目錄
第1章 人工智能簡介 1
1.1 人工智能概述 1
1.2 人工智能的發(fā)展歷程 3
1.2.1 萌芽階段 3
1.2.2 早期發(fā)展階段 4
1.2.3 應用發(fā)展階段 5
1.2.4 穩(wěn)步發(fā)展階段 6
1.2.5 蓬勃發(fā)展階段 7
1.3 人工智能的核心技術 10
1.3.1 自然語言處理 10
1.3.2 計算機視覺 11
1.3.3 智能芯片技術 12
1.3.4 腦機接口技術 12
1.3.5 跨媒體分析技術 13
1.3.6 智適應學習技術 13
1.3.7 群體智能技術 14
1.3.8 自主無人系統(tǒng) 14
1.4 人工智能的前沿應用 14
1.4.1 ChatGPT 15
1.4.2 智能家居控制 16
1.4.3 自動駕駛 16
1.4.4 醫(yī)療影像分析 17
1.5 人工智能倫理道德 18
參考文獻 20
第2章 機器學習 21
2.1 機器學習概述 21
2.1.1 基礎介紹 21
2.1.2 機器學習的流程 22
2.1.3 機器學習的發(fā)展歷程 24
2.1.4 機器學習的基本分類 27
2.1.5 機器學習的應用領域 28
2.2 監(jiān)督學習 30
2.2.1 線性模型 30
2.2.2 決策樹 33
2.2.3 支持向量機 35
2.2.4 K近鄰學習 36
2.3 無監(jiān)督學習 36
2.3.1 無監(jiān)督學習概述 36
2.3.2 無監(jiān)督學習的主要算法 37
2.4 神經(jīng)網(wǎng)絡 42
2.4.1 神經(jīng)網(wǎng)絡的定義 42
2.4.2 神經(jīng)網(wǎng)絡的基本單元 42
2.4.3 神經(jīng)網(wǎng)絡的早期模型 43
2.4.4 神經(jīng)網(wǎng)絡的優(yōu)化算法 44
2.4.5 常見的神經(jīng)網(wǎng)絡模型 45
2.5 深度學習 47
2.5.1 深度學習的定義 47
2.5.2 深度學習的歷史背景 47
2.5.3 深度學習的三大驅(qū)動因素 48
2.5.4 深度學習的關鍵技術 48
2.6 預訓練模型 51
2.6.1 預訓練模型的作用 51
2.6.2 預訓練模型的分類 52
2.6.3 預訓練模型與訓練模型的本質(zhì)區(qū)別 53
2.6.4 遷移學習 54
參考文獻 54
第3章 多模態(tài)人工智能 56
3.1 多模態(tài)人工智能概述 56
3.1.1 多模態(tài)人工智能的概念與作用 56
3.1.2 多模態(tài)人工智能的發(fā)展歷程 56
3.1.3 多模態(tài)信息的組合方式 57
3.1.4 多模態(tài)人工智能的挑戰(zhàn)與未來發(fā)展趨勢 58
3.2 自然語言處理 58
3.2.1 自然語言處理的基本概念與特點 58
3.2.2 自然語言處理的基本任務 60
3.2.3 深度學習在自然語言處理中的應用 63
3.3 計算機視覺 64
3.3.1 計算機視覺概述及圖像的特點 64
3.3.2 計算機視覺的基本任務 66
3.3.3 計算機視覺的關鍵技術 66
3.3.4 計算機視覺的應用領域 71
3.4 計算機聽覺 73
3.4.1 計算機聽覺的基本概念 73
3.4.2 計算機聽覺的關鍵技術 74
3.4.3 計算機聽覺的應用領域 77
3.5 多模態(tài)大模型 78
3.5.1 多模態(tài)大模型的基本概念及特點 78
3.5.2 多模態(tài)大模型的架構(gòu)與訓練方法 80
3.5.3 多模態(tài)大模型的應用案例 82
參考文獻 83
第4章 生成式人工智能 85
4.1 生成式模型概論 85
4.1.1 認識生成式人工智能 85
4.1.2 判別式人工智能和生成式人工智能 86
4.2 生成式模型基礎 87
4.2.1 生成式模型的定義與分類 87
4.2.2 生成式模型的基本原理 88
4.2.3 深度生成式模型 89
4.3 生成式模型的功能 93
4.3.1 AIGC與文本生成 94
4.3.2 AIGC與圖像生成 95
4.3.3 AIGC與視頻生成 98
4.3.4 AIGC與3D內(nèi)容生成 100
4.4 生成式大模型 101
4.4.1 ChatGPT 101
4.4.2 文心一言 102
4.4.3 訊飛星火 103
4.4.4 通義 103
4.4.5 天工 103
4.4.6 Kimi 104
4.4.7 LLaVA 104
4.4.8 Sora 105
4.4.9 DeepSeek 105
4.5 提示工程與智能體 106
4.5.1 提示工程 106
4.5.2 提示工程要素 106
4.5.3 提示工程中的技巧 107
4.5.4 提示詞 108
4.5.5 智能體框架簡介 109
4.5.6 智能體分類 110
4.6 生成式人工智能的應用 111
4.6.1 AIGC助力高效辦公 111
4.6.2 AIGC助力學習成長 113
4.6.3 AIGC豐富日常生活 114
參考文獻 116
第5章 智能機器人 118
5.1 智能機器人概述 118
5.1.1 智能機器人的定義 118
5.1.2 智能機器人發(fā)展史 118
5.1.3 智能機器人發(fā)展現(xiàn)狀 119
5.2 智能機器人分類 119
5.2.1 機器人的分類方法 119
5.2.2 智能無人機 120
5.2.3 智能無人車與自動駕駛 120
5.2.4 智能工業(yè)機器人 121
5.2.5 智能服務機器人 122
5.2.6 空間機器人智能技術 122
5.2.7 海洋/極地機器人智能技術 123
5.3 智能機器人關鍵技術 124
5.3.1 智能機器人機構(gòu) 124
5.3.2 智能機器人運動學與動力學系統(tǒng) 127
5.3.3 智能機器人控制系統(tǒng) 129
5.3.4 智能機器人操作系統(tǒng) 131
5.3.5 感知與環(huán)境理解 132
5.3.6 定位和建圖 136
5.3.7 導航與路徑規(guī)劃 138
5.4 具身機器人 141
5.4.1 具身機器人概述 141
5.4.2 具身機器人關鍵技術 143
5.4.3 具身機器人的分類 147
5.4.4 具身機器人的挑戰(zhàn)與未來方向 147
5.5 集群機器人 148
5.5.1 集群機器人介紹 148
5.5.2 集群機器人的分類 149
5.5.3 集群機器人的關鍵技術 150
5.5.4 應用和展望 153
參考文獻 154
第6章 人工智能驅(qū)動科學研究 155
6.1 AI for Science新范式 155
6.1.1 AI 與科學研究范式的變遷 156
6.1.2 AI 嵌入科學研究全流程的方法 158
6.2 人工智能與數(shù)學 161
6.2.1 AI輔助數(shù)學證明 162
6.2.2 AI輔助尋找數(shù)學規(guī)律 164
6.2.3 大模型輔助數(shù)學研究 165
6.3 人工智能與化學 166
6.3.1 AI輔助分子設計 166
6.3.2 AI預測化學反應 167
6.3.3 AI預測分子性質(zhì) 167
6.3.4 AI促進化學合成的自動化 167
6.3.5 大模型指導化學結(jié)構(gòu)分割 168
6.4 人工智能與生物 169
6.4.1 人工智能與分子生物學 169
6.4.2 人工智能與生物組學 171
6.4.3 人工智能與生物醫(yī)藥研究 172
6.5 人工智能與材料科學 172
6.5.1 人工智能與材料設計 173
6.5.2 人工智能與材料性能預測 173
6.5.3 人工智能與材料微觀結(jié)構(gòu)表征 173
6.5.4 人工智能與復合材料研究 174
6.6 其他科學領域 174
6.6.1 人工智能與物理學 174
6.6.2 人工智能與地球科學 175
6.6.3 人工智能與能源科學 175
6.6.4 人工智能與計算科學 176
6.6.5 小結(jié) 176
參考文獻 176
第7章 人工智能在交叉學科中的應用 178
7.1 人工智能在化學化工中的應用 178
7.1.1 化學數(shù)據(jù)庫簡介 179
7.1.2 分子物性預測 181
7.1.3 分子智能設計 184
7.1.4 有機合成與人工智能 185
7.1.5 能源與人工智能 187
7.2 人工智能在生物科學與工程中的應用 189
7.2.1 人工智能在基因組學中的應用 189
7.2.2 人工智能在蛋白質(zhì)組學中的應用 191
7.2.3 人工智能在生物醫(yī)藥領域的應用 194
7.2.4 人工智能在合成生物學中的應用 197
7.3 人工智能在智能制造中的應用 201
7.3.1 智能設計 202
7.3.2 智能加工 204
7.3.3 智能裝配 206
7.3.4 智能調(diào)度 208
7.3.5 智能運維 210
7.4 人工智能在智能建造中的應用 211
7.4.1 智能防災 211
7.4.2 智慧交通 216
7.4.3 智慧水務 219
7.4.4 智慧人居 224
參考文獻 229
第8章 人工智能倫理與治理 232
8.1 人工智能倫理問題概述 232
8.2 人工智能安全問題 235
8.2.1 人工智能系統(tǒng)攻防 235
8.2.2 深度偽造檢測 237
8.2.3 數(shù)字水印認證 239
8.2.4 隱私計算 241
8.3 數(shù)據(jù)倫理風險問題及其治理 242
8.3.1 數(shù)據(jù)是人工智能學習的“原料” 243
8.3.2 人工智能數(shù)據(jù)倫理風險問題 244
8.3.3 數(shù)據(jù)倫理風險問題治理 246
8.4 算法倫理風險問題及其治理 248
8.4.1 算法倫理風險問題 248
8.4.2 算法倫理風險問題治理 252
8.5 全球人工智能倫理治理 258
8.5.1 我國的人工智能倫理治理實踐 258
8.5.2 歐美等國家的人工智能倫理治理實踐 266
8.5.3 全球人工智能倫理治理：共治共享 266
參考文獻 268