本书是为职业本科院校、高等职业院校各专业学生精心编写的“人工智能通识”课程教材，旨在帮助学生构建系统的人工智能知识体系，培养跨学科思维与实践能力。 本书内容涵盖从人工智能的起源、发展到前沿技术的多个方面，包括人工智能基础概念、数学素养与计算思维、数据科学与大数据技术、智能体与智能体 AI、机器学习、神经网络与深度学习、图像识别与计算机视觉、自然语言处理与大语言模型、生成式人工智能、人工智能技术的应用、机器人及其智能化、群体智能等核心技术，同时结合大量实战练习和项目，强调理论与实践并重。书中特别关注人工智能伦理与安全，探讨其带来的伦理挑战及未来发展方向，引导学生树立正确的价值观，增强责任感。 本书特色在于跨学科融合、聚焦前沿技术，适合作为职业本科院校、高等职业院校“人工智能通识”等相关课程的教材，也适合对人工智能技术感兴趣的读者阅读。

沈庆磊，现任天津职业大学电子信息工程学院副院长，长期深耕电子信息领域教育管理工作，是学院专业建设的中坚力量。作为分管现代通信技术与软件技术专业的负责人，他引进企业真实项目进课堂，开发"课证融通"模块化课程体系，使专业教学紧密对接岗位需求。近年来主持完成天津市职业教育改革项目，指导学生在全国职业院校技能大赛中屡获佳绩，带领团队建成国家精品在线开放课程2门，推动现代通信技术专业入选教育部现代学徒制试点专业，为培养高素质技术技能人才作出突出贡献。

前言
项目1 掌握人工智能基础概念 1
任务1.1 熟悉计算机基础 1
1.1.1 计算的渊源 1
1.1.2 计算机的出现 3
1.1.3 通用计算机 5
1.1.4 计算机语言 7
1.1.5 计算机的智能行为 7
任务1.2 定义人工智能 10
1.2.1 “人工”与“智能” 10
1.2.2 人工智能的定义 10
1.2.3 人工智能实现途径 12
1.2.4 人工智能发展中的“中国风” 13
【作业】 16
【实训与思考】深入理解人工智能与人类思考 18
项目2 培养数学素养与计算思维 20
任务2.1 理解数学素养与计算思维 20
2.1.1 数学是美的 20
2.1.2 数学素养内涵 21
2.1.3 培养和发展数学素养 22
2.1.4 数学素养对人工智能的意义 22
2.1.5 模糊逻辑的定义 23
任务2.2 掌握计算思维与学科基础 25
2.2.1 人工智能学科基础 25
2.2.2 计算思维的概念 26
2.2.3 计算思维的核心要素 27
2.2.4 培养计算思维 28
2.2.5 计算思维对人工智能的意义 29
【作业】 29
【实训与思考】培养数学素养与计算思维 31
项目3 熟悉数据科学与大数据技术 34
任务3.1 从机械思维到数据思维 34
3.1.1 机械思维是现代文明的基础 34
3.1.2 解决不确定性问题的思维 35
3.1.3 数据科学的核心要素 36
3.1.4 数据科学的应用场景 37
3.1.5 从数据到知识 37
任务3.2 大数据思维与思维变革 39
3.2.1 大数据的定义 40
3.2.2 思维转变之一：样本=总体 41
3.2.3 思维转变之二：接受数据的混杂性 42
3.2.4 思维转变之三：数据的相关关系 42
3.2.5 数据挖掘分析方法 43
3.2.6 大数据与人工智能的联系 45
【作业】 46
【实训与思考】数据素养与大数据技术 48
项目4 理解智能体与智能体AI 51
任务4.1 理解智能体和环境 51
4.1.1 智能体的定义 51
4.1.2 智能体的性能度量 52
4.1.3 智能体的任务环境 53
4.1.4 智能体的结构与程序 55
4.1.5 学习型智能体 56
任务4.2 熟悉智能代理与智能体AI 58
4.2.1 智能代理的定义 58
4.2.2 智能代理的典型工作过程 58
4.2.3 智能代理系统内的协同合作 60
4.2.4 智能代理的典型应用 60
4.2.5 下一个风口：智能体 62
4.2.6 智能体AI时代 63
【作业】 64
【实训与思考】分析智能体的设计与行为 66
项目5 熟悉机器学习 69
任务5.1 机器学习简介 69
5.1.1 机器学习的发展历程 70
5.1.2 机器学习的定义 71
5.1.3 监督学习 72
5.1.4 无监督学习 73
5.1.5 机器学习的基本结构 73
任务5.2 机器学习算法 74
5.2.1 回归算法 74
5.2.2 K-近邻算法 75
5.2.3 决策树算法 75
5.2.4 朴素贝叶斯算法 76
5.2.5 聚类算法 76
5.2.6 支持向量机算法 77
5.2.7 神经网络算法 77
5.2.8 梯度增强算法 77
5.2.9 关联规则算法 77
5.2.10 EM（期望最大化）算法 78
5.2.11 机器学习算法的典型应用 78
【作业】 80
【实训与思考】机器学习算法与应用思考 82
项目6 理解神经网络与深度学习 84
任务6.1 熟悉神经系统与神经网络 84
6.1.1 神经系统的结构 85
6.1.2 神经系统学习机制 86
6.1.3 人工神经网络研究 86
6.1.4 深度学习的定义 88
6.1.5 深度学习示例 89
6.1.6 机器学习与深度学习的关系 90
任务6.2 了解卷积神经网络 90
6.2.1 卷积神经网络简介 91
6.2.2 卷积神经网络结构 92
6.2.3 迁移学习的定义 93
6.2.4 强化学习的定义 94
6.2.5 强化学习与监督学习的区别 96
6.2.6 强化学习方法的应用 96
【作业】 98
【实训与思考】熟悉神经网络基础与优化深度学习模型 100
项目7 熟悉图像识别与计算机视觉 103
任务7.1 熟悉模式识别与图像识别 103
7.1.1 模式识别的定义 104
7.1.2 图像识别能力 105
7.1.3 图像识别的主要方法 105
7.1.4 计算机视觉的定义 108
7.1.5 机器视觉的定义 108
7.1.6 计算机视觉与机器视觉的区别 109
任务7.2 掌握智能图像处理技术 110
7.2.1 图像采集 111
7.2.2 图像预处理 111
7.2.3 图像分割 111
7.2.4 目标识别和分类 111
7.2.5 目标定位和测量 112
7.2.6 目标检测和跟踪 112
7.2.7 机器视觉技术的应用 112
【作业】 113
【实训与思考】熟悉图像的处理与 识别 115
项目8 熟悉自然语言处理与大语言模型 118
任务8.1 理解自然语言处理的功能与能力 118
8.1.1 自然语言处理的研究内容 119
8.1.2 深度学习的影响 120
8.1.3 语音理解与语音识别 121
8.1.4 大语言模型 123
8.1.5 高性能、低算力成本的DeepSeek 124
任务8.2 大语言模型的工作原理 126
8.2.1 词元及其标记化 126
8.2.2 基础模型 126
8.2.3 词嵌入及其含义 127
8.2.4 生成和理解 127
8.2.5 大语言模型的核心技术 128
8.2.6 大语言模型生成模型 129
【作业】 131
【实训与思考】初步应用DeepSeek 大模型 133
项目9 掌握生成式人工智能技术 136
任务9.1 熟悉生成式人工智能 136
9.1.1 生成式人工智能的定义 136
9.1.2 AIGC的定义 137
9.1.3 生成式人工智能的应用场景 138
9.1.4 大语言模型的幻觉 139
9.1.5 生成式人工智能的发展趋势 141
任务9.2 熟悉多模态生成技术 141
9.2.1 多模态生成关键技术 142
9.2.2 视觉与文本结合 143
9.2.3 跨媒体内容生成 145
9.2.4 智能感知与响应 148
9.2.5 多模态生成的应用场景 149
9.2.6 技术挑战与发展趋势 151
任务9.3 掌握提示工程原理 153
9.3.1 提示工程的定义 153
9.3.2 提示任务的定义 154
9.3.3 提示词分类 155
9.3.4 提示构成 155
9.3.5 提示调优 156
9.3.6 提示工程技术 156
【作业】 159
【实训与思考】熟悉阿里云大模型“通义千问” 161
项目10 掌握人工智能技术的应用 165
任务10.1 掌握AIGC文本生成技术 165
10.1.1 文本摘要生成 166
10.1.2 诗歌生成 166
10.1.3 简单对话系统 167
10.1.4 多语种翻译 168
10.1.5 图像生成 169
任务10.2 理解预测、推荐和游戏技术 171
10.2.1 大数据预测分析—葡萄酒品质评估 172
10.2.2 智能推荐系统—奈飞电影推荐 174
10.2.3 智能推荐系统—亚马逊图书推荐 174
10.2.4 游戏科学与《黑神话：悟空》 175
【作业】 179
【实训与思考】提升人工智能应用的实战能力 181
项目11 熟悉机器人及其智能化 184
任务11.1 熟悉传统机器人学 184
11.1.1 “中文房间” 185
11.1.2 传统机器人学 185
11.1.3 建立包容体系结构 186
11.1.4 机器感知与机器思维 188
11.1.5 机器人“三原则” 188
任务11.2 结合机器人与AIGC 189
11.2.1 智能与非智能机器人 190
11.2.2 AIGC应用于机器人 190
11.2.3 机器人的组成 191
11.2.4 机器人的运动 193
11.2.5 波士顿机器人大狗 194
11.2.6 宇树科技及其四足机器人 194
【作业】 196
【实训与思考】机器人编程与应用 198
项目12 掌握群体智能技术 201
任务12.1 熟悉群体智能技术 201
12.1.1 向蜜蜂学习群体智能 201
12.1.2 群体智能的两种机制 203
12.1.3 蚁群算法 204
12.1.4 搜索机器人算法 206
12.1.5 粒子群（鸟群）优化算法 206
任务12.2 群体智能的应用与
发展 207
12.2.1 基本原则与特点 208
12.2.2 没有机器人的集群 208
12.2.3 群体智能的应用 211
12.2.4 机器“狼”的发展 211
【作业】 212
【实训与思考】群体智能算法与应用 214
项目13 理解人工智能伦理与安全 216
任务13.1 人工智能面临的伦理挑战 216
13.1.1 创造智能机器的大猩猩问题 216
13.1.2 人工智能与人类的关系 217
13.1.3 人与智能机器的沟通 218
13.1.4 数据共享问题 218
13.1.5 机器人权利 219
任务13.2 构建“可信赖”人工智能系统 219
13.2.1 人工智能伦理与安全 220
13.2.2 《人工智能创新发展道德伦理宣言》 222
13.2.3 欧盟可信赖的伦理准则 224
13.2.4 人工智能系统“人机对齐” 225
13.2.5 人工智能伦理的发展 227
【作业】 228
【实训与思考】制定人工智能伦理原则 230
项目14 求索人工智能创新发展 232
任务14.1 人工智能的社会影响 232
14.1.1 人工智能发展的启示 233
14.1.2 发展现状与影响 233
14.1.3 人工智能的极限 234
14.1.4 人工智能工程 235
14.1.5 影响工程的顶级趋势 236
任务14.2 通用人工智能 238
14.2.1 传感器与执行器 238
14.2.2 通用人工智能概念 239
14.2.3 意识与感知 240
14.2.4 预训练时代或走向终结 241
【作业】 242
【课程学习与实训总结】 244
附录 作业参考答案 247
参考文献 250