第1章　思考的工具　1
1.1　计算的渊源　1
1.1.1　巨石阵　1
1.1.2　安提基特拉机械　2
1.1.3　阿拉伯数字　2
1.2　巴贝奇与数学机器　3
1.2.1　差分机　3
1.2.2　分析机　4
1.3　计算机的出现　4
1.3.1　为战争而发展的计算机　5
1.3.2　计算机无处不在　6
1.3.3　通用计算机　6
1.3.4　计算机语言　7
1.3.5　计算机建模　8
1.3.6　人工智能大师　8
1.4　计算机的智能行为　9
1.4.1　类人行为：图灵测试　9
1.4.2　类人思考：认知建模　10
1.4.3　理性思考：思维法则　10
1.4.4　理性行为：理性智能体　11
1.4.5　对人类有益的智能体　11
1.5　人工智能的定义　12
1.5.1　“人工”与“智能”　12
1.5.2　人工智能的实现途径　14
1.5.3　人工智能发展的6个阶段　15
【作业】　16
【实践与思考】人工智能与人类思考　18
第2章　数学素养与计算思维　20
2.1　人工智能的学科基础　20
2.2　数学之美与数学素养　21
2.2.1　数学是美的　21
2.2.2　数学素养内涵　22
2.2.3　数学素养的重要性　23
2.2.4　培养和发展数学素养　23
2.2.5　数学素养对人工智能的意义　24
2.3　关于模糊逻辑　24
2.3.1　甲虫机器人的规则　25
2.3.2　模糊逻辑的发明　25
2.3.3　模糊逻辑的定义　26
2.4　计算思维　26
2.4.1　计算思维的概念　27
2.4.2　计算思维的核心要素　27
2.4.3　计算思维的作用　28
2.4.4　培养计算思维　29
2.4.5　计算思维对人工智能的意义　29
【作业】　30
【实践与思考】数学素养与计算思维　32
第3章　数据科学与大数据技术　34
3.1　从机械思维到数据思维　34
3.1.1　人类现代文明的基础　34
3.1.2　确定的还是不确定的　35
3.1.3　解决不确定性问题的思维　35
3.2　数据科学　36
3.2.1　核心要素　36
3.2.2　应用场景　37
3.2.3　数据科学家　37
3.3　大数据思维与变革　38
3.3.1　大数据的定义　38
3.3.2　思维转变之一：样本=总体　39
3.3.3　思维转变之二：接受数据的混杂性　40
3.3.4　思维转变之三：数据的相关关系　41
3.4　从数据到知识　42
3.4.1　决策树分析　42
3.4.2　购物车分析　43
3.4.3　贝叶斯网络　43
3.5　数据挖掘方法　44
3.5.1　数据挖掘的对象　45
3.5.2　数据挖掘的步骤　45
3.5.3　数据挖掘分析方法　46
3.6　大数据与人工智能　47
3.6.1　人工智能与大数据的联系　47
3.6.2　人工智能与大数据的区别　48
3.6.3　人工智能深化大数据应用　48
【作业】　49
【实践与思考】数据素养与大数据技术　51
第4章　智能体技术　54
4.1　智能体和环境　54
4.2　智能体的良好行为　55
4.2.1　性能度量　55
4.2.2　理性　56
4.2.3　全知、学习和自主　56
4.3　环境的本质　57
4.3.1　指定任务环境　57
4.3.2　任务环境的属性　57
4.4　智能体的结构　59
4.4.1　智能体程序　59
4.4.2　学习型智能体　60
4.4.3　智能体程序组件的工作　61
4.5　智能代理技术　62
4.5.1　智能代理的定义　62
4.5.2　典型工作过程　63
4.5.3　智能代理的特点　63
4.5.4　系统内协同合作　64
4.6　智能代理的典型应用　65
4.6.1　股票/债券/期货交易　65
4.6.2　医疗诊断　66
4.6.3　搜索引擎　66
4.6.4　实体机器人　66
4.6.5　电脑游戏　67
【作业】　67
【实践与思考】智能体设计与行为分析　69
第5章　传统机器学习　71
5.1　什么是机器学习　71
5.1.1　机器学习的发展　71
5.1.2　机器学习的定义　73
5.2　基于学习方式的分类　74
5.2.1　监督学习　74
5.2.2　无监督学习　75
5.3　学习系统的基本结构　75
5.4　机器学习算法　76
5.4.1　回归算法　76
5.4.2　k近邻算法　77
5.4.3　决策树算法　77
5.4.4　朴素贝叶斯算法　78
5.4.5　聚类算法　78
5.4.6　支持向量机算法　78
5.4.7　神经网络算法　78
5.4.8　梯度增强算法　79
5.4.9　关联规则算法　79
5.4.10　最大期望算法　79
5.5　机器学习的应用　79
5.5.1　数据分析与挖掘　80
5.5.2　模式识别　80
5.5.3　生物信息学应用　80
5.5.4　物联网设备　81
5.5.5　聊天机器人　81
5.5.6　自动驾驶　81
【作业】　82
【实践与思考】机器学习算法及其应用　83
第6章　神经网络与深度学习　86
6.1　动物的中枢神经系统　86
6.1.1　神经系统的结构　87
6.1.2　神经系统的学习机制　87
6.2　了解人工神经网络　88
6.2.1　人工神经网络的研究　88
6.2.2　典型的人工神经网络　88
6.2.3　类脑计算机　89
6.3　深度学习　89
6.3.1　深度学习的核心技术　89
6.3.2　深度学习的优势　90
6.3.3　深度学习的意义　90
6.3.4　神经网络理解图像　91
6.3.5　深度学习示例　92
6.3.6　机器学习与深度学习的关系　95
6.4　卷积神经网络　95
6.4.1　为什么选择卷积　95
6.4.2　卷积神经网络结构　97
6.5　迁移学习　98
6.6　深度学习的应用　99
【作业】　100
【实践与思考】神经网络基础与深度学习模型优化　102
第7章　强化学习　105
7.1　强化学习的定义　105
7.1.1　发展历程　106
7.1.2　基本模型和原理　106
7.1.3　网络模型设计　106
7.1.4　设计考虑　107
7.1.5　数据依赖性　108
7.2　强化学习与监督学习的区别　109
7.2.1　学习方式　109
7.2.2　先验知识与标注数据　110
7.3　强化学习的基础理论　111
7.3.1　基于模型与无模型环境　111
7.3.2　探索与利用　111
7.3.3　预测与控制　112
7.4　强化学习的分类　112
7.4.1　从奖励中学习　112
7.4.2　被动强化学习　113
7.4.3　主动强化学习　113
7.4.4　强化学习中的泛化　113
7.4.5　学徒学习与逆强化学习　114
7.5　强化学习的应用　114
7.5.1　游戏博弈　115
7.5.2　机器人控制　115
7.5.3　制造业　116
7.5.4　医疗服务业　117
7.5.5　电子商务　117
【作业】　118
【实践与思考】强化学习基础与模型优化　119
第8章　自然语言处理与大语言模型　122
8.1　语言的问题和可能性　122
8.2　从自然语言处理起步　123
8.2.1　自然语言处理研究的内容　123
8.2.2　深度学习的影响　124
8.2.3　语音理解与语音识别　125
8.3　大语言模型的崛起　126
8.3.1　语言模型基础　127
8.3.2　大语言模型的特征　127
8.4　高性能、低算力成本的DeepSeek　128
8.4.1　数据蒸馏技术　128
8.4.2　让大模型的投入与收益成正比　129
8.5　大语言模型工作原理　129
8.5.1　词元及其标记化　130
8.5.2　基础模型　130
8.5.3　词嵌入及其含义　131
8.5.4　生成和理解　131
8.6　大语言模型生成模型　131
8.6.1　大语言模型核心技术　132
8.6.2　生成对抗网络　133
8.6.3　变分自编码器　133
8.6.4　变分自编码器的潜在空间探索　134
8.6.5　流模型　134
【作业】　135
【实践与思考】大语言模型典型案例分析　137
第9章　生成式人工智能技术　139
9.1　生成式人工智能　139
9.1.1　什么是生成式人工智能　140
9.1.2　什么是AIGC　141
9.2　AIGC的应用场景　141
9.3　提示工程的定义　143
9.4　提示工程原理　144
9.4.1　提示词分类　145
9.4.2　提示构成　145
9.4.3　提示调优　146
9.5　提示工程技术　146
9.5.1　链式思考提示　147
9.5.2　生成知识提示　147
9.5.3　少样本提示　147
9.5.4　自一致提示　148
9.5.5　思维树提示　148
9.6　大语言模型的幻觉　149
【作业】　151
【实践与思考】熟悉阿里云大模型“通义千问”　152
第10章　机器人技术　155
10.1　包容体系结构　155
10.1.1　所谓“中文房间”　156
10.1.2　传统机器人学　156
10.1.3　建立包容体系结构　156
10.1.4　包容体系结构的实现　157
10.2　机器感知　158
10.3　机器人的概念　159
10.3.1　机器人三原则　159
10.3.2　机器人的分类　160
10.3.3　智能机器人与非智能机器人　160
10.4　机器人与AIGC的结合　161
10.5　机器人的技术问题　162
10.5.1　机器人的组成　162
10.5.2　机器人的运动　163
10.5.3　波士顿机器人“大狗”　164
10.5.4　宇树机器人　165
10.6　具身智能与大动作模型　167
10.6.1　智能的物理基础　167
10.6.2　感知-运动耦合核心挑战　167
10.6.3　视觉-语言-动作模型架构　168
10.6.4　典型系统：RT-2、RT-X与OpenVLA　169
10.6.5　仿真到现实迁移　170
【作业】　171
【实践与思考】机器人编程与应用　172
第11章　计算机视觉　175
11.1　模式识别　175
11.2　图像识别　176
11.2.1　人类的图像识别能力　177
11.2.2　图像识别基础　177
11.2.3　图像识别模型　179
11.2.4　神经网络图像识别　179
11.3　计算机视觉技术　180
11.3.1　什么是机器视觉　180
11.3.2　定义计算机视觉　181
11.3.3　计算机视觉与机器视觉的区别　182
11.4　智能图像处理技术　182
11.4.1　图像采集　183
11.4.2　图像预处理　183
11.4.3　图像分割　183
11.4.4　目标识别和分类　183
11.4.5　目标定位和测量　184
11.4.6　目标检测和跟踪　184
11.5　视觉技术的应用　184
11.5.1　视觉系统典型功能　185
11.5.2　机器视觉的行业应用　186
11.5.3　检测与机器人视觉应用　187
11.5.4　布匹生产质量检测　188
【作业】　189
【实践与思考】图像处理与识别　190
第12章　群体智能技术　193
12.1　向蜜蜂学习群体智能　193
12.2　什么是群体智能　195
12.2.1　群体人工智能技术　195
12.2.2　群体智能的两种机制　196
12.2.3　基本原则与特点　196
12.3　典型算法模型　197
12.3.1　蚁群算法　197
12.3.2　搜索机器人　199
12.3.3　微粒群（鸟群）优化算法　199
12.3.4　没有机器人的集群　201
12.4　群体智能背后的故事　201
12.5　群体智能的应用　203
12.6　“机器狼”的发展　204
【作业】　206
【实践与思考】群体智能算法与应用　207
第13章　人工智能的典型应用　210
13.1　AIGC文本生成技术　210
13.1.1　文本摘要技术　210
13.1.2　诗歌生成　211
13.1.3　简单对话系统　212
13.1.4　翻译任务中的应用　213
13.2　AIGC图像生成应用　214
13.3　预测分析：葡萄酒的品质　216
13.4　智能推荐系统　218
13.4.1　奈飞电影推荐系统　219
13.4.2　亚马逊图书推荐系统　220
13.5　自动规划问题　220
13.5.1　什么是规划　221
13.5.2　定义自动规划　221
13.5.3　规划问题示例　222
【作业】　223
【实践与思考】提升人工智能应用的实战能力　224
第14章　人工智能伦理与安全　227
14.1　人工智能面临的伦理挑战　227
14.1.1　人工智能与人类的关系　227
14.1.2　人与智能机器的沟通　228
14.1.3　数据共享问题　229
14.2　伦理与安全　230
14.2.1　创造智能机器的大猩猩问题　230
14.2.2　积极与消极的方面　230
14.2.3　人才和基础设施短缺　231
14.2.4　设定伦理要求　231
14.2.5　强力保护个人隐私　232
14.2.6　机器人权利　232
14.3　人工智能伦理原则　232
14.3.1　创新发展道德伦理宣言　233
14.3.2　欧盟可信赖的伦理准则　235
14.3.3　百度四大伦理原则　236
14.3.4　微软六大伦理原则　236
14.4　构建“可信赖”人工智能系统　238
14.4.1　人机对齐的技术核心　238
14.4.2　人机对齐的应用场景　239
14.4.3　未来挑战与时代使命　239
14.5　人工智能伦理的发展　240
【作业】　241
【实践与思考】制定人工智能伦理原则的现实意义　243
第15章　人工智能未来发展　245
15.1　创新发展与社会影响　245
15.1.1　人工智能发展的启示　245
15.1.2　发展现状与影响　246
15.2　人工智能的极限　247
15.2.1　由非形式化得出的论据　247
15.2.2　衡量人工智能　248
15.3　人工智能架构　248
15.3.1　传感器与执行器　249
15.3.2　通用人工智能　249
15.3.3　人工智能工程　250
15.4　未来的人工智能　250
15.4.1　意识与感质　251
15.4.2　机器能思考吗　252
15.4.3　预训练时代或将走向终结　252
15.4.4　影响工程的顶级趋势　252
15.4.5　未来已来　254
【作业】　255
【课程学习与实践总结】　257
附录　课程教学进度表　261
参考文献　262