本书介绍了人工智能(AI)的核心技术、应用实践及伦理治理，旨在使读者初步认识人工智能。书中阐述了AI的起源、发展历程及关键技术，展示了AI在各个领域的应用与技术突破。通过分析机器学习、深度学习和预训练模型，帮助读者理解AI如何从基础算法发展到复杂的智能系统。同时，本书还介绍了多模态AI、生成式AI和智能机器人，展示了AI模型的不断进步以及AI模型如何深刻改变人们的生活。通过对AI在科学研究和交叉学科应用方面的讨论，揭示了AI赋能各行各业的巨大潜力。最后，本书探讨了人工智能的伦理与治理问题，强调技术突破背后必须关注的社会责任与道德考量。
更多科学出版社服务，请扫码获取。
(1) 2008-09 至 2013-11, 大连理工大学, 信号与信息处理, 博士
(2) 2003-09 至 2008-07, 大连理工大学, 电子信息工程, 学士 (1) 2021-01 至 今, 大连理工大学, 信息与通信工程学院, 教授
(2) 2017-01 至 2020-12, 大连理工大学, 信息与通信工程学院, 副教授
(3) 2013-11 至 2016-12, 大连理工大学, 信息与通信工程学院, 讲师计算机视觉和模式识别,主要从事目标跟踪与识别方面研究获得国家自然科学基金委“优秀青年科学基金”,入选CCF青年人才发展计划、ACM新星(大连)、大连理工大学“星海优青”“星海骨干”。
目录
第1章 人工智能简介 1
1.1 人工智能概述 1
1.2 人工智能的发展历程 3
1.2.1 萌芽阶段 3
1.2.2 早期发展阶段 4
1.2.3 应用发展阶段 5
1.2.4 稳步发展阶段 6
1.2.5 蓬勃发展阶段 7
1.3 人工智能的核心技术 10
1.3.1 自然语言处理 10
1.3.2 计算机视觉 11
1.3.3 智能芯片技术 12
1.3.4 脑机接口技术 12
1.3.5 跨媒体分析技术 13
1.3.6 智适应学习技术 13
1.3.7 群体智能技术 14
1.3.8 自主无人系统 14
1.4 人工智能的前沿应用 14
1.4.1 ChatGPT 15
1.4.2 智能家居控制 16
1.4.3 自动驾驶 16
1.4.4 医疗影像分析 17
1.5 人工智能伦理道德 18
参考文献 20
第2章 机器学习 21
2.1 机器学习概述 21
2.1.1 基础介绍 21
2.1.2 机器学习的流程 22
2.1.3 机器学习的发展历程 24
2.1.4 机器学习的基本分类 27
2.1.5 机器学习的应用领域 28
2.2 监督学习 30
2.2.1 线性模型 30
2.2.2 决策树 33
2.2.3 支持向量机 35
2.2.4 K近邻学习 36
2.3 无监督学习 36
2.3.1 无监督学习概述 36
2.3.2 无监督学习的主要算法 37
2.4 神经网络 42
2.4.1 神经网络的定义 42
2.4.2 神经网络的基本单元 42
2.4.3 神经网络的早期模型 43
2.4.4 神经网络的优化算法 44
2.4.5 常见的神经网络模型 45
2.5 深度学习 47
2.5.1 深度学习的定义 47
2.5.2 深度学习的历史背景 47
2.5.3 深度学习的三大驱动因素 48
2.5.4 深度学习的关键技术 48
2.6 预训练模型 51
2.6.1 预训练模型的作用 51
2.6.2 预训练模型的分类 52
2.6.3 预训练模型与训练模型的本质区别 53
2.6.4 迁移学习 54
参考文献 54
第3章 多模态人工智能 56
3.1 多模态人工智能概述 56
3.1.1 多模态人工智能的概念与作用 56
3.1.2 多模态人工智能的发展历程 56
3.1.3 多模态信息的组合方式 57
3.1.4 多模态人工智能的挑战与未来发展趋势 58
3.2 自然语言处理 58
3.2.1 自然语言处理的基本概念与特点 58
3.2.2 自然语言处理的基本任务 60
3.2.3 深度学习在自然语言处理中的应用 63
3.3 计算机视觉 64
3.3.1 计算机视觉概述及图像的特点 64
3.3.2 计算机视觉的基本任务 66
3.3.3 计算机视觉的关键技术 66
3.3.4 计算机视觉的应用领域 71
3.4 计算机听觉 73
3.4.1 计算机听觉的基本概念 73
3.4.2 计算机听觉的关键技术 74
3.4.3 计算机听觉的应用领域 77
3.5 多模态大模型 78
3.5.1 多模态大模型的基本概念及特点 78
3.5.2 多模态大模型的架构与训练方法 80
3.5.3 多模态大模型的应用案例 82
参考文献 83
第4章 生成式人工智能 85
4.1 生成式模型概论 85
4.1.1 认识生成式人工智能 85
4.1.2 判别式人工智能和生成式人工智能 86
4.2 生成式模型基础 87
4.2.1 生成式模型的定义与分类 87
4.2.2 生成式模型的基本原理 88
4.2.3 深度生成式模型 89
4.3 生成式模型的功能 93
4.3.1 AIGC与文本生成 94
4.3.2 AIGC与图像生成 95
4.3.3 AIGC与视频生成 98
4.3.4 AIGC与3D内容生成 100
4.4 生成式大模型 101
4.4.1 ChatGPT 101
4.4.2 文心一言 102
4.4.3 讯飞星火 103
4.4.4 通义 103
4.4.5 天工 103
4.4.6 Kimi 104
4.4.7 LLaVA 104
4.4.8 Sora 105
4.4.9 DeepSeek 105
4.5 提示工程与智能体 106
4.5.1 提示工程 106
4.5.2 提示工程要素 106
4.5.3 提示工程中的技巧 107
4.5.4 提示词 108
4.5.5 智能体框架简介 109
4.5.6 智能体分类 110
4.6 生成式人工智能的应用 111
4.6.1 AIGC助力高效办公 111
4.6.2 AIGC助力学习成长 113
4.6.3 AIGC丰富日常生活 114
参考文献 116
第5章 智能机器人 118
5.1 智能机器人概述 118
5.1.1 智能机器人的定义 118
5.1.2 智能机器人发展史 118
5.1.3 智能机器人发展现状 119
5.2 智能机器人分类 119
5.2.1 机器人的分类方法 119
5.2.2 智能无人机 120
5.2.3 智能无人车与自动驾驶 120
5.2.4 智能工业机器人 121
5.2.5 智能服务机器人 122
5.2.6 空间机器人智能技术 122
5.2.7 海洋/极地机器人智能技术 123
5.3 智能机器人关键技术 124
5.3.1 智能机器人机构 124
5.3.2 智能机器人运动学与动力学系统 127
5.3.3 智能机器人控制系统 129
5.3.4 智能机器人操作系统 131
5.3.5 感知与环境理解 132
5.3.6 定位和建图 136
5.3.7 导航与路径规划 138
5.4 具身机器人 141
5.4.1 具身机器人概述 141
5.4.2 具身机器人关键技术 143
5.4.3 具身机器人的分类 147
5.4.4 具身机器人的挑战与未来方向 147
5.5 集群机器人 148
5.5.1 集群机器人介绍 148
5.5.2 集群机器人的分类 149
5.5.3 集群机器人的关键技术 150
5.5.4 应用和展望 153
参考文献 154
第6章 人工智能驱动科学研究 155
6.1 AI for Science新范式 155
6.1.1 AI 与科学研究范式的变迁 156
6.1.2 AI 嵌入科学研究全流程的方法 158
6.2 人工智能与数学 161
6.2.1 AI辅助数学证明 162
6.2.2 AI辅助寻找数学规律 164
6.2.3 大模型辅助数学研究 165
6.3 人工智能与化学 166
6.3.1 AI辅助分子设计 166
6.3.2 AI预测化学反应 167
6.3.3 AI预测分子性质 167
6.3.4 AI促进化学合成的自动化 167
6.3.5 大模型指导化学结构分割 168
6.4 人工智能与生物 169
6.4.1 人工智能与分子生物学 169
6.4.2 人工智能与生物组学 171
6.4.3 人工智能与生物医药研究 172
6.5 人工智能与材料科学 172
6.5.1 人工智能与材料设计 173
6.5.2 人工智能与材料性能预测 173
6.5.3 人工智能与材料微观结构表征 173
6.5.4 人工智能与复合材料研究 174
6.6 其他科学领域 174
6.6.1 人工智能与物理学 174
6.6.2 人工智能与地球科学 175
6.6.3 人工智能与能源科学 175
6.6.4 人工智能与计算科学 176
6.6.5 小结 176
参考文献 176
第7章 人工智能在交叉学科中的应用 178
7.1 人工智能在化学化工中的应用 178
7.1.1 化学数据库简介 179
7.1.2 分子物性预测 181
7.1.3 分子智能设计 184
7.1.4 有机合成与人工智能 185
7.1.5 能源与人工智能 187
7.2 人工智能在生物科学与工程中的应用 189
7.2.1 人工智能在基因组学中的应用 189
7.2.2 人工智能在蛋白质组学中的应用 191
7.2.3 人工智能在生物医药领域的应用 194
7.2.4 人工智能在合成生物学中的应用 197
7.3 人工智能在智能制造中的应用 201
7.3.1 智能设计 202
7.3.2 智能加工 204
7.3.3 智能装配 206
7.3.4 智能调度 208
7.3.5 智能运维 210
7.4 人工智能在智能建造中的应用 211
7.4.1 智能防灾 211
7.4.2 智慧交通 216
7.4.3 智慧水务 219
7.4.4 智慧人居 224
参考文献 229
第8章 人工智能伦理与治理 232
8.1 人工智能伦理问题概述 232
8.2 人工智能安全问题 235
8.2.1 人工智能系统攻防 235
8.2.2 深度伪造检测 237
8.2.3 数字水印认证 239
8.2.4 隐私计算 241
8.3 数据伦理风险问题及其治理 242
8.3.1 数据是人工智能学习的“原料” 243
8.3.2 人工智能数据伦理风险问题 244
8.3.3 数据伦理风险问题治理 246
8.4 算法伦理风险问题及其治理 248
8.4.1 算法伦理风险问题 248
8.4.2 算法伦理风险问题治理 252
8.5 全球人工智能伦理治理 258
8.5.1 我国的人工智能伦理治理实践 258
8.5.2 欧美等国家的人工智能伦理治理实践 266
8.5.3 全球人工智能伦理治理：共治共享 266
参考文献 268
书单推荐
