人工智能通识教程（新文科版）
定价：￥19.80
作者： 刘健主编
出版时间：2026-07
出版社：高等教育出版社
- 高等教育出版社
- 9787040674545
- 1版
- 16开
- 2026-07
- 工学
- 计算机类
- 公共基础课
- 通用
- 本科
内容简介
本书是高等学校人工智能通识教育系列教材之一，旨在以系统化、通俗化的方式介绍人工智能的基础理论、核心技术、应用场景及社会影响。本书采用“理论-技术-应用-伦理”四维架构，从人工智能的历史演进与概念界定出发，深入浅出地解析机器学习、人工神经网络、计算机视觉、自然语言处理等核心领域；同时聚焦大语言模型与知识图谱等前沿技术，剖析其工作原理与范式变革；并通过真实案例探讨AI伦理挑战与社会责任。本书注重理论与实践结合，每章均配有小测环节以巩固知识，第10章更设置了基于主流平台的智能体实战项目。本书特别强调“人机协同”的未来理念，引导读者在掌握技术的同时，着力培育批判性思维与人文素养。本书为新形态教材，读者可使用移动终端扫描书中二维码，观看书中配套课件、习题答案等拓展资源。作为人工智能教育的入门读物，本教材适用于高校通识课程教学，也可作为供社会各界人士系统了解人工智能知识体系的参考书。
目录
目录
前辅文
第1章 人工智能初探
1.1 什么是人工智能强弱之辨：从计算器到自主意识
1.2 “三起两落”：人工智能的发展历程
1.3 人与机器：智能的互补与协同
1.3.1 核心能力对比
1.3.2 从互补到协同
1.4 人工智能的研究与应用
1.4.1 核心研究方向
1.4.2 主要应用领域
1.5 本章小结
1.6 本章小测
第2章 人工智能时代的学习方法
2.1 学习案例：利用AI攻克“机会成本”
2.2 AI辅助学习的四阶“赋能矩阵”
2.2.1 方法一：作为高吞吐量的信息处理中枢
2.2.2 方法二：作为全天候的自适应私人导师
2.2.3 方法三：作为激发灵感的跨界“智囊团”
2.2.4 方法四：作为高阶“软技能”的无压模拟舱
2.3 核心警示：高度警惕“模型幻觉”
2.3.1 AI为何会产生“幻觉”
2.3.2 幻觉的典型重灾区
2.4 人机协同的双红线：批判性思维与学术诚信
2.4.1 如何用批判性思维审视AI的输出
2.4.2 捍卫学术诚信的底线
2.5 提示工程：与AI对话的艺术
2.6 本章小结
2.7 本章小测
第3章 机器学习：机器如何学会“学习”
3.1 机器学习入门：一个简单的决策模型感知机的致命软肋：非线性困境
3.2 学习的引擎：梯度下降与反向传播
3.2.1 确立坐标：量化“错误”与锚定“方向”
3.2.2 梯度下降：万能的优化哲学
3.2.3 反向传播：精妙的“责任追究”机制
3.3 机器学习的梦魇：过拟合与欠拟合
3.4 机器学习的三大终极范式
3.4.1 监督学习（supervised learning）：带答案的练习册
3.4.2 无监督学习（unsupervised learning）：无引导的荒野探索
3.4.3 强化学习（reinforcement learning）：在试错中进化的博弈论
3.5 本章小结
3.6 本章小测
第4章 人工神经网络：从简单决策到复杂识别
4.1 什么是人工神经网络
4.2 神经网络的基本构成
4.2.1 神经元、权重与偏置
4.2.2 分层结构与激活函数
4.3 网络的工作流程：前向传播
4.4 网络的学习机制：反向传播与梯度下降
4.4.1 学习的目标：损失函数
4.4.2 优化的核心：梯度下降法
4.4.3 梯度的计算：反向传播算法
4.5 深度训练的挑战与对策
4.5.1 梯度不稳定问题
4.5.2 过拟合问题
4.6 主流神经网络架构简介
4.7 本章小结
4.8 本章小测
第5章 计算机视觉：深度学习驱动的视觉革命
5.1 计算机视觉的核心任务与评估体系
5.1.1 图像分类
5.1.2 目标检测
5.1.3 图像分割
5.2 图像识别的里程碑：CNN架构的演进
5.2.1 AlexNet（2012）：深度学习的破晓
5.2.2 从VGGNet到GoogLeNet：探索深度与宽度
5.2.3 ResNet（2015）：攻克超深度网络的训练难题
5.2.4 后续发展：DenseNet与EfficientNet
5.3 从识别到定位：目标检测架构与图像分割架构
5.3.1 目标检测架构
5.3.2 图像分割架构
5.4 前沿方向：新范式与生成模型
5.4.1 ViT：视觉领域的范式革新
5.4.2 生成式模型：从GAN到扩散模型
5.4.3 多模态与自监督学习
5.5 应用、挑战与伦理考量
5.6 本章小结
5.7 本章小测
第6章 自然语言处理：机器的语言理解与生成
6.1 NLP的核心任务与评估体系
6.1.1 文本分类
6.1.2 命名实体识别
6.1.3 机器翻译
6.1.4 文本生成与摘要
6.1.5 问答系统
6.2 基础：文本的向量化表示
6.2.1 离散表示及其局限
6.2.2 分布式表示：词嵌入
6.3 序列建模架构的演进
6.3.1 循环神经网络（RNN）与其变体
6.3.2 革命性架构：Transformer
6.4 预训练语言模型时代
6.4.1 BERT及其变体：双向编码器
6.4.2 GPT系列：自回归生成器
6.4.3 模型家族分类
6.5 伦理挑战与社会影响
6.6 本章小结
6.7 本章小测
第7章 大语言模型：范式转移与涌现能力
7.1 大语言模型的定义与演进
7.2 范式转移的直观体现：一个具体案例
7.3 训练范式：预训练与微调
7.3.1 预训练
7.3.2 微调
7.4 构建基石：数据、参数与算力
7.4.1 支柱一：海量、高质量的训练数据
7.4.2 支柱二：超大规模的模型参数
7.4.3 支柱三：庞大的计算算力
7.5 LLM典型学习范式
7.5.1 上下文学习
7.5.2 思维链推理
7.6 人机交互新范式：提示工程
7.7 前沿挑战：幻觉、对齐与安全
7.8 本章小结
7.9 本章小测
第8章 知识图谱：结构化知识的表示、构建与应用
8.1 知识图谱的历史演进
8.2 知识图谱的定义与核心概念
8.3 知识图谱的构建方法
8.3.1 手工构建与专家编纂
8.3.2 自动构建：从海量文本中抽取知识
8.3.3 众包与社区贡献
8.3.4 新兴方法：基于大语言模型的构建
8.4 知识图谱的存储、查询与推理
8.4.1 存储标准与技术
8.4.2 查询语言与推理
8.5 知识图谱的应用场景
8.5.1 语义搜索与知识增强
8.5.2 智能助手与问答系统
8.5.3 推荐系统与可解释AI
8.5.4 领域特定应用：药物发现与流行病学
8.5.5 其他高级应用
8.6 知识图谱与大语言模型的集成
8.7 面临的挑战与解决方案
8.8 未来展望
8.9 本章小结
8.10 本章小测
第9章 AI伦理、法律与社会影响
9.1 公平与偏见（fairness and bias）
9.1.1 案例一：亚马逊招聘算法中的性别歧视（2018）
9.1.2 案例二：COMPAS系统的种族偏见（2016）
9.2 责任与安全（accountability and safety）
9.2.1 案例三：Uber自动驾驶致死事故（2018）
9.2.2 案例四：IBM Watson Health的医疗建议（2018—2022）
9.3 知识产权与信息的真实性
9.3.1 案例五：艺术家集体诉讼生成式AI（2023—2025）
9.3.2 案例六：美国大选中的AI伪造电话门（2024）
9.4 隐私与监控
案例七：Clearview AI的面部识别数据库（2020）
9.5 企业责任与技术滥用
案例八：Google Project Maven（2018）
9.6 负责任AI的实践准则
9.7 本章小结
9.8 本章小测
第10章 大模型的高级应用与智能体实战
10.1 章节引言
10.2 核心概念深度解析
10.2.1 智能体
10.2.2 检索增强生成（RAG）
10.3 实验环境：文心智能体平台概览
10.4 实验项目一：搭建“西游记百科”智能体
10.4.1 项目初始化与人设编排
10.4.2 知识库构建与参数调优（核心步骤）
10.4.3 效果验证
10.5 实验项目二：工作流编排——“校园小助手”工作流逻辑设计
10.6 实践与课后作业
10.6.1 作业一：校园小助手（RAG版）
10.6.2 作业二：法律小助手
10.7 本章小结
前辅文
第1章 人工智能初探
1.1 什么是人工智能强弱之辨：从计算器到自主意识
1.2 “三起两落”：人工智能的发展历程
1.3 人与机器：智能的互补与协同
1.3.1 核心能力对比
1.3.2 从互补到协同
1.4 人工智能的研究与应用
1.4.1 核心研究方向
1.4.2 主要应用领域
1.5 本章小结
1.6 本章小测
第2章 人工智能时代的学习方法
2.1 学习案例：利用AI攻克“机会成本”
2.2 AI辅助学习的四阶“赋能矩阵”
2.2.1 方法一：作为高吞吐量的信息处理中枢
2.2.2 方法二：作为全天候的自适应私人导师
2.2.3 方法三：作为激发灵感的跨界“智囊团”
2.2.4 方法四：作为高阶“软技能”的无压模拟舱
2.3 核心警示：高度警惕“模型幻觉”
2.3.1 AI为何会产生“幻觉”
2.3.2 幻觉的典型重灾区
2.4 人机协同的双红线：批判性思维与学术诚信
2.4.1 如何用批判性思维审视AI的输出
2.4.2 捍卫学术诚信的底线
2.5 提示工程：与AI对话的艺术
2.6 本章小结
2.7 本章小测
第3章 机器学习：机器如何学会“学习”
3.1 机器学习入门：一个简单的决策模型感知机的致命软肋：非线性困境
3.2 学习的引擎：梯度下降与反向传播
3.2.1 确立坐标：量化“错误”与锚定“方向”
3.2.2 梯度下降：万能的优化哲学
3.2.3 反向传播：精妙的“责任追究”机制
3.3 机器学习的梦魇：过拟合与欠拟合
3.4 机器学习的三大终极范式
3.4.1 监督学习（supervised learning）：带答案的练习册
3.4.2 无监督学习（unsupervised learning）：无引导的荒野探索
3.4.3 强化学习（reinforcement learning）：在试错中进化的博弈论
3.5 本章小结
3.6 本章小测
第4章 人工神经网络：从简单决策到复杂识别
4.1 什么是人工神经网络
4.2 神经网络的基本构成
4.2.1 神经元、权重与偏置
4.2.2 分层结构与激活函数
4.3 网络的工作流程：前向传播
4.4 网络的学习机制：反向传播与梯度下降
4.4.1 学习的目标：损失函数
4.4.2 优化的核心：梯度下降法
4.4.3 梯度的计算：反向传播算法
4.5 深度训练的挑战与对策
4.5.1 梯度不稳定问题
4.5.2 过拟合问题
4.6 主流神经网络架构简介
4.7 本章小结
4.8 本章小测
第5章 计算机视觉：深度学习驱动的视觉革命
5.1 计算机视觉的核心任务与评估体系
5.1.1 图像分类
5.1.2 目标检测
5.1.3 图像分割
5.2 图像识别的里程碑：CNN架构的演进
5.2.1 AlexNet（2012）：深度学习的破晓
5.2.2 从VGGNet到GoogLeNet：探索深度与宽度
5.2.3 ResNet（2015）：攻克超深度网络的训练难题
5.2.4 后续发展：DenseNet与EfficientNet
5.3 从识别到定位：目标检测架构与图像分割架构
5.3.1 目标检测架构
5.3.2 图像分割架构
5.4 前沿方向：新范式与生成模型
5.4.1 ViT：视觉领域的范式革新
5.4.2 生成式模型：从GAN到扩散模型
5.4.3 多模态与自监督学习
5.5 应用、挑战与伦理考量
5.6 本章小结
5.7 本章小测
第6章 自然语言处理：机器的语言理解与生成
6.1 NLP的核心任务与评估体系
6.1.1 文本分类
6.1.2 命名实体识别
6.1.3 机器翻译
6.1.4 文本生成与摘要
6.1.5 问答系统
6.2 基础：文本的向量化表示
6.2.1 离散表示及其局限
6.2.2 分布式表示：词嵌入
6.3 序列建模架构的演进
6.3.1 循环神经网络（RNN）与其变体
6.3.2 革命性架构：Transformer
6.4 预训练语言模型时代
6.4.1 BERT及其变体：双向编码器
6.4.2 GPT系列：自回归生成器
6.4.3 模型家族分类
6.5 伦理挑战与社会影响
6.6 本章小结
6.7 本章小测
第7章 大语言模型：范式转移与涌现能力
7.1 大语言模型的定义与演进
7.2 范式转移的直观体现：一个具体案例
7.3 训练范式：预训练与微调
7.3.1 预训练
7.3.2 微调
7.4 构建基石：数据、参数与算力
7.4.1 支柱一：海量、高质量的训练数据
7.4.2 支柱二：超大规模的模型参数
7.4.3 支柱三：庞大的计算算力
7.5 LLM典型学习范式
7.5.1 上下文学习
7.5.2 思维链推理
7.6 人机交互新范式：提示工程
7.7 前沿挑战：幻觉、对齐与安全
7.8 本章小结
7.9 本章小测
第8章 知识图谱：结构化知识的表示、构建与应用
8.1 知识图谱的历史演进
8.2 知识图谱的定义与核心概念
8.3 知识图谱的构建方法
8.3.1 手工构建与专家编纂
8.3.2 自动构建：从海量文本中抽取知识
8.3.3 众包与社区贡献
8.3.4 新兴方法：基于大语言模型的构建
8.4 知识图谱的存储、查询与推理
8.4.1 存储标准与技术
8.4.2 查询语言与推理
8.5 知识图谱的应用场景
8.5.1 语义搜索与知识增强
8.5.2 智能助手与问答系统
8.5.3 推荐系统与可解释AI
8.5.4 领域特定应用：药物发现与流行病学
8.5.5 其他高级应用
8.6 知识图谱与大语言模型的集成
8.7 面临的挑战与解决方案
8.8 未来展望
8.9 本章小结
8.10 本章小测
第9章 AI伦理、法律与社会影响
9.1 公平与偏见（fairness and bias）
9.1.1 案例一：亚马逊招聘算法中的性别歧视（2018）
9.1.2 案例二：COMPAS系统的种族偏见（2016）
9.2 责任与安全（accountability and safety）
9.2.1 案例三：Uber自动驾驶致死事故（2018）
9.2.2 案例四：IBM Watson Health的医疗建议（2018—2022）
9.3 知识产权与信息的真实性
9.3.1 案例五：艺术家集体诉讼生成式AI（2023—2025）
9.3.2 案例六：美国大选中的AI伪造电话门（2024）
9.4 隐私与监控
案例七：Clearview AI的面部识别数据库（2020）
9.5 企业责任与技术滥用
案例八：Google Project Maven（2018）
9.6 负责任AI的实践准则
9.7 本章小结
9.8 本章小测
第10章 大模型的高级应用与智能体实战
10.1 章节引言
10.2 核心概念深度解析
10.2.1 智能体
10.2.2 检索增强生成（RAG）
10.3 实验环境：文心智能体平台概览
10.4 实验项目一：搭建“西游记百科”智能体
10.4.1 项目初始化与人设编排
10.4.2 知识库构建与参数调优（核心步骤）
10.4.3 效果验证
10.5 实验项目二：工作流编排——“校园小助手”工作流逻辑设计
10.6 实践与课后作业
10.6.1 作业一：校园小助手（RAG版）
10.6.2 作业二：法律小助手
10.7 本章小结
前辅文
第1章 人工智能初探
1.1 什么是人工智能强弱之辨：从计算器到自主意识
1.2 “三起两落”：人工智能的发展历程
1.3 人与机器：智能的互补与协同
1.3.1 核心能力对比
1.3.2 从互补到协同
1.4 人工智能的研究与应用
1.4.1 核心研究方向
1.4.2 主要应用领域
1.5 本章小结
1.6 本章小测
第2章 人工智能时代的学习方法
2.1 学习案例：利用AI攻克“机会成本”
2.2 AI辅助学习的四阶“赋能矩阵”
2.2.1 方法一：作为高吞吐量的信息处理中枢
2.2.2 方法二：作为全天候的自适应私人导师
2.2.3 方法三：作为激发灵感的跨界“智囊团”
2.2.4 方法四：作为高阶“软技能”的无压模拟舱
2.3 核心警示：高度警惕“模型幻觉”
2.3.1 AI为何会产生“幻觉”
2.3.2 幻觉的典型重灾区
2.4 人机协同的双红线：批判性思维与学术诚信
2.4.1 如何用批判性思维审视AI的输出
2.4.2 捍卫学术诚信的底线
2.5 提示工程：与AI对话的艺术
2.6 本章小结
2.7 本章小测
第3章 机器学习：机器如何学会“学习”
3.1 机器学习入门：一个简单的决策模型感知机的致命软肋：非线性困境
3.2 学习的引擎：梯度下降与反向传播
3.2.1 确立坐标：量化“错误”与锚定“方向”
3.2.2 梯度下降：万能的优化哲学
3.2.3 反向传播：精妙的“责任追究”机制
3.3 机器学习的梦魇：过拟合与欠拟合
3.4 机器学习的三大终极范式
3.4.1 监督学习（supervised learning）：带答案的练习册
3.4.2 无监督学习（unsupervised learning）：无引导的荒野探索
3.4.3 强化学习（reinforcement learning）：在试错中进化的博弈论
3.5 本章小结
3.6 本章小测
第4章 人工神经网络：从简单决策到复杂识别
4.1 什么是人工神经网络
4.2 神经网络的基本构成
4.2.1 神经元、权重与偏置
4.2.2 分层结构与激活函数
4.3 网络的工作流程：前向传播
4.4 网络的学习机制：反向传播与梯度下降
4.4.1 学习的目标：损失函数
4.4.2 优化的核心：梯度下降法
4.4.3 梯度的计算：反向传播算法
4.5 深度训练的挑战与对策
4.5.1 梯度不稳定问题
4.5.2 过拟合问题
4.6 主流神经网络架构简介
4.7 本章小结
4.8 本章小测
第5章 计算机视觉：深度学习驱动的视觉革命
5.1 计算机视觉的核心任务与评估体系
5.1.1 图像分类
5.1.2 目标检测
5.1.3 图像分割
5.2 图像识别的里程碑：CNN架构的演进
5.2.1 AlexNet（2012）：深度学习的破晓
5.2.2 从VGGNet到GoogLeNet：探索深度与宽度
5.2.3 ResNet（2015）：攻克超深度网络的训练难题
5.2.4 后续发展：DenseNet与EfficientNet
5.3 从识别到定位：目标检测架构与图像分割架构
5.3.1 目标检测架构
5.3.2 图像分割架构
5.4 前沿方向：新范式与生成模型
5.4.1 ViT：视觉领域的范式革新
5.4.2 生成式模型：从GAN到扩散模型
5.4.3 多模态与自监督学习
5.5 应用、挑战与伦理考量
5.6 本章小结
5.7 本章小测
第6章 自然语言处理：机器的语言理解与生成
6.1 NLP的核心任务与评估体系
6.1.1 文本分类
6.1.2 命名实体识别
6.1.3 机器翻译
6.1.4 文本生成与摘要
6.1.5 问答系统
6.2 基础：文本的向量化表示
6.2.1 离散表示及其局限
6.2.2 分布式表示：词嵌入
6.3 序列建模架构的演进
6.3.1 循环神经网络（RNN）与其变体
6.3.2 革命性架构：Transformer
6.4 预训练语言模型时代
6.4.1 BERT及其变体：双向编码器
6.4.2 GPT系列：自回归生成器
6.4.3 模型家族分类
6.5 伦理挑战与社会影响
6.6 本章小结
6.7 本章小测
第7章 大语言模型：范式转移与涌现能力
7.1 大语言模型的定义与演进
7.2 范式转移的直观体现：一个具体案例
7.3 训练范式：预训练与微调
7.3.1 预训练
7.3.2 微调
7.4 构建基石：数据、参数与算力
7.4.1 支柱一：海量、高质量的训练数据
7.4.2 支柱二：超大规模的模型参数
7.4.3 支柱三：庞大的计算算力
7.5 LLM典型学习范式
7.5.1 上下文学习
7.5.2 思维链推理
7.6 人机交互新范式：提示工程
7.7 前沿挑战：幻觉、对齐与安全
7.8 本章小结
7.9 本章小测
第8章 知识图谱：结构化知识的表示、构建与应用
8.1 知识图谱的历史演进
8.2 知识图谱的定义与核心概念
8.3 知识图谱的构建方法
8.3.1 手工构建与专家编纂
8.3.2 自动构建：从海量文本中抽取知识
8.3.3 众包与社区贡献
8.3.4 新兴方法：基于大语言模型的构建
8.4 知识图谱的存储、查询与推理
8.4.1 存储标准与技术
8.4.2 查询语言与推理
8.5 知识图谱的应用场景
8.5.1 语义搜索与知识增强
8.5.2 智能助手与问答系统
8.5.3 推荐系统与可解释AI
8.5.4 领域特定应用：药物发现与流行病学
8.5.5 其他高级应用
8.6 知识图谱与大语言模型的集成
8.7 面临的挑战与解决方案
8.8 未来展望
8.9 本章小结
8.10 本章小测
第9章 AI伦理、法律与社会影响
9.1 公平与偏见（fairness and bias）
9.1.1 案例一：亚马逊招聘算法中的性别歧视（2018）
9.1.2 案例二：COMPAS系统的种族偏见（2016）
9.2 责任与安全（accountability and safety）
9.2.1 案例三：Uber自动驾驶致死事故（2018）
9.2.2 案例四：IBM Watson Health的医疗建议（2018—2022）
9.3 知识产权与信息的真实性
9.3.1 案例五：艺术家集体诉讼生成式AI（2023—2025）
9.3.2 案例六：美国大选中的AI伪造电话门（2024）
9.4 隐私与监控
案例七：Clearview AI的面部识别数据库（2020）
9.5 企业责任与技术滥用
案例八：Google Project Maven（2018）
9.6 负责任AI的实践准则
9.7 本章小结
9.8 本章小测
第10章 大模型的高级应用与智能体实战
10.1 章节引言
10.2 核心概念深度解析
10.2.1 智能体
10.2.2 检索增强生成（RAG）
10.3 实验环境：文心智能体平台概览
10.4 实验项目一：搭建“西游记百科”智能体
10.4.1 项目初始化与人设编排
10.4.2 知识库构建与参数调优（核心步骤）
10.4.3 效果验证
10.5 实验项目二：工作流编排——“校园小助手”工作流逻辑设计
10.6 实践与课后作业
10.6.1 作业一：校园小助手（RAG版）
10.6.2 作业二：法律小助手
10.7 本章小结
前辅文
第1章 人工智能初探
1.1 什么是人工智能强弱之辨：从计算器到自主意识
1.2 “三起两落”：人工智能的发展历程
1.3 人与机器：智能的互补与协同
1.3.1 核心能力对比
1.3.2 从互补到协同
1.4 人工智能的研究与应用
1.4.1 核心研究方向
1.4.2 主要应用领域
1.5 本章小结
1.6 本章小测
第2章 人工智能时代的学习方法
2.1 学习案例：利用AI攻克“机会成本”
2.2 AI辅助学习的四阶“赋能矩阵”
2.2.1 方法一：作为高吞吐量的信息处理中枢
2.2.2 方法二：作为全天候的自适应私人导师
2.2.3 方法三：作为激发灵感的跨界“智囊团”
2.2.4 方法四：作为高阶“软技能”的无压模拟舱
2.3 核心警示：高度警惕“模型幻觉”
2.3.1 AI为何会产生“幻觉”
2.3.2 幻觉的典型重灾区
2.4 人机协同的双红线：批判性思维与学术诚信
2.4.1 如何用批判性思维审视AI的输出
2.4.2 捍卫学术诚信的底线
2.5 提示工程：与AI对话的艺术
2.6 本章小结
2.7 本章小测
第3章 机器学习：机器如何学会“学习”
3.1 机器学习入门：一个简单的决策模型感知机的致命软肋：非线性困境
3.2 学习的引擎：梯度下降与反向传播
3.2.1 确立坐标：量化“错误”与锚定“方向”
3.2.2 梯度下降：万能的优化哲学
3.2.3 反向传播：精妙的“责任追究”机制
3.3 机器学习的梦魇：过拟合与欠拟合
3.4 机器学习的三大终极范式
3.4.1 监督学习（supervised learning）：带答案的练习册
3.4.2 无监督学习（unsupervised learning）：无引导的荒野探索
3.4.3 强化学习（reinforcement learning）：在试错中进化的博弈论
3.5 本章小结
3.6 本章小测
第4章 人工神经网络：从简单决策到复杂识别
4.1 什么是人工神经网络
4.2 神经网络的基本构成
4.2.1 神经元、权重与偏置
4.2.2 分层结构与激活函数
4.3 网络的工作流程：前向传播
4.4 网络的学习机制：反向传播与梯度下降
4.4.1 学习的目标：损失函数
4.4.2 优化的核心：梯度下降法
4.4.3 梯度的计算：反向传播算法
4.5 深度训练的挑战与对策
4.5.1 梯度不稳定问题
4.5.2 过拟合问题
4.6 主流神经网络架构简介
4.7 本章小结
4.8 本章小测
第5章 计算机视觉：深度学习驱动的视觉革命
5.1 计算机视觉的核心任务与评估体系
5.1.1 图像分类
5.1.2 目标检测
5.1.3 图像分割
5.2 图像识别的里程碑：CNN架构的演进
5.2.1 AlexNet（2012）：深度学习的破晓
5.2.2 从VGGNet到GoogLeNet：探索深度与宽度
5.2.3 ResNet（2015）：攻克超深度网络的训练难题
5.2.4 后续发展：DenseNet与EfficientNet
5.3 从识别到定位：目标检测架构与图像分割架构
5.3.1 目标检测架构
5.3.2 图像分割架构
5.4 前沿方向：新范式与生成模型
5.4.1 ViT：视觉领域的范式革新
5.4.2 生成式模型：从GAN到扩散模型
5.4.3 多模态与自监督学习
5.5 应用、挑战与伦理考量
5.6 本章小结
5.7 本章小测
第6章 自然语言处理：机器的语言理解与生成
6.1 NLP的核心任务与评估体系
6.1.1 文本分类
6.1.2 命名实体识别
6.1.3 机器翻译
6.1.4 文本生成与摘要
6.1.5 问答系统
6.2 基础：文本的向量化表示
6.2.1 离散表示及其局限
6.2.2 分布式表示：词嵌入
6.3 序列建模架构的演进
6.3.1 循环神经网络（RNN）与其变体
6.3.2 革命性架构：Transformer
6.4 预训练语言模型时代
6.4.1 BERT及其变体：双向编码器
6.4.2 GPT系列：自回归生成器
6.4.3 模型家族分类
6.5 伦理挑战与社会影响
6.6 本章小结
6.7 本章小测
第7章 大语言模型：范式转移与涌现能力
7.1 大语言模型的定义与演进
7.2 范式转移的直观体现：一个具体案例
7.3 训练范式：预训练与微调
7.3.1 预训练
7.3.2 微调
7.4 构建基石：数据、参数与算力
7.4.1 支柱一：海量、高质量的训练数据
7.4.2 支柱二：超大规模的模型参数
7.4.3 支柱三：庞大的计算算力
7.5 LLM典型学习范式
7.5.1 上下文学习
7.5.2 思维链推理
7.6 人机交互新范式：提示工程
7.7 前沿挑战：幻觉、对齐与安全
7.8 本章小结
7.9 本章小测
第8章 知识图谱：结构化知识的表示、构建与应用
8.1 知识图谱的历史演进
8.2 知识图谱的定义与核心概念
8.3 知识图谱的构建方法
8.3.1 手工构建与专家编纂
8.3.2 自动构建：从海量文本中抽取知识
8.3.3 众包与社区贡献
8.3.4 新兴方法：基于大语言模型的构建
8.4 知识图谱的存储、查询与推理
8.4.1 存储标准与技术
8.4.2 查询语言与推理
8.5 知识图谱的应用场景
8.5.1 语义搜索与知识增强
8.5.2 智能助手与问答系统
8.5.3 推荐系统与可解释AI
8.5.4 领域特定应用：药物发现与流行病学
8.5.5 其他高级应用
8.6 知识图谱与大语言模型的集成
8.7 面临的挑战与解决方案
8.8 未来展望
8.9 本章小结
8.10 本章小测
第9章 AI伦理、法律与社会影响
9.1 公平与偏见（fairness and bias）
9.1.1 案例一：亚马逊招聘算法中的性别歧视（2018）
9.1.2 案例二：COMPAS系统的种族偏见（2016）
9.2 责任与安全（accountability and safety）
9.2.1 案例三：Uber自动驾驶致死事故（2018）
9.2.2 案例四：IBM Watson Health的医疗建议（2018—2022）
9.3 知识产权与信息的真实性
9.3.1 案例五：艺术家集体诉讼生成式AI（2023—2025）
9.3.2 案例六：美国大选中的AI伪造电话门（2024）
9.4 隐私与监控
案例七：Clearview AI的面部识别数据库（2020）
9.5 企业责任与技术滥用
案例八：Google Project Maven（2018）
9.6 负责任AI的实践准则
9.7 本章小结
9.8 本章小测
第10章 大模型的高级应用与智能体实战
10.1 章节引言
10.2 核心概念深度解析
10.2.1 智能体
10.2.2 检索增强生成（RAG）
10.3 实验环境：文心智能体平台概览
10.4 实验项目一：搭建“西游记百科”智能体
10.4.1 项目初始化与人设编排
10.4.2 知识库构建与参数调优（核心步骤）
10.4.3 效果验证
10.5 实验项目二：工作流编排——“校园小助手”工作流逻辑设计
10.6 实践与课后作业
10.6.1 作业一：校园小助手（RAG版）
10.6.2 作业二：法律小助手
10.7 本章小结
