九年级 · 信息科技

人工智能与智慧社会 · 精华笔记

把《义务教育信息科技教学指南 人工智能与智慧社会 九年级全一册(人工智能专册)》翻成人话:6 个单元笔记、6 份配套题库、161 条概念速查,一个文件全带走。

6 份 单元笔记 6 份 配套题目库 161 条 核心概念 30 课 全册覆盖

关于本笔记

人工智能与智慧社会 · 精华笔记(九年级)

把《义务教育信息科技教学指南 人工智能与智慧社会 九年级全一册(人工智能专册)》翻成人话。
一个文件夹里包含:全册结构化 Markdown、6 个单元的「说人话」笔记、6 份配套题库、161 条概念速查、6 张知识图谱,以及一个可以直接打开的 index.html。

目录结构

g9_notes/
├── index.html                  单文件网页(打开即用,含全部笔记与题库)
├── 00_overview.md              全册总览 + 三条主线 + 学习路径图
├── 01_glossary.md              161 条概念速查(标注出处单元与小节)
├── 02_knowledge_graphs.md      6 个单元的知识图谱
├── markdown/
│   ├── g9_ai_full.md           清洁后的全册结构化 Markdown(6 单元 / 30 课)
│   └── _chapters/ch01..ch06    按单元切片
├── student/g9/                 6 份「说人话」笔记(各带 3 道课前小测)
├── question_bank/              6 份题库(B → A → C → D 四档)
└── _meta/
    ├── per_chapter/*.json      6 份结构化提炼(定位/要点/图谱/概念/易错点…)
    ├── scripts/                抽取、速查、图谱脚本
    └── webpage_config.json     网页拼装配置

四档题库怎么用

档位 内容 用途
B 档 10 道选择题 先做,检测概念有没有懂
A 档 教材「学习活动/拓展与提升」原题 对标课堂要求,答案大多来自教材
C 档 3 道简答题 练表达,适合口头或书面作答
D 档 1 个综合实践 项目任务,练动手与方案设计

口径说明(重要)

  • 来源:教材 PDF 自带文字层(180 页),无需 OCR;抽取后经清洗、按单元切片,再人工审校生成笔记。
  • 以教材为准:名称、数字、参数一律按教材表述记录(如 MNIST 的 60000/10000 条与 28×28 分辨率、井字棋的 ±100/±10/±1 评分、强化学习的 0.01/1/−1 奖励值)。教材若与常见说法不同,本资料照录教材。
  • 教师用内容未收录:教材侧栏的「教师可引导学生……」「教学时……」属于教师用内容,不写入学生笔记。
  • 无教师用书:A 档以外的答案是依据教材正文推断的,与官方答案可能有出入,以课堂讲解为准。
  • 选修单元:第 6 单元「AI项目工坊」教材标明为选修单元,难度较大(尤其第 30 课),笔记与题库按教材内容整理,未作拔高。

复现命令

PY=/Users/Zhao.Wang/.workbuddy/binaries/python/envs/default/bin/python

# 1. PDF → 结构化 Markdown
$PY _meta/scripts/extract_g9.py --pdf <教材PDF> --out markdown

# 2. 按单元切片
$PY .../learned_textbook_pipeline/templates/slice_chapters.py \
    --src markdown/g9_ai_full.md --out markdown/_chapters \
    --book g9 --pattern '^#\s+第[一二三四五六]单元\s+(.+)$' --expect 6

# 3. 概念速查 + 知识图谱
$PY _meta/scripts/build_glossary.py --root .
$PY _meta/scripts/build_graphs.py   --root .

# 4. 拼装网页
$PY .../learned_textbook_pipeline/templates/build_webpage.py --config _meta/webpage_config.json

# 5. 验收
$PY .../learned_textbook_pipeline/templates/checks.py --root .

全册总览 · 学习路径

九年级《人工智能与智慧社会》全册总览

教材:《义务教育信息科技教学指南 · 人工智能与智慧社会 · 九年级全一册(人工智能专册)》
结构:6 个单元、30 课;本资料按单元整理为 6 章笔记 + 6 份题库 + 概念速查表。

一、全册在讲什么

一句话:从「人工智能是什么」出发,依次搞清机器怎么写字、怎么画图做音视频、怎么推理,再拉高到智慧社会与伦理,最后亲手做六个项目。

全册可以看成一条从认知 → 生成 → 推理 → 社会 → 实践递进的线:

  • 认知层(第 1 单元):人工智能是什么、从哪来(1950 图灵测试 → 1956 达特茅斯会议 → 六起五落)、三条实现路子(符号主义/连接主义/行为主义)、靠什么撑起来(数据、算力、算法)。
  • 生成·文本(第 2 单元):机器是怎么「写字」的——从 token 切词、统计共现预测下一个词,到语义向量化、注意力机制抓重点,再到多角度审核与参数控制。
  • 生成·多模态(第 3 单元):把生成能力从文本扩展到图像、声音、视频——图像特征与卷积、风格迁移、对抗与扩散两种生成方式、图文语义对齐、文生图与提示词,以及音视频生成的伦理与法规风险。
  • 推理(第 4 单元):机器怎么「推理」——决策树逐层提问、知识图谱顺关系推导、分类按已知类别归、聚类自动分组,最后看清会「思考」的推理模型的能力与边界。
  • 社会与伦理(第 5 单元):视角从技术拉到社会——智慧社会的形态与数据安全、智能创新与自主可控、数据驱动的智能治理及其忧虑,最后落到智能向善与伦理责任。
  • 实践(第 6 单元,选修):AI 项目工坊——井字棋、出行推荐、环境播报助手、人脸识别、手写数字识别、训练模型玩游戏,六个项目把「问题 → 数据 → 模型 → 系统 → 反思」走一遍。

二、6 个单元速览

单元 主题 覆盖课次 一句话定位
第 1 单元 走进人工智能 第 1—4 课 人工智能是什么、从哪来、有几种实现路子、靠什么撑起来
第 2 单元 文本的智能生成 第 5—9 课 从切词到统计预测、语义向量、注意力,机器是怎么「写字」的
第 3 单元 图像、声音与视频的智能生成 第 10—15 课 图像特征与卷积、风格迁移、对抗与扩散、文生图、音视频生成
第 4 单元 智能推理的应用 第 16—20 课 决策树、知识图谱、分类、聚类,以及推理模型的边界
第 5 单元 智慧社会与智能向善 第 21—24 课 智慧社会、智能创新与治理、数据安全、智能向善与伦理
第 6 单元 AI项目工坊 第 25—30 课 六个完整项目,把问题分析—数据准备—训练—搭系统走一遍(选修)

三、知识主线图

graph TD A[人工智能概念 第1单元] --> B[1956 达特茅斯会议] A --> C[三条路 符号主义 连接主义 行为主义] A --> D[三大支撑 数据 算力 算法] C --> E[连接主义 人工神经网络] E --> F[文本生成 第2单元] F --> F1[token与分词] F1 --> F2[统计预测下一个词] F2 --> F3[语义向量与注意力] E --> G[图像音视频生成 第3单元] G --> G1[图像特征与卷积] G1 --> G2[风格迁移] G1 --> G3[对抗生成与扩散模型] G3 --> G4[文生图与提示词] G --> G5[语音与视频生成] C --> H[智能推理 第4单元] H --> H1[决策树] H --> H2[知识图谱] H --> H3[分类与聚类] H3 --> H4[推理模型的边界] F --> I[智慧社会 第5单元] G --> I H --> I I --> I1[数据安全与隐私保护] I --> I2[智能创新与自主可控] I --> I3[智能治理] I --> I4[智能向善与伦理] I4 --> J[AI项目工坊 第6单元] J --> J1[井字棋 棋谱价值评估] J --> J2[出行推荐 决策树与神经网络] J --> J3[环境播报助手 图像加语音] J --> J4[人脸识别 检测加训练] J --> J5[手写数字识别 MNIST] J --> J6[强化学习 玩游戏]

四、贯穿全册的三条主线

主线 内容 主要出现在
数据 数据是智能系统的养料;从 token、图像像素到数据集划分(训练/测试),再到数据质量决定模型上限 第 1、2、4、6 单元
模型 人工神经网络与误差反向传播是底座;生成模型、推理模型、强化学习模型各自解决不同问题 第 2、3、4、6 单元
责任 隐私、偏见、安全、自主可控、智能向善;技术越强,越需要人的判断与规范 第 3、5、6 单元

复习时按「数据 → 模型 → 责任」这三条线串,比按课次背省力气。

五、怎么用这套资料

  1. 先看课前小测——每章笔记开头有 3 道简单题,做完再看笔记,记忆效果更好。
  2. 读「说人话」笔记——笔记把教材翻成了大白话,用来理解;教材原文用来查细节。
  3. 做题库——B 档选择题检测概念,A 档是教材原题用来对标课堂要求,C 档简答练表达,D 档是项目任务练动手。
  4. 查概念速查表——01_glossary.md 汇总了全册 161 条术语,忘了就查。
  5. 动手做一遍——第 6 单元是选修实践单元,六个项目都给可操作的流程,建议至少挑一个真的做出来。

六、来源与口径说明

  • 全部内容来自教材 PDF 的文字层抽取(180 页),经清洗后按单元切分,再由人工审校生成。
  • 笔记中的名称、数字、参数一律以教材表述为准(如 MNIST 的 60000 条训练数据/10000 条测试数据/28×28 分辨率、DQN 的奖励分值等,本资料照录)。
  • 教材正文中夹杂的「教师可引导学生……」等教学建议,属于教师用内容,未写入学生笔记。
  • 教材附录「主要术语解读」中的定义引自《计算机科学技术名词》(第三版),本资料在概念速查中作了精简转述。
  • 无教师用书/官方答案,A 档之外的答案为依据教材正文推断,与教材答案可能有出入,以课堂讲解为准。

概念速查表

概念速查表

从全册 6 个单元的结构化提炼中汇总而成,共 161 条。按首字拼音/字母排序便于检索;同一术语在多个单元出现时只保留首次出现处。

术语 一句话解释 出处
AlexNet 2012 年在视觉识别挑战赛取得压倒性优势的模型,展示深度神经网络潜力 第 1 单元 走进人工智能 2.1
AlphaGo 2016 年击败围棋世界冠军的程序,展示强化学习与深度学习的结合潜力 第 1 单元 走进人工智能 2.1
BPE 字节对编码 基于频次统计的子词分词方法,不断合并相邻出现次数最多的字符组合 第 2 单元 文本的智能生成 5.2
Base64 编码 把音频或图像数据编码成文本保存在网页中,从而不需要单独的音频或图像文件 第 6 单元 AI项目工坊 27.2
DBSCAN 基于密度的空间聚类算法,能识别任意形状的簇并处理噪声 第 4 单元 智能推理的应用 19.2
DQN 深度 Q 网络,把深度人工神经网络与 Q 学习结合的强化学习方法,网络结构可按任务灵活设计 第 6 单元 AI项目工坊 30.2
K 均值聚类 基于距离、通过迭代调整簇中心使距离之和最小的聚类算法 第 4 单元 智能推理的应用 19.2
MNIST 数据集 手写数字数据集,60000 条训练数据、10000 条测试数据,图像分辨率 28×28 像素 第 6 单元 AI项目工坊 29.1
MYCIN 1972 年推出的医疗诊断系统,能识别细菌感染并推荐治疗方案 第 1 单元 走进人工智能 2.1
MoE 混合专家架构 把大任务拆给不同专家处理再由协调员分配的架构,可显著降低算力消耗 第 1 单元 走进人工智能 2.1
OpenCV 处理计算机视觉问题的编程库,提供现成模型可自动从照片中框出人脸区域 第 6 单元 AI项目工坊 28.2
Q 表 Q 学习的核心,行表示状态、列表示动作、值为回报;状态空间过大时需用神经网络近似 第 6 单元 AI项目工坊 30.2
Transformer 以注意力机制尤其是自注意力为核心构建的模型架构 第 2 单元 文本的智能生成 8.2
face_mod.xml 训练人脸识别模型后得到的文件,保存了人脸特征与身份之间的对应关系 第 6 单元 AI项目工坊 28.3
haarcascade_frontalface_default.xml OpenCV 自带的人脸检测模型文件,用于自动选取照片中的人脸部分 第 6 单元 AI项目工坊 28.2
pyttsx3 生成语音的编程库,音质一般但速度快,适合对及时性要求高于音质的播报场景 第 6 单元 AI项目工坊 27.2
token 模型处理自然语言的基本单位,对应记号,日常称词或词元 第 2 单元 文本的智能生成 5.1
专家系统 模拟人类专家知识和经验解决特定领域问题的系统,应用发展期的代表 第 1 单元 走进人工智能 2.1
中间帧 位于两个关键帧之间的过渡帧,用于实现画面的平滑过渡 第 3 单元 图像、声音与视频的智能生成 15.1
人工智能 利用计算机模拟人类智力活动,1956 年达特茅斯会议上正式提出的学科术语 第 1 单元 走进人工智能 2.1
人工智能芯片 专门为人工智能研发的芯片,处理深度学习任务时效率更高、能耗更低 第 1 单元 走进人工智能 4.2
人工神经网络 模仿人脑神经元连接方式构建的模型,是连接主义的典型技术成果 第 1 单元 走进人工智能 3.2
人脸识别三步骤 提取特征、建立模型、识别身份;与人类认脸的过程相对应 第 6 单元 AI项目工坊 28.1
以图搜图 提取图像特征并与图像库比对,按相似度输出结果的检索方式 第 3 单元 图像、声音与视频的智能生成 10.3
以文搜图 输入描述性文字,系统按语义相似度从图像库中找出匹配图像 第 3 单元 图像、声音与视频的智能生成 13.2
以文生图 根据文字描述生成符合语义的图像,依赖大量匹配图文数据的训练 第 3 单元 图像、声音与视频的智能生成 13.2
价值评估 对棋谱每一步打分:可下位置初值 0,获胜位置 +100、失败方 −100,前一步 ±10,前两步 ±1 第 6 单元 AI项目工坊 25.3
低迷发展期 20 世纪 80 年代中至 90 年代中,规则方法暴露局限、研究陷入低潮的阶段 第 1 单元 走进人工智能 2.1
信息垄断 关键资源与技术过度集中于少数企业而可能带来的不公平风险 第 5 单元 智慧社会与智能向善 22.3
信息增益 评估特征好坏的指标,值越高表示划分后数据更纯净 第 4 单元 智能推理的应用 16.2
全连接层 整合卷积层提取的特征并映射为类别概率的层,本课为 fc1 输出 128 个特征、fc2 输出 10 个类别 第 6 单元 AI项目工坊 29.2
共情能力 理解他人情绪与处境并作出情感回应的能力,人工智能难以替代 第 5 单元 智慧社会与智能向善 24.2
共现次数 两个字词在文本中相邻出现的次数,反映语言的搭配习惯 第 2 单元 文本的智能生成 6.2
关系 知识图谱中由边表示的实体之间的联系 第 4 单元 智能推理的应用 17.1
关键帧 角色或物体运动变化中关键动作所处的帧,如动作的起始与结束 第 3 单元 图像、声音与视频的智能生成 15.1
关键特征 对决策影响较大、能有效缩小选择范围的特征 第 4 单元 智能推理的应用 16.2
内容安全过滤 对生成内容进行敏感词检测与屏蔽以避免不当输出的机制 第 2 单元 文本的智能生成 9.1
决策树 通过逐层提问进行判断并最终得出结论的模型 第 4 单元 智能推理的应用 16.1
决策树推荐 通过一系列判断条件逐步缩小范围并给出推荐结果,判断链条清晰、可解释性强 第 6 单元 AI项目工坊 26.2
决策系统 智能驾驶中对采集数据进行分析判断并作出决策的部分 第 5 单元 智慧社会与智能向善 22.1
决策路径 从根节点到叶节点的一条判断链 第 4 单元 智能推理的应用 16.1
准确率 模型在测试数据中正确识别的比例,数值越高越好,与损失共同用于评估学习效果 第 6 单元 AI项目工坊 29.3
分支节点 决策树中位于中间层次的追问节点 第 4 单元 智能推理的应用 16.1
分类 面对已知类别特征,把待分数据归到最相似类别的任务 第 4 单元 智能推理的应用 18.1
分词 把文本切分成基本单位的过程,人靠语言能力,机器靠统计计算 第 2 单元 文本的智能生成 5.1
分词模型 记录词的出现规律或概率、用于计算最优切分方式的模型 第 2 单元 文本的智能生成 5.3
创新生态 科研机构、企业、政府等多方协作推动技术从研发到落地的体系 第 5 单元 智慧社会与智能向善 22.2
判别网络 对抗生成中负责判别图像质量的网络,也可用于给生成结果打分 第 3 单元 图像、声音与视频的智能生成 12.1
区分度 衡量特征能否把数据集划分为更纯净子集的指标,描述其对分类的有用程度 第 4 单元 智能推理的应用 16.2
单层人工神经网络 输入层接距离、温度、同伴数、天气、风力等特征,输出层给出步行、骑行、坐车,靠训练调整参数 第 6 单元 AI项目工坊 26.3
卷积 用小窗口在图像上滑动、对应位置相乘后相加来提取局部特征的操作 第 3 单元 图像、声音与视频的智能生成 10.2
卷积层 人工神经网络中负责从图像自动提取边缘、形状等特征的层,本课网络含一个卷积层 conv 第 6 单元 AI项目工坊 29.2
卷积核 卷积操作中使用的权重参数组,决定模型更关注哪些结构 第 3 单元 图像、声音与视频的智能生成 10.2
反思发展期 20 世纪 60 至 70 年代初,目标过于乐观导致失败、研发进入低谷的阶段 第 1 单元 走进人工智能 2.1
叶节点 决策树中表示最终结论的节点 第 4 单元 智能推理的应用 16.1
合理授权 使用智能服务时对个人信息收集给予必要且有限的许可 第 5 单元 智慧社会与智能向善 21.2
噪点 添加到图像中的随机干扰,扩散训练时逐步增加直到图像像雪花 第 3 单元 图像、声音与视频的智能生成 12.2
图像扩展 先生成关键帧再补全中间帧,从少量图像扩展成连续画面的方法 第 3 单元 图像、声音与视频的智能生成 15.1
图像特征 反映图像本质的特定信息,通常描述形状、纹理、颜色和边缘等视觉属性 第 3 单元 图像、声音与视频的智能生成 10.1
图文语义对齐 让表示相同含义的图像和文字在语义空间中更贴近的处理过程 第 3 单元 图像、声音与视频的智能生成 13.1
图灵测试 图灵 1950 年提出,测试者无法分辨人类与机器则机器通过测试的判定方法 第 1 单元 走进人工智能 2.2
基尼指数 评估特征好坏的指标,值越低表示划分后分组更纯净 第 4 单元 智能推理的应用 16.2
声音克隆 模仿特定人声音特征的生成技术,存在被滥用于伪造身份的风险 第 3 单元 图像、声音与视频的智能生成 14.1
多义词 形式相同但含义不同的词,需要依据上下文动态调整语义编码 第 2 单元 文本的智能生成 7.1
多模态 让机器通过视觉听觉等多种感官协同认知、并实现跨模态语义对齐的技术 第 3 单元 图像、声音与视频的智能生成 13.1
多模态识别 结合人脸、指纹、声纹、实体卡等多种方式的身份识别方案 第 5 单元 智慧社会与智能向善 24.1
夹角余弦值 通过两个向量夹角判断方向是否一致的相似度度量,值越大越相似 第 2 单元 文本的智能生成 7.2
奖励机制 本课设定:每帧未碰撞 +0.01、穿过管道 +1、碰撞 −1,属于典型的密集奖励 第 6 单元 AI项目工坊 30.1
子词 介于字与整词之间的切分单位,如 unhappy 分为 un 与 happy 第 2 单元 文本的智能生成 5.1
实体 知识图谱中由节点表示的对象或概念 第 4 单元 智能推理的应用 17.1
对抗生成 生成网络与判别网络相互对抗、从而学会生成符合要求图像的方式 第 3 单元 图像、声音与视频的智能生成 12.1
层次聚类 用树状结构表示数据之间层级归属关系的聚类算法 第 4 单元 智能推理的应用 19.2
强化学习 通过与环境交互、根据奖励或惩罚不断改进策略的机器学习方法 第 1 单元 走进人工智能 3.3
归一化 把出现次数换算成概率的处理过程 第 2 单元 文本的智能生成 6.3
得分表 遍历大量棋谱后得到的「状态→各剩余位置得分」表,对弈时查表选高分格落子,是 Q 表的雏形 第 6 单元 AI项目工坊 25.3
微调 基于特定任务对模型再做训练,使其在对应场景表现更好 第 2 单元 文本的智能生成 9.3
思维链 模型把复杂问题分解为多个步骤逐步推导并展示出来的方式 第 4 单元 智能推理的应用 20.1
感知系统 智能驾驶中通过摄像头雷达等采集环境信息的部分 第 5 单元 智慧社会与智能向善 22.1
扁平化 把二维坐标转成一维数字序列,信息不丢失、只是数据结构变化,既未压缩也未做特征选择 第 6 单元 AI项目工坊 25.1
执行系统 智能驾驶中根据决策结果做出刹车转向等动作的部分 第 5 单元 智慧社会与智能向善 22.1
扩散思想 不按从左到右顺序、可随机生成文本的一种生成思路 第 2 单元 文本的智能生成 8.2
扩散生成 先加噪学习变化规律、再从噪点图逐步回推生成图像的方式 第 3 单元 图像、声音与视频的智能生成 12.2
抽象建模 把现实中的棋盘、下棋过程等转换成数字表示,是让智能工具接手问题的第一步 第 6 单元 AI项目工坊 25.1
损失 模型预测结果与真实标签之间的差距,数值越低越好,最低为 0 第 6 单元 AI项目工坊 29.3
探索与利用 训练初期高概率随机试错以广泛收集反馈,随后逐步转为按模型预测决策,两者缺一不可 第 6 单元 AI项目工坊 30.3
探索率 随机选择动作的比例,教材举例初始 80%,随训练轮次按策略逐步降低 第 6 单元 AI项目工坊 30.3
推理 利用训练好的模型对新的输入信息进行处理并输出结果的过程 第 1 单元 走进人工智能 3.2
推理模型 不仅能给出答案、还能展示推导过程的模型 第 4 单元 智能推理的应用 20.1
推理规则 知识图谱中由基本关系组合而成、用于推导新关系的规则 第 4 单元 智能推理的应用 17.2
推荐算法 根据用户行为数据推断偏好并推送内容的算法 第 5 单元 智慧社会与智能向善 21.2
提示词 用户输入给模型的指令文本,越清晰丰富则生成越准确相关 第 2 单元 文本的智能生成 9.3
数字素养 在智能社会中有效获取、判断与使用信息的能力与意识 第 5 单元 智慧社会与智能向善 21.3
数字鸿沟 因技术应用不均衡导致不同群体之间机会与能力差距扩大的现象 第 5 单元 智慧社会与智能向善 24.1
数据 驱动人工智能成长的养料,越多样、质量越高,模型学习效果越好 第 1 单元 走进人工智能 4.1
数据准备五步 收集数据、整理数据、清洗数据、分析数据、构建数据集,环环相扣,是高质量推荐的前提 第 6 单元 AI项目工坊 26.1
数据清洗 去除重复、错误或不完整的数据,确保数据的准确性和一致性 第 6 单元 AI项目工坊 26.1
数据驱动的社会治理 以海量数据的收集分析为基础进行决策与管理的治理方式 第 5 单元 智慧社会与智能向善 23.1
文本语义编码 由词的语义编码通过平均、加权平均或取极值等方式组合而成 第 2 单元 文本的智能生成 7.2
无监督学习 不依赖人工标注数据或预设分类规则的学习方式 第 4 单元 智能推理的应用 19.2
无障碍模式 为视障或行动不便等人群设计的便捷验证与使用方式 第 5 单元 智慧社会与智能向善 24.1
时序建模 让模型学习画面随时间变化的规律并按顺序生成连续画面的方法 第 3 单元 图像、声音与视频的智能生成 15.1
智慧社会 各层级信息系统互联互通、自动判断、主动服务的智能高效发展阶段 第 5 单元 智慧社会与智能向善 21.1
智能向善 让人工智能发展始终围绕造福人类、兼顾公平与责任的价值理念 第 5 单元 智慧社会与智能向善 24.1
智能服务 语音助手、智能快递柜、智能辅助驾驶等由人工智能支撑的服务 第 5 单元 智慧社会与智能向善 21.1
智能环境播报助手 获取图像 → 描述图像内容 → 转语音 → 播报,帮助视障人士感知周围环境的综合系统 第 6 单元 AI项目工坊 27.1
机器幻觉 模型生成看似合理但实际不存在或错误内容的现象 第 4 单元 智能推理的应用 20.2
权重系数 多风格融合时分配给不同风格特征的比重,决定最终视觉效果 第 3 单元 图像、声音与视频的智能生成 11.3
根节点 决策树中作为起点的问题节点 第 4 单元 智能推理的应用 16.1
梅尔频谱图 展示音频频域特征、能捕捉音调与音色的图形 第 4 单元 智能推理的应用 18.2
棋谱数字化 用 1 到 9 表示棋盘格子,按落子顺序排列成数字序列;因双方交替行棋,奇偶步已隐含棋手,无须额外标注 第 6 单元 AI项目工坊 25.1
模型 训练结束后得到的、可用于处理实际任务的人工神经网络 第 1 单元 走进人工智能 3.2
欧氏距离 衡量语义编码之间直线距离的方法,距离越小语义越接近 第 2 单元 文本的智能生成 7.2
注意力分布 生成当前词时对前文各词分配的重要性分数分布 第 2 单元 文本的智能生成 8.1
注意力机制 动态分配权重以衡量输入各部分重要性的通用计算方法 第 2 单元 文本的智能生成 8.1
温度参数 控制生成多样性的参数,值越高越多样,越低越稳定重复 第 2 单元 文本的智能生成 9.2
激活与池化 卷积过程中的后续步骤,用于增强非线性表达能力与泛化能力 第 3 单元 图像、声音与视频的智能生成 10.2
灰度图 把彩色图像转成黑白,避免颜色干扰,让皱纹、五官位置等关键特征在明暗对比下更明显 第 6 单元 AI项目工坊 28.2
点积 把语义编码视为向量比较方向和大小的方法,结果越大越相似 第 2 单元 文本的智能生成 7.2
特征 对决策有影响的若干关键因素 第 4 单元 智能推理的应用 16.2
特征向量 由图像特征组成的几百到上千个数,是计算机理解图像的数值表示 第 3 单元 图像、声音与视频的智能生成 10.3
特征提取 从原始像素中提取具有代表性和区分性信息的过程 第 3 单元 图像、声音与视频的智能生成 10.1
独热编码 用 n 个状态表示 n 个特征的稀疏表示方式,适用于分类任务 第 2 单元 文本的智能生成 7.1
生成网络 对抗生成中负责生成图像的网络 第 3 单元 图像、声音与视频的智能生成 12.1
用户画像 根据收集到的行为数据为用户建立的偏好模型 第 5 单元 智慧社会与智能向善 21.2
知识图谱 用节点与关系表达知识、支持逻辑推导的符号主义典型成果 第 1 单元 走进人工智能 3.1
科技伦理审查 对科技活动可能带来的伦理风险进行评估与规范的程序 第 5 单元 智慧社会与智能向善 24.1
稳步发展期 20 世纪 90 年代中至 2010 年,1997 年深蓝战胜国际象棋冠军的阶段 第 1 单元 走进人工智能 2.1
符号主义 通过模拟功能实现人工智能,主张用规则和逻辑模拟思维,代表是知识图谱 第 1 单元 走进人工智能 3.1
算力 处理海量数据与训练复杂模型所需的计算能力,决定技术探索的边界 第 1 单元 走进人工智能 4.2
算法 实现智能的方法,先进算法一直是推动人工智能技术进步的核心要素 第 1 单元 走进人工智能 4.3
算法歧视 因训练数据或设计偏差导致对特定群体不公平的算法结果 第 5 单元 智慧社会与智能向善 23.2
簇 聚类后得到的具有相似特征的数据子集 第 4 单元 智能推理的应用 19.2
终身学习 持续更新知识与技能以适应技术与社会变化的学习态度 第 5 单元 智慧社会与智能向善 24.2
结构化数据集 把原始信息按等级划分组织成模型可训练的格式,通常每列有清晰字段名,保存为 CSV 第 6 单元 AI项目工坊 26.1
绿色 AI 倡导降低能耗、推动人工智能环保可持续发展的技术路径 第 1 单元 走进人工智能 4.3
群体智能 多个简单个体通过局部交互与协同合作表现出的集体智能行为 第 1 单元 走进人工智能 3.3
群体行为模型 用于预测人群流量与趋势、提前部署资源和服务的模型 第 5 单元 智慧社会与智能向善 23.3
聚类 在没有预设标准时按数据自身特征进行内部分组的方法 第 4 单元 智能推理的应用 19.1
肖像权 个人对其肖像享有的权利,未经许可用他人图像生成视频可能构成侵犯 第 3 单元 图像、声音与视频的智能生成 15.2
自主可控 关键技术由自己掌握、不依赖外部从而保障发展与安全的战略要求 第 5 单元 智慧社会与智能向善 22.3
自回归模型 基于前文预测后文出现概率、顺序逐词生成的语言模型 第 2 单元 文本的智能生成 8.1
蓬勃发展期 2011 年至今,深度神经网络取得突破、生成式人工智能兴起的阶段 第 1 单元 走进人工智能 2.1
行为主义 通过模拟行为实现人工智能,靠试错与反馈改进,典型代表是强化学习 第 1 单元 走进人工智能 3.3
规则库 把人类专家经验整理成规则并编程实现,是早期实现人工智能的核心思想,面对复杂问题会因规则爆炸而失效 第 6 单元 AI项目工坊 25.2
视频生成 根据文字描述或参考图像生成一组连续画面的技术 第 3 单元 图像、声音与视频的智能生成 15.1
训练 让人工神经网络从大量数据中学习并发现规律、不断调整内部参数的过程 第 1 单元 走进人工智能 3.2
词向量 人工智能领域对词的语义编码的称呼,主流实现为词嵌入 第 2 单元 文本的智能生成 7.1
词嵌入 把词放到语义空间中、每个词对应一个语义坐标的表示方法 第 2 单元 文本的智能生成 7.1
词表 供分词匹配使用的词条集合,可由机器从大量文本中自动构建 第 2 单元 文本的智能生成 5.2
语义编码 用一组数字表示词的语义特征,使语义相近的词在空间中位置相近 第 2 单元 文本的智能生成 7.1
语音合成 把文字转换为语音的技术,也称 TTS 文本—语音转换 第 3 单元 图像、声音与视频的智能生成 14.1
误差反向传播 训练人工神经网络的核心算法,把调参工作交给机器自动完成 第 1 单元 走进人工智能 4.3
起步发展期 1956 年至 20 世纪 60 年代初,机器定理证明与跳棋程序等成果涌现的阶段 第 1 单元 走进人工智能 2.1
达特茅斯会议 1956 年的会议,正式提出人工智能术语,标志学科诞生 第 1 单元 走进人工智能 2.1
过拟合 训练过多导致模型在训练集表现好但在新数据上泛化能力下降的现象 第 1 单元 走进人工智能 4.3
连接主义 通过模拟结构实现人工智能,模仿人脑神经元连接构建人工神经网络 第 1 单元 走进人工智能 3.2
阈值分级 把距离、温度等连续变化的因素按阈值划分成近中远、寒冷适宜炎热等等级,便于建模 第 6 单元 AI项目工坊 26.1
音频波形图 展示音频时域特征、反映音量与节奏的图形 第 4 单元 智能推理的应用 18.2
风格特征 构成图像风格的关键特征,主要指色彩特征与造型特征 第 3 单元 图像、声音与视频的智能生成 11.1
风格迁移 把一幅图像的内容与另一幅图像的风格融合生成新图像的技术 第 3 单元 图像、声音与视频的智能生成 11.2
黑箱特性 人工智能判断过程难以被洞察其内部逻辑的特性 第 4 单元 智能推理的应用 16.3

按单元分组

第 1 单元 走进人工智能

  • AlexNet:2012 年在视觉识别挑战赛取得压倒性优势的模型,展示深度神经网络潜力
  • AlphaGo:2016 年击败围棋世界冠军的程序,展示强化学习与深度学习的结合潜力
  • MYCIN:1972 年推出的医疗诊断系统,能识别细菌感染并推荐治疗方案
  • MoE 混合专家架构:把大任务拆给不同专家处理再由协调员分配的架构,可显著降低算力消耗
  • 专家系统:模拟人类专家知识和经验解决特定领域问题的系统,应用发展期的代表
  • 人工智能:利用计算机模拟人类智力活动,1956 年达特茅斯会议上正式提出的学科术语
  • 人工智能芯片:专门为人工智能研发的芯片,处理深度学习任务时效率更高、能耗更低
  • 人工神经网络:模仿人脑神经元连接方式构建的模型,是连接主义的典型技术成果
  • 低迷发展期:20 世纪 80 年代中至 90 年代中,规则方法暴露局限、研究陷入低潮的阶段
  • 反思发展期:20 世纪 60 至 70 年代初,目标过于乐观导致失败、研发进入低谷的阶段
  • 图灵测试:图灵 1950 年提出,测试者无法分辨人类与机器则机器通过测试的判定方法
  • 强化学习:通过与环境交互、根据奖励或惩罚不断改进策略的机器学习方法
  • 推理:利用训练好的模型对新的输入信息进行处理并输出结果的过程
  • 数据:驱动人工智能成长的养料,越多样、质量越高,模型学习效果越好
  • 模型:训练结束后得到的、可用于处理实际任务的人工神经网络
  • 知识图谱:用节点与关系表达知识、支持逻辑推导的符号主义典型成果
  • 稳步发展期:20 世纪 90 年代中至 2010 年,1997 年深蓝战胜国际象棋冠军的阶段
  • 符号主义:通过模拟功能实现人工智能,主张用规则和逻辑模拟思维,代表是知识图谱
  • 算力:处理海量数据与训练复杂模型所需的计算能力,决定技术探索的边界
  • 算法:实现智能的方法,先进算法一直是推动人工智能技术进步的核心要素
  • 绿色 AI:倡导降低能耗、推动人工智能环保可持续发展的技术路径
  • 群体智能:多个简单个体通过局部交互与协同合作表现出的集体智能行为
  • 蓬勃发展期:2011 年至今,深度神经网络取得突破、生成式人工智能兴起的阶段
  • 行为主义:通过模拟行为实现人工智能,靠试错与反馈改进,典型代表是强化学习
  • 训练:让人工神经网络从大量数据中学习并发现规律、不断调整内部参数的过程
  • 误差反向传播:训练人工神经网络的核心算法,把调参工作交给机器自动完成
  • 起步发展期:1956 年至 20 世纪 60 年代初,机器定理证明与跳棋程序等成果涌现的阶段
  • 达特茅斯会议:1956 年的会议,正式提出人工智能术语,标志学科诞生
  • 过拟合:训练过多导致模型在训练集表现好但在新数据上泛化能力下降的现象
  • 连接主义:通过模拟结构实现人工智能,模仿人脑神经元连接构建人工神经网络

第 2 单元 文本的智能生成

  • BPE 字节对编码:基于频次统计的子词分词方法,不断合并相邻出现次数最多的字符组合
  • Transformer:以注意力机制尤其是自注意力为核心构建的模型架构
  • token:模型处理自然语言的基本单位,对应记号,日常称词或词元
  • 共现次数:两个字词在文本中相邻出现的次数,反映语言的搭配习惯
  • 内容安全过滤:对生成内容进行敏感词检测与屏蔽以避免不当输出的机制
  • 分词:把文本切分成基本单位的过程,人靠语言能力,机器靠统计计算
  • 分词模型:记录词的出现规律或概率、用于计算最优切分方式的模型
  • 多义词:形式相同但含义不同的词,需要依据上下文动态调整语义编码
  • 夹角余弦值:通过两个向量夹角判断方向是否一致的相似度度量,值越大越相似
  • 子词:介于字与整词之间的切分单位,如 unhappy 分为 un 与 happy
  • 归一化:把出现次数换算成概率的处理过程
  • 微调:基于特定任务对模型再做训练,使其在对应场景表现更好
  • 扩散思想:不按从左到右顺序、可随机生成文本的一种生成思路
  • 提示词:用户输入给模型的指令文本,越清晰丰富则生成越准确相关
  • 文本语义编码:由词的语义编码通过平均、加权平均或取极值等方式组合而成
  • 欧氏距离:衡量语义编码之间直线距离的方法,距离越小语义越接近
  • 注意力分布:生成当前词时对前文各词分配的重要性分数分布
  • 注意力机制:动态分配权重以衡量输入各部分重要性的通用计算方法
  • 温度参数:控制生成多样性的参数,值越高越多样,越低越稳定重复
  • 点积:把语义编码视为向量比较方向和大小的方法,结果越大越相似
  • 独热编码:用 n 个状态表示 n 个特征的稀疏表示方式,适用于分类任务
  • 自回归模型:基于前文预测后文出现概率、顺序逐词生成的语言模型
  • 词向量:人工智能领域对词的语义编码的称呼,主流实现为词嵌入
  • 词嵌入:把词放到语义空间中、每个词对应一个语义坐标的表示方法
  • 词表:供分词匹配使用的词条集合,可由机器从大量文本中自动构建
  • 语义编码:用一组数字表示词的语义特征,使语义相近的词在空间中位置相近

第 3 单元 图像、声音与视频的智能生成

  • 中间帧:位于两个关键帧之间的过渡帧,用于实现画面的平滑过渡
  • 以图搜图:提取图像特征并与图像库比对,按相似度输出结果的检索方式
  • 以文搜图:输入描述性文字,系统按语义相似度从图像库中找出匹配图像
  • 以文生图:根据文字描述生成符合语义的图像,依赖大量匹配图文数据的训练
  • 关键帧:角色或物体运动变化中关键动作所处的帧,如动作的起始与结束
  • 判别网络:对抗生成中负责判别图像质量的网络,也可用于给生成结果打分
  • 卷积:用小窗口在图像上滑动、对应位置相乘后相加来提取局部特征的操作
  • 卷积核:卷积操作中使用的权重参数组,决定模型更关注哪些结构
  • 噪点:添加到图像中的随机干扰,扩散训练时逐步增加直到图像像雪花
  • 图像扩展:先生成关键帧再补全中间帧,从少量图像扩展成连续画面的方法
  • 图像特征:反映图像本质的特定信息,通常描述形状、纹理、颜色和边缘等视觉属性
  • 图文语义对齐:让表示相同含义的图像和文字在语义空间中更贴近的处理过程
  • 声音克隆:模仿特定人声音特征的生成技术,存在被滥用于伪造身份的风险
  • 多模态:让机器通过视觉听觉等多种感官协同认知、并实现跨模态语义对齐的技术
  • 对抗生成:生成网络与判别网络相互对抗、从而学会生成符合要求图像的方式
  • 扩散生成:先加噪学习变化规律、再从噪点图逐步回推生成图像的方式
  • 时序建模:让模型学习画面随时间变化的规律并按顺序生成连续画面的方法
  • 权重系数:多风格融合时分配给不同风格特征的比重,决定最终视觉效果
  • 激活与池化:卷积过程中的后续步骤,用于增强非线性表达能力与泛化能力
  • 特征向量:由图像特征组成的几百到上千个数,是计算机理解图像的数值表示
  • 特征提取:从原始像素中提取具有代表性和区分性信息的过程
  • 生成网络:对抗生成中负责生成图像的网络
  • 肖像权:个人对其肖像享有的权利,未经许可用他人图像生成视频可能构成侵犯
  • 视频生成:根据文字描述或参考图像生成一组连续画面的技术
  • 语音合成:把文字转换为语音的技术,也称 TTS 文本—语音转换
  • 风格特征:构成图像风格的关键特征,主要指色彩特征与造型特征
  • 风格迁移:把一幅图像的内容与另一幅图像的风格融合生成新图像的技术

第 4 单元 智能推理的应用

  • DBSCAN:基于密度的空间聚类算法,能识别任意形状的簇并处理噪声
  • K 均值聚类:基于距离、通过迭代调整簇中心使距离之和最小的聚类算法
  • 专家系统:用知识库存储专家经验、用推理引擎模拟专家决策过程的软件系统
  • 信息增益:评估特征好坏的指标,值越高表示划分后数据更纯净
  • 关系:知识图谱中由边表示的实体之间的联系
  • 关键特征:对决策影响较大、能有效缩小选择范围的特征
  • 决策树:通过逐层提问进行判断并最终得出结论的模型
  • 决策路径:从根节点到叶节点的一条判断链
  • 分支节点:决策树中位于中间层次的追问节点
  • 分类:面对已知类别特征,把待分数据归到最相似类别的任务
  • 区分度:衡量特征能否把数据集划分为更纯净子集的指标,描述其对分类的有用程度
  • 叶节点:决策树中表示最终结论的节点
  • 基尼指数:评估特征好坏的指标,值越低表示划分后分组更纯净
  • 实体:知识图谱中由节点表示的对象或概念
  • 层次聚类:用树状结构表示数据之间层级归属关系的聚类算法
  • 思维链:模型把复杂问题分解为多个步骤逐步推导并展示出来的方式
  • 推理模型:不仅能给出答案、还能展示推导过程的模型
  • 推理规则:知识图谱中由基本关系组合而成、用于推导新关系的规则
  • 无监督学习:不依赖人工标注数据或预设分类规则的学习方式
  • 机器幻觉:模型生成看似合理但实际不存在或错误内容的现象
  • 根节点:决策树中作为起点的问题节点
  • 梅尔频谱图:展示音频频域特征、能捕捉音调与音色的图形
  • 欧氏距离:衡量两个语义编码之间直线距离的指标,越小越相似
  • 特征:对决策有影响的若干关键因素
  • 知识图谱:以节点和边组织实体或概念及其关系的数据结构
  • 簇:聚类后得到的具有相似特征的数据子集
  • 聚类:在没有预设标准时按数据自身特征进行内部分组的方法
  • 音频波形图:展示音频时域特征、反映音量与节奏的图形
  • 黑箱特性:人工智能判断过程难以被洞察其内部逻辑的特性

第 5 单元 智慧社会与智能向善

  • 信息垄断:关键资源与技术过度集中于少数企业而可能带来的不公平风险
  • 共情能力:理解他人情绪与处境并作出情感回应的能力,人工智能难以替代
  • 决策系统:智能驾驶中对采集数据进行分析判断并作出决策的部分
  • 创新生态:科研机构、企业、政府等多方协作推动技术从研发到落地的体系
  • 合理授权:使用智能服务时对个人信息收集给予必要且有限的许可
  • 多模态识别:结合人脸、指纹、声纹、实体卡等多种方式的身份识别方案
  • 感知系统:智能驾驶中通过摄像头雷达等采集环境信息的部分
  • 执行系统:智能驾驶中根据决策结果做出刹车转向等动作的部分
  • 推荐算法:根据用户行为数据推断偏好并推送内容的算法
  • 数字素养:在智能社会中有效获取、判断与使用信息的能力与意识
  • 数字鸿沟:因技术应用不均衡导致不同群体之间机会与能力差距扩大的现象
  • 数据驱动的社会治理:以海量数据的收集分析为基础进行决策与管理的治理方式
  • 无障碍模式:为视障或行动不便等人群设计的便捷验证与使用方式
  • 智慧社会:各层级信息系统互联互通、自动判断、主动服务的智能高效发展阶段
  • 智能向善:让人工智能发展始终围绕造福人类、兼顾公平与责任的价值理念
  • 智能服务:语音助手、智能快递柜、智能辅助驾驶等由人工智能支撑的服务
  • 用户画像:根据收集到的行为数据为用户建立的偏好模型
  • 科技伦理审查:对科技活动可能带来的伦理风险进行评估与规范的程序
  • 算法歧视:因训练数据或设计偏差导致对特定群体不公平的算法结果
  • 终身学习:持续更新知识与技能以适应技术与社会变化的学习态度
  • 群体行为模型:用于预测人群流量与趋势、提前部署资源和服务的模型
  • 自主可控:关键技术由自己掌握、不依赖外部从而保障发展与安全的战略要求

第 6 单元 AI项目工坊

  • Base64 编码:把音频或图像数据编码成文本保存在网页中,从而不需要单独的音频或图像文件
  • DQN:深度 Q 网络,把深度人工神经网络与 Q 学习结合的强化学习方法,网络结构可按任务灵活设计
  • MNIST 数据集:手写数字数据集,60000 条训练数据、10000 条测试数据,图像分辨率 28×28 像素
  • OpenCV:处理计算机视觉问题的编程库,提供现成模型可自动从照片中框出人脸区域
  • Q 表:Q 学习的核心,行表示状态、列表示动作、值为回报;状态空间过大时需用神经网络近似
  • face_mod.xml:训练人脸识别模型后得到的文件,保存了人脸特征与身份之间的对应关系
  • haarcascade_frontalface_default.xml:OpenCV 自带的人脸检测模型文件,用于自动选取照片中的人脸部分
  • pyttsx3:生成语音的编程库,音质一般但速度快,适合对及时性要求高于音质的播报场景
  • 人脸识别三步骤:提取特征、建立模型、识别身份;与人类认脸的过程相对应
  • 价值评估:对棋谱每一步打分:可下位置初值 0,获胜位置 +100、失败方 −100,前一步 ±10,前两步 ±1
  • 全连接层:整合卷积层提取的特征并映射为类别概率的层,本课为 fc1 输出 128 个特征、fc2 输出 10 个类别
  • 决策树推荐:通过一系列判断条件逐步缩小范围并给出推荐结果,判断链条清晰、可解释性强
  • 准确率:模型在测试数据中正确识别的比例,数值越高越好,与损失共同用于评估学习效果
  • 单层人工神经网络:输入层接距离、温度、同伴数、天气、风力等特征,输出层给出步行、骑行、坐车,靠训练调整参数
  • 卷积层:人工神经网络中负责从图像自动提取边缘、形状等特征的层,本课网络含一个卷积层 conv
  • 奖励机制:本课设定:每帧未碰撞 +0.01、穿过管道 +1、碰撞 −1,属于典型的密集奖励
  • 强化学习:智能系统通过与环境交互,按反馈调整行为,使长期累积奖励最大的机器学习方式
  • 得分表:遍历大量棋谱后得到的「状态→各剩余位置得分」表,对弈时查表选高分格落子,是 Q 表的雏形
  • 扁平化:把二维坐标转成一维数字序列,信息不丢失、只是数据结构变化,既未压缩也未做特征选择
  • 抽象建模:把现实中的棋盘、下棋过程等转换成数字表示,是让智能工具接手问题的第一步
  • 损失:模型预测结果与真实标签之间的差距,数值越低越好,最低为 0
  • 探索与利用:训练初期高概率随机试错以广泛收集反馈,随后逐步转为按模型预测决策,两者缺一不可
  • 探索率:随机选择动作的比例,教材举例初始 80%,随训练轮次按策略逐步降低
  • 数据准备五步:收集数据、整理数据、清洗数据、分析数据、构建数据集,环环相扣,是高质量推荐的前提
  • 数据清洗:去除重复、错误或不完整的数据,确保数据的准确性和一致性
  • 智能环境播报助手:获取图像 → 描述图像内容 → 转语音 → 播报,帮助视障人士感知周围环境的综合系统
  • 棋谱数字化:用 1 到 9 表示棋盘格子,按落子顺序排列成数字序列;因双方交替行棋,奇偶步已隐含棋手,无须额外标注
  • 灰度图:把彩色图像转成黑白,避免颜色干扰,让皱纹、五官位置等关键特征在明暗对比下更明显
  • 结构化数据集:把原始信息按等级划分组织成模型可训练的格式,通常每列有清晰字段名,保存为 CSV
  • 规则库:把人类专家经验整理成规则并编程实现,是早期实现人工智能的核心思想,面对复杂问题会因规则爆炸而失效
  • 过拟合:训练持续改善但验证停滞甚至倒退,说明模型学到的是特例而非通用规律
  • 阈值分级:把距离、温度等连续变化的因素按阈值划分成近中远、寒冷适宜炎热等等级,便于建模

各单元知识图谱

各单元知识图谱

由各单元结构化提炼中的 knowledge_graph 汇总而成,用 Mermaid 绘制。
看不清时可在网页上左右滑动,或对照单元笔记阅读。

第 1 单元 · 走进人工智能

本单元是全册的入门单元,回答「人工智能是什么、从哪来、有几种实现路子、靠什么撑起来」四个问题,为后面学习生成、推理与项目实践打底。

graph TD A[人工智能 模拟人类智力活动] --> B[从哪来] A --> C[怎么实现] A --> D[靠什么支撑] B --> B1[1950 图灵测试] B --> B2[1956 达特茅斯会议] B --> B3[六阶段发展 起步到蓬勃] B3 --> B4[2012 AlexNet] B3 --> B5[2016 AlphaGo] B3 --> B6[2020 大模型加生成式] C --> C1[符号主义 模拟功能] C --> C2[连接主义 模拟结构] C --> C3[行为主义 模拟行为] C1 --> C4[知识图谱 规则推理] C2 --> C5[人工神经网络] C5 --> C6[训练 模型 推理] C3 --> C7[强化学习 试错反馈] D --> D1[数据 养料] D --> D2[算力 底座] D --> D3[算法 方法] D3 --> D4[误差反向传播] D1 --> E[瓶颈 数据稀缺与边际递减] D2 --> E D3 --> E

第 2 单元 · 文本的智能生成

本单元讲清机器是怎么「写字」的:从切词、统计共现预测下一个词,到用向量表示语义、用注意力抓住重点,再到多角度审核与参数数据控制。

graph TD A[文本的智能生成] --> B[切词] B --> B1[token 记号与词元] B --> B2[分词 人靠理解 机器靠统计] B --> B3[BPE 自动构建词表] A --> C[预测下一个词] C --> C1[前文影响后文] C --> C2[共现次数统计] C --> C3[归一化成概率] C --> C4[自回归 逐词接龙] A --> D[表示语义] D --> D1[词向量 语义编码] D --> D2[动态编码 处理多义词] D --> D3[文本编码 平均或加权] D --> D4[相似度 距离与余弦] A --> E[抓住重点] E --> E1[注意力机制] E --> E2[注意力分布 权重] E --> E3[Transformer 架构] A --> F[质量控制] F --> F1[多角度审核 长度安全风格] F --> F2[温度参数 多样与稳定] F --> F3[训练数据 质量与规模]

第 3 单元 · 图像、声音与视频的智能生成

本单元把生成能力从文本扩展到图像、声音与视频:先讲图像特征与卷积,再讲风格迁移、对抗与扩散两种生成方式、图文语义对齐,最后落到音视频生成与其伦理法规风险。

graph TD A[图像声音视频的智能生成] --> B[看懂图像] B --> B1[图像特征 形状纹理颜色边缘] B --> B2[卷积 小窗口滑动计算] B --> B3[浅层边缘 深层语义] B --> B4[相似度与以图搜图] A --> C[风格迁移] C --> C1[内容与风格分离] C --> C2[多风格权重融合] C --> C3[著作权争议] A --> D[凭空生成图像] D --> D1[对抗生成 生成对判别] D --> D2[扩散生成 加噪与回推] A --> E[文字与图像对齐] E --> E1[图文语义对齐] E --> E2[以文搜图] E --> E3[以文生图] E --> E4[多模态] A --> F[声音与视频] F --> F1[合成波形与TTS与大模型] F --> F2[图像扩展与时序建模] F --> F3[关键帧与中间帧] A --> G[伦理与法规] G --> G1[著作权与用户协议] G --> G2[肖像权与虚假信息]

第 4 单元 · 智能推理的应用

本单元讲机器怎么「推理」:决策树逐层提问、知识图谱顺关系推导、分类按已知类别归、聚类自动分组,最后看清会思考的推理模型的能力与边界。

graph TD A[智能推理的应用] --> B[决策树] B --> B1[根节点 分支节点 叶节点] B --> B2[关键特征与区分度] B --> B3[信息增益与基尼指数] B --> B4[专家系统 知识库加推理引擎] A --> C[知识图谱] C --> C1[节点与边 数据结构] C --> C2[父母与配偶基本关系] C --> C3[规则组合推导亲属关系] C --> C4[人工整理到自动提取] A --> D[分类] D --> D1[已知类别 比较特征] D --> D2[相似度与欧氏距离] D --> D3[文本图像邮件音乐分类] A --> E[聚类] E --> E1[无标准 按特征分组] E --> E2[无监督学习] E --> E3[K均值 层次 DBSCAN] E --> E4[分组数量影响结果] A --> F[会思考的推理模型] F --> F1[思维链 展示推导] F --> F2[烦琐与不选优解] F --> F3[机器幻觉] F --> F4[数学运算模拟 非真实推理]

第 5 单元 · 智慧社会与智能向善

本单元把视角从技术拉到社会:讲智慧社会的形态与数据安全、智能创新的协作与自主可控、数据驱动的治理及其六大忧虑,最后落到智能向善与伦理责任。

graph TD A[智慧社会与智能向善] --> B[智慧社会形态] B --> B1[互联互通 自动判断 主动服务] B --> B2[使用服务到信息留存到推荐] B --> B3[合理授权 谨慎分享] A --> C[智能创新] C --> C1[科研机构 企业 政府协作] C --> C2[芯片 操作系统 算法框架] C --> C3[自主可控] C --> C4[企业社会责任] A --> D[智能治理] D --> D1[数据驱动 用数据决策] D --> D2[农田 交通 灾害预警] D --> D3[群体行为预测] D --> D4[建议作为参考加人工判断] A --> E[六大忧虑] E --> E1[数据安全与隐私] E --> E2[技术依赖隐患] E --> E3[算法偏见与公平] E --> E4[成本与普及] E --> E5[责任归属] E --> E6[环境与能耗] A --> F[智能向善] F --> F1[以人为本 问该不该] F --> F2[多模态识别与无障碍] F --> F3[职业冲击与能力准备] F --> F4[政府企业个人三方合力]

第 6 单元 · AI项目工坊

全册的综合实践单元(选修)。前面五个单元解决了「人工智能是什么、能做什么、有什么影响」,本单元要回答「一个 AI 项目到底怎么做出来」——用六个完整项目,把问题分析、数据准备、模型训练、系统实现、展示反思这条链路走一遍,让学生从「知道」走到「做到」。

graph TD A[AI项目工坊 做项目的通用流程] --> B[问题识别与需求分析] A --> C[数据准备] A --> D[训练模型] A --> E[系统实现] A --> F[展示与反思] B --> B1[把现实问题翻译成数据与流程] C --> C1[收集 整理 清洗 分析 构建数据集] C1 --> C2[连续因素按阈值分级] D --> D1[井字棋 棋谱价值评估] D --> D2[决策树推荐 可解释] D --> D3[人工神经网络推荐] D --> D4[人脸识别 训练到调用] D --> D5[手写数字识别 卷积加全连接] D --> D6[强化学习 玩游戏] D1 --> D7[状态到位置得分表 即Q表雏形] D5 --> D8[MNIST 60000训练 10000测试 28乘28] D5 --> D9[输入784节点 输出10节点] D5 --> D10[损失与准确率 警惕过拟合] D6 --> D11[奖励机制 每帧0点01 过管道1 碰撞负1] D6 --> D12[探索与利用 探索率逐步衰减] D6 --> D13[DQN 神经网络逼近Q表] E --> E1[摄像头 服务器 手机协同] E --> E2[图像描述 语音生成 Base64传输] F --> F1[负责任地使用人工智能]
九年级全一册 - 人工智能与智慧社会

ch01 - 走进人工智能

notes

这一章在讲啥?用一句话告诉你:人工智能不是魔法,它是「用数据喂、用算力跑、用算法学」出来的;而这个单元要先搞清楚它是什么、从哪来、有几种实现路子、靠什么撑起来。看完你会明白,为什么同样一个模型,换个数据集、换个显卡,结果就完全不一样。

📝 课前小测

先做 3 道简单题,看看你对人工智能了解多少。做完再看笔记,印象会深很多。

Q1. 人工智能这一术语正式提出、标志学科诞生,是在哪一年的哪次会议上?

  • A. 1950 年,图灵发表《计算机器与智能》
  • B. 1956 年,达特茅斯会议
  • C. 1997 年,深蓝战胜国际象棋世界冠军
  • D. 2016 年,AlphaGo 击败围棋世界冠军
看答案 **答案**:B **解析:**1950 年图灵提出「机器能否思考」并设计图灵测试,但当时还没用「人工智能」这个词;1956 年的达特茅斯会议才正式提出人工智能(AI)这一术语,标志学科诞生。1997、2016 都是后来的标志性事件。

Q2. 教材里人工智能有三种主要实现方式。其中「模仿人脑神经元的连接方式、靠大量数据训练」的是哪一种?

  • A. 符号主义
  • B. 连接主义
  • C. 行为主义
  • D. 结构主义
看答案 **答案**:B **解析:**连接主义主张模拟结构,典型成果是人工神经网络,靠大量数据训练不断调整内部参数;符号主义是模拟功能(规则与逻辑,典型代表知识图谱),行为主义是模拟行为(试错与奖励,典型代表强化学习)。

Q3. 关于「数据量越大,模型就越好」,教材的观点是?

  • A. 数据量越大准确率越高,没有上限
  • B. 一开始准确率显著上升,到一定水平后提升越来越小,最终几乎不再提升
  • C. 数据量与准确率无关
  • D. 数据量越大反而越差
看答案 **答案**:B **解析:**教材明确说:开始训练时增加数据准确率显著上升,到一定水平后提升效果逐渐下降,最终再怎么加数据也难以提升性能。这就是所谓的边际递减,也是当前人工智能的瓶颈之一。

一、人工智能就在身边,而且已经铺开了

Q:人工智能到底出现在哪些地方?

答:先说身边的:扫地机器人自动规划路径、农业无人机识别病虫害并精准施药、餐厅和小区的送货机器人、能自动泊车的智能汽车、拍照识花的物体识别软件、能给唱歌打分的练习软件。再说行业里的,教材逐个列了六块:

领域 人工智能干了什么 带来什么
农业 分析土壤、气候数据做精准灌溉施肥,用图像识别监测长势与病虫害 提高产量与资源利用率
工业 智能调度、故障预测,机器人在危险环境焊接装配 提升效率、降低次品率
教育 学习分析提供定制化内容,智能批改作业 因材施教、教学更有针对性
科研 快速筛选潜在研究材料,数据挖掘辅助发现与预测 加速科研进程
交通 优化红绿灯控制,辅助驾驶,物流路线规划 缓解拥堵、提升安全
医疗 医学影像识别辅助诊断,疾病风险预测,加速药物研发 提高准确率与效率

举例:你拍照识花,背后是图像识别;天气预报越来越准,背后是大量数据加模型。教材还提到了我国的一项代表性成果——华为昇腾芯片,它是我国自主研发的高性能人工智能芯片,用在图像识别、语音处理、自动驾驶等领域。同时也要看到挑战:教材直言我国仍面临核心技术「卡脖子」的问题,如高端芯片依赖进口、基础算法源自国外。

Q:人工智能会不会犯错?

答:会,教材专门提醒要引导学生讨论它的不足。用它生成的东西必须自己过一遍——尤其是让它写代码时,人工引导和审核是不可或缺的。

举例:让它写一段演示星体运动的程序,跑起来可能报错。这时候正确的做法不是重生成一遍碰运气,而是自己去看错在哪、改掉它。教材说得很直白:这恰恰能练批判性思维。


二、什么是人工智能?先把定义和时间线钉住

Q:人工智能的定义怎么说?

答:教材引了《现代汉语词典(第 7 版)》的说法,最适合初中生理解:人工智能简单说就是利用计算机模拟人类智力活动。

Q:那它的发展经历了哪几步?

答:教材划分了六个阶段,记标志性事件比背年份更牢:

阶段 时间 发生了什么
起步发展期 1956 — 60 年代初 机器定理证明、跳棋程序,机器学习与神经网络雏形出现
反思发展期 60 — 70 年代初 目标过于乐观,任务接连失败,研发进入低谷
应用发展期 70 年代初 — 80 年代 专家系统走向实用,1972 年医疗诊断系统 MYCIN
低迷发展期 80 年代中 — 90 年代中 人工编写规则暴露知识获取难、迁移差,硬件受限
稳步发展期 90 年代中 — 2010 年 互联网推动实用化,1997 年「深蓝」战胜国际象棋世界冠军
蓬勃发展期 2011 年至今 2012 年 AlexNet、2016 年 AlphaGo、2020 年前后转向「大模型+生成式」

举例:2020 年前后是一个真正的分水岭——人工智能从「小模型+判别式」转向「大模型+生成式」,主流研究从人脸识别、目标检测,变成了生成文本、图像、语音、视频。你今天用的生成式工具,就是这一转向的产物。教材还提到 2025 年我国研究者发布的开源 DeepSeek-R1 模型采用了自主研发的 MoE(混合专家)架构:把大任务拆给不同的「专家」,再由一个「协调员」分配,从而在显著降低算力消耗的同时保持能力。

Q:图灵测试是什么?它靠谱吗?

答:1950 年图灵在论文《计算机器与智能》里提出「机器能否思考」,并设计了图灵测试:让测试者同时与人类和机器进行文本对话,如果充分交流后测试者分辨不出哪个是人类,这台机器就算通过测试。

举例:它聪明的地方在于绕开了「机器有没有意识」这种说不清的问题,转而看外部表现是否与人无差异。但它也有争议——现在的人工智能已经能在特定领域对话中「骗」过人类,可人们并不因此认为它真正拥有智能。能模仿对话,不等于真正理解。


三、三种实现方式:模拟功能、模拟结构、模拟行为

Q:哪三种?一句话怎么区分?

答:教材给了很清楚的三分法:

实现方式 主张 典型代表 长处 短板
符号主义 模拟功能:用规则与逻辑模拟思维 知识图谱 推理链清晰、可解释 面对复杂多变的现实不够灵活
连接主义 模拟结构:模仿人脑神经元连接 人工神经网络 能从大量数据中自己学规律 依赖数据与算力
行为主义 模拟行为:靠试错与反馈改进 强化学习 不需要明确指令,能自主学复杂行为 训练过程复杂

举例:符号主义就像照着家谱推关系——教材给的例子是「公交车爆胎 → 公交车晚点 → 小明迟到 → 老师批评小明」这样一条清晰的链;行为主义则像教机器人学走路,摔了就扣分、走稳了就加分,慢慢自己琢磨出步态。

Q:连接主义里那几个词——训练、模型、推理,到底指什么?

答:三个词串起来就是一条流水线:

  • 训练:让人工神经网络从大量数据中学习并发现规律,过程中不断调整内部参数。
  • 模型:训练结束后,这个神经网络就成了一个可用的模型。
  • 推理:用这个模型处理新的输入并输出结果。

举例:教材的类比特别好——训练像你大量阅读积累知识,模型像已经掌握技能的人,推理像拿着新题目去考试答题。参数量也好理解:教材里的体验软件第一层 15 个输入节点接 5 个输出节点是 15×5=75 个参数,第二层 5×10=50 个,共 125 个。而实际使用的深度神经网络可能有几十上百层、十亿百亿甚至更多参数。

Q:三种方式谁最厉害?

答:教材的结论是正在融合。单一路线都有局限,符号主义、连接主义、行为主义正在结合起来,形成更强大的系统。


四、技术基础:数据、算力、算法这「三件套」

Q:为什么说是三件套?各自管什么?

答:教材把它们称为人工智能的三大核心技术基础:

  • 数据是养料:智能系统靠大量数据训练,数据越多样、质量越高,学得越好。数据规模小容易「学得不全」,分布不均容易「学偏了」。
  • 算力是底座:处理海量数据、训练复杂模型都需要极高算力。算力决定了技术探索的边界。
  • 算法是方法:先进算法一直影响技术进步。教材重点讲了误差反向传播——它把人工调参数的工作全部交给机器完成,才让参数量巨大的模型训练成为可能。

举例:教材里有个体验活动说得特别形象——让你手动去点开神经网络的连接参数一个个改,改到能识别数字,几乎不可能;点「开始训练」,参数自己刷刷地变,几百轮(教材给的参考是 200 到 300 轮)之后准确率就上去了。这就是算法的价值。

Q:这三条路各自有没有天花板?

答:有,教材专门列了当前瓶颈:单纯增加数据对智能水平的提升效果在减弱;高质量数据日益稀缺;高算力需求带来巨大能耗压力。对应的探索方向是小样本学习与自监督学习、更高效的轻量化模型、类脑计算与量子计算,以及「绿色 AI」。

举例:你训练一个猫狗识别模型,小数据集时准确率低,换大数据集后明显上升,但再往上加,提升就越来越小了。这个「越加越没用」的拐点,正是今天整个行业在想办法突破的地方。

记住这一句话就够了

人工智能是用计算机模拟人类智力活动:1956 年达特茅斯会议立名,走过六起五落,靠符号主义(规则)、连接主义(神经网络)、行为主义(强化学习)三条路实现,而撑起它的是数据(养料)、算力(底座)、算法(方法)这三件套——三者缺一不可,且都还各自的瓶颈要突破。

question bank

第 1 单元 · 走进人工智能 · 题目库

对应章节:第 1 单元 走进人工智能(第 1—4 课)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 30 分钟


B 档 · 选择题

B1. 人工智能这一术语正式提出、标志学科诞生,是在?

  • A. 1950 年图灵发表《计算机器与智能》
  • B. 1956 年的达特茅斯会议
  • C. 1972 年 MYCIN 医疗诊断系统推出
  • D. 1997 年「深蓝」战胜国际象棋世界冠军

答案:B
解析:教材写明,1956 年的达特茅斯会议上人工智能(artificial intelligence,AI)这一术语被正式提出,标志着人工智能学科的诞生。1950 年是图灵提出「机器能否思考」与图灵测试;1972 年和 1997 年分别是后面两个阶段的标志性事件。

B2. 关于图灵测试,下列说法正确的是?

  • A. 由达特茅斯会议提出,用于测量机器的运算速度
  • B. 由计算机科学先驱图灵提出,测试者同时与人类和机器进行文本对话,若分辨不出哪个是人类,机器即通过测试
  • C. 只要机器能下赢人类棋手,就算通过图灵测试
  • D. 通过图灵测试就意味着机器拥有了真正的意识和理解

答案:B
解析:教材说明图灵测试由图灵提出,过程是让测试者同时与人类和机器进行文本对话,经过充分交流后若测试者无法准确分辨,机器即通过测试。教材同时指出该测试存在争议:机器能模仿对话,并不意味着真正理解。下棋能力属于专项能力,与图灵测试无关。

B3. 下列关于人工智能发展历程的阶段与标志性事件,对应错误的是?

  • A. 起步发展期——机器定理证明、跳棋程序
  • B. 应用发展期——专家系统走向实用,1972 年医疗诊断系统 MYCIN
  • C. 稳步发展期——1997 年超级计算机「深蓝」战胜人类国际象棋世界冠军
  • D. 蓬勃发展期——1972 年 MYCIN 系统推出

答案:D
解析:MYCIN 属于应用发展期(20 世纪 70 年代初—80 年代)的成果;蓬勃发展期(2011 年至今)的标志是 2012 年 AlexNet 在视觉识别挑战赛中取得压倒性优势、2016 年 AlphaGo 击败围棋世界冠军,以及 2020 年前后转向「大模型+生成式」。

B4. 教材指出,2020 年前后人工智能发生了什么重要转向?

  • A. 从「大模型+生成式」转向「小模型+判别式」
  • B. 从「小模型+判别式」转向「大模型+生成式」,主流研究转向文本、图像、语音、视频等内容的生成
  • C. 从人工神经网络转向专家系统
  • D. 从强化学习转向符号主义

答案:B
解析:教材原文是「2020 年前后,人工智能从『小模型+判别式』转向『大模型+生成式』,主流研究从人脸识别、目标检测等,转换为文本、图像、语音、视频等内容的生成」,生成式人工智能成为研究热点。方向不能说反。

B5. 主张「用规则和逻辑来模拟思维」、以知识图谱为典型代表的是?

  • A. 符号主义
  • B. 连接主义
  • C. 行为主义
  • D. 结构主义

答案:A
解析:教材说明符号主义主张用规则和逻辑模拟思维,典型代表是知识图谱,可通过「公交车爆胎→晚点→迟到→被批评」这样的事件链推导。连接主义模拟结构(人工神经网络),行为主义模拟行为(强化学习)。

B6. 关于训练、模型、推理三个概念,下列说法正确的是?

  • A. 训练是用模型处理新数据,推理是让网络学习规律
  • B. 训练是让人工神经网络从大量数据中学习并调整内部参数,训练结束后得到模型,用模型处理新输入并输出结果叫推理
  • C. 模型和推理是同一件事的两种说法
  • D. 推理过程会重新调整模型的全部参数

答案:B
解析:教材定义明确:让人工神经网络从大量数据中学习并发现规律的过程称为训练;训练结束后网络成为可用模型;利用模型对新的输入信息进行处理并输出结果称为推理。推理是使用模型,不改变训练结果。

B7. 教材中人工神经网络体验软件的两层结构为:第 1 层 15 个输入节点接 5 个输出节点,第 2 层 5 个输入节点接 10 个输出节点。它的参数总数是多少?

  • A. 75 个
  • B. 50 个
  • C. 125 个
  • D. 150 个

答案:C
解析:教材给出的参考答案是 15×5=75、5×10=50、75+50=125,共 125 个参数。之所以要算这个,是为了让人直观感受「参数量」这个概念——实际使用的深度神经网络可能有几十上百层、十亿百亿甚至更多参数。

B8. 关于数据、算力、算法三者的作用,下列说法正确的是?

  • A. 数据是养料,算力是底座,算法是方法,三者共同构成人工智能的技术基础
  • B. 只要数据足够多,算力和算法就不重要
  • C. 算力可以无限提升,不受能耗限制
  • D. 算法只影响训练速度,与模型性能无关

答案:A
解析:教材把数据、算力和算法称为支撑人工智能发展的三大核心技术基础:数据驱动学习,算力支撑海量计算并决定技术探索的边界,算法(如误差反向传播)实现参数的自动调整。教材还指出高算力需求带来巨大能耗压力,说明算力并非可无限提升。

B9. 关于数据量与模型准确率的关系,符合教材表述的是?

  • A. 数据量越大准确率越高,且提升幅度始终不变
  • B. 开始阶段准确率显著上升,到一定水平后提升效果逐渐下降,最终再增加数据也难以提升
  • C. 数据量与准确率无关,只取决于算法
  • D. 数据量越大越容易导致过拟合,因此数据越少越好

答案:B
解析:教材明确指出:刚开始训练时,随着训练数据集增大模型准确率显著上升;上升到一定水平后,增大数据量带来的提升效果会逐渐下降;最终无论怎么增加数据量,也难以提升模型性能。

B10. 关于误差反向传播算法,下列说法正确的是?

  • A. 它是人工手动调整参数的一种操作规范
  • B. 它把人工调整参数的工作全部交给机器完成,使参数量巨大的模型训练成为可能
  • C. 它只能在专家系统中使用
  • D. 它属于符号主义的典型方法

答案:B
解析:教材说明误差反向传播是目前训练人工神经网络的核心算法之一,它将人工调整参数的工作全部交由机器完成,从而使参数量巨大的模型训练成为可能。它属于连接主义路线下的训练算法,不是符号主义或手工操作。


A 档 · 教材原题

核心考点:A1 = 身边的人工智能应用;A2 = 我国人工智能成果与挑战;A3 = 理解人工智能的多视角;A4 = 群体智能;A5 = 人工智能发展瓶颈

A1. 第 1 课 学习活动 2

回顾日常生活使用过的人工智能应用。
1. 你接触过下面的人工智能应用吗?如果接触过,请打上勾,并跟小组同学交流使用体会。
□扫地机器人:能自动规划路径并清扫全屋。□无人机:具备农田病虫害识别与精准施药功能。□餐厅里的机器人:可以送菜。□送货机器人:能像快递员一样配送商品。□智能汽车:能帮驾驶员完成停车等任务。□物体识别软件:支持识别拍摄的物体,如花卉等。□唱歌练习软件:能对歌唱效果进行评估,可以用来练习或娱乐。
2. 除了上面罗列的条目,你还在什么场景中接触过人工智能?请简要记录下来。

答案:开放题,思路框架:① 勾选部分如实作答,交流时侧重「它替人做了什么、原来怎么做、现在怎么做」;② 补充场景可从出行(导航、刷脸进站)、学习(翻译、作文批改、错题整理)、居家(智能音箱、空调自动调节)、娱乐(短视频推荐、音乐生成)等方向举例;③ 最好能说出一项应用背后的技术类型(图像识别、语音识别、推荐等)。教材还提醒:对勾选较少、不太熟悉的同学,可先讨论「待体验的人工智能应用」,通过交流增加感性认识。

A2. 第 1 课 拓展与提升

近年来,我国在人工智能领域取得了许多重要成就,智慧城市、智能医疗、智能交通等已广泛应用于社会生活。请通过网络搜索和人工智能辅助等方式,收集我国在人工智能领域取得的成果,并完成以下任务:
·选择一项我国在人工智能领域的代表性成就,简要介绍并说明其在实际生活或产业发展中的应用价值。
·如果你可以利用人工智能技术开展一个研究项目,你想解决什么问题?为什么选择这个问题?
·你认为当前我国人工智能发展面临哪些挑战?请列举一项并简要说明理由。

答案:教材给出的参考答案如下:① 代表性成就——华为昇腾芯片是我国自主研发的高性能人工智能芯片,应用于图像识别、语音处理、自动驾驶等领域,打破了国外技术垄断,提升了我国人工智能产业的竞争力;② 研究项目举例——基于人工智能的校园垃圾分类系统利用图像识别技术,帮助学生准确识别垃圾种类,提高分类效率,推动环保理念普及(也可自选问题,关键说清「解决什么」和「为什么选它」);③ 挑战——我国仍面临核心技术「卡脖子」的问题,如高端芯片依赖进口、基础算法源自国外,影响人工智能产业的独立创新;只有突破这些瓶颈,才能实现从跟随到引领的转变,实现自主可控。

A3. 第 2 课 拓展与提升

以下是从不同视角形成的对人工智能的理解(表 2.1):
| 视角 | 简要说明 |
|---|---|
| 系统 | 人工智能是信息系统,负责接收、处理和输出数据 |
| 工具 | 人工智能是延伸人类能力的工具,人机协同至关重要 |
| 成长 | 人工智能需要通过持续「喂养」数据和优化算法,使其能力不断增长 |
| 集成 | 人工智能由数据、算法、算力等要素像积木般搭建而成,技术集成至关重要 |
| 镜像 | 人工智能是人类智慧的反射,决定机器实现创造或展示局限的关键,在于人类对计算结果的解读 |

你觉得哪种理解最接近自己的看法?记录自己对人工智能的理解。

答案:开放题,思路框架:① 先选一个视角并说明理由,如选「工具」——因为它放大的是人的能力,关键在用的人怎么用;② 最好能举一个自己的生活例子支撑,如从系统视角讲智能音箱如何接收语音指令并回应,从成长视角对比不同版本智能助手的能力变化;③ 教材提示:不同理解均有其合理性,重点是多视角分析问题的能力,避免陷入技术细节,并鼓励建立技术与人文相结合的思考框架。

A4. 第 3 课 拓展与提升

为缓解城市交通拥堵,科研人员正在研究一种新的智能调度系统。该系统借鉴了自然界中的群体智能现象,如蜂群和鱼群的协作行为,使每一辆车都具备一定的感知与决策能力,成为一个「智能体」。这些车辆通过与其他车辆、交通信号灯和道路传感器实时共享信息,协同调整行驶路线和速度,在没有中央控制的情况下实现车流的高效运行。
借助人工智能工具了解以下问题:
·什么是群体智能?它与个体智能有什么不同?
·举例说明自然界中有哪些生物表现出群体智能行为?
·你认为群体智能在现实生活中有哪些应用价值?

答案:教材参考答案如下。① 群体智能是指由多个简单个体通过局部交互、协同合作而表现出的集体智能行为;它不同于个体智能,不依赖单一「聪明」的个体,而是通过群体成员之间的互动实现复杂任务目标。② 自然界例子:蚂蚁通过信息素共同寻找搬运食物的最短路径,蜜蜂通过摇摆舞共同寻找新巢穴,鸟群在飞行中保持队形以避免碰撞,鱼群协同游动以躲避天敌。③ 应用价值:广泛应用于交通调度、物流路径优化、无人机编队、机器人协作、网络路由优化等领域,可有效提升系统效率与自适应能力。

A5. 第 4 课 拓展与提升

随着人工智能技术的不断发展,科研人员借助强大算力和先进算法,不断基于海量数据训练模型,使人工智能的能力持续提升。然而,在这一过程中也暴露出越来越多的问题。例如,单纯增加数据量对智能水平的提升效果逐渐减弱,高质量数据日益稀缺,高算力需求带来巨大能耗压力。
假如你是科技报社的一名小记者,正在策划一篇关于「人工智能发展瓶颈」的专题报道。尝试查阅相关资料,介绍相应的问题和可能的解决方案。

答案:教材参考答案如下。问题:单纯增加数据量对智能水平的提升效果逐渐减弱;高质量数据日益稀缺;高算力需求带来巨大能耗压力。可能的解决方案:发展小样本学习与自监督学习技术,以减少对大量标注数据的依赖;设计更高效的轻量化模型,降低算力需求;尝试类脑计算与量子计算等新型计算方式,提高运算效率;同时倡导「绿色 AI」,推动更加环保、可持续的技术发展路径。答题时可用「问题—方案」一一对应的方式组织,并加上自己的一句评论。


C 档 · 简答题

C1. 请按时间顺序写出教材划分的人工智能发展的六个阶段,并为每个阶段配一个标志性事件或成果。

答案:① 起步发展期(1956 年—20 世纪 60 年代初):人工智能概念提出后取得一批成果,如机器定理证明、跳棋程序,机器学习与人工神经网络的雏形出现;② 反思发展期(20 世纪 60 年代—70 年代初):目标过于乐观,任务接连失败、预期落空,研发进入低谷;③ 应用发展期(20 世纪 70 年代初—80 年代):专家系统模拟人类专家知识解决特定领域问题,如 1972 年推出的医疗诊断系统 MYCIN,人工智能从理论走向应用;④ 低迷发展期(20 世纪 80 年代中—90 年代中):依赖人工编写规则暴露出知识获取困难、迁移能力差,加上硬件条件有限,研究陷入低潮;⑤ 稳步发展期(20 世纪 90 年代中—2010 年):互联网推动实用化,1997 年超级计算机「深蓝」战胜人类国际象棋世界冠军;⑥ 蓬勃发展期(2011 年至今):深度神经网络飞速发展,2012 年 AlexNet 在视觉识别挑战赛取得压倒性优势,2016 年 AlphaGo 击败围棋世界冠军,2020 年前后转向「大模型+生成式」。

C2. 用自己的话说明人工智能三种实现方式的区别,并各举一个生活中的例子。

答案:① 符号主义(模拟功能):主张用规则和逻辑模拟思维,典型代表是知识图谱。例:根据「公交车爆胎→公交车晚点→小明迟到→老师批评小明」这样的关系链推导出结论;优点是推理链清晰,缺点是面对复杂多变的现实问题不够灵活。② 连接主义(模拟结构):模仿人脑神经元的连接方式构建人工神经网络,靠大量数据训练调整内部参数。例:手写数字识别、猫狗识别,训练完成后得到模型,再对新图片做推理;③ 行为主义(模拟行为):通过试错与反馈不断改进,典型代表是强化学习。例:让机器人在不断尝试中根据地面情况调整步态和重心,走稳了给奖励、摔了给惩罚,逐步学会稳定行走。教材还指出,三种方式各有局限,正在逐步融合。

C3. 什么是图灵测试?它有什么意义,又存在什么争议?请结合教材内容谈谈你的看法。

答案:图灵测试由图灵在 1950 年的论文《计算机器与智能》中提出,过程是让一个测试者同时与人类和机器进行文本对话,经过充分交流后,如果测试者无法准确分辨哪个是人类、哪个是机器,那么这台机器就算通过了图灵测试。意义:它把「机器是否有智能」这个抽象问题转化成了一个可操作的实验,从行为主义视角把「智能」定义为「功能等效性」,不必纠缠于意识、理解等难以界定的概念,深刻影响了人工智能的实证研究方向。争议:即使机器能模仿对话,也不意味着它真正理解;教材明确指出,现在的人工智能已经能在特定领域的对话中「骗」过人类,但人们并不认为这些系统真正拥有智能。看法可围绕「外部表现不等于内在理解」「测试只能作为参考而非最终判据」展开,言之成理即可。


D 档 · 综合实践

D1. 做一次「图灵测试模拟」并写一份实验报告。

任务:在教师组织下用配套资源开展图灵测试模拟,亲身体会「机器能不能以假乱真」,并讨论通过测试是否等于拥有智能。

建议步骤:

  1. 分组与角色:选出 1 名测试者、1—4 名被测试者;准备 1 台计算机作为服务器。
  2. 搭建环境:在服务器上启动《图灵测试服务器》软件,按教师提示调整端口号、配置参数;被测试者运行《图灵测试-被测试者》软件,输入 IP 地址、端口号和连接密码连接服务器;测试者运行《图灵测试-测试者》软件同样连接。
  3. 关键规则:服务器会随机把某个人工智能客户端替换为人类用户客户端;被测试者的身份信息在活动期间必须严格保密,尤其不能让测试者知晓,以保证公平。
  4. 开始测试:测试者单击「开始测试」,输入问题并发送;被测试者回答后测试者收到回复。多轮问答后,测试者判断哪些编号对应的是人工智能参与者,并记录结果。
  5. 反思:活动过程中能否准确识别出人工智能参与者?产生该结果的原因是什么?你认为参与测试的智能程序拥有真正的智能吗?理由是什么?
  6. 报告:整理成实验报告,包括实验目的、环境与角色分工、问答记录(摘 3—5 轮)、判断结果、原因分析、你的结论。

评估要点:

  • 操作规范:是否正确配置端口与密码,是否遵守身份保密规则;
  • 记录完整:是否保留有代表性的问答片段和判断结果;
  • 分析有据:能否从「语言风格、回答是否过于完美、是否回避专业问题」等角度说明判断依据;
  • 思辨深度:能否区分「通过测试」与「真正拥有智能」,并说清图灵测试的局限。

答案(参考结论方向):多数情况下,人工智能参与者的回答可能「过于标准」「不会说不知道」「风格前后一致」,而人类回答更口语化、会打错字、会主动开启新话题——这些线索都可能成为识别依据。但更重要的是结论:即使机器在对话中以假乱真,也只是说明它的外部表现与人类无差异,并不等于它真正理解了自己说的话,这正是图灵测试饱受争议的原因。

九年级全一册 - 人工智能与智慧社会

ch02 - 文本的智能生成

notes

这一章在讲啥?用一句话告诉你:机器写东西,本质就是「猜下一个词」——先把句子切成词,再靠统计和概率往下接,用词向量表示意思、用注意力抓住重点,最后还得有人管着。看完你会明白,为什么同一个问题问两遍答案不一样,也为什么它有时候会一本正经地胡说。

📝 课前小测

先做 3 道简单题,看看你对「机器怎么写字」了解多少。做完再看笔记,印象会深很多。

Q1. 人工智能处理中文的基本单位,教材里称为?

  • A. 单个汉字
  • B. 记号(token),日常称词或词元
  • C. 一个完整的句子
  • D. 一个段落
看答案 **答案**:B **解析:**教材说,卡片中的单字词、双字词、多字词可以视为模型处理自然语言的基本单位——记号,即 `token`,日常称词或词元。类比一下:计算机处理信息的基本单位是字节,模型处理语言的基本单位则是词。

Q2. 「南京市长江大桥」这个词,机器分词时靠什么决定切法?

  • A. 它真的读懂了这句话的意思
  • B. 靠统计和计算词语出现的可能性,选出概率最大的切法
  • C. 靠查字典
  • D. 靠问人
看答案 **答案**:B **解析:**教材明确说机器分词时并不是「理解」句子的意思,而是通过统计和计算词语出现的可能性来完成分词。教材把概率简化成「分数」,让你一步步比大小选出最优切分。

Q3. 使用大语言模型时把「温度」参数设为 0,多次问同一个问题,结果会怎样?

  • A. 每次都不一样的创意答案
  • B. 得到几乎相同、更稳定的回复
  • C. 模型拒绝回答
  • D. 模型开始胡编乱造
看答案 **答案**:B **解析:**教材说温度参数值越高生成结果越多样,越低则越稳定、重复;设为 0 后多次提问会得到几乎一样的回复。所以想要稳定复现就调低,想要创意就调高——但温度高也更容易偏离事实。

一、先切词:机器读中文,不是一个字一个字读

Q:那它是怎么读的?

答:先把文本切分成基本单位,这个过程就是分词。人分词靠语言能力,机器分词靠统计,结果还可能很不一样:

  • 切成适合人理解的词(如绘制词云时的词);
  • 切成子词,如 unhappy 分成 un / happy;
  • 切成字符,如「子/非/鱼/安/知/鱼/之/乐」。

这些都是人工智能需要的「词」。分词结果的条数,就是使用模型时消耗的 token 数——教材打了个很妙的比方:token 数可以类比成网络流量,输入和输出两个阶段都要算。

Q:词表从哪来?总不能人工一个个造吧?

答:确实不能。教材介绍的算法叫 BPE(字节对编码):从字符开始,不断找文本中相邻出现次数最多的字符组合,合并成一个新词,逐步扩展词表。

举例:教材的活动里,第一次迭代发现「人工」和「智能」各出现多次,就把它们合并;第二次迭代发现「人工智能」这个整体出现 2 次,再合并。机器全程不知道这些词是什么意思,纯粹靠数数——这就是「从数据里自己学」的意思。

Q:切的时候怎么决定边界?

答:把词的出现规律变成数值(教材简化成了「分数」),再反复推导,算出概率最大的切分方式。教材那个经典例子是「南京市长江大桥」:

候选切法 分数之和
南 + 京 (-10)+(-20) = -30
南京 -12
南京 + 市 (-12)+(-25) = -37
市 + 长江 (-25)+(-10) = -35

分数越高表示越可能出现,机器就一路比下去,最后得到「南京市/长江大桥」。注意它并不知道「长」字在「市长」和「长江」里读音含义完全不同,它只是算出来这样切概率最大。


二、再接龙:写文章就是猜下一个词

Q:凭什么能猜?

答:因为前文会影响后文。看到「小猫」,你几乎立刻选「奔跑」;看到「小鱼」,你选「游泳」。人工智能用的是同一套思路:统计相邻字词共同出现的次数,再据此预测。

举例:教材让学生手填一张共现次数表——行是前一个字、列是后一个字,交叉点上的数字是它们顺序出现的次数。表里「风起」「水流」这种高频组合就是诗句里的常见搭配;而大部分格子是 0,说明并不是所有字之间都有明显搭配关系。

实际使用时通常用概率而不是次数:比如「山」后面一共出现 2 次别的字,「深」和「声」各占 50%;「水」后面共 5 次,「流」占 40%,「远」「月」「空」各占 20%。把次数换算成比例这一步,叫归一化。

Q:那它懂古诗吗?

答:不懂。教材说得直白:这类模型只基于前后字的共现次数做预测,没有处理对仗、押韵、意象,所以生成的诗句往往语义不通、缺乏意境。今天的「大语言模型」之所以更强,是因为它主要靠人工神经网络捕捉字词间的复杂关系(知道「明月」和「玉盘」都指月亮,知道「春风」该配「温柔」而不是「凶猛」),但背后的预测思想是一致的:根据已有文字算下一个最可能出现的词。

举例:还有个更精妙的例子——「猫吃」「狗吃」。决定答案的是「猫」和「狗」,可它们和空格之间隔着「吃」。所以只看紧挨着的前一个词不够,得看更前面的词,这就是「基于前 n 个词预测第 n+1 个词」的思路。


三、意思怎么表示?把词变成坐标

Q:给每个词编个号不就行了吗?

答:不行。编号只能区分词,表现不出词义。「迅速」和「迅捷」几乎同义,和「缓慢」同属描述速度,和「桌子」基本无关——编号看不出这些关系。

于是就有了语义编码:用一组数字表示一个词的语义特征,在人工智能领域通常叫词向量。教材用一个二维坐标演示:

词 语义编码
猫 (3,0)
狗 (3,1)
汽车 (2,1)
飞机 (1,3)

画到坐标系里你会发现:猫和狗挨得近,汽车和飞机挨得近,因为它们在种类上更接近;而猫狗与汽车的距离小于与飞机的距离,可能是因为前三者都在陆地上活动。教材提醒:真实的维度有几百甚至上千,而且并不规定每个维度代表什么意义,都是机器从大量文本里自己学出来的。

Q:同一个词在不同句子里意思不同,怎么办?

答:动态调整语义编码。教材的例子特别好:

  • 句 1「房间窗口朝南」——「朝南」让方向属性增强,坐标从 (0.5,0.5) 变成 (1.5,0.5);
  • 句 2「关闭计算机窗口」——「计算机」让科技属性增强,变成 (0.5,1.5)。

两个「窗口」一下就被区分开了。

Q:有了词的编码,怎么比较两段文本像不像?

答:先由词的编码组合出文本的语义编码(可以求平均、加权平均,或取最大值/最小值),再算相似度。教材介绍了三种方法:距离(欧氏距离)、点积、夹角余弦值。核心结论记住一句就行:距离越小,语义越接近,也就越相似。

举例:开心 (4,3)、快乐 (5,4)、难过 (1,2)、悲伤 (2,1)——开心和快乐离得近,和难过离得远。跨语言也是这个道理:只要把不同语言转成语义编码,让意义相近的词句落在语义空间里相近的位置,就能判断一份中文稿和一份日文稿说的是不是同一件事。


四、注意力:让它别忘了我前面说的是啥

Q:注意力机制是个啥?

答:灵感来自人读书——你会不自觉地聚焦关键段落和词句,甚至用荧光笔标出来。人工智能的注意力机制就是让模型自动判断哪些词对当前要生成的词更重要。

Q:教材那个「接力造句」说明了什么?

答:两次活动对比非常直观:

玩法 结果
每个人只看前一个人写的词 人越多越跑偏,最后拼出「小猫/是/一种/树木/很/奇怪」这种莫名其妙的句子
加一个「评价者」给已有词打分 每个人既看得到全部词,又看得到分数(重点),最后拼出「小猫/是/动物/喜欢/吃/鱼」

每一次形成的分数分布,就类似注意力分布。教材特别提醒:真实的语言模型里并没有一个像人一样的评价者,所有注意力权重都是模型内部自动算出来的。

举例:把「注意力机制」和 Transformer 分清楚——注意力机制是一种通用的计算方法(思想),Transformer 是把它作为核心构建起来的模型架构(实践)。当前流行的大语言模型基本都基于 Transformer。注意这个机制不只用在文本上,计算机视觉里也用。


五、生成出来的东西,谁来保证质量?

Q:模型吐出的第一个答案就能用吗?

答:不能,要从多个角度审核。教材用角色扮演讲得很清楚:

角色 管什么 对应模型里的什么机制
纪律委员 字数不超过 150 字 长度约束
道德观察员 屏蔽暴力、歧视内容 内容安全过滤(敏感词检测)
文风质检员 是不是悬疑风格 风格一致性控制

两种筛选方式:一是取排位靠前的候选,不合格就换下一个(教材例子里「带血抓痕」被道德观察员否掉);二是一次保留多个备选综合评判(A 血腥、B 平淡,最后选 C「未知生物骨骼」)。

Q:参数怎么影响输出?

答:关键是温度(来自英文 temperature):值越高,生成越多样;值越低,越稳定、越重复;设为 0,同一个问题多次问得到的回复几乎一样。教材也提醒:温度高虽然更有创意,但也更容易偏离事实和逻辑。

Q:训练数据「脏」了会怎样?

答:模型会照单全收。教材的活动很生动:往问答数据里人为加一条错误样本「猫吃啥—猫吃狗」,训练后再问,模型大概率答「猫吃狗」;但随后补入大量正确的「猫吃鱼」样本,错误就被稀释、纠正回来了。

举例:这就是说,模型不是百科全书,更像一个记忆和模仿能力超强的学生——教错了它就学偏。与其追求数据绝对干净,不如用足够多的正确样本把错误稀释掉。除此之外,提示写得清不清楚、模型版本与结构、有没有针对任务微调、安全机制会不会改写内容,都会影响最终输出。

记住这一句话就够了

机器写文本的四步:切词(token)→ 统计共现算概率接下一个词 → 用词向量表示意思、用注意力抓住重点 → 再由长度、安全、风格等多重约束加参数与数据一起把关;它全程不理解含义,只是在算「可能性」——所以它既会写出好句子,也会一本正经地犯错。

question bank

第 2 单元 · 文本的智能生成 · 题目库

对应章节:第 2 单元 文本的智能生成(第 5—9 课)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 30 分钟


B 档 · 选择题

B1. 人工智能处理自然语言的基本单位是?

  • A. 单个汉字
  • B. 记号(token),日常称词或词元
  • C. 整句话
  • D. 一个段落

答案:B
解析:教材说明,单字词、双字词、多字词可视为模型处理自然语言的基本单位——记号,即 token,日常称词或词元。类比:计算机处理信息的基本单位是字节,模型处理语言的基本单位是词。

B2. 关于机器分词,下列说法正确的是?

  • A. 机器先理解句意,再决定怎么切
  • B. 机器靠统计与计算词语出现的可能性,选出概率最大的切分方式
  • C. 分词结果只有一种,且一定和人分的一样
  • D. 分词不需要词表

答案:B
解析:教材明确指出机器分词时并不是「理解」句子的意思,而是通过统计和计算词语出现的可能性来完成分词,教材把概率简化为分数以便比较。机器的分词结果可能是适合人理解的词、子词或字符,与人分词常有差异。

B3. BPE(字节对编码)构建词表的核心思想是?

  • A. 由专家人工编写全部词条
  • B. 从字符开始,不断寻找文本中相邻出现次数最多的字符组合并合并,逐步扩展词表
  • C. 随机生成词条再筛选
  • D. 按拼音字母顺序排列生成

答案:B
解析:教材说明 BPE 是一种基于频次统计的子词分词方法,核心思想是从字符开始,不断寻找文本中相邻出现次数最多的字符组合,合并为一个新词,逐步扩展词表;它不需要事先准备完整词表,能自动学习词语结构,也能应对新词。

B4. 关于仅凭「相邻字词共现次数」生成文本的说法,正确的是?

  • A. 它能完整处理对仗、押韵与意象
  • B. 它只统计共现关系,没有处理诗歌要素,生成结果往往不够理想
  • C. 它说明模型真正理解了古诗文
  • D. 它与大语言模型的预测思想完全不同

答案:B
解析:教材指出这类模型基于前后字共现次数预测,没有处理对仗、押韵、意象等诗歌要素,生成结果往往不理想,并强调软件并不理解古诗文含义。但教材同时说明,大语言模型虽然改用神经网络捕捉复杂关系,背后的预测思想仍是一致的。

B5. 为什么只给词编一个数字编号不够用?

  • A. 因为编号太长
  • B. 因为编号只能区分词,无法表现词义的相近与差异
  • C. 因为机器不支持数字
  • D. 因为编号会重复

答案:B
解析:教材举例说明:「迅速」与「迅捷」几乎同义,与「缓慢」同属描述速度,与「桌子」几乎无关,用数字编号无法展现这些关系,因此要用一组数字(语义编码/词向量)来表示语义特征。

B6. 关于语义编码(词向量),下列说法错误的是?

  • A. 语义空间中位置相近的词,语义也相近
  • B. 实际模型中每个维度通常被明确指定为「方向」「科技」等含义
  • C. 真实词向量的维度通常有几百甚至上千
  • D. 同一个词在不同语境下可以动态调整语义编码

答案:B
解析:教材特别提醒,教材案例里规定 x 轴、y 轴的含义只是为了便于理解;实际使用时维度的数量是事先规定的,但各个维度并没有「方向」「科技」等具体含义,都是机器从大量文本中自动分析得到的。

B7. 在教材的接力造句活动中,加入「评价者」给词打分后句子更有逻辑,主要原因是?

  • A. 参与的人变少了
  • B. 后续成员既能看到全部已有词,又能通过分数知道重点,相当于有了注意力分布
  • C. 评价者替他们想好了答案
  • D. 词表变大了

答案:B
解析:教材说明每一次形成的分数分布就类似注意力分布,会提醒后续成员选词应侧重哪些方面;并强调真实语言模型中并没有一个像人一样的评价者,注意力权重都是模型内部自动计算的。

B8. 关于注意力机制与 Transformer 的关系,下列说法正确的是?

  • A. 两者完全是同一个东西的两种叫法
  • B. 注意力机制是一种通用的计算方法,Transformer 是以注意力机制为核心构建的模型架构
  • C. Transformer 与注意力机制无关
  • D. 注意力机制只能用于文本,Transformer 只能用于图像

答案:B
解析:教材明确区分:注意力机制是通用的计算方法,通过动态分配权重衡量输入不同部分的重要性,也可用于计算机视觉;Transformer 是将注意力机制(尤其是自注意力)作为核心构建的模型架构,当前流行的大语言模型均基于它。

B9. 关于「温度」参数,下列说法正确的是?

  • A. 温度越高,生成内容越稳定、越重复
  • B. 温度越低(如设为 0),生成内容越稳定、重复,多次提问得到的回复几乎相同
  • C. 温度只影响生成速度,不影响内容
  • D. 温度必须始终设为 0

答案:B
解析:教材说明参数值越高生成结果越多样,越低则越稳定、重复;设为 0 后重复提问会得到几乎一样的回复。教材同时提醒,较高温度虽带来多样性,也可能导致内容偏离事实或逻辑。

B10. 往训练数据中人为加入少量错误样本(如「猫吃狗」)后,教材给出的结论是?

  • A. 模型会自动识别并拒绝错误,不受影响
  • B. 模型很可能输出错误答案,但补入大量正确样本后可以把错误稀释、纠正回来
  • C. 模型会彻底崩溃,无法恢复
  • D. 只要有一条错误数据,模型就永远学不会正确内容

答案:B
解析:教材说明模型并没有主动判断事实的能力,而是照单全收地学习数据中的模式;加入错误样本后模型大概率给出错误回答,但持续添加大量正确样本可以逐渐把错误数据的影响稀释掉,这体现了机器学习的一定容错性。


A 档 · 教材原题

核心考点:A1 = 从陌生文本自动找词;A2 = 远距离上下文关联;A3 = 跨语言一致性判断;A4 = 随机生成方式;A5 = 影响生成结果的其他因素

A1. 第 5 课 拓展与提升

假如你是一名人工智能研究员,现在遇到了一个有趣的挑战:有一段来自古代的神秘文字,没人知道它的语言规则,也没有现成的词表可以参考。任务是想办法从这段陌生文本中找出可能的「词」,进而建立初步的词表。你可以借助人工智能的力量来完成这项任务。

答案:思路框架:① 不需要读懂文本,只统计相邻字符组合出现的次数;② 把高频出现的字符组合合并为候选词,反复迭代,逐步构建词表(这正是 BPE 的思想);③ 认识局限——课堂活动能拿到的文本数据量通常有限,因此得到的词表质量一般;④ 由此验证一个观点:数据规模对人工智能语言处理能力至关重要,数据规模越大,机器越能发现稳定的语言结构,词表也越准确。教材建议可提供几段日文、韩文等学生不熟悉的语言文本来开展这一活动。

A2. 第 6 课 拓展与提升

有时候,要搭配的词并不是紧挨着出现的。例如:猫吃_(□鱼 □骨头);狗吃_(□鱼 □骨头)。尽管「猫」和「鱼」、「狗」和「骨头」之间隔着「吃」,但选择的决定因素仍然是「猫」和「狗」。这表明:很多时候,需要考虑更前面的词,才能做出合理预测。
有人提出:可以基于前 n 个词来预测第 n+1 个词。这样就能捕捉更远距离的语言关联。尝试借助人工智能工具,按最多 3 个词一组训练文本生成模型,并用训练的模型生成几段文本。

答案:思路框架:① 两个填空分别选「鱼」和「骨头」,说明起决定作用的词与被预测的词之间可以隔有其他词;② 因此只看紧邻的前一个词不够,需要扩大上下文窗口,这就是「基于前 n 个词预测第 n+1 个词」的思路;③ 实践要求:按最多 3 个词一组训练模型并生成文本,观察扩大上下文后生成结果是否更连贯合理;④ 教材建议尽可能采取人机协作的方式探索,并把结果与原模型对比。

A3. 第 7 课 拓展与提升

假如你是一名国际会议的助理,今天收到了一份重要文稿的多个语言版本,如中文、英文和日文。现在,你需要快速判断这些文稿内容是否一致。基于文本语义编码和相似度计算方法,尝试设计一个软件(只需说出思路),用于自动判断多语种文稿内容的一致性。

答案:思路框架:① 把各语种文稿分别转换为语义编码(词向量→文本语义编码),关键是让不同语言中意义相近的词句落在语义空间里相同或相近的位置;② 对不同语种得到的文本语义编码计算相似度,可用距离(欧氏距离)、点积或夹角余弦值,距离越小、余弦值越大表示越相似;③ 设定阈值判断是否一致,并输出相似度分数供人工复核;④ 注意局限:教材提示文本相似度计算非常复杂,课堂软件只提供简单方法,实际应调用大语言模型或专用模型。

A4. 第 8 课 拓展与提升

在研究文本生成的过程中,研究人员提出了一种可能让人感觉「匪夷所思」的生成方法——可以不按照从左到右的顺序生成,而是可以随机生成。尝试使用相关文本生成模型,感受随机生成文本的过程。

答案:思路框架:① 常规大语言模型属于自回归模型,像接龙一样从左到右逐词生成;② 教材介绍的这种新方法基于「扩散思想」生成文本,不按从左到右顺序,可以随机生成;③ 现状与意义:目前其部分效果不如自回归模型,但它提醒我们人工智能生成内容不只有「逐字接龙」这一条路,未来或许会出现结合扩散与自回归优势的算法——教材的原话是「思想上不可故步自封」;④ 体验方式:通常需要自行编程,操作难度较高,教材配套资源提供了生成过程视频。

A5. 第 9 课 拓展与提升

大语言模型在生成文本时不仅依赖输入的提示,还受到多种内部和外部因素的影响。为了更深入理解人工智能生成内容的机制,选择一个自己熟悉的大语言模型,通过查阅资料、实验测试或分析技术文档等方式,探究还有哪些因素会影响其生成结果。

答案:教材给出的因素包括:① 输入提示——提示越清晰、信息越丰富,生成内容越准确、越相关,模糊或不完整的提示容易导致输出偏离预期;② 模型版本与结构——不同版本或结构的模型在上下文记忆、推理能力等方面存在差异;③ 微调——基于特定任务微调的模型在对应场景下表现更好,也更容易遵循用户意图;④ 安全机制——可能限制或修改生成内容,以避免不当内容输出。答题时建议为每条因素配一个自己实测的例子,并说明它改变了输出的哪一方面。


C 档 · 简答题

C1. 用自己的话说明「分词—构建词表—自动分词」这三件事分别做什么,并说明机器分词与人类分词的根本差别。

答案:① 分词是把文本切分成基本单位(token)的过程;② 构建词表是先建立一个词条集合,以便按规则把文本中的字符组合与词表条目匹配,教材介绍的 BPE 方法是从字符出发,不断合并文本中相邻出现次数最多的字符组合,让机器自动从大量文本中学出词表,还能应对新词;③ 自动分词是机器把大量文本中词的出现规律转换成数值(概率,教材简化为分数),分词模型据此反复推导,计算出概率最大的切分方式。根本差别:人分词依靠自身的语言能力与理解,机器分词依靠统计与计算,它并不理解句子的意思——教材用「南京市长江大桥」说明机器不知道「长」字在两种切法里读音和含义完全不同,却依然能高效完成分词。

C2. 什么是词向量(语义编码)?为什么同一個词在不同语境下需要不同的语义编码?请以教材中的「窗口」为例说明。

答案:词向量是用一组数字表示一个词的语义特征,使语义相近的词在语义空间中位置相近;教材把真实的高维向量简化为二维坐标来演示,如猫 (3,0)、狗 (3,1)、汽车 (2,1)、飞机 (1,3)。如果词的语义编码固定不变,就无法处理多义词。教材例子:句 1「房间窗口朝南」——「朝南」使方向属性增强,坐标由 (0.5,0.5) 变为 (1.5,0.5);句 2「关闭计算机窗口」——「计算机」使科技属性增强,坐标变为 (0.5,1.5)。调整后两个「窗口」在坐标系中被区分开,说明需要根据上下文动态确定语义编码。教材同时提醒:案例中 x 轴、y 轴的含义是人为规定的,真实维度并没有这样具体的含义,维度由机器自动分析得到,通常有几百甚至上千维。

C3. 教材用「接力造句」说明注意力机制。请描述两次活动的做法与结果差异,并说明它对应人工智能中的什么机制。

答案:① 第一次:每人只把前一个词展示给下一个人,不能交流,最后拼出的句子常常逻辑混乱(如「小猫/是/一种/树木/很/奇怪」),人越多越偏离原意;② 第二次:增设一位评价者,按总分 100 给已有内容打分,分数越高表示越重要,后续成员既看得到全部已有词,也看得到分数分布,结果句子更有逻辑(如「小猫/是/动物/喜欢/吃/鱼」);③ 对应的机制:每一次形成的分数分布就类似注意力分布,它告诉模型当前应该重点关注前面哪些词。教材特别提醒,真实语言模型中没有一个像人一样的评价者,所有注意力权重都是模型内部通过数学方法自动计算出来的;注意力机制是一种通用的加权计算方法,Transformer 则是以它为核心构建的模型架构。


D 档 · 综合实践

D1. 当一次「文本生成质检员」:拆解并控制一段生成文本的质量。

任务:用教材的思路,亲手体会「生成—筛选—控制」的全过程,并写一份分析记录。

建议步骤:

  1. 准备一个生成任务:例如续写「生物标本室传来玻璃碎裂声,科学社成员小华用手电一照,突然发现_____」,要求不超过 150 字、悬疑风格、适合中学生、不含暴力等不合适内容。
  2. 多角度审核(角色扮演):小组分工扮演——创作者(提出多个续写候选)、纪律委员(查字数)、道德观察员(用敏感词过滤思路查暴力/歧视内容)、文风质检员(评估是否符合悬疑风格)。
  3. 两种筛选方式对比:方式一,取排位靠前的候选,不合格就换下一个(如「带血抓痕」因涉嫌暴力被否决);方式二,一次保留多个候选综合评判(如 A 血腥、B 平淡,最终选 C「未知生物骨骼」)。记录两种方式的取舍过程。
  4. 调参数:使用聊天测试类软件,多次输入「一句话简介人工智能」,观察每次回复是否相同;再把温度参数设为 0 重复提问,比较结果差异。
  5. 动数据:在简易问答类软件中人为加入一条错误问答(如「猫吃啥—猫吃狗」)后训练,观察输出;再补入多条正确问答(「猫吃啥—猫吃鱼」)重新训练,观察是否被纠正。
  6. 总结:整理成分析记录,说明哪些因素改变了输出、各自的作用机制。

评估要点:

  • 审核是否覆盖字数、安全、风格三个角度,能否说清每个角色对应模型中的哪种机制(长度约束、内容安全过滤、风格一致性控制);
  • 参数实验是否做了对照(同一问题多次提问、温度 0 与较高温度对比),结论是否与「温度越高越多样、越低越稳定」一致;
  • 数据实验是否观察到「错误数据导致错误输出、大量正确数据可稀释纠正」的现象;
  • 能否得出批判性结论:大语言模型不是知识权威,输出高度依赖训练数据与生成参数,不可盲目信任。

答案(参考结论方向):三种手段作用在不同环节——审核机制在输出阶段拦住不合适内容,温度参数调节概率选择的随机程度(决定「多样」还是「稳定」),训练数据决定模型「学到的是什么」。实验通常会发现:温度 0 时多次提问回复几乎一致;加入错误样本后模型大概率答错,补入大量正确样本后又能被纠正。结论:模型会照单全收地学习数据中的模式,因此数据质量与数量同样重要,使用时必须保持人工审核。

九年级全一册 - 人工智能与智慧社会

ch03 - 图像、声音与视频的智能生成

notes

这一章在讲啥?用一句话告诉你:让机器生成画面和声音,靠的是「把图像变特征、把文字和图对齐」,再配上对抗或扩散两种生成套路;而生成越逼真,著作权、肖像权和虚假信息的坑就越多。看完你会明白,为什么「以图搜图」能找到老照片,也为什么一段假视频可能伤害到真人。

📝 课前小测

先做 3 道简单题,看看你对智能生成了解多少。做完再看笔记,印象会深很多。

Q1. 现代卷积神经网络自动提取图像特征,核心操作是?

  • A. 把整张图的所有像素一次性读完
  • B. 用一个小窗口(卷积核)在图像上逐行滑动,对应格子相乘后相加,提取局部特征
  • C. 让人手工标出所有关键点
  • D. 随机抽样几个像素
看答案 **答案**:B **解析:**教材让学生用 3×3 的「观察卡」在图像上滑动,对应格子数值相乘后相加,这个机制就是**卷积**。真实的卷积核数值不是固定的,而是一组**可以通过训练不断优化的权重参数**,决定模型更关注边缘、角点还是纹理。

Q2. 关于扩散生成,下列说法正确的是?

  • A. 它是在还原被加噪的原始图像
  • B. 它从一张充满噪点的图像出发,根据学习到的规律一步步回推,生成具有相似特征的新图像
  • C. 它需要两个网络互相对抗
  • D. 它只能生成文字
看答案 **答案**:B **解析:**教材特意提醒两个常见误解:扩散生成看起来像「时光倒流」,其实模型**不是还原原始图像**,而是根据当前噪声状态逐步生成具有相似特征的新图像——这是创造,不是复制。两个网络互相对抗说的是对抗生成。

Q3. 想让机器根据「一只在草地上奔跑的黄色小狗」这句话画图,关键前提是什么?

  • A. 先把图像和文字放到同一个语义空间里,完成图文语义对齐
  • B. 先把所有图片人工打上标签
  • C. 先把句子翻译成英文
  • D. 先把图像压缩
看答案 **答案**:A **解析:**教材说,完成**图文语义对齐**之后,图像和文字就处在同一个「语义空间」中,语义编码可以互相比较、匹配,模型才能把文字里的语义映射成视觉元素。人工打标签是早期「以文搜图」的老办法,靠不上理解。

一、机器怎么看图:把图像变成一组数字

Q:图像特征到底是什么?

答:指反映图像本质的特定信息,通常用来描述形状、纹理、颜色、边缘等视觉属性。教材的活动很妙:给你 10 个数字的图像,让你设计一种「只看最少像素点就能判断是几」的方法——用 5 个观察点,有颜色记 1、无颜色记 0,于是每个数字都变成一串二进制,比如 0 是 11110、4 是 11001。

举例:关键在于,这串数字不是为了还原图像,而是为了完成识别任务。所以它看起来可能「不太像数字」,甚至和人的直觉不一样——教材点破了这一点:机器学习关注的是有用性而不是可解释性。

Q:那现在还用人工找关键点吗?

答:不用了,机器自己学。核心机制就是卷积(教材叫「观察卡」):拿一个 3×3 的小窗口在图像上逐行滑动,对应格子的数值相乘后相加,一路滑完就得到一组特征。教材提醒三点真实情况:

  • 卷积核里的数值不是固定的,是可训练的权重参数;
  • 真实过程还有激活、池化等步骤;
  • 实际模型会用多个不同的卷积核并行提取多种特征(教材比喻成不同功能的滤光片:有的专看边缘,有的看角度,有的看整体形状)。

Q:特征能拿来干什么?

答:算相似度。特征向量接近,说明两幅图内容相近。教材的「以图搜图」四步特别实用:

  1. 提取图像 A 的特征;
  2. 提取图像库中所有图像的特征;
  3. 计算 A 与库中每张图的相似度;
  4. 按相似度从高到低输出结果。

举例:校史馆有一张老照片,拍的是一栋已拆除的教学楼,没有任何文字说明——但只要能提取特征、和图像库比对,就能找出外观相似的建筑,进而查到它的历史。


二、风格迁移:把「内容」和「风格」拆开再拼起来

Q:风格是怎么被「提取」出来的?

答:靠色彩特征、造型特征这些构成风格的关键特征。教材给了四种风格的对照:卡通(线条明确、色块构成为主)、水墨画(线条简练、留白多、墨色晕染)、素描(黑白层次细腻、有光影立体感)、油画(笔触厚重、色彩丰富、富有质感)。

卷积神经网络在这里的分工也很有意思:较浅的层提取边缘、颜色、基本纹理;中层捕捉更复杂的局部结构和形状;更深的层关注图像的语义内容。

举例:想在一张校园风景照上同时融入《清明上河图》的工笔、《星空》的旋涡笔触和《向日葵》的浓烈色彩,本质上是给不同风格特征分配不同的权重系数——权重决定模型对每种风格的重视程度。

Q:那这算不算侵权?

答:这是教材明确要辩论的问题,而且没有一刀切的答案,要从三个角度想:

  • 需不需要标注原风格出处?——风格来自原作者长期积累,标注是尊重;但风格是表现形式而非作品内容,是否强制署名有争议。
  • 商业用途算不算侵权?——若高度模仿某位艺术家的标志性风格并营利,可能构成侵权;但也有观点认为风格迁移是算法学习特征,不是直接复制。
  • 生成作品受不受著作权保护?——一方认为体现了人的创意应当有权利,另一方质疑其原创性。

教材要求依据《中华人民共和国著作权法》来形成综合意见。


三、图像怎么凭空生成:对抗 vs 扩散

Q:对抗生成是怎么回事?

答:训练时两个人工神经网络相互对抗:一个负责生成图像,一个负责判别图像质量。生成网络不断调整想「骗过」判别网络,最终学会生成符合要求的图像。

举例:教材特别提醒两个点。第一,对抗主要发生在训练阶段,不是使用阶段——训练完后一般只调用生成网络。第二,可以用判别网络给图像打分来控制质量:阈值设得越高,筛出来的图越符合要求,但生成更慢、数量更少;阈值超过 0.95 后基本就生成不出满足条件的图了。

Q:扩散生成又是怎么回事?

答:训练时让模型看一幅清晰图像,然后不断添加噪点,直到整张图像一团雪花,模型要学习每个阶段图变成了什么样。生成时则从一张充满噪点的图出发,一步步反向回推,最终得到清晰的图像。

举例:教材给水滴入瓶慢慢扩散、画面逐渐被杂乱色块覆盖这样的比喻。但要记住:这不是「时光倒流」,不是还原原图,而是根据当前噪声状态生成具有相似特征的新图像——是创造,不是复制。

Q:生成的图能随便拿去卖吗?

答:不能想当然。教材的案例是:一位同学用工具生成了一幅图,印在衬衫上义卖,款项全部捐给山区儿童——动机很好,但仍有三个问题要想清楚:AI 生成图像的著作权归属目前法律上尚无明确标准;部分工具的用户协议里可能包含商业用途限制条款;如果图中无意包含了他人具有独创性的设计元素(特定图案、建筑外观),也有侵权风险。


四、文生图:先让文字和图像「对上号」

Q:为什么需要「图文语义对齐」?

答:因为不做对齐,语义编码就会闹笑话。教材的表格里,文字「猫」离图像「汽车」最近、离图像「猫」最远——显然不合理。合理的编码应该满足:能区分文本和图像里的猫、狗、汽车;猫与猫图的距离小于与其他对象的距离;猫狗同类,它们的距离应小于与汽车的距离。

这个「让相同含义的图像和文字更贴近」的过程,就叫图文语义对齐,它是多模态技术的基础——让机器像人一样,看到「火焰」时既能联想到灼热的触觉,也能联想到噼啪的声音。

Q:对齐之后能干什么?

答:两件事,流程几乎一样:

  • 以文搜图:提取关键词的文本特征 → 提取图像库中所有图像的特征 → 计算相似度 → 按相似度排序输出。
  • 以文生图:模型通过大量相互匹配的图文数据训练,学会把文字中的语义映射成视觉元素,于是你输入「一只在草地上奔跑的黄色小狗」,它就画出对应的图。

举例:教材的传统文化例子很实用——想找明代女子服饰,只要输入「交领、右衽、长袖、马面裙」这样的描述性文字,系统就能从图像库里找出匹配的图,不用你打出准确的名字。


五、声音和视频:同一个套路,多了一个「时间」

Q:机器怎么造声音?

答:教材给了三条路,正好是一代代演进:

方法 怎么做 效果
合成波形 用数学函数组合模拟声波波形 手动调参,声音相对单调,适合简单音效
拼接字词(TTS) 把文字转成语音,逐字发音再拼接 简单直接但较生硬;先分词再按词朗读会自然很多
大模型生成 输入文字,平台直接生成完整语音或音乐 流畅度和情感表达明显提升

Q:视频怎么生成?

答:两种方法,区别在有没有「理解时间」:

  • 基于图像扩展:先画出几幅关键帧,让系统自动补全中间的中间帧(插值)。适合生成较短的动画,如人脸渐变、场景转换。
  • 基于时序建模:让模型直接学习画面随时间变化的规律,按顺序逐帧生成。能表现人物动作、表情变化和场景移动,更自然流畅,适合更长的连贯内容,如人物走路、说话、跳舞。

生成时,输入的文字描述是指令(控制场景、人物动作、背景变化等关键特征),图像是参考(帮助理解配色、角色特征、构图)。

Q:现在的技术有什么不足?

答:教材直言不讳:主角形象前后不一致、动作生硬、场景切换突兀。可行的补救有四条:优化提示文本(明确角色设定与动作要求)、分段生成、用后期剪辑修饰过渡、关键镜头引入真人拍摄素材。

Q:风险在哪?

答:声音这边——高度仿真的合成语音可能被用于伪造身份、虚构证据、诈骗;生成的音乐涉及著作权归属不清、原创性争议。视频这边——可能被用来制作虚假信息、伪造他人形象、冒充公众人物发言,侵犯肖像权和名誉权。

教材给了四条守则,记住就够用:不制造虚假信息或恶意攻击他人;未经许可不用他人图像生成视频;使用合法合规的平台和工具;遇到可疑视频保持理性判断,不轻信、不传播。

记住这一句话就够了

生成式人工智能的本领,来自把图像、声音、文字都变成可比较的「特征」,再靠对抗或扩散从噪声里把它造出来;能力越强,越要守住三条底线——尊重著作权与肖像权、标明来源、对可疑内容不轻信不传播。

question bank

第 3 单元 · 图像、声音与视频的智能生成 · 题目库

对应章节:第 3 单元 图像、声音与视频的智能生成(第 10—15 课)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 40 分钟


B 档 · 选择题

B1. 现代卷积神经网络自动提取图像特征的核心操作是?

  • A. 一次性读取整幅图的所有像素
  • B. 用一个小窗口(卷积核)在图像上逐行滑动,对应格子数值相乘后相加,提取局部特征
  • C. 由人手工标出全部关键点
  • D. 随机抽取若干像素求和

答案:B
解析:教材用 3×3 的「观察卡」在图像上滑动、对应格子相乘后相加来演示卷积。教材同时说明,真实卷积核中的数值是一组可通过训练不断优化的权重参数,真实过程还包含激活与池化,且通常使用多个卷积核并行提取不同类型的特征。

B2. 关于卷积神经网络各层提取的特征,下列说法正确的是?

  • A. 越深的层越只关注边缘和颜色
  • B. 较浅的层主要提取边缘、颜色和基本纹理,中层捕捉局部结构和形状,更深的层更多关注语义内容
  • C. 所有层提取的特征完全相同
  • D. 只有最后一层会提取特征

答案:B
解析:教材说明通常由多个卷积层和池化层组成,较浅的层主要提取边缘、颜色和基本纹理等低级视觉特征,随着层次加深,中层开始捕捉更复杂的局部结构和形状信息,更深的层更多关注图像的语义内容。

B3. 关于对抗生成,下列说法正确的是?

  • A. 对抗发生在每次生成图像的使用阶段
  • B. 训练时由生成网络与判别网络相互对抗,训练结束后一般只调用生成网络
  • C. 判别网络负责生成图像
  • D. 分数阈值设得越高,生成越快、数量越多

答案:B
解析:教材明确强调「对抗」主要发生在训练阶段而非使用阶段,训练结束后一般只需调用生成网络,也可利用判别网络打分控制质量。阈值越高筛出的图越符合要求,但生成速度更慢、数量更少,阈值超过 0.95 后基本生成不出满足条件的图像。

B4. 关于扩散生成,下列说法错误的是?

  • A. 训练时先不断给清晰图像添加噪点,直到像一团雪花
  • B. 生成时从充满噪点的图像出发,一步步反向回推
  • C. 它是把原始图像「时光倒流」式地还原回来
  • D. 它生成的是具有相似特征的新图像,属于创造而非复制

答案:C
解析:教材特意提醒要避免「时光倒流」的误解:虽然扩散生成看起来像把加噪过程倒过来,但模型并不是还原原始图像,而是根据当前噪声状态逐步生成具有相似特征的新图像,这个过程并非复制,而是创造。

B5. 教材中「以图搜图」的正确流程是?

  • A. 先按文件名排序,再人工挑选
  • B. 提取待查图像特征 → 提取图像库中所有图像特征 → 计算相似度 → 按相似度从高到低输出
  • C. 先把图像全部转成文字,再搜索文字
  • D. 按图像大小排序后输出

答案:B
解析:教材给出的以图搜图步骤为:提取图像 A 的特征;提取图像库中所有图像的特征;计算 A 与库中所有图像的相似度;按相似度从高到低输出图像库中对应的图像。

B6. 为什么需要「图文语义对齐」?

  • A. 因为图像文件太大
  • B. 因为不对齐时,表示相同含义的文字和图像在语义空间中可能并不接近,甚至出现「文字猫与汽车图最近」的不合理结果
  • C. 因为机器看不懂中文
  • D. 因为需要先人工给图像打标签

答案:B
解析:教材用对齐前后的两张相似度表说明:对齐前文字「猫」与图像「汽车」距离最近、与图像「猫」距离最远,显然不合理。合理的语义编码应让猫与猫图、狗与狗图、汽车与汽车图的距离小于与其他对象的距离,且猫狗同类所以彼此距离小于与汽车的距离。

B7. 关于「以文生图」和「以文搜图」,下列说法正确的是?

  • A. 两者都需要先把图像和文字放到同一个语义空间中,才能互相比较匹配
  • B. 以文生图只能靠人工标注实现
  • C. 以文搜图必须先把图像转成文字
  • D. 两者与语义编码无关

答案:A
解析:教材说明完成图文语义对齐后,图像和文字处于同一个语义空间,语义编码可以相互比较、匹配,因此既可以实现以文搜图(提取文本特征→提取图像特征→计算相似度→排序输出),也可以实现以文生图(模型通过大量匹配图文数据训练,把文字语义映射为视觉元素)。

B8. 关于声音生成的三种方法,按「自然度从低到高」排序正确的是?

  • A. 大模型生成 → 分词组合 → 单字拼接
  • B. 单字拼接 → 分词组合 → 大模型生成
  • C. 分词组合 → 单字拼接 → 大模型生成
  • D. 三者自然度完全相同

答案:B
解析:教材说明单字拼接简单直接但连贯性较差;分词合成先分词再按词合成,连贯性和自然度更高;人工智能语音合成(大模型生成)输入文字即可生成,效果接近真人,流畅性和情感表达能力较好。

B9. 关于视频生成的两种方法,下列对应正确的是?

  • A. 基于图像扩展——模型学习画面随时间变化的规律,适合生成人物长时间动作
  • B. 基于时序建模——先画关键帧再补全中间帧,适合短动画
  • C. 基于图像扩展——先生成关键帧再补全中间帧,适合人脸渐变、场景转换等较短动画
  • D. 两种方法没有区别

答案:C
解析:教材说明基于图像扩展是先画出几幅关键图像再自动补全中间画面的变化过程,适合人脸渐变、场景转换等较短动画;基于时序建模是让模型理解动作随时间的变化规律、按时间顺序生成连续画面,更适合人物走路、说话、跳舞等更长的高连贯性内容。

B10. 使用人工智能生成视频时,下列做法不符合教材倡导的规范的是?

  • A. 不制造虚假信息,不恶意攻击他人
  • B. 未经许可使用同学的照片生成视频
  • C. 使用合法合规的平台和工具
  • D. 遇到可疑视频保持理性判断,不轻信、不传播

答案:B
解析:教材明确列出四条规范:避免用人工智能制造虚假信息或恶意攻击他人;未经许可不得使用他人图像生成视频,尊重他人肖像权;使用合法合规的平台和工具;遇到可疑视频保持理性判断,不轻信、不传播。未经许可使用他人照片还可能涉及隐私与肖像权问题。


A 档 · 教材原题

核心考点:A1 = 以图搜图系统设计;A2 = 多风格融合创作;A3 = 生成图像的著作权与伦理;A4 = 以文搜图系统框架;A5 = 三种语音生成方法对比

A1. 第 10 课 拓展与提升

在整理校园旧照片的过程中,一位同学发现了一张老照片,照片中是一栋已拆除的教学楼。他非常好奇这栋楼原本的样貌以及曾经的历史,但由于缺乏相关文字信息,无法通过常规方式查找。如果能够利用「以图搜图」技术,从校史馆的图像数据库中找到外观相似的建筑物,就有助于了解其历史背景。
尝试设计一个实现这一功能的图像搜索系统流程,并简要说明每个模块的功能。

答案:教材参考答案的流程为四步:步骤 1,提取图像 A(老照片)的特征;步骤 2,提取图像库中所有图像的特征;步骤 3,计算图像 A 与图像库中所有图像的相似度;步骤 4,按相似度从高到低输出图像库中对应的图像。模块说明可补充:特征提取模块负责把图像转成特征向量;特征库模块负责存储校史馆所有图像的特征(可预先计算以提高检索速度);相似度计算模块负责比较特征向量;排序输出模块负责按相似度给出结果供人工确认。

A2. 第 11 课 拓展与提升

一位同学将参与学校「人工智能与艺术」主题艺术节。他决定以自己拍摄的一张校园风景照片为基础,尝试使用图像风格迁移技术,将多种经典艺术风格巧妙融合于同一幅作品之中。例如,呈现《清明上河图》的工笔画风格,融入《星空》的旋涡笔触,加入《向日葵》的色彩浓烈感,最终生成兼具多种艺术风格的创意作品。请借助智能工具,帮助这位同学生成相应的图像。

答案:思路框架:① 准备内容图(自己拍摄的校园风景照片)与三张风格参考图;② 教材点明关键——多种风格的融合本质上是为不同风格特征分配不同的权重系数,这些权重决定模型在生成时对每种风格的重视程度,进而影响最终视觉效果,可通过调整参数来探索不同的艺术表现力;③ 实践时可借助人工智能模型生成对应的程序代码再按需调整;④ 反思:要思考为何选择这些艺术风格、它们之间的搭配是否传达出新的情感或文化内涵,提升数字艺术素养与技术创新意识;⑤ 注意著作权与伦理问题,参考《中华人民共和国著作权法》从法律、伦理与艺术创作多角度思考。

A3. 第 12 课 拓展与提升

一位热爱艺术的初中生,使用一款流行的人工智能图像生成工具,输入自己的创意描述后,生成了一幅风格独特、色彩绚丽的图像。他非常喜欢这幅图,便将其印在了自己设计的衬衫上,并打算在学校组织的「爱心慈善义卖」活动中出售,所得款项将全部捐赠给山区儿童。结合你对人工智能、著作权和伦理规范的理解,谈谈自己的看法。

答案:思路框架(教材给出的视角):① 动机值得肯定,体现了创意与公益意识,但公益目的不等于可以绕过规则;② 人工智能生成图像的著作权归属目前在法律上尚无明确标准,不同国家和地区可能存在不同看法——有观点认为用户拥有部分权利,也有观点认为生成内容受训练数据和模型设计者影响因而存在使用限制;③ 部分人工智能工具的用户协议中可能包含商业用途限制条款,能否用于义卖或销售需参考相关规定;④ 若图像中无意包含了他人具有独创性的设计元素(如特定图案、建筑外观),也存在侵权风险;⑤ 结论:使用人工智能创作时要具备法律与责任意识,了解相关规定、尊重他人权益,做到合理合法使用。

A4. 第 13 课 拓展与提升

在「传统文化进校园」活动中,同学们参观了传统服饰展览。一位同学对明代女子服饰很感兴趣,但不知道如何准确查找相关图像。老师介绍了「以文搜图」的智能技术:只要输入描述性文字,如「交领、右衽、长袖、马面裙」,系统就能从图像库中找到匹配的图像。
结合图文检索系统的工作原理,在智能工具的帮助下,尝试设计一个「以文搜图」系统的框架,并简要说明其主要流程和关键技术。

答案:教材给出的主要流程:步骤 1,提取待搜索关键词的文本特征,形成语义编码;步骤 2,提取图像库中所有图像的图像特征,形成语义编码;步骤 3,计算文本与图像的相似度;步骤 4,根据要求按相似度从高到低输出图像库中对应的图像。关键技术说明:① 文本特征提取与图像特征提取;② 图文语义对齐——让表示相同含义的文字和图像在同一个语义空间中彼此接近,这是能跨模态比较的前提;③ 相似度计算与排序;④ 多模态技术是这一切的基础。可补充说明:描述越具体(如交领、右衽、长袖、马面裙),检索越准确。

A5. 第 14 课 拓展与提升

假如你是校园广播站的成员,正在筹备「每日经典诵读」栏目,计划每天清晨播放经典诗词朗读。但由人来录音既费时又费力,老师建议尝试使用语音合成技术来自动生成朗读的音频。目前主要有以下三种生成方法:单字拼接(将每个字的录音拼接成完整音频);分词组合(先对诗句分词,再按词语生成语音);大模型生成(访问生成平台,输入文字获得完整语音)。尝试这三种方法,从流畅度、自然度、情感表达等方面进行对比分析,并选择适合「每日经典诵读」栏目的方法。

答案:教材给出的对比结论:① 单字拼接法——把每个字的单字读音依次拼接,简单直接,但语音连贯性较差;② 分词合成法——先分词再按词语合成,相比单字拼接,连贯性和自然度更高;③ 人工智能语音合成法(大模型生成)——输入文字即可生成语音,通常需模型支持,语音效果接近真人,具备较好的流畅性和情感表达能力。选择建议:经典诵读对流畅度与情感表达要求较高,优先考虑大模型生成;若条件受限,分词组合可作为折中方案;单字拼接只适合临时或极短提示音。还可补充:教材提到 TTS(文本—语音转换)通常按单字发音显得生硬,分词后按词朗读会自然很多。


C 档 · 简答题

C1. 用自己的话说明「图像特征」是什么,为什么教材说提取出来的特征「看起来可能不太像原来那个数字」。

答案:图像特征指反映图像本质的特定信息,通常用于描述形状、纹理、颜色、边缘等视觉属性,提取它们是为了给后续的目标检测、图像分类、模式识别等任务提供基础。教材的活动中,用几个观察点把数字图像编码成 0 和 1 组成的串,比如 0 是 11110、4 是 11001,这些串显然不能还原出原来的数字图形。原因在于:提取特征的目的不是还原图像,而是完成识别任务,所以只要能区分不同数字就够了,不需要保留完整画面。教材由此指出一个重要的思维方式——机器学习关注的是有用性而非可解释性,它选取的关键信息可能与人类直觉上认为重要的信息并不一致;也正因不必记录图像的所有数据,人工智能才能高效处理图像。

C2. 对抗生成与扩散生成各是怎么工作的?请分别说明它们的关键过程,并指出一个常见误解。

答案:① 对抗生成:训练时两个人工神经网络相互对抗,一个负责生成图像,另一个负责判别图像质量;生成网络不断调整试图满足判别网络的要求,最终学会生成符合要求的图像;训练结束后一般只调用生成网络,也可以用判别网络打分来控制质量(阈值越高越符合要求,但更慢更少,超过 0.95 基本生成不出来)。② 扩散生成:训练时先让模型看到清晰图像,不断添加噪点直到整张图像一团雪花,模型学习每个阶段图变成了什么样;生成时从充满噪点的图像出发,一步步反向回推,最终得到清晰图像。③ 常见误解:对抗生成的误解是以为「生成过程中一直有两个网络在对抗」——其实对抗主要发生在训练阶段;扩散生成的误解是以为它是把原图「时光倒流」还原回来——实际上它是根据当前噪声状态逐步生成具有相似特征的新图像,是创造而非复制。

C3. 教材指出当前人工智能视频生成还存在不少问题。请列出主要问题,并提出改进办法;同时说明使用时应遵守的伦理规范。

答案:主要问题:主角形象前后不一致、动作生硬、场景切换突兀,整体在连贯性和表现力上仍有提升空间。改进办法(教材给出四条):一是优化输入提示文本,在生成前明确角色设定和动作要求;二是采用分段生成策略,提高每段内容的可控性;三是结合后期剪辑工具对画面进行修饰和过渡处理;四是关键镜头适当引入真人拍摄素材,弥补生成画面的不足。伦理与法律规范:不利用人工智能制造虚假信息或恶意攻击他人;未经许可不得使用他人图像生成视频,尊重肖像权;使用合法合规的平台和工具,严格遵守法律法规;遇到可疑视频保持理性判断,不轻信、不传播。此外还要注意:文字描述作为指令控制内容结构,图像作为参考指导视觉风格,两者配合能提高可控性。


D 档 · 综合实践

D1. 制作一部「未来城市交通」主题短片,并记录人工智能生成视频的问题与解决办法。

任务:用人工智能视频生成工具完成一部主题短片,在动手过程中体会当前技术的能力边界,并形成一份问题清单与改进记录。

建议步骤:

  1. 确定主题与脚本:围绕「未来城市交通」写一个简短脚本,明确场景、角色动作与镜头顺序(如空中通勤、地面智能调度、地下货运)。
  2. 准备输入:为每个镜头写清文字描述(控制场景、人物动作、背景变化),必要时提供参考图像(帮助模型理解配色、角色特征与构图)。
  3. 选择生成方式:短镜头或场景转换可尝试基于图像扩展(关键帧加中间帧插值);人物动作、表情变化和场景移动尝试基于时序建模。
  4. 记录问题:逐个镜头检查,重点记录——主角形象是否前后一致、动作是否生硬、场景切换是否突兀。
  5. 改进迭代:优化提示文本(明确角色设定与动作要求);改成分段生成以提高可控性;用后期剪辑工具做修饰和过渡;关键镜头引入真人拍摄素材。
  6. 成片与反思:形成短片与一份反思报告,说明人工智能在哪些环节帮了大忙、哪些环节必须靠人。

评估要点:

  • 脚本与输入:文字描述是否具体(场景、动作、背景),是否提供了合适的参考图像;
  • 方法选择:能否说清每个镜头为什么用图像扩展或时序建模;
  • 问题记录:是否如实记录形象不一致、动作生硬、切换突兀等现象并给出具体例子;
  • 改进有效性:优化提示、分段生成、后期剪辑等手段是否真的改善了效果;
  • 规范意识:是否使用了合规平台,是否避免了使用他人肖像或可能误导观众的内容,作品是否标明由人工智能辅助生成。

答案(参考结论方向):通常会发现,短镜头和场景转换类内容用图像扩展效果较好,而人物连续动作容易出现形象漂移和动作生硬,需要分段生成加后期剪辑来补救。结论应当是:当前人工智能视频生成尚不完善,在连贯性和表现力上仍有提升空间,需要结合人工干预与创意设计,把它当作辅助工具而不是替代品;同时全程要守住不造假、不侵犯他人肖像权、使用合规平台的底线。

九年级全一册 - 人工智能与智慧社会

ch04 - 智能推理的应用

notes

这一章在讲啥?用一句话告诉你:让机器像人一样「推理」,有四条路——决策树一层层问、知识图谱顺着关系推、分类按已知类别归、聚类自己找规律分堆;而最会「思考」的模型,其实也只是把推导过程演给你看。看完你会明白,为什么推理能力越强,越需要人来把关。

📝 课前小测

先做 3 道简单题,看看你对「机器怎么推理」了解多少。做完再看笔记,印象会深很多。

Q1. 分类和聚类的根本区别是什么?

  • A. 分类处理数字,聚类处理文字
  • B. 分类面对已知类别,把待分数据和类别特征比较;聚类不知道该按什么标准分,只能按数据自身特征内部分组
  • C. 聚类一定比分类准确
  • D. 两者完全一样,只是叫法不同
看答案 **答案**:B **解析:**教材说得非常明确:分类面对的是**已知类别特征**的情况;聚类面对的是**不知道按什么标准划分**的情况,只能根据数据自身具备的特征内部分组。聚类也因此属于无监督学习。

Q2. 自动构建决策树时,节点顺序是怎么定的?

  • A. 按特征在数据表中出现的先后顺序
  • B. 优先选区分度最大的特征(信息增益高或基尼指数低的)作为分割节点
  • C. 随机决定
  • D. 按特征名字的笔画数
看答案 **答案**:B **解析:**教材说决策树构建的关键是选最优划分标准,通常比较各特征的**区分度**(可用信息增益或基尼指数衡量):信息增益高、基尼指数低,说明划分后的数据更纯净,就优先拿来做节点。

Q3. 关于会「思考」的推理模型,下列说法正确的是?

  • A. 它像人一样拥有意识和真实推理
  • B. 它通过思维链展示推导过程,但本质仍是复杂数学运算模拟出的逻辑推导,不是基于意识的真实推理
  • C. 它的思考过程永远比人更简洁高效
  • D. 它不会产生错误
看答案 **答案**:B **解析:**教材明确说这些实现方式仍然是**通过复杂的数学运算模拟出的逻辑推导过程,而不是基于意识、概念的真实推理**。同时它也提醒:面对简单问题,模型的「思考」往往非常烦琐,还不一定选更优策略,甚至会出现机器幻觉。

一、决策树:把大问题拆成一串小问题

Q:决策树长什么样?

答:它靠逐层提问来判断并得出结论,结构很清楚:

  • 根节点:起点问题;
  • 分支节点:中间的追问;
  • 叶节点:最终结论;
  • 决策路径:从根到叶的一条判断链,例如「愿意做饭 → 具备烹饪条件 → 时间充足 → 自制午餐」。

举例:人工智能发展初期,人就是用决策树开发出专家系统的——用知识库存专家经验,用推理引擎搜索决策路径。今天它仍广泛用在医疗、金融、教育、工业、农业里,因为结构清晰、易于理解。

Q:树是怎么「自动」长出来的?

答:关键在于选特征。教材的宠物领养例子特别清楚:

按什么特征分 分完什么样
年龄 幼年组全部被领养,成年组 75% 未被领养——区分度最大
品种 狗有 1 条未被领养,猫有 2 条未被领养——次之
体型、毛发、性格 相对混杂

所以先问年龄,再问品种,依次处理其余特征,同时剔除对结果没有影响的属性。这就是「优先选用区分度最大的特征作为分割节点」。

举例:还有个细节很妙——分完「年龄」后只剩 4 条成年组数据,此时「毛发」和「品种」的区分度相同,就可以随机挑一个。这说明节点顺序不是一成不变的,要看当前这组数据。

Q:那人工画树不行吗?

答:小问题可以,复杂问题和数据一大就耗时且容易出错。所以现在是让计算机根据数据自动建树、自动推理。


二、知识图谱:把知识点连成一张网,再顺着关系推

Q:知识图谱到底是什么?

答:先纠正一个常见误解——知识图谱里的「图」指的是数据结构,不是图像。它是一种以节点和边组织实体(或概念)及其关系的技术:节点代表实体,边表示关系。

Q:怎么用它推理?

答:靠规则。教材的活动是构建《红楼梦》人物亲属关系:数据库里默认只记录「父母」和「配偶」两种基本关系,其他关系全靠推导。

关系 怎么由基本关系组合出来
子女 父母的反向关系
母亲 父母 + 性别为女
儿子 子女 + 性别为男
兄弟 父亲 → 儿子
爷爷 父亲 → 父亲
堂兄弟 父亲 → 兄弟 → 儿子
姨表 母亲 → 姐妹 → 子女

举例:教材给的推理范式是——若 A 是 B 的父亲,B 是 C 的父亲,则 A 是 C 的爷爷。这就是把规则串起来用。知识图谱的好处是能弥补纯数据驱动方法在逻辑推理和常识理解上的不足。

Q:图谱从哪来?

答:早期靠人工整理、定义实体与关系并标注,准确但费时费力;现在可以让机器从海量文本中自动提取实体和关系,效率大幅提升。教材提醒应用时要注意四点:数据要准确、结构要清晰、可视化工具要易懂、内容要符合专业逻辑。


三、分类:先知道有几类,再往里放

Q:为什么分类也是「推理」?

答:因为很多人工智能任务归根结底都是分类——识别手写数字、看图识物、识别垃圾邮件,都是把输入归到某一类。计算机处理的一切最终都变成数值运算,分类也不例外。

举例:简单分类如判断奇偶,一次取模运算就够;复杂分类如判断「欢呼」属于高兴还是悲伤,就得算相似度。教材给的数据是欢呼 (0.7,0.2)、高兴 (0.8,0.1)、悲伤 (-0.3,0.6),算出来距离越小越相似,所以「欢呼」应归入高兴。教材补充:这里用的是欧氏距离,实际应用更多用点积或余弦值,那两个指标是值越大越相似。

不同数据转成数值的方式也不一样:垃圾邮件识别是统计「免费」「优惠」等词频构建向量;音乐风格分类则看音频波形图(时域,反映音量节奏)和梅尔频谱图(频域,反映音调音色)。


四、聚类:不知道有几类,让数据自己站队

Q:聚类跟分类到底差在哪?

答:一句话:分类是「按已知标准归」,聚类是「没有标准,让数据自己分堆」。因为没有可以参考的划分标准,聚类只能按数据本身具有的特征分组,也因此属于无监督学习。

还有一点很容易忽略:分组数量会显著影响结果。教材的星图活动里,同一幅图让你分成 4 组和分成 2 组,结果完全不同。

举例:古文文献整理的例子很典型——一批出土文献混在一起,可能属于 4 本书。做法就是提取文本特征(语义编码)→ 聚类分组,让机器自动把相似章节归到一起。聚类算法本身不必深究,但要明白它的实质:按提取的特征计算,再按计算结果分组。

常见的聚类算法有三种,各自擅长不同场景:

算法 思路 特点
K 均值聚类 基于距离,迭代调整簇中心 使数据点到所属簇中心的距离之和最小
层次聚类 用树状结构表示层级归属 适合看层次关系
DBSCAN(基于密度) 按密度找簇 能识别任意形状的簇,还能处理噪声

五、会「思考」的模型:它真的在想吗?

Q:推理模型「思考」时发生了什么?

答:它不仅能给出答案,还会通过思维链把推导过程展示出来——怎么理解问题、怎么尝试、怎么一步步得出结论。教材的沙漏问题是好例子:两个沙漏分别计时 7 分钟和 4 分钟,怎么计时 9 分钟?模型会先分析核心需求(利用时间差),再回顾常用思路(同时启动、流尽即翻转),最后给出方案。

Q:但它有明显局限,对吧?

答:对,教材举了三个特别有说服力的例子:

  • 烦琐且不选优解:谋杀案里,甲说丙是凶手、乙说自己不是、丙说丁是凶手、丁说丙说谎,只有一人说真话。人会立刻看出丙和丁的话互相矛盾、必有一真,因此乙说的一定是假话,乙就是凶手。而模型往往从「假设甲是凶手」开始逐个试。
  • 抓不住上下文:句子「二人看见解说牌上赫然写着『张飞字益德』,不禁愕然」,模型思考后提议把「益德」改成「翼德」——符合史实,却破坏了原文逻辑,因为「愕然」正是来自牌子上的错误。
  • 机器幻觉:让它介绍看起来合理但实际不存在的东西,它也可能一本正经地编。

Q:那这种「思考」的本质是什么?

答:教材的答案很干脆——仍是复杂的数学运算模拟出的逻辑推导过程,不是基于意识、概念的真实推理。

举例:教材把这个单元收在责任问题上:如果一款「有推理能力」的模型用在法律咨询上给出严重偏差的建议,责任该谁负?开发者、使用者,还是模型本身?这个问题没有标准答案,但结论一致:关键领域不能完全信任模型,必须由人来把关。

记住这一句话就够了

智能推理有四条路:决策树按区分度逐层提问、知识图谱顺着关系规则推导、分类按已知类别归类、聚类在无标准时按特征自动分组;即便是会展示思考过程的推理模型,本质仍是数学运算的模拟——所以它能帮你推,但不能替你负责。

question bank

第 4 单元 · 智能推理的应用 · 题目库

对应章节:第 4 单元 智能推理的应用(第 16—20 课)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 40 分钟


B 档 · 选择题

B1. 在决策树中,起点问题、中间问题、最终结论分别称为?

  • A. 叶节点、分支节点、根节点
  • B. 根节点、分支节点、叶节点
  • C. 分支节点、根节点、叶节点
  • D. 根节点、叶节点、分支节点

答案:B
解析:教材明确:在决策树中,起点问题作为根节点,中间问题作为分支节点,最终结论作为叶节点;从根节点到叶节点的一条判断链称为决策路径。

B2. 自动构建决策树时,选择分割节点的依据是?

  • A. 优先选择区分度最大的特征,可用信息增益或基尼指数衡量
  • B. 按特征在数据表中出现的先后
  • C. 随机选择
  • D. 优先选择取值最多的特征

答案:A
解析:教材说明确定最优划分标准就是决定根据哪些特征分类,可用信息增益或基尼指数评估:信息增益值高表示划分后数据更纯净,基尼指数低表明分组更纯净,因此优先选用区分度最大的特征作为分割节点。

B3. 关于知识图谱,下列说法正确的是?

  • A. 知识图谱是一种图像文件
  • B. 知识图谱中的「图」指数据结构,用节点表示实体或概念、用边表示关系
  • C. 知识图谱只能由人工构建
  • D. 知识图谱不能用于推理

答案:B
解析:教材强调知识图谱中的「图」指一种数据结构而非图像;它由节点(实体或概念)和边(关系)构成。构建方式已从早期的人工整理发展到机器可从海量文本自动提取,并可用于自动推理。

B4. 教材中《红楼梦》人物关系推理,默认记录的基本关系是?

  • A. 父子与母子
  • B. 父母与配偶,其他关系由它们推导
  • C. 兄弟与姐妹
  • D. 爷爷与奶奶

答案:B
解析:教材说明软件中数据默认记录了两种亲属关系——「父母」和「配偶」,由此可推断出「子女」关系,除此以外的其他亲属关系都需要通过组合规则进行推导,如「爷爷 = 父亲 → 父亲」。

B5. 关于分类与聚类的区别,下列说法正确的是?

  • A. 分类面对已知类别特征,把待分类数据与类别特征比较;聚类面对未知划分标准,只能按数据自身特征内部分组
  • B. 分类属于无监督学习,聚类属于有监督学习
  • C. 聚类必须事先知道分成几类
  • D. 两者没有区别

答案:A
解析:教材明确对比:分类面对已知类别特征,比较后找出最相似的一类;聚类面对不知道按什么标准划分的情况,只能根据数据自身具备的特征内部分组,属于无监督学习。聚类的分组数量通常需要人为预设,且会显著影响结果。

B6. 教材中判断「欢呼」更接近「高兴」还是「悲伤」,采用的方法是?

  • A. 统计笔画数
  • B. 计算语义编码之间的距离,距离越小越相似
  • C. 查词典
  • D. 随机猜测

答案:B
解析:教材给出欢呼 (0.7,0.2)、高兴 (0.8,0.1)、悲伤 (-0.3,0.6),要求计算相似度,并说明计算结果为欧氏距离,距离越小相似度越高;教材同时补充实际应用主要采用点积或余弦值,那两个指标是值越大越相似。

B7. 下列不属于教材介绍的聚类算法的是?

  • A. K 均值聚类
  • B. 层次聚类
  • C. 基于密度的空间聚类 DBSCAN
  • D. 冒泡排序算法

答案:D
解析:教材列出的常见聚类算法包括 K 均值聚类(基于距离,迭代调整簇中心)、层次聚类(树状结构表示层级归属)、基于密度的空间聚类 DBSCAN(能识别任意形状的簇并处理噪声)。冒泡排序是排序算法,与聚类无关。

B8. 关于会「思考」的推理模型,下列说法错误的是?

  • A. 它能通过思维链展示推导过程
  • B. 面对简单问题时其思考过程也可能非常烦琐,且不一定选择更优策略
  • C. 它基于意识与概念进行真实推理
  • D. 它可能出现机器幻觉

答案:C
解析:教材明确指出,这些实现方式仍然是通过复杂的数学运算模拟出的逻辑推导过程,而不是基于意识、概念的真实推理。A、B、D 均为教材提到的特征或局限。

B9. 教材中「张飞字益德」的例子说明推理模型存在什么局限?

  • A. 计算速度太慢
  • B. 修改虽符合史实却违背上下文逻辑,说明模型难以准确理解语境中的情绪与意图
  • C. 不支持中文
  • D. 不能识别错别字

答案:B
解析:教材说明模型思考后提议把「益德」改成「翼德」,这一修改符合史实,但违背了上下文逻辑——后文的「愕然」正是源于解说牌上的错误。教材由此指出讽刺、幽默等复杂情绪是人工智能需要长期克服的难点。

B10. 关于人工智能辅助决策,教材倡导的态度是?

  • A. 完全信任模型的判断,人不再干预
  • B. 把人工智能作为辅助工具,结合专业经验与实际情况综合判断
  • C. 在关键领域也应完全交给模型决定
  • D. 因为可能出错所以一律不用

答案:B
解析:教材在医疗决策支持的案例中说明:人工智能本质仍是基于算法的工具,面对罕见病、复杂病情或非典型症状容易误判,判断过程常呈「黑箱」特性;应将其作为辅助工具,结合患者病史、检查结果与病情变化综合判断,实现人机协同。


A 档 · 教材原题

核心考点:A1 = 医疗决策是否该完全依赖系统;A2 = 知识图谱应用调研;A3 = 读书笔记智能分类系统;A4 = 班级答疑智能分组;A5 = 推理模型出错的责任与规范

A1. 第 16 课 拓展与提升

某医院引入了一套先进的医疗决策支持系统,能够通过输入患者症状自动生成诊断报告和治疗方案。一位经验丰富的医生接诊了一位病情复杂的患者,系统建议采用某种高风险治疗方案,但医生凭借临床经验怀疑该诊断的准确性。此时这位医生面临两难:是采纳系统的判断,还是坚持自己的判断?
结合人工智能技术的特点和医学伦理责任,分析医生是否应完全依赖医疗系统的诊断,并说明理由。

答案:教材参考内容:① 医疗决策支持系统虽能快速分析大量数据,但本质仍是基于算法的工具,存在技术和伦理局限;② 人工智能的功效依赖训练数据的质量和多样性,面对罕见病、复杂病情或非典型症状时,容易因数据不足或模型限制出现误判;③ 人工智能判断过程常呈「黑箱」特性,医生难以洞察其逻辑,也无法充分考虑患者个体差异;④ 医学应以患者安全为首要原则,医生需对高风险方案谨慎评估,不能盲目依赖,其经验与综合判断能力仍是当前人工智能无法替代的;⑤ 正确做法是把人工智能作为辅助工具,结合其建议与患者病史、检查结果和病情变化综合判断并适时调整,同时重视人文关怀与伦理责任,实现人机协同。

A2. 第 17 课 拓展与提升

如今,知识图谱已经在教育、医疗、智慧城市等多个领域取得广泛应用。在教育领域,利用知识图谱可以帮助学生快速掌握学科知识点,并发现不同知识点之间的联系;在医疗领域,医生利用知识图谱分析患者的病史和症状,制定更精准的治疗方案;在智慧城市建设中,知识图谱能够整合交通、环境、人口等多方面的数据,为城市规划和管理提供科学依据。
查阅相关资料,了解知识图谱的应用情况,并记录相关概念及其之间的关系,并尝试将记录内容转换为图。

答案:思路框架:① 选定一个领域(如初中物理「牛顿第一定律」),列出实体(惯性、运动状态、外力、牛顿第一定律等)与关系;② 用节点表示实体、边表示关系,画成知识图谱;③ 教材提示应用知识图谱要关注四方面——数据要准确、结构要清晰、可视化工具要易懂、内容要符合专业逻辑确保科学性;④ 可补充说明构建方式的演变:早期靠人工整理数据与定义关系,准确但费时费力,如今机器可从文本中自动提取实体与关系,大幅提升效率并支持快速更新扩展。

A3. 第 18 课 拓展与提升

学校图书馆计划引入一套智能分类系统,用于归类同学们提交的读书笔记(如文学、历史、科普等类别)。结合本课所学的分类思想与技术,设计一个简单的「读书笔记智能分类系统」方案,包括:如何将文本信息转化为可计算的数据特征?可采用哪些方法判断文本与类别之间的相似度?尝试绘制该智能分类系统的流程图,思考可能遇到的问题及改进办法。

答案:教材给出的步骤:① 收集并整理一批已分类的读书笔记作为训练数据(文学类、历史类、科普类等),并从中提取文本特征;② 根据数据计算每种类别的重要属性,形成各类别的特征,即分类的依据;③ 提取新读书笔记的特征,与各类别特征比对,通过计算找出相似度最高的类别,并评估准确性;④ 构建分类系统,实现从文本输入到自动归类的全过程,并通过不断优化提升准确率。相似度方法可用距离(越小越相似)或点积、余弦值(越大越相似),必要时可自行学习余弦相关内容。可能问题与改进:类别特征不清晰导致误判,可扩充训练数据;一词多义或文体混搭导致边界模糊,可引入关键词权重与人工复核。

A4. 第 19 课 拓展与提升

一位老师对全班同学的答题情况做了一次小调查,记录了每位同学因概念不清、计算出错、审题不细、方法不当或时间不足等原因导致的错题数量,并统计了答题时长及改正率。思考任务:如果要根据这些数据把全班同学分成几个小组,再针对各组特点实施指导,如何利用所学知识实现智能分组?请简要说明设计思路。

答案:教材参考答案:① 可采用聚类算法对统计数据进行自动分类;② 聚类算法会根据错题原因、做题时间和改正率等特征,把表现相似的同学归为同一组,例如「概念薄弱但改正率高」或「时间不足导致失误多」的群体;③ 分组后为每类同学设计专项训练,提升指导效率;④ 若数据存在明显分层,可结合规则辅助分组,如「改正率低于 30% 优先干预」,确保建议的实用性。可补充:预设的分组数量会影响结果,需要尝试不同取值并与实际情况核对。

A5. 第 20 课 拓展与提升

某科技公司开发了一款具备「推理能力」的人工智能模型,并将其应用于法律咨询领域,用于辅助律师分析案情和提供法律建议。然而在一次使用中,该模型给出的建议出现严重偏差,导致相关案件引发争议。结合本课所学内容,从技术和伦理两个角度分析以下问题:·这种「推理」能完全信任吗?为什么?·如果模型出现错误判断并导致了严重的后果,责任应由谁承担?开发者、使用者,还是模型本身?·你认为未来应如何规范这类具有「思考」能力的人工智能模型在关键领域的应用?

答案:思路框架:① 不能完全信任——教材指出推理模型的「思考」本质仍是复杂的数学运算模拟出的逻辑推导,不是基于意识与概念的真实推理,且面对简单问题也可能思考烦琐、不选优解,还存在机器幻觉;② 责任问题需分层看待——开发者对模型能力与局限的提示、训练数据质量与产品适用范围负有责任,使用者负有审慎核验与专业判断的责任,模型本身不能作为责任主体;③ 规范建议——在医疗、法律等关键领域明确「辅助而非替代」的定位,重要结论必须经专业人士复核,保留人工决策与可追溯记录,明确告知使用者模型的局限,建立纠错与问责机制。言之成理即可,关键是体现「技术可用但不可盲信」的态度。


C 档 · 简答题

C1. 用自己的话说明决策树是怎么「自动」长出来的,并说明教材宠物领养例子中为什么先问「年龄」。

答案:自动构建决策树的关键是选择最优划分标准,也就是决定按哪些特征分类。做法是计算每个特征带来的区分度(可用信息增益或基尼指数衡量),信息增益高、基尼指数低说明划分后的数据更纯净,就优先拿它做分割节点;分完一层后再在当前这组数据里继续挑区分度最大的特征,同时剔除对结果没有影响的属性。宠物领养例子中,按「年龄」划分可得到幼年组全部被领养、成年组 75% 未被领养,区分度最大;按「品种」划分,狗有 1 条未被领养、猫有 2 条未被领养,区分度次之;而体型、毛发、性格的分类相对混杂。因此先问年龄、再问品种。教材还补充:分完年龄后只剩 4 条成年组数据,此时「毛发」和「品种」的信息增益相同,可以随机选择,说明节点顺序取决于当前数据。

C2. 分类和聚类都能把数据分成几组,它们的根本区别是什么?请各举一个教材中的例子说明。

答案:根本区别在于有没有已知的划分标准。分类面对的是已知类别特征的情况,把待分类数据的数据特征与不同类别的特征比较,找出最相似的一类;聚类面对的是不知道该按什么标准划分的情况,只能根据数据自身具备的特征进行内部分组,因此属于无监督学习。教材例子:① 分类——文本分类软件输入一段文字后给出类别,或垃圾邮件识别中先统计「免费」「优惠」等词频构建数值向量,再用分类算法判断是否为垃圾邮件;② 聚类——古文文献整理,一批出土文献可能属于 4 本书但内容混杂,做法是提取文本的语义编码特征,再按特征聚类分组,让机器自动归堆。此外,聚类的分组数量需要预设,且会显著影响结果(教材星图分成 4 组和 2 组结果完全不同)。

C3. 教材说推理模型会「思考」,但它的思考与人很不一样。请结合教材中的例子说明它的三个局限,并指出这种「思考」的本质。

答案:三个局限:① 烦琐且不选优解——谋杀案中模型通常从「假设甲是凶手」开始逐个尝试,而人只要注意到丙和丁的证言彼此矛盾、两人中必有一人说真话,就能直接推出乙说的是假话、乙是凶手;② 抓不住上下文与情绪——「张飞字益德……不禁愕然」一句,模型思考后提议把「益德」改成「翼德」,虽符合史实却破坏了原文逻辑,因为「愕然」正来自解说牌上的错误;③ 机器幻觉——让模型介绍看起来合理但实际并不存在的事物,它可能一本正经地编造,而消除幻觉非常困难。本质:教材明确指出,这些实现方式仍然是通过复杂的数学运算模拟出的逻辑推导过程,而不是基于意识、概念的真实推理。因此模型输出并非绝对正确,而是基于数据和算法的模拟推理,使用时必须保持批判性思维。


D 档 · 综合实践

D1. 用决策树或聚类解决一个校园小问题。

任务:选一个身边的真实问题,用本单元学到的方法做出一个可解释的分析,并给出可执行的建议。

建议步骤:

  1. 选题(二选一或自选):① 分类/决策树方向——如「预测哪些图书最可能被借出」「判断一条消息是不是诈骗信息」;② 聚类方向——如「根据错题原因与改正率给同学分组」「把社团活动按参与特征分堆」。
  2. 确定特征:列出对结果有影响的关键因素,并判断哪些是关键特征(区分度大),哪些可以剔除。
  3. 准备数据:收集至少 10—20 条记录,整理成表格(如决策树方向的猫狗领养表那样,含特征与结果两列)。
  4. 建立模型:
  5. 决策树方向:按区分度从大到小确定提问顺序,画出根节点、分支节点与叶节点,写出两条完整的决策路径;
  6. 聚类方向:先决定分几组,提取每条记录的特征,按特征计算相似度并分组,再尝试改成分 2 组或 4 组,比较结果差异。
  7. 验证与反思:用几条未参与建模的数据测试,记录判断正确与错误的例子;分析错误原因(特征选得不好?数据量不足?分组数不合适?)。
  8. 给出建议:把分析结论变成一条可执行的校园建议,并说明为什么不能完全交给模型决定。

评估要点:

  • 特征选择:能否说清为什么选这几个特征、哪个区分度最大、哪些被剔除;
  • 过程可解释:决策树是否画清节点与路径,聚类是否说明分组依据与分组数的影响;
  • 数据真实:是否收集了真实记录而非凭空编造,是否用新数据做了验证;
  • 反思深度:能否指出模型的局限与误判情形,并提出改进方向;
  • 责任意识:是否明确人工智能只做辅助、最终判断要由人来做。

答案(参考结论方向):常见发现包括——区分度最大的特征往往不是最「显眼」的那个,需要靠数据比较才能确定;聚类分组数一变结论就变,说明聚类结果有探索性和主观性;数据量不足时模型容易误判。最终结论应当是:决策树和聚类能帮我们把复杂问题拆清楚、把杂乱数据理出规律,但它们只反映已有数据中的模式,因此结论要由人结合实际情况复核后再使用。

九年级全一册 - 人工智能与智慧社会

ch05 - 智慧社会与智能向善

notes

这一章在讲啥?用一句话告诉你:当人工智能铺进整个社会,我们既要享受它带来的便利,也要看清它带来的隐私、公平、责任问题——「智能向善」说的就是:不只问技术能不能做,还要问它该不该做。看完你会明白,为什么刷个脸进门这种小事,也值得认真讨论。

📝 课前小测

先做 3 道简单题,看看你对智慧社会了解多少。做完再看笔记,印象会深很多。

Q1. 智慧社会里,服务之所以「好像很懂你」,根本原因是?

  • A. 它真的认识你这个人
  • B. 你使用服务时留下了行为数据,系统收集分析后再反过来提供个性化服务
  • C. 它联网查了你的档案
  • D. 纯属巧合
看答案 **答案**:B **解析:**教材的流程是「使用服务 → 信息留存 → 系统分析 → 推荐服务」。地图应用根据你的位置推荐路线、学习应用根据你的做题情况推荐练习,都是这个套路。背后涉及推荐算法、用户画像等,教材说不必深究术语,但要理解数据与服务的这种关系。

Q2. 教材说「数据驱动的社会治理」,指的是?

  • A. 凭经验办事
  • B. 用数据说话、用数据决策、用数据管理、用数据创新
  • C. 把所有数据公开
  • D. 只由人工智能决定一切
看答案 **答案**:B **解析:**教材的定义就是从「凭经验办事」转变为「用数据说话、用数据决策、用数据管理、用数据创新」。但教材同时提醒:智能系统的建议只是参考,要结合人工的专业判断与实际情况综合决策。

Q3. 关于「智能向善」,下列理解最贴切的是?

  • A. 技术越强越好,能做的都做
  • B. 让人工智能的发展始终围绕造福人类展开,不只问能不能,还要问该不该
  • C. 只要不违法就行
  • D. 只关注技术进步,不必管公平
看答案 **答案**:B **解析:**教材说智能向善的目的是让人工智能的发展始终围绕造福人类,用技术解决真实世界的问题,而不是带来伤害或不公。它不只强调科技创新能力,更强调应用的责任——所以要看公平、公正、安全和隐私。

一、智慧社会长什么样?

Q:到底什么是智慧社会?

答:指整个社会变得更加智能、高效的发展阶段——国家、城市、社区、学校、医院等各层级的信息系统能够实现互联互通、自动判断、主动服务。

举例:无人超市、智能公交站牌看起来只是一个柜子一块屏,背后却是一整条技术链。教材提醒一个很有用的看法:技术不是孤立存在的,有的是「干活的」,有的是「搭桥的」,而网络作为万物互联的基础,每个环节都在用。

Q:它为什么会「懂我」?

答:因为你在用它的时候留下了数据。教材把链路写得很清楚:使用服务 → 信息留存 → 系统分析 → 推荐服务。

举例:你搜过一次登山鞋,接下来几天各处都在给你推户外装备——这不是巧合,是你的行为数据被拿去分析了。教材因此提醒:这些信息可以使服务更有效,但也存在被泄露或被滥用的风险,所以要做到合理授权、谨慎分享。

Q:普通人该怎么适应?

答:提高数字素养、提升学习能力,做智慧社会的主动参与者而不是被动接受者。教材给了两个方向:一是当「AI 信息辨识员」,练出辨别哪些内容是智能生成的、哪些是真的;二是当「未来科研探索家」,看看智能技术怎么帮科学家突破瓶颈(如黑洞成像)。


二、创新不是一家的事

Q:一项智能创新是怎么落地的?

答:靠多方协作——科研机构提供理论支撑,企业负责技术落地,政府搭建实施环境。教材的智能辅助诊断系统例子特别完整:科研机构研发图像识别算法 → 医院提供医疗数据 → 科技公司开发软硬件系统 → 政府提供政策支持和监管措施。

举例:智能辅助驾驶也是这样,教材把它拆成感知系统、决策系统、执行系统三块协同:摄像头雷达采集环境信息(输入)→ 算法分析判断(处理)→ 自动刹车与路线调整(输出)。

Q:为什么要强调自主可控?

答:因为只有掌握核心技术,才能在智慧社会的发展中占据优势。教材要求从数据、算法、算力三方面梳理关键技术:芯片、操作系统、算法框架等。我国在国产芯片自主研发、算法平台自主建设、大模型自主研发上都有成果。

Q:那掌握技术的企业该负什么责?

答:教材把这个尖锐问题直接抛了出来:很多关键资源和技术由大型科技公司掌握,它们必须保护好用户数据、确保算法公平透明;社会也需要建立规则加强监管,防止出现隐私泄露、算法歧视、信息垄断。


三、社会治理:从「凭经验」到「用数据」

Q:智能技术怎么参与治理?

答:典型做法是采集数据 → 发现问题 → 提出应对措施:

系统 采集什么数据 做什么
农田监测 土壤湿度、温度、气象 提醒合理灌溉施肥,提高产出
城市交通 车流量、拥堵情况、信号灯状态 调整红绿灯时间,提升通行效率
安全预警 森林火情、山体位移、事故信息 识别风险、预警灾害

还可以更进一步:用群体行为模型预测趋势,提前部署资源和服务,比如预测人流拥堵,提前调整入口出口与障碍物布局。

Q:智能系统的建议能直接照办吗?

答:不能。教材点明了三点:建议的依据是大量数据及模型推理,因数据偏差、模型局限,并非绝对全面可靠;优势是能高效处理海量数据、快速发现问题;局限是对特殊情况的适应性较差。所以正确做法是把它当参考,结合人工的专业判断与实际情况综合决策。

Q:教材列的六大忧虑是哪些?

答:记住这张表,写方案、做辩论都用得上:

角度 担心什么
数据安全与隐私 大量人脸与行为数据被收集,泄露或滥用怎么办
技术依赖的隐患 过度依赖系统,一旦故障或被攻击怎么办
算法偏见与公平性 训练数据有偏见,导致不公平结果
技术成本与普及难题 发达地区用得起,偏远地区被边缘化
伦理与责任归属 系统误判出事,责任算谁的
环境与能源消耗 大规模部署耗能与电子垃圾

四、智能向善:效率之外,还要有温度

Q:什么叫智能向善?

答:让人工智能的发展始终围绕造福人类展开,用技术解决真实世界的问题,而不是带来伤害或不公。它不只强调科技创新能力,更强调应用的责任。教材那句话值得抄下来:要做到智能向善,就不能只看技术能不能做到,还要思考技术该不该做。

我国已经出台《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》《生成式人工智能服务管理暂行办法》《科技伦理审查办法(试行)》等法律法规,对数据使用、算法透明度、用户权益保障作出明确规定。

Q:人脸识别的例子说明了什么?

答:说明效率和包容要一起考虑。人脸识别快是快,但视障人士、行动不便者、老年人(面部特征随年龄变化)、小孩子(面部发育未完成)、面部缺损或整形者都可能被卡住。改进方向是多模态:以人脸识别为主、指纹识别为辅,支持实体卡,增设语音识别模块适配视障人士,紧急情况启用远程人工验证。

举例:教材给的启示很到位——技术开发要以人为本,关注弱势群体的权益,不能让智能化发展加剧数字鸿沟,设计阶段就要考虑社会多样性。

Q:人工智能会抢走工作吗?

答:会冲击一部分岗位。教材列的易被替代的有:数据录入员(规则明确重复)、客服人员(智能客服已普及)、银行柜员、初级翻译员、初级文秘、工厂流水线工人。但有些能力暂时无法替代:创造力与想象力、复杂情感交流与共情、批判性思维、决策能力、领导力、团队协作、道德判断与伦理选择。必须由人完成的职业也很好懂:医生(医患沟通与伦理判断)、教师(引导激励陪伴)、心理咨询师(情感共鸣与信任)、艺术家(情感体验与文化背景)。

应对是三方合力:政府完善法律法规,企业与科研机构承担社会责任、公开透明、避免算法歧视与数据滥用,个人提升数字素养、不盲目依赖、保持理性判断与独立思考。

举例:准备方向也给了——学好基础学科、培养逻辑与跨学科思维、多参与项目实践、保持终身学习的习惯。

记住这一句话就够了

智慧社会 = 数据驱动的便利 + 多方协作的创新 + 必须被管住的风险;而智能向善是它的底线:技术要先问「该不该做」,要照顾到每一个少数群体,要让效率之外还有温度。

question bank

第 5 单元 · 智慧社会与智能向善 · 题目库

对应章节:第 5 单元 智慧社会与智能向善(第 21—24 课)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 40 分钟


B 档 · 选择题

B1. 教材对「智慧社会」的描述是?

  • A. 只是城市里装了很多摄像头
  • B. 国家、城市、社区、学校、医院等各层级信息系统互联互通、自动判断、主动服务的发展阶段
  • C. 人人都会编程的社会
  • D. 完全由人工智能管理、不需要人的社会

答案:B
解析:教材定义智慧社会是整个社会变得更加智能、高效的发展阶段,各层级信息系统能实现互联互通、自动判断、主动服务,离不开人工智能与网络等技术的支持。

B2. 智能服务之所以「好像很懂你」,根本原因是?

  • A. 它真的认识你这个人
  • B. 使用服务时留下行为数据,系统收集分析后再反过来提供个性化服务
  • C. 它联网调取了你的档案
  • D. 纯属巧合

答案:B
解析:教材的流程是「使用服务 → 信息留存 → 系统分析 → 推荐服务」,涉及推荐算法、用户画像等;教材同时提醒这些信息存在被泄露或滥用的风险,应合理授权、谨慎分享。

B3. 一项智能创新从研发到落地,教材强调的协作机制是?

  • A. 只靠企业自己
  • B. 科研机构提供理论支撑、企业负责技术落地、政府搭建实施环境
  • C. 只靠政府投入
  • D. 由用户自行开发

答案:B
解析:教材以智能辅助诊断系统为例说明:科研机构研发图像识别算法、医院提供医疗数据、科技公司开发软硬件系统、政府提供政策支持和监管措施,多方跨界联动形成完整的创新生态。

B4. 关于自主可控,下列说法正确的是?

  • A. 买国外的成熟技术最省事,不需要自主研发
  • B. 只有掌握核心技术,才能在智慧社会的发展中占据优势
  • C. 自主可控与数据安全无关
  • D. 只需要掌握算法,芯片和算力不重要

答案:B
解析:教材指出近年来我国在国产芯片自主研发、算法平台自主建设、大模型自主研发等方面取得成果,只有掌握核心技术才能占据优势;并要求从数据、算法、算力三方面梳理芯片、操作系统、算法框架等关键技术。

B5. 关于数据驱动的社会治理,下列说法错误的是?

  • A. 从凭经验办事转变为用数据说话、用数据决策
  • B. 智能系统的建议绝对全面可靠,可以直接照办
  • C. 农田监测系统可采集土壤湿度、温度与气象数据
  • D. 交通管理系统可采集车流量、拥堵情况与信号灯状态

答案:B
解析:教材明确指出,智能系统的建议基于大量数据及模型推理,因数据偏差、模型局限等原因并非绝对全面可靠,对特殊情况的适应性较差,应作为参考并结合人工的专业判断与实际情况综合决策。

B6. 下列不属于教材列出的对智能辅助管理应用的忧虑的是?

  • A. 数据安全与隐私
  • B. 算法偏见与公平性
  • C. 伦理与责任归属
  • D. 计算机的体积太大

答案:D
解析:教材表 23.2 列出的忧虑包括数据安全与隐私、技术依赖的隐患、算法偏见与公平性、技术成本与普及难题、伦理与责任归属、环境与能源消耗,共六个方面。

B7. 关于「智能向善」,理解最贴切的是?

  • A. 技术能力越强越好,能做的都做
  • B. 让人工智能的发展始终围绕造福人类展开,不只问能不能,还要问该不该
  • C. 只要不违法就可以
  • D. 只追求效率,不必考虑公平

答案:B
解析:教材说明智能向善的目的是让人工智能的发展始终围绕造福人类展开,用技术解决真实世界的问题,而不是带来伤害或不公;它不只强调科技创新能力,更强调应用的责任,因此要看公平、公正、安全和隐私。

B8. 下列不属于教材提到的我国相关法律法规的是?

  • A. 《中华人民共和国个人信息保护法》
  • B. 《中华人民共和国数据安全法》
  • C. 《生成式人工智能服务管理暂行办法》
  • D. 《中华人民共和国环境保护税法》

答案:D
解析:教材列举的是《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》《生成式人工智能服务管理暂行办法》《科技伦理审查办法(试行)》,这些法规对数据使用、算法透明度、用户权益保障等作出明确规定。

B9. 关于人脸识别的包容性,下列说法错误的是?

  • A. 老年人可能因面部特征随年龄变化而识别失败
  • B. 小孩子因面部发育未完成、成长快,系统难以匹配
  • C. 人脸识别已经完美,不需要任何补充方式
  • D. 可采用指纹、声纹、实体卡等多模态方式作为补充

答案:C
解析:教材明确指出视障人士、行动不便者、老年人、小孩子、面部缺损或整形者等都可能遇到困难,改进方向是采用多模态识别方式(指纹、声纹、实体卡、语音识别模块),并设置人工辅助通道与无障碍模式。

B10. 关于职业冲击,下列不属于教材所说「人工智能暂时无法替代的能力」的是?

  • A. 创造力与想象力
  • B. 复杂的情感交流与共情能力
  • C. 道德判断与伦理选择的能力
  • D. 高速重复的数据录入

答案:D
解析:教材列出的暂时无法替代的能力包括创造力与想象力、复杂的情感交流与共情能力、批判性思维、决策能力、领导力、团队协作能力、道德判断与伦理选择的能力。数据录入恰恰是规则明确、重复性高、容易被替代的工作。


A 档 · 教材原题

核心考点:A1 = 未来社会需要什么能力;A2 = 科技企业的社会责任;A3 = 智能辅助管理的六大忧虑;A4 = 职业替代与应对;A5 = 理想中的智慧社会

A1. 第 21 课 拓展与提升

同学们参加学校「未来职业体验日」活动,参观了智能工厂、智能客服中心或智慧农场,亲身体验了智能系统在生产、服务及农业中的辅助作用。面对日益普及的智能化应用场景,同学们开始思考:在人工智能和自动化技术不断创新的时代,未来社会将会发展成什么样子?我们需要具备哪些能力才能更好地融入这样的社会?
结合在活动中的观察和理解,说一说自己对未来社会的认识,并谈谈从现在开始,如何在知识学习和能力提升方面做准备。

答案:思路框架:① 对未来社会的认识——智能化将从单点应用走向系统协同,生产、服务、农业、治理各环节都被数据与模型连接,岗位结构随之变化;② 需要的能力——信息素养(辨别智能生成内容与虚假信息)、创新思维、跨学科能力、终身学习能力,以及合作精神与社会责任感;③ 现在的准备——提高数字素养与学习能力,做智慧社会的主动参与者而非被动接受者;结合第 21 课「AI 信息辨识员」「未来科研探索家」两个方向,多练信息甄别,多了解智能技术在科研中的应用;④ 教材强调:在技术快速变化的时代,问题解决能力、合作精神与社会责任感同样重要。

A2. 第 22 课 拓展与提升

越来越多的人工智能产品走进学习与生活,这些技术产品离不开数据、算法和算力的支持。目前,很多关键资源和技术由大型科技公司掌握。这引发了需要思考的问题:在人工智能深刻影响社会的今天,这些科技企业应该承担哪些社会责任?如何建立合理的机制,确保人工智能的应用不会带来隐私泄露、算法歧视或信息垄断等问题?
结合现实案例或所见所闻,与小组同学分享自己的看法。

答案:思路框架:① 企业的责任——保护好用户数据(加密、最小化收集、明确授权),确保算法公平透明(避免算法歧视),防止信息垄断;② 机制建议——建立数据使用规范与审计机制、算法透明度与可解释性要求、第三方评估与监管、用户可查询可申诉的渠道;③ 教材态度——人工智能不只是技术问题,还关系到社会公平和每个人的权利,社会需要建立规则、加强监管,防止技术被滥用;④ 个人层面——学会理性看待技术,提升安全意识,积极参与未来的数字生活。答题时最好配一个自己听说过的真实案例来说明。

A3. 第 23 课 拓展与提升

表 23.2 列出了当前人们对智能辅助管理应用的一些忧虑,针对这些问题,思考改进的方法并在小组中交流分享。

答案:教材给出的改进方向,按六个角度组织:① 数据安全与隐私——认识数据加密与用户授权的重要性,探讨匿名化处理与最小化数据收集策略,平衡便利与安全;② 技术依赖的隐患——强调人工监督不可或缺,通过模拟系统故障的案例教学,培养应急决策与技术风险防范意识;③ 算法偏见与公平性——以招聘、司法量刑等算法应用为例,关注数据多样性,完善数据标注与算法审核机制;④ 技术成本与普及难题——思考开源技术、共享基础设施方案,推动政企合作,缩小地区技术应用差距;⑤ 伦理与责任归属——讨论开发者、使用者、政府权责边界,倡导多方协同制定智能系统责任认定标准,了解相关法律法规;⑥ 环境与能源消耗——关注低功耗技术、设备回收利用,倡导绿色节能的智能系统。

A4. 第 24 课 学习活动 2

哪些职业可能被人工智能替代?如何应对?
1. 通过查阅资料或利用人工智能模型,了解哪些职业在未来容易被人工智能替代。
2. 就以下问题展开讨论:·如果你现在感兴趣的职业可能被人工智能替代,你会怎么办?·哪些能力是人工智能暂时无法拥有的?·为了适应未来的变化,你现在可以做哪些准备?

答案:教材参考答案:① 容易被取代的职业——数据录入员(规则明确、重复性高)、客服人员(智能客服已广泛应用)、银行柜员、初级翻译员(翻译工具日益成熟)、初级文秘(文档整理与邮件处理)、工厂流水线工人(工业机器人广泛应用);② 应对方式——提前了解行业趋势,掌握更高阶技能(数据分析、人工智能管理、用户体验设计等),培养不可替代的能力;③ 暂时无法替代的能力——创造力与想象力、复杂的情感交流与共情能力、批判性思维、决策能力、领导力、团队协作能力、道德判断与伦理选择的能力;④ 现在的准备——学好基础学科,培养逻辑思维和跨学科思维,理解技术与人文的结合,多参与项目实践,培养终身学习意识。

A5. 第 24 课 拓展与提升

  1. 假设你是社会的管理者或规划者:·哪些系统可以帮助老年人、儿童、残障人士更好地生活?·如果整个社会都要智能化,你会优先让哪些方面变得更智能?
  2. 用文字、图像、视频等方式,展示自己理想中的智慧社会。
  3. 思考:·智能系统真的能改善大家的生活吗?·会不会带来隐私泄露、数据滥用等问题?

答案:思路框架:① 面向弱势群体的系统可从教材「助老防摔贴」的思路扩展——跌倒检测与自动求助、无障碍导航与语音交互、儿童走失预警、用药提醒与远程问诊等;② 优先智能化的方面建议选公共性最强、普惠面最广的领域,如交通调度、医疗资源调度、灾害预警与应急响应;③ 理想智慧社会可从教材示例展开(空中无人驾驶公交与立体交通、可自动调节空气质量与湿度的智能绿植墙、全民共享的虚拟现实社交广场、可自动变形的公共空间),但必须同时回答代价;④ 辩证结论——智能系统确实能提升效率与生活质量,但会带来隐私泄露与数据滥用风险;应对办法是建立健全数据保护法律法规、提升系统透明度与可解释性、鼓励公众参与科技治理、加强公众数字素养与信息安全意识,确保科技真正服务于全社会;⑤ 教材强调:技术不仅要「高效」,更要有「温度」,尤其要关注弱势群体的需求。


C 档 · 简答题

C1. 用自己的话说明智能服务「懂你」的完整链路,并说明个人该如何保护自己。

答案:链路是:使用智能设备和服务 → 留下个人信息与行为数据 → 系统对数据进行分析(涉及推荐算法、用户画像等,教材说不必深究术语)→ 反过来为你提供个性化、自动化的服务。例如地图类应用根据位置信息推荐路线,学习类应用根据做题情况推荐练习。保护措施:① 认识到这些信息既带来便利,也存在被泄露或被滥用的风险;② 做到合理授权、谨慎分享——安装应用时看清权限请求,不必要的权限不给;③ 回顾并更新以前学过的措施(如合理设置密码、不随意泄露个人信息),并针对智慧社会的新场景补充新措施;④ 教材提示的新挑战包括语音助手误唤醒、推荐算法过度追踪等,可据此检查自己的设备设置;⑤ 核心是树立「便利与安全并重」的意识。

C2. 教材说智能治理是「数据驱动」的。请说明它的含义、优势与局限,并举例说明应如何正确使用智能系统的建议。

答案:含义:社会各个角落(人、机、物)产生的海量数据被实时收集、整合与分析,成为政府决策的基础,即从凭经验办事转变为用数据说话、用数据决策、用数据管理、用数据创新;还可以基于群体行为模型预测趋势,提前部署资源和服务。优势:能高效处理海量数据,快速精准地发现问题并提供解决方案,提升治理效率与科学性,例如根据实时路况调整红绿灯时间、根据土壤状况提醒灌溉施肥、预测人流拥堵并提前调整出入口布局。局限:建议的依据是大量数据及模型推理,因数据偏差、模型局限并非绝对全面可靠,且对特殊情况的适应性较差。正确用法:把智能系统的建议作为参考,结合人工的专业判断与实际情况进行综合决策,同时保留人工监督与应急能力,防止因系统故障或被攻击造成严重后果。

C3. 什么是「智能向善」?请结合人脸识别的案例说明它为什么重要,并说明应从哪些方面落实。

答案:智能向善是让人工智能的发展始终围绕造福人类展开,用技术解决真实世界的问题、改善生活,而不是带来伤害或不公;它不只强调科技创新能力,更强调应用的责任。人脸识别案例说明了它的重要性:这项技术识别快、使用方便,但视障人士、行动不便者、老年人(面部特征随年龄变化明显)、小孩子(面部发育未完成、成长快)、面部缺损或整形者都可能无法被准确识别,导致无法顺利通行或使用服务——如果只看效率,这部分人就被技术排除在外了。落实方向:① 采用多模态识别作为补充,如指纹、声纹、实体卡,并增设语音识别模块适配视障人士,紧急情况启用远程人工验证;② 用多样的训练数据集优化算法,提高对不同群体的识别准确率;③ 设置人工辅助通道与无障碍模式;④ 加强伦理审查与技术监管,防止滥用和歧视;⑤ 制度层面,我国已出台《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》《生成式人工智能服务管理暂行办法》《科技伦理审查办法(试行)》等法规。核心启示:技术开发要以人为本,不能让智能化加剧数字鸿沟。


D 档 · 综合实践

D1. 设计一个「智能向善」的校园应用方案,并做一次伦理自查。

任务:为校园或社区的一个真实问题设计智能解决方案,要求既有效,又经得起隐私、公平、责任三个方面的检查。

建议步骤:

  1. 选真实问题:从教材任务表中选一项或自定,如「教室安全卫士」(识别随手扔垃圾、翻窗等不文明不安全行为)、「烟雾警报侠」(发现充电区烟雾立即报警)、「助老防摔贴」(老人跌倒自动发送位置并拨打电话)。
  2. 定软硬件:梳理所需硬件(传感器、定位芯片、通信模组、电源、外壳等)与软件(服务器处理数据、手机应用收发通知)。
  3. 写设计报告:包含名称、用途、解决的问题、使用的技术、工作流程(如传感器采集数据 → 5G 传输 → 系统判断 → 传输结果 → 应用报警并提示位置)。
  4. 做伦理自查(对照教材表 23.2 的六个角度):
  5. 数据安全与隐私——收集了哪些个人信息?能否最小化收集与匿名化?是否取得授权?
  6. 技术依赖的隐患——系统故障或被攻击时会怎样?人工监督与应急方案是什么?
  7. 算法偏见与公平性——训练数据是否覆盖不同群体?会不会误判某类人?
  8. 技术成本与普及难题——成本多高?条件差的班级或地区用得起吗?
  9. 伦理与责任归属——误报或漏报造成后果,责任由谁承担?
  10. 环境与能源消耗——设备功耗与报废回收怎么处理?
  11. 展示与反思:用文字、架构图或界面图展示方案,并回答「是否解决了真实问题、是否合理运用技术、是否兼具创新与实用」。

评估要点:

  • 真实性:是否针对一个真实存在的安全或服务问题;
  • 完整性:报告是否覆盖名称、用途、技术、工作流程四要素;
  • 自查深度:六个角度是否逐条作答、是否给出具体可执行的改进措施而非空话;
  • 包容性:是否考虑了老年人、视障人士、行动不便者等少数群体的需求;
  • 表达:架构图或界面图是否清楚,能否让人一眼看懂数据是怎么流动的。

答案(参考结论方向):以「助老防摔贴」为例,教材给出的流程是传感器采集数据 → 5G 传输信息 → 系统判断 → 5G 传输结果 → 手机应用报警并提示相关人员位置,解决的问题是缩短摔倒救助的响应时间。伦理自查通常会发现:位置信息属于敏感个人信息,必须取得明确授权并加密存储;系统可能误判(如剧烈运动被识别为跌倒),因此要保留人工确认环节;误报与漏报的责任应在设计阶段就写清楚。最终结论应当是:有效的智能系统 = 真实需求 + 清晰的数据流 + 经过自查的伦理设计。

九年级全一册 - 人工智能与智慧社会

ch06 - AI项目工坊

notes

这一单元在讲啥?一句话:前面五个单元学的都是「AI 能干什么」,这一单元把六件事从头到尾做一遍——从「发现问题」到「准备数据」到「训练模型」到「搭成系统」。看完你会明白,做一个 AI 小项目真正的难点往往不在模型,而在「把现实问题翻译成数据和流程」。

📝 课前小测

先做 3 道题,看看你对「做项目」这件事了解多少。

Q1. 教材里训练手写数字识别模型用的 MNIST 数据集,测试数据和训练数据分别有什么用?

  • A. 训练数据用来考试,测试数据用来练习
  • B. 训练数据用来练习、调整参数,测试数据用来检验模型是否真学会了
  • C. 两者可以混在一起用,没什么区别
  • D. 测试数据越多,模型训练得越快
看答案 **答案**:B **解析:**教材把训练数据比作平时的练习题,模型靠它反复「做题」调整参数;测试数据像正式考试,用来检验模型是不是真掌握了规律,而不是死记硬背。所以两者必须分开,混在一起就考不出真实水平了。

Q2. 训练模型玩《躲避障碍》游戏时,教材给的奖励规则是「每帧 +0.01、穿过管道 +1、碰撞 −1」。这种「每一帧都给一点小反馈」的设计叫什么?

  • A. 稀疏奖励
  • B. 密集奖励
  • C. 惩罚机制
  • D. 探索策略
看答案 **答案**:B **解析:**教材明确说这是典型的密集奖励——每个时间片(每一帧)都给小幅但持续的正反馈,好处是模型能很快建立起「状态和动作」之间的因果关系。稀疏奖励只在关键事件(通关或失败)时才给反馈,学起来难得多。

Q3. 训练过程中,如果训练数据的损失一直在降、准确率一直在升,但测试数据上的表现反而变差了,这叫什么?

  • A. 欠拟合
  • B. 过拟合
  • C. 梯度消失
  • D. 数据泄露
看答案 **答案**:B **解析:**教材专门讲了过拟合:模型在训练数据上越来越好,但它「学」到的是特例而不是通用规律,所以面对新数据时反而不会推理了。判断过拟合靠的就是那两个指标——训练时持续改善,验证时却停滞甚至倒退。

一、六个项目,先来一张速览表

课 做什么 用到的 AI 能力 最关键的一步
25 与机器下井字棋 让机器学会下井字棋 抽象建模、基于数据的价值评估 把棋盘和下棋过程数字化
26 推荐出行方式 按距离天气等推荐步行/骑行/坐车 决策树、单层人工神经网络 把连续因素分等级,做出结构化数据集
27 智能环境播报助手 帮视障人士「听」到周围环境 图像描述、语音生成、网络传输 把三个模块串成系统
28 人脸识别 训练能认出同学的小模型 人脸检测、特征提取、模型训练 自动从照片里选出人脸区域
29 手写数字识别 识别手写数字 卷积神经网络、训练与评估 按数据结构设计网络输入/输出
30 训练模型玩游戏 让 AI 自动玩《躲避障碍》 强化学习、DQN 设计状态、动作和奖励机制

你会发现,六个项目的骨架其实是同一条:问题分析 → 准备数据 → 训练模型 → 搭成系统 → 展示与反思。差别只在中间用哪种方法。

二、井字棋:从「人写规则」到「机器自己学」

Q:为什么拿井字棋开头?

答:规则简单,你可以把精力全放在「智能是怎么来的」上,而不是背规则。教材给了三种递进的做法,正好对应人工智能思想的演变。

Q:棋盘怎么变成数字?

答:两种思路。一种是给九个格子编坐标,像电子表格;另一种是直接用 1 到 9 表示格子,因为双方交替落子,奇数步一定是先手下的,连「谁下的」都不用记。第二种把棋谱压成一串数字(比如 15243),处理起来方便得多。

举例:就像你要记录一局棋,写「先手下中心、后手下左上角……」很啰嗦,不如直接写「5、1、2、4、3」,谁走第几步是隐含的。

Q:机器怎么从棋谱里学出策略?

答:靠打分。教材给的评估规则是:每个可下位置先记 0 分;赢家获胜那一步 +100,输家除获胜位置外 −100;再往前推一步 ±10,推两步 ±1。把大量棋谱跑一遍,同状态的得分相加,最后得到一张「状态 → 各剩余位置得分」的表。对弈时查表,从得分最高的格子里选一个落子就行。

第二种做法(人写规则)是早期人工智能的主流思路——把专家经验变成规则库。问题在于,遇到围棋这种复杂问题,规则数量会爆炸式增长,压根写不完。所以第三种做法才重要:让机器自己从数据里学。配套资源里的 train.py 干的就是这件事,训练完的模型存在一个字典里,键是状态、值是各位置的得分。

举例:你可以试试只用 10%、20%、50% 的棋谱训练,会发现数据越少,机器下得越笨——数据的重要性,一测就知道。

三、推荐出行方式:数据是怎么备好的

Q:准备数据要走几步?

答:五步,收集 → 整理 → 清洗 → 分析 → 构建数据集。收集可以靠问卷、传感器或网络;整理是分类排序;清洗是去掉重复、错误、不完整的;分析是用统计和可视化找规律;最后把数据组织成模型能吃的格式。

举例:距离、温度这些因素是连续变化的,教材建议按「近/中/远」这样的等级划分(回想六年级学过的阈值概念),把模糊的主观判断变成可量化的特征。这一步做不好,后面模型再好也白搭。

Q:决策树和人工神经网络做同一个推荐,差别在哪?

答:决策树靠一串判断条件一步步缩小范围,最后给出结论,过程看得见、说得清;单层人工神经网络是输入层接距离、温度、同伴数、天气、风力等,输出层给步行、骑行、坐车,靠训练调参数,过程是个黑盒,但能处理更复杂的非线性关系。教材还让你拿大语言模型再做一次,比较三种方式的合理性与可解释性。

四、人脸识别与手写数字识别:两个标准样板

Q:人脸识别到底分几步?

答:三步,提取特征 → 建立模型 → 识别身份,跟人认脸的过程一模一样。工程上还多一步:先用 OpenCV 的 haarcascade_frontalface_default.xml 把照片里的人脸框出来,转灰度图(避免颜色干扰、突出五官位置)、统一尺寸,再训练,模型存成 face_mod.xml。

举例:拍训练照片要像拍证件照——人脸居中、背景干净、别开美颜。程序框不出人脸的照片干脆删掉。数据质量直接决定模型好坏。

Q:手写数字识别的网络长什么样?

答:教材给的结构是一个卷积层 conv 加两个全连接层 fc1、fc2。输入是 28×28 的黑白图,所以输入层要 784 个节点;卷积层输出 8 个通道、仍是 28×28 的特征图;fc1 整合成 128 个特征;fc2 映射成 10 个类别的概率(数字 0 到 9)。数据集 MNIST 有 60000 条训练数据、10000 条测试数据。

Q:训练时该盯哪两个数?

答:损失和准确率。损失是预测与真实答案的差距,越低越好;准确率是测试集上识别对的比例,越高越好。两个一起看,才能发现过拟合。

五、训练模型玩游戏:强化学习

Q:强化学习和前面学的有什么不一样?

答:前面是「给一堆带答案的题,让模型学规律」;强化学习是没有标准答案,只有反馈。智能系统做动作 → 环境给奖励或惩罚 → 调整策略 → 再做动作,循环往复,目标是让长期累积奖励最大。教材给的奖励规则:每活一帧 +0.01,穿过一根管道 +1,碰撞 −1。

Q:探索和利用是什么?

答:训练初期要「探索」,教材给的例子是初始探索率 80%——八成动作随机选,好广泛收集各种状态的反馈;随着训练推进再逐步降低探索率,越来越多地按模型预测走,也就是「利用」。只探索不利用效率低,只利用不探索容易困在局部最优。

Q:DQN 又是什么?

答:DQN 是深度 Q 网络,把深度神经网络和 Q 学习结合起来。Q 学习的核心是张 Q 表(行是状态、列是动作、表里的值是回报),其实井字棋那张得分表就是 Q 表的雏形;但遇到游戏画面这种庞大状态,表格根本装不下,只好用神经网络来近似。注意 DQN 是方法不是固定结构,简单输入可用全连接网络,图像输入就用卷积网络。

举例:教材把画面 420×420 缩放、二值化成 21×21 共 441 个数字当状态——信息简化了,模型好处理了,但也会丢信息,这就是设计状态时的取舍。

六、自己做一个 AI 小项目,照这个流程走

  1. 找问题:从真实场景里挑一个痛点,说清目标和需求(教材建议:问题识别 → 需求分析 → 问题分析)。
  2. 备数据:收集、整理、清洗、分析,构建数据集。
  3. 选方法:决策树、神经网络,还是直接调用现成模型?
  4. 训练模型:盯损失和准确率,小心过拟合。
  5. 搭系统:把模型变成可运行的模块,接上输入输出(第 27 课那套摄像头 + 服务器 + 手机的组合就是范例)。
  6. 展示与反思:成果展示、过程反思、方案优化,并且始终记得负责任地使用人工智能。

记住这一句话就够了

做 AI 项目,六步走:找问题、备数据、选方法、训模型、搭系统、再反思;模型本身往往不是最难的一步,把现实问题翻译成可量化的数据和清晰的流程才是——而训练得再好的模型也有局限,它依赖数据质量和训练过程,会误判、会出错,所以最后一步永远是人的判断。

question bank

第 6 单元 · AI项目工坊 · 题目库

对应章节:第 6 单元 AI项目工坊(第 25—30 课,选修单元)
题目来源:A 档为教材「学习活动/拓展与提升」原题;B/C/D 档为依据教材内容编写
答案完整度:全部题目均附参考答案;A 档开放题给出思路框架
建议作答时长:选择题 10 分钟,简答 15 分钟,综合实践 40 分钟


B 档 · 选择题

B1. 教材在第 25 课给出了两种把井字棋棋盘数字化的思路,其中第二种思路(用 1 到 9 表示格子、棋谱写成数字序列)为什么不需要另外记录「这一步是谁下的」?

  • A. 因为棋谱文件里单独存了棋手编号
  • B. 因为双方交替行棋,奇数步一定是先手下的,偶数步一定是后手下的
  • C. 因为格子编号本身就包含了棋手信息
  • D. 因为机器可以自动识别谁下的

答案:B
解析:教材明确说明:双方交替行棋,奇数步一定是棋手 1 下的,偶数步一定是棋手 2 下的,因此无须特意标注,只要把格子对应的数字按顺序排列即可。这也体现了把二维坐标转成一维数字序列后表示更简洁、处理效率更高。

B2. 关于「用规则库实现智能下棋」这一做法,教材的观点是?

  • A. 这是最先进、适用范围最广的做法
  • B. 它是早期实现人工智能的核心思想,但问题变复杂后规则数量会爆炸式增长
  • C. 它只适用于围棋,不适用于井字棋
  • D. 它属于数据驱动的方法

答案:B
解析:教材指出,这种把人类经验转化为规则、让机器模仿专家行为的做法,是早期实现人工智能的核心思想,历史上用它解决过跳棋、国际象棋等问题;但随着问题变复杂(如围棋),规则数量会爆炸式增长,有些规则甚至难以描述,再用规则库构建就不现实了。它属于人工规则驱动,不是数据驱动。

B3. 第 26 课中准备数据的五个环节,顺序正确的是?

  • A. 收集数据 → 清洗数据 → 整理数据 → 分析数据 → 构建数据集
  • B. 收集数据 → 整理数据 → 清洗数据 → 分析数据 → 构建数据集
  • C. 分析数据 → 收集数据 → 整理数据 → 清洗数据 → 构建数据集
  • D. 收集数据 → 分析数据 → 清洗数据 → 整理数据 → 构建数据集

答案:B
解析:教材给出的顺序是:收集数据(问卷、传感器或网络爬取)→ 整理数据(分类排序)→ 清洗数据(去除重复、错误、不完整)→ 分析数据(统计分析与可视化,挖掘规律)→ 构建数据集(组织成适合训练和预测的格式)。这五步环环相扣,是高质量推荐的前提。

B4. 在推荐出行方式的系统里,为什么教材建议把距离、温度这类连续变化的因素划分成「近/中/远」这样的等级?

  • A. 因为模型只能处理文字,不能处理数字
  • B. 因为等级划分可以构建结构化数据集,便于后续训练和推荐
  • C. 因为等级越多模型越准,所以分得越细越好
  • D. 因为教材规定所有数据都必须分级

答案:B
解析:教材在任务分析中说明,影响因素可能连续变化(如温度、距离),可以将这些数据进行等级划分,构建结构化的数据集,为后续模型训练和智能推荐打下基础。教材还提示可回顾六年级学过的「阈值」概念来理解分级。

B5. 关于决策树与单层人工神经网络做出行推荐的区别,下列说法正确的是?

  • A. 决策树完全不需要数据,人工神经网络才需要
  • B. 决策树通过一系列判断条件逐步缩小范围,过程较易解释;神经网络靠训练调参,可处理更复杂的非线性关系
  • C. 人工神经网络一定能比决策树推荐得更准
  • D. 两者都要先把文本转成语音

答案:B
解析:教材说明决策树通过一系列判断条件逐步缩小推荐范围,最终得出推荐结果,判断链条清晰、可解释性强;人工神经网络则以距离、温度、同伴数、天气、风力等为输入,以步行、骑行、坐车为输出,靠训练调整参数。教材在反思环节还让你比较两者及大语言模型推荐的合理性与可解释性,并未断言谁一定更准。

B6. 第 27 课的智能环境播报助手,教材给出的核心流程是?

  • A. 语音 → 文字 → 图像 → 播报
  • B. 获取图像 → 描述图像内容 → 将描述转换为语音 → 向使用者播报语音
  • C. 训练模型 → 保存模型 → 部署模型 → 播报
  • D. 采集声音 → 识别声音 → 生成图像 → 显示

答案:B
解析:教材明确给出流程:获取图像(摄像头、手机等)→ 描述图像内容(调用模型识别并生成文字)→ 将描述转换为语音(模型或 pyttsx3 等库)→ 向使用者播报语音。教材还提示,语音质量不是关键,能及时播报更重要,因此生成快但质量一般的 pyttsx3 反而更合适。

B7. 第 28 课中,为什么要先把照片中的人脸单独选取出来,并转换成灰度图?

  • A. 灰度图占用的存储空间更大,训练更充分
  • B. 人脸检测是特征提取的前提;灰度图可避免颜色干扰,让五官位置和皱纹等关键特征在黑白对比下更明显
  • C. 因为 OpenCV 只能处理彩色图
  • D. 因为彩色照片无法被程序读取

答案:B
解析:教材说明:要提取面部特征,需要先把人脸找出来,可用 OpenCV 现成的模型(如 haarcascade_frontalface_default.xml)自动完成;检测识别时通常转灰度图,这样能避免颜色干扰、抓住重点,脸上的皱纹、五官位置等关键特征在黑白对比下更明显,处理也更高效。

B8. MNIST 手写数字数据集中,教材给出的关键数字是?

  • A. 60000 条训练数据、10000 条测试数据,图像分辨率 28×28
  • B. 6000 条训练数据、1000 条测试数据,图像分辨率 28×28
  • C. 60000 条训练数据、10000 条测试数据,图像分辨率 420×420
  • D. 50000 条训练数据、50000 条测试数据,图像分辨率 100×100

答案:A
解析:教材参考答案明确:该数据集有 60000 条数据用于训练,10000 条数据用于测试,手写数字图像分辨率是 28×28 像素;由此推测输入层需 784(28×28)个节点,输出层需 10 个节点(对应数字 0 到 9)。420×420 是第 30 课《躲避障碍》游戏画面的分辨率。

B9. 训练手写数字识别模型时,出现「训练损失持续下降、准确率不断上升,但测试时表现反而变差」的现象,说明?

  • A. 模型训练得很成功,可以停止了
  • B. 出现了过拟合,模型学到的是特例而不是通用规律
  • C. 数据集中图像分辨率设置错误
  • D. 网络层数太少,需要减少参数

答案:B
解析:教材明确讲过拟合:若训练时损失持续下降、准确率上升,而验证时变化不明显甚至验证损失上升、准确率下降,说明模型遇到「过拟合」——它在训练数据上表现越来越好,但学到的是特例而非通用规律,面对新数据无法正确推理。

B10. 第 30 课中,关于强化学习的「探索」与「利用」,下列说法正确的是?

  • A. 训练一开始就应该完全由模型决定动作,效率最高
  • B. 训练初期以较高概率随机选择动作(探索),随后逐步增加按模型预测决策的比例(利用)
  • C. 探索率应始终保持 100%,这样学到的策略最稳
  • D. 利用就是随机乱试,探索才是按模型走

答案:B
解析:教材说明:训练初期主要进行「探索」,以较高概率随机选择动作,广泛收集不同状态的反馈,避免陷入局部最优;随着训练推进逐渐增加「利用」的比例,即更多依据模型预测选择最优动作。教材举例初始探索率 80%,之后按设定策略逐步降低。只探索不利用效率低,只利用不探索容易困在局部最优。


A 档 · 教材原题

以下为教材「学习活动/拓展与提升」原题,题干未作改写。

A1. 第 25 课 学习活动2 井字棋对弈过程的数字化

表 25.2 展示了两种将棋盘和下棋过程(棋谱)数字化的思路。根据棋谱和自己的理解还原对弈过程。

状态 思路1 思路2
棋谱 1,(2,2)→2,(1,1)→1,(1,3)→2,(2,1)→1,(3,3) 1、5、2、3、7、6、4

你认为哪种思路更好?为什么?简要记录。

答案:思路 1 用坐标表示格子(类似电子表格),棋谱需同时记录棋手和落子位置,如 1,(2,2) 表示棋手 1 下在第 2 行第 2 列;思路 2 用 1 到 9 直接表示九个格子,因双方交替行棋,奇数步是先手、偶数步是后手,不必再标注棋手,棋谱写成 1、5、2、3、7、6、4 这样的数字序列即可。一般思路 2 更好:它把二维坐标转成一维数字序列,表示更简洁、处理效率更高;教材还指出这一过程接近人工智能领域的「扁平化」思想——原始信息没有丢失,只是数据结构变了,既没有压缩数据,也没有做特征选择。(教材提示:这里不必深究这几个概念的细微差别,体会到「用数字序列处理更方便」即可。)

A2. 第 25 课 学习活动4 基于数据学习下棋策略

以棋谱「15243」为例,参照前面的价值评估方法,将表 25.3 填写完整。评估方法:① 每一步,可下棋的位置均赋为 0;② 胜利者获胜的位置 +100,失败者失败以外的位置 −100;③ 获胜前一步位置 +10,失败前一步以外的位置 −10;④ 获胜前两步位置 +1,失败前两步以外的位置 −1。

答案:按教材给的分析:对 1524 而言,100 表示棋手 1 获胜的位置,0 表示棋手 1 无法获胜的位置;对 152 而言,0 表示棋手 2 正确的防守位置,−100 表示棋手 2 错误的防守位置。也就是说,棋谱越靠后的关键步得分权重越大(获胜步 ±100,前一步 ±10,前两步 ±1)。完整填表需按棋谱 15243 逐步列出每个状态下各剩余位置的得分,教材参考答案见表 25.4。利用足够多的棋谱反复修正,就能得到一张完整的「对弈位置得分表」;对弈时查表,从得分高(可能并列)的格子中随机选一个落子即可。

A3. 第 26 课 学习活动1 分析任务,明确推荐系统所需的数据并收集整理

任务情境:上学时,同学们会根据距离、天气情况、同伴数量等情况选择步行、骑行或坐车。尝试设计一个智能系统,根据提供的客观情况推荐出行方式。
任务分析:影响因素可能连续变化,如温度、距离等,可以将这些数据进行等级划分,构建结构化的数据集,从而为后续模型训练和智能推荐打下基础。
处理流程:收集原始信息 → 对影响因素进行分级 → 形成结构化数据集
活动过程:
1. 回顾自己日常上学的出行情况,列出可能影响你选择步行、骑行或坐车的主要因素,如距离、温度、风力、同伴数量、天气等。
2. 汇总大家普遍关注的影响因素,并为每个因素设定合理的等级划分标准。例如,距离分为近、中、远。
3. 参考讨论结果,设计一份简单的调查表或记录表,用于收集同学们的出行方式及相关因素数据。
4. 检查收集到的数据中,是否有缺失项或明显错误的数据,并进行初步清洗和整理。
5. 结合已有数据和分级标准,将原始信息转化为计算机可以识别的等级形式,形成可用于训练的数据集。
6. 分析数据完整性:目前的数据是否覆盖了各种可能的情况?等级划分是否合理?如果样本不足或划分不合理,应如何改进?

答案:这是一道实践题,参考要点:① 影响因素可从距离、温度、风力、同伴数量、天气等中挑选 3—5 个;② 分级要给出明确的阈值标准(如距离:近 <1 千米、中 1—3 千米、远 >3 千米;温度按体感分为寒冷、适宜、炎热),可回顾六年级学过的阈值概念;③ 调查表需同时记录「影响因素」和「实际选择的出行方式」,后者就是训练所需的标签;④ 清洗时重点检查缺失值和明显矛盾的记录(如距离填「远」却选步行且无特殊说明);⑤ 构建数据集时每一列要有清晰字段名(距离、温度、同伴数量、风力、天气、出行方式),一般保存为 CSV 格式;⑥ 数据完整性分析:若某些组合(如「距离远且天气恶劣」)样本极少,模型就学不到规律,应补采数据或合并等级。

A4. 第 27 课 学习活动1 智能环境播报系统的系统设计

任务情境:在日常生活中,视障人士常常难以获取周围环境中的信息,如身前是否有人、动物、障碍物等。借助人工智能技术,特别是图像识别、自然语言生成和语音生成技术,可以开发出智能播报环境的系统,帮助他们更好地理解和使用这些视觉信息。
任务分析:要实现这一系统,首先需要获取用户拍摄的图像,然后通过图像识别技术提取其中的关键信息(如物体、场景、文字等),再将其转化为自然语言描述,最后生成播报语音。
设计流程:
1. 根据任务分析和以下线索,细化工作过程:获取图像 → 描述图像内容 → 将描述转换为语音 → 向使用者播报语音
2. 根据前面的任务分析,梳理所需的软硬件:
· 获取图像需要用到什么硬件设备?
· 播报语音需要用到什么硬件设备?
· 如何识别图像中的物体或场景?
· 如何将识别结果转化为语音?
· 综合考虑各种因素,不同的硬件设备应按照哪种方式组织在一起协同工作?

答案:参考答案:① 获取图像可用摄像头(如手机摄像头);② 播报语音需使用扬声器或耳机;③ 识别图像中的物体或场景可调用相应模型,模型输入包括图像、固定的提示词和分词器,输出是一段文本;④ 把文字转成语音可利用语音生成技术,也可使用 pyttsx3 等编程库(教材提示:本系统中及时播报比音质更重要,因此生成速度快、质量一般的库反而更合适);⑤ 设备组织方式:手机负责拍摄并把图像传给服务器,服务器承担图像描述与语音生成,再把语音传回手机播报,需选用高效的网络协议传输数据,并可通过组建局域网、配置服务器、访问指定 IP 地址来实现。若用 Web 方式构建,音频数据可转换成 Base64 编码保存在网页中,不需要单独的音频文件。

A5. 第 29 课 学习活动1 查看数据集,了解数据集中的图像内容和图像特征

  1. 运行配套资源中的《数据集查看器》软件,选择 data 文件夹,查看里面的训练数据和测试数据。
  2. 可以发现,这个数据集有_条数据用于训练,有_条数据用于测试,图像的分辨率是_。
  3. 由此可以推测,人工神经网络的输入层可能需要___个输入节点,输出层可能需要___个输出节点。

答案:教材参考答案:这个数据集有 60000 条数据用于训练,有 10000 条数据用于测试,手写数字图像的分辨率是 28×28 像素。由此推测,输入层可能需要 784(28×28)个节点,输出层可能需要 10 个节点(对应数字 0 到 9)。思路提示:输入节点数 = 图像像素总数,因为每个像素点都是一个输入特征;输出节点数 = 待分类的类别数。教材还强调训练数据像练习题(用来调整参数),测试数据像正式考试(用来检验是否真学会,而不是死记硬背),两者不能混用。

A6. 第 30 课 拓展与提升

尝试用同样的思路训练模型玩配套资源中的《赛车》游戏。

答案:参考要点(教材给出的提示):① 先分析《赛车》游戏的状态、动作和奖励机制,核心思想与《躲避障碍》一致;② 注意动作空间不同:《赛车》有三种操作——左移、右移、保持,而《躲避障碍》只有保持和跳跃两种;③ 最左和最右侧车道无法继续同向移动,这些无效动作应在程序中被识别并处理(如过滤掉或施加轻微惩罚),否则会影响模型学习效率;④ 可根据游戏特点调整状态描述方式和奖励规则,例如如何评价车道变换的有效性、如何鼓励车辆远离障碍物;⑤ 教材特别提醒:训练人工智能玩游戏并非「玩物丧志」,游戏是推动人工智能发展的强大功能引擎和试验场。


C 档 · 简答题

C1. 第 25 课从「人写规则」讲到「机器自己学」。请说明这三种做法分别是什么,并指出为什么复杂问题(如围棋)不能继续用规则库来解决。

答案:① 第一种是抽象建模:把棋盘和下棋过程数字化,用 1 到 9 表示格子,棋谱写成数字序列;② 第二种是规则库(基于经验):把人的下棋心得整理成规则,例如先手第一步下中心位置 5、对手下边角则己方下紧挨的「边」,再转成算法编程实现;这是早期实现人工智能的核心思想——把人类经验转化为规则让机器模仿专家,历史上用它解决过跳棋、国际象棋等问题;③ 第三种是数据驱动:让计算机根据大量棋谱自动学习,对每一步做价值评估(获胜位置 +100、前一步 ±10、前两步 ±1),反复修正后得到「状态 → 各剩余位置得分」的表,对弈时查表决策。不能用规则库解决围棋的原因:随着问题变复杂,规则数量会爆炸式增长,有些规则甚至难以用语言描述,构建规则库变得不现实,只能转向让机器从数据中学习。

C2. 第 28 课人脸识别与第 29 课手写数字识别,都在讲「训练模型」。请归纳训练一个模型的完整步骤,并说明「损失」和「准确率」这两个指标分别看什么。

答案:完整步骤:① 准备数据——人脸:用 OpenCV 的人脸检测模型从照片中自动框出人脸,转灰度图并统一尺寸,存入 pics 下按人分子文件夹(如 p01、p02);手写数字:使用 MNIST,60000 条训练 + 10000 条测试,28×28 像素;② 确定网络结构——手写数字识别是一个卷积层 conv 加两个全连接层 fc1、fc2,输入 784 个节点、输出 10 个节点;③ 训练——train 函数通过前向传播算预测、用损失函数(如交叉熵损失)衡量误差、再反向传播调整参数;④ 评估——evaluate 函数每轮用独立的验证数据评估性能;⑤ 保存与调用——人脸模型存为 face_mod.xml,之后对新照片先检测人脸、再调用模型识别。两个指标:损失反映预测结果与真实标签的差距,数值越低越好(最低为 0);准确率是测试数据中正确识别的比例,数值越高越好。两者必须一起看:若训练时损失降、准确率升,而验证时停滞甚至倒退,就是过拟合。

C3. 第 30 课用强化学习训练模型玩《躲避障碍》。请说明教材给出的奖励机制、状态描述方式,以及「探索—利用」策略为什么缺一不可。

答案:① 奖励机制:未发生碰撞每帧得 0.01 分,成功穿过一根管道得 1 分,发生碰撞得 −1 分;这属于密集奖励,每一帧都给小幅但持续的正反馈,有助于模型快速建立「状态—动作」的因果关系。② 状态描述:可以用矩形角色的位置、下落速度以及障碍物位置等数值,也可以直接用游戏画面;教材实际采用后者——把 420×420 的画面缩放、二值化成 21×21 共 441 个数字,好处是简化了模型处理难度,代价是可能丢失信息。动作只有两种:保持不动或跳跃。③ 探索与利用:训练初期以较高概率随机选动作(探索,教材举例初始探索率 80%),广泛收集各状态的反馈,避免陷入局部最优;随后逐步降低探索率,更多按模型预测选最优动作(利用)。只探索不利用则学习效率低下,只利用不探索则策略容易困在局部最优,因此二者缺一不可。训练循环是:输入状态 → 预测动作 → 执行 → 获得反馈 → 计算误差 → 更新模型。


D 档 · 综合实践

D1. 自选一个真实场景,完整做一次「AI 小项目」:从选题到数据、训练、评估、反思,形成一份可提交的项目方案。

建议步骤:
1. 发现问题与需求分析:从校园或家庭里挑一个真实痛点(如教室照明自动调节、校园气象提醒、作业错题归类、食堂菜品推荐),用一两句话写清「谁、在什么场景下、遇到什么问题」,并明确项目目标和可衡量的需求。
2. 准备数据:按教材五步走——收集(问卷/传感器/公开数据集)、整理(分类排序)、清洗(去重复、改错、补缺失)、分析(统计与可视化找规律)、构建数据集(字段名清晰,建议 CSV)。把连续因素按阈值分级,形成结构化数据。
3. 选择方法:判断用决策树(要可解释)还是人工神经网络(关系复杂),或直接调用现成模型;说明选择理由。
4. 训练与评估:划分训练集和测试集,训练时记录损失和准确率两条曲线,判断是否过拟合;若过拟合,说明准备怎么改(补数据、简化模型、减少训练轮数)。
5. 搭成系统:画一张流程图,标明输入(传感器/图像/表单)、模型、输出(提示/语音/动作),以及各部分怎么连接(可参考第 27 课「手机拍摄 → 服务器处理 → 语音播回手机」的结构)。
6. 展示与反思:说明成果怎么呈现、过程中遇到的最大困难、方案还能怎么优化;并说明数据来源是否合规、是否涉及个人信息(参考第 5 单元智能向善的伦理自查要点)。

评估要点:问题定义是否清晰可衡量;数据是否有明确来源且经过清洗,训练/测试是否分开;方法选择是否有理由;是否用损失与准确率说明效果并检查过拟合;系统流程是否完整可运行;反思是否具体,是否考虑到隐私与负责任使用。

答案(参考结论方向):一份能拿高分的项目方案,关键不在模型多复杂,而在每一步都有依据。问题定义要具体到「谁、在什么场景下、遇到什么问题」,并且可衡量;数据要写清来源、说明做了哪些清洗,训练集和测试集必须分开。方法选择要有理由——说清为什么选决策树,什么时候才需要人工神经网络。评估不能只报一个准确率,要同时看损失和准确率两条曲线,能判断是不是过拟合,并说出准备怎么改。系统部分要画出输入、模型、输出的连接关系;反思要落到遇到的最大困难,以及数据来源是否合规、是否涉及个人信息。