CH.01 / NOTES
01 // CHAPTER OPENING

AI 是什么 从图灵测试到 ChatGPT

应用型本科 · AI 通识课 15 PAGES / 8 EXPLAINERS / 15 SOURCE QUESTIONS

1. 图灵之问

不问“会不会想”，先看“像不像在想”。

2. 三次浪潮

规则、专家系统，再到数据驱动与大模型。

3. 层层套娃

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型。

4. 能力边界

擅长模式任务，但价值判断与责任仍在人。

5. 虚实落地

数字孪生造数据，具身智能去执行。

UNIT 01 / MEETING NOTES

小节一 · 机器能像人吗

AGENDA / 本节阅读顺序01机器能像人吗02七十年起落 三次浪潮03什么才算 人工智能
AI是什么章节教学场景：图灵测试、历史浪潮、技术层级与实体执行的微缩模型
图 1.1　从图灵之问走向实体行动的教学场景

先围绕“机器能像人吗”建立问题，再逐页核对本小节的机制与证据。

01 // TURING TEST · 1950

机器能像人吗？图灵测试

BOX.A ? BOX.B ? ? TYPE → TYPE →

分不清人与机器，即通过测试

02 // THREE WAVES · 70 YEARS

七十年起落 三次浪潮

1950s 符号推理 RULE-BASED 1980s 专家系统 EXPERT SYS 2010s+ 深度学习 · 大模型 DEEP LEARNING WAVE I WAVE II WAVE III 1950 NOW

路线从写入规则，转向让机器从数据中学习

03 // WHAT COUNTS AS ARTIFICIAL INTELLIGENCE

什么才算 人工智能

人工智能 = 模拟人类智能行为 感知 PERCEPTION 推理 REASONING 学习 LEARNING

AI 是让计算机完成通常需要人类智力的任务

UNIT 02 / MEETING NOTES

小节二 · AI 家族 层层套娃

AGENDA / 本节阅读顺序01AI 家族 层层套娃02人工挑重点 机器自己学
小节二 · AI 家族 层层套娃的章节概念路线图
图 1.2　小节二 · AI 家族 层层套娃的观察入口

先围绕“AI 家族 层层套娃”建立问题，再逐页核对本小节的机制与证据。

04 // RUSSIAN DOLL · SUBSET HIERARCHY

AI 家族 层层套娃

AI ARTIFICIAL INTELLIGENCE ML MACHINE LEARNING DL DEEP LEARNING LLM LARGE LANGUAGE MODEL AI ⊃ ML ⊃ DL ⊃ LLM

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型

05 // MANUAL vs AUTO FEATURE LEARNING

人工挑重点 机器自己学

VS 原始数据 RAW DATA 人工特征 HAND-CRAFTED 模型输出 OUTPUT 人工特征工程 NEEDS DOMAIN EXPERT 原始数据 RAW DATA 自动特征 AUTO-LEARNED 模型输出 OUTPUT 自动特征学习 END-TO-END NEURAL NET

机器学习找规律，深度学习还能自动提取特征

UNIT 03 / MEETING NOTES

小节三 · AI 能做 也有边界

AGENDA / 本节阅读顺序01AI 能做 也有边界02虚拟训练 真实执行03规模变大 能力涌现
小节三 · AI 能做 也有边界的章节概念路线图
图 1.3　小节三 · AI 能做 也有边界的观察入口

先围绕“AI 能做 也有边界”建立问题，再逐页核对本小节的机制与证据。

06 // CAPABILITY BOUNDARY · 2026 SOURCE VIEW

AI 能做 也有边界

擅长 CAN DO STRENGTHS 文本总结 SUMMARIZATION 代码生成 CODE GENERATION 图像创作 IMAGE GENERATION 短板 CANNOT DO LIMITS 常识推理 COMMON SENSE 伦理判断 ETHICAL REASONING 责任承担 ACCOUNTABILITY

AI 是工具，不是替代品；责任永远在人身上

07 // DIGITAL TWIN × EMBODIED AI

虚拟训练 真实执行

虚拟驾校 DIGITAL TWIN 模拟训练 1000h+ 物理机器人 EMBODIED AI 真实物理世界执行 训练数据 反馈优化 LOOP 教学团队 · 数据基石

教学团队以数据为基石：数字孪生造数据，具身智能去执行

08 // LLM SCALE × EMERGENT ABILITY

规模变大 能力涌现

传统 DL 模型 TRADITIONAL SCALE · 规模 几百万~几千万参数 ABILITY · 能力 单任务专用 GENERALIZE · 泛化 需重新训练 NARROW AI SCALE ↑ 大模型 GPT-4 / DeepSeek FOUNDATION SCALE · 规模 数百亿~数千亿参数 ABILITY · 能力 涌现：多任务通才 GENERALIZE · 泛化 零样本 / 少样本迁移 GENERAL AI

参数与数据跨过规模门槛，能力从单项走向通用

09 // CHAPTER RECAP · FIVE KEY QUESTIONS

第一章 路线图

图灵测试

用可观察行为判断机器是否“像在思考”。

三次浪潮

从写规则到让机器从数据中学规律。

四层关系

AI、ML、DL 与大模型是逐层包含关系。

能力边界

模式任务很强；常识、价值与责任仍在人。

数据落地

数字孪生造数据，具身智能进入物理世界。

定义、浪潮、层级、边界与虚实落地，串成一条 AI 认知线

KNOWLEDGE CHECK

单选题 · 10题

得分: 0/10
TRUE OR FALSE

判断题 · 5题

1人工智能的概念最早出现在 21 世纪。
2深度学习之所以叫"深"，是因为它的神经网络有很多层。
3大模型和传统深度学习模型在能力上没有本质区别，只是参数多一点而已。
4教学团队的"具身智能"业务是指让 AI 拥有物理身体，能在真实世界中控制机器人完成任务。
5如果 AI 给错了答案，应该由 AI 开发者或使用者承担责任，而不是 AI 本身。
判断题得分: 0/5