人工智能通识——民航特色应用与实践
定价：￥39.20
作者： 潘磊，曾昶畅，路晶等
出版社：高等教育出版社
- 高等教育出版社
- 9787040679762
- 1版
- 16开
内容简介
本书面向非人工智能专业学生及人工智能初学者，系统介绍人工智能的基本概念、理论基础、核心方法、典型应用、前沿发展及行业实践。全书坚持“概念清晰、原理适度、案例丰富、面向应用”的编写思路，既注重人工智能知识体系的完整性，又强调通识教育的可理解性和实践导向。
全书共分8章。第1、2章勾勒人工智能的定义、学派与发展脉络，讲解搜索算法、博弈决策，逻辑推理及知识图谱等问题求解的基础知识；第3、4章聚焦技术原理，由浅入深地解析机器学习与深度学习的核心机制，引导学生理解“从数据中学习规律”并认识大语言模型等主流技术；第5、6章面向应用与前沿；第7、8章结合行业特色与未来思辨，系统阐述AI在智慧民航与低空经济中的落地与实践，并深入探讨人工智能趋势、技术伦理及数据安全等现实挑战。
本书既可作为高等学校人工智能通识课程教材，也可作为相关专业学生了解人工智能的入门读物。
全书共分8章。第1、2章勾勒人工智能的定义、学派与发展脉络，讲解搜索算法、博弈决策，逻辑推理及知识图谱等问题求解的基础知识；第3、4章聚焦技术原理，由浅入深地解析机器学习与深度学习的核心机制，引导学生理解“从数据中学习规律”并认识大语言模型等主流技术；第5、6章面向应用与前沿；第7、8章结合行业特色与未来思辨，系统阐述AI在智慧民航与低空经济中的落地与实践，并深入探讨人工智能趋势、技术伦理及数据安全等现实挑战。
本书既可作为高等学校人工智能通识课程教材，也可作为相关专业学生了解人工智能的入门读物。
目录
目录
前辅文
第1章 人工智能基本概念
1.1 人工智能的基本概念
1.1.1 智慧与智能
1.1.2 从生物神经元到人工大脑
1.1.3 人类智能与人工智能：联系与区别
1.2 人工智能的发展历程
1.2.1 起步发展期（1956—1974年）
1.2.2 反思发展期（1974—1980年）
1.2.3 应用发展期（1980—1987年）
1.2.4 低迷发展期（1987—1993年）
1.2.5 蓬勃发展期（2011年至今）
1.3 人工智能四大方法论和三大学派
1.3.1 人工智能发展中的四大方法论
1.3.2 人工智能三大学派
1.4 人工智能的基础
1.4.1 数学：人工智能的理论基石
1.4.2 计算机科学：人工智能的实现平台
1.4.3 心理学：理解智能的认知基础
1.4.4 神经科学：启发智能的生物学模拟
1.5 技术现状
1.5.1 智能决策与推理系统
1.5.2 智能学习与博弈技术
1.5.3 感知与交互智能
1.5.4 仿生与认知计算
1.6 本章总结
第2章 人工智能基础知识
2.1 A*算法与启发函数
2.1.1 从一个路口的选择说起
2.1.2 A*算法是怎么工作的
2.1.3 启发函数的更多例子：不同问题，不同“经验”
2.1.4 现实中的A*：不只是地图
2.2 博弈与决策
2.2.1 决策vs博弈：当“别人也在动”
2.2.2 博弈的基本要素
2.2.3 纳什均衡：无人愿意率先改变的稳定状态
2.2.4 现实中的博弈与决策应用
2.3 逻辑推理与命题逻辑
2.3.1 从一句话开始：什么是命题
2.3.2 把简单想法连起来：逻辑连接词
2.3.3 推理是怎么发生的
2.3.4 逻辑在现实世界中有什么用
2.4 知识图谱
2.4.1 从一个问题开始：机器如何“知道”答案
2.4.2 什么是知识图谱
2.4.3 知识图谱是由什么组成的
2.4.4 知识图谱在人工智能中的应用
2.5 本章总结
第3章 机器学习
3.1 认识机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的发展历程
3.2 机器学习的类别
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 迁移学习
3.2.5 强化学习
3.3 机器学习经典算法
3.3.1 线性回归
3.3.2 k近邻算法
3.3.3 决策树
3.3.4 支持向量机
3.3.5 k均值聚类
3.4 讨论
3.5 本章总结
第4章 深度学习
4.1 人工神经网络
4.1.1 人工神经网络的基本概念
4.1.2 人工神经网络的基本结构
4.1.3 人工神经网络的工作机制
4.1.4 人工神经网络的训练与学习
4.1.5 人工神经网络的应用场景
4.2 卷积神经网络
4.2.1 卷积神经网络的基本概念
4.2.2 CNN在处理图像数据中的卓越表现
4.2.3 卷积神经网络的基本结构
4.2.4 卷积神经网络的工作机制
4.2.5 卷积神经网络的优势和典型模型
4.2.6 卷积神经网络的应用场景
4.3 循环神经网络
4.3.1 循环神经网络的基本概念
4.3.2 为什么需要循环神经网络
4.3.3 循环神经网络的基本结构与工作机制
4.3.4 循环神经网络的改进
4.3.5 循环神经网络的应用场景
4.4 生成对抗网络
4.4.1 生成对抗网络的基本概念
4.4.2 生成对抗网络的基本结构与工作机制
4.4.3 生成对抗网络的训练过程
4.4.4 生成对抗网络的典型模型
4.4.5 生成对抗网络的应用场景
4.5 大语言模型
4.5.1 大语言模型的基本概念
4.5.2 大语言模型发展历程
4.5.3 大语言模型的训练过程
4.5.4 开源和闭源大语言模型
4.5.5 大语言模型的应用场景
4.5.6 大语言模型的应用案例
4.6 本章总结
第5章 人工智能主要应用
5.1 计算机视觉技术与应用
5.1.1 计算机视觉的基本概念
5.1.2 计算机视觉的发展历程
5.1.3 计算机视觉的常见任务
5.1.4 计算机视觉的应用案例
5.2 自然语言处理技术与应用
5.2.1 自然语言处理的基本概念
5.2.2 自然语言处理的发展历程
5.2.3 自然语言处理的常见任务
5.2.4 自然语言处理的应用案例
5.3 智能语音技术与应用
5.3.1 智能语音技术的基本概念
5.3.2 智能语音技术的发展历程
5.3.3 智能语音技术的常见任务
5.3.4 智能语音技术的应用案例
5.4 虚拟现实技术与应用
5.4.1 虚拟现实技术的基本概念
5.4.2 虚拟现实技术的发展历程
5.4.3 虚拟现实相关基础技术
5.4.4 虚拟现实技术的应用案例
5.5 本章总结
第6章 人工智能前沿技术
6.1 AIGC
6.1.1 AIGC的基本概念
6.1.2 AIGC的发展历程
6.1.3 AIGC的技术体系
6.1.4 AIGC的技术代表
6.1.5 AIGC的应用场景
6.1.6 AIGC的未来展望
6.2 自动驾驶模式识别技术
6.2.1 自动驾驶技术的概念
6.2.2 自动驾驶感知技术
6.2.3 自动驾驶的决策和规划
6.2.4 自动驾驶的控制与执行
6.2.5 自动驾驶未来展望
6.3 具身智能
6.3.1 具身智能的概念
6.3.2 具身智能的发展历史
6.3.3 具身智能系统的基本概念
6.3.4 具身智能采用的大模型
6.3.5 未来展望
6.4 类脑智能
6.4.1 类脑智能的定义
6.4.2 类脑智能研究发展
6.4.3 类脑智能的应用
6.4.4 类脑智能未来的发展方向
6.5 本章总结
第7章 人工智能民航应用
7.1 飞行
7.1.1 疲劳驾驶检测
7.1.2 飞行模式识别
7.2 空管
7.2.1 机场场面监控
7.2.2 航班调度优化
7.2.3 空中交通流量管理
7.2.4 自动化管制
7.3 机场
7.3.1 旅客出行
7.3.2 航站楼安检
7.3.3 鸟击防范
7.4 机务维修
7.4.1 预测性维护：为航空器打造智能“健康管家”
7.4.2 自动化与智能巡检：构筑地空一体的安全防线
7.4.3 智能排故与维修“超级大脑”：跨越信息迷宫的知识引擎
7.4.4 培训与支持：身临其境的“数字演兵场”
7.5 气象大模型
7.5.1 气象大模型的基本概念
7.5.2 全球目前主要使用的气象大模型
7.5.3 气象大模型在民航中的应用
7.5.4 气象大模型在民航中的应用实例
7.6 无人机
7.6.1 人工智能+ 无人机
7.6.2 无人机在民航方面的应用
7.7 本章总结
第8章 人工智能的机遇与挑战
8.1 人工智能的未来发展趋势
8.1.1 迈向通用人工智能：概率预测到深度推理
8.1.2 合成数据：打破瓶颈与AI的自我进化
8.1.3 量子人工智能：算力的指数级爆发
8.1.4 AI Agent与Manus: 人机对话到全自动接管
8.2 人工智能带来的机遇
8.2.1 科学探索的加速器：AI驱动的科研范式革命
8.2.2 生产力与创造力的解放：重复劳动到核心创造
8.2.3 传统行业的智能化跃迁：从靠天吃饭到精准农业
8.3 人工智能带来的挑战
8.3.1 社会性挑战
8.3.2 法律责任认定
8.3.3 隐私与安全
8.3.4 技术垄断与不平等加剧
8.3.5 伦理问题
8.4 下一代人工智能
8.4.1 迈向通用人工智能
8.4.2 意识模型
8.4.3 AI自我选择
8.4.4 因果推断
8.4.5 神经符号人工智能
8.5 本章总结
参考文献
前辅文
第1章 人工智能基本概念
1.1 人工智能的基本概念
1.1.1 智慧与智能
1.1.2 从生物神经元到人工大脑
1.1.3 人类智能与人工智能：联系与区别
1.2 人工智能的发展历程
1.2.1 起步发展期（1956—1974年）
1.2.2 反思发展期（1974—1980年）
1.2.3 应用发展期（1980—1987年）
1.2.4 低迷发展期（1987—1993年）
1.2.5 蓬勃发展期（2011年至今）
1.3 人工智能四大方法论和三大学派
1.3.1 人工智能发展中的四大方法论
1.3.2 人工智能三大学派
1.4 人工智能的基础
1.4.1 数学：人工智能的理论基石
1.4.2 计算机科学：人工智能的实现平台
1.4.3 心理学：理解智能的认知基础
1.4.4 神经科学：启发智能的生物学模拟
1.5 技术现状
1.5.1 智能决策与推理系统
1.5.2 智能学习与博弈技术
1.5.3 感知与交互智能
1.5.4 仿生与认知计算
1.6 本章总结
第2章 人工智能基础知识
2.1 A*算法与启发函数
2.1.1 从一个路口的选择说起
2.1.2 A*算法是怎么工作的
2.1.3 启发函数的更多例子：不同问题，不同“经验”
2.1.4 现实中的A*：不只是地图
2.2 博弈与决策
2.2.1 决策vs博弈：当“别人也在动”
2.2.2 博弈的基本要素
2.2.3 纳什均衡：无人愿意率先改变的稳定状态
2.2.4 现实中的博弈与决策应用
2.3 逻辑推理与命题逻辑
2.3.1 从一句话开始：什么是命题
2.3.2 把简单想法连起来：逻辑连接词
2.3.3 推理是怎么发生的
2.3.4 逻辑在现实世界中有什么用
2.4 知识图谱
2.4.1 从一个问题开始：机器如何“知道”答案
2.4.2 什么是知识图谱
2.4.3 知识图谱是由什么组成的
2.4.4 知识图谱在人工智能中的应用
2.5 本章总结
第3章 机器学习
3.1 认识机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的发展历程
3.2 机器学习的类别
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 迁移学习
3.2.5 强化学习
3.3 机器学习经典算法
3.3.1 线性回归
3.3.2 k近邻算法
3.3.3 决策树
3.3.4 支持向量机
3.3.5 k均值聚类
3.4 讨论
3.5 本章总结
第4章 深度学习
4.1 人工神经网络
4.1.1 人工神经网络的基本概念
4.1.2 人工神经网络的基本结构
4.1.3 人工神经网络的工作机制
4.1.4 人工神经网络的训练与学习
4.1.5 人工神经网络的应用场景
4.2 卷积神经网络
4.2.1 卷积神经网络的基本概念
4.2.2 CNN在处理图像数据中的卓越表现
4.2.3 卷积神经网络的基本结构
4.2.4 卷积神经网络的工作机制
4.2.5 卷积神经网络的优势和典型模型
4.2.6 卷积神经网络的应用场景
4.3 循环神经网络
4.3.1 循环神经网络的基本概念
4.3.2 为什么需要循环神经网络
4.3.3 循环神经网络的基本结构与工作机制
4.3.4 循环神经网络的改进
4.3.5 循环神经网络的应用场景
4.4 生成对抗网络
4.4.1 生成对抗网络的基本概念
4.4.2 生成对抗网络的基本结构与工作机制
4.4.3 生成对抗网络的训练过程
4.4.4 生成对抗网络的典型模型
4.4.5 生成对抗网络的应用场景
4.5 大语言模型
4.5.1 大语言模型的基本概念
4.5.2 大语言模型发展历程
4.5.3 大语言模型的训练过程
4.5.4 开源和闭源大语言模型
4.5.5 大语言模型的应用场景
4.5.6 大语言模型的应用案例
4.6 本章总结
第5章 人工智能主要应用
5.1 计算机视觉技术与应用
5.1.1 计算机视觉的基本概念
5.1.2 计算机视觉的发展历程
5.1.3 计算机视觉的常见任务
5.1.4 计算机视觉的应用案例
5.2 自然语言处理技术与应用
5.2.1 自然语言处理的基本概念
5.2.2 自然语言处理的发展历程
5.2.3 自然语言处理的常见任务
5.2.4 自然语言处理的应用案例
5.3 智能语音技术与应用
5.3.1 智能语音技术的基本概念
5.3.2 智能语音技术的发展历程
5.3.3 智能语音技术的常见任务
5.3.4 智能语音技术的应用案例
5.4 虚拟现实技术与应用
5.4.1 虚拟现实技术的基本概念
5.4.2 虚拟现实技术的发展历程
5.4.3 虚拟现实相关基础技术
5.4.4 虚拟现实技术的应用案例
5.5 本章总结
第6章 人工智能前沿技术
6.1 AIGC
6.1.1 AIGC的基本概念
6.1.2 AIGC的发展历程
6.1.3 AIGC的技术体系
6.1.4 AIGC的技术代表
6.1.5 AIGC的应用场景
6.1.6 AIGC的未来展望
6.2 自动驾驶模式识别技术
6.2.1 自动驾驶技术的概念
6.2.2 自动驾驶感知技术
6.2.3 自动驾驶的决策和规划
6.2.4 自动驾驶的控制与执行
6.2.5 自动驾驶未来展望
6.3 具身智能
6.3.1 具身智能的概念
6.3.2 具身智能的发展历史
6.3.3 具身智能系统的基本概念
6.3.4 具身智能采用的大模型
6.3.5 未来展望
6.4 类脑智能
6.4.1 类脑智能的定义
6.4.2 类脑智能研究发展
6.4.3 类脑智能的应用
6.4.4 类脑智能未来的发展方向
6.5 本章总结
第7章 人工智能民航应用
7.1 飞行
7.1.1 疲劳驾驶检测
7.1.2 飞行模式识别
7.2 空管
7.2.1 机场场面监控
7.2.2 航班调度优化
7.2.3 空中交通流量管理
7.2.4 自动化管制
7.3 机场
7.3.1 旅客出行
7.3.2 航站楼安检
7.3.3 鸟击防范
7.4 机务维修
7.4.1 预测性维护：为航空器打造智能“健康管家”
7.4.2 自动化与智能巡检：构筑地空一体的安全防线
7.4.3 智能排故与维修“超级大脑”：跨越信息迷宫的知识引擎
7.4.4 培训与支持：身临其境的“数字演兵场”
7.5 气象大模型
7.5.1 气象大模型的基本概念
7.5.2 全球目前主要使用的气象大模型
7.5.3 气象大模型在民航中的应用
7.5.4 气象大模型在民航中的应用实例
7.6 无人机
7.6.1 人工智能+ 无人机
7.6.2 无人机在民航方面的应用
7.7 本章总结
第8章 人工智能的机遇与挑战
8.1 人工智能的未来发展趋势
8.1.1 迈向通用人工智能：概率预测到深度推理
8.1.2 合成数据：打破瓶颈与AI的自我进化
8.1.3 量子人工智能：算力的指数级爆发
8.1.4 AI Agent与Manus: 人机对话到全自动接管
8.2 人工智能带来的机遇
8.2.1 科学探索的加速器：AI驱动的科研范式革命
8.2.2 生产力与创造力的解放：重复劳动到核心创造
8.2.3 传统行业的智能化跃迁：从靠天吃饭到精准农业
8.3 人工智能带来的挑战
8.3.1 社会性挑战
8.3.2 法律责任认定
8.3.3 隐私与安全
8.3.4 技术垄断与不平等加剧
8.3.5 伦理问题
8.4 下一代人工智能
8.4.1 迈向通用人工智能
8.4.2 意识模型
8.4.3 AI自我选择
8.4.4 因果推断
8.4.5 神经符号人工智能
8.5 本章总结
参考文献
前辅文
第1章 人工智能基本概念
1.1 人工智能的基本概念
1.1.1 智慧与智能
1.1.2 从生物神经元到人工大脑
1.1.3 人类智能与人工智能：联系与区别
1.2 人工智能的发展历程
1.2.1 起步发展期（1956—1974年）
1.2.2 反思发展期（1974—1980年）
1.2.3 应用发展期（1980—1987年）
1.2.4 低迷发展期（1987—1993年）
1.2.5 蓬勃发展期（2011年至今）
1.3 人工智能四大方法论和三大学派
1.3.1 人工智能发展中的四大方法论
1.3.2 人工智能三大学派
1.4 人工智能的基础
1.4.1 数学：人工智能的理论基石
1.4.2 计算机科学：人工智能的实现平台
1.4.3 心理学：理解智能的认知基础
1.4.4 神经科学：启发智能的生物学模拟
1.5 技术现状
1.5.1 智能决策与推理系统
1.5.2 智能学习与博弈技术
1.5.3 感知与交互智能
1.5.4 仿生与认知计算
1.6 本章总结
第2章 人工智能基础知识
2.1 A*算法与启发函数
2.1.1 从一个路口的选择说起
2.1.2 A*算法是怎么工作的
2.1.3 启发函数的更多例子：不同问题，不同“经验”
2.1.4 现实中的A*：不只是地图
2.2 博弈与决策
2.2.1 决策vs博弈：当“别人也在动”
2.2.2 博弈的基本要素
2.2.3 纳什均衡：无人愿意率先改变的稳定状态
2.2.4 现实中的博弈与决策应用
2.3 逻辑推理与命题逻辑
2.3.1 从一句话开始：什么是命题
2.3.2 把简单想法连起来：逻辑连接词
2.3.3 推理是怎么发生的
2.3.4 逻辑在现实世界中有什么用
2.4 知识图谱
2.4.1 从一个问题开始：机器如何“知道”答案
2.4.2 什么是知识图谱
2.4.3 知识图谱是由什么组成的
2.4.4 知识图谱在人工智能中的应用
2.5 本章总结
第3章 机器学习
3.1 认识机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的发展历程
3.2 机器学习的类别
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 迁移学习
3.2.5 强化学习
3.3 机器学习经典算法
3.3.1 线性回归
3.3.2 k近邻算法
3.3.3 决策树
3.3.4 支持向量机
3.3.5 k均值聚类
3.4 讨论
3.5 本章总结
第4章 深度学习
4.1 人工神经网络
4.1.1 人工神经网络的基本概念
4.1.2 人工神经网络的基本结构
4.1.3 人工神经网络的工作机制
4.1.4 人工神经网络的训练与学习
4.1.5 人工神经网络的应用场景
4.2 卷积神经网络
4.2.1 卷积神经网络的基本概念
4.2.2 CNN在处理图像数据中的卓越表现
4.2.3 卷积神经网络的基本结构
4.2.4 卷积神经网络的工作机制
4.2.5 卷积神经网络的优势和典型模型
4.2.6 卷积神经网络的应用场景
4.3 循环神经网络
4.3.1 循环神经网络的基本概念
4.3.2 为什么需要循环神经网络
4.3.3 循环神经网络的基本结构与工作机制
4.3.4 循环神经网络的改进
4.3.5 循环神经网络的应用场景
4.4 生成对抗网络
4.4.1 生成对抗网络的基本概念
4.4.2 生成对抗网络的基本结构与工作机制
4.4.3 生成对抗网络的训练过程
4.4.4 生成对抗网络的典型模型
4.4.5 生成对抗网络的应用场景
4.5 大语言模型
4.5.1 大语言模型的基本概念
4.5.2 大语言模型发展历程
4.5.3 大语言模型的训练过程
4.5.4 开源和闭源大语言模型
4.5.5 大语言模型的应用场景
4.5.6 大语言模型的应用案例
4.6 本章总结
第5章 人工智能主要应用
5.1 计算机视觉技术与应用
5.1.1 计算机视觉的基本概念
5.1.2 计算机视觉的发展历程
5.1.3 计算机视觉的常见任务
5.1.4 计算机视觉的应用案例
5.2 自然语言处理技术与应用
5.2.1 自然语言处理的基本概念
5.2.2 自然语言处理的发展历程
5.2.3 自然语言处理的常见任务
5.2.4 自然语言处理的应用案例
5.3 智能语音技术与应用
5.3.1 智能语音技术的基本概念
5.3.2 智能语音技术的发展历程
5.3.3 智能语音技术的常见任务
5.3.4 智能语音技术的应用案例
5.4 虚拟现实技术与应用
5.4.1 虚拟现实技术的基本概念
5.4.2 虚拟现实技术的发展历程
5.4.3 虚拟现实相关基础技术
5.4.4 虚拟现实技术的应用案例
5.5 本章总结
第6章 人工智能前沿技术
6.1 AIGC
6.1.1 AIGC的基本概念
6.1.2 AIGC的发展历程
6.1.3 AIGC的技术体系
6.1.4 AIGC的技术代表
6.1.5 AIGC的应用场景
6.1.6 AIGC的未来展望
6.2 自动驾驶模式识别技术
6.2.1 自动驾驶技术的概念
6.2.2 自动驾驶感知技术
6.2.3 自动驾驶的决策和规划
6.2.4 自动驾驶的控制与执行
6.2.5 自动驾驶未来展望
6.3 具身智能
6.3.1 具身智能的概念
6.3.2 具身智能的发展历史
6.3.3 具身智能系统的基本概念
6.3.4 具身智能采用的大模型
6.3.5 未来展望
6.4 类脑智能
6.4.1 类脑智能的定义
6.4.2 类脑智能研究发展
6.4.3 类脑智能的应用
6.4.4 类脑智能未来的发展方向
6.5 本章总结
第7章 人工智能民航应用
7.1 飞行
7.1.1 疲劳驾驶检测
7.1.2 飞行模式识别
7.2 空管
7.2.1 机场场面监控
7.2.2 航班调度优化
7.2.3 空中交通流量管理
7.2.4 自动化管制
7.3 机场
7.3.1 旅客出行
7.3.2 航站楼安检
7.3.3 鸟击防范
7.4 机务维修
7.4.1 预测性维护：为航空器打造智能“健康管家”
7.4.2 自动化与智能巡检：构筑地空一体的安全防线
7.4.3 智能排故与维修“超级大脑”：跨越信息迷宫的知识引擎
7.4.4 培训与支持：身临其境的“数字演兵场”
7.5 气象大模型
7.5.1 气象大模型的基本概念
7.5.2 全球目前主要使用的气象大模型
7.5.3 气象大模型在民航中的应用
7.5.4 气象大模型在民航中的应用实例
7.6 无人机
7.6.1 人工智能+ 无人机
7.6.2 无人机在民航方面的应用
7.7 本章总结
第8章 人工智能的机遇与挑战
8.1 人工智能的未来发展趋势
8.1.1 迈向通用人工智能：概率预测到深度推理
8.1.2 合成数据：打破瓶颈与AI的自我进化
8.1.3 量子人工智能：算力的指数级爆发
8.1.4 AI Agent与Manus: 人机对话到全自动接管
8.2 人工智能带来的机遇
8.2.1 科学探索的加速器：AI驱动的科研范式革命
8.2.2 生产力与创造力的解放：重复劳动到核心创造
8.2.3 传统行业的智能化跃迁：从靠天吃饭到精准农业
8.3 人工智能带来的挑战
8.3.1 社会性挑战
8.3.2 法律责任认定
8.3.3 隐私与安全
8.3.4 技术垄断与不平等加剧
8.3.5 伦理问题
8.4 下一代人工智能
8.4.1 迈向通用人工智能
8.4.2 意识模型
8.4.3 AI自我选择
8.4.4 因果推断
8.4.5 神经符号人工智能
8.5 本章总结
参考文献
前辅文
第1章 人工智能基本概念
1.1 人工智能的基本概念
1.1.1 智慧与智能
1.1.2 从生物神经元到人工大脑
1.1.3 人类智能与人工智能：联系与区别
1.2 人工智能的发展历程
1.2.1 起步发展期（1956—1974年）
1.2.2 反思发展期（1974—1980年）
1.2.3 应用发展期（1980—1987年）
1.2.4 低迷发展期（1987—1993年）
1.2.5 蓬勃发展期（2011年至今）
1.3 人工智能四大方法论和三大学派
1.3.1 人工智能发展中的四大方法论
1.3.2 人工智能三大学派
1.4 人工智能的基础
1.4.1 数学：人工智能的理论基石
1.4.2 计算机科学：人工智能的实现平台
1.4.3 心理学：理解智能的认知基础
1.4.4 神经科学：启发智能的生物学模拟
1.5 技术现状
1.5.1 智能决策与推理系统
1.5.2 智能学习与博弈技术
1.5.3 感知与交互智能
1.5.4 仿生与认知计算
1.6 本章总结
第2章 人工智能基础知识
2.1 A*算法与启发函数
2.1.1 从一个路口的选择说起
2.1.2 A*算法是怎么工作的
2.1.3 启发函数的更多例子：不同问题，不同“经验”
2.1.4 现实中的A*：不只是地图
2.2 博弈与决策
2.2.1 决策vs博弈：当“别人也在动”
2.2.2 博弈的基本要素
2.2.3 纳什均衡：无人愿意率先改变的稳定状态
2.2.4 现实中的博弈与决策应用
2.3 逻辑推理与命题逻辑
2.3.1 从一句话开始：什么是命题
2.3.2 把简单想法连起来：逻辑连接词
2.3.3 推理是怎么发生的
2.3.4 逻辑在现实世界中有什么用
2.4 知识图谱
2.4.1 从一个问题开始：机器如何“知道”答案
2.4.2 什么是知识图谱
2.4.3 知识图谱是由什么组成的
2.4.4 知识图谱在人工智能中的应用
2.5 本章总结
第3章 机器学习
3.1 认识机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的发展历程
3.2 机器学习的类别
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 迁移学习
3.2.5 强化学习
3.3 机器学习经典算法
3.3.1 线性回归
3.3.2 k近邻算法
3.3.3 决策树
3.3.4 支持向量机
3.3.5 k均值聚类
3.4 讨论
3.5 本章总结
第4章 深度学习
4.1 人工神经网络
4.1.1 人工神经网络的基本概念
4.1.2 人工神经网络的基本结构
4.1.3 人工神经网络的工作机制
4.1.4 人工神经网络的训练与学习
4.1.5 人工神经网络的应用场景
4.2 卷积神经网络
4.2.1 卷积神经网络的基本概念
4.2.2 CNN在处理图像数据中的卓越表现
4.2.3 卷积神经网络的基本结构
4.2.4 卷积神经网络的工作机制
4.2.5 卷积神经网络的优势和典型模型
4.2.6 卷积神经网络的应用场景
4.3 循环神经网络
4.3.1 循环神经网络的基本概念
4.3.2 为什么需要循环神经网络
4.3.3 循环神经网络的基本结构与工作机制
4.3.4 循环神经网络的改进
4.3.5 循环神经网络的应用场景
4.4 生成对抗网络
4.4.1 生成对抗网络的基本概念
4.4.2 生成对抗网络的基本结构与工作机制
4.4.3 生成对抗网络的训练过程
4.4.4 生成对抗网络的典型模型
4.4.5 生成对抗网络的应用场景
4.5 大语言模型
4.5.1 大语言模型的基本概念
4.5.2 大语言模型发展历程
4.5.3 大语言模型的训练过程
4.5.4 开源和闭源大语言模型
4.5.5 大语言模型的应用场景
4.5.6 大语言模型的应用案例
4.6 本章总结
第5章 人工智能主要应用
5.1 计算机视觉技术与应用
5.1.1 计算机视觉的基本概念
5.1.2 计算机视觉的发展历程
5.1.3 计算机视觉的常见任务
5.1.4 计算机视觉的应用案例
5.2 自然语言处理技术与应用
5.2.1 自然语言处理的基本概念
5.2.2 自然语言处理的发展历程
5.2.3 自然语言处理的常见任务
5.2.4 自然语言处理的应用案例
5.3 智能语音技术与应用
5.3.1 智能语音技术的基本概念
5.3.2 智能语音技术的发展历程
5.3.3 智能语音技术的常见任务
5.3.4 智能语音技术的应用案例
5.4 虚拟现实技术与应用
5.4.1 虚拟现实技术的基本概念
5.4.2 虚拟现实技术的发展历程
5.4.3 虚拟现实相关基础技术
5.4.4 虚拟现实技术的应用案例
5.5 本章总结
第6章 人工智能前沿技术
6.1 AIGC
6.1.1 AIGC的基本概念
6.1.2 AIGC的发展历程
6.1.3 AIGC的技术体系
6.1.4 AIGC的技术代表
6.1.5 AIGC的应用场景
6.1.6 AIGC的未来展望
6.2 自动驾驶模式识别技术
6.2.1 自动驾驶技术的概念
6.2.2 自动驾驶感知技术
6.2.3 自动驾驶的决策和规划
6.2.4 自动驾驶的控制与执行
6.2.5 自动驾驶未来展望
6.3 具身智能
6.3.1 具身智能的概念
6.3.2 具身智能的发展历史
6.3.3 具身智能系统的基本概念
6.3.4 具身智能采用的大模型
6.3.5 未来展望
6.4 类脑智能
6.4.1 类脑智能的定义
6.4.2 类脑智能研究发展
6.4.3 类脑智能的应用
6.4.4 类脑智能未来的发展方向
6.5 本章总结
第7章 人工智能民航应用
7.1 飞行
7.1.1 疲劳驾驶检测
7.1.2 飞行模式识别
7.2 空管
7.2.1 机场场面监控
7.2.2 航班调度优化
7.2.3 空中交通流量管理
7.2.4 自动化管制
7.3 机场
7.3.1 旅客出行
7.3.2 航站楼安检
7.3.3 鸟击防范
7.4 机务维修
7.4.1 预测性维护：为航空器打造智能“健康管家”
7.4.2 自动化与智能巡检：构筑地空一体的安全防线
7.4.3 智能排故与维修“超级大脑”：跨越信息迷宫的知识引擎
7.4.4 培训与支持：身临其境的“数字演兵场”
7.5 气象大模型
7.5.1 气象大模型的基本概念
7.5.2 全球目前主要使用的气象大模型
7.5.3 气象大模型在民航中的应用
7.5.4 气象大模型在民航中的应用实例
7.6 无人机
7.6.1 人工智能+ 无人机
7.6.2 无人机在民航方面的应用
7.7 本章总结
第8章 人工智能的机遇与挑战
8.1 人工智能的未来发展趋势
8.1.1 迈向通用人工智能：概率预测到深度推理
8.1.2 合成数据：打破瓶颈与AI的自我进化
8.1.3 量子人工智能：算力的指数级爆发
8.1.4 AI Agent与Manus: 人机对话到全自动接管
8.2 人工智能带来的机遇
8.2.1 科学探索的加速器：AI驱动的科研范式革命
8.2.2 生产力与创造力的解放：重复劳动到核心创造
8.2.3 传统行业的智能化跃迁：从靠天吃饭到精准农业
8.3 人工智能带来的挑战
8.3.1 社会性挑战
8.3.2 法律责任认定
8.3.3 隐私与安全
8.3.4 技术垄断与不平等加剧
8.3.5 伦理问题
8.4 下一代人工智能
8.4.1 迈向通用人工智能
8.4.2 意识模型
8.4.3 AI自我选择
8.4.4 因果推断
8.4.5 神经符号人工智能
8.5 本章总结
参考文献
