本书为普通高等学校非计算机专业人工智能通识课程教材，坚持"轻理论、少原理、重应用、易学习”的理念，以通俗语言介绍人工智能的基础知识、核心技术与典型应用，弱化复杂公式和原理推导，突出人工智能与各专业领域的结合，强调工具使用与实践能力的培养。本书共10章，主要内容包括人工智能概述、大数据、机器学习、深度学习、大模型、自然语言处理、计算机视觉与机器视觉、生成式AI、智能体与具身人工智能、人工智能的安全与伦理。

刘文文，女，1989年生，中共党员，拥有8年企业项目工作经验，主持和参与省、市级科研项目和校教改项目10余项，承担多门本科教学工作，指导学生参加蓝桥杯、传智杯、计算机能力挑战赛等学科竞赛，获国家级奖项3项，省级奖项10余项。

目录
第1章 人工智能概述 1
1.1 走进人工智能的世界 2
1.1.1 人工智能的定义与核心内涵 2
1.1.2 人工智能的技术特征 3
1.1.3 人工智能的分类 3
1.1.4 人工智能的三大核心要素 4
1.1.5 人工智能的发展历程 6
1.2 我国人工智能发展史 8
1.3 智能的边界与探索 9
1.3.1 图灵测试 9
1.3.2 中文屋思想实验 11
1.3.3 关于智能本质的哲学探讨 12
1.4 人工智能的三大流派 13
1.4.1 符号主义 13
1.4.2 联结主义 14
1.4.3 行为主义 15
1.5 人工智能的多元领域 17
1.5.1 核心领域与核心作用 17
1.5.2 领域间的关联逻辑 20
第2章 大数据：AI的基石 21
2.1 大数据时代的崛起 22
2.1.1 大数据的定义与特征 22
2.1.2 大数据时代的背景 24
2.1.3 数据增长的惊人规模 26
2.2 大数据技术全景 27
2.2.1 大数据采集技术 27
2.2.2 数据预处理技术 30
2.2.3 大数据存储技术 33
2.2.4 数据分析与挖掘技术 36
2.2.5 案例分析 39
2.3 大数据的广泛应用 40
2.3.1 金融行业应用 40
2.3.2 医疗行业应用 42
2.3.3 制造业应用 43
2.3.4 其他行业应用 44
第3章 机器学习：AI的学习之道 49
3.1 机器学习的基本概念 50
3.1.1 机器学习的定义与内涵 50
3.1.2 机器学习的本质 50
3.1.3 机器学习的发展历程 51
3.1.4 机器学习的环节 52
3.2 机器学习的类型 52
3.2.1 监督学习 53
3.2.2 无监督学习 54
3.2.3 半监督学习 55
3.2.4 强化学习 56
3.2.5 四种机器学习类型的对比与适用场景 56
3.3 常用机器学习算法 58
3.3.1 线性回归 58
3.3.2 决策树 59
3.3.3 支持向量机 60
3.3.4 K-Means聚类算法 62
3.3.5 四种常用机器学习算法的对比 63
3.4 机器学习的实际应用与实用工具 64
3.4.1 日常生活与消费领域 64
3.4.2 金融与财经领域 66
3.4.3 医疗与健康领域 66
3.4.4 交通与出行领域 67
3.4.5 工业与生产领域 67
3.4.6 现代农业领域 68
3.4.7 教育领域 68
3.4.8 文创与办公领域 69
第4章 深度学习：AI的进阶之路 70
4.1 深度学习的起源与发展 71
4.1.1 深度学习的早期探索 71
4.1.2 深度学习发展的低谷与瓶颈 72
4.1.3 深度学习的复兴 72
4.1.4 里程碑事件 74
4.1.5 深度学习的蓬勃发展 75
4.2 深度神经网络解析 77
4.2.1 神经元——深度神经网络的基础单元 77
4.2.2 激活函数的奥秘——深度神经网络的“开关”机制 78
4.2.3 神经网络的架构——“搭建方式”决定模型能力 79
4.2.4 前向传播——深度神经网络的“信息处理流程” 80
4.2.5 反向传播算法——深度神经网络的“自我优化机制” 81
4.3 典型深度学习模型 82
4.3.1 深度学习模型的核心分类与选型基础 82
4.3.2 卷积神经网络 82
4.3.3 循环神经网络 84
4.4 深度学习的典型应用案例 86
4.4.1 日常生活与消费领域 86
4.4.2 医疗健康领域 87
4.4.3 智慧交通领域 88
4.4.4 教育学习领域 89
4.4.5 智能制造领域 89
第5章 大模型：AI的智慧引擎与前沿应用 91
5.1 大模型的发展历程 92
5.1.1 早期探索与奠基 92
5.1.2 Transformer架构的诞生 94
5.1.3 GPT系列模型的崛起 95
5.1.4 其他代表性大模型 98
5.1.5 大模型发展的关键节点与发展趋势 100
5.2 大模型的关键技术 102
5.2.1 Transformer架构详解 102
5.2.2 预训练-微调机制 104
5.2.3 模型训练与优化技术 105
5.2.4 参数高效微调技术 108
5.3 大模型的赋能逻辑与影响 110
5.3.1 对各技术领域的赋能路径 110
5.3.2 对社会与主要行业的变革性影响 111
5.3.3 大模型应用 111
第6章 自然语言处理：让机器理解人类语言 116
6.1 自然语言处理概述 117
6.1.1 自然语言处理的定义与内涵 117
6.1.2 自然语言处理的发展历史 118
6.1.3 自然语言处理面临的问题 119
6.1.4 自然语言处理的研究意义与价值 122
6.2 自然语言处理的关键技术 123
6.2.1 词法分析 123
6.2.2 句法分析 125
6.2.3 语义分析和语用分析 126
6.3 自然语言处理的应用案例 127
6.3.1 机器翻译 127
6.3.2 智能客服 128
6.3.3 文本生成 129
6.4 知识图谱与自然语言处理的融合应用 130
6.4.1 知识图谱的定义、组成与构建流程 130
6.4.2 知识图谱赋能自然语言处理的核心场景 132
6.4.3 典型应用案例 135
第7章 计算机视觉与机器视觉：让机器拥有视觉感知能力 139
7.1 计算机视觉的基础 140
7.1.1 计算机视觉的定义与发展历程 140
7.1.2 图像的数字化表示 141
7.1.3 图像预处理技术 145
7.2 计算机视觉的核心任务 146
7.2.1 图像分类 147
7.2.2 目标检测 147
7.2.3 图像分割 148
7.3 计算机视觉的算法 151
7.3.1 图像分割算法 151
7.3.2 特征提取算法 152
7.3.3 人脸识别算法 152
7.3.4 运动跟踪算法 153
7.4 机器视觉的应用领域 154
7.4.1 安防监控领域 154
7.4.2 自动驾驶领域 156
7.4.3 工业制造领域 157
7.4.4 医疗领域 158
7.4.5 教育领域 158
7.4.6 娱乐领域 160
第8章 生成式AI：创造无限可能 162
8.1 生成式AI的原理与发展 163
8.1.1 生成式AI的基本原理 163
8.1.2 生成式AI的发展脉络 166
8.2 生成式AI的应用场景 168
8.2.1 图像生成领域 168
8.2.2 文本生成领域 177
8.2.3 音频生成领域 185
8.2.4 视频生成领域 187
8.2.5 生成式AI的未来发展趋势 193
第9章 智能体与具身人工智能：让机器自主思考与行动 195
9.1 智能体 196
9.1.1 智能体的定义 196
9.1.2 智能体的基本结构 196
9.1.3 智能体的主要类型 197
9.1.4 智能体的典型应用 199
9.2 智能机器人 204
9.2.1 智能机器人概述 204
9.2.2 智能机器人的分类 206
9.2.3 智能机器人的核心构成 207
9.3 具身人工智能 209
9.3.1 具身人工智能的核心内涵与发展过程 209
9.3.2 关键技术 212
9.3.3 典型应用、发展瓶颈与未来展望 213
9.4 元宇宙与数字人 216
9.4.1 元宇宙与数字人的技术架构 216
9.4.2 核心应用场景 217
9.4.3 技术发展面临的挑战与行业趋势 219
9.5 前沿领域 220
第10章 人工智能的安全与伦理 222
10.1 人工智能安全与伦理概述 223
10.1.1 人工智能安全的内涵 223
10.1.2 人工智能伦理的概念与溯源 224
10.1.3 人工智能面临的潜在风险与挑战 224
10.1.4 不同专业领域的人工智能伦理与安全要求 225
10.2 人工智能安全与伦理的核心问题及治理策略 226
10.2.1 人工智能安全与伦理的核心问题 227
10.2.2 人工智能安全与伦理的基本原则 227
10.2.3 解决人工智能安全与伦理问题的策略 228
10.3 人工智能向善与展望未来 228