信息技术素养与数字化应用邓芳曹英邹洪芬主编15课件讲解.pptxVIP

信息技术素养与数字化应用邓芳曹英邹洪芬主编

第7章用AI大模型制作智能体人工智能技术概述

1.人工智能技术的发展历程人工智能的发展历程宛如一部波澜壮阔的科技史诗，其源头可追溯至20世纪50年代。1950年，阿兰图灵提出了具有划时代意义的图灵测试，为人工智能的发展锚定了理论方向，如同在黑暗中点亮了一盏明灯，引领着无数科研人员投身于机器智能的探索征程。1956年，达特茅斯会议正式确立了“人工智能”这一术语，标志着人工智能作为一个独立的学科领域诞生，吸引了来自数学、心理学、计算机科学等多领域专家的协同研究，开启了人工智能发展的新纪元。在随后的20年里，人工智能经历了早期的发展高潮。专家系统的兴起成为这一时期的标志性成果，它将领域专家的知识和经验以规则的形式编码存入计算机，赋予计算机模拟专家解决复杂问题的能力。例如，在医疗领域，MYCIN专家系统能够根据患者的症状、检查结果等信息，辅助医生进行疾病诊断和治疗方案推荐，在特定领域展现出了巨大的应用价值，让人工智能从理论研究迈向实际应用的初步探索。然而，受限于当时的计算能力、数据量以及算法的局限性，人工智能在发展过程中遭遇了瓶颈，进入了长达十余年的“寒冬期”。科研进展缓慢，资金投入减少，人工智能的发展陷入了困境。但科研人员对人工智能的热情并未熄灭，他们在困境中不断探索新的理论和方法，为后续的突破积蓄力量。直到21世纪，随着大数据时代的来临、云计算技术的飞速发展以及硬件性能的大幅提升，人工智能迎来了爆发式增长。深度学习技术的崛起成为这一时期的核心驱动力，以深度神经网络为基础的深度学习算法在图像识别、语音识别、自然语言处理等多个领域取得了革命性的突破。例如，在图像识别领域，基于卷积神经网络（CNN）的算法使得图像识别准确率大幅提升，能够精准识别各种复杂场景下的物体，广泛应用于安防监控、自动驾驶、医疗影像诊断等领域；在语音识别方面，深度学习技术让语音识别的错误率大幅降低，实现了实时语音转文字、智能语音助手等实用功能，极大地改变了人们与机器交互的方式。这些技术突破不仅推动了人工智能在学术界的研究热潮，也促使其在产业界得到了广泛应用和商业化落地，深刻改变了人们的生活和产业格局。回顾人工智能产业的发展历程，每一次关键技术的突破和标志性事件都如同历史长河中的璀璨明珠，照亮了人工智能前行的道路，为其在各个领域的深入应用和持续发展奠定了坚实基础。

2.常见人工智能技术(1/4)（1）机器学习人类可以从经验中学习成长，更好的完成任务。当我们出生时，我们如同白纸一张，但很快，我们每天都在学习，并变得更加强大有能力。但你知道吗？计算机也能做到这一点！机器学习（MachineLearning）将统计学和计算机科学结合在一起，使计算机能够在没有编程的情况下，通过数据学习，自动改进性能并做出智能决策。这类似你的大脑利用经验来改进任务一样，计算机也能做到。假设你需要计算机能够分辨出猫和狗的照片，你可以输入标记好的照片，告诉计算机这个是狗，那个是猫。被编程学习的计算机将在数据中寻找统计模式，以此来识别猫和狗（如图7-1）。根据学习方式的不同，机器学习通常被分为监督学习（SupervisedLearning），无监督学习（UnsupervisedLearning）和半监督学习（Semi-supervisedLearning）。

2.常见人工智能技术(2/4)（2）深度学习深度学习（DeepLearning）是机器学习的一个分支领域，它受到人脑结构的启发，通过构建具有多个层次的神经网络模型，对数据进行自动特征提取和模式学习。深度神经网络由输入层、多个隐藏层和输出层组成，每一层都包含多个神经元，神经元之间通过权重连接。随着隐藏层数量的增加，模型能够学习到数据中更加复杂和抽象的特征表示。如图7-2。以深度学习中广泛应用的卷积神经网络（ConvolutionalNeuralNetworks,CNN）为例，在图像识别任务中，CNN展现出了强大的能力。CNN包含多个卷积层、池化层和全连接层。卷积层是其核心组件，通过卷积核在图像上滑动，对图像进行卷积操作，提取图像的局部特征。不同的卷积核可以提取不同类型的特征，如边缘、纹理、形状等。池化层则对卷积层提取的特征进行降维处理，通常采用最大池化或平均池化的方式，在减少数据量的同时保留关键特征，降低计算复杂度。最后，全连接层将经过卷积和池化处理后的特征进行整合，通过分类器（如Softmax分类器）输出图像的类别。如图7-3.监督学习是在已知输入数据和对应输出标签的情况下进行模型训练，利用标签信息能够获得较高的识别精度。常见的算法包括线性回归、逻辑回归、支持向量机（SVM）和神经网络等。然而现实中大量的数据都是没有被标记的，因此监督学习算法的使用范围受到限制