本书主要是为非计算机和人工智能领域专业学生编写的人工智能通识教材，旨在培养具备AI基础知识和AI素养的高素质复合型人才。本书紧扣AI技术前沿，系统讲解核心概念、发展历程、主流学派及核心技术，涵盖机器学习、深度学习、计算机视觉、智能体及自然语言处理等领域，并通过无人驾驶、医疗诊断、智慧城市等典型案例，展现其广泛的应用场景。全书分为七讲：AI概览(基本概念与发展历史)、AI学习机制(AI算法与模型)、感知与认知智能(机器视觉与知识图谱)、智能体与智能系统(AI系统架构与大模型)、NLP与AI大模型(语言处理与生成式AI)、AI应用与发展(AI领域实践)、AI安全与伦理（AI问题与社会问题）。本书内容新颖实用，兼顾广度与深度，注重AI思维和素养的培养，弱化理论基础和实践门槛，助力读者构建AI知识体系，培养AI合规应用与伦理意识。

王海涛，南京审计大学金审学院信息科学与工程学院教授，数据科学与大数据技术专业负责人，硕士生导师。江苏省人工智能学会理事、江苏省大数据专委会委员、江苏省应用型高校计算机学科建设专委会委员、计算机学会和通信学会高级会员、系统仿真学报编委，IEEE期刊、通信学报、电子学报和软件学报审稿专家。先后毕业于解放军通信工程学院和解放军理工大学获学士、硕士和博士学位。主持国家自然科学基金面上项目1项，主持和参与完成军队和省级科研项目多项，获军队科技进步二等奖1项、军队科技进步三等奖2项。研究方向主要包括：计算机网络、无线自组网、人工智能、信息安全、应急通信和大数据等。迄今，发表学术论文百余篇，出版著作7部，授权国家发明专利9项。

目 录

第1讲 AI概览 1
1.1 相关概念 1
1.1.1 智能的定义 1
1.1.2 人工智能的定义 2
1.2 发展历程 4
1.2.1 漫长孕育 4
1.2.2 诞生成长 5
1.2.3 曲折前行 6
1.2.4 蓬勃兴起 8
1.2.5 发展总结 9
1.3 主流学派 10
1.3.1 符号主义学派 10
1.3.2 连接主义学派 10
1.3.3 行为主义学派 11
1.3.4 学派对比分析 11
1.4 研究范畴 12
1.4.1 学科内涵 12
1.4.2 研究领域 13
1.5 典型应用 18
习题 21
第2讲 AI学习机制 22
2.1 机器学习 22
2.1.1 机器学习概述 22
2.1.2 机器学习分类 24
2.1.3 常见的机器学习算法 31
2.2 机器学习主要流程 36
2.2.1 数据与数据集——机器学习的基石 37
2.2.2 数据预处理 38
2.2.3 模型训练与测试 41
2.2.4 模型评估 42
2.2.5 新样本预测 42
2.3 深度学习常见模型 43
2.3.1 卷积神经网络 43
2.3.2 循环神经网络 46
2.3.3 Transformer 47
2.3.4 生成对抗网络 48
2.3.5 深度强化学习 49
习题 51
第3讲 感知与认知智能 52
3.1 机器视觉 52
3.1.1 什么是机器视觉 52
3.1.2 机器视觉的发展 53
3.1.3 机器视觉的技术要素 53
3.2 计算机视觉 54
3.2.1 什么是计算机视觉 54
3.2.2 计算机视觉的发展历程 56
3.3 模式识别 62
3.3.1 什么是模式识别 62
3.3.2 模式识别的研究进展 63
3.3.3 模式识别的核心任务 63
3.3.4 模式识别的主要方法 63
3.3.5 模式识别的发展趋势 63
3.4 图像识别 64
3.4.1 人类的图像识别能力 64
3.4.2 图像识别的基础 65
3.4.3 图形识别的模型 66
3.4.4 神经网络图像识别 67
3.5 图像理解 67
3.5.1 图像数据处理 67
3.5.2 图像分类 69
3.5.3 图像分割 70
3.6 计算机视觉的应用 72
3.6.1 自动驾驶环境感知系统 72
3.6.2 工业智能质检系统 73
3.6.3 医疗影像辅助诊断系统 74
3.7 知识表示 75
3.7.1 知识和知识表示的概念 75
3.7.2 知识表示方法 75
3.7.3 知识图谱的价值 76
习题 79
第4讲 智能体与智能系统 80
4.1 智能体与智能系统概述 80
4.1.1 智能体组成要素 81
4.1.2 智能系统的分类与演进 82
4.1.3 大模型对智能体发展的影响 83
4.2 智能体的基础理论与架构 85
4.2.1 基础理论 85
4.2.2 智能体的架构模式 86
4.2.3 典型案例 87
4.3 大模型与智能体的关键技术 88
4.3.1 Transformer架构与自注意力机制 88
4.3.2 预训练、微调与指令优化 89
4.3.3 多模态融合 90
4.3.4 复杂环境下的动态推理 91
4.3.5 智能体的持续学习与进化 91
4.4 构建基于大模型的智能体 92
4.4.1 关键模块 92
4.4.2 规划和决策能力 93
4.4.3 记忆机制 93
4.4.4 工具调用 94
4.4.5 推理引擎：ReAct框架 94
4.5 智能系统工程化实践 95
4.5.1 需求分析与场景定制 95
4.5.2 数据处理与管理 95
4.5.3 模型选择与训练优化 96
4.5.4 智能体设计与集成 96
4.5.5 系统部署与运维 96
4.5.6 开发工具链与框架 97
4.6 未来技术趋势 98
4.6.1 具身智能 98
4.6.2 通用人工智能 99
习题 100
第5讲 NLP与AI大模型 101
5.1 语言理解为何困难 101
5.1.1 语言的千面之谜 101
5.1.2 孩童的启示录 101
5.1.3 机器的困境之旅 102
5.2 NLP的核心任务 102
5.2.1 基础处理技术：语言的解剖学 102
5.2.2 深度理解技术：语义的破译工程 103
5.2.3 内容生成技术：机器的创造力觉醒 104
5.3 技术演进之路 104
5.3.1 规则驱动时期(1950—1989)：语言的“乐高积木”时代 104
5.3.2 统计学习时期(1990—2009)：概率开启的巴别塔 105
5.3.3 深度学习革命(从2010年至今)：神经网络的觉醒 105
5.4 语法分析与语义分析：解码语言的双重密码 106
5.4.1 语法分析：语言的建筑学 106
5.4.2 语义分析：意义的侦探术 107
5.4.3 技术进化的双重奏 108
5.4.4 现实挑战与人文思考 109
5.5 处理数据与处理工具：从原始矿藏到精炼燃料 109
5.5.1 数据集：NLP的原始矿脉 109
5.5.2 处理工具：数据炼金术的熔炉 110
5.5.3 现实难点：炼金术士的荆棘之路 110
5.6 大语言模型的概念：数字化的语言基因 111
5.6.1 无预设的进化 111
5.6.2 动态的语义网络 112
5.7 发展历程：从统计模型到认知革命 113
5.7.1 统计机器翻译时代(2000—2012)：笨拙的词语搬运工 113
5.7.2 深度学习崛起(2013—2017)：神经网络的启蒙运动 113
5.7.3 预训练模型纪元(从2018年至今)：智能的寒武纪大爆发 113
5.8 技术原理：智能涌现的数学密码 114
5.8.1 Transformer：语言的时空折叠术 114
5.8.2 训练范式知识的炼金术 115
5.8.3 参数矩阵：智慧的量子纠缠 116
5.8.4 计算炼狱：智能的物理代价 116
5.9 应用场景：从文本生成到社会重构 116
5.9.1 内容创作革命：数字缪斯的觉醒 117
5.9.2 垂直领域突破：专业智能体的崛起 117
5.9.3 多模态融合：跨维度的认知飞跃 118
5.9.4 社会重构：文明演进的双刃剑 118
5.10 生成式人工智能：创造力的数字觉醒 119
5.10.1 多模态生成应用图谱 119
5.10.2 技术基石：创造力的数学密码 121
习题 122
第6讲 AI应用与发展 123
6.1 AI在自主智能系统中的应用 123
6.1.1 无人驾驶汽车 123
6.1.2 无人机集群 124
6.1.3 探索机器人 125
6.2 AI在制造业中的应用 126
6.2.1 工业缺陷检测 126
6.2.2 预测性维护 127
6.3 AI在农业中的应用 128
6.3.1 病虫害检测与管理 128
6.3.2 智能采摘 129
6.4 AI在智慧城市中的应用 129
6.4.1 智能交通 130
6.4.2 智慧能源管理 131
6.4.3 智能废料管理 132
6.5 AI在医疗健康中的应用 133
6.5.1 医学影像智能诊断 133
6.5.2 健康监测与远程医疗 134
6.5.3 AI驱动的药物研发 135
6.6 人工智能的未来发展趋势 136
习题 138
第7讲 AI安全与伦理 139
7.1 AI安全和隐私问题 139
7.1.1 AI安全性挑战 139
7.1.2 AI隐私保护 142
7.2 AI伦理和法律问题 143
7.2.1 伦理与AI伦理概念 143
7.2.2 AI伦理困境 144
7.2.3 AI法律困境 146
7.3 AI产生的其他社会问题 147
7.4 AI安全与伦理问题的应对 148
习题 152
实验平台 153
实验任务一 客户评价情感分析 156
实验任务二 语音识别 165
实验任务三 TTS文字转语音 171
实验任务四 OCR文字识别 173
参考文献 177