一、人工智能概述

（一）定义

• 图灵测试 ：1950 年图灵提出，通过测试者判断回答者是真人还是机器，若机器能使测试者无法区分，则通过测试，被视为具有智能。
• 达特茅斯会议 ：1955 年提出 “人工智能” 一词，围绕 “如何让机器模仿人类学习及其他智能行为” 展开，奠定 AI 基础理论框架，包括符号推理、机器学习、自然语言处理等核心方向。

（二）动力

• 计算的 4 个时代

  • 机械计算时代（1200s - 1940s） ：算盘等工具发明，出现 “编程” 概念。
  • 电子计算时代（1950s - 1970s） ：以冯・诺依曼架构为代表的现代计算机技术基础形成。
  • 网络计算时代（1980s - 2020s） ：TCP/IP 协议构建互联网神经中枢，实现人与计算机、终端的交互。
  • 智能计算时代（2020 至今） ：“人、机、物” 三元融合，端边云实现万物互联，AI 无处不在。

• AI 的三架马车

  • 数据 ：训练 AI 模型的原材料，包括结构化、非结构化和半结构化数据。
  • 算力 ：运行算法所需的计算能力，依赖硬件（CPU/GPU/TPU）和软件（并行计算框架）。
  • 算法 ：AI 实现智能的逻辑规则和数学模型，如机器学习、深度学习、强化学习等。

（三）发展脉络

• 三大学派

  • 符号主义学派 ：认为人的认知基元是符号，主要研究领域包括机器证明、自动机等，具有可解释性，基于知识推理。
  • 联结主义学派 ：主张人的思维基元是神经元，研究人工神经网络等，基于模型计算，以数据为基础，但不可解释。
  • 行为主义学派 ：强调人的智能取决于感知和行动，研究演化计算等，可解释，基于环境感知、反馈控制。

• **从 “知识推理” 到 “数据统计” 再到 “计算学习” 的发展过程。

二、新一代人工智能技术

（一）大语言模型

• 定义 ：通过海量数据训练、具有超大规模参数的预训练人工智能模型，核心在于学习数据中的通用规律，实现跨任务、跨领域的智能处理能力。
• 核心技术
  • 自监督学习 ：利用无标注数据，设计代理任务自动生成监督信号进行训练，可缓解数据标注成本，提升模型泛化性。
  • 强化学习 ：智能体通过与环境交互，基于奖励和惩罚机制学习最优决策策略，目标是最大化长期累积奖励。
  • Transformer 架构 ：提供并行计算和长距离依赖能力，支撑自监督学习和强化学习。

（二）自然语言处理

• 发展历程
  • 统计语言模型 ：基于统计学方法，如 n-gram 模型。
  • 神经语言模型 ：如 Word2vec 等，实现静态词汇表征。
  • 预训练语言模型 ：如 ELMO、BERT 等，具备语境感知表征，采用预训练 + 微调方式。
  • 大语言模型 ：如 GPT 系列、DeepSeek 等，可依据提示完成任务，解决丰富的真实世界任务。

（三）强化学习

• 核心要素

  • 智能体 ：执行决策的主体。
  • 环境 ：智能体所处的动态场景。
  • 奖励 ：环境对智能体的反馈信号。
  • 策略 ：智能体从状态到动作的映射规则。
  • 价值函数 ：评估状态或动作的长期收益期望。

• 发展简史 ：从 2013 年 DQN 算法突破到 2020 年多智能体突破，强化学习成为生成式 AI 的重要核心技术。

（四）Transformer

• 组成 ：编码器 + 解码器，编码器处理输入序列生成上下文表示，解码器生成目标序列，注意力机制使神经网络能聚焦于相关元素。

（五）DeepSeek

• 发展及意义
  • 发展历程 ：从 2023 年 4 月公司成立，到 2025 年 1 月已有多次模型迭代，如 DeepSeek-7B、DeepSeek-MoE、DeepSeek-67B、DeepSeek LLM、DeepSeek Coder、DeepSeek Math、DeepSeek-V2、DeepSeek-V3、DeepSeek-R1 等。
  • 重要意义 ：DeepSeek-R1 首次提出 “有限算力 + 算法创新” 的发展模式，聚焦高效模型架构、强化学习、算力利用等方面，为突破算力瓶颈提供新思路。

三、人工智能 +

（一）AI4Education

• 面临的挑战 ：传统课堂难以满足个性化学习需求，学生存在多样化兴趣、风格、能力及对课程的期待和目的；培养目标不只是知识传授，还包括能力建设和价值引领；知识获取渠道多元化，课堂获取比例下降。

• 变革与机遇

  • 赋能大学的多个方面 ：教学目标、内容、方法、手段、评价等，学科专业转型升级，出现 AI 专业、AI + 专业、微专业等。

  • 构建三维互动网络 ：管理者与教师之间通过教学行为分析平台精准赋能；教师与学生之间基于学习画像数据动态适配；学生与管理者之间通过行为数据反向优化校园资源配置。

  • 深度利用三大场景突破

    • 管理场景 ：利用 AI 模拟不同政策对教学资源的影响，辅助决策；用知识图谱分析校友职业轨迹，建立人才培养闭环。
    • 教学场景 ：借助思维链可视化工具、跨学科项目生成器等，实现从单向传授到认知共建。
    • 学习场景 ：利用元认知训练系统、职业模拟实验室等，引导学生从被动接受到主动建构知识。

  • 协同创新 ：建设数据中台，实现人机协同教研，建立伦理治理框架，如数据采集范围、算法决策透明度等规范。

• 具体应用案例

  • 国家智慧教育公共服务平台 ：为教育教学提供多种资源和服务。
  • 北京邮电大学 “码上” 平台 ：赋能编程教学，为学生提供个性化辅导，为教师提供教学支持。
  • 浙江大学 “智海平台” ：用于人工智能专业课程等学习和实训。
  • 其他高校的特色应用 ：如华中师范大学基于小雅平台的智能场景创设、西安电子科技大学的 AI 赋能督导新模式等。

（二）AI4Science

• 应用领域

  • 微观科学 ：涉及电子、原子和分子，如材料、化学、分子学等领域的模拟。
  • 宏观工程 ：包括速度、应力、电流，如机械、化工、土木等工程领域的模拟。

• 科研范式转变 ：2024 年诺贝尔物理学奖和化学奖都体现了 AI for Science 的重要性，如基于统计物理提出人工智能计算基础，基于人工神经网络提出蛋白质结构预测模型架构。

（三）其他领域

• AI4Life ：可实现写菜谱、文生图（如生成特定风格图片、生肖 Logo 等）、写代码等功能，应用于生活中的多个场景。
• AI + 政务 ：DeepSeek 在全国多省市政务系统应用，提升工作效率与服务质量，但面临资源浪费、内容可信度等风险，需强化顶层设计等推动稳健发展。
• AI + 新质生产力 ：发挥科技突破、产业赋能、劳动者塑造等核心引擎作用，中国发展路径强调自主创新、产学研协同等，实现高质量发展。
• AI 正在接替部分职业 ：如客户服务领域的聊天机器人，制造业流水线的 AI 驱动机器人，金融财务领域的算法交易等。