模块1　基 础 认 知

第1章　人工智能导论 2

1.1　计算机的发展及应用 2

1.1.1　计算机的发展历程 3

1.1.2　计算机的应用领域 6

1.2 计数制及其运算 8

1.2.1 计数制的基本概念 8

1.2.2 常用计数制及其表示方法 8

1.2.3 不同计数制之间的转换 9

1.3 计算机系统概述 12

1.3.1 计算机系统的组成 12

1.3.2 硬件系统 12

1.3.3 软件系统 15

1.3.4 计算机系统的工作原理 17

1.4 人工智能的起源与定义 17

1.4.1 人工智能的起源 18

1.4.2 人工智能的定义 20

1.4.3 人工智能的类型 21

1.5 人工智能的主流学派与发展浪潮 23

1.5.1 符号主义：逻辑推理的理性主义 23

1.5.2 连接主义：神经网络的仿生革命 24

1.5.3 行为主义：感知—行动的进化路径 26

1.5.4 人工智能的发展浪潮 27

1.6 人工智能的核心要素 30

1.6.1 数据：人工智能的“燃料” 30

1.6.2 算法：人工智能的“引擎” 31

1.6.3 算力：人工智能的“加速器” 33

1.6.4 知识：人工智能的“罗盘”与“护栏” 35

实战演练：AI发展史报告 37

本章小结 37

思考与练习 38

模块2　实 践 应 用

第2章　人工智能赋能办公创新与教育管理 40

2.1　办公自动化概述与WPS简介 40

2.1.1　办公自动化的演进：从“无纸化”到“智能化” 41

2.1.2　WPS Office：国产办公软件的崛起与AI化转型 41

2.2　人工智能赋能WPS文字处理与实践 42

2.2.1　智能创作模块 43

2.2.2　智能编辑模块 44

2.2.3　智能排版模块 45

2.3　人工智能赋能WPS表格处理与实践 46

2.3.1　智能数据分析 46

2.3.2　智能公式生成 47

2.3.3　智能图表生成 47

2.4　人工智能赋能演示处理与实践 48

2.4.1　一键生成完整演示文稿 48

2.4.2　智能排版与设计优化 48

2.4.3　智能交互 49

2.5　人工智能如何重塑教育模式 49

2.5.1　个性化学习 50

2.5.2　智能化评估 50

2.5.3　教育管理升级 51

实战演练1：WPS AI文字处理实践 52

实战演练2：WPS AI数据分析实践 60

实战演练3：WPS AI演示设计实践 64

本章小结 70

思考与练习 70

第3章 自然语言处理与大语言模型 71

3.1　自然语言处理概述与大语言模型概述 72

3.1.1　自然语言处理的定义与核心目标 72

3.1.2　自然语言处理的技术演进脉络 73

3.1.3　自然语言处理的核心任务 75

3.1.4　大语言模型的定义与核心特征 78

3.1.5　经典NLP模型  79

3.1.6　国内主流大语言模型 81

3.2　Transformer结构 83

3.2.1　Transformer的整体架构 83

3.2.2　输入嵌入与位置编码 84

3.2.3　自注意力机制 87

3.3　大语言模型预训练与微调 89

3.3.1　预训练：语言知识的“基础建设” 89

3.3.2　微调：从“通用学者”到“领域专家” 92

3.4　提示词工程：与AI高效交互的核心 95

3.4.1　提示词概述 95

3.4.2　核心要素 96

3.4.3　设计原则 97

3.5　生成式AI的应用与挑战 100

3.5.1　生成式AI概述 100

3.5.2　生成式AI的核心应用领域 101

3.5.3　生成式AI面临的核心挑战 105

实战演练：文本类AIGC应用与实践 107

本章小结 118

思考与练习 119

第4章　图像视频生成技术 120

4.1　图像生成技术发展脉络 120

4.1.1　早期探索：传统概率模型主导阶段 121

4.1.2　中期突破：GAN引领的深度学习生成革命 122

4.1.3　当前主流：扩散模型主导的高质量生成时代 124

4.1.4　三类核心模型的技术对比 125

4.2　提示词设计与图像生成流程 126

4.2.1　提示词的核心作用与构成要素 126

4.2.2　提示词设计的核心原则与方法 127

4.2.3　图像生成的完整流程 129

4.3　视频生成技术概述：从文生视频到多主体生成 131

4.3.1　视频生成的核心原理与技术框架 131

4.3.2　视频生成技术的演进历程 132

4.3.3　文生视频技术的核心方法 134

4.3.4　多主体生成技术：核心挑战与解决方案 135

4.4　主流视频生成平台与应用 136

4.4.1　OpenAI Sora 136

4.4.2　Runway 137

4.4.3　可灵AI 138

4.4.4　海螺AI 138

4.4.5　即梦AI 139

实战演练1：图片类AIGC的应用与实践 140

实战演练2：视频类AIGC的应用与实践 153

实战演练3：AI搜索实践 164

本章小结 170

思考与练习 171

第5章　多模态AI与智能体系统 172

5.1　多模态AI概述 172

5.1.1　核心定义与关键特征 173

5.1.2　技术优势与产业价值 174

5.1.3　技术挑战与发展趋势 175

5.2　智能体基本原理与架构 176

5.2.1　核心定义与关键特征 176

5.2.2　智能体的工作原理 177

5.2.3　智能体的基本架构  178

5.3　智能体的核心组件：规划、记忆、工具使用 181

5.3.1　规划组件：智能体的“行动导航系统” 181

5.3.2　记忆组件：智能体的“经验储备库” 182

5.3.3　工具使用组件：智能体的“能力拓展器” 184

实战演练：智能体的应用与实践 186

本章小结 198

思考与练习 198

模块3　核 心 技 术

第6章　知识表示与问题求解 200

6.1　认知理论与认知模型 200

6.1.1　认知理论的核心概念 200

6.1.2　人工智能中的核心认知模型 201

6.1.3　认知模型的选择与应用场景 203

6.2　知识表示的主要方法 204

6.2.1　符号表示法 204

6.2.2　语义网络表示法 205

6.2.3　框架表示法 207

6.2.4　本体论表示法 208

6.3　知识推理与搜索 210

6.3.1　符号推理 210

6.3.2　概率推理 212

6.3.3　因果推理 215

6.3.4　知识图谱推理 218

6.4　搜索算法与搜索策略 219

6.4.1　广度优先搜索 219

6.4.2　深度优先搜索 220

6.5　启发式搜索与A*算法 221

6.5.1　启发式搜索基础 221

6.5.2　启发函数的设计原则 222

6.5.3　常见启发式搜索算法分类 223

实战演练：启发式搜索与A*算法 225

本章小结 229

思考与练习 229

第7章 机器学习基础 231

7.1　一般问题求解方法 231

7.1.1　贪心算法 232

7.1.2　分治算法 234

7.1.3　动态规划算法​ 236

7.1.4　回溯算法​ 238

7.2　机器学习的基本概念与分类 241

7.2.1　基本概念 241

7.2.2　机器学习的分类维度 242

7.3　监督学习：回归与分类模型 244

7.3.1　线性回归 244

7.3.2　逻辑回归 246

7.3.3　决策树分类 248

7.4　无监督学习：聚类技术与降维技术 249

7.4.1　聚类技术 250

7.4.2　降维技术 251

7.5　Scikit-learn工具使用 253

7.5.1　数据格式规范 253

7.5.2　工具使用注意事项 254

实战演练1：Scikit-learn入门与线性回归 254

实战演练2：无监督学习入门 260

本章小结 269

思考与练习 269

第8章　深度学习入门 270

8.1　深度学习三要素概述 270

8.1.1　数据：深度学习的“燃料” 271

8.1.2　算法：深度学习的 “引擎” 272

8.1.3　算力：深度学习的“动力与支撑” 273

8.2　浅层人工神经网络模型 274

8.2.1　浅层人工神经网络的定义与特点 275

8.2.2　浅层人工神经网络的基本结构组成 276

8.3　从感知机到多层感知机 277

8.3.1　感知机的结构与原理 278

8.3.2　多层感知机的结构与优势 279

8.3.3　感知机与多层感知机的核心区别 281

8.4　激活函数与损失函数 281

8.4.1　激活函数：神经网络的非线性核心 281

8.4.2　损失函数：模型优化的核心依据 283

8.5　反向传播与梯度下降 285

8.5.1　核心概念铺垫 285

8.5.2　反向传播算法 286

8.5.3　梯度下降算法 288

8.6　卷积神经网络 290

8.6.1　CNN的发展历程 290

8.6.2　CNN的基本结构 290

8.6.3　CNN的工作原理 291

8.7　循环神经网络与LSTM 292

8.7.1　循环神经网络的诞生背景与核心原理 292

8.7.2　RNN的局限性：梯度消失与长期依赖问题 292

8.7.3　LSTM：通过门控机制解决长期依赖问题 293

8.7.4　RNN与LSTM的局限性与发展方向 294

实战演练：深度学习之图像识别 （PyTorch CPU） 294

本章小结 304

思考与练习 304

模块4　前 沿 发 展

第9章　人工智能的未来发展与跨学科融合 306

9.1　AI发展趋势与前沿技术 306

9.1.1　多模态融合：打破信息壁垒的核心路径 307

9.1.2　生成式AI：从“辅助工具”到“创作伙伴” 307

9.1.3　边缘智能：工业场景的“实时响应”解决方案 307

9.1.4　可信AI：AI规模化应用的“安全基石” 308

9.1.5　人工智能的新时代 309

9.2　AI+专业领域融合 310

9.2.1　AI+医疗 310

9.2.2　AI+金融 311

9.2.3　AI+农业 312

9.2.4　AI+交通 312

9.2.5　AI+教育 313

9.3　人工智能与国家战略 314

9.3.1　人工智能的战略地位 314

9.3.2　中国人工智能国家战略的实施路径 316

9.3.3　人工智能安全与伦理规范 317

9.4　人工智能素养与未来职业 317

9.4.1　智能时代的AI素养 318

9.4.2　AI催生的新兴职业与岗位 318

9.4.3　终身学习与职业生涯规划建议 319

实战演练：AIGC在编程中的应用 319

本章小结 323

思考与练习 323

模块5　伦 理 规 范

第10章　人工智能安全伦理初探 326

10.1 人机交互与人工智能伦理原则 326

10.1.1 人机交互的伦理边界与核心风险 327

10.1.2 基本原则 328

10.2 人工智能治理策略与技术 329

10.2.1 人工智能治理的核心目标与治理主体 329

10.2.2 人工智能治理的核心策略 330

10.2.3 人工智能治理技术：以技术治技术 331

10.2.4 全球AI治理的发展趋势与挑战 334

10.3 算法背后的公平难题 335

10.3.1 算法公平的核心内涵与评判标准 335

10.3.2 算法公平的实现路径与保障措施 337

10.4 可信赖的AI系统设计与评估 338

10.4.1 可信赖AI系统的设计原则 339

10.4.2 可信赖AI的核心内涵与系统评估准则 340

本章小结 342

思考与练习 342

参考文献 344