AI 基础概念
-
什么是人工智能？
- 定义、发展简史（图灵测试、达特茅斯会议）
- AI 的类别：弱 AI vs 强 AI，符号主义 vs 连接主义
- AI 与机器学习、深度学习的区别与联系
-
AI 的核心能力
- 感知（图像识别、语音处理）
- 推理与决策（搜索算法、知识图谱）
- 自然语言处理（机器翻译、对话系统）
- 生成能力（AIGC：文本、图像、视频生成）
技术原理（非技术背景友好版）
-
机器学习基础
- 监督学习、无监督学习、强化学习的概念比喻
- 训练数据、特征、模型的关系
- 过拟合与泛化能力
-
神经网络与深度学习
- 神经元比喻、多层感知机
- 卷积神经网络（图像识别举例）
- 生成对抗网络（GAN）与扩散模型（Diffusion）
-
大语言模型（LLM）简介
- Transformer 架构的核心思想
- 预训练与微调
- 提示工程（Prompt Engineering）基础
AI 的应用场景
-
行业变革
- 医疗（辅助诊断、药物发现）
- 教育（个性化学习、智能辅导）
- 交通（自动驾驶、智能调度）
- 金融（风控、量化交易）
-
日常生活
- 推荐系统（电商、短视频）
- 智能助手（Siri、小爱同学）生成（ChatGPT、Midjourney）
伦理与社会影响
-
偏见与公平
- 数据偏见导致算法歧视的案例
- 公平性度量与缓解策略
-
隐私与安全
- 数据收集与隐私边界
- 深度伪造（Deepfake）与信息安全
-
就业与经济
- 职业替代与技能重塑
- 人机协作的未来工作模式
-
治理与责任
- AI 监管政策（如欧盟《人工智能法案》）
- 可解释性AI（XAI）与问责机制
实践与互动（通识课程关键环节）
-
工具初体验
- 使用 ChatGPT/文心一言完成创意任务
- 用 AutoML 平台（如 Teachable Machine）训练简单图像分类器
-
伦理辩论
- 主题：“自动驾驶的伦理抉择”“AI 艺术版权归属”
- 模拟 AI 治理角色扮演（开发者、政府、用户）
-
AI 思维培养
- 学习用数据视角分析问题
- 理解概率与不确定性在 AI 决策中的作用
资源推荐
- 入门书籍
- 《人工智能简史》
- 《生命3.0》
- 在线课程
- 吴恩达《AI For Everyone》（Coursera）
- 李飞飞《视觉识别的神经网络》公开课
- 纪录片/播客
- 纪录片《AlphaGo》
- 播客《Lex Fridman Podcast》
核心观念强调
- AI 是工具，不是魔法：理解其局限性（依赖数据、缺乏常识）。
- 以人为本：技术应服务人类福祉，需持续关注伦理对齐。
- 终身学习：AI 发展迅速，保持好奇心与批判思维是关键。
通过以上框架,学习者可以建立对 AI 的全景认知，避免陷入“技术神话”或“威胁论”的极端，为理性参与 AI 时代打下基础。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
