本书聚焦自动化类专业，全面系统地阐述了人工智能领域的核心理论与前沿技术。内容涵盖人工智能的基本概念、发展起源及伦理问题，详细讲述机器感知中的计算机视觉、自然语言理解与语音识别技术，深入讲解机器学习的算法原理与实践应用。重点阐释大模型的生成机制、关键技术及落地实践，探讨注意力机制与多模态融合的最新研究进展，分析人工智能算力与架构的演进趋势，着重介绍多模态大模型 DeepSeek 及人工智能生成内容（AIGC）与应用，最后阐述人工智能在自动化领域的具体应用。 全书融合理论讲解与案例分析，助力读者系统掌握人工智能技术及其应用逻辑，为自动化类专业学习者提供全面且深入的知识体系。 全书分为9章，包括绪论、机器感知技术、机器学习、大模型技术、注意力机制与多模态融合、人工智能的算力与架构、DeepSeek大模型与应用、人工智能生成内容（AIGC）与应用以及人工智能在自动化中的应用。内容安排合理，便于读者逐步深入理解。 本书可作为高等院校自动化、人工智能、机器人、电子与电气工程、物联网等相关专业的本科生教材和参考书，也可供从事人工智能技术开发的工程技术人员参考。 本书配有微课视频、电子课件、教学大纲、习题答案等数字资源。读者可以登录机工教育服务网（www.cmpedu.com）免费注册，审核通过后下载，或联系编辑索取（微信：18515977506，电话：010-88379753）。

李正军：山东大学教授，知名的嵌入式系统、现场总线与工业以太网、自动控制、现场总线与工业以太网专家。1984年毕业于山东大学数学系、同年留山东大学数学系任教。先后担任“211工程”重点建设项目“现场总线技术实验室”负责人、控制科学与工程学院微机原理课程负责人，硕士研究生导师，并获山东大学优秀教师荣誉称号。中国电气工业协会设备网现场总线分会理事、中华人民共和国机械行业标准《低压电气通信规约》审稿人，全国电器设备网络通信接口标准化委员会委员。发表科研与教学论文50余篇，出版著作16部，并获机械工业出版社百佳作者和金牌作者荣誉称号。承担省部级与企业科研课题30余项。主要研究方向包括嵌入式系统、RISC-V开源技术、计算机控制、现场总线与工业以太网应用技术、高端医疗器械、电力网络监测仪表等。

前言
第1章绪论1
1.1人工智能概述1
1.1.1智能的本质与动物智能1
1.1.2人工智能的定义4
1.1.3人工智能的分类4
1.2人工智能的发展历程和图灵测试6
1.2.1人工智能的发展历程6
1.2.2图灵测试7
1.3人工智能的应用领域8
1.4人工智能基础框架：要素、体系与系统类型10
1.4.1人工智能的核心要素与关键支撑10
1.4.2人工智能的学科体系12
1.4.3人工智能的系统类型14
1.5人工智能的研究目标和研究内容17
1.6人工智能伦理19
习题21
第2章机器感知技术22
2.1计算机视觉22
2.1.1图像工程概述22
2.1.2图像采集和处理24
2.1.3图像分类25
2.1.4目标检测与跟踪26
2.1.5图像分割27
2.1.6图像理解29
2.2自然语言理解31
2.2.1自然语言理解概述32
2.2.2自然语言理解的基本理论与发展35
2.2.3自然语言理解的主要模型37
2.2.4ChatGPT——自然语言理解应用
实例39
2.3语音识别40
2.3.1语音识别技术的发展历程与现状40
2.3.2语音识别基本原理41
2.3.3语音识别关键技术和方法43
习题44
第3章机器学习45
3.1机器学习概述45
3.1.1机器学习的发展历程46
3.1.2机器学习的定义48
3.1.3机器学习的研究内容48
3.2机器学习的分类49
3.2.1监督学习50
3.2.2无监督学习50
3.2.3强化学习51
3.2.4机器学习的其他分类52
3.3机器学习的基本结构54
3.3.1环境54
3.3.2知识库55
3.3.3执行部分55
3.4机器学习算法56
3.4.1算法的核心特征、构成要素与评定标准56
3.4.2人工神经网络57
3.4.3决策树58
3.4.4回归分析60
3.4.5支持向量机61
3.4.6聚类算法62
3.4.7朴素贝叶斯算法62
3.4.8基于实例的算法63
3.5机器学习的应用64
3.5.1数据分析与挖掘64
3.5.2模式识别65
3.5.3生物信息学65
3.5.4物联网66
3.5.5聊天机器人66
3.5.6无人驾驶汽车66
习题67
第4章大模型技术68
4.1大模型概述68
4.2大模型分类69
4.2.1按模型结构划分69
4.2.2按模态划分69
4.2.3按微调方式划分70
4.2.4带插件系统的大模型71
4.3大模型核心技术解析72
4.3.1大模型生成原理74
4.3.2大模型关键技术75
4.3.3大模型关键术语80
4.4大模型的开发流程81
4.4.1确定项目目标81
4.4.2数据准备81
4.4.3模型设计82
4.4.4模型训练82
4.4.5模型部署83
4.4.6开源资源和开发者支持83
4.4.7评估和反馈83
4.4.8模型应用84
4.5Transformer模型85
4.5.1Transformer模型简介85
4.5.2Transformer 模型框架87
4.6大模型应用领域90
习题92
第5章注意力机制与多模态融合93
5.1智能时代的大模型与高性能变革93
5.1.1大模型：智能时代的变革引擎93
5.1.2高性能大模型94
5.2注意力机制95
5.2.1注意力机制的基本原理96
5.2.2注意力机制的变革与发展98
5.2.3高性能注意力机制GQA与MLA98
5.3大模型的外拓：多模态融合98
5.3.1多模态融合技术99
5.3.2融合策略99
5.3.3深度学习在多模态融合中的应用场景100
5.4注意力机制与多模态融合的未来展望101
5.4.1注意力机制的前沿探索102
5.4.2多模态融合技术的创新方向103
习题103
第6章人工智能的算力与架构104
6.1人工智能算力的定义、芯片分类和评估104
6.1.1人工智能算力的定义104
6.1.2人工智能芯片的分类105
6.1.3人工智能算力的评估110
6.2人工智能芯片的发展历程与前沿趋势111
6.2.1人工智能芯片的发展历程111
6.2.2人工智能芯片的前沿趋势112
6.3人工智能算力网络112
6.3.1人工智能算力网络的定义和特征113
6.3.2人工智能算力网络的基本架构和工作机制114
6.3.3人工智能算力网络的关键技术117
6.3.4人工智能算力网络应用示例118
6.4普适人工智能算力网络121
6.4.1普适人工智能算力网络的特点与基本架构121
6.4.2普适人工智能算力网络的应用示例123
习题124
第7章DeepSeek大模型与应用125
7.1DeepSeek概述125
7.1.1DeepSeek 模型简介125
7.1.2DeepSeek 带来的技术创新127
7.1.3DeepSeek 的功能128
7.1.4DeepSeek的特点129
7.1.5DeepSeek的应用场景130
7.2DeepSeek使用与提示词技巧132
7.2.1DeepSeek的产品形态132
7.2.2DeepSeek功能详解133
7.2.3DeepSeek的提示词技巧135
7.3嵌入式系统应用编程实例136
7.4DeepSeek-R1工业大模型：构建高效可信的深度推理与决策体系139
7.4.1工业大模型与强推理能力在复杂工业场景中的应用与创新139
7.4.2DeepSeek-R1深度推理架构与工业级强推理能力创新143
习题150
第8章人工智能生成内容（AIGC）与应用151
8.1生成式人工智能（GAI）151
8.1.1GAI概述151
8.1.2GAI与AIGC的关系154
8.2AIGC三大关键技术154
8.3AIGC发展历程155
8.4AIGC生成技术156
8.4.1语言生成方面的技术157
8.4.2视觉生成方面的技术157
8.4.3多模态生成方面的技术158
8.5生成模型与判别模型160
8.5.1生成模型160
8.5.2判别模型161
8.6生成模型的原理161
8.7表示学习164
8.7.1表示学习的直观理解164
8.7.2表示学习的常用方式164
8.7.3表示学习与特征工程的区别165
8.7.4图像的表示学习166
8.7.5文本的表示学习166
8.8表示学习的逆过程167
8.9AIGC的应用场景168
习题170
第9章人工智能在自动化中的应用171
9.1工业机器人种类171
9.1.1按照结构分类171
9.1.2按照功能分类172
9.1.3按照应用领域分类172
9.2工业机器人控制系统与软硬件组成172
9.2.1工业机器人控制系统的基本原理和主要功能172
9.2.2工业机器人控制系统的分层结构174
9.3工业人工智能174
9.3.1工业人工智能：推动制造业智能化的核心力量175
9.3.2工业人工智能体系架构176
9.4智能制造180
9.4.1智能制造和技术体系180
9.4.2智能制造关键技术184
9.5自动驾驶汽车技术186
9.5.1自动驾驶系统的架构187
9.5.2自动驾驶的功能体系架构188
9.5.3自动驾驶闭环控制系统189
9.5.4完全自动驾驶190
9.5.5Transformer在自动驾驶汽车中的应用194
9.6机器学习支持的建模在监督和控制中的应用196
9.6.1生产过程的控制结构197
9.6.2ML-Oracle与机器学习方法198
9.6.3用于过程监控的学习系统模型198
9.6.4过程控制中的学习模型201
习题203
参考文献204