目　录
前言
第一部分　遇见人工智能，遇见爱（AI）
第1章　人工智能的发展历史2
1.1　什么是人工智能2
1.2　厚积薄发：人工智能的崛起之路3
1.2.1　人工智能的早期萌芽3
1.2.2　人工智能的诞生：达特茅斯会议6
1.2.3　黄金年代与寒冬降临8
1.2.4　春天的曙光：AI的复兴—从低谷走向复苏11
1.2.5　学习的革命：深度学习的崛起15
1.2.6　一次爆发：大模型时代的到来20
1.3　百家争鸣：人工智能的三大学派22
1.3.1　思想的碰撞：AI学派的形成背景22
1.3.2　符号主义：逻辑的信徒24
1.3.3　联结主义：仿生的追随者26
1.3.4　行为主义：现实的实践者28
1.3.5　融合、创新与展望：走向多元化的未来30
本章小结33
延伸阅读33
本章习题40
第二部分　想说爱（AI）你不容易
第2章　逻辑演绎44
2.1　搜索算法44
2.1.1　搜索算法的定义45
2.1.2　基础搜索策略46
2.1.3　高级搜索技术56
2.2　知识表示65
2.2.1　知识表示的基本概念66
2.2.2　知识表示的方法68
本章小结77
本章习题78
第3章　归纳推理79
3.1　分类预测79
3.1.1　基本概念80
3.1.2　常见的分类算法82
3.1.3　评估分类模型93
3.1.4　应用场景96
3.2　神经网络98
3.2.1　神经网络的灵感来源—大脑中的神经元98
3.2.2　感知机98
3.2.3　神经网络概述100
3.2.4　BP神经网络105
3.2.5　神经网络的应用领域107
3.2.6　神经网络的挑战109
本章小结114
本章习题114
第4章　强化学习115
4.1　概述115
4.1.1　强化学习的发展历史115
4.1.2　强化学习的基本结构116
4.1.3　强化学习的分类117
4.2　策略梯度算法119
4.2.1　标准的策略梯度算法119
4.2.2　策略梯度算法的两种优化方法121
4.2.3　策略梯度算法的实现过程123
4.3　深度Q网络算法124
4.3.1　价值函数124
4.3.2　深度Q网络算法的基本流程127
4.3.3　常见的优化方法127
4.3.4　深度Q网络算法的实现过程129
4.3.5　连续动作空间下的深度Q网络130
4.4　演员-评论员算法131
4.4.1　策略梯度算法的简单回顾131
4.4.2　深度Q网络算法的简单回顾132
4.4.3　演员-评论员算法的基本流程132
4.4.4　常见的优化技巧133
4.4.5　演员-评论员算法的实现过程134
4.4.6　异步演员-评论员算法135
4.5　稀疏奖励环境下的强化学习136
4.5.1　设计奖励136
4.5.2　课程学习137
4.5.3　分层强化学习138
4.6　无奖励环境下的强化学习139
4.6.1　行为克隆139
4.6.2　逆强化学习140
本章小结140
本章习题141
第三部分　对你爱（AI）不完
第5章　专家系统144
5.1　什么是专家系统144
5.1.1　专家系统的定义144
5.1.2　专家系统的发展历史146
5.2　专家系统的组成部分147
5.2.1　知识库148
5.2.2　推理机153
5.2.3　用户接口155
5.2.4　知识获取模块156
5.2.5　解释模块158
5.3　专家系统的应用场景159
5.3.1　医疗诊断159
5.3.2　金融分析160
5.3.3　法律咨询162
5.3.4　工业故障诊断163
5.3.5　农业管理164
本章小结166
本章习题166
第6章　计算机视觉167
6.1　图像理解：计算机视觉的核心目标167
6.2　计算机如何“看”图像169
6.2.1　什么是数字图像170
6.2.2　数字图像的表示方式170
6.3　计算机如何“认识”图像171
6.3.1　什么是图像分类171
6.3.2　线性分类器172
6.3.3　全连接网络175
6.3.4　卷积神经网络176
6.4　计算机如何更深层地“理解”图像180
6.4.1　目标检测180
6.4.2　图像分割183
6.5　计算机视觉的应用185
6.5.1　人脸检测与识别185
6.5.2　光学字符识别188
6.5.3　智能制造190
6.5.4　增强现实和虚拟现实192
本章小结193
本章习题194
第7章　机器人195
7.1　机器人概述195
7.1.1　机器人的定义与发展历程195
7.1.2　机器人的主要构成196
7.1.3　机器人的关键技术198
7.2　强化学习在机器人中的应用200
7.2.1　环境感知：如何获取环境信息200
7.2.2　决策过程：如何选择下一步动作202
7.2.3　奖励机制：如何评价动作的好坏203
7.2.4　经验积累：如何从历史数据中学习204
7.3　机器人的典型应用场景206
7.3.1　工业机器人206
7.3.2　服务机器人207
7.3.3　医疗机器人208
7.3.4　军事和安防机器人211
7.3.5　探索和研究用机器人212
本章小结213
本章习题214
第8章　自然语言处理215
8.1　自然语言处理概述215
8.1.1　自然语言处理的基本概念和发展历程215
8.1.2　自然语言处理的核心任务217
8.2　自然语言的表示218
8.2.1　离散词向量表示219
8.2.2　分布式词向量表示221
8.3　自然语言分析的层次结构225
8.3.1　词法分析225
8.3.2　句法分析226
8.3.3　语义分析228
8.3.4　篇章分析230
8.4　语言模型的技术演进231
8.4.1　基于规则的语言分析231
8.4.2　统计语言模型232
8.4.3　神经网络语言模型232
8.5　自然语言处理的关键应用234
8.5.1　信息抽取235
8.5.2　情感分析236
8.5.3　机器翻译236
8.5.4　文本摘要237
8.5.5　智能问答237
8.5.6　知识图谱构建238
本章小结239
本章习题240
第9章　生成式人工智能241
9.1　什么是生成式人工智能241
9.2　文生文：让文字生根发芽242
9.2.1　自回归模型242
9.2.2　预训练语言模型243
9.2.3　大型语言模型248
9.3　文生图：当文字化作绚丽画卷252
9.3.1　图像生成模型的基本原理253
9.3.2　图像生成模型的主流技术路线254
9.4　文生视频：让文字在时空中舞动259
9.4.1　视频生成模型的基本原理259
9.4.2　视频生成模型的主流技术路线261
9.5　提示词工程：与AI对话的艺术264
9.5.1　提示词工程的基本概念265
9.5.2　提示词的构成要素266
9.5.3　提示词编写的核心技巧267
9.5.4　典型应用场景的提示词策略269
9.5.5　高级提示词技术272
本章小结274
延伸阅读275
本章习题280
第10章　AI + X281
10.1　金融科技281
10.1.1　概述282
10.1.2　金融大模型285
10.2　智慧医疗292
10.2.1　概述292
10.2.2　AlphaFold293
10.3　科学智能298
10.3.1　概述299
10.3.2　气象大模型301
本章小结307
本章习题308
第四部分　爱（AI）你一万年
第11章　人工智能的未来发展310
11.1　概述310
11.2　技术趋势313
11.2.1　从有监督学习到自主学习314
11.2.2　从单模态大模型到多模态大模型315
11.2.3　从黑箱AI到可解释AI317
11.3　未来挑战与瓶颈319
11.3.1　数据质量与获取319
11.3.2　计算资源与能耗321
11.3.3　通用人工智能的实现323
本章小结326
本章习题326
第12章　人工智能的安全风险328
12.1　技术安全风险328
12.1.1　模型鲁棒性风险328
12.1.2　系统可靠性风险331
12.1.3　隐私安全风险332
12.2　伦理风险334
12.2.1　决策公平风险334
12.2.2　透明度风险335
12.2.3　自主性风险335
12.3　技术风险的防护策略338
12.3.1　模型鲁棒性增强338
12.3.2　系统可靠性保障340
12.3.3　隐私保护机制341
12.4　伦理规范策略343
12.4.1　公平性保障343
12.4.2　透明度提升344
12.4.3　自主性管控345
本章小结346
延伸阅读347
本章习题349
参考文献350