1.关注新一代人工智能技术，如大模型、生成式人工智能、科学智能等，通过最新进展和典型应用培养学生的学习兴趣，帮助学生构建新一代人工智能背景下的计算思维、模型思维、数据思维、人本思维。 2.突出;人工智能十导向，引入当前热门的生成式人工智能、产业链等相关通用案例，将人工智能在各通用领域实践案例工具化，使学生建立正确的人工智能价值观念，认识;人工智能十的社会意义与影响。 3.融入思政元素，以人工智能领域大国竞争战略意义为核心，立足二十大所提出的教育科技人才一体化培养的目标，深挖AI领域中国力量的思政素材。 4.资源丰富，提供PPT、教学大纲、教案、习题答案、案例指导、微课等，宜教宜学。

本书定位非计算机类理工科通识教材，以“导认识、导兴趣、导重点、导原理”为导向，创新教学内容，通过最新进展和典型应用培养学生的学习兴趣，帮助学生建立正确的AI价值观念，认识“人工智能十”的社会意义与影响。本书共8章，内容包括认识人工智能、机器学习、深度神经网络、典型的人工智能任务、生成式人工智能、人工智能的计算基础、人工智能驱动的科学研究——AI4Sci、人工智能的社会角色。 本书可作为高等院校计算机类、自动化类、电气类、电子信息类等相关专业的学生学习人工智能的通识课程教材，也可供非理工科专业的学生以及人工智能交叉学科研究的科研人员学习使用，同时也适用于对人工智能领域感兴趣的高中以上水平的普通读者阅读。张闯，北京邮电大学人工智能学院教授，博士生导师。曾任北京邮电大学信息中心主任，现任网络（继续）教育学院院长，美国西北大学（Northwestern University）访问学者，IEEE/ACM会员，人工智能学会（CAAI）智能服务专委会委员，中国计算机学会（CCF）数据治理执行委员。主要的研究方向与关注领域为：计算机视觉、遥感大数据解译与挖掘、文化计算与数字人文、人工智能与现代教育等。作为项目负责人和主要参加人完成过多项国家重点研发计划项目、国家自然科学基金委项目、知名企业横向委托开发项目等。目前在相关领域指导学生发表学术论文100余篇，并拥有多项技术发明专利。指导学生获得CVPR2018卫星道路检测比赛全球第一名，2023年天池大数据首届世界科学智能大赛大气科学赛道冠军。作者同时为国家级职业教育“双师型”教师培训基地负责人，名师（名匠）名校长培养计划项目负责人，人工智能专业虚拟教研室核心成员，参与人工智能领域教学资源共享服务平台《人工智能概论》课程建设与新型教材建设。北邮人工智能导论课程群负责人，《人工智能导论》校级高新课程建设负责人，该课程获评2022年校级课程思政示范课程。主持“5G十智慧体育育人研究与实践”“面向发展的《人工智能导论》开放式教学研究”等校级教改项目，参与高教学会“生成式 AI支持下的高等教育数字化推进策略与实践研究”“面向终身教育体系构建的新时代高校继续教育转型研究”等教研类项目。第 1 章 认识人工智能1.1　人工智能的起源与发展…………　0021.2　人工智能领域的重要人物及其贡献………………………………　0031.3　人工智能的内在逻辑及知识体系………………………………　006*1.4　人工智能的数学本质……………　0101.4.1　人工智能的数学表示 …………　0101.4.2　常用的基元函数及其功能 ……　0101.4.3　智能函数的参数学习 …………　0151.4.4　参数学习方式 …………………　0151.4.5　深度学习架构 …………………　0181.5　人工智能系统的工程化求解……　0191.6　通用人工智能与原生人工智能…　0201.6.1　通用人工智能 …………………　0201.6.2　原生人工智能 …………………　0221.6.3　大语言模型的通用性 …………　0241.7　新一代人工智能发展归因………　026思考题　…………………………………　027第　2 章 机器学习2.1　机器学习基础知识………………　0292.1.1　机器学习与模式识别 …………　0292.1.2　机器学习的一般形式 …………　0302.1.3　可计算的机器学习 ……………　0312.1.4　机器学习的基本分类 …………　033*2.2　机器学习的模型…………………　0342.2.1　学习模型的数学构建 …………　0342.2.2　学习模型的种类 ………………　0342.2.3　特征函数与相似度函数 ………　035*2.3　机器学习的策略…………………　0362.3.1　期望损失与经验损失 …………　0362.3.2　模型评估与模型的泛化能力 …　0372.3.3　影响泛化能力的主要因素 ……　0372.3.4　改善模型泛化性的主要策略 …　043*2.4　机器学习的优化算法……………　0442.4.1　基于数据的自动求解 …………　0442.4.2　基于机器学习的决策函数自动求解 ……………………………　0452.4.3　概率估计 ………………………　0462.4.4　参数估计 ………………………　048思考题　…………………………………　048第　3 章 深度神经网络3.1　基于神经网络的学习……………　050*3.2　神经网络…………………………　0513.2.1　多层感知机与神经网络 ………　0513.2.2　误差反向传播 …………………　0543.2.3　参数更新 ………………………　060*3.3　深度神经网络的核心问题………　0613.3.1　加深网络 ………………………　0613.3.2　梯度消失和梯度爆炸问题 ……　0633.3.3　更多的数据 ……………………　0653.3.4　更快的优化算法 ………………　0663.3.5　避免过拟合的方法 ……………　0693.4　深度神经网络典型模型及其应用………………………………　0703.4.1　基于ImageNet的图像理解任务竞赛 ……………………………　070*3.4.2　典型的深度神经网络 …………　0723.4.3　深度神经网络应用案例 ………　074思考题　…………………………………　078第　4 章 生成式人工智能4.1　预训练模型………………………　0804.1.1　什么是预训练模型 ……………　080*4.1.2　自监督学习与微调 ……………　0814.1.3　预训练模型的发展趋势 ………　0854.2　大语言模型………………………　0864.2.1　大语言模型的训练数据 ………　0864.2.2　大语言模型架构 ………………　0874.2.3　大语言模型预训练的方法 ……　0884.2.4　大语言模型的训练过程 ………　0884.2.5　大语言模型的能力涌现 ………　0894.2.6　大语言模型的微调 ……………　0894.2.7　提示工程 ………………………　0904.3　生成式人工智能——图像生成…　0914.3.1　图像生成之扩散模型 …………　0914.3.2　图像生成技术在艺术创作中的应用 ……………………………　0924.4　大模型预训练方法未来的发展 ……………………………　093思考题　…………………………………　094第　5 章 任务驱动的人工智能应用5.1　视觉任务…………………………　0965.1.1　图像分类与识别 ………………　0975.1.2　图像分割 ………………………　0985.1.3　目标检测 ………………………　1005.1.4　视频分析 ………………………　1015.1.5　视觉任务中的大模型 …………　1035.2　自然语言处理……………………　1055.2.1　机器翻译 ………………………　1055.2.2　自动文本摘要 …………………　1085.2.3　对话系统 ………………………　1105.2.4　大语言模型解决自然语言处理问题 ……………………………　1125.3　博弈与自动驾驶…………………　1135.3.1　棋类游戏 ………………………　1135.3.2　自动驾驶 ………………………　114思考题　…………………………………　115第　6 章 人工智能计算平台基础6.1　深度学习的基础算力……………　1176.1.1　用于深度学习的服务器结构 …　1176.1.2　用于深度学习的云计算平台 …　1216.1.3　算力网络 ………………………　122*6.2　深度学习模型的效能……………　1236.2.1　深度学习模型的缩放率 ………　1236.2.2　深度学习模型与计算资源 ……　1246.2.3　深度学习模型与训练时间 ……　1256.2.4　加速大规模深度学习模型训练 ……………………………　125*6.3　人工智能高效计算趋势…………　1296.3.1　专家混合模型 …………………　1296.3.2　深度学习光学芯片 ……………　1296.3.3　量子计算 ………………………　130思考题　…………………………………　130第　7 章 人工智能驱动的科学研究7.1　引言………………………………　1327.2　范式与科学发展范式……………　1327.2.1　科学革命的基本范式 …………　1327.2.2　人工智能驱动的科学研究 ……　1337.3　科学智能的交叉融合发展………　1347.3.1　科学智能的交叉发展格局 ……　1357.3.2　科学智能的发展阶段 …………　135*7.4　人工智能驱动科学研究领域示例………………………………　1367.4.1　人工智能与现代数学 …………　1367.4.2　人工智能与气象预测 …………　1387.4.3　人工智能与生命科学 …………　1447.4.4　人工智能与化学研究 …………　147思考题　…………………………………　150第　8 章 人工智能的社会角色8.1　隐私计算与联邦学习……………　152*8.2　人工智能的模型安全……………　1538.2.1　破坏模型完整性 ………………　1538.2.2　破坏模型可用性 ………………　1578.2.3　破坏模型机密性 ………………　1578.2.4　模型水印 ………………………　1598.2.5　人工智能决策安全与可解释 …　159*8.3　网络安全领域的人工智能应用…　1618.3.1　人工智能在网络安全领域的一些主要应用 …………………　1618.3.2　黑客利用人工智能开展的网络行为 ……………………………　1628.4　人工智能与社会伦理……………　1628.4.1　人工智能时代下的伦理问题 …　1638.4.2　人工智能伦理问题产生的原因 ……………………………　1648.4.3　人工智能伦理问题的影响 ……　1658.5　人工智能伦理问题的解决方案…　1668.5.1　国家层面的解决方案 …………　1668.5.2　企业层面的解决方案 …………　1678.5.3　技术层面的解决方案 …………　1688.5.4　以人为本，智能向善 …………　1698.6　人工智能与教育…………………　1708.6.1　人工智能赋能教育转型 ………　1708.6.2　学生人工智能能力框架 ………　1708.7　人工智能与社会发展……………　174思考题　…………………………………　176附录　A 人工智能简史A.1　人工智能的诞生 ………………　178A.1.1　控制论与早期神经网络 ………　178A.1.2　棋类游戏人工智能 ……………　178A.1.3　图灵测试 ………………………　178A.1.4　符号推理与“逻辑理论家”程序 ……………………………　179A.2　人工智能的第 一次浪潮 ………　179A.2.1　搜索式推理 ……………………　180A.2.2　语法分析和模式匹配 …………　180A.2.3　微世界 …………………………　181A.3　人工智能的第 一次低谷 ………　181A.3.1　第 一次低谷时人工智能面临的问题 ……………………………　181A.3.2　简约派：逻辑、Prolog语言和专家系统 ………………………　182A.3.3　芜杂派：框架和脚本 …………　182A.4　人工智能的第二次浪潮 ………　183A.4.1　专家系统 ………………………　183A.4.2　知识革命 ………………………　183A.4.3　连结主义的重生（Hopfield 网络） …………………………　184A.4.4　第二代神经网络（MLP和CNN）…………………………　184A.5　人工智能的第二次低谷 ………　185A.5.1　第二次低谷时人工智能面临的问题 ……………………………　185A.5.2　人工智能的认知革命 …………　185A.5.3　支持向量机 ……………………　186A.6　人工智能的第三次浪潮 ………　186A.6.1　AlphaGo ………………………　187A.6.2　智能代理 ………………………　187A.6.3　从人脑视觉原理到特征提取 …　187A.6.4　深度学习 ………………………　188A.6.5　数据挖掘 ………………………　189A.7　通用人工智能和大模型 ………　190A.7.1　ChatGPT ………………………　190A.7.2　扩散模型 ………………………　191A.7.3　神经辐射场 ……………………　191附录　B 人工智能学术前沿B.1　人工智能的学术圣杯 …………　194B.1.1　自然语言处理 …………………　194B.1.2　计算机视觉 ……………………　194B.1.3　智能机器人 ……………………　195B.1.4　自动语音识别 …………………　196B.2　国际学术组织 …………………　196B.2.1　人工智能领域的主要国际学术组织 ……………………………　196B.2.2　国际学术组织的作用与影响 …　197B.2.3　国际学术组织面临的挑战与未来发展 ………………………　198B.3　人工智能领域顶级会议与期刊　199B.3.1　计算机视觉领域顶级会议 ……　199B.3.2　机器学习领域顶级会议 ………　199B.3.3　自然语言处理领域顶级会议 …　199B.3.4　计算机图形学与多媒体领域顶级会议 ………………………　200B.3.5　人工智能综合领域顶级会议 …　200B.3.6　人工智能领域顶级期刊 ………　200B.4　人工智能的科研路径 …………　201B.4.1　学术兴趣和领域选择 …………　201B.4.2　学术素养和知识储备 …………　202B.4.3　学术交流与社区学习 …………　202B.4.4　培养批判性思维和创新思维 …　203参考文献　…………………………　204