對大腦的神經元結構的先驅研究中。右圖為神經系統結構圖。神經系統結構圖2.1人工智能的孕育現在有一些數據顯示出大腦區域與它們控制或者接收傳感器輸入的軀體部分之間的映射關系，這樣的映射能夠在數周時間內發生根本性的改變，而一些動物似乎具有多重映射。另外，我們尚不完全了解其他區域如何能夠接管一個受到損傷的區域的原有功能，幾乎沒有理論能說明單獨的記憶是如何保存的。對于本來狀態的大腦活動的測量始于1929年，使用了漢斯·貝格爾（HansBerger）發明的腦電圖記錄儀（EG）。之后由小川誠二（SeijiOgawa）開發的功能性核磁共振（MRI）為神經科學家們提供了關于大腦活動的空前細致的圖像，使得以某些有趣的方式與正在進行的認知過程相符合的測量成為可能。真正令人震驚的結論是簡單細胞的集合能夠導致思維、行動和意識，或者換句話說，大腦產生意識。唯一的實際可替代理論是神秘主義：存在某種神秘的領域，精神在其中運作，它超出了自然科學的范圍。2.1.4神經科學（1861年—現在）2.1人工智能的孕育2.1.5計算機工程（1940年—現在）要使人工智能獲得成功，我們需要兩樣東西：智能和人工制品。計算機就是被選中的人工制品。我們如何才能制造出能干的計算機？現代的數字電子計算機是獨立地和幾乎同時地被3個第二次世界大戰參戰國的科學家發明出來的。第一臺可運轉的計算機是電動機械式的，名為希斯·羅賓遜（HeathRobinson），由圖靈的研究組建造于1940年，其唯一目的是解密德國人的消息。1943年，同一個研究組開發了巨人計算機Colossus，是基于真空電子管的強大的通用機器。第一臺能運轉的可編程計算機是Z3，是由康拉德·楚澤（KonradZuse）于1941年在德國發明的。楚澤還發明了浮點數和第一種高級編程語言Plankalkül。第一臺電子計算機ABC，于1937—1941年間由阿塔納索夫和他的研究生貝瑞在愛荷華大學裝配成功。阿塔納索夫的研究很少得到支持或承認。在賓夕法尼亞大學作為秘密軍事項目的一部分開發出來的ENIAC被公認是現代計算機最有影響的先驅。從那時起半個世紀的時間，每一代計算機硬件都帶來了速度和容量的提高以及價格的下降。計算機的性能大約每18個月翻一番，這樣的增長速度還可以保持10～20年。之后，我們將需要分子工程或者其他新技術。2.1人工智能的孕育當然，在電子計算機之前還有一些計算裝置。最早的自動機器應該從17世紀算起，第一臺可編程的機器是1805年由約瑟夫·瑪麗·雅卡爾（JosephMarieJacquard）設計的一臺織布機，它使用穿孔卡片存儲對應于要編織圖案的操作指令。19世紀中葉，查爾斯·巴貝奇（CharlesBabbage）設計了兩臺機器，但都沒有完成。一臺是“差分機”，其設計意圖是計算用于工程和科學項目的數學用表，它最終于1991年被建造出來，并在倫敦的科學博物館展覽。巴貝奇的另一臺機器“分析機”更野心勃勃：它包含可編程存儲器、存儲的程序以及條件跳轉，而且是第一臺能夠進行通用計算的人工制品。巴貝奇的同事愛達·勒芙蕾絲（AdaLovelace）是世界上第一個程序員，程序設計語言Ada就是以她的名字命名的，她為未完成的分析機編寫了程序，甚至設想機器可以下國際象棋或者創作音樂。AI領域的工作開拓了很多思想，并反過來對主流計算機科學產生影響，包括分時技術、交互式翻譯器、使用窗口和鼠標的個人計算機、快速開發環境、鏈接表數據類型、自動存儲管理以及符號化、功能化、動態的和面向對象的編程等關鍵概念。謝謝觀看2.2人工智能的形成2.2人工智能的形成1.人工智能的形成過程唐納德·赫布出版了《行為的組織》一書，書中描述了赫布學習規則，提出權值的概念1949年阿瑟·薩繆爾開發了一個跳棋程序，具有自我學習的能力，甚至在訓練后可以戰勝人類專業跳棋選手。1952年圖靈發表了一篇題為《機器能思考嗎？》的著名論文，提出了機器思維的概念，并提出圖靈測試。1950年在達特茅斯會議上，為會議討論的內容起了一個名字：人工智能。1956年2.2人工智能的形成2.人工智能的研究成果1957年羅森布拉特（Rosenblatt）研制成功了感知機。機器學習方面01推出了一個模式識別程序；編制出了可分辨積木構造的程序。模式識別方面03總結出了人們求解問題的思維規律；編制了通用問題求解程序。問題求解方面04組自1965年開始專家系統DENDRAL的研究，1968年完成并投入使用。專家系統方面051960年麥卡錫研制出了人工智能語言（ListProcessing，LISP）人工智能語言方面0602在IBM-704機器上用3~5分鐘證明了《數學原理》中有關命題演算的全部定理；提出了歸結原理。定理證明方面謝謝觀看2.3人工智能的發展2.3人工智能的發展人工智能的發展階段主要是指1970年以后。進入20世紀70年代，許多國家都開展了人工智能的研究，涌現了大量的研究成果。例如，1972年法國馬賽大學的科麥瑞爾（A.Comerauer）提出并實現了邏輯程序設計語言PROLOG；斯坦福大學的肖特利夫（E.H.Shorliffe）等人從1972年開始研制用于診斷和治療感染性疾病的專家系統MYCIN。2.3人工智能的發展機器翻譯的研究沒有像人們最初想象得那么容易。當時人們總以為只要一部雙向詞典及一些語法知識就可以實現兩種語言文字間的互譯。后來發現機器翻譯遠非這么簡單。實際上，由機器翻譯出來的文字有時會出現十分荒謬的錯誤。舉幾個例子：當把“眼不見，心不煩”的英語句子“Outofsight，outofmind”翻譯成俄語時，變成“又瞎又瘋”；當把“心有余而力不足”的英語句子“Thespiritiswillingbutthefleshisweak”翻譯成俄語，然后再翻譯回英語時，竟變成了“Thewineisgoodbutthemeatisspoiled”，即“酒是好的，但肉變質了”；當把“光陰似箭”的英語句子“Timeflieslikeanarrow”翻譯成日語，然后再翻譯回中文時，竟變成了“蒼蠅喜歡箭”。1.人工智能發展的困境2.3人工智能的發展1977年費根鮑姆在第五屆國際人工智能聯合會議上提出了“知識工程”的概念，對以知識為基礎的智能系統的研究與建造起到了重要的作用。大多數人接受了費根鮑姆關于以知識為中心展開人工智能研究的觀點。從此，人工智能的研究又迎來了蓬勃發展的以知識為中心的新時期。這個時期，專家系統的研究在多個領域中取得了重大突破，各種不同功能、不同類型的專家系統如雨后春筍般地建立起來，產生了巨大的經濟效益及社會效益。例如，地礦勘探專家系統PROSPECTOR擁有15種礦藏知識，能根據巖石標本及地質勘探數據對礦藏資源進行估計和預測，能對礦床分布、儲藏量、品位及開采價值進行推斷，制定合理的開采方案。人們應用該系統成功地找到了超億美元的鉬礦。2.人工智能發展的破局2.3人工智能的發展人工智能在博弈中的成功應用也舉世矚目。人們對博弈的研究一直抱有極大的興趣，早在1956年人工智能作為一門學科形成前，薩繆爾就研制出了跳棋程序。這個程序能從棋譜中學習，也能從下棋實踐中提高棋藝。1959年它擊敗了薩繆爾本人，1962年又擊敗了康涅狄格州的跳棋冠軍。1991年8月在悉尼舉行的第12屆國際人工智能聯合會議上，IBM公司研制的“深思”（DeepThought）計算機系統就與澳大利亞國際象棋冠軍約翰森（D.Johansen）舉行了一場人機對抗賽，結果以1∶1平局告終。1957年西蒙曾預測10年內計算機可以擊敗人類的世界冠軍。雖然在10年內沒有實現，但40年后“深藍”計算機擊敗國際象棋棋王卡斯帕羅夫，僅比預測遲了30年。經過了多年的漫漫發展之路，人工智能在諸多方面取得了突飛猛進的發展，在現實生活中得到了廣泛的應用，影響著人類的日常行為。人工智能在哲學領域中也尋求新的突破，不但深化了認識論的進一步研究，同時也促進了辯證法的發展。從衛星智能控制，到智能機器人模擬人類活動等，這一切都充分印證了人工智能的飛速發展。2.人工智能的應用謝謝觀看2.4人工智能的各學派思想2.4人工智能的各學派思想人工智能也是一個概念，而要使一個概念成為現實，自然要實現概念的三個功能。人工智能的三個學派關注如何才能讓機器具有人工智能，并根據概念的不同功能給出了不同的研究路線。專注于實現AI指名功能的人工智能學派稱為符號主義，專注于實現AI指心功能的人工智能學派稱為連接主義，專注于實現AI指物功能的人工智能學派稱為行為主義。2.4人工智能的各學派思想2.4.1符號主義符號主義的代表人物是西蒙與紐厄爾，他們提出了物理符號系統假設，即只要在符號計算上實現了相應的功能，在現實世界就實現了對應的功能，這是智能的充分必要條件。因此，符號主義認為，只要在機器上是正確的，現實世界就是正確的。說得更通俗一點，若指名對了，指物則自然正確。在哲學上，關于物理符號系統假設也有一個著名的思想實驗—圖靈測試。圖靈測試要解決的問題就是如何判斷一臺機器是否具有智能。圖靈測試將智能的表現完全限定在指名功能里。實際上，根據指名與指物的不同，塞爾專門設計了一個思想實驗用來批判圖靈測試，這就是著名的中文屋實驗。2.4人工智能的各學派思想實現符號主義面臨的現實挑戰主要有三個：概念的組合爆炸問題。每個人掌握的基本概念大約有5萬個，其形成的組合概念卻是無窮的。因為常識難以窮盡，推理步驟可以無窮。命題的組合悖論問題。兩個都是合理的命題，合起來就變成了無法判斷真假的句子，比如著名的柯里悖論（Curry’sparadox）。經典概念在實際生活當中是很難得到的，知識也難以提取。2.4人工智能的各學派思想2.4.2連接主義連接主義認為大腦是一切智能的基礎，主要關注于大腦神經元及其連接機制，試圖發現大腦的結構及其處理信息的機制，揭示人類智能的本質機理，進而在機器上實現相應的模擬。前面已經指出知識是智能的基礎，而概念是知識的基本單元，因此連接主義實際上主要關注概念的心智表示以及如何在計算機上實現其心智表示，這對應著概念的指心功能。2016年發表在Nature上的一篇學術論文揭示了大腦語義地圖的存在性，文章指出概念可以在每個腦區找到對應的表示區，確確實實概念的心智表示是存在的。因此，連接主義也有了其堅實的物理基礎。連接主義學派的早期代表人物有麥卡洛克、皮茨、約翰·霍普菲爾德（JohnHopfield）等。按照這條路，連接主義認為可以實現完全的人工智能。對此，哲學家希拉里·普特南（HilaryPutnam）設計了著名的“缸中之腦實驗”，該實驗可以看作是對連接主義的一個哲學批判。2.4人工智能的各學派思想2.4.3行為主義行為主義假設智能取決于感知和行動，不需要知識、表示和推理，只需要將智能行為表現出來就好，即只要能實現指物功能，就可以認為具有智能了。這一學派的早期代表作是羅德尼·布魯克斯（RodneyBrooks）發明的六足爬行機器人。對此，普特南也設計了一個思想實驗，可以看作是對行為主義的哲學批判，這就是“完美偽裝者和斯巴達人”。謝謝觀看3.1

人工智能與“人機大戰”3.1

人工智能與“人機大戰”人機大戰指的是人工智能在特定領域內與人類進行的模擬競賽，例如1997年的“深藍”在國際象棋中的應用，2016和2017年“阿爾法狗”在圍棋中的應用?，F在人工智能應用的范圍越來越廣泛，“人機大戰”也逐漸擴展到了許多領域。3.1

人工智能與“人機大戰”3.1.1“深藍”與“阿爾法狗”1997年5月11日，一臺名為“深藍”的超級計算機將棋盤上的一個兵走到C4位置時，人類有史以來最偉大的國際象棋名家卡斯帕羅夫不得不沮喪地承認自己輸了。世紀末的一場人機大戰終于以計算機的微弱優勢取勝。比賽于1997年5月3日—11日在紐約的公平大廈舉行。整個比賽引起了全世界傳媒的巨大關注。比賽吸引人們目光的原因之一是卡斯帕羅夫賽前充滿信心，發誓要為捍衛人類優于機器的尊嚴而戰。然而，最后的結果卻是他所捍衛的人類尊嚴在一臺冷漠的“藍色巨人”面前被無情地擊潰了。雖然人類的驕傲可以把這場比賽的結果仍然歸咎于人類的勝利，畢竟“深藍”也是人類所研制出來的一臺計算機而已，但人類所創造的工具擊敗了人類，并且是在人類引以為驕傲的智慧領域，這在一定程度上給人類帶來了恐懼，并由此引發了一場有關人類創造物與自身關系的深層討論。3.1

人工智能與“人機大戰”2016年3月，“阿爾法狗”擊敗圍棋世界冠軍、韓國職業九段棋手李世石，它成為第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智能機器人；2016年末至2017年初，阿爾法圍棋程序在中國棋類網站上以“大師”（Master）為注冊賬號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮圍棋峰會上，它與當時世界排名第一的世界圍棋冠軍柯潔對戰，以3比0的總比分獲勝。圍棋界公認阿爾法圍棋的棋力已經超過人類頂尖職業圍棋選手的水平，在GoRatings網站公布的世界職業圍棋排名中，其等級分曾超過世界排名第一的棋手柯潔。不過，復旦大學計算機科學技術學院教授、博士生導師危輝認為：“人機大戰對于人工智能的發展意義很有限。解決了圍棋問題，并不代表類似技術可以解決其他問題，自然語言理解、圖像理解、推理、決策等問題依然存在?！?.1.1“深藍”與“阿爾法狗”3.1

人工智能與“人機大戰”在柯潔與阿爾法圍棋的圍棋人機大戰三番棋結束后，阿爾法圍棋團隊宣布阿爾法圍棋將不再參加圍棋比賽。阿爾法圍棋將進一步探索醫療領域，利用人工智能技術攻克現代醫學中存在的種種難題。人工智能的深度學習已經展現出了潛力，可以為醫生提供輔助工具。實際上，對付人類棋手從來不是“阿爾法圍棋”的目的，DeepMind公司只是通過圍棋來試探它的功力，而研發這一人工智能的最終目的是為了推動社會變革、改變人類命運。3.1.1“深藍”與“阿爾法狗”3.1

人工智能與“人機大戰”3.1.2“人機大戰”引發的思考隨著人工智能的不斷發展，人類將向何處去，人工智能能不能全面超越人的智能？3.1

人工智能與“人機大戰”要回答人工智能能不能完全替代，甚至超越人的智能，人是否會成為人工智能的仆人和奴隸，并且會被人工智能消滅，這不僅要從人工智能技術本身來回答，更應從馬克思主義哲學來回答這一問題。3.1.2“人機大戰”引發的思考惟天地萬物父母；惟人萬物之靈。儒家經典《尚書·周書·泰誓》人是萬物的尺度。普羅泰戈拉（Protagoras）人是未特定化的存在。格倫（Gehlen）謝謝觀看3.2

人工智能與智能助理3.2

人工智能與智能助理人工智能助理（Intelligentpersonalassistant/agent，IPA）指的是幫助個人完成多項任務或多項服務的虛擬助理。目前絕大多數的人工智能助理都是通過語音助手來實現的。語音技術是語音助手的入口和出口，而語音助手只是語音技術的某一具體應用。對于語音技術，可能大部分人的理解還僅僅局限在語音識別上。事實上，典型語音技術還包括很多實用的方向，比如說話人識別、語種識別、語音識別、音色轉換、語音合成、語音增強等。3.2

人工智能與智能助理3.2.1智能助理的基本邏輯智能助理也可以看作是任務導向的chatbot（聊天機器人），實現邏輯與chatbot相似，但是多了業務處理的流程，智能助理會根據對話管理返回的結果進行相關業務的處理。一個包括語音交互的chatbot的架構如下圖所示。3.2

人工智能與智能助理通常智能助理的一個完整的交互流程是這樣的。3.2.1智能助理的基本邏輯音頻被記錄在設備上，經過壓縮傳輸到云端。通常會采用降噪算法來記錄音頻，以便讓云端“大腦”更容易地理解用戶的命令。然后使用“語音到文本”平臺將音頻轉換成文本命令。上傳云端1進入對話管理模塊，確認用戶提供的信息是否完整，否則進行多輪對話，直至得到所需全部信息。根據得到的信息進行相應的業務處理，執行命令。同時將結果生成自然語言文本，并由語音合成模塊將生成的文本轉換為語音。對話管理3使用自然語言理解技術來處理文本，首先使用詞性標注來確定哪些詞是形容詞、動詞和名詞等，然后將這種標記與統計機器學習模型結合起來，推斷句子的含義。處理文本23.2

人工智能與智能助理3.2.2智能助理的未來根據《2024-2030年中國應用商店行業調查與發展趨勢研究報告》顯示，截至2022年底，我國市場上監測到的APP數量為258.0萬款，到2023年底，我國市場上監測到的APP數量在265萬款左右。2015年到現在，在國內2C市場，幾乎找不到一款真正能爆發并留存的移動產品。對于移動開發者而言，能放首屏的高頻應用早就擠不進去了。但創業者的熱情和投資人基金里的錢都不能等，于是大家四處尋找有沒有新的產品形態可以把商業形態再顛覆一次，好比App顛覆了網頁甚至開拓出以前沒有被耕耘過的維度？3.2

人工智能與智能助理對話式服務具備新的增長點的潛質，回顧人機交互方式的變遷，基本都伴隨著一個規律：核心技術的出現和整合，會帶來全新的人機交互方式，在此基礎上大量的商業應用應運而生。3.2.2智能助理的未來3.2

人工智能與智能助理可以看到，隨著技術的平民化（Democratization），人機交互正不可逆轉地向人的方向靠近—不需要學習的人機交互。將來越來越多的人都能更自然地通過計算設備來獲得價值。下一個超級增長點的交互方式一定是更接近人的自然行為、更多人可以使用的方式。因此人工智能助理大有可為。而未來的人工智能助理發展方向就是如何解決語音識別、語義理解、操作執行等存在的問題。從技術細節角度看，希望有更好的語音識別性能，特別是在噪聲環境下具有魯棒（Robust）的語音識別性能，能從人類隨意的口語中分析出其真正的需求。從實際工程應用角度看，有兩個急切的需求，一個是提高智能化水平，另一個是安全性與隱私保護。3.2.2智能助理的未來謝謝觀看3.3

人工智能與量子計算3.3

人工智能與量子計算3.3.1量子計算的概念量子計算是一種遵循量子力學規律調控量子信息單元進行計算的新型計算模式，如圖所示。與傳統的通用計算機對照，其理論模型是用量子力學規律重新詮釋的通用圖靈機。從可計算的問題來看，量子計算機只能解決傳統計算機所能解決的問題，但是從計算的效率上看，由于量子力學疊加性的存在，某些已知的量子算法在處理問題時速度要快于傳統的通用計算機。3.3

人工智能與量子計算3.3.1量子計算的概念量子計算相關概念的提出和設想：01阿崗國家實驗室的貝尼奧夫于20世紀80年代初期提出量子計算的概念，他提出二能階的量子系統可以用來仿真數字計算。02諾貝爾物理學獎得主費曼（Feynman）并在1981年勾勒出以量子現象實現計算的愿景。031985年，牛津大學的德意奇提出量子圖靈機的概念，量子計算才開始具備了數學的基本型式。3.3

人工智能與量子計算3.3.1量子計算的概念各國對量子計算的研究：2019年8月，中國量子計算研究獲重要進展：實現了高性能單光子源。042019年12月6日，俄羅斯提出國家量子行動計劃，擬5年內投資約7.9億美元，打造一臺實用的量子計算機，并希望在實用量子技術領域趕上其他國家。03德國于2019年8月宣布了6.5億歐元的國家量子計劃；022016年歐盟宣布啟動11億美元的“量子旗艦”計劃。013.3

人工智能與量子計算

對于量子計算機的控制，仍然需要通過普通計算機進行信息的輸入和輸出。如下圖所示，工作人員在普通計算機上輸入初始數據，數據在量子計算機控制系統中進行復雜的轉換和運算，最后得到的結果則會傳輸回工作人員的普通計算機上。3.3.1量子計算的概念3.3

人工智能與量子計算3.3.2量子計算與人工智能的結合在量子、人工智能這些名詞開始被大眾所熟悉的同時，“量子人工智能”這個新的方向也開始快速發展起來。圖靈獎得主姚期智院士曾指出：“量子計算和人工智能兩個領域的結合，將會是未來的重大時刻。”人工智能機器學習技術可以用于解決量子信息難題，可以幫助量子物理學家處理很多復雜的量子物理數據分析，比如機器學習識別相變、神經網絡實現量子態的分類、凸優化用于海水量子信道重建等。01量子計算科學家研究了很多可以基于量子計算機的算法，往往可以把原本計算復雜度為NP（非確定的多項式）或更高的問題轉化為多項式復雜度，實現平方甚至指數級的加速。023.3

人工智能與量子計算量子計算目前涉足弱人工智能的各種具體任務。量子計算主要包括基于量子邏輯門線路的通用量子計算，以及直接進行哈密頓量構建及量子演化的專用量子計算。通用量子計算需要解決如何優化量子線路、減少線路長度，以及如何實施量子糾錯等問題；專用量子計算是費曼提出量子計算想法時就提出的途徑，需要能夠靈活構建符合算法需求的多維度演化空間。不管哪種途徑，都需要構思怎樣把人工智能算法中復雜度較高的部分轉化到量子態空間和量子演化問題中，發揮量子算法優勢。3.3.2量子計算與人工智能的結合謝謝觀看3.4

人工智能與自動駕駛3.4

人工智能與自動駕駛為深入貫徹落實黨中央、國務院的重要部署，順應新一輪科技革命和產業變革趨勢，抓住產業智能化發展的戰略機遇，加快推進智能汽車創新發展，國家發改委等11個部門在2020年印發了《智能汽車創新發展戰略》，指出當今世界正經歷百年未有之大變局，新一輪科技革命和產業變革方興未艾，智能汽車已成為全球汽車產業發展的戰略方向。智能汽車又稱為智能網聯汽車、自動駕駛汽車等，是指通過搭載先進傳感器等裝置，運用人工智能等新技術，使其具有自動駕駛功能，逐步成為智能移動空間和應用終端的新一代汽車。下圖展示的是百度自動駕駛汽車。3.4

人工智能與自動駕駛自動駕駛需要多種技術的支撐，其中復雜系統體系架構、復雜環境感知、智能決策控制、人機交互及人機共駕、車路交互、網絡安全等基礎前瞻技術，以及新型電子電氣架構、多源傳感信息融合感知、新型智能終端、智能計算平臺、車用無線通信網絡、高精度時空基準服務和智能汽車基礎地圖、云控基礎平臺等共性交叉技術都是亟待突破的關鍵技術領域。實現自動駕駛技術一般需要感知系統、決策系統和控制執行系統，根據信息的流向，相應地也劃分為感知層、決策層和控制執行層。三個系統都離不開人工智能技術的基礎，具體技術架構如下圖所示。3.4

人工智能與自動駕駛3.4.1感知系統汽車行業是一個特殊的行業，因為涉及乘客的安全，任何事故都是不可接受的，所以對于安全性、可靠性有著近乎苛刻的要求。因此在研究無人駕駛的過程中，對于傳感器、算法的準確性和魯棒性有著極高的要求。另一方面，無人駕駛車輛是面向普通消費者的產品，所以需要控制成本。高精度的傳感器有利于算法結果準確，但又非常昂貴，這種矛盾在過去一直很難解決。如今深度學習技術帶來的高準確性促進了無人駕駛車輛系統在目標檢測、決策、傳感器應用等多個核心領域的發展。深度學習技術，如卷積神經網絡（CNN），目前廣泛應用于各類圖像處理中，非常適用于無人駕駛領域。其訓練測試樣本是從廉價的攝像機中獲取的，這種使用攝像機取代雷達從而壓縮成本的方法廣受關注。3.4

人工智能與自動駕駛3.4.2決策系統1.協同決策協同決策是指決策層綜合場景認知、先驗知識、全局規劃、車路協同、人機交互等信息，在保證行車安全的前提下，盡可能地適應實時工況，進行舒適友好、節能高效的決策。常用的決策手段有:有限狀態機（FSM）、決策樹、深度學習、強化學習等。下圖展示了協同決策技術。3.4

人工智能與自動駕駛2.人機協同控制人機協同控制是指駕駛員和智能控制系統同時在環，協同完成駕駛任務。自動駕駛汽車是否允許人工干預，也是一個比較有爭議的話題。開放的同時，意味著暗門的暴露，而完全封閉，又存在著不可控的隱患。人機共駕的核心是協同與互補，而人機并行控制時，將會帶來由于冗余輸入所造成的人機沖突、控制權分配問題。智能汽車人機協同控制是一種典型的人在回路中的人機協同混合增強智能系統，如下圖所示。3.4

人工智能與自動駕駛3.4.3控制執行系統車輛運動控制是實現汽車智能化的首要前提，控制系統的任務是控制車輛油門、制動、轉向機構，在滿足一定設計需求（如追蹤性、舒適性、經濟性、安全性等）的基礎上，使實際軌跡收斂于決策層規劃的期望軌跡。常見的應用場景包括：多目標自適應巡航控制（ACC）、走停巡航控制、車道保持控制、車隊協同控制。典型車輛控制算法包括：PID控制、最優控制、自適應控制、滑模變結構控制、模型預測控制、模糊邏輯控制、神經網絡控制。3.4

人工智能與自動駕駛3.4.4其他關鍵技術1.高精地圖智能高精地圖是汽車自動駕駛的關鍵基礎設施，因此也被稱之為自動駕駛地圖。L3級實時環境感知的主體由人類駕駛員變為自動駕駛系統，高精地圖已成為必選項，且需要車輛實時位置與高精地圖能匹配一致。L3級系統作用域為場景相對簡單的限定環境（如高速公路、封閉園區等），地圖精度要求相對較低，且復雜度高的動態目標（如行人等）數量相對較少，實時傳感器數據足夠支撐有效的動態目標識別，地圖只需提供靜態環境與動態交通（即實時路況）信息；L4級自動駕駛能夠完成限定條件下的全部任務，無須人工干預，安全性要求高，地圖精度要求高，且需地圖提供動態交通和事件信息（包括實時路況與高度動態信息），以輔助周邊環境模型構建；L5級能夠在任意環境條件下完全自動駕駛，作用域的顯著擴大需要海量眾包源為地圖提供數據支撐，且需要地圖具備高度智能性，能結合分析數據實現對環境的高度自適應。因此未來的高精地圖將會具備高精度、高維度和高實時性的特點。3.4

人工智能與自動駕駛2.SLAM技術21世紀以來，無人系統呈現出自主化、小型化和智能化的發展趨勢；應用場景也逐漸由物資投放、戰場偵察、協同作戰等軍事領域向自動駕駛、倉庫管理、災害救援、城市安保、資源勘探、電力巡線等民用領域擴展。這些新的場景普遍具有較高的動態性、未知性和封閉性，要求無人系統在缺乏環境先驗信息和可靠的外界輔助信息源（例如GPS、遙測系統等）的前提下，具有僅依靠自身傳感器實現全自主導航定位和環境感知的能力，為后續工作提供必要的信息支撐。同步定位與建圖技術（SLAM）正是解決上述問題的首選方案。SLAM技術發展至今，歷經了經典階段（1986—2004）、算法分析階段（2004—2015）和魯棒感知階段（2015至今）三個重要階段。下圖為SLAM機器人巡檢變電站。謝謝觀看3.5人工智能與智慧教育3.5人工智能與智慧教育人工智能為智慧教育的實現提供了現實可能性或保障條件。同時，人工智能還催生了一些更加艱深、復雜、富有創造性和想象力的新型工作，這對從業人員提出了更高的職業要求，比如需要人類具有更強的批判意識、更敏銳的思維品質、更強的實踐應用能力、更良好的組織協調能力、更高的道德修養、更穩定的情緒心態、更高雅的藝術品位等。這已經不是僅僅靠知識、技能可以解決的問題，因為它涉及人的更加全面與豐盈的智慧層次，人只有擁有更多的智慧才能應對這樣的要求、變化與挑戰。在這個意義上，教育必須適應人工智能的發展，需要做出相應變革，于是智慧教育呼之欲出。但反過來講，人工智能的高速發展也會加劇人的異化和片面發展，使人更加趨向機器般機械地學習、思考與行動，導致人類世界充滿技術與機器的狂歡。只有人的智慧才能破此危局。于是，旨在啟迪人類智慧、培養智慧人進而成就智慧人生的智慧教育應運而生?？傊斯ぶ悄軙r代呼喚智慧教育，智慧教育是人工智能時代教育變革的最佳選擇。3.5人工智能與智慧教育3.5.1人工智能變革教育的潛力人工智能在未來或許會重新定義教育。01當人工智能技術應用到教學中后，將推動學習去中心化，轉變成分布式學習的方式。人工智能助力學習方式變革02人工智能會學習學生解答問題的常規思路，通過海量數據分析出學生的水平，進而有針對性地給學生推送知識點、考點、難點。人工智能賦能教學方式變革03伴隨著更多力量整合到人工智能技術的教育供給行列大家庭中，教育供給方式會更靈活、更多元化，功能更強大。人工智能推動教育供給和服務改革3.5人工智能與智慧教育“人工智能+教育”融合的結合現狀具體指人工智能賦能教育的應用場景，主要包括智能教學協助、智能教學環境構建、智能教學過程設計、智能教學評價、智能教學服務五個主要部分。3.5.2人工智能與教育的結合在一定程度上將教師從繁重的重復工作中解脫出來，進而將更多的精力用于提升自身知識水平、完善教學活動設計、組織個性化教學實施。智能教學協助目前智能教學環境構建關注學習空間規劃、學習空間環境服務兩個方面。智能教學環境構建智能教學服務使得教育資源匱乏的邊遠山區學生和教育資源豐富的城市學生擁有同樣的學習平臺，有助于促進教學公平，并提升教學質量。智能教學服務智能教學的出現使得教師角色的定位發生了改變，由傳統的“知識的傳播者”轉向為“教學的管理者”。智能教學過程設計智能教學時代構建的教學質量綜合評價體系中評價機制由以往“以結果為導向”轉向為“以過程為導向”。智能教學評價謝謝觀看3.6人工智能與智能家居3.6人工智能與智能家居近年來人工智能在各個領域取得了廣泛應用，智能家居就是其中一個大獲收益的領域。隨著人工智能技術的深入，語音識別、自然語音處理、圖像識別都在準確率和實用性上有了進一步提升，智能語音助手、智能家居攝像頭等都逐漸進入我們的生活。智能家居是以居住空間為載體，通過物聯網、云計算等技術將家中的各種設備連接到一起，實現智能化控制的一個系統。它具有智能照明控制、智能電器控制、安防監控系統、智能背景音樂、智能音視頻共享、可視對講系統和家庭影院系統等功能。智能家居利用綜合布線技術、網絡通信技術、安全防范技術、自動控制技術、音視頻技術，將家居生活有關的設施集成，構建高效的住宅設施與家庭日常事務的管理系統，提升家居安全性、便利性、舒適性、藝術性，并實現居住環境的環保節能。預測到2050年將有20%的世界人口超過60歲，而且全世界有6.5億人患有殘疾，而解決這一難題最有效的方法是在這些人家中安裝自動醫療報警以及輔助設備，實現家居智能化。3.6人工智能與智能家居3.6.1國內外智能家居的現狀美國是全球最大的智能家居市場，2023年市場規模為346.7億美元，預計到2028年將增長至550.3億美元。目前，65%的美國居民至少擁有一款智能家居設備，最受歡迎的設備包括智能家居攝像頭、智能語音控制音箱、智能溫控器和智能照明系統等。美國根據NIQ-GfK2024年智能家居調查數據顯示，英國市場對節能環保和有助于節省成本的智能家居產品的需求正日益增長。80%的英國受訪者至少擁有一件智能家居產品，近40%的受訪者擁有三件以上此類產品，此占比與2019年相比翻了一番。英國全球第四大智能家居市場，2023年其市場規模為79.34億美元，預計到2028年將增長至158.4億美元。日本消費者對智能家電有較高的信任度和需求，尤其是智能家電產品，如智能冰箱、智能洗衣機等，在市場上表現良好。日本我國智能家居市場規模逐年擴大，2023年市場規模達到7157.1億元。智能家居產品的普及率和使用黏性也在穩步提升，智能家居APP行業活躍用戶規模已達3.27億，平均每人手機上有1.56個智能家居APP。中國根據Statista數據顯示，德國智能家居市場規模在2022年達到104億歐元，預計到2026年將增長至165億歐元，年復合增長率為10.4%。2021年德國家庭中智能家居設備的普及率為44%，低于歐洲其他國家，顯示出德國智能家居市場仍有較大的增長潛力。照明和供暖是德國智能家居最重要的應用領域，燈具和照明設備占比最高，達到36%，其次是制暖/恒溫器、智能安防攝像頭等。德國3.6人工智能與智能家居3.6.2智能家居的主要系統智能家居智能環境控制系統通過智能設備對室內的溫濕度環境和自然光環境進行控制。智能家庭影音系統常由家庭影院系統、音響、AV功放、投影儀或智能電視以及中控系統等組成。智能家居照明系統利用通信傳感技術、云計算和物聯網技術等對室內照明設施進行綜合控制。智能家居網絡系統通過WiFi、藍牙、Z-Wave、ZigBee等技術組成，以達到萬物互聯的根本目的。智能家居安防報警系統集信息技術、網絡技術、傳感技術、無線電技術、模糊控制技術等多種技術為一體的綜合應用。01020304053.6人工智能與智能家居3.6.3人工智能在智能家居中的應用智能家居能夠識別出用戶的語音指令并正確控制相應的電器設備。智能語音交互實現了人、機、系統之間的無縫連接與通信，讓門鎖具有基本判斷力和學習能力，從而實現智能化運用。智能門鎖關鍵詞的識別可以讓語音系統真正明白用戶的意圖，在需要時及時做出反應，在不需要時默默等待。智能語音識別能全天候自動識別家中異常情況，并做出相應的反應和提示。模式識別攝像頭智能貓眼在原有電子貓眼無線聯網、遠程通話、實時錄像的基礎上還加入了行人識別、危險模式識別、人臉識別、自動報警等功能。謝謝觀看3.7人工智能與大模型3.7人工智能與大模型大模型是指具有大規模參數和復雜計算結構的機器學習模型。這些模型通常由深度神經網絡構建而成，擁有數十億甚至數千億個參數。大模型的設計目的是提高模型的表達能力和預測性能，能夠處理更加復雜的任務和數據。大模型在各種領域都有廣泛的應用，包括自然語言處理、計算機視覺、語音識別和推薦系統等。大模型通過訓練海量數據來學習復雜的模式和特征，具有更強大的泛化能力，可以對未見過的數據做出準確的預測。3.7人工智能與大模型3.7.1大模型的發展歷程雖然大模型是2020年后才逐漸興起并被大眾所熟知，但是大模型的發展可以追溯到1956年。大模型經歷了萌芽期、搜索沉淀期和迅猛發展期三個階段。萌芽期以CNN為代表的傳統神經網絡模型階段1950—2005探索沉淀期以Transformer為代表的全新神經網絡模型階段2006—2019迅猛發展期以GPT為代表的預訓練大模型階段2020—至今3.7人工智能與大模型3.7.2大模型的特點大模型是具有極其龐大參數規模、先進架構和廣泛適用性的機器學習模型。這類模型因其前所未有的規模和強大的通用性而備受關注。視覺模型與跨模態學習資源與計算需求多層神經網絡架構涌現能力與泛化性能大規模參數量多任務學習與遷移學習自然語言理解和生成倫理和社會影響大模型的特點精確一次語義與狀態管理自我校正與自我迭代3.7人工智能與大模型3.7.3大模型的分類1.按照輸入數據類型分類按照輸入數據類型的不同，大模型主要可以分為以下三大類。1）語言大模型（NLP）：是指在自然語言處理（NaturalLanguageProcessing，NLP）領域中的一類大模型，通常用于處理文本數據和理解自然語言。這類大模型的主要特點是它們在大規模語料庫上進行了訓練，以學習自然語言的各種語法、語義和語境規則。例如，GPT系列（OpenAI）、Bard（Google）、文心一言（百度）等。2）視覺大模型（CV）：是指在計算機視覺（ComputerVision，CV）領域中使用的大模型，通常用于圖像處理和分析。這類模型通過在大規模圖像數據上進行訓練，可以實現各種視覺任務，如圖像分類、目標檢測、圖像分割、姿態估計、人臉識別等。例如，VIT系列（Google）、文心UFO、華為盤古CV、INTERN（商湯）等。3）多模態大模型：是指能夠處理多種不同類型數據的大模型，如文本、圖像、音頻等多模態數據。這類模型結合了NLP和CV的能力，以實現對多模態信息的綜合理解和分析，從而能夠更全面地理解和處理復雜的數據。例如，DingoDB多模向量數據庫（九章云極DataCanvas）、DALL-E（OpenAI)、悟空畫畫（華為）、Midjourney等。3.7人工智能與大模型2.按照應用領域分類

按照應用領域的不同，大模型主要可以分為L0、L1、L2三個層級。1）通用大模型L0：是指可以在多個領域和任務上通用的大模型。它們利用大算力、使用海量的開放數據與具有巨量參數的深度學習算法，在大規模無標注數據上進行訓練，以尋找特征并發現規律，進而形成可“舉一反三”的強大泛化能力，可在不進行微調或少量微調的情況下完成多場景任務，相當于AI完成了“通識教育”。2）行業大模型L1：是指針對特定行業或領域的大模型。它們通常使用行業相關的數據進行預訓練或微調，以提高在該領域的性能和準確度，相當于AI成為“行業專家”。3）垂直大模型L2：是指針對特定任務或場景的大模型。它們通常使用任務相關的數據進行預訓練或微調，以提高在該任務上的性能和效果。3.7.3大模型的分類3.7人工智能與大模型3.7.4常見的人工智能大模型大模型OpenAI研發的一款聊天機器人程序，于2022年11月30日發布ChatGPT科大訊飛發布的認知大模型。該模型具有文本生成、語言理解、知識問答、邏輯推理、數學能力、代碼能力、多模交互7大核心能力。訊飛星火百度全新一代知識增強大語言模型，文心大模型家族的成員，能夠與人對話互動、回答問題、協助創作，高效便捷地幫助人們獲取信息、知識和靈感。文心一言謝謝觀看4.1計算機視覺4.1計算機視覺計算機視覺(ComputerVision)是一門研究如何使機器“看”的科學，更進一步地說，是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量的科學。人們認識世界，91%是通過視覺來實現。同樣，計算機視覺的最終目標就是讓計算機能夠像人一樣通過視覺來認識和了解世界，它主要是通過算法對圖像進行識別分析。近幾年計算機視覺技術實現了快速發展，其主要學術原因是2015年基于深度學習的計算機視覺算法在ImageNet數據庫上的識別準確率首次超過人類，同年Google也開源了自己的深度學習算法。4.1計算機視覺4.1.1計算機視覺的發展歷程主要集中于分析與識別二維圖像。0120世紀50年代計算機視覺拉開帷幕；三維計算機視覺的研究；建立了各種數據結構和推理規則。0220世紀60年代03提出了不同于“積木世界”分析方法的視覺計算理論。20世紀70年代基于圖像的繪制成為研究熱點，高效求解復雜全局優化問題的算法得到發展。0521世紀主動視覺理論框架、基于感知特征群的物體識別理論框架等新概念、新方法、新理論不斷涌現。0420世紀80年代4.1計算機視覺1、視覺計算理論框架馬爾提出視覺計算理論，認為視覺就是要對外部世界的圖像構成有效的符號描述，它的核心問題是要從圖像的結構推導出外部世界的結構。視覺從圖像開始，經過一系列的處理和轉換，最后達到對外部現實世界的認識。在馬爾的視覺理論框架中有以下三個重要的概念。4.1.2計算機視覺的原理框架處理指某種操作，它促使事物的轉換。表征指能把某些客體或幾類信息表達清楚的一種形式化系統，以及說明該系統如何行使其職能的若干規則。零交叉代表明暗度的不連續變化或突然變化，是形成物體輪廓的基礎。4.1計算機視覺2.視覺圖像的形成階段馬爾視覺計算理論將視覺過程看成是一個信息加工的過程，將視覺圖像的形成劃分為三個階段。各階段如下：

4.1.2計算機視覺的原理框架這是視覺過程的第三階段，由輸入圖像、基素圖、2.5維圖而獲得物體的三維表示。三維模型表征這是視覺過程的第一階段，由輸入圖像獲得基素圖。視覺的這一階段也稱為早期視覺。二維基素圖（2-Dsketch）這是視覺過程的第二階段，通過符號處理，將線條、點和斑點以不同的方式組織起來而獲得2.5維圖。2.5維要素圖謝謝觀看4.2機器學習4.2機器學習機器學習是通過計算模型和算法從數據中學習規律的一門學問，在各種需要從復雜數據中挖掘規律的領域中有很多應用，已成為當今廣義的人工智能領域最核心的技術之一。4.2.1機器學習的發展歷程雖然機器學習這一名詞以及其中某些零碎的方法可以追溯到1958年甚至更早，但真正作為一門獨立的學科要從1980年算起，在這一年誕生了第一屆機器學習的學術會議和期刊。到目前為止，機器學習的發展經歷了3個階段∶深度學習時期2012年之后萌芽時期1980年代蓬勃發展期1990-2010年代4.2機器學習4.2.2機器學習的原理框架機器學習，即通過自主學習大量數據中存在的規律，獲得新經驗和知識從而提高計算機智能，使得計算機擁有類似人類的決策能力。機器學習中需要解決的最重要的4類問題是預測、聚類、分類和降維?；趯W習形式的不同，通?？蓪C器學習算法分為監督學習、無監督學習、半監督學習以及強化學習四類。指用打好標簽的數據訓練預測新數據的類型或值。即給學習算法提供標記的數據和所需的輸出，對于每一個輸入，學習者都被提供了一個回應的目標。監督學習被用于解決分類和回歸的問題。01在數據沒有標簽的情況下做數據挖掘，無監督學習主要體現在聚類。即給學習算法提供的數據是未標記的，并且要求算法識別輸入數據中的模式，主要是建立一個模型，對輸入的數據進行解釋，并用于下次輸入。無監督學習的典型方法有K－聚類及主成分分析等。02可以理解為監督學習和無監督學習的混合使用。事實上是學習過程中有標簽數據和無標簽數據相互混合使用。一般情況下無標簽數據比有標簽數據量要多得多。03指通過與環境的交互獲得獎勵，并通過獎勵的高低來判斷動作的好壞進而訓練模型的方法。04監督學習無監督學習半監督學習強化學習謝謝觀看4.3生物特征識別4.3