ArtificialIntelligenceApplicationsandPractices蘆碧波等人工智能應用與實踐第一章

人工智能概述01人工智能概述02人工智能發(fā)展歷史03新一代人工智能三要素04人工智能模型訓練與基礎設施05人工智能技術特點與“人工智能+高等教育”目

錄行業(yè)PPT模板/hangye/01人工智能概述人工智能:即“人工制造的智能”，指通過計算機等系統(tǒng)或設備模擬人類智能的能力，使其能夠執(zhí)行通常需要人類智力的任務，如學習、推理、問題解決、理解自然語言、感知和決策等。人工智能的定義人工智能（ArtificialIntelligence）英文縮寫為AI，意為“人工的智能”，與之形成對立的是“天然智能”或“自然智能”。人工智能的定義自然智能是生物系統(tǒng)中的人類、動物和植物等生命體所擁有的智能，如嬰兒生下來就會哭、鳥兒會飛、魚兒會游泳、植物能進行光合作用，這些能力是生命體經歷了長期演化和升級得到的能力。時間科技革命1.0創(chuàng)造了機器工廠的“蒸汽時代”電力廣泛應用智能化科技革命2.0將人類帶入分工明確、大批量生產的流水線模式和“電氣時代”科技革命3.0應用電子信息技術，進一步提高生產自動化水平，工業(yè)生產能力自此超越了人類的消費能力，人類進入了產能過剩時代。自動化、信息化科技進步科技革命4.0人工智能萬物互聯(lián)智能制造1760后機械革命1850后電力革命1950后信息技術革命2010年后智能革命機械設備大量出現(xiàn)四次工業(yè)革命機械革命電力革命信息技術革命人工智能革命四次工業(yè)革命的綜合成果模擬人類多種能力：機器人

汽車功能在四次工業(yè)革命中的進化和增加1885年卡爾·本茨發(fā)明的三輪汽油內燃機汽車照明裝置、發(fā)電機、起動機等衛(wèi)星定位、地圖導航等語音交互、自動泊車等國產最新智能汽車第二、第三、第四次工業(yè)革命增加的功能02人工智能發(fā)展歷史1950年，英國科學家圖靈提出了著名的“圖靈測試”

測試者和計算機被幕布隔開，然后分別與人進行對話。若測試者分不清幕后的對話者是人還是機器，即計算機能在測試中表現(xiàn)出與人等價或至少無法區(qū)分的智能，那么說這臺計算機通過了圖靈測試，并具備了人工智能。人工智能起源圖靈被冠以“人工智能之父”的稱號。美國計算機協(xié)會（ACM）于1966年設立了圖靈獎，專門獎勵對計算機事業(yè)作出重要貢獻的個人。圖靈獎是計算機領域的國際最高獎項，被稱為“計算機界的諾貝爾獎”。人工智能的起源2021年7月，英國的中央銀行英格蘭銀行宣布，圖靈將成為英國50英鎊紙幣的票面人物，以表彰艾倫?圖靈在人工智能等方面做出的貢獻，而之前英國流通的50英鎊紙幣的背面人物是開啟第一次工業(yè)發(fā)明和推廣蒸汽機的瓦特和馬修?博爾頓。人工智能的起源1956年—20世紀60年代初期起步發(fā)展期20世紀60年代—70年代初期反思發(fā)展期20世紀70年代—80年代中期應用發(fā)展期20世紀90年代中期—21世紀初期穩(wěn)步發(fā)展期20世紀80年代中期—90年代中期低迷發(fā)展期21世紀初期至今蓬勃發(fā)展期123456人工智能的發(fā)展歷史起步發(fā)展期：1956年—20世紀60年代初期

1956年，約翰?麥卡錫、馬文?閔斯基、克勞德?香農等學者在美國漢諾斯小鎮(zhèn)召開了達特茅斯會議，共同討論機器模擬智能的一系列問題。這次會議的召開標志著人工智能的誕生。人工智能的發(fā)展歷史反思發(fā)展期：20世紀60年代—70年代初期人工智能發(fā)展初期的突破性進展激發(fā)了人們對人工智能的期望，人們開始嘗試更具挑戰(zhàn)性的任務。但研發(fā)結果并不能令人滿意，這使得人工智能的發(fā)展走入第一個低谷。人工智能的發(fā)展歷史應用發(fā)展期：20世紀70年代—80年代中期20世紀70年代出現(xiàn)的專家系統(tǒng)模擬人類專家的知識和經驗解決某個特定領域的問題，實現(xiàn)了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。斯坦福大學開發(fā)DENDRAL系統(tǒng)的目的是對火星土壤進行化學分析，這也是早期知名的專家系統(tǒng)。專家系統(tǒng)在醫(yī)療、化學、地質、汽車制造等領域取得成功，推動人工智能進入新的發(fā)展高潮。人工智能的發(fā)展歷史低迷發(fā)展期：20世紀80年代中期—90年代中期隨著人工智能應用規(guī)模的擴大，專家系統(tǒng)存在的局限性逐漸顯現(xiàn)，如知識獲取困難、推理方法單一、缺乏學習能力等。同時，日本政府啟動了第五代計算機計劃，試圖建立一個基于邏輯推理的通用人工智能系統(tǒng)，但最終以失敗告終。這導致了人工智能的第二次低谷。人工智能的發(fā)展歷史穩(wěn)步發(fā)展期：20世紀90年代中期—21世紀初期由于互聯(lián)網技術的發(fā)展，加速了信息技術和數(shù)據資源的積累，為人工智能提供了新的動力和平臺。

在這一時期，出現(xiàn)了一些標志性的事件和成果，如IBM深藍超級計算機戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫、IBM提出“智慧地球”的概念等。

楊立昆YannLeCun提出了LeNet5卷積神經網絡模型并用于手寫字體識別，其結構被后來的網絡廣泛借鑒。人工智能的發(fā)展歷史蓬勃發(fā)展期：21世紀初期至今2006年，GeoffreyHinton在世界頂級學術期刊Science上發(fā)表了一篇文章，提出了深度學習（深度神經網絡）的概念。2012年，在ImageNet圖像識別大賽中，Hinton和他的學生AlexKrizhevsky設計的深度學習模型AlexNet一舉奪冠。人工智能的發(fā)展歷史人工智能在長期發(fā)展中演化出了不同的流派，大體上可以分為符號主義、連接主義和行為主義。人工智能三大流派符號主義，又稱邏輯主義或認知主義，是人工智能的先驅流派，它認為人工智能源于數(shù)理邏輯。符號主義認為人類認知和思維的基本單元是符號，智能是符號的表征和運算過程，計算機也是一個物理符號系統(tǒng)，因此可以將智能形式化為符號、知識、規(guī)則和算法，并用計算機實現(xiàn)這些表征和計算，以模擬人的智能行為，代表性成果包括專家系統(tǒng)、知識工程、數(shù)學定理證明。符號主義的代表人物包括約翰·麥卡錫和艾倫·紐厄爾，特別是麥卡錫提出的“人工智能=計算+邏輯”的觀點，對后來的人工智能發(fā)展產生了深遠影響。連接主義，又稱仿生學派或神經網絡學派，該流派受到人腦神經元網絡的啟發(fā)，認為智能源于大量簡單單元（類似神經元）的相互聯(lián)結和互動。連接主義者認為使用人工神經網絡可以模仿人腦學習識別物體的過程，通過調整網絡中的權重，讓網絡能夠學習和識別模式。由神經元連接而成的神經網絡是目前深度學習算法的基本架構，深度學習通過構建深層神經網絡，能夠自動提取特征并進行分類，取得了顯著的成果。人工智能三大流派連接主義的代表人物包括弗蘭克·羅森布拉特和杰弗里·辛頓。其中，羅森布拉特提出了感知機模型，為神經網絡的發(fā)展奠定了基礎；而辛頓則通過反向傳播算法解決了多層神經網絡的學習問題，推動了深度學習的興起。在語音識別、圖像識別等領域取得了巨大成功。人工智能三大流派行為主義，又稱進化主義或控制論學派，該流派關注智能體如何通過與環(huán)境的交互來學習和適應。行為主義者認為，智能的本質在于能夠根據環(huán)境反饋調整行為，通過構建能夠與環(huán)境進行交互的智能體，讓智能體在不斷嘗試和錯誤中學習，并根據結果調整行動策略。行為主義的例子包括機器人在未知環(huán)境中尋找目標，機器人通過感知環(huán)境、制定行動策略并執(zhí)行行動，然后根據環(huán)境的反饋調整策略，最終找到目標。

人工智能三大流派行為主義的代表人物包括羅德尼·布魯克斯和恩斯特·邁岳，他們的工作推動了智能體與環(huán)境交互的研究，不僅推動了人工智能技術的發(fā)展，也為自動駕駛、機器人控制等前沿領域的應用提供了有力的技術支撐。

人工智能三大流派人工智能三大流派各有優(yōu)劣，符號主義擅長邏輯推理和問題解決連接主義在模式識別和自動學習方面表現(xiàn)出色行為主義則強調智能體的適應性和學習能力。從數(shù)據的角度來看，符號主義原則上不需要數(shù)據，連接主義和行為主義依賴大量的數(shù)據進行訓練。人工智能三大流派2016年，基于深度學習開發(fā)的AlphaGo以4:1的比分戰(zhàn)勝了國際頂尖圍棋高手李世石。由于在此之前，人們始終相信機器無法在圍棋中戰(zhàn)勝人類。因此，此次圍棋領域人機大戰(zhàn)的結果吸引了全世界的目光該事件推動了以深度學習技術為代表的新一代人工智能技術在多個領域和行業(yè)得到廣泛應用。近年來人工智能熱點事件：AI下圍棋ChatGPT（ChatGenerativePre-trainedTransformer），是OpenAI于2022年11月30日發(fā)布的一款聊天機器人程序，它是人工智能技術驅動的自然語言處理工具，是一款大語言（LargeLanguageModel,LLM）模型。它能夠基于在預訓練階段所見的模式和統(tǒng)計規(guī)律，來生成回答，還能根據聊天的上下文進行互動，真正像人類一樣來聊天交流，甚至能完成撰寫論文、郵件、腳本、文案、翻譯、代碼等任務。近年來人工智能熱點事件：ChatGPTAIGC（ArtificialIntelligenceGeneratedContent）指的是生成式人工智能。文生圖：輸入文字生成圖像文生視頻：輸入文字生成視頻文生音樂：輸入文字生成音樂近年來人工智能熱點事件：AIGC

近年來人工智能熱點事件：AIGC之文生視頻因“用于通過人工神經網絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”，約翰·霍普菲爾德和杰弗里·辛頓獲得了2024年諾貝爾物理學獎。2024年諾貝爾化學獎頒發(fā)給了三位研究者，其中德米斯·哈薩比斯和約翰·江珀因為在“蛋白質結構預測”方面成就斐然而獲獎。近年來人工智能熱點事件：人工智能相關研究者獲得諾貝爾獎在數(shù)學定理證明方面，我國杰出的數(shù)學家吳文俊成功地將中國傳統(tǒng)數(shù)學思想融入初等幾何定理的判定過程中，創(chuàng)新性地提出了平面幾何及微分幾何的判定方法，這一方法被學術界尊稱為“吳文俊消元法”或簡稱“吳方法”。2021年2月，吳文俊獲得2020年度國家最高科學技術獎，這也是首屆國家最高科學技術獎。為表彰吳文俊在中國人工智能領域所取得的杰出成就，以其名字命名設立了“吳文俊人工智能科學技術獎”，這也是中國智能科學技術的最高獎項。中國人工智能發(fā)展重要事件：吳文俊提出“吳方法”1979年7月23日到30日，中國電子學會下屬的計算機學會（中國計算機學會的前身）在吉林大學召開了“計算機科學暑期研討會”，吉林大學王湘浩院士擔任會議領導小組組長。人工智能是此次會議最重要的一個方向，會議的召開有力的推動了國內人工智能研究的發(fā)展。中國人工智能發(fā)展重要事件：中國的達特茅斯會議文心一言是百度公司研發(fā)的首個國產大語言模型，于2023年3月16日發(fā)布。文心一言結合了知識增強和語義理解技術，融合了百度搜索引擎的海量數(shù)據，知識覆蓋面廣泛。文心一言的發(fā)布，標志著國產大語言模型進入快速發(fā)展階段，掀起了國產大語言模型的研發(fā)熱潮。中國人工智能發(fā)展重要事件：文心一言與百模大戰(zhàn)2024年12月26日，人工智能公司深度求索（DeepSeek）發(fā)布DeepSeek-V3版本的大語言模型。該模型以其訓練成本低、性能優(yōu)異且開源的特點迅速成為業(yè)界乃至整個社會關注的焦點。DeepSeek-V3被廣泛應用于商業(yè)、科研和教育等多個領域，為國內人工智能產業(yè)發(fā)展和人工智能生態(tài)建設注入了新的活力。中國人工智能發(fā)展重要事件：Deepseek與人工智能生態(tài)03新一代人工智能三要素

人工智能三要素數(shù)據人工智能發(fā)展燃料充足的糧食算力算法人工智能發(fā)展引擎強壯的身體人工智能發(fā)展核心聰明的腦子數(shù)據、算法和算力是新一代人工智能的三要素，也是人工智能取得成功的必要條件數(shù)據是人工智能的基礎，也是人工智能的燃料，大量、完整具有代表性的高質量數(shù)據用于訓練模型，使其具備識別模式、進行預測和決策的能力，數(shù)據的多樣性和準確性直接影響到AI系統(tǒng)的性能。數(shù)據相關處理步驟包括數(shù)據采集、數(shù)據清洗、數(shù)據標注、數(shù)據增強等。大量高質量、精準、安全的數(shù)據是深度學習訓練的基礎數(shù)據是人工智能必備的學習資源“garbageingarbageout”：如果數(shù)據精度達不到標準，那么訓練出來的模型也是不可靠的人工智能三要素：數(shù)據ImageNet是一個大規(guī)模視覺數(shù)據庫，該項目始于2007年，由斯坦福大學李飛飛教授領導并于2009年在計算機視覺與模式識別會議（CVPR）上發(fā)布。ImageNet包含超過1400萬張、超過22000個類別的圖像，覆蓋了生活中的大部分場景和物體，被廣泛用于圖像分類、目標檢測、圖像分割等多種圖像識別任務。自2010年以來，ImageNet每年舉辦一次比賽，即ImageNet大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC），極大的推動了圖像識別技術的發(fā)展。人工智能三要素：數(shù)據在使用數(shù)據訓練模型時，一般需要把數(shù)據集劃分為訓練集、驗證集和測試集。（1）訓練集在模型訓練過程中，訓練集用于訓練神經網絡模型，通過不斷地學習數(shù)據特征，更新網絡模型參數(shù)。（2）驗證集驗證集用于檢驗模型的效果。若模型驗證效果良好，在驗證集上的各項指標均滿足要求，后面需要繼續(xù)用測試集進行模型評估。人工智能三要素：數(shù)據的劃分（3）測試集測試集用來評價模型的泛化能力（generalizationability）。泛化的英文為generalization，意為“推廣、一般化”。因此，泛化能力指的是訓練得到的算法是否具有推廣能力和對新問題的適應能力，即模型在訓練集和驗證集上學習到的能力能否很好地推廣到新的數(shù)據集-測試集上。若在訓練集和測試集上的識別率較高，則表明模型的泛化能力較強；若在訓練集上識別率較好但測試集上的識別率較低，稱為過擬合，則需要調整訓練策略；若在訓練集和測試集上表現(xiàn)均不佳，表明模型欠擬合。人工智能三要素：數(shù)據的劃分訓練集、驗證集和測試集三者關系:若將訓練集比喻為課堂的教學內容，那么驗證集是課后作業(yè)，測試集是考試題目。學生通過長時間學習課程獲得知識和能力，然后通過課后作業(yè)檢驗學生學習效果，最后通過考試檢驗學生學習水平。通常課后作業(yè)和課堂教學內容不一樣但緊密相關，考試的題目應該是平時沒有見過的。訓練集驗證集測試集課堂練習題家庭作業(yè)題期末考試題數(shù)據集和家庭作業(yè)的對應關系數(shù)據與數(shù)據集訓練集、驗證集和測試集三者關系:首先，三個集合中的數(shù)據應該具有某種一致性，即數(shù)據的關鍵屬性、數(shù)據特征和應用場景等情況是一致的。其次，訓練前無法拿到測試集，因此測試集在訓練過程中是不可見的，原因在于人工智能應用中的數(shù)據是未知的。最后，需要將訓練之前拿到的數(shù)據進行合理劃分，劃分為不重疊的訓練集和驗證集。通常采用隨機選取的方式劃分訓練集和驗證集，常見的數(shù)據比例為8:2或者7:3，也可以根據實際情況自我設定。數(shù)據與數(shù)據集從數(shù)據是否標注的角度出發(fā)，人工智能中的算法可以分為監(jiān)督算法、無監(jiān)督算法和半監(jiān)督算法。監(jiān)督算法利用帶有標簽的訓練數(shù)據，學習輸入與輸出之間的映射關系，實現(xiàn)對新數(shù)據的預測。典型代表有支持向量機（SVM）、決策樹、神經網絡和線性回歸等。這些算法在分類、回歸等任務中表現(xiàn)出色，廣泛應用于醫(yī)療診斷、信用評分等領域。目前主流技術是利用深度神經網絡模型進行模型訓練，模型需要訓練確定大量的參數(shù)。算法從數(shù)據是否標注的角度出發(fā)，人工智能中的算法可以分為監(jiān)督算法、無監(jiān)督算法和半監(jiān)督算法。無監(jiān)督算法則處理沒有標簽的數(shù)據，試圖從數(shù)據中找到模式、結構或關系。常見算法包括K均值聚類、主成分分析（PCA）、自編碼器等。無監(jiān)督學習通常用于聚類、降維和密度估計等任務，在圖像識別、市場細分等方面有廣泛應用。半監(jiān)督算法介于監(jiān)督和無監(jiān)督之間，它使用同時包含標簽和未標簽數(shù)據的混合數(shù)據集進行訓練。代表算法有自訓練、深度生成模型（如GAN）和標簽傳播等。半監(jiān)督學習在部分數(shù)據有標簽的情況下進行訓練，能夠充分利用現(xiàn)實世界中的數(shù)據，提高模型的泛化能力。算法算力即計算能力，指的是執(zhí)行算法所需的硬件資源。算力不僅是數(shù)字經濟的底座，也是人工智能的引擎，它代表了計算資源的處理能力。常見的算力設備包括CPU（中央處理器，CentralProcessingUnit，CPU）、GPU（圖形處理器，GraphicsProcessingUnit，GPU）等。強大的算力能夠支持復雜模型的訓練，大幅度降低模型訓練所需要的時間。。算力根據任務類型不同，算力分為通用算力、超算算力和人工智能算力三種：通用算力?是指CPU提供的基礎計算能力，適用于處理各種常規(guī)任務。超算算力則是由超算中心提供的算力，主要用于航天、國防、石油勘探、氣候建模及行星模擬、藥物分子設計、基因分析等尖端科學領域。人工智能算力指的是面向人工智能算法模型訓練、推理與運行服務的計算能力，強大的算力可以極大加速模型訓練速度和推理能力。算力超算中心是基于超級計算機或大規(guī)模計算集群的數(shù)據中心，提供大規(guī)模計算、存儲和網絡服務等功能。截止2024年，科技部批準建立的國家超級計算中心共有14所，分別是國家超級計算北京中心、上海中心、廣州中心、天津中心、濟南中心、深圳中心、長沙中心、太原中心、無錫中心、成都中心、武漢中心、青島中心、昆山中心、鄭州中心。算力若算力設備部署在用戶本地，可以提供快速計算速度、保證實時性，并且可以保護數(shù)據安全和隱私保護。與本地算力對應的是云算力，“云”是對計算機集群和基礎設施的一種形象比喻，一個計算機集群包括上萬臺或者十幾萬臺主機，好像漂浮在天上的云團。雖然使用云算力需要將數(shù)據傳輸?shù)皆贫?，但云算力可以按需使用，避免了本地算力設備長期閑置，普通用戶不需要購買昂貴的算力設備，也不需要專人進行維護，因此云算力使用起來更加靈活。算力云主機是一種整合了計算、存儲與網絡資源的信息技術基礎設施，能提供基于云計算模式的按需使用和服務器租用服務。在云主機上，用戶可以通過web界面進行登錄和操作，部署所需的服務器和開發(fā)環(huán)境。算力04人工智能模型訓練與基礎設施

建模：為估計體重建立一個含參數(shù)的計算公式（此時參數(shù)值未確定）訓練：然后利用很多人的體重數(shù)據（和體重相關的其他數(shù)據）確定公式中的各個參數(shù)預測：若對很多人驗證之后發(fā)現(xiàn)公式基本正確，就可以用這個參數(shù)完全確定的公式去猜下一個人的體重了。人工智能模型訓練：猜體重游戲神經元：線性函數(shù)+非線性函數(shù)…偏置bias權重weights………簡單的非線性函數(shù)激活函數(shù)

數(shù)據：100個人的體型和體重訓練：調整權重w使估計更準確預測：確定w后計算估計新人體重體重a=a1*w1+a2*w2+a3*w3輸入：a1-身高，a2-寬度，a3-厚度，真實體重c目標：根據提前給出w的初始值，然后估計權重w人工智能模型訓練思想：猜體重假設一個人的體重與其站立情況下的身高、寬度、厚度有關，其中寬度指的是兩肩自然垂立時的水平距離，厚度指的是前胸和后背之間的距離。記體重為y、身高為x1、寬度為x2,、厚度為x3。又假設體重與身高、寬度、厚度之間為線性關系，對體重的影響分別為w1、w2和w3，體重的數(shù)學模型：人工智能模型訓練：建模對于某個人而言，應假設其體重y、身高x1、寬度x2和厚度x3都是已知的，權重參數(shù)w1、w2和w3是未知的，訓練過程就是要確定權重該參數(shù)。在訓練過程中，每個人都是一個樣本，其體重及身高、寬度、厚度等信息被稱為樣本的數(shù)據。由于上式中有3個未知數(shù)，因此至少需要3個人的體重及其相關信息上述方程才有解。但在實際中，可能需要更多數(shù)量的人員及其體重信息，比如有100個樣本的數(shù)據信息。需要特別提醒注意的是，我們的目標是保證猜100個人的體重都比較準，而不是猜三四個的體重很準、其余人的體重不準，因此不能完全從解方程的角度來求解上述問題。人工智能模型訓練：訓練首先根據經驗或隨機給出權重值，這個方式稱為參數(shù)初始化。然后將初始化后的參數(shù)代入公式，分別乘以多個樣本數(shù)據的身高、寬度和厚度，就可以估計出每個樣本的體重。由于權重不夠精確，因此每個樣本的體重估計值與真實值之間必然存在誤差然后計算多個樣本的總誤差，通過極小化誤差的方式來調整權重參數(shù)。第一次調整之后得到新的參數(shù)值，然后繼續(xù)進行根據新參數(shù)值猜測體重。迭代、重復上述過程，直至誤差較小或達到了設定的迭代次數(shù)即可停止由于參數(shù)并非一開始就是正確的，而是根據樣本數(shù)據不斷動態(tài)調整，當達到較為準確的值才將其確定下來，參數(shù)也經歷了從不準確到基本準確的演變，通常把上述過程稱為參數(shù)的學習過程。人工智能模型訓練：訓練訓練結束后，對應的參數(shù)也隨之確定下來。對于一個新樣本需要預測時，將其身高、寬度、厚度數(shù)據帶入公式，即可估計出其體重，這個過程稱之為預測。人工智能模型訓練：預測大量神經元構成多層神經網絡：模擬人的認知規(guī)律訓練時間長預測時間短

模型訓練關鍵：確定深度神經網絡中的大量參數(shù)大量神經元構成多層神經網絡：模擬人的認知規(guī)律養(yǎng)兵千日用兵一時模型訓練關鍵：確定深度神經網絡中的大量參數(shù)人工智能模型訓練過程總結對于上述例子，需要特別指出如下幾點：（1）關于模型訓練的復雜性實際的模型訓練遠比上述過程要復雜。（2）關于模型訓練背后的數(shù)學知識模型訓練需要大量的數(shù)學知識，這些知識分布在高等數(shù)學、線性代數(shù)、概率論與數(shù)理統(tǒng)計、數(shù)值方法、最優(yōu)化理論等課程中，其中最基礎的導數(shù)、梯度、求極值、鏈式法則等知識會在高等數(shù)學課程中介紹。（3）關于訓練時間和預測時間人工智能模型都有“訓練時間長、預測時間短”、“養(yǎng)兵千日用兵一時”的特點。一般來說，模型訓練時間與數(shù)據量、模型參數(shù)量、算力等因素直接相關。

得到訓練好的模型之后，需要對訓練結果進行評價，即需要通過一些客觀指標進行描述以評判模型性能的優(yōu)劣。下面介紹幾種常見的模型評判指標。1.準確率

準確率（Accuracy）是圖像分類/文本分類/聲音分類等分類模型的衡量指標，定義為正確分類的樣本數(shù)與總樣本數(shù)之比，比值越接近1，模型效果越好。計算準確率公式如下式所示：其中，TP（Truepositives）表示正樣本被正確識別為正樣本；TN（Truenegatives）表示負樣本被正確識別為負樣本；FP（Falsepositives）表示假的正樣本，即負樣本被錯誤識別為正樣本；TN（Falsenegatives）表示假的負樣本，即正樣本被錯誤識別為負樣本。人工智能模型評價2.查準率

查準率又稱精確率。對某類別而言，查準率(Precision)等于正確預測為該類別的樣本數(shù)與預測為該類別的總樣本數(shù)之比，具體計算公式如下式所示：3.查全率

查全率又稱找召回率。對某類別而言，召回率(Recall)等于正確預測為該類別的樣本數(shù)與該類別的總樣本數(shù)之比

，具體計算公式為：人工智能模型評價5.F1-scoreF1-score定義為對某類別而言為查準率和查全率的調和平均數(shù)，該指標越高效果越好。F1-score的計算公式為：6.top1-top5

在模型結果評估中，top1~top5指的是針對一個數(shù)據進行識別時，模型會給出多個結果，top1為置信度最高的結果、top2次之…正常業(yè)務場景中，通常會采信置信度最高的識別結果，重點關注top1的結果即可。其中，Precision表示查準率，Recall表示查全率。人工智能模型評價

在不同的場景中，需要重點考慮不同的評價指標。如在地震預測中，考慮到地震損害結果巨大，因此更期望在地震預測中能寧肯錯報、也不能漏報，因此在地震預測中更看重查全率。但在人臉識別或指紋識別中，更期望提高查準率，其原因在于在這些場景中，希望出錯的概率小一些，否則會有大量的異常情況需要處理。人工智能模型評價預測地震-寧肯錯報、不能漏報，更加看重查全率/召回率

不能接受漏報，更傾向于寧愿多預測一些錯的也不能漏檢人臉識別支付-不能總錯、主要提升查準率/精確率

不能接受誤檢，更傾向于不能出現(xiàn)錯誤的預測預測人員預測地震發(fā)生次數(shù)地震實際發(fā)生次數(shù)查全率/召回率-以客觀事實為準查準率/精準率-以主觀預測為準張某預測121/2=50%1/1=100%李某預測522/2=100%2/5=40%人工智能模型評價常用指標：查準率和查全率

有1000張圖片，里面有200張是貓，200張是狗，600張是老鼠，對上述照片進行識別、預測，得到結果：200張貓的圖片中，有180張正確識別為貓，而有20張誤判為狗。200張狗的圖片全部正確判斷為狗。600張老鼠圖片中，有550張正確識別為老鼠，還有30張被誤判為貓、20張誤判為狗貓狗老鼠查全率/召回率-以客觀事實為準查準率/精準率-以主觀預測為準真實數(shù)據200200600預測貓18020180/200=90%預測狗200200/240=83.3%預測老鼠3020550550/600=91.7%人工智能模型評價常用指標：查準率和查全率人工智能基礎設施是支持人工智能技術發(fā)展和應用的重要基礎架構，可以整合高質量的數(shù)據資源、先進的算法框架和強大的算力資源，為人工智能技術的發(fā)展和產業(yè)落地提供了堅實的基礎。人工智能基礎設施數(shù)據采集方面、數(shù)據傳輸、數(shù)據存儲、模型訓練等方面的硬件，包括攝像頭、網絡、存儲設備、芯片等1軟件基礎設施包括數(shù)據資源、算法框架、云服務和計算平臺。2人工智能基礎設施

科技部于2022年啟動國家新一代人工智能公共算力開放創(chuàng)新平臺推薦申報工作，旨在依托人工智能行業(yè)技術領軍企業(yè)，以應用需求為牽引，促進人工智能與實體經濟深度融合，并強調普惠性和開放性，通過共享算力資源、降低企業(yè)研發(fā)成本等方式，促進人工智能技術的普及和應用，更好地服務我國人工智能創(chuàng)新與經濟社會發(fā)展。2023年，科技部批復了武漢人工智能計算中心、成都智算中心、天津天河智能計算開放創(chuàng)新平臺等25家國家新一代人工智能公共算力開放創(chuàng)新平臺，其中包括9家立項建設平臺和16家籌建平臺。人工智能基礎設施

中國人工智能企業(yè)華為不僅在國內建立了多個數(shù)據中心和云計算基地，而且在全球進行算力布局華為海外數(shù)據中心和云計算基地遍布歐洲、亞太地區(qū)、中東、非洲、美洲等地，分布在英國、德國、法國、意大利、新加坡、馬來西亞、澳大利亞、阿聯(lián)酋、南非、埃及、加拿大、墨西哥、巴西等國。這些數(shù)據中心和云計算基地為當?shù)乜蛻籼峁┧懔Ψ?，彰顯了中國企業(yè)在人工智能算力方面的強大實力。人工智能基礎設施05人工智能技術特點與“人工智能+高等教育”

普適性：指的是其在不同領域和行業(yè)中的廣泛應用能力。即可以應用到不同行業(yè)和領域中，任何行業(yè)和領域都可以和人工智能相結合，從而催生出新的技術和產品。

人工智能技術特點

遷移性：指的是某項人工智能技術在應用過程中，可以很快的從一個領域遷移到另外一個領域去，其背后的邏輯一方面源自于人工智能底層技術的普適性，另一方面源自于遷移學習技術的發(fā)展。人工智能技術特點

滲透性：滲透性指的是人工智能具備與經濟社會各行業(yè)、生產生活各環(huán)節(jié)相互融合和滲透的能力，也表明了人工智能和各個行業(yè)結合的形式和速度。從形式上講，人工智能滲透到行業(yè)形式的多樣的，滲透渠道是多路徑而非單路徑。從速度上講，人工智能技術滲透到不同領域的速率是不同的，滲透到某個領域多個方面的速率也是不同的，可能是一個長期的過程。

人工智能技術特點

高等教育是指在完成高級中等教育基礎上實施的教育，承擔著高級專門人才的任務。高校即是高等教育實施的載體，也是人才匯集的高地。人工智能技術也已經逐步滲透到高等教育和人才培養(yǎng)的各個方面。教育部高教司在2024年4月和11月公布了兩批“人工智能+高等教育”應用場景典型案例，給出了在人工智能技術應用上具有代表性、前瞻性且能夠產生積極影響的高等教育實踐案例。

人工智能在高等教育領域的應用

案例1：人工智能賦能招生選拔——基于ChatTJ的智慧招生管理平臺建設與應用

招生工作是高等教育的起點，生源質量是高校人才培養(yǎng)的基礎。在高考志愿填報的高峰期，考生與家長的咨詢量很大，高校招生部門常常面臨巨大的咨詢壓力，很難做到24小時及時回復。同濟大學使用人工智能咨詢服務助手“ChatTJ”，為考生和家長24小時全天候、不斷線的咨詢，緩解高校在高峰期的答疑壓力?！癈hatTJ”可以根據考生和家長輸入的指令，通過自動化分析后生成專屬同濟大學的參考信息。咨詢者只要給出主題或者關鍵詞，幾秒鐘就能得到權威、詳細、貼心的答案。

人工智能在高等教育領域的應用

案例1：人工智能賦能招生選拔——基于ChatTJ的智慧招生管理平臺建設與應用

人工智能在高等教育領域的應用

案例2：打造AI賦能督導新模式，啟動教學質量提升新引擎

高校中的教學督導是一項重要的教學質量保障措施，其主要目的是通過監(jiān)督、檢查和評估教學活動，確保教學質量的持續(xù)提升。高校會聘任具有豐富教學經驗和教學管理經驗的教師擔任督導員，并建立校級與院級兩級督導組。督導員通過隨堂聽課，對課堂教學管理、教學內容、教學方法、教學效果等進行監(jiān)督和評價。

人工智能在高等教育領域的應用

案例2：打造AI賦能督導新模式，啟動教學質量提升新引擎

西安電子科技大學教學督導中心從不同角度進行數(shù)據的跟蹤分析，實現(xiàn)對教學質量的有效監(jiān)控?；谌四樧R別、人體識別及人體姿態(tài)識別等人工智能技術，實現(xiàn)對學生課堂行為的智能識別，自動計算到課率、前排率、學生課堂行為等數(shù)據，識別學生的身體姿態(tài)和動作并判斷其是否在認真聽講、做筆記或存在其他行為，豐富了課堂過程評價數(shù)據，實現(xiàn)了課堂教學智能化管理。

人工智能在高等教育領域的應用

案例3：構建智能學業(yè)預警與協(xié)同幫扶機制，助力學生成長

學業(yè)預警制度是高等教育管理中的一項重要措施，旨在加強學生學業(yè)的過程管理，提高學生的學業(yè)成功率和學校的教學質量。學業(yè)預警一般分為學業(yè)警示、學業(yè)警告、留級、延期畢業(yè)四種類型。學校主要是通過在學習進度推進的不同階段，密切關注學生動態(tài)，對缺課達到一定數(shù)目的學生采取提醒、課程成績不達標、學分不足等預先警示方式予以指出并責令改正。人工智能在高等教育領域的應用

案例3：構建智能學業(yè)預警與協(xié)同幫扶機制，助力學生成長

針對不同級別的預警，高校會制定個性化的幫扶方案，如安排導師進行一對一指導、提供學業(yè)輔導課程、組織學習小組等、學校還會與學生家長進行溝通，共同促進學生學業(yè)狀況的改善。學校通常設立專門的學業(yè)預警工作領導小組或幫扶小組，負責預警工作的統(tǒng)籌、管理和實施。但由于高校在校生數(shù)量多、學生情況各異，因此學業(yè)預警工作處理起來存在較大難度。

人工智能在高等教育領域的應用

案例3：構建智能學業(yè)預警與協(xié)同幫扶機制，助力學生成長

華中科技大學利用人工智能技術，積極開展學生學業(yè)問題預警與幫扶工作。該?；谡n程成績歷史大數(shù)據，運用AI技術建立了智能學業(yè)預警模型和預警系統(tǒng)該模型可對學生學習情況進行智能分析，預測學生當前學期的學業(yè)情況，對學生在學習方面的問題和困難進行分級預警，幫助學校精準開展學業(yè)指導幫扶工作。該智能學業(yè)預警系統(tǒng)面向黨委學生工作部和全校院系開放使用，并建立了校、院、班三級協(xié)同聯(lián)動的學業(yè)幫扶機制，及時根據預警信息開展干預，協(xié)同幫扶，多措并舉，幫助學生完成學業(yè)，助力學生成長。

人工智能在高等教育領域的應用

案例4：基于AI技術的大規(guī)模個性化英語教學創(chuàng)新實踐

國家開放大學英語學習者每年超過300萬，學習需求多樣化，英語教學需要充分交互、及時反饋及個性化的學習支持服務。為此，國家開放大學構建了大規(guī)模個性化智慧教學體系，其中包括：英語口語智能訓練系統(tǒng)，從不同維度給予及時反饋；英語作文智能批改系統(tǒng)，提供及時評閱和修改建議；定制虛擬教師課程資源，探究新型生成性教學資源制作模式；基于知識圖譜打造學位英語自適應學習系統(tǒng)，學生可根據個人需求進行自主學習；AI虛擬教師智能問答，可在提供二十四小時學習知識服務的同時，展示專業(yè)知識問題的關聯(lián)知識點和引用資源。

人工智能在高等教育領域的應用

案例5：基于知識圖譜和大模型的計算機通識課程智能數(shù)字教師

山東大學針對計算機通識教學中的難點，充分利用知識圖譜、大模型等人工智能技術，從教師、學生、管理、服務幾個方面入手，為教學全流程賦能。主要功能包括AI助手（面向教師）、AI助教（面向學生）、編程助手（面向學生）、數(shù)字化考試（面向管理）等，解決了計算機通識課程授課過程中學生數(shù)量眾多、師資不足且水平參差不齊等問題。人工智能在高等教育領域的應用

案例6：“碼上”——大模型賦能的智能編程教學應用平臺教師

“碼上”平臺基于人工智能大模型，采用北京郵電大學自研核心技術，為學生提供實時、智能、個性化、啟發(fā)式的編程輔導服務，可有力支撐學校的有組織編程教學，提高學生學習效率，減輕教師工作負擔，促進教育數(shù)字化轉型?！按a上”的亮點功能是一對一輔導，提供代碼糾錯、問題答疑、代碼解釋等智能輔導。數(shù)據顯示，當前，“碼上”對于占學生群體人數(shù)（80%）以上的編程新手的編程問題能夠提供較高質量/準確率的輔導（修改后代碼的運行成功率達60%—80%），提升了人才培養(yǎng)效果。

人工智能在高等教育領域的應用人工智能在高等教育領域的應用

案例7：大學物理課程智慧AI助教系統(tǒng)

作為高等院校工科專業(yè)和部分理科專業(yè)的一門必修課，大學物理主要講授力學、熱學、電磁學、光學等近代物理知識，課程涉及面廣、知識點多。東南大學的“大學物理課程智慧AI助教系統(tǒng)”運用人工智能技術全程、全方位賦能《大學物理》課程教學，為教師提供了智慧管理和智能決策、為學生提供了自適應學習路徑和個性化學習指導，全面提升了課程的教學質量和學生學習體驗。人工智能在高等教育領域的應用

案例7：大學物理課程智慧AI助教系統(tǒng)

通過建立大學物理課程的知識圖譜實現(xiàn)了知識的可視化，幫助學生構建完整、準確的知識體系；通過知識點關聯(lián)各類教學資源，以及學生信息和學習數(shù)據的記錄形成精準的學生畫像，實現(xiàn)個性化的資源推薦和學習指導；教師能更好地了解學生的學習狀態(tài)和學習需求，及時調整改進教學策略；以人機對話實現(xiàn)學習陪伴和智能問答，激發(fā)學生的學習興趣和內驅力，培養(yǎng)學生的自主學習能力與終生學習素養(yǎng)。

人工智能在高等教育領域的應用人工智能在高等教育領域的應用

案例8：人工智能技術在自主學習模式下電工電子實驗教學中的應用

電工電子實驗是高等院校多個工科專業(yè)需要學習的一門實驗課，主要介紹電工技術實驗、電子技術實驗、電氣測量的基礎知識、常用儀器儀表和軟件的使用。該課程涉及到多種設備和軟硬件操作。哈爾濱工業(yè)大學電工電子國家級實驗教學示范中心采用面向學生自主學習能力培養(yǎng)的全開放實驗教學模式，學生根據個人情況自主選擇實驗時間和地點，利用數(shù)字化教學資源自主學習，教師不再進行傳統(tǒng)課堂形式的講解，學生通過獨立分析、探索、質疑、實踐等方法實現(xiàn)教學目標教師由指導變?yōu)橐龑?，由講授變?yōu)閱l(fā)，學生成為學