本书立足高校人工智能通识课程建设需求，系统介绍人工智能的基本概念、关键技术、典型应用及发展趋势，旨在帮助读者建立清晰的知识框架，培养智能时代所需的基本素养与跨学科视野。全书按照“基础认知 → 技术领域 → 前沿发展”的逻辑进行组织，共三篇。基础篇主要介绍人工智能的发展历程、基本概念、计算思维与智能思维，以及机器学习的基本方法，帮助读者理解人工智能从何而来、机器如何学习，以及相关技术背后的基本逻辑。领域篇围绕计算机视觉、自然语言处理、大数据分析、具身智能和区块链等方向，介绍人工智能在不同技术领域的主要内容与典型应用，帮助读者建立对人工智能技术的整体认知。大模型前沿篇聚焦近年来快速发展的大模型技术与应用，系统介绍大模型的基本原理、典型应用、智能体系统，以及伦理与安全等问题，帮助读者把握人工智能发展的新趋势。
全书结构清晰，兼顾基础性、时代性与可读性，适合作为高校人工智能通识课程教材，并提供课程PPT、习题集、实践指导材料等配套资源。

黄栋，华南农业大学数学与信息学院、软件学院教授、副院长， “广东特支计划”青年珠江学者，中国计算机学会（CCF）杰出会员、会员工委/教育工委委员、青年计算机科技论坛（YOCSEF）广州分论坛2022—2023主席。主要研究方向是人工智能与大数据分析，在IEEE TKDE、IEEE TNNLS、IEEE TIP、IEEE TCSVT、IEEE TCYB、KDD、AAAI等国际期刊和会议上发表论文100多篇，6篇第一作者或通讯作者论文入选ESI高被引。主持国家自然科学基金项目3项，入选斯坦福大学发布的全球前2%顶尖科学家榜单，曾获CCF自然科学三等奖、广东省人工智能产业协会青年科技创新奖和自然科学二等奖、广东省本科教学成果奖二等奖等。
黄琼，广东金融学院教授、副校长，华南农业大学博导；国家级一流本科课程负责人。主要研究信息安全、智慧农业，发表论文200余篇，主持和参与科研项目30余项。“广东特支计划”科技创新青年拔尖人才，广东省杰青；中国计算机学会（CCF）杰出会员。担任CCF数字农业分会常委，《密码学报》等期刊编委，CCF第二届数字农业大会等重要学术会议主席。曾获广东省五一劳动奖章、教育部霍英东教育基金会高校青年教师奖、广东省本科教学成果奖一等奖和二等奖等奖项。
裴颂文，上海应用技术大学智能技术学部教授、常务副主任，上海市领军人才、上海市特聘教授、浦江人才（A类），中国计算机学会（CCF）理事、杰出会员、学术工委委员、青年计算机科技论坛（YOCSEF）上海分论坛2022—2023主席。主要研究方向是智能计算、天基计算和计算机系统等，在IEEE TMM、IEEE TNSE、IEEE TSMC、IEEE TPDS、CCF THPC、FGCS、ISCA、HPCA、DAC、ICASSP等国际期刊和会议上发表论文100余篇，2篇论文入选ESI高被引论文。主持国家自然科学基金、上海市自然科学基金等30余项，授权中国发明专利10余项、美国发明专利2项，获得上海市技术发明二等奖、上海市科技进步奖三等奖、上海市教学成果一等奖、上海市计算机学会教学成果一等奖等奖项。

目　录
前言
基础篇
第1章　绪论2
1.1　什么是人工智能2
1.1.1　初识人工智能3
1.1.2　人工智能的能力构成与特征3
1.2　人工智能发展历程5
1.2.1　理论奠基与学科确立5
1.2.2　早期探索与第一次兴衰6
1.2.3　专家系统浪潮与第二次起伏7
1.2.4　理性回归与长期积累7
1.2.5　深度学习与大模型驱动的新阶段8
1.2.6　历史经验的启示9
1.3　人工智能技术与应用概览10
1.3.1　人工智能的关键技术体系10
1.3.2　人工智能的典型应用场景12
1.4　未来趋势探讨14
1.4.1　从专用智能走向通用智能14
1.4.2　可控性与可解释性的持续提升15
1.4.3　人机协作成为智能时代的基本模式15
1.4.4　跨学科融合的持续深化16
1.5　关于本书17
第2章　智能与计算思维19
2.1　计算思维19
2.1.1　计算思维的定义19
2.1.2　计算思维的两个维度20
2.1.3　计算思维的基本步骤21
2.1.4　计算思维的基石：确定性逻辑26
2.1.5　计算思维的应用领域27
2.2　智能思维28
2.2.1　从计算思维到智能思维28
2.2.2　初探数据驱动30
2.2.3　智能思维的重要特征31
2.2.4　不确定性思维下的预测与决策32
2.2.5　智能思维的交互实践33
2.3　学习范式34
2.3.1　学习范式的跨领域内涵34
2.3.2　机器学习的几类学习范式35
2.3.3　学习范式的演进36
2.3.4　认知素养的升维37
第3章　机器学习基础39
3.1　基本概念39
3.1.1　机器学习的本质：从“映射”讲起39
3.1.2　从规则驱动到数据驱动40
3.1.3　关键术语概览41
3.1.4　机器学习的任务分类43
3.2　机器学习的三要素44
3.2.1　模型44
3.2.2　学习准则46
3.2.3　优化算法47
3.3　机器学习常见模型51
3.3.1　分类模型概览51
3.3.2　聚类模型概览54
3.3.3　回归模型概览55
3.4　从机器学习到深度学习56
3.4.1　为何走向深度57
3.4.2　常见深度学习模型59
3.4.3　常见深度学习框架61
3.5　前沿方向速览62
3.5.1　集成学习63
3.5.2　强化学习64
3.5.3　多模态学习65
3.5.4　迁移学习与大模型微调66
领域篇
第4章　计算机视觉70
4.1　基本概念70
4.2　图像处理基础71
4.2.1　从自然光到数字图像71
4.2.2　图像的基本类型72
4.2.3　卷积与图像特征73
4.2.4　人工设计特征与表征学习77
4.3　卷积神经网络77
4.3.1　从全连接网络到卷积神经网络78
4.3.2　卷积神经网络的基本组成79
4.3.3　感受野与数据增强81
4.3.4　经典卷积神经网络模型82
4.3.5　卷积之外：Transformer及其他神经网络84
4.4　计算机视觉中的典型任务84
4.4.1　图像分类84
4.4.2　目标检测87
4.4.3　目标跟踪90
4.4.4　图像分割93
4.5　进阶学习97
4.5.1　RGB-D图像处理98
4.5.2　遥感与高光谱图像处理98
4.5.3　对抗攻击与模型鲁棒性100
4.5.4　生成式视觉100
第5章　自然语言处理102
5.1　基本概念102
5.1.1　目标与挑战102
5.1.2　发展历程与阶段特征104
5.2　基础技术与工具108
5.2.1　分词与词元108
5.2.2　词汇语义：从独热编码到词向量110
5.2.3　词性标注与句法分析112
5.3　主要模型及演进之路114
5.3.1　从规则到统计114
5.3.2　深度学习模型的兴起116
5.3.3　自注意力与Transformer架构117
5.4　常见的自然语言处理任务122
5.4.1　情感分析：机器的“情绪感知”122
5.4.2　机器翻译：跨越语言屏障123
5.4.3　智能问答与搜索：从关键词匹配到理解“言外之意”125
5.4.4　文本生成：从摘要到创作127
第6章　大数据分析131
6.1　基本概念131
6.2　关键技术132
6.2.1　数据采集和预处理132
6.2.2　数据分类134
6.2.3　数据聚类139
6.2.4　预测分析142
6.2.5　知识图谱145
6.2.6　数据可视化149
6.3　进阶学习158
6.3.1　传感器与物联网：大数据“感知与连接”的基石158
6.3.2　生物信息学：大数据与生命科学的交汇162
第7章　具身智能170
7.1　基本概念170
7.1.1　具身智能的内涵171
7.1.2　具身智能的基本特征172
7.2　关键技术173
7.2.1　感知技术173
7.2.2　运动规划与控制173
7.2.3　学习算法175
7.2.4　视觉语言动作模型175
7.3　应用实践176
7.3.1　具身智能应用场景177
7.3.2　基于具身智能的工业园区巡检机器人177
7.3.3　基于具身智能的农业采摘机器人179
第8章　区块链182
8.1　基本概念182
8.1.1　区块链的起源182
8.1.2　区块链的定义183
8.1.3　区块链的发展184
8.2　关键技术185
8.2.1　技术特性185
8.2.2　部署分类185
8.2.3　区块链的技术架构187
8.3　进阶学习188
8.3.1　密码学基础188
8.3.2　分布式网络193
8.3.3　共识机制197
8.3.4　智能合约201
8.3.5　区块链应用：以金融、农业领域为例204
大模型前沿篇
第9章　大模型技术基础208
9.1　基本概念208
9.1.1　大模型简介208
9.1.2　发展历程210
9.1.3　国内外主要大模型概览212
9.2　大模型基本原理215
9.2.1　文本生成机制215
9.2.2　模型训练流程218
9.3　“大材”（大模型）与“小用”（为我所用）220
9.3.1　提示词工程：与模型高效对话的艺术220
9.3.2　大模型微调：为特定任务定制模型222
9.3.3　检索增强生成：扩展知识与提升可信度225
9.4　智能体：从“对话者”到“执行者”的跨越228
9.4.1　智能体的基本定义与组成要素229
9.4.2　关键机制：规划、工具调用与记忆的工程化231
9.4.3　智能体开发范式与主流框架：Coze、OpenClaw及其他233
第10章　大模型应用赋能236
10.1　大模型应用概述236
10.1.1　大模型应用的基本内涵236
10.1.2　大模型应用的现实价值237
10.1.3　大模型应用的整体分类237
10.1.4　大模型应用的主要特征238
10.2　大模型应用面面观239
10.2.1　文本应用：妙笔生花239
10.2.2　图文应用：图像生成与创意视觉244
10.2.3　视频应用：从语音、视频生成到数字人247
10.3　零基础走进大模型辅助编程254
10.3.1　认知转变：大模型如何抹平编程的入门门槛254
10.3.2　大模型辅助编程的高频场景255
10.3.3　小白上手：三步完成第一次编程实操256
10.3.4　大模型辅助编程的五条安全准则263
10.3.5　比写代码更重要的编程思维264
10.4　再议大模型与智能体265
10.4.1　用户视角下的智能体265
10.4.2　开发者视角下的智能体271
10.4.3　开源智能体框架的使用要点273
10.5　大模型幻觉问题及应对之策274
10.5.1　什么是大模型幻觉275
10.5.2　大模型幻觉的成因275
10.5.3　大模型幻觉的应对措施276
10.6　驾驭大模型：人工智能的伦理与安全277
10.6.1　人工智能伦理的基本要求277
10.6.2　大模型应用中的安全风险278
10.6.3　当代大学生使用大模型应把握的基本边界278