前言
第1章 人工智能的奥秘 1
1.1 重新定义智能：从人类智能到机器智能 1
1.1.1 人类智能与人工智能概述 1
1.1.2 人类智能的构成与机制 2
1.1.3 人工智能的实现路径 3
1.2 人工智能的发展浪潮 3
1.2.1 第一次浪潮 4
1.2.2 第二次浪潮 6
1.2.3 第三次浪潮 7
1.3 智能哲学 9
1.3.1 认知边界 9
1.3.2 人工智能伦理 9
1.3.3 智能与创造的协同 10
1.3.4 数据主权与治理博弈 11
1.3.5 存在主义的人机共生 12
1.3.6 宇宙认知 12
1.4 智能应用案例 13
1.4.1 图灵测试 13
1.4.2 中文房屋 14
1.4.3 阿尔法狗 15
本章小结 16
【习题】 17
第2章 人工智能的核心技术 19
2.1 数据 19
2.1.1 数据的定义 19
2.1.2 数据预处理与特征工程 20
2.1.3 大数据与人工智能 24
2.1.4 数据思维与人工智能的融合与发展 24
2.2 算法 26
2.2.1 算法的定义与分类 26
2.2.2 经典人工智能算法 27
2.2.3 人工智能的推理方式 27
2.3 算力 28
2.3.1 计算机硬件的演进 28
2.3.2 云计算 29
2.3.3 算力对人工智能发展的影响 31
2.4 平台和工具 32
2.4.1 常用人工智能开发框架 32
2.4.2 人工智能开发流程与工具链 33
2.4.3 开源社区与资源共享 33
2.5 核心技术的应用案例 34
2.5.1 联影医疗 34
2.5.2 山东算网平台 35
2.5.3 TSINGSEE智能分析网关 36
本章小结 37
【习题】 37
第3章 机器学习—从数据中获取智慧 39
3.1 机器学习概述 39
3.1.1 机器学习的发展 39
3.1.2 机器学习的分类 40
3.2 监督学习 41
3.2.1 线性回归与逻辑回归 41
3.2.2 决策树与随机森林 42
3.2.3 支持向量机与神经网络 44
3.3 无监督学习 45
3.3.1 聚类分析 46
3.3.2 降维技术 47
3.3.3 关联规则挖掘 48
3.4 半监督学习 48
3.4.1 半监督学习的基本概念 49
3.4.2 半监督学习的典型方法 51
3.4.3 半监督学习的应用场景 51
3.5 机器学习的应用案例 52
3.5.1 数据分析与数据挖掘 52
3.5.2 模式识别与智能感知 53
3.5.3 预测建模与决策支持 54
本章小结 55
【习题】 55
第4章 深度学习—模拟大脑的学习过程 57
4.1 深度学习概述 57
4.1.1 深度学习的定义 57
4.1.2 深度学习的发展历史 59
4.1.3 深度学习的优势 60
4.2 神经网络的基本原理与结构 60
4.2.1 神经元模型与激活函数 60
4.2.2 前馈神经网络与反向传播算法 62
4.2.3 卷积神经网络与循环神经网络 63
4.3 深度学习的训练与优化 64
4.3.1 损失函数与优化算法 64
4.3.2 正则化与防止过拟合 65
4.3.3 超参数调优与模型评估 66
4.4 深度学习的应用案例 67
4.4.1 虚拟个人助理 67
4.4.2 医学诊断 68
4.4.3 人脸识别与身份验证 69
4.4.4 自动语言翻译 70
本章小结 71
【习题】 71
第5章 强化学习—通过试错优化决策 73
5.1 强化学习概述 73
5.1.1 强化学习的定义 73
5.1.2 强化学习的发展历史 74
5.1.3 强化学习的分类 77
5.2 强化学习的基础理论 78
5.2.1 强化学习的核心要素 78
5.2.2 马尔可夫决策过程 79
5.2.3 奖励函数与策略优化 80
5.3 强化学习的经典算法 82
5.3.1 Q-learning 82
5.3.2 深度Q网络 83
5.3.3 策略梯度 84
5.3.4 Actor-Critic 85
5.4 强化学习的应用案例 85
5.4.1 游戏AI 85
5.4.2 机器人控制 87
5.4.3 自动驾驶 88
本章小结 90
【习题】 90
第6章 群体智能—集体智慧的涌现 92
6.1 群体智能的基本概念 92
6.1.1 群体智能的生物学启发 92
6.1.2 群体智能的定义 95
6.1.3 群体智能的基本原则与特点 95
6.1.4 群体智能的挑战与未来 96
6.2 群体智能的经典算法 97
6.2.1 蚁群算法 97
6.2.2 粒子群优化算法 99
6.2.3 人工蜂群算法 100
6.3 群体智能的应用案例 101
6.3.1 蜂群无人机 102
6.3.2 交通与物流优化 103
6.3.3 机器人协同作业 104
本章小结 106
【习题】 106
第7章 生成式人工智能—创造内容的新引擎 108
7.1 生成式人工智能概述 108
7.1.1 生成式人工智能的定义 108
7.1.2 生成式人工智能的发展历程 110
7.1.3 生成式人工智能的未来发展 111
7.2 生成式人工智能的基本原理 112
7.2.1 生成对抗网络（GAN） 112
7.2.2 变分自编码器（VAE） 114
7.2.3 自回归模型 116
7.2.4 扩散模型 119
7.3 生成式人工智能的应用案例 120
7.3.1 图像生成 120
7.3.2 视频生成 121
7.3.3 跨模态生成 123
本章小结 123
【习题】 124
第8章 智能体与智能代理—构建自主决策的虚拟体 126
8.1 智能体与智能代理 126
8.1.1 智能体的定义及特征 126
8.1.2 智能体的一般运行过程 128
8.1.3 智能代理的分类 130
8.2 智能代理的工作原理 132
8.2.1 核心架构 133
8.2.2 关键技术 134
8.2.3 规划与优化 137
8.3 智能代理的应用案例 139
8.3.1 虚拟智能代理案例 139
8.3.2 物理智能代理案例 139
8.3.3 多代理系统案例 141
本章小结 141
【习题】 141
第9章 计算机视觉技术与应用—让机器看懂世界 143
9.1 计算机视觉基础 143
9.1.1 计算机视觉的概念与发展历程 143
9.1.2 计算机视觉处理流程 145
9.1.3 计算机视觉与相关领域的联系和区别 150
9.2 计算机视觉的基本任务 151
9.2.1 图像分类 152
9.2.2 目标检测与定位 152
9.2.3 图像分割 154
9.3 计算机视觉应用案例 155
9.3.1 图像技术应用案例 156
9.3.2 人体分析应用案例 160
本章小结 163
【习题】 163
第10章 自然语言处理—解锁机器语言理解 165
10.1 自然语言理解 165
10.1.1 词法分析：分词、词性标注 165
10.1.2 句法分析：短语结构、依存关系 169
10.1.3 语义分析：词义消歧、语义角色标注 172
10.2 自然语言生成 174
10.2.1 文本摘要：抽取式摘要、生成式摘要 174
10.2.2 机器翻译：统计机器翻译、神经机器翻译 175
10.2.3 对话系统：任务型对话、开放域对话 177
10.3 自然语言处理应用案例 180
10.3.1 智能客服：自动问答、问题分类 180
10.3.2 情感分析：文本情感分类、观点挖掘 180
10.3.3 信息抽取：命名实体识别、关系抽取 181
本章小结 181
【习题】 182
第11章 大语言模型与多模态智能—认知融合的新范式 184
11.1 大语言模型概述 184
11.1.1 大语言模型的定义与发展历程 184
11.1.2 大语言模型的核心技术：Transformer架构 185
11.1.3 大语言模型的训练数据与规模 186
11.1.4 国内外典型大语言模型 187
11.2 大语言模型的能力 189
11.2.1 文本生成 189
11.2.2 文本理解 191
11.2.3 跨领域交互 191
11.3 多模态智能 192
11.3.1 多模态数据的融合与处理 192
11.3.2 多模态交互：图像描述、视频理解、跨模态生成 194
11.4 大语言模型与多模态智能的应用案例 195
11.4.1 大模型应用之文本生成：创作故事、撰写文章、编写代码 195
11.4.2 大模型应用之文本理解：问答系统、信息抽取、情感分析 196
11.4.3 多模态智能应用：图文生成、音视频分析 196
本章小结 197
【习题】 198
第12章 具身智能—人工智能与物理世界的接口 199
12.1 具身智能的基本概念 199
12.1.1 具身智能的发展史 199
12.1.2 具身智能的定义与特点 200
12.1.3 具身智能与机器人技术的结合 202
12.2 具身智能的关键技术 203
12.2.1 感知与决策 203
12.2.2 运动控制 204
12.2.3 人机交互 205
12.3 具身智能的应用场景 206
12.3.1 家庭机器人 206
12.3.2 工业机器人 207
12.3.3 特种机器人 208
12.4 具身智能的应用案例 209
12.4.1 特斯拉Optimus对具身智能的探索 209
12.4.2 中国华为对具身智能的探索 210
本章小结 212
【习题】 212
第13章 人工智能的未来与挑战 214
13.1 人工智能对就业市场的影响 214
13.1.1 人工智能创造的就业机会 214
13.1.2 人工智能可能取代的就业岗位 216
13.1.3 人工智能时代的人才需求 218
13.2 人工智能伦理问题：算法偏见、隐私保护、责任归属 219
13.2.1 算法偏见的成因与危害 220
13.2.2 人工智能时代的隐私保护挑战 221
13.2.3 人工智能系统的责任归属问题 222
13.3 人工智能安全问题：数据安全、算法安全、系统安全 223
13.3.1 人工智能数据安全风险 224
13.3.2 人工智能算法安全漏洞 225
13.3.3 人工智能系统安全威胁 225
13.4 人工智能的未来发展趋势与展望 226
13.4.1 人工智能技术发展趋势 226
13.4.2 人工智能应用领域拓展 228
13.4.3 人工智能对社会发展的深远影响 229
本章小结 230
【习题】 231
参考文献 233