本书创新性地构建了五大知识模块：经典人工智能基础、现代人工智能基础、人工智能前沿基础、人工智能交叉应用基础，以及人工智能初级编程基础。内容体系完整覆盖了人工智能的核心原理与方法论、机器学习关键技术、计算机视觉与语音处理、多智能体系统与具身智能、大模型技术等前沿领域，并深入探讨了人工智能在科学智能、文科智能、产业智能化、启发式人工智能等跨学科应用场景，以及人工智能伦理等社会性议题。作为面向高等院校的通识教材，本书致力于培养学生的跨学科思维和创新能力，使其能够在各自的专业领域有效运用人工智能技术。本书内容的设计充分考虑了不同学科背景学习者的需求，建议采用差异化教学策略：对于文科专业学生，可着重关注人工智能与社会发展、伦理规范、人机交互等应用层面的内容；理科专业的学生可深入钻研算法原理、数学模型等理论基础；工科专业的学生则可侧重工程实践，重点学习系统开发、架构设计和性能优化等实用技能。

魏明强　南京航空航天大学教授、博士生导师，脑机智能技术教育部重点实验室副主任，国家自然科学基金优秀青年基金获得者。博士毕业于香港中文大学，获评“最佳博士毕业论文奖”。长期从事几何深度学习与三维视觉方向的研究，近年来在IEEE TPAMI、IEEE TVCG、IEEE TIP、IJCV、SIGGRAPH、CVPR、ICCV等国际顶级期刊和会议上发表论文100余篇。主持国家级及省部级科研项目数十项，相关技术已成功应用于多项国家重点型号工程任务。现担任IEEE TIP、ACM TOMM以及《计算机辅助设计与图形学学报》等期刊编委。

宫丽娜　南京航空航天大学副教授，长期从事大模型、深度学习、迁移学习以及图形与图像处理等方向的研究，致力于将相关成果应用于军事目标检测、雷达信号处理、智能软件开发与先进制造等多个领域。近年来，主持包括国家重点研发计划、中央军委科技委创新项目、国家自然科学基金在内的十余项科研课题，在人工智能与软件工程主流国际会议（如ASE）及权威期刊上以第一作者或通讯作者发表论文40余篇。研究成果获得中国船舶集团科技进步三等奖、江苏省人工智能学会科技创新奖和江苏省信息技术应用学会青年科技奖。目前担任中国计算机学会软件工程、系统软件及信息系统专委会执行委员，江苏省计算机学会信息技术应用学会软件专委会副秘书长，并受邀担任ICSME、MSR等国际软件工程顶级会议的程序委员会委员。

唐金辉　南京林业大学副校长，教授、博士生导师，国际模式识别协会会士（IAPR Fellow），国家杰出青年科学基金获得者，国家“万人计划”科技创新领军人才。曾任南京理工大学计算机科学与工程学院院长。长期从事多媒体分析与检索、社交媒体分析、计算机视觉与数据挖掘等方向的研究，已在ACM/IEEE汇刊及A类国际顶级会议上发表论文200余篇，论文总被引用超过30 000次，H指数高达88。研究成果获得国际著名会议最佳论文奖8次，荣获国家自然科学二等奖1项、省部级一等奖3项、教育部自然科学二等奖2项。在学术服务方面，先后担任IEEE TMM、IEEE TKDE、IEEE TNNLS、IEEE TCSVT、Information Sciences等多个国际期刊编委，现任中国计算机学会多媒体专委会、计算机视觉专委会和中国图象图形学学会视觉大数据专委会常务委员。

张道强　南京航空航天大学教授、博士生导师，现任人工智能学院院长，脑机智能技术教育部重点实验室主任。国家“万人计划”科技创新领军人才、国家优秀青年科学基金获得者、国际模式识别学会会士（IAPR Fellow），担任IEEE TMI、PR等国际期刊编委。近年来主持国家重点研发计划课题、国家自然科学基金重点项目、牛顿高级学者基金等多个国家级和国际合作项目。在Nature Communications、IEEE TMI、IEEE TPAMI、IEEE TIP、NeurIPS、CVPR、MICCAI等国际顶级期刊和会议上发表论文200余篇。科研成果获2020年国家自然科学二等奖（排4）、2019年教育部自然科学一等奖（排4）、2016年教育部自然科学二等奖（排1），并多次荣获MICCAI青年科学家奖及其他国际会议最佳论文奖。

黄圣君 南京航空航天大学教授、博士生导师，现任计算机科学与技术学院院长。国家优秀青年科学基金获得者、江苏省杰出青年基金获得者。曾获江苏省科学技术一等奖（排2）、中国专利优秀奖（排2）、日内瓦国际发明展金奖（排1）、中国计算机学会优秀博士论文奖、江苏省计算机学会青年科技奖等多项荣誉。主持科技部“科技创新2030—新一代人工智能”重大项目、国家自然科学基金项目、航空动力基金及多项 17X、16X领域基金项目。在IEEE TPAMI、KDD、ICML、NeurIPS、IJCAI、AAAI等国际顶级期刊与会议上发表论文80余篇。 学术服务方面，担任FCS、JCST 等期刊青年编委，MLA 2021和2022 程序主席，以及KDD、ICML、 NeurIPS、IJCAI、AAAI等国际会议的领域主席、资深程序委员或程序委员。现任江苏省计算机教育专业委员会主任、江苏省人工智能学会机器学习专委会副主任。

目 录
前言
第一部分 经典人工智能基础
第 1 章 绪论 2
1.1 人工智能基本概念 3
1.1.1 人工智能的定义 3
1.1.2 人工智能三大级别 5
1.1.3 人工智能的驱动因素 6
1.2 人工智能发展简史 7
1.3 人工智能与大数据技术的关系 12
1.3.1 大数据推动人工智能发展 12
1.3.2 人工智能赋能大数据应用 13
1.3.3 两者协同效应 13
1.4 人工智能技术路线 14
1.4.1 计算机视觉 14
1.4.2 自然语言理解 15
1.4.3 机器学习 16
1.4.4 机器人 17
1.4.5 人工智能技术开发工具18
1.5 人工智能与交叉应用 19
1.5.1 智能医疗 20
1.5.2 智能安防 21
1.5.3 智能家居 21
1.5.4 智能制造 22
1.5.5 自动驾驶 22
1.5.6 人工智能 + 23
1.6 本书内容安排 23
1.7 针对不同专业学生的学习建议 24
1.7.1 文科类专业 24
1.7.2 理科类专业 25
1.7.3 工科类专业 25
1.8 小结 26
第 2 章 知识表示学习 28
2.1 知识与知识表示基本概念 28
2.1.1 知识的概念 28
2.1.2 知识的特性 29
2.1.3 知识表示 30
2.2 一阶谓词逻辑表示法 31
2.2.1 命题与命题逻辑 31
2.2.2 谓词 32
2.2.3 谓词逻辑 32
2.2.4 谓词公式 34
2.2.5 谓词公式的性质 35
2.2.6 一阶谓词逻辑表示法的特点 37
2.3 产生式表示法 38
2.3.1 产生式表示法的定义 38
2.3.2 产生式表示法的基本形式 39
2.3.3 产生式表示法的优点和局限性 40
2.4 框架表示法 41
2.4.1 框架的定义与组成 41
2.4.2 框架网络 42
2.4.3 框架表示法的优点及局限性 43
2.5 语义网络表示法 44
2.5.1 语义网络的概念 44
2.5.2 语义网络的基本语义关系 44
2.5.3 语义网络表示法的优点及局限性 46
2.6 知识图谱表示法 47
2.6.1 知识图谱的定义 47
2.6.2 知识图谱的表示 48
2.6.3 知识图谱的架构 48
2.6.4 知识图谱的典型应用 49
2.7 知识表示方法的选择 50
2.8 小结 51
第 3 章 确定性和不确定性推理 52
3.1 推理基本概念 52
3.1.1 推理定义 53
3.1.2 推理类型 53
3.2 自然演绎推理 54
3.3 规则演绎系统 56
3.3.1 规则正向演绎系统 56
3.3.2 规则逆向演绎系统 60
3.3.3 规则双向演绎系统 61
3.4 产生式系统 63
3.4.1 产生式系统的基本组成 63
3.4.2 产生式系统的工作方式 64
3.4.3 产生式系统的推理方向 65
3.5 可信度方法 67
3.5.1 不确定性推理中的基本问题 68
3.5.2 C-F 模型 68
3.6 模糊推理方法 71
3.6.1 模糊集合 72
3.6.2 模糊关系 74
3.6.3 模糊推理过程 75
3.7 小结 76
第 4 章 搜索求解策略 77
4.1 搜索求解策略概述 77
4.1.1 搜索的概念 78
4.1.2 状态空间知识表示 79
4.1.3 搜索策略 80
4.2 盲目搜索 81
4.2.1 广度优先搜索 81
4.2.2 深度优先搜索 83
4.3 启发式搜索 85
4.3.1 最佳优先搜索 85
4.3.2 A* 算法 87
4.3.3 群体智能算法 89
4.4 对抗搜索 97
4.4.1 对抗搜索概述 97
4.4.2 极小极大值算法 98
4.4.3 α . β 剪枝算法 102
4.4.4 蒙特卡洛树搜索算法 105
4.5 小结 108
第二部分 现代人工智能基础
第 5 章 机器学习 110
5.1 机器学习概述 110
5.1.1 机器学习的定义 111
5.1.2 基本术语 111
5.1.3 机器学习的发展 113
5.1.4 机器学习的分类 113
5.2 监督学习 115
5.2.1 k 近邻算法 116
5.2.2 决策树 117
5.2.3 支持向量机 118
5.3 无监督学习 119
5.3.1 聚类 120
5.3.2 自监督学习 123
5.4 半监督学习 125
5.4.1 自训练 126
5.4.2 半监督学习的应用 127
5.5 强化学习 127
5.5.1 什么是强化学习 127
5.5.2 强化学习模型 128
5.5.3 强化学习应用 130
5.6 主动学习 130
5.6.1 主动学习概念与目标 131
5.6.2 主动学习的分类 131
5.6.3 主动学习的查询策略 132
5.6.4 主动学习的应用场景 133
5.7 Python 机器学习库 134
5.7.1 NumPy 和 SciPy 134
5.7.2 Python Imaging Library
（PIL） 134
5.7.3 Pandas 135
5.7.4 Matplotlib 135
5.7.5 scikit-learn 135
5.8 小结 135
第 6 章 深度学习 136
6.1 深度学习的定义与特点 136
6.1.1 深度学习的基本概念 136
6.1.2 人工智能、机器学习和深度学习的关系 136
6.1.3 深度学习与机器学习的区别 137
6.2 深度学习基本架构 138
6.2.1 人工神经网络简介 138
6.2.2 深度神经网络的结构 140
6.2.3 深度神经网络的工作原理 141
6.3 深度学习训练与优化 141
6.3.1 损失函数与优化方法 141
6.3.2 深度学习模型的训练过程 144
6.3.3 过拟合与正则化 145
6.3.4 超参数调整与交叉验证 148
6.4 常见的深度学习模型 150
6.4.1 卷积神经网络 150
6.4.2 循环神经网络 154
6.4.3 生成对抗网络 155
6.4.4 自编码器 157
6.4.5 图神经网络 159
6.4.6 扩散模型 161
6.4.7 Transformer 163
6.5 深度学习框架与工具 165
6.5.1 TensorFlow 165
6.5.2 PyTorch 167
6.5.3 LangChain 168
6.5.4 Jittor 169
6.5.5 MindSpore 170
6.5.6 PaddlePaddle 172
6.5.7 其他常用工具与库 173
6.6 小结 174
第 7 章 自然语言处理 175
7.1 自然语言处理概述 175
7.1.1 什么是自然语言处理 175
7.1.2 主要任务及应用领域 176
7.2 文本表示 177
7.2.1 离散表示 178
7.2.2 分布式表示 178
7.3 语言模型 180
7.3.1 传统语言模型 180
7.3.2 基于神经网络的语言模型 182
7.4 文本分类与情感分析 183
7.4.1 文本分类 184
7.4.2 情感分析 185
7.5 机器翻译与问答系统 187
7.5.1 机器翻译 187
7.5.2 问答系统 189
7.6 小结 191
第 8 章 计算机视觉 192
8.1 计算机视觉概述 192
8.1.1 计算机视觉的概念 192
8.1.2 计算机视觉的重要性 193
8.1.3 计算机视觉的历史背景和发展 194
8.2 计算机视觉的工作原理 195
8.2.1 计算机视觉与人类视觉的比较 195
8.2.2 图像的数字表示 197
8.2.3 计算机“看”图像的方式 198
8.3 计算机视觉的核心技术 199
8.3.1 图像处理基础 199
8.3.2 特征提取与描述 201
8.4 计算机视觉的核心任务 208
8.4.1 图像分类 209
8.4.2 目标检测 213
8.4.3 图像分割 215
8.5 计算机视觉应用 218
8.5.1 人脸识别 218
8.5.2 图像复原与超分辨率 219
8.5.3 图像表面缺陷检测 225
8.5.4 视频理解与生成 229
8.5.5 遥感与红外图像处理 233
8.5.6 医学影像处理 237
8.6 小结 240
第 9 章 语音处理 242
9.1 语音基础知识 242
9.1.1 语音三要素 242
9.1.2 语音信号四个重要参数 243
9.1.3 隐马尔可夫模型 244
9.1.4 高斯混合模型 245
9.2 语音识别 246
9.2.1 语音识别的特征提取 247
9.2.2 语音识别的声学模型 250
9.2.3 语音识别的语言模型 254
9.2.4 语音识别的解码搜索 255
9.2.5 基于深度学习的端到端
的语音识别方法 256
9.3 语音合成 257
9.3.1 语音合成的技术流程 257
9.3.2 语音合成的语言分析 258
9.3.3 语音合成的声学系统 259
9.4 语音增强 261
9.4.1 语音增强与语音预处理
的关系 261
9.4.2 语音增强的听觉问题 262
9.4.3 语音增强算法 263
9.4.4 基于深度学习的
语音增强新算法 263
9.5 语音情感识别 266
9.5.1 描述情绪的情感模型 266
9.5.2 情感声学的声学特征 267
9.5.3 语音情感识别系统 267
9.6 小结 268
第 10 章 数据挖掘与预测分析 269
10.1 数据挖掘概述 269
10.1.1 数据挖掘的概念 269
10.1.2 数据挖掘的主要流程 270
10.1.3 数据挖掘的基本任务 271
10.2 数据预处理 272
10.2.1 数据清洗 272
10.2.2 数据集成 274
10.2.3 数据变换 275
10.2.4 数据归约 276
10.3 分类与回归分析 278
10.3.1 分类 278
10.3.2 回归分析 281
10.4 聚类分析 283
10.4.1 聚类分析概述 283
10.4.2 聚类分析的应用 283
10.5 关联规则挖掘 284
10.5.1 关联规则的基本概念 284
10.5.2 Apriori 算法 285
10.6 小结 287
第三部分 人工智能前沿基础
第 11 章 推荐系统 290
11.1 推荐系统概述 290
11.1.1 产生背景与发展历史 291
11.1.2 主要目标 292
11.1.3 整体流程 293
11.2 经典推荐算法 295
11.2.1 推荐算法分类 295
11.2.2 基于内容的推荐 296
11.2.3 基于协同过滤的推荐 300
11.2.4 混合推荐算法 305
11.3 基于深度学习的推荐算法 307
11.3.1 Wide&Deep 模型 307
11.3.2 DeepFM 模型 308
11.3.3 神经协同过滤模型 309
11.3.4 小结 310
11.4 电商与社交网络应用 311
11.5 小结 316
第 12 章 智能计算机图形学 318
12.1 智能计算机图形学的
发展历程 318
12.2 三维模型表示与生成 321
12.2.1 三维模型表示 321
12.2.2 三维模型生成 325
12.3 三维模型表征学习 326
12.4 智能三维建模 329
12.5 智能三维渲染 330
12.6 航空装备三维测量应用 331
12.7 小结 333
第 13 章 大模型技术 334
13.1 大模型的本质 334
13.2 大模型的发展历程 337
13.3 大模型的网络结构 340
13.3.1 GPT 家族 340
13.3.2 BERT 家族 343
13.4 大模型的训练流程 346
13.4.1 预训练阶段 346
13.4.2 人类引导：有监督微调阶段 350
13.4.3 给 AI 模型请个
“好老师”：奖励建模阶段 354
13.4.4 AI 指导 AI：强化学习阶段 355
13.5 大模型的分类及多维应用 356
13.5.1 大模型的分类 356
13.5.2 大模型的多维应用 358
13.6 小结 359
第 14 章 智能体与多智能体系统 361
14.1 智能体 361
14.1.1 智能体的概念 361
14.1.2 智能体的特性 362
14.1.3 智能体的结构 363
14.1.4 智能体的类型 365
14.2 多智能体系统 369
14.2.1 多智能体的概念 369
14.2.2 多智能体系统的特性 370
14.2.3 多智能体系统的结构 370
14.2.4 多智能体系统的分类 372
14.3 多智能体系统的通信 376
14.3.1 直接通信 376
14.3.2 间接通信 377
14.4 多智能体系统的协作和
协同 378
14.4.1 任务分配 378
14.4.2 行为协调 379
14.4.3 冲突避免 381
14.5 多智能体博弈与决策 382
14.5.1 纳什均衡策略 383
14.5.2 进化博弈策略 383
14.5.3 最大最小策略 384
14.6 基于大模型的智能体应用 385
14.6.1 大模型智能体概念及框架 385
14.6.2 大模型智能体关键技术 386
14.6.3 斯坦福小镇的案例分析 387
14.7 小结 390
第 15 章 具身智能 391
15.1 具身智能概述 391
15.1.1 基本概念 392
15.1.2 前世今生 394
15.1.3 为什么要关注具身智能 396
15.2 具身智能的组成 397
15.2.1 负责顶层决策的 “大脑” 397
15.2.2 负责核心运动控制的
“小脑” 404
15.2.3 负责执行动作的“身体” 407
15.3 具身智能的关键技术 409
15.3.1 具身感知 409
15.3.2 具身交互 411
15.3.3 具身执行 412
15.4 具身机器人 413
15.4.1 固定底座机器人 414
15.4.2 轮式机器人 414
15.4.3 履带式机器人 414
15.4.4 四足机器人 414
15.4.5 类人机器人 415
15.4.6 仿生机器人 415
15.5 具身智能仿真平台 416
15.5.1 Habitat 平台 416
15.5.2 Isaac Sim 417
15.5.3 AI2-THOR 417
15.6 小结 418
第四部分 人工智能交叉应用基础
第 16 章 科学智能 420
16.1 科学研究范式 420
16.1.1 从科学研究第一范式
到第五范式转变 420
16.1.2 人工智能在科学
研究中的运用方式 423
16.2 赋能理学 424
16.2.1 赋能数学 424
16.2.2 赋能物理学 427
16.2.3 赋能化学 430
16.3 赋能工学 431
16.3.1 赋能机械学 432
16.3.2 赋能电子学 432
16.3.3 赋能材料学 434
16.4 赋能天文学 436
16.4.1 人工智能在天文学
中的主要应用 437
16.4.2 人工智能预测小行
星撞击地球风险 437
16.4.3 人工智能助力发现
系外行星 438
16.5 赋能医学 439
16.5.1 人工智能在医学中
的主要应用 439
16.5.2 人工智能为癌症治
疗提供个性化决策支持 439
16.5.3 人工智能助力乳腺
癌早期诊断 440
16.6 赋能军事科学 440
16.6.1 智能武器与自动化系统 442
16.6.2 情报分析与情报收集 442
16.6.3 指挥与控制系统 442
16.6.4 网络战与网络防御 442
16.6.5 后勤管理 442
16.6.6 军事训练与模拟 442
16.6.7 自主无人系统与协同作战 443
16.6.8 战略与战术预测 443
16.6.9 机器人战士与增强士兵 443
16.6.10 无人运输与物流自动化 443
16.7 小结 443
第 17 章 文科智能 445
17.1 文科智能概述 445
17.1.1 发展阶段 445
17.1.2 核心要素与支柱 446
17.2 赋能人文学科 446
17.2.1 赋能文学 447
17.2.2 赋能历史学 448
17.2.3 赋能哲学 449
17.3 赋能社会科学 450
17.3.1 赋能经济学 450
17.3.2 赋能管理学 451
17.4 赋能艺术学 453
17.4.1 音乐与舞蹈 454
17.4.2 戏剧与影视 454
17.4.3 美术学 455
17.4.4 设计学 455
17.5 小结 456
第 18 章 人工智能 + 457
18.1 智能制造 457
18.1.1 溯源和定义 457
18.1.2 中国制造业发展
历程和未来发展战略目标 458
18.1.3 智能制造系统架构 459
18.1.4 智能制造标准体系结构 459
18.1.5 中国智能制造产业
链全景图 460
18.1.6 案例 1：华为工业质检 461
18.1.7 案例 2：小米汽车工厂 461
18.1.8 案例 3：芯片智能化设计 462
18.1.9 案例 4：工业软件智能化 463
18.2 智能大国重器 464
18.2.1 大国重器概述 465
18.2.2 大国重器中的人工智能 466
18.3 智能 “四航” 467
18.3.1 智能航空航天 467
18.3.2 智能民航 468
18.3.3 智能航海 470
18.3.4 智能轻量化航空 航天设备 471
18.4 智慧矿业 474
18.4.1 智能勘探与资源评估 474
18.4.2 智能矿山与自动化生产 474
18.4.3 矿山安全与风险管理 474
18.4.4 矿石加工与质量控制 474
18.4.5 可持续发展与绿色矿业 475
18.4.6 供应链与市场分析 475
18.4.7 具体案例：盘古矿山大模型 475
18.5 智慧电网 476
18.5.1 智慧电网的关键特性 476
18.5.2 智慧电网的应用场景 476
18.6 智慧水利 477
18.6.1 智慧水利的核心特征 477
18.6.2 智慧水利的应用场景 478
18.7 智慧土木 479
18.7.1 智慧土木的核心特征 479
18.7.2 智慧土木的应用场景 479
18.7.3 智慧资源 480
18.8 智慧中华美食 481
18.8.1 生产工艺优化 481
18.8.2 质量控制 482
18.8.3 供应链管理 482
18.8.4 市场营销与消费者分析 482
18.8.5 智能包装与追溯系统 482
18.9 小结 482
第 19 章 领域启发式人工智能 483
19.1 生物启发式人工智能 483
19.1.1 人工神经网络 483
19.1.2 群体智能 483
19.1.3 仿生机器人学 484
19.1.4 人工免疫系统 484
19.1.5 神经拟态计算 486
19.1.6 脑机接口 487
19.1.7 全脑仿真 489
19.2 物理启发式人工智能 489
19.2.1 量子计算 490
19.2.2 模拟退火 490
19.2.3 流体动力学 491
19.2.4 扩散模型 492
19.2.5 图神经网络 493
19.2.6 模拟电路神经网络 494
19.3 小结 495
第 20 章 人工智能的社会伦理与
社会影响 496
20.1 人工智能的社会伦理 496
20.1.1 从“电车难题”到人工
智能伦理 497
20.1.2 人类面临的人工智能
伦理问题 498
20.1.3 人工智能伦理的定义 500
20.1.4 人工智能监管 501
20.2 人工智能的社会影响与挑战 502
20.2.1 人工智能的社会影响 503
20.2.2 人工智能面临的挑战 504
20.3 人工智能的未来 509
20.3.1 人工智能发展趋势 509
20.3.2 我国人工智能发展态势 511
20.4 小结 513
第五部分 人工智能初级编程基础
第 21 章 人工智能初级编程 516
21.1 十五道编程题目 516
21.1.1 垃圾分类系统 516
21.1.2 智能家居中的语音
控制系统 517
21.1.3 个性化健康监控系统 517
21.1.4 智能菜谱推荐系统 517
21.1.5 在线教育中的个性化
学习路径推荐 518
21.1.6 自动驾驶中的路径规划 518
21.1.7 人工智能驱动的购物助手 518
21.1.8 情感分析客服机器人 518
21.1.9 基于知识图谱的医疗
问答系统 519
21.1.10 智能停车管理系统 519
21.1.11 基于图像识别的宠物
健康监测系统 520
21.1.12 智能课程安排助手 520
21.1.13 智能校园导航系统 520
21.1.14 校园活动与讲座 推荐系统 520
21.1.15 基于 LSGAN 的
图像生成与优化系统 521
21.2 案例分析——基于 LSGAN 的
图像生成与优化系统 521
21.2.1 数据集准备 522
21.2.2 模型定义 522
21.2.3 模型训练 525
21.2.4 结果与测试 526
21.3 DeepSeek-R1 模型部署和使用 526
21.3.1 DeepSeek 是什么 526
21.3.2 DeepSeek 的使用与本地部署 527
参考文献 529