人工智能导论——技术、应用及伦理 / 高等院校数字化人才培养创新教材·人工智能通识课系列
定价：￥59.00
作者： 倪波，熊皓，李辉燕
出版时间：2026-07-30
出版社：机械工业出版社
- 机械工业出版社
- 9787111815129
- 1-1
- 2026-07-30
- 268
内容简介
《人工智能导论：技术、应用及伦理》以“技术-应用-伦理”为主线，系统讲解人工智能的核心概念、发展脉络、关键技术及未来挑战，帮助读者建立全面、科学的认知框架。
《人工智能导论：技术、应用及伦理》共7章，内容循序渐进：第1章梳理人工智能的定义、发展历程与核心三要素（数据、算法、算力），构建宏观认知；第2章聚焦生成式大模型，介绍结构化提示词与AI高效协作；第3章以Coze平台为例，讲解智能体原理，让“人人皆可开发AI应用”成为现实；第4章通过丰富案例拆解监督学习、无监督学习、强化学习与生成式学习四大范式及经典算法；第5章以“手写数字识别”为主线，讲解人工神经网络、前馈神经网络、反向传播等核心概念；第6章深入探讨深度学习三大驱动力，剖析卷积神经网络（CNN）与循环神经网络（RNN）的工作原理；第7章从技术、社会、伦理与全球治理四个维度，探讨“黑箱”决策、价值对齐、算法偏见等挑战，引导读者树立“发展与治理并重”的科技伦理观。
《人工智能导论：技术、应用及伦理》可作为高等院校、职业本科院校各专业学生的人工智能通识课教材，也可供从事人工智能技术开发的工程技术人员参考。
《人工智能导论：技术、应用及伦理》共7章，内容循序渐进：第1章梳理人工智能的定义、发展历程与核心三要素（数据、算法、算力），构建宏观认知；第2章聚焦生成式大模型，介绍结构化提示词与AI高效协作；第3章以Coze平台为例，讲解智能体原理，让“人人皆可开发AI应用”成为现实；第4章通过丰富案例拆解监督学习、无监督学习、强化学习与生成式学习四大范式及经典算法；第5章以“手写数字识别”为主线，讲解人工神经网络、前馈神经网络、反向传播等核心概念；第6章深入探讨深度学习三大驱动力，剖析卷积神经网络（CNN）与循环神经网络（RNN）的工作原理；第7章从技术、社会、伦理与全球治理四个维度，探讨“黑箱”决策、价值对齐、算法偏见等挑战，引导读者树立“发展与治理并重”的科技伦理观。
《人工智能导论：技术、应用及伦理》可作为高等院校、职业本科院校各专业学生的人工智能通识课教材，也可供从事人工智能技术开发的工程技术人员参考。
目录
前言
第1章 人工智能概况：智能时代的必修课 1
1.1 人工智能的定义与分类 2
1.1.1 人工智能的定义 2
1.1.2 人工智能的主要分类 3
1.2 人工智能的发展历程 4
1.2.1 人工智能的主要学派 4
1.2.2 人工智能的“三起两落” 6
1.2.3 人工智能的三要素 8
1.2.4 人工智能的我国路径 11
1.3 人工智能的应用领域 12
1.3.1 行业赋能：人工智能的典型应用场景 12
1.3.2 区域布局：因地制宜的产业生态构建 15
1.3.3 发展前瞻：核心挑战与战略机遇 17
1.4 人工智能的“可为”与“不可为” 18
本章小结 19
【扩展阅读：图灵测试的当代困境—当AI通过测试，然后呢】 19
课后习题 22
第2章 生成式大模型：内容生成的技术引擎 25
2.1 生成式大模型概述 26
2.1.1 基本定义与内涵 26
2.1.2 技术原理：从数据到智能的演进 27
2.1.3 生成式大模型的分类 28
2.1.4 协作范式：从模糊指令到清晰表达 29
2.2 提示词工程 30
2.2.1 核心逻辑与要素 30
2.2.2 标准化提示词模板 30
2.2.3 偏差应对与多轮对话策略 38
2.3 应用实践与基本准则 39
2.3.1 让大模型成为你的办公助手 39
2.3.2 风险识别与验证机制 49
2.3.3 使用大模型的基本准则 50
本章小结 51
【扩展阅读：大模型的能耗账本—智能的代价有多高】 51
课后习题 53
第3章 低代码开发智能体：人人皆可开发的AI应用 56
3.1 智能体：从生活到技术 57
3.1.1 智能体的定义与特征 57
3.1.2 智能体的核心构成 60
3.1.3 智能体的分类 61
3.2 智能体的工作原理：闭环逻辑 62
3.2.1 “感知-决策-行动-反馈”闭环 63
3.2.2 智能体的主流技术 64
3.3 低代码开发平台：新手首选Coze（扣子） 64
3.3.1 平台优势与价值 64
3.3.2 主流平台对比分析 65
3.3.3 Coze平台及其特色 66
3.4 Coze（扣子）智能体搭建的步骤 66
3.4.1 手把手搭建一个文档整理智能体 70
3.4.2 基于“工作流”搭建智能体 73
3.4.3 有声单词卡智能体开发 75
3.5 应用拓展与进阶：校园、教学与生活中的自动化应用 88
3.5.1 智能体多场景应用 88
3.5.2 移动端智能体 91
3.5.3 跨平台部署策略 91
本章小结 92
【扩展阅读：低代码开发智能体的未来困境—当人人皆可开发，然后呢】 92
课后习题 94
第4章 机器学习：让机器学会“思考” 97
4.1 机器学习的定义 98
4.2 机器学习如何工作 99
4.2.1 数据集基本构成 99
4.2.2 算法模型：一份“可调蓝图” 100
4.2.3 模型训练的双重变量：参数vs超参数 101
4.2.4 损失函数：学习的“指南针” 102
4.3 机器学习的主要范式 104
4.3.1 监督学习：“名师出高徒” 104
4.3.2 无监督学习：“自主学习的探索者” 107
4.3.3 强化学习：“在试错中成为高手” 111
4.3.4 生成式学习：从“判断者”到“创造者”的进化 114
4.4 机器学习的经典算法 116
4.4.1 线性回归 116
4.4.2 逻辑斯谛回归 118
4.4.3 决策树 120
4.4.4 K均值聚类 122
4.5 机器学习的潜在风险 125
4.5.1 数据偏见：公平性的隐形杀手 125
4.5.2 模型依赖虚假特征：决策可靠性的隐形陷阱 126
本章小结 127
【扩展阅读：算法背后的偏见—当机器学习“学会”了歧视】 127
课后习题 130
第5章 人工神经网络：深度学习的基石 133
5.1 传统机器学习的困境 134
5.1.1 手动设计规则的挑战 134
5.1.2 人工神经网络的思路 135
5.1.3 人工神经网络的发展历史 135
5.2 人工神经网络：从“模仿大脑”到“数学计算” 136
5.2.1 神经元的结构与信息传递机制 137
5.2.2 人工神经元与激活函数 138
5.3 前馈神经网络：构建一个“学习大脑” 141
5.3.1 数据准备：从原始图像到网络输入 142
5.3.2 构建模型：层次化特征学习的引擎 144
5.3.3 模型训练：从“新手”到“专家”的学习闭环 146
5.3.4 训练陷阱：过拟合与泛化能力 148
5.3.5 调优实践：让模型更聪明 150
本章小结 151
【扩展阅读：奥卡姆剃刀与简约之美】 151
课后习题 152
第6章 深度学习：让机器学会“深度”思考 155
6.1 深度学习概述 156
6.1.1 多层感知机就是深度学习吗 156
6.1.2 “深度”的核心价值：层次化与端到端的特征学习 156
6.2 深度学习的驱动力及架构演进 157
6.3 卷积神经网络：让机器“看见”的利器 158
6.3.1 多层感知机的局限性 158
6.3.2 卷积神经网络的定义 158
6.3.3 卷积神经网络的工作机制 159
6.3.4 案例：LeNet-5实现手写数字识别 161
6.4 循环神经网络：赋予机器“记忆”功能 165
6.4.1 循环神经网络的定义 166
6.4.2 循环神经网络的基本单元 166
6.4.3 循环神经网络的工作机制 167
6.4.4 循环神经网络的典型应用场景 169
本章小结 173
【扩展阅读：自注意力机制—大模型的基石】 173
课后习题 174
第7章 人工智能的未来挑战与责任：技术向善的边界与责任 177
7.1 技术可信度挑战 178
7.1.1 “黑箱”决策与信任难题 178
7.1.2 生成式AI的“幻觉”与信息真实性 179
7.1.3 脆弱性与对抗性 181
7.2 价值对齐 181
7.2.1 目标设定的难题 181
7.2.2 技术路径与社会规范 182
7.3 社会经济的重塑 182
7.3.1 就业市场的重构 182
7.3.2 数字鸿沟与算法偏见 183
7.3.3 深度伪造与数据安全 183
7.4 人工智能全球治理与中国方案 184
7.4.1 全球三大AI治理范式 185
7.4.2 中国治理与法治保障 186
7.4.3 系统应对 186
本章小结 187
【扩展阅读：人工智能伦理的未来困境—当AI无所不能，人类该守住什么】 187
课后习题 189
第1章 人工智能概况：智能时代的必修课 1
1.1 人工智能的定义与分类 2
1.1.1 人工智能的定义 2
1.1.2 人工智能的主要分类 3
1.2 人工智能的发展历程 4
1.2.1 人工智能的主要学派 4
1.2.2 人工智能的“三起两落” 6
1.2.3 人工智能的三要素 8
1.2.4 人工智能的我国路径 11
1.3 人工智能的应用领域 12
1.3.1 行业赋能：人工智能的典型应用场景 12
1.3.2 区域布局：因地制宜的产业生态构建 15
1.3.3 发展前瞻：核心挑战与战略机遇 17
1.4 人工智能的“可为”与“不可为” 18
本章小结 19
【扩展阅读：图灵测试的当代困境—当AI通过测试，然后呢】 19
课后习题 22
第2章 生成式大模型：内容生成的技术引擎 25
2.1 生成式大模型概述 26
2.1.1 基本定义与内涵 26
2.1.2 技术原理：从数据到智能的演进 27
2.1.3 生成式大模型的分类 28
2.1.4 协作范式：从模糊指令到清晰表达 29
2.2 提示词工程 30
2.2.1 核心逻辑与要素 30
2.2.2 标准化提示词模板 30
2.2.3 偏差应对与多轮对话策略 38
2.3 应用实践与基本准则 39
2.3.1 让大模型成为你的办公助手 39
2.3.2 风险识别与验证机制 49
2.3.3 使用大模型的基本准则 50
本章小结 51
【扩展阅读：大模型的能耗账本—智能的代价有多高】 51
课后习题 53
第3章 低代码开发智能体：人人皆可开发的AI应用 56
3.1 智能体：从生活到技术 57
3.1.1 智能体的定义与特征 57
3.1.2 智能体的核心构成 60
3.1.3 智能体的分类 61
3.2 智能体的工作原理：闭环逻辑 62
3.2.1 “感知-决策-行动-反馈”闭环 63
3.2.2 智能体的主流技术 64
3.3 低代码开发平台：新手首选Coze（扣子） 64
3.3.1 平台优势与价值 64
3.3.2 主流平台对比分析 65
3.3.3 Coze平台及其特色 66
3.4 Coze（扣子）智能体搭建的步骤 66
3.4.1 手把手搭建一个文档整理智能体 70
3.4.2 基于“工作流”搭建智能体 73
3.4.3 有声单词卡智能体开发 75
3.5 应用拓展与进阶：校园、教学与生活中的自动化应用 88
3.5.1 智能体多场景应用 88
3.5.2 移动端智能体 91
3.5.3 跨平台部署策略 91
本章小结 92
【扩展阅读：低代码开发智能体的未来困境—当人人皆可开发，然后呢】 92
课后习题 94
第4章 机器学习：让机器学会“思考” 97
4.1 机器学习的定义 98
4.2 机器学习如何工作 99
4.2.1 数据集基本构成 99
4.2.2 算法模型：一份“可调蓝图” 100
4.2.3 模型训练的双重变量：参数vs超参数 101
4.2.4 损失函数：学习的“指南针” 102
4.3 机器学习的主要范式 104
4.3.1 监督学习：“名师出高徒” 104
4.3.2 无监督学习：“自主学习的探索者” 107
4.3.3 强化学习：“在试错中成为高手” 111
4.3.4 生成式学习：从“判断者”到“创造者”的进化 114
4.4 机器学习的经典算法 116
4.4.1 线性回归 116
4.4.2 逻辑斯谛回归 118
4.4.3 决策树 120
4.4.4 K均值聚类 122
4.5 机器学习的潜在风险 125
4.5.1 数据偏见：公平性的隐形杀手 125
4.5.2 模型依赖虚假特征：决策可靠性的隐形陷阱 126
本章小结 127
【扩展阅读：算法背后的偏见—当机器学习“学会”了歧视】 127
课后习题 130
第5章 人工神经网络：深度学习的基石 133
5.1 传统机器学习的困境 134
5.1.1 手动设计规则的挑战 134
5.1.2 人工神经网络的思路 135
5.1.3 人工神经网络的发展历史 135
5.2 人工神经网络：从“模仿大脑”到“数学计算” 136
5.2.1 神经元的结构与信息传递机制 137
5.2.2 人工神经元与激活函数 138
5.3 前馈神经网络：构建一个“学习大脑” 141
5.3.1 数据准备：从原始图像到网络输入 142
5.3.2 构建模型：层次化特征学习的引擎 144
5.3.3 模型训练：从“新手”到“专家”的学习闭环 146
5.3.4 训练陷阱：过拟合与泛化能力 148
5.3.5 调优实践：让模型更聪明 150
本章小结 151
【扩展阅读：奥卡姆剃刀与简约之美】 151
课后习题 152
第6章 深度学习：让机器学会“深度”思考 155
6.1 深度学习概述 156
6.1.1 多层感知机就是深度学习吗 156
6.1.2 “深度”的核心价值：层次化与端到端的特征学习 156
6.2 深度学习的驱动力及架构演进 157
6.3 卷积神经网络：让机器“看见”的利器 158
6.3.1 多层感知机的局限性 158
6.3.2 卷积神经网络的定义 158
6.3.3 卷积神经网络的工作机制 159
6.3.4 案例：LeNet-5实现手写数字识别 161
6.4 循环神经网络：赋予机器“记忆”功能 165
6.4.1 循环神经网络的定义 166
6.4.2 循环神经网络的基本单元 166
6.4.3 循环神经网络的工作机制 167
6.4.4 循环神经网络的典型应用场景 169
本章小结 173
【扩展阅读：自注意力机制—大模型的基石】 173
课后习题 174
第7章 人工智能的未来挑战与责任：技术向善的边界与责任 177
7.1 技术可信度挑战 178
7.1.1 “黑箱”决策与信任难题 178
7.1.2 生成式AI的“幻觉”与信息真实性 179
7.1.3 脆弱性与对抗性 181
7.2 价值对齐 181
7.2.1 目标设定的难题 181
7.2.2 技术路径与社会规范 182
7.3 社会经济的重塑 182
7.3.1 就业市场的重构 182
7.3.2 数字鸿沟与算法偏见 183
7.3.3 深度伪造与数据安全 183
7.4 人工智能全球治理与中国方案 184
7.4.1 全球三大AI治理范式 185
7.4.2 中国治理与法治保障 186
7.4.3 系统应对 186
本章小结 187
【扩展阅读：人工智能伦理的未来困境—当AI无所不能，人类该守住什么】 187
课后习题 189
