# 人工智能的基本内涵
- 在2023年前，谈起人工智能，首先想到：
- 智能语音+自然语言处理（NLP）
- 虚拟现实技术（VR,AR）
- 计算机视觉（CV）
- 生物特征识别 (指纹、虹膜识别，etc.)
- ...
趋势：逐渐应用于现实生活
- 如今，谈起人工智能：
- 各种大语言模型（LLM）（ChatGPT,Deepseek,...）
- 文生图，图生图，文生视频... (Midjurney,Stable Diffusion,...)
- 2025年，LLM进一步进化
# 人工智能的定义
- 能够执行通常需要人类智能的任务的计算机系统的理论和技术，例如视觉感知，语音识别，决策和语言之间的翻译
Artificial Intelligence is the theory and development of computer systems able to perform tasks normally requiring human intelligence，such as visual perception,speech recognition,decision-making,and translation between languages. ——Oxford Dictionary
# 人工智能的发展历程
# 人工智能的诞生（1943－1956）
- 0-1人工神经网络模型（McCulloch and Pitts 1943）
- 利用逻辑运算来模拟神经元的触发机制
- 第一台神经网络计算机（马文明斯基，1950）
- 图灵和香农提出并实现自动下棋程序（1950-1952）
- 阿兰图灵提出图灵测试：（1950）
- 如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。
# 人工智能的诞生（1956）
- 达特茅斯人工智能夏季研究项目（达特茅斯工作坊）
# 第一次AI热潮：推论搜索期(60－70年代)
- 强化学习，游戏训练（贪吃蛇，俄罗斯方块...）
- 第一次工智能浪潮，主要围绕推论和搜索来解决特定问题，但是在日常生活中没有什么用处。
# 第二次AI热潮：专家系统（80－90年代）
- 致力于向计算机灌输“知识”,使其更加智能化
- 输出受限于专家知识库，泛化能力差 （人的逻辑能力与泛化能力都更强）
# 第三次AI热潮：机器学习期（1993－2020）
- 典型例子： 1997年IBM“深蓝”战胜国际象棋世界冠军，2016年谷歌AlphaGo战胜围棋世界冠军
- 在摩尔定律下，计算机性能不断突破。深度学习、云计算、大数据、机器学
习、自然语言和机器视觉等领域发展迅速，人工智能迎来第三次高潮。 - 但人工智能仍然局限于一些特定领域，无法完成一些跨领域任务
# 第四次AI热潮：生成式人工智能期（2020－）
- 人工智能模型： 从鉴别，预测到生成
- 已经能够进行一些推理任务（图片推理，视频推理，文献总结...）以及完成一些考试任务
# 人工智能发展面临的挑战
# AI有哪些应用风险？
- 隐私泄露
- 敏感和违法内容
- 错误回答
- 真假难辨
- 版权问题
- 作弊问题
- ...
# AI偏见问题
- 机器学习通过大量的案创来实现学习。
- 人类的偏见既存在于数据也存在与技术。
- 算法偏见主要有：
- 交互偏见：interaction bias（交互数据的偏颇）
- 潜在偏见：latent bias（潜意识的偏见，例如物理学家是男性）
- 选择偏见：selection bias（选择的数据不一定具有代表性）
# 大模型偏见问题典型案例：简历推荐
- 彭博社用GPT3.5生成8份不同的简历
- 人为修改简历，让8人的教育水平、工作经验、工作岗位等相当
- 人为修改每个人的名字，让这些名字体现种族色彩
- 排序1000次后，黑人的简历往往被排在最后
- 其他偏见：
- 性别和区域偏见
- 名字导致的偏见（不同区域名字的特征不同）
- 语言之间的偏见
- 描述词选择的偏见
- 性别角色选择的偏见
- 对话主题的偏见
- 这些偏见大多来源于作为数据创造者的人类自身的偏见
# AI道德伦理问题（如使用LLM完成作业与科研）
- 科研人员应对科研成果负最终责任
- AI系统既不是作者，也不是共同作者；
- 科研人员不能在科学研究过程中使用生成式AI创建的捏造材料，如伪造、篡改或操纵原始研究数据。
- 应透明地使用生成式人工智能
- 科研人员应详细说明在研究过程中主要使用了哪些生成式AI工具
- 在与AI工具共享敏感或受保护信息时，要特别注意隐私、保密及知识产权相关的问题
- 科研人员应保护未发表或敏感的作品
# AI对人的影响：基于LLM的编程提示反馈
# 人工智能的应用场景
| “AI+” | ||
|---|---|---|
| AI+文旅 | AI+传媒 | AI+教育 |
| AI+能源 | AI+医药 | AI+金融 |
# 人工智能的工作机制
# 现代AI的基本要素
- 数据
- 算法
- 场景
- 算力
互相作用，相互制约
# 现代AI基本工作流程
- 数据→建模→预测/生成
- ML和DL的主要区别：ML需要人工数据标注，而DL基于数据本身自主标注数据
- 例1：鉴别类任务（区分猫狗，手写体识别）
- 例2：生成式任务：文字生成
- GPT:Generative Pre-trained Transformer生成式预训练变换神经网络
- G-生成式：不是简单的0/1预测 而是生成新的内容
- P-预训练：基础模型已经训练好，可迁移使用，无需自己从头训练
- T-变换网络：一种处理自然语言的神经网络模型
- 其他任务：文生图，生成对抗网络（GAN）
# GPT的训练过程（OpenAI）
- 预训练：能解和生成长文本
- 需要海量数据与算力资源
- 冗余数据与模型算法效率是需要解决的问题
- 有监督微调：具备基本问答、翻译等功能 （SFT）
- 给出示例问答数据，让模型模仿和学习如何回答。
- prompt微调
- 奖励建模：利用大规模标记数据提升性能
- 基于人类的反馈进一步提升问答的质量。（RAHF）
- 训练一个奖励模型，可以对答案进行高低评分。
- 强化学习：综合性能再提升
- 用奖励模型对回答进行评分，通过强化学习让模型输出高分回答。
# 人工智能实践平台与环境搭建
- Anaconda开发环境安装
- 略，网上都有教程。
- 官方网址：Anaconda
- miniconda也可以
- 可视化数据挖掘软件Orange
- 官方网址：Orange
- Google colab（用于白嫖算力）（需科学上网）
- 官方网址：Google_colab
# 附：机器学习/人工智能/大模型相关书籍与视频推荐
书籍：
- 吴飞 著. 人工智能导论：模型与算法，北京：高等教育出版社，2021
- 张奇、桂韬、郑锐、黄萱菁：大规模语言模型：从理论与实践（第2版），电子工业出版社，2025
- 周志华 著. 机器学习, 北京: 清华大学出版社, 2016年1月. (西瓜书)
- Ian Goodfellow and Yoshua Bengio and Aaron Courville.Deep Learning,MIT Press,2016.(花书)
