人工智能是一门新兴的综合性学科，涉及计算机科学、神经科学、心理学、数学、哲学等多种学科，近年来发展迅猛并已取得广泛成果。人工智能素养（AI Literacy）逐渐成为个体生存和发展的重要素养之一。本书旨在适应新时代高等教育人才培养对人工智能和数智素养的急迫需求，培养大学生在人工智能时代具备了解人工智能、使用人工智能、创新人工智能和恪守人与人造物关系等方面的综合能力。本教材将介绍人工智能的基本概念，人工智能的核心方法，包括：知识表示与推理、规划问题与搜索方法、机器学习、深度学习，人工智能的关键应用，包括数据挖掘、计算机视觉、自然语言处理和大语言模型，以及人工智能前沿，包括智能体、群体智能和机器人技术，并探讨这些正在迅速发展的学科所引发的社会伦理问题。

陈海明，博士，副教授，现任宁波大学信息学院副院长，毕业于中国科学院研究生院（计算技术研究所），主要从事智能物联网系统中的高效能数据传输与云边协同智能计算方法的研究，已在IEEE TMC、 IEEE TCC、IEEE TPDS、IEEE IoTJ等国际和国内重要期刊和会议上发表论文共90多篇（其中SCI/EI检索70多篇），曾获得《计算机学报》（2013-2017）优秀论文奖、2024中国知网高被引学者TOP5%、北京市科学技术奖三等奖等科技奖励，主持国家自然科学基金青年科学基金项目1项，浙江省自然科学基金项目2项及多项省级、市级科研项目。同时任宁波大学人工智能通识课程（理工农医）的负责人，课程立项浙江省一流人工智能通识课程，获得多项国家级、省级、校级教学成果奖励。

第1章 人工智能概述 1
1.1 概括 2
1.2 人工智能的定义 2
1.3 图灵测试与智能水平 4
1.4 实现人工智能的主要途径 5
1.4.1 符号主义 5
1.4.2 连接主义 6
1.4.3 行为主义 6
1.4.4 各个学派的代表性人物与主要贡献 7
1.5 人工智能的发展历程 8
1.5.1 第一个发展期到第一个低谷期（1956—1974） 8
1.5.2 第二个发展期到第二个低谷期（1975—1993） 9
1.5.3 第三个发展期：步入平稳（1994—2005） 10
1.5.4 第四个发展期：成为引领（2006—） 11
1.5.5 发展启示 13
1.6 人工智能的研究领域 17
1.6.1 知识表示 17
1.6.2 推理 18
1.6.3 规划 18
1.6.4 学习 19
1.7 人工智能的应用领域 20
1.7.1 定理证明 20
1.7.2 专家系统 21
1.7.3 博弈 21
1.7.4 数据挖掘 22
1.7.5 自然语言处理 22
1.7.6 模式识别与计算机视觉 23
1.7.7 智能控制 24
1.8 人工智能的三个要素 24
1.8.1 算法 25
1.8.2 数据 25
1.8.3 算力 26
思考题 27
第2章 知识表示与推理 29
2.1 概述 30
2.2 逻辑表示法与自然演绎推理 31
2.2.1 命题逻辑表示法与自然演绎推理 31
2.2.2 谓词逻辑表示法与自然演绎推理 33
2.3 产生式表示法与产生式系统 35
2.3.1 产生式表示法 35
2.3.2 产生式系统 36
2.4 状态空间法 38
2.5 知识图谱与关系推理 40
2.5.1 语义网络 40
2.5.2 知识图谱 41
2.5.3 知识图谱推理 42
思考题 44
第3章 规划与搜索 45
3.1 概述 46
3.2 盲目搜索策略 47
3.2.1 宽度优先搜索 47
3.2.2 深度优先搜索 49
3.3 启发式搜索策略 50
3.3.1 A算法和A*算法 50
3.3.2 模拟退火算法 53
3.3.3 遗传算法 56
思考题 63
第4章 机器学习与数据挖掘 64
4.1 概述 65
4.2 监督学习 67
4.2.1 基本原理 67
4.2.2 回归 67
4.2.3 分类 70
4.3 无监督学习 78
4.3.1 基本原理 78
4.3.2 聚类 78
4.3.3 降维 82
4.4 强化学习 84
4.5 数据挖掘 86
4.5.1 基本原理 86
4.5.2 案例分析 89
思考题 93
第5章 深度学习与人工神经网络 94
5.1 概述 95
5.2 人工神经元和感知机模型 96
5.2.1 人工神经元模型 96
5.2.2 感知机模型 98
5.3 多层感知机与人工神经网络 99
5.3.1 多层感知机 99
5.3.2 BP神经网络 102
5.3.3 Hopfield神经网络 104
5.3.4 玻尔兹曼机 105
5.4 卷积神经网络与计算机视觉 106
5.4.1 卷积神经网络 106
5.4.2 计算机视觉 111
5.5 循环神经网络与自然语言处理 115
5.5.1 循环神经网络 115
5.5.2 自然语言处理 117
思考题 124
第6章 生成式深度学习与大语言模型 125
6.1 概述 126
6.2 生成对抗网络 128
6.2.1 基本原理 128
6.2.2 应用场景 129
6.3 Transformer模型 131
6.3.1 基本原理 131
6.3.2 应用场景 134
6.4 基础大语言模型 136
6.4.1 国外大语言模型 138
6.4.2 国内大语言模型 139
6.5 垂类大语言模型 142
6.5.1 ChatGPT 143
6.5.2 通义千问 144
6.5.3 文心一言 145
6.5.4 豆包 145
6.5.5 智谱清言 146
6.6 提示词工程 147
6.6.1 提示词的基本元素 148
6.6.2 提示词工程的关键技术 148
6.7 基于大语言模型的智能体 150
6.7.1 智能体的结构 150
6.7.2 智能体的类型 151
6.7.3 智能体的特点 152
6.7.4 智能体的应用 152
6.8 个人助理智能体搭建 154
6.8.1 创建智能体准备 155
6.8.2 编排智能体 157
6.8.3 测试与调优智能体 162
6.8.4 发布智能体 162
6.8.5 编辑智能体 162
思考题 163
第7章 人工智能的发展与挑战 165
7.1 概述 166
7.2 人工智能+ 166
7.2.1 科学智能 166
7.2.2 智能制造 169
7.2.3 智慧农业 170
7.2.4 智慧医疗 171
7.2.5 智慧交通 172
7.3 未来发展 173
7.3.1 具身智能 173
7.3.2 群体智能 176
7.3.3 类脑智能 179
7.3.4 通用人工智能 180
7.4 机遇与挑战 181
7.4.1 技术产业方面 181
7.4.2 宏观经济方面 182
思考题 182
第8章 人工智能的伦理与安全 184
8.1 概述 185
8.2 人工智能伦理 186
8.2.1 定义与范畴 186
8.2.2 共识原则 187
8.3 人工智能安全 188
8.3.1 定义与范畴 188
8.3.2 前沿问题与热点技术 188
8.4 负责任的人工智能 189
8.4.1 负责任的人工智能的定义 189
8.4.2 负责任的人工智能的实现途径 190
8.4.3 负责任的人工智能的重要意义 192
思考题 193