2.10 大模型的基本原理（2）（第10课时） 教学重难点 重点：微调；提示词；大模型能力与固有局限（幻觉）。 教学过程 1. 导入：预训练完成之后，大模型如何适配具体任务？2. 微调：预训练完成后，使用少量任务专属数据，进一步微调模型，适配特定场景。3. 提示词Prompt：不需要改动模型权重，通过输入提示引导模型输出对应结果。4. 大模型的显著局限——AI幻觉：会自信地编造不存在事实，不...

2.9 大模型的基本原理（1）（第9课时） 教学重难点 重点：Transformer架构基础；预训练概念；大模型的“大”体现在哪里。 教学过程 1. 导入：ChatGPT等大模型本质，是巨型深度神经网络。2. Transformer架构：现代大模型的底层基础结构，注意力机制，能够捕捉文本上下文关系。3. 大模型为什么叫“大”：参数量规模巨大；训练数据集规模巨大。4. 预训练阶段：在海量互联网...

2.8 深度学习基础（第8课时） 教学重难点 重点：深度学习定义；深度神经网络；算力、大数据对深度学习的作用。难点：浅层机器学习与深度学习区别。 教学过程 1. 导入：什么叫“深度”学习？“深度”指什么？2. 核心概念 - 深度学习：拥有多层隐藏层的神经网络，深度即网络层数多。- 浅层机器学习：依靠人工提取特征；- 深度学习：可以自动提取特征，不需要人工手动设计特征。 3. 深度学习崛起三大...

2.7 典型神经网络结构（第7课时） 教学重难点 重点：CNN卷积神经网络；RNN循环神经网络基本用途。难点：知道不同网络适合处理什么类型数据。 教学过程 1. 导入：基础神经网络演化出专门针对不同数据的专用网络结构。2. CNN卷积神经网络（卷积神经网络）专门处理图像数据；卷积核提取图片局部特征（边缘、纹理、形状）。课堂联系之前展评课例：AI巡护动物识别，底层就是CNN。3. RNN循环神...

2.6 初识人工神经网络（第6课时） 教学重难点 重点：人工神经元基本结构；神经网络输入层、隐藏层、输出层。难点：类比人脑神经元，理解人工神经网络信号传递。 教学过程 1. 导入：连接主义模仿人脑大脑神经元网络，构建人工神经网络。2. 人脑神经元简单回顾：接收信号，达到阈值后输出信号。3. 人工神经元（感知器）：接收多路输入，加权求和，激活函数判断，输出信号。4. 三层基础神经网络结构 - ...

2.5 机器学习四大学派（第5课时） 教学重难点 重点：符号主义、连接主义、行为主义、统计主义四大学派核心思想、代表成果。难点：理清各个学派的发展脉络。 教学过程 1. 导入：人工智能发展道路上，科学家有四种不同实现思路，形成四大流派。2. 分学派讲授3. 符号主义：用符号、逻辑推理实现智能，早期专家系统，对应“基于知识的AI”。4. 连接主义：模仿人脑神经元网络，人工神经网络、深度学习属于...

2.4 机器学习方法（第4课时） 教学重难点 重点：监督学习、无监督学习、强化学习三者的基本概念与典型例子。难点：区分三类机器学习适用场景。 教学过程 1. 导入：机器学习的方式不止一种，就像人学习分为有老师教、自己归纳、试错奖惩学习。2. 新知讲解 - 监督学习：带标签的数据，“有标准答案的学习”。输入+已知输出，机器学习输入输出对应关系。实例：图像分类、房价预测。- 无监督学习：数据没有...

2.3 机器学习基础流程 教学重难点 重点：机器学习完整五大流程：数据采集→数据处理→划分数据集→训练模型→评估测试。难点：理解训练集、测试集作用，过拟合简单概念。 教学过程 1. 导入：机器“学习”和人看书学习有什么相似之处？2. 分步拆解完整流程①数据采集：收集任务需要的原始数据（图片、文本、表格），数据质量直接决定模型好坏。②数据预处理：清洗脏数据，去除错误、重复、缺失数据，标准化格式...

2.2 基于学习的人工智能 教学重难点 重点：基于学习的AI核心思路；对比“基于知识”与“基于学习”的差异。难点：理解机器不是写死规则，而是从数据中自己总结规律。 教学过程 1. 导入承接上节课：既然人工写规则走不通，还有什么思路实现人工智能？2. 新知讲授 - 基于学习的人工智能（机器学习思路）：不给机器写死全部规则，而是给机器大量数据，让机器从数据中自动归纳、学习出规律与模型。- 核心逻...

2.1 基于知识的人工智能 教学重难点 重点：基于知识（规则）的人工智能核心思想；专家系统组成。难点：规则式AI的优点与固有局限性。 教学过程 1. 课堂导入提问：早期人工智能如何让机器“拥有智能”？机器能不能完全靠人写死规则解决所有问题？举例：早期下棋程序、杀毒软件。2. 新知讲授 - 基于知识的AI：人把知识、逻辑、一条条规则手动编写进计算机，机器按照预设规则推理运行，又叫规则型人工智能...

1.10 人工智能伦理：远期风险（第8课时） 教学重点 强人工智能假设下的远期风险；区分科幻与现实。 课堂教学内容 远期风险：属于尚未实现的强人工智能（通用AI）的猜想。 1. 概念区分：弱AI（现在）vs强通用AI（未来设想，具备自我意识）。2. 学界讨论的远期风险 - 目标对齐问题：机器目标和人类整体利益不一致；- 超级智能失控的假设； 3. 客观辨析：目前人类还没有造出强人工智能，远期...

1.9 人工智能伦理：近期风险（第8课时） 教学重点 现阶段真实存在的AI伦理现实风险。 课堂教学内容 近期风险：是当前弱人工智能就已经带来的问题。 1. 数据隐私风险：AI需要大量个人数据，存在信息泄露。2. 算法偏见：训练数据自带偏见，AI输出不公平结果（招聘、人脸识别歧视）。3. 深度伪造（AI换脸、AI语音伪造）：造谣、诈骗。4. 版权问题：AI绘画、AI大模型训练使用别人作品，版权...

1.8 人工智能发展史（2）（第7课时下） 教学重点 专家系统、第二次寒冬；机器学习兴起；深度学习爆发。 课堂教学内容 1. 第二阶段：专家系统兴起（80年代），把行业专家知识录入计算机，在医疗、工业取得实用效果，AI再次回暖。2. 第二次AI寒冬：专家系统维护成本极高，通用性差，再度遇冷。3. 转向机器学习：不再把全部规则写进程序，让机器从大量数据中自己学习规律。4. 深度学习时代：大数据...

1.7 人工智能发展史（1）（第7课时上 ） 教学重点 第一次黄金时代、第一次AI寒冬。 课堂教学内容 1. 第一阶段：AI黄金期（1956‑1974）符号主义为主，机器定理证明、博弈程序不断取得突破，政府投入大量经费。2. 困境到来：很多任务远超当时计算机性能，项目达不到预期效果。3. 第一次AI寒冬：政府科研经费削减，行业遇冷。

1.6 人工智能的开端（第6课时） 教学重点 达特茅斯会议，人工智能学科正式诞生。 课堂教学内容 1. 时代背景：1956年达特茅斯夏季研讨会。2. 关键事件：麦卡锡、明斯基等科学家首次提出“Artificial Intelligence（人工智能）”名词，标志人工智能作为一门学科正式诞生。3. 早期乐观：当时科学家乐观预言，十几年就能实现完全人工智能。4. 早期成果：逻辑证明程序，符号推理...

1.5 图灵：人工智能之父（第5课时 P30） 教学重点 图灵生平；图灵机；图灵测试。 课堂教学内容 1. 人物介绍：艾伦·图灵，人工智能之父。2. 图灵机思想：理论模型，证明机器可以执行任意逻辑运算。3. 图灵测试：判断机器是否表现出与人等价智能的经典实验。 描述：人与机器隔着屏幕对话，如果人无法分辨对面是人还是机器，则机器通过图灵测试。 4. 讨论：通过图灵测试＝机器拥有真正智能吗？5....

1.4 人工智能的起源：计算机的诞生（第4课时） 教学重点 早期计算机发展；冯·诺依曼体系；计算机如何为人工智能提供硬件载体。 课堂教学内容 1. 时代背景：二战时期，为了高速计算，现代计算机诞生。2. 冯·诺依曼计算机五大部件：运算器、控制器、存储器、输入设备、输出设备。存储程序思想。3. 计算机能力：高速存储、运算。4. 逻辑关系：数理逻辑提供理论，计算机提供硬件工具，没有现代计算机就没...

1.3 人工智能的起源：数理逻辑（第3课时） 教学重点 数理逻辑对AI的奠基作用；布尔逻辑；符号逻辑思想。 课堂教学内容 1. 导入：AI不只是编程，最早根源来自数学逻辑。2. 数理逻辑核心思想：把人类思考、推理变成可以计算的符号。3. 布尔逻辑：用0和1表达真假，奠定数字计算机逻辑基础。4. 逻辑符号体系：把自然语言推理转化公式运算。5. 价值：想要机器实现“思考”，首先要把人的推理变成数...

1.2 人类智能的起源（第2课时 ） 教学重点 人脑基础结构；人类智能产生的生理基础；智能的特征：感知、记忆、推理、学习、决策。 课堂教学内容 1. 导入：为什么只有人类具备高级智能？2. 人脑与智能：大脑神经元网络是人类智能的物质基础。神经元接收、传递信号，形成记忆、思考。3. 人类智能核心能力 - 感知：看、听、触觉；- 记忆：存储经验信息；- 推理：归纳、演绎；- 学习：从经验改变行为...

1.1 什么是人工智能（第1课时） 教学重点 人工智能的定义；人工智能、人类智能的区别；生活中人工智能实例辨别。 课堂教学内容 1. 导入：情景提问——手机语音助手、AI绘图、人脸识别是不是人工智能？2. 核心概念 - 人工智能（AI）：是由人造机器所表现出来的智能，让机器模拟、延伸和扩展人的智能。- 两大方向：弱人工智能（专用AI，当前主流）、强人工智能（通用人工智能，尚未实现）。 3. ...