人工智能的定义

与发展简史

从“机器能思考吗”到大模型与智能体

AI 基础认知 · 第 01 课

面向 AI 训练师 / 数据标注 / 智慧图书馆应用

理解概念 · 看懂浪潮 · 连接岗位

为什么先学 AI 发展史？

AI 不是单点技术，而是数据、算法、算力、产品场景长期协同演化的结果。

痛点一：概念混杂

AI、机器学习、深度学习、大模型、智能体经常被混用，需要建立清晰层级。

痛点二：只见工具

只会使用 ChatGPT 还不够，更要理解背后的数据、训练、评估与安全边界。

痛点三：岗位脱节

AI 训练师需要把技术史转化为数据质量、标注规范与模型效果意识。

学习目标

01 定义

用一句话说明什么是人工智能，并区分“模拟智能”与“真正理解”。

02 发展

梳理三次 AI 浪潮：符号主义、专家系统、深度学习/大模型。

03 里程碑

理解 AlphaGo、Transformer、ChatGPT 为什么改变公众认知和产业结构。

概念

AI 是什么→

历史

为什么起落→

岗位

训练师做什么

什么是人工智能？

人工智能（Artificial Intelligence, AI）：让机器在特定任务中表现出类似人类智能的能力，包括感知、理解、推理、决策与生成。

关键词 1不是“万能大脑”，而是任务导向的系统能力。

关键词 2不是只有聊天机器人，也包括推荐、识别、预测、规划。

关键词 3智能水平依赖数据质量、模型算法、算力和评估反馈。

AI 的四类核心能力

感知 Perception

看图、听音、识别场景：图像识别、语音识别、OCR、传感器融合。

理解 Understanding

理解语言、结构化知识、抽取实体关系：NLP、知识图谱、语义检索。

决策 Decision

在目标和约束下选择行动：推荐系统、风控、路径规划、强化学习。

创造 Generation

生成文本、图像、音频、代码和方案：大语言模型、多模态生成模型。

图灵测试：问题的起点

1950 年，图灵把抽象问题转化为可观察的行为测试：机器能否在对话中让人难以区分？

图灵测试不是 AI 的终点，但它开启了“用任务表现衡量机器智能”的思路。

AI 发展的三次浪潮


符号主义用规则和逻辑表示知识。

专家系统把专家经验写进规则库。

深度学习让模型从海量数据中学习表示。

第一次浪潮：符号主义（1956—1974）

达特茅斯会议让 AI 成为独立研究方向，早期研究相信“智能可以被逻辑规则表达”。

代表成果

逻辑理论家、早期游戏程序、Lisp 语言、问题求解系统。

核心假设

把知识写成符号和规则，机器通过搜索与推理得到答案。

遇到瓶颈

真实世界过于复杂，规则难以穷举，算力和数据都不足。

结果：期望过高、效果受限，进入第一次 AI 寒冬。

第二次浪潮：专家系统（1980—1987）

成功案例：MYCIN

把医学专家规则编码为诊断建议，说明“知识工程”在垂直领域可行。

成功案例：XCON

用于计算机配置，帮助企业节省大量人工配置成本。

失败原因：知识获取瓶颈

规则需要人工访谈专家、人工维护，扩展到开放世界成本极高。

关键启示

AI 落地需要稳定场景、可维护知识、持续反馈，而不只是一次性建库。

第三次浪潮：深度学习与大模型（2006—至今）

关键里程碑时间线

AlphaGo 为什么是里程碑？

围棋复杂度

状态空间约 10¹⁷⁰，暴力搜索不可行。→

核心技术

策略网络 + 价值网络 + 蒙特卡洛树搜索。→

训练方式

从人类棋谱学习，再通过自我对弈强化提升。

技术意义

神经网络与搜索结合，突破传统规则系统的局限。

社会意义

让大众第一次直观感受到 AI 可以挑战人类顶尖智力活动。

ChatGPT 为什么是转折点？

指令微调

让模型学会按照用户意图回答，而不是只做下一个词预测。

人类反馈强化学习

用偏好数据对齐“更有帮助、更安全、更符合人类期待”的输出。

对话交互范式

自然语言成为通用入口，非技术用户也能调动模型能力。

从“模型能力”到“可用产品”，ChatGPT 的价值在于把复杂技术包装成人人可操作的协作界面。

大模型的“涌现能力”


规模参数量、数据量、训练步数扩大。

能力推理、翻译、代码、跨任务迁移增强。

风险幻觉、偏见、泄露与不可解释性也同步放大。

AI 应用领域全景

北二外特色方向：多语种 AI 应用、中英阿语料处理、智慧图书馆服务升级。

AI 训练师在产业链中的位置


中级重点数据采集、清洗、标注、质检。

高级重点模型训练、评估、反馈、迭代。

核心意识质量优先，规范先行，结果可追溯。

AI 训练师的核心价值

原始数据

文本、图像、音频、日志、文献→

AI 训练师

标注规范、质量控制、错误分析→

高质量数据

可训练、可评测、可追溯→

模型产品

更准确、更可靠、更安全

没有好数据，就没有好模型

标注一致性、样本覆盖度和错误闭环，直接决定模型上限。

训练师不是“机械标注员”

训练师需要理解任务目标、业务场景、模型评估与伦理边界。

课堂练习：AI 发展史知识卡片

请将事件按时间排序，并说明每个事件为什么重要。

待排序事件

1. ChatGPT 上线
2. AlphaGo 击败李世石
3. 图灵测试提出
4. Transformer 论文发表
5. AlexNet 赢得 ImageNet

讨论提示

• 它解决了什么问题？
• 它依赖哪些数据、算法或算力条件？
• 它对 AI 训练师岗位有什么启发？

本节课总结与作业

必须掌握

AI 的定义、四类能力、三次浪潮、关键里程碑。

常见误区

把 AI 等同于聊天机器人；忽视数据质量；只看模型不看评估。

岗位连接

AI 训练师通过数据与反馈，把场景需求转化为可训练的模型能力。

课后作业

1. 用 200 字复述 AI 三次浪潮及每次受挫原因。
2. 选择一个 AI 应用案例，分析其数据、算法、算力和评估方式。
3. 思考：智慧图书馆场景中，哪些数据最适合作为训练数据？

考试实操 20：任务单

评分重点：过程可复现、结果可检查、异常有记录。

考试实操 21：样本表设计

要求：不得只写结论，必须写出判断依据或处理参数。

考试实操 22：小样本试跑

1. 从材料中抽取 5 条代表样本：人工智能的定义与发展简史样本A：标准、清晰、可直接处理、人工智能的定义与发展简史样本B：边界情况，需要查规则、人工智能的定义与发展简史样本C：异常或争议，需记录原因 至少各覆盖 1 条。
2. 先手工完成 2 条，确认“人工智能的定义与发展简史”的口径、字段、工具设置没有歧义。
3. 再执行：围绕“人工智能的定义与发展简史”完成考试式实操：准备数据、执行处理、质检并交付。
4. 将错例写入 error_cases.csv，字段包含：样本ID、错误类型、修正依据、复核人。

小样本试跑不过关，不进入批量处理。

考试实操 23：操作步骤

Step 1

读取题目材料：岗位描述、任务清单、能力证据。→Step 2

围绕“人工智能的定义与发展简史”完成考试式实操：准备数据、执行处理、质检并交付。→Step 3

提交：能力矩阵 + 学习计划。

禁止操作：临时改标签、覆盖原始文件、不记录异常、只提交截图不交数据。

考试实操 24：质量检查清单

• 原始数据已备份，处理文件另存为新版本
• “人工智能的定义与发展简史”相关规则已写入 README 或报告
• 至少抽检 10% 样本，且覆盖边界样本
• 指标检查：等级标准、证据链、岗位任务画像
• 所有异常样本都有编号、原因和处理意见

质检记录是考试给分点，不是可选项。

考试实操 25：错例分析

复盘要求：至少写 2 条错例及修正依据。

考试实操 26：智慧图书馆应用

场景

AI训练师岗位能力自评与等级匹配，服务对象为读者、馆员或科研团队。

数据

岗位描述、任务清单、能力证据，需注意来源、权限和个人信息。

处理

把“人工智能的定义与发展简史”方法嵌入采集、标注、训练或评估流程。

验收

用 等级标准、证据链、岗位任务画像 判断是否达到交付要求。

考试实操 27：评分细则

满分答案通常包含：结果 + 过程 + 质检 + 复盘。

考试实操 28：提交包结构

第01课_人工智能的定义与发展简史_考试提交包/
├── raw/              # 原始材料，只读保存
├── output/           # 能力矩阵 + 学习计划
├── qc/               # 抽检表、错例表、指标计算
├── screenshots/      # 关键步骤截图
└── README.md         # 工具版本、步骤、结论、风险

检查：压缩包解压后，阅卷老师能按 README 复现主要结果。

考试实操 29：限时训练

10 分钟版

• 读题并建立 raw/output/qc 目录
• 处理 3 条样本：正常、边界、异常各 1 条
• 写出 1 条与“人工智能的定义与发展简史”直接相关的边界规则

30 分钟版

• 按要求完成：围绕“人工智能的定义与发展简史”完成考试式实操：准备数据、执行处理、质检并交付
• 做 10% 抽检并解释 等级标准、证据链、岗位任务画像
• 生成 能力矩阵 + 学习计划

60 分钟版

• 批量处理 + 指标计算 + 质量报告
• 给出下一轮优化建议

考试实操 30：口头答辩题

1. 本课“人工智能的定义与发展简史”任务的输入、输出分别是什么？
2. 如果结果不达标，你会优先检查数据、规则、工具还是人员执行？为什么？
3. 本次提交物如何证明可追溯？
4. 在智慧图书馆项目中，哪些数据不能直接用于训练？

答辩时要结合样本编号和处理记录，不要只背概念。

大学生学习拓展：从通识到岗位：大学生为什么要懂AI训练

本页为大学生培训增强内容：把本课知识连接到真实校园、科研与就业场景。

拓展 1

AI不是一个单独软件，而是数据、算法、算力、场景共同构成的系统工程。

拓展 2

大学生要从“会用AI工具”升级为“能判断数据质量、模型边界和应用风险”。

拓展 3

本模块建立AI训练师职业认知，为后续标注、质检、建模和项目管理打基础。

知识加餐：本课在AI项目中的位置

课堂实训升级：从“听懂”到“做出来”

建议实训任务（五级/基础）

• 画出AI、机器学习、深度学习、大模型、智能体之间的层级图。
• 任选一个校园AI应用，说明它需要哪些数据、模型和评估指标。

交付物建议：数据文件 / 处理脚本 / 截图证据 / 1页说明 / 课堂展示。

工具链建议：国产模型 + 本地工具 + 可复现记录

数据与标注

Excel/WPS、Label Studio、CVAT、JSONL/CSV、抽样质检表。

模型与评估

Qwen、DeepSeek、BGE-M3、RAG、LoRA、F1/Recall/MRR等指标。

记录与展示

Jupyter、Markdown、Git/版本记录、PPT答辩、学习档案。

课堂讨论与课后反思

1. 本课内容如果用于智慧图书馆，会服务哪个具体场景？
2. 本课最容易出现的数据质量问题是什么？如何检查？
3. 哪些数据不能直接进入训练或评估？为什么？
4. 如何把本课成果放进个人作品集？
5. 如果你是项目负责人，本课对应的验收指标是什么？