这一页讲的是课程COMPSCI 713的第二讲主题：人工智能是什么。

这一页讲的是课程COMPSCI 713的第二讲，标题是“人工智能是什么（What is AI）”。这门课属于AI Fundamentals（人工智能基础）系列，由奥克兰大学计算机科学学院的讲师Xinyu Zhang教授授课，时间为2026年第一学期（S1 2026）。这一页主要是课程的开篇介绍，明确了讲座的主题和背景信息，为后续学习人工智能的基本概念、定义以及应用奠定基础。人工智能是计算机科学的重要分支，它涉及如何让机器模拟人类智能，包括学习、推理、感知和决策等能力。了解人工智能的定义和范围是学习AI的第一步，也是理解其技术和社会影响的关键。

这一页讲的是作业的分组和相关说明，重点包括个人演讲与小组项目的区别、如何组建项目小组，以及项目主题的选择自由。

这一页讲的是作业分组的具体安排和注意事项。首先，Canvas 上的个人演讲论文注册与小组项目无关，个人演讲是单独注册论文并录制演讲。当前 Canvas 的“Individual Presentations Paper Selection”分组仅用于个人演讲，而小组项目需要在“Literature Review – Project Groups”部分自行组建小组。其次，Canvas 上的“Groups”标签可能会混淆，论文标题的分组是个人演讲用的，而“Group xxx”的分组是小组项目用的。这样设计的目的是让学生既可以单独展示特定论文，又能在小组项目中探索不同的研究主题。此外，小组项目的 Deliverables 1-3 可以自由选择任何研究主题，并建议在 Workshop 1 前组建小组并开始考虑主题。这种灵活性有助于学生根据兴趣和需求选择适合的研究方向。

这一页讲的是人工智能的定义与直觉。主要任务是写下与 AI 相关的三个关键词，并思考 AI 的能力(capabilities)或工作原理(methods)。

这一页讲的是人工智能的定义与直觉。首先要求写下三个与 AI 相关的关键词，这些关键词可以从技术角度出发，例如机器学习(machine learning)、神经网络(neural networks)、自动化(automation)等。接着引导学生思考他们对 AI 的理解是基于它的能力(capabilities)，例如预测、分类、生成内容等，还是基于它的工作原理(methods)，例如算法、数据处理或模型训练。这种练习旨在帮助学生明确 AI 的核心概念和技术特点，同时为后续深入学习奠定基础。页面右侧提供了二维码，可以通过互动工具提交答案，增强课堂参与感。

这一页讲的是“AI or not AI”的互动投票环节，重点是通过评分讨论技术是否属于人工智能。

这一页讲的是“AI or not AI”的互动投票环节，参与者需要对10个技术案例进行评分，范围从0（强烈不同意）到5（强烈同意），以回答“这项技术是否可以被认为是人工智能”。这一环节的目的是探索判断人工智能的标准（criteria），并非寻找“正确答案”。评分结束后，大家会讨论导致分歧的原因。这种活动有助于理解人工智能的定义在不同人群中的主观性，以及技术与人工智能之间的界限如何被感知。比如，有些人可能认为简单的自动化系统不属于人工智能，而另一些人可能认为只要涉及机器学习或数据处理的技术都可以归类为人工智能。

这一页讲的是滑尺(Slide Rule)的基本原理和特点。滑尺是一种机械装置，用物理刻度和对数(logarithms)进行近似计算。它不依赖数据，也无学习能力或适应性。

这一页讲的是滑尺(Slide Rule)，一种早期用于近似计算的机械工具，发明于1620至1630年间。滑尺的核心原理是利用物理刻度和对数(logarithms)进行计算。通过滑动中间的刻度板，可以快速完成乘法、除法、平方和平方根等复杂运算。滑尺的设计基于对数的数学性质，例如对数的加法可以转化为乘法运算。这种工具的特点是完全机械化，不需要数据输入，也没有学习能力或适应性。图中展示了一种典型的滑尺，刻度清晰，设计紧凑，适合手动操作。虽然滑尺在现代计算机出现后逐渐被淘汰，但它在历史上曾广泛用于工程计算和科学研究，是人类计算工具发展的重要里程碑。举例来说，工程师可以用滑尺快速计算桥梁结构的承重能力，极大提高了工作效率。

这一页讲的是1970年的便携计算器及其功能特点。它通过编程算法完成精确计算，使用确定性程序如逐位操作。讨论了它是否真正智能。

这一页讲的是1970年便携计算器的特点及智能性问题。便携计算器通过编程算法实现精确的算术运算，例如逐位操作（digit-by-digit operations），这些操作是确定性程序（deterministic procedures），即每一步都有明确的规则和结果。这种设计让计算器能够快速完成复杂的数学计算，例如平方根和分数运算，用户只需按下相应的功能键即可完成。幻灯片中展示了计算器的主要按键布局，包括显示屏、模式键（Mode key）、光标控制按钮（Cursor control button）、功能键（Function keys）等，强调了它的操作简便性。尽管计算器常被认为“聪明”，但它是否真正具有智能（intelligence）仍然值得讨论。智能通常涉及学习、推理和适应，而计算器仅仅执行预设的算法，并不具备这些能力。这一讨论引导我们思考计算设备与人工智能的区别，例如现代AI系统可以学习和适应，而计算器只能完成固定任务。

这一页讲的是 AlphaGo 的发展与成就。它结合深度神经网络和蒙特卡洛树搜索，并通过人类棋局和自我对弈学习。

这一页讲的是 AlphaGo，这是一款由 Google DeepMind 开发的围棋程序。2016 年，AlphaGo 击败了围棋世界冠军李世乭，展示了人工智能在复杂棋类游戏中的强大能力。AlphaGo 的核心技术是结合了深度神经网络（deep neural networks）和蒙特卡洛树搜索（Monte Carlo tree search）。深度神经网络负责预测棋盘状态和最佳动作，而蒙特卡洛树搜索则通过模拟对弈来评估每一步的潜在结果，从而优化决策。此外，AlphaGo 的学习方式非常独特，它不仅从人类棋手的棋局中学习，还通过自我对弈（self-play）不断提高自己的水平。这种结合使得 AlphaGo 能够处理围棋中庞大的状态空间和复杂的策略选择。幻灯片中的图片展示了 AlphaGo 与李世乭对弈的场景，强调了人工智能在实际应用中的突破性成果。

这一页讲的是 AlphaGo——一个将深度神经网络（Deep Neural Networks）、蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）和强化学习（Reinforcement Learning，RL）三者融合的里程碑系统。围棋的搜索空间极大，棋盘状态数远超国际象棋，纯粹的暴力搜索（如 Deep Blue 用于国际象棋的方式）完全行不通。AlphaGo 的解法是：先用人类棋谱做监督学习训练策略网络（Policy Network），让系统学会"哪步棋走起来像高手"；再通过自我对弈（self-play）做强化学习，让策略网络不断改进；同时训练价值网络（Value Network）来估计当前局面的胜率。在实际走棋时，用 MCTS 做树搜索，但每次展开节点时用神经网络来引导搜索方向（策略网络决定优先探索哪条分支）并评估叶节点的好坏（价值网络代替传统的随机模拟 rollout）。这样就把"广度优先"变成"聪明地优先探索有价值的方向"。2016 年 AlphaGo 4:1 战胜李世石，震惊了 AI 界。考试角度：这是"神经网络 + 树搜索 + 强化学习如何结合"的典型例题。常见考法是让你描述 AlphaGo 的组成部分及各自的作用，或者问"为什么 MCTS 单独不够？神经网络的引入解决了什么问题？"易错点是把 AlphaGo（结合人类数据+自我对弈）和 AlphaGo Zero（纯自我对弈、无人类数据）搞混，后者更彻底地依赖 RL，本页说的是原版 AlphaGo。

这一页讲的是 NASA 的火星探测车 Curiosity 的特点与挑战。重点包括通信延迟下的自主性，以及在不确定条件下的规划、控制和感知能力。

这一页讲的是 NASA 于 2012 年发射的火星探测车 Curiosity，它是一辆汽车大小的移动科学实验室，降落在火星的 Gale Crater，用于导航和科学任务。Curiosity 的设计面临两个主要挑战：第一是通信延迟下的自主性（Autonomy under communication delays），由于地球与火星之间的距离，信号传输需要时间，探测车必须能够在没有实时指令的情况下自主完成任务；第二是规划、控制和感知在不确定条件下的能力（Planning, control, perception under uncertainty），例如应对火星地形的复杂性和环境的不确定性。图片展示了 Curiosity 在火星表面的实际工作场景，体现了它的设计复杂性和科学任务的重要性。一个例子是探测车需要分析地形数据，决定如何避开障碍物并选择最佳路径，同时完成岩石样本的采集和分析。这些能力不仅推动了火星研究，也为地球上的无人系统开发提供了重要启示。

这一页讲的是智能工厂(Smart factories)的应用，包括自动化和预测性维护。

这一页讲的是智能工厂(Smart factories)在制造业中的应用。主要内容包括两方面：第一，自动化技术的应用，例如自动车辆控制(Automatic vehicle control)和质量控制(Quality control)，这些技术通过机器学习和传感器技术实现生产流程的优化和效率提升；第二，预测性维护(Predictive maintenance)和工厂监控与规划(Plant monitoring & planning)，这些功能通过数据分析和物联网技术提前发现设备故障，优化资源分配并减少停机时间。幻灯片中的图示展示了智能工厂的核心组成部分，包括机器人、传感器、云计算和人工智能等技术的协同工作。举例来说，工厂中的机器人可以通过实时数据分析自动调整工作流程，而预测性维护则可以通过设备传感器监测温度和振动，提前预警潜在问题，从而降低维修成本。这些技术的结合使得智能工厂能够实现更高的生产效率和资源利用率。

这一页讲的是如何区分技术是否属于人工智能（AI）。列举了五种技术供讨论，包括 Slide rule、Pocket calculator、Alpha Go 等。

这一页讲的是如何判断某种技术是否可以被认为是人工智能（Artificial Intelligence）。幻灯片列出了五种技术：Slide rule（计算尺）、Pocket calculator（袖珍计算器）、Alpha Go（围棋人工智能程序）、Mars Rover Curiosity（火星探测器“好奇号”）以及 Smart factories（智能工厂）。这些技术代表了不同的复杂性和智能水平，目的是让参与者根据自己的理解，对这些技术是否属于人工智能进行评价。评价范围从“Strongly disagree”（完全不同意）到“Strongly agree”（完全同意）。通过这样的互动，可以帮助学生理解人工智能的定义和边界，例如 Alpha Go 是基于深度学习的典型 AI 应用，而计算尺和袖珍计算器则是传统工具，不涉及智能决策。二维码提供了参与互动的方式，展示了实时投票结果的可能性。这种讨论有助于加深对人工智能概念的理解，尤其是在技术分类和应用场景方面。

这一页讲的是 Amazon Go 的自助商店技术。主要包括通过机器学习实现的图像识别与追踪，以及基于传感器、模型和工程的“Just Walk Out”系统。

这一页讲的是 Amazon Go 的自助商店技术，它利用摄像头和计算机视觉（computer vision）实现无结账购物体验。首先，图像识别（image recognition）和追踪技术通过机器学习（machine learning）来分析顾客的行为，例如识别他们拿取的商品并实时更新购物清单。这种技术的核心是通过训练模型来处理大量视频数据，确保高精度的识别和追踪。其次，Amazon Go 的“Just Walk Out”系统是一个系统级的产品，结合了传感器（sensors）、机器学习模型（models）和工程技术（engineering），实现了无缝的购物体验。例如，当顾客离开商店时，系统会自动结算购物清单，无需人工干预。这种技术不仅提高了用户体验，还显著减少了排队结账的时间。通过这个案例，可以看到机器学习和计算机视觉在零售行业的创新应用，展示了技术如何改变传统商业模式。

这一页讲的是 MYCIN 专家系统，它是一种早期的后向链推理系统，用于诊断细菌感染并推荐抗生素。

这一页讲的是 MYCIN 专家系统，它是一种早期的后向链推理系统，主要用于诊断严重感染（如菌血症和脑膜炎），并根据患者体重调整抗生素剂量。MYCIN 的核心特点是基于手工编码的 IF/THEN 规则，例如幻灯片中的“Rule 52”，通过明确的推理过程得出结论，但其鲁棒性有限。规则 52 的例子中，若满足几个条件（如培养部位是血液、细菌形态为杆状等），则系统会得出一个弱建议性结论（概率为 0.4），即细菌可能是假单胞菌。此外，右侧的流程图展示了 MYCIN 的工作机制：用户通过界面输入样本信息，规则引擎根据知识库中的专家知识进行推理并给出建议。这种系统的意义在于将专家知识转化为可操作的规则，帮助非专业用户进行复杂诊断，但其局限性在于规则的手工编写可能导致覆盖范围不足或推理不够灵活。

这一页讲的是 MYCIN——AI 历史上最著名的专家系统（Expert System）之一，也是 713 课程的核心案例。MYCIN 由斯坦福大学在 1972–1977 年开发，目标是诊断血液细菌感染并推荐抗生素剂量。它的核心机制是基于规则的反向链接推理（Backward Chaining）：系统从目标假设（如"这个病人感染了哪种细菌？"）出发，逆向查找可以支持这个假设的规则，再去验证规则的前提条件。规则形如 IF [症状/检验结果满足某条件] THEN [结论，带一个置信系数 CF（Certainty Factor）]。CF 是介于 -1 到 +1 之间的数，用来表示规则的可信程度，是一种早期处理不确定性的方式（虽然不是严格的概率）。MYCIN 的优点是推理过程可解释——可以打印出每一步用到了哪条规则，医生可以追溯诊断依据。缺点也很明显：知识需要专家手工编写（知识工程瓶颈），规则之间难以协作扩展，脆弱性高（换个疾病领域就要全部重写）。考试角度：常考点包括反向链接推理的定义与正向链接（Forward Chaining）的区别、CF 的含义与计算方式（两条规则结论相同时 CF 如何合并）、以及专家系统的优缺点对比。易错点是把 MYCIN 说成"学习系统"——它没有任何机器学习，所有知识都是人工编码的 IF/THEN 规则。

这一页讲的是基于规则的聊天机器人（Rule-based chatbot）。它通过预定义的问答组合进行对话，不需要学习，可以在狭窄领域内表现得像对话。

这一页讲的是基于规则的聊天机器人（Rule-based chatbot），它是一种通过预定义的问答组合进行对话的程序，常见于FAQ场景。它的特点是不需要学习（No learning required），即不依赖机器学习算法，而是完全基于预设的逻辑规则和选项。虽然它的功能相对简单，但在狭窄领域内仍然可以模拟对话的感觉（“feel” conversational in narrow domains）。幻灯片中的图例展示了一个基于规则的聊天机器人示例：用户提出问题后，机器人会根据预设选项提供回复，例如“Order Status”“Cancel Order”等。如果用户输入的内容超出了预设范围，机器人会提示无法理解并要求用户选择具体选项。最终，当问题无法解决时，它会将用户转接至人工客服。这种设计适合处理结构化问题，例如订单查询、退货等，但不适合处理开放性或复杂的对话。通过这种方式，基于规则的聊天机器人可以快速响应用户需求，同时保持较低的技术复杂度。

这一页讲的是 ELIZA (1966) 聊天程序，它通过关键词识别和模式匹配模拟心理治疗师。重点包括表面流畅性和“像人类”与“理解”的差距。

这一页讲的是 ELIZA (1966)，一个早期的聊天程序，用于模拟心理治疗师的对话。它的工作原理是通过关键词识别、模式匹配以及转换规则，根据输入的关键词或缺乏关键词生成回答。这是表面流畅性 (surface fluency) 的经典示例，展示了程序可以“听起来像人类”但并不真正理解对话内容的现象。幻灯片中的对话示例显示 ELIZA 根据用户输入的句子提取关键词并生成回应，例如用户提到“男朋友”，程序会根据关键词生成相关问题。这强调了“像人类”与“理解”之间的差距：虽然 ELIZA 的回答看似合理，但它并不具备真正的理解能力。这种技术的意义在于，它为后续自然语言处理和人工智能的发展奠定了基础，同时提醒我们在设计人机交互时需要关注真正的理解能力，而不仅仅是表面流畅性。

这一页讲的是 ChatGPT 的特点和技术原理。ChatGPT 是一种由 OpenAI 开发的生成式人工智能聊天机器人，基于大型语言模型（LLM）技术，能够生成对话中的有用回复，同时具有涌现能力，但也存在幻觉和脆弱性。

这一页讲的是 ChatGPT 的特点以及其背后的技术原理。ChatGPT 是一种生成式人工智能聊天机器人，由 OpenAI 于 2022 年开发，基于大型语言模型（Large Language Model, LLM）技术。LLM 使用大量数据进行训练，能够生成语言内容，甚至扩展到图像和视频领域。ChatGPT 的主要优势是能够在对话中生成有帮助的回复，这使其在自然语言处理领域具有广泛的应用价值，例如客户服务、教育辅助和内容创作。然而，它也存在一些局限性，包括幻觉（hallucinations）和脆弱性（brittleness）。幻觉指的是模型可能生成不准确或错误的信息，而脆弱性则意味着模型在某些情况下可能表现不稳定或不可靠。例如，用户提出一个复杂问题时，ChatGPT 可能会提供看似合理但实际上错误的答案。这些特点提醒我们在使用生成式 AI 时需要结合人工监督和验证，确保结果的准确性和可靠性。

这一页讲的是如何判断某些技术是否属于人工智能（AI）。列出了五种技术供讨论，包括 Amazon Go、MYCIN、规则型聊天机器人等。

这一页讲的是如何判断某些技术是否可以被认为是人工智能（AI）。幻灯片列出了五种技术：Amazon Go、MYCIN（专家系统）、规则型聊天机器人（Rule-based chatbots）、ELIZA 和 ChatGPT。通过 Mentimeter 平台，观众可以对这些技术是否属于 AI 进行评分，从“强烈不同意”到“强烈同意”。这些技术涵盖了不同的 AI 应用领域，例如 Amazon Go 利用计算机视觉和传感器技术实现无人零售；MYCIN 是早期的专家系统，用于医疗诊断；规则型聊天机器人和 ELIZA 代表了简单的基于规则的对话系统；而 ChatGPT 则是现代基于深度学习的生成式 AI。这一页的目的是引导观众思考 AI 的定义和应用范围，并评估不同技术的智能化程度。

这一页讲的是影响评分的两种主要标准：能力标准和机制标准。能力标准关注学习、推理和语言等；机制标准关注规则、搜索和优化等。

这一页讲的是影响评分的两种主要标准。第一种是能力标准 (Capability criteria)，即关注模型的“是什么”能力，例如学习能力、泛化能力、推理能力、自主性以及语言处理能力等。这些标准主要评估模型在完成任务时的核心功能和表现。第二种是机制标准 (Mechanism criteria)，即关注模型的“如何实现”能力，例如通过规则、搜索、优化或者神经网络等方法实现目标。这些标准更多地涉及模型的技术实现方式和工作原理。这两种标准可能会导致不同的评价结果，因为评估者的关注点不同。最后，幻灯片提出了一个过渡建议：“通过构建分类法来正式化这些标准”，这意味着可以通过系统化的方式整理和定义这些评估标准，以减少分歧并提高评价的一致性。

这一页讲的是构建 AI 分类法的分组任务，主要包括列出核心概念、分类、选择组织原则。

这一页讲的是构建 AI 分类法的分组任务。首先，要求小组成员列出 AI 的核心概念，例如规则(rules)、搜索(search)、学习(learning)、感知(perception)、规划(planning)等。其次，将这些核心概念归类为 3 到 6 个类别，类别名称由小组自行决定。最后，选择一种组织原则，可以基于能力(capability)，如感知(perception)、语言(language)、决策决策(decision-making)；基于方法(method)，如符号(symbolic)、统计(statistical)、神经网络(neural)；基于数据与反馈(data & feedback)，如监督学习(supervised)、自监督学习(self-supervised)、强化学习(RL)、人工反馈(human feedback)；或者使用二维图表，例如“学习(learning)”与“手工设计(hand-engineered)”的对比。最终交付成果包括一个简单图表和每个类别的一句话描述。这一任务旨在帮助学生理解 AI 分类的多维度视角及其应用。

这一页讲的是生物分类法的例子，展示了从界到种的层级结构。主要包括动物界、脊索动物门、哺乳纲和食肉目两个家族的分类。

这一页讲的是生物分类法的例子，重点展示了从高层级到低层级的分类结构。在图中，分类从 Kingdom（界）开始，界是 Animalia（动物界），接着是 Phylum（门）Chordata（脊索动物门），然后是 Class（纲）Mammalia（哺乳纲），再到 Order（目）Carnivora（食肉目）。食肉目进一步细分为两个家族：Canidae（犬科）和 Ursidae（熊科）。犬科包括属 Canis（犬属），其中有两个代表种：C. familiaris（家犬）和 C. lupus（狼）。熊科包括属 Ursus（熊属），其中有两个代表种：U. arctos（棕熊）和 U. horribilus（灰熊）。此外，图中还展示了另一家族 Felidae（猫科），包括两个属：Felis（猫属）和 Panthera（豹属），分别包含 F. catus（家猫）、F. pardalis（豹猫）和 P. pardus（豹）。这张图通过层级结构清晰地展示了生物分类法的逻辑，帮助理解生物间的亲缘关系和分类标准。

这一页讲的是人工智能分类的常见维度，包括任务、方法、监督方式和系统形态。

这一页讲的是人工智能分类的常见维度（common taxonomy axes）。首先，按任务或能力（task/capability）分类，可以包括感知（perception）、预测（prediction）、语言（language）、推理（reasoning）、决策（decision-making）和控制（control）。这些是 AI 系统的主要功能领域。其次，按方法（approach）分类，可以分为符号方法（symbolic，如逻辑和搜索）、统计方法（statistical，如概率推断）和神经网络方法（neural，如表示学习）。这些方法代表了不同的技术路径。第三，按监督方式（supervision）分类，包括监督学习（supervised）、无监督学习（unsupervised）、自监督学习（self-supervised）、强化学习（reinforcement learning）以及基于人类反馈（human feedback）。这些方式决定了模型如何获取和利用数据。最后，按系统形态（system shape）分类，可以是单一模型（single model）或是工程化系统（engineered system），后者包括检索（retrieval）、工具（tools）、规划（planning）和智能代理（agents）。这些分类维度帮助我们理解和设计 AI 系统的结构和功能。

这一页讲的是人工智能 (AI) 的定义及两点重要澄清。AI 是研究和设计能完成需要人类智能任务的计算系统。

这一页讲的是人工智能 (AI) 的定义及两点澄清。首先，AI 是关于研究和工程设计的领域，其目标是开发能够完成通常需要人类智能的任务的计算系统。两点澄清分别是：第一，AI 并不是单一技术，而是一个工具箱 (toolbox)，包含了多种技术和方法，用于解决不同类型的问题；第二，AI 的定义会随着时间变化，当某项技术变得成熟并被广泛应用于日常工程时，人们往往不再称其为 AI。例如，光学字符识别 (OCR) 曾被认为是 AI，但现在已成为常规技术。这些澄清帮助我们理解 AI 的动态性及其在技术发展中的角色。

这一页讲的是“what”和“how”的区别及其重要性。关键点包括“what”指目标和任务，“how”指实现方法；理解两者的区分有助于明确任务目标并避免混淆。

这一页讲的是“what”和“how”的区别及其重要性。“what”代表目标或任务的规范，例如我们希望系统实现什么行为或者解决什么问题；而“how”则是实现这些目标的方法，比如使用规则、逻辑、概率推理、梯度下降或神经网络等技术手段。这种区分非常重要，因为我们可以在不限定具体实现方法的情况下评估任务目标的成功与否。例如，目标是让系统识别图像（what），具体实现可以是卷积神经网络（CNN）或Transformer模型（how）。此外，许多关于“这是不是AI”的争论实际上是混淆了“what”和“how”的问题。理解这两者的关系有助于更清晰地定义人工智能任务并选择合适的实现方法。

这一页讲的是"What"与"How"这对贯穿全课的核心分析框架。What 指的是目标/规格层面：我们希望系统实现什么行为、解决什么任务？How 指的是方法/实现层面：具体用哪种技术来实现？比如，"识别图像中的猫"是 What；用 CNN 还是 Transformer 去做是 How。这个区分非常重要，原因有三：第一，你可以独立评判一个系统是否成功（看 What 是否达成），而不必先讨论它用了哪种方法；第二，同一个 What 可以用多种 How 实现，比如同样是"下围棋"，可以用纯符号搜索，也可以用 AlphaGo 的深度学习+MCTS；第三，"这是不是 AI"的争论往往是混淆了 What 和 How——有人认为凡是"学习"才叫 AI（偏 How），有人认为只要能完成人类级别的任务就算（偏 What）。这节课前面讨论的滑尺、计算器、ELIZA 之争，本质上都是在无意识地用不同的 What vs How 标准衡量。考试角度：这个框架本身不常单独出题，但它是理解后续内容（Agent 框架、符号 vs 神经 vs 统计的比较、评估 AI 系统）的思维工具。如果题目让你分析某个 AI 系统的设计，用这个框架来组织答案会显得有条理。

这一页讲的是人工智能的四种经典视角，包括 Acting humanly, Thinking humanly, Thinking rationally 和 Acting rationally。

这一页讲的是人工智能的四种经典视角，这些视角帮助我们理解和讨论 AI 的目标与行为。第一种是 Acting humanly，即模仿人类行为，例如图灵测试，这种视角强调 AI 是否能够表现得像人类。第二种是 Thinking humanly，关注 AI 是否能够模拟人类认知过程，这是认知科学的核心问题。第三种是 Thinking rationally，强调 AI 是否能够基于逻辑推导出正确的结论，体现了理性思维的能力。最后是 Acting rationally，指 AI 是否能够选择最大化预期效用的行动，这通常是智能代理的目标。幻灯片还指出，在实践中，现代 AI 更注重优化性能，而非模仿人类行为。这些视角的提出有助于我们从不同角度分析 AI 的设计目标和实际表现，例如设计一个能够解决复杂问题的智能系统时，可以结合 Acting rationally 和 Thinking rationally 的原则。

这一页讲的是 AI 的四个经典定义视角，来自 Russell & Norvig 教材的经典框架，是期末常见考点。四个视角形成一个 2x2 矩阵：横轴是"思考"还是"行动"，纵轴是"像人类"还是"理性"。第一，Acting humanly（像人类那样行动）：以图灵测试（Turing Test，1950）为代表——如果一台机器的对话让人类无法分辨它是机器，就认为它具有智能。好处是有清晰的操作标准，缺点是中文屋（Chinese Room）思想实验说明：通过测试不等于真正理解。第二，Thinking humanly（像人类那样思考）：认知科学路径，研究人类大脑如何工作并在计算机中复现，代表是 ACT-R 等认知模型。第三，Thinking rationally（理性地思考）：形式逻辑路径，用一阶逻辑推导出正确结论，代表是定理证明器。问题是现实世界充满不确定性，并非所有问题都能形式化。第四，Acting rationally（理性地行动）：现代主流观点，Agent 不必模仿人类思维，只需选择能最大化期望收益的行动，代表是强化学习和决策论。考试角度：非常高频，常见考法是"请解释 Turing Test 属于哪个视角，它的局限性是什么"，或者让你把某个 AI 系统（如 MYCIN、AlphaGo、ELIZA）归类到四个视角中。易错点是把"Thinking rationally"和"Acting rationally"搞混——前者强调推理过程的形式正确性，后者只关心行动结果是否最优。

这一页讲的是 AI 作为理性智能体的抽象模型。主要内容包括智能体观察环境并采取行动，以及目标是最大化成功指标。举了分类器、聊天机器人和机器人作为例子。

这一页讲的是 AI 作为理性智能体（rational agents）的抽象模型。首先，智能体（agent）的核心定义是它会观察环境（observe an environment），然后根据观察采取行动（take actions）。它的目标是最大化某种成功指标，例如奖励（reward）、效用（utility）或准确性（accuracy）。接着，幻灯片列举了三个具体例子来说明这种抽象模型的应用：1. 分类器（Classifier），它的观察是特征（features），行动是输出标签（label）；2. 聊天机器人（Chatbot），它的观察是对话上下文（conversation context），行动是生成下一个词或消息（next token/message）；3. 机器人（Robot），它的观察是传感器数据（sensors），行动是执行运动指令（motor commands）。这些例子展示了智能体模型在不同领域的适用性，说明了如何将复杂系统简化为观察和行动的循环过程。这种抽象对于设计和理解 AI 系统非常重要，因为它提供了一种通用框架来分析和优化系统行为。

这一页讲的是 AI 作为理性 Agent（Rational Agent）的统一抽象框架，这是 713 课程中最核心的建模思想之一。一个 Agent 的基本循环是：感知环境（observation/percept）→ 选择行动（action）→ 环境状态改变 → 再次感知。Agent 的目标是最大化某种成功度量（reward、utility 或 accuracy）。这个框架强大之处在于它统一了表面上差异很大的系统：分类器可以看作一种 Agent，输入是特征向量（observation），输出是类别标签（action），目标是最大化准确率；聊天机器人的 observation 是对话历史，action 是下一个生成的 token；机器人（robot）的 observation 是传感器读数，action 是电机控制信号。这种抽象使得我们可以用同一套理论工具（如 MDP、贝尔曼方程、Q-learning）分析所有这些看似不同的问题。需要注意的是，"理性"在这里不是日常语义上的"合理"，而是技术定义：在给定的信息和计算约束下，选择期望收益最大的行动。考试角度：Agent 框架是之后搜索、规划、强化学习等章节的理论基础。常见考法是让你描述某个系统的 observation space、action space 和 reward/utility，或者区分 reflex agent（只看当前感知）、goal-based agent（有明确目标）和 utility-based agent（最大化效用函数）。

这一页讲的是 AI 的学习方式。主要包括从数据中学习（现代机器学习和深度学习）、手工设计的系统（逻辑、搜索、规划）以及模糊边界的混合系统。

这一页讲的是 AI 是否通过“学习”实现智能的问题。首先，学习是实现 AI 的主要途径之一，尤其是现代机器学习（ML）和深度学习（Deep Learning），它们通过从大量数据中提取规律来构建模型。其次，有些 AI 系统是通过手工设计的方式实现的，比如基于逻辑推理、搜索算法和规划技术的系统，这些方法依赖于明确的规则和预定义的结构。最后，现实中的许多 AI 产品是混合系统（Hybrid Systems），结合了学习和手工设计的元素，因此两者的界限在实际应用中变得模糊。例如，一个推荐系统可能既依赖于机器学习算法来预测用户偏好，也依赖于手工设计的规则来过滤不相关内容。这种结合使得 AI 更加灵活和有效。

这一页讲的是评估 AI 的三个关键层面:任务表现(Task performance)、鲁棒性(Robustness)和泛化能力(Generalization)。

这一页讲的是评估 AI 的三个重要层面。第一是任务表现(Task performance)，即 AI 是否能够解决基准测试或实际任务，这是衡量其基本功能的核心标准。第二是鲁棒性(Robustness)，关注 AI 在面对分布变化、噪声或对抗性输入时是否会失败，这反映了模型在复杂环境中的稳定性。第三是泛化能力(Generalization)，即 AI 是否能在新领域或任务中表现良好，尤其是在额外数据有限的情况下。这些层面强调评估 AI 不仅仅依赖于“演示效果看起来不错”，而是需要深入理解其在真实场景中的表现及适应能力。例如，一个图像识别模型可能在训练集上表现很好，但如果它在不同光照条件或新类别下失败，就说明其鲁棒性和泛化能力不足。

这一页讲的是如何从三个维度评估一个 AI 系统的好坏，而不仅仅看演示效果。第一层是任务性能（Task Performance）：在指定的基准测试（benchmark）或真实任务上，系统能达到多高的准确率、F1 分或其他指标？这是最基础的一层，但也最容易被过度依赖——很多系统在特定测试集上表现很好，但这未必意味着它"真的可用"。第二层是鲁棒性（Robustness）：当输入发生分布偏移（distribution shift）、加入噪声、或遭受对抗攻击（adversarial input）时，系统会不会崩溃？比如，一个图像分类器对正常照片准确率 99%，但在像素上加一点人眼不可见的噪声就错误率暴增，那它的鲁棒性就很差。这一层在安全关键场景（医疗、自动驾驶）中极为重要。第三层是泛化（Generalization）：能否用少量额外数据就迁移到新的领域或任务？即举一反三的能力，区别于死记硬背（在训练分布内表现好）。这也是为什么"demo 看起来不错"不够说明问题——demo 往往是精心挑选的输入，覆盖不了真实世界的边角情况。考试角度：这三个概念常在讨论模型评估、AI 局限性时被考察。易错点是把泛化和鲁棒性搞混——鲁棒性主要指抵抗扰动，泛化主要指跨任务/领域的适应能力，二者有交集但侧重点不同。

这一页讲的是休息时间，提示观众可以暂停学习或课程内容。

这一页讲的是休息时间，幻灯片上只有一个单词“Break”，表示课程或学习的中间暂停环节。这种安排通常用于帮助观众或学生缓解疲劳，提高后续内容的学习效率。休息时间可以用于放松、整理思路或解决疑问。在长时间学习或复杂内容讲解中，适当的休息是非常重要的，可以让学习者重新集中注意力，增强对后续知识的吸收能力。建议大家在休息时可以喝水、活动身体或简单冥想，以达到更好的效果。

这一页讲的是人工智能发展历史的重要性。主要包括三个方面：AI传统的多样性、技术炒作周期的原因，以及生成式AI浪潮的独特性。

这一页讲的是人工智能发展历史的重要性。首先，历史帮助我们理解为什么AI领域存在多种传统，包括符号主义(symbolic)、神经网络(neural)和统计方法(statistical)。这些传统反映了AI研究的不同理论基础和技术路径。其次，历史揭示了技术炒作周期(hype cycles)的原因，即能力(capability)、期望(expectations)与计算能力(compute)和数据(data)之间的不匹配。炒作周期通常是由于技术潜力被过度预期，但实际应用受到资源或技术限制。最后，历史帮助我们理解为什么今天的生成式AI浪潮与以往不同。现代生成式AI的快速发展得益于规模(scale)、数据(data)和工具(tooling)的显著进步。这些因素使得AI模型能够处理更复杂的问题并实现更高的性能。例如，像GPT这样的模型依赖于海量数据和强大的计算资源，以及优化的开发工具。这些历史视角对于理解AI的现状和未来发展具有重要意义。

这一页讲的是人工智能发展的19世纪起源，包括机械计算机、算法设计和神经科学的基础。

这一页讲的是人工智能发展的19世纪起源，重点介绍了三位重要人物及其贡献。首先是Charles Babbage，他设计了第一台机械计算机——分析机（analytical engine），这是现代计算机的理论基础。其次是Ada Lovelace，她编写了著名的“Note G”，这是一个为分析机设计的算法，用于计算伯努利数（Bernoulli numbers），被认为是世界上第一个计算机程序，展示了算法在计算中的潜力。最后是Santiago Ramón y Cajal，他通过研究神经元结构，奠定了关于思维和学习的神经科学基础，这为后来的人工智能研究提供了生物学启发。幻灯片中的三张图片分别展示了Babbage的分析机模型、Lovelace的算法笔记和Cajal绘制的神经元结构图，这些图形直观地表现了19世纪人工智能发展的重要里程碑。

这一页讲的是人工智能（AI）在1940-1950年代的起源，包括人工神经元模型、图灵测试、达特茅斯会议和逻辑理论家程序等关键事件。

这一页讲的是人工智能（AI）在1940-1950年代的起源，介绍了几项重要的里程碑。首先，McCulloch和Pitts在1943年提出了人工神经元的早期模型，这为神经网络的研究奠定了基础。接着，Alan Turing在1950年提出了著名的图灵测试（Turing Test），其核心是通过模仿游戏来判断机器是否具有智能。图灵测试的场景包括三方：一个人类、一个机器和一个审问者，审问者通过问答来判断哪个是机器。1950年的达特茅斯会议由John McCarthy组织，首次使用了“人工智能”这一术语，标志着AI作为独立领域的诞生。最后，Newell和Simon在1956年开发了逻辑理论家（Logic Theorist），这是第一个使用符号逻辑和树搜索进行自动推理的程序，展示了AI在解决问题上的潜力。幻灯片还包含了达特茅斯会议的历史照片，以及逻辑门的图示，展示了基本逻辑运算（如AND、OR、XOR等）的概念，这些运算在AI和计算机科学中具有重要意义。

这一页讲的是人工智能在20世纪60年代至70年代早期的基础工作，包括感知机、ELIZA、SHRDLU和Shakey机器人。

这一页讲的是人工智能在20世纪60年代至70年代早期的基础工作。首先，Frank Rosenblatt在1957年提出了感知机（Perceptron），这是最简单的人工神经网络架构之一，它通过加权输入和激活函数来预测输出。接着，Joseph Weizenbaum在1966年开发了ELIZA，这是第一个聊天机器人，利用早期自然语言处理（NLP）技术实现了简单的人机对话。随后，Terry Winograd在1971年设计了SHRDLU，一个基于“积木世界”（blocks world）的早期图形化聊天机器人，它能够理解并操作虚拟环境中的对象。最后，Rosen等人在1971年开发了Shakey机器人，它结合了规划（A搜索算法）、计算机视觉和自然语言处理，成为首个能够自主执行任务的机器人。幻灯片还展示了感知机的结构图和ELIZA的对话界面，以及Shakey机器人的照片。这些技术奠定了现代人工智能的基础，为后续发展提供了重要理论和实践支持。

这一页讲的是 AI 冬天时期（1970年代末至1990年代初）的背景与进展。重点包括期望与现实的差距、资金削减，以及专家系统的进展如 MYCIN 和 R1/XCON。

这一页讲的是 AI 冬天时期（1970年代末至1990年代初）。这一阶段的人工智能发展遇到瓶颈，主要原因是技术能力未能达到早期的高期望，导致资金削减和行业乐观情绪下降。然而，这期间仍有一些重要进展，特别是在专家系统领域。MYCIN（1972-77）是一个知识驱动的专家系统，用于识别细菌感染并推荐抗生素治疗，展示了人工智能在医疗领域的潜力。而 R1/XCON（1982）是一个基于生产规则的专家系统，用于帮助设计计算机配置，体现了 AI 在工业应用中的价值。页面中的流程图展示了专家系统的架构：用户通过界面输入问题，规则引擎根据知识库中的信息进行推理，最终给出建议或解决方案。右侧的 XSEL/XCON 架构图进一步细化了专家系统的工作流程，包括用户界面、运行时库、配置规则和数据库的交互。这些系统的成功为后来人工智能的发展奠定了基础，尽管整体行业处于低谷期。

这一页讲的是1990至2000年代人工智能的关键进展，包括神经网络训练、棋类人工智能和社交机器人。

这一页讲的是1990至2000年代人工智能领域的几项重要突破。首先，Rumelhart, Hinton & Williams 在1985年提出了反向传播算法（backpropagation），用于训练多层神经网络。这一方法解决了复杂网络中权重更新的问题，是深度学习的基础。其次，IBM的Deep Blue在1997年击败了国际象棋冠军Gary Kasparov，展示了人工智能在棋类游戏中的强大计算能力。Deep Blue使用了暴力搜索树技术（brute force tree search），通过计算所有可能的棋步来选择最佳策略。最后，Cynthia Breazeal在2000年开发了Kismet，这是一种能够通过面部动作模拟人类情感的“社交机器人”（social robot）。这一技术展示了人工智能在人机交互和情感模拟领域的潜力。幻灯片中的两张图片分别展示了Deep Blue与Kasparov对弈的场景，以及Kismet机器人的外观，直观体现了这些技术的实际应用。

这一页讲的是2000到2019年间人工智能的快速发展，包括IBM Watson、虚拟助手、深度学习和AlphaGo的突破。

这一页讲的是2000到2019年间人工智能领域的显著进展。首先，IBM Watson在2011年赢得了智力问答节目《Jeopardy》，展示了问答系统在自然语言处理中的能力。接着，2011年和2014年推出的虚拟助手Siri和Alexa利用语音识别和自然语言处理技术，但当时只能处理有限的问题。2010年代，深度学习（Deep Learning）成为主流，得益于更大的数据集和更强的计算能力，应用领域包括推荐系统、图像分析和机器翻译等。最后，2016年Google DeepMind的AlphaGo通过强化学习（Reinforcement Learning）、深度神经网络（Deep Neural Networks）和树搜索（Tree Search），击败围棋世界冠军李世乭，标志着AI在复杂博弈问题上的重大突破。幻灯片中的图片展示了IBM Watson参与《Jeopardy》的场景，以及AlphaGo对战李世乭的围棋棋盘，直观体现了AI在不同领域的应用和成就。

这一页讲的是生成式 AI 的成功案例及发展趋势。主要介绍了 OpenAI 的 GPT-3、DALL-E 和 ChatGPT 的特点，以及当前的多模态 AI、推理模型和 Agentic AI 等趋势。

这一页讲的是生成式 AI 的成功案例及其发展趋势。首先提到 OpenAI GPT-3，它是一个大型语言模型（LLM），基于 2017 年提出的 Transformer 深度学习架构，能够处理复杂的自然语言任务。其次是 OpenAI DALL-E，这是一种文本生成图像模型，结合了 Transformer 和变分自编码器（VAE）架构，能够根据文本描述生成高质量的图像。第三是 OpenAI ChatGPT，它基于 GPT-3 模型，专注于对话式交互，提升了用户体验。最后提到当前的 AI 发展趋势，包括多模态 AI（Multimodal AI），即能够同时处理文本、图像等多种数据类型；推理模型（Reasoning Models），强调逻辑推理能力；以及 Agentic AI，探索更自主、更智能的系统。这些技术和趋势推动了生成式 AI 的广泛应用，例如自动内容生成、智能助手和创意设计等领域。

这一页讲的是人工智能的三种主要方法及其融合。包括符号 AI、神经 AI 和统计 AI，各自有独特的特点和应用。

这一页讲的是人工智能的三种主要方法及其相互交织的关系。首先，符号 AI (Symbolic AI) 侧重于逻辑推理、搜索算法、规划以及知识表示，适用于结构化问题和明确规则的场景，例如专家系统。其次，神经 AI (Neural AI) 依赖于学习表示、神经网络以及基于梯度的学习方法，擅长处理复杂数据和模式识别，例如图像分类和语言处理。最后，统计 AI (Statistical AI) 以概率、推断和在不确定性下的决策为核心，广泛应用于预测和优化问题，例如贝叶斯网络和决策树。这三种方法在现代 AI 系统中通常被结合使用，以发挥各自的优势。例如，自动驾驶系统可能同时使用符号 AI 来规划路径，神经 AI 来识别行人和车辆，统计 AI 来处理环境中的不确定性。

这一页讲的是 AI 的三大历史传统——符号 AI（Symbolic AI）、神经 AI（Neural AI）和统计 AI（Statistical AI）——以及它们各自的特点。符号 AI 以逻辑、搜索、规划和知识表示为核心，典型代表是 MYCIN 专家系统和 A 搜索算法；它的优势是可解释性强、在清晰定义的问题上效果好，缺点是知识工程瓶颈——专家的知识很难全部手工编码，面对视觉、语言等高维复杂问题时会崩溃。神经 AI 以人工神经网络和表示学习为核心，从数据中自动学习特征，典型代表是深度卷积网络、Transformer；优势是处理感知任务能力强、可规模化，缺点是数据依赖大、可解释性差、失效模式难预测。统计 AI 以概率论、贝叶斯推断和决策论为基础，代表是朴素贝叶斯、隐马尔可夫模型、贝叶斯网络；优势是对不确定性有原则性的处理方式，缺点是精确推断在复杂模型中计算量爆炸。现代系统（包括 AlphaGo、大语言模型等）往往三者兼有：用神经网络做感知/表示，用搜索/规划做决策，用概率方法处理不确定性。考试角度：这是 713 课程框架性内容，常与后续各章节联系起来考，如"MYCIN 属于哪个传统？它的局限性如何用统计 AI 弥补？"。易错点是以为三者互斥，实际上现代 AI 是混合体。

这一页讲的是符号 AI (Symbolic AI) 的优势与局限性。优势包括明确的结构和可解释性，适用于清晰且简单的世界模型。局限性在于知识工程瓶颈以及在复杂现实中的脆弱性。

这一页讲的是符号 AI 的特点及其应用范围。优势方面，符号 AI 具有明确的结构，例如基于规则和逻辑的系统，这使得它具有良好的可解释性。它适用于处理清晰且规模较小的世界模型，例如定义明确的任务或问题。局限性方面，符号 AI 存在知识工程瓶颈，即构建和维护规则与逻辑的过程非常耗时且复杂。此外，它在处理复杂、多维度的现实环境时表现出脆弱性，例如在视觉和语言任务中，符号 AI难以应对数据的噪声和不确定性。举例来说，在一个简单的棋盘游戏中，符号 AI 能够通过规则和逻辑轻松推导出最佳策略，但在处理自然语言理解或图像识别时可能表现不佳。这些特点决定了符号 AI 的适用场景和局限性。

这一页讲的是神经网络 AI 的优势与局限性。优势包括从数据中学习特征和表现强大，局限性则在于对数据需求高且难以解释。

这一页讲的是神经网络 AI 的优势与局限性。优势方面，神经网络能够从数据中自动学习特征和表示（features/representations），这使得它在感知（perception）和语言处理（language）任务中表现出色，尤其是在规模扩展时效果显著。局限性方面，神经网络对数据需求量非常大（data hungry），这使得在实际应用中难以保证其结果的正确性。此外，神经网络的工作机制通常较难解释（difficult to interpret），其失败模式（failure modes）可能会令人意外。例如，在图像识别任务中，神经网络可能会因为训练数据中的偏差而出现错误分类。这些特点提醒我们在使用神经网络时要谨慎评估其适用性和潜在风险。

这一页讲的是统计人工智能（Statistical AI）的优势和局限性。主要提到其处理不确定性和连接学习与决策的能力，同时指出模型假设的限制性和精确推断的计算复杂性。

这一页讲的是统计人工智能（Statistical AI）的优势和局限性。优势部分提到，统计人工智能能够以系统化的方式处理不确定性，例如通过概率和贝叶斯方法（Bayesian methods），这使得它在面对复杂、不确定的环境时非常有效。此外，它还强调统计AI能够将学习过程与决策过程紧密结合，帮助实现更智能的决策。局限性部分指出，统计AI的模型假设可能较为严格，限制了其灵活性；同时，进行精确推断（Exact inference）在计算上可能非常困难，尤其是当数据规模或模型复杂度较高时。这些局限性提醒我们在实际应用中需要权衡计算成本与模型精度。例如，在动态环境中，可能需要采用近似推断方法以降低计算负担。

这一页讲的是2010年代到2020年代人工智能领域的变化，主要是数据、计算能力和算法的协同发展。

这一页讲的是2010年代到2020年代人工智能领域的变化，强调了三个关键要素的协同扩展：第一是数据（Data），包括网页规模的语料库、大规模标注数据集以及自监督学习的应用，这些数据为模型提供了丰富的训练资源。第二是计算能力（Compute），随着GPU和TPU的广泛应用以及分布式训练技术的发展，计算效率和规模得到了显著提升。第三是算法（Algorithms），深度神经网络（deep nets）的创新、更高效的优化方法、Transformer架构的突破以及RLHF（强化学习与人类反馈）风格的对齐技术，这些都推动了模型性能的飞跃。这三者的协同发展是近年来AI技术进步的核心动力。例如，Transformer架构结合大规模数据和强大的计算资源，实现了语言模型如GPT的突破性进展。

这一页讲的是深度学习大爆发的三个关键驱动因素，通常被称为"三要素共振"。第一是数据（Data）：互联网提供了网络规模的语料和图像，ImageNet 等大型标注数据集出现，以及自监督学习（Self-supervised Learning）让模型可以从无标注数据中学习，解除了对大量人工标注的依赖。第二是算力（Compute）：GPU/TPU 的普及和分布式训练让训练百亿参数模型成为可能；云计算平台降低了使用门槛，使学术界和初创公司也能承担大规模训练。第三是算法（Algorithms）：深度网络本身的改进（残差网络 ResNet、Batch Normalization 等解决了深层训练问题）；Transformer 架构（2017）革命性地提升了语言和序列建模能力；RLHF（Reinforcement Learning from Human Feedback）等对齐技术让模型行为更符合人类偏好。这三者缺一不可且相互增强——更多数据需要更强算力，更强算力让更复杂的算法可行，更好的算法反过来提升了数据利用效率。考试角度：这个框架常用来解释"为什么深度学习在 2012 年后突然爆发"以及"为什么更早期的神经网络没有成功"。易错点是只提到数据或算力而遗漏算法的改进；另外需要清楚 RLHF 是 2020 年代 LLM 对齐的核心方法，与 2010 年代深度学习的突破是两个阶段的事。

这一页讲的是生成式 AI 的定义、优势和风险。生成式模型通过学习数据模式生成新内容，优势包括流畅性和快速适应性，风险涉及幻觉、偏差和隐私泄露。

这一页讲的是生成式 AI（Generative AI）的核心定义、典型优势和风险。生成式模型通过学习数据中的模式来生成新的内容，包括文本、图像、音频和代码。其典型优势包括流畅性（fluency），例如生成自然语言文本；总结（summarization），如提取关键信息；起草（drafting）和代码辅助（coding assistance），帮助用户高效完成任务。此外，生成式 AI 还能通过提示（prompting）和工具增强（tool augmentation）快速适应不同需求。然而，生成式 AI 也存在一些典型风险，例如幻觉（hallucination），即生成虚假的或不准确的信息；偏差（bias），可能导致不公平的结果；隐私泄露（privacy leakage），涉及敏感信息的泄露；以及脆弱推理（brittle reasoning），在复杂逻辑问题上表现出不稳定性。这些特点使得生成式 AI 在实际应用中既充满潜力，也需要谨慎处理其局限性。

这一页讲的是模型(Model)与系统(System)的区别及其在 AI 部署中的作用。模型负责预测或生成内容，例如 LLM 和视觉模型；系统包括检索、工具、策略、监控、用户体验和备用逻辑。

这一页讲的是模型(Model)与系统(System)的区别，以及它们在实际 AI 部署中的作用。模型是核心的预测或生成组件，例如大语言模型(LLM)或视觉模型，它们负责完成特定的任务，比如生成文本或识别图像。而系统则是围绕模型构建的更广泛的支持框架，包括检索数据、工具集成、策略设定、监控机制、用户体验设计(UX)以及备用逻辑(fallback logic)。这一页还提到，理解模型与系统的区别有助于解释为什么像 ChatGPT 和 ELIZA 在演示中看起来类似，但在通用性和集成度上有巨大差异。例如，ChatGPT作为一个系统，包含复杂的用户交互设计和策略，而 ELIZA则主要是一个简单的模型。

这一页讲的是人工智能（AI）的定义标准，提出五个可能的评判标准：学习与适应、泛化能力、自主性、推理与规划、人类级模仿。

这一页讲的是人工智能（AI）的定义标准，列出了五个可能的评判标准，并鼓励选择和辩护这些标准的合理性。首先是学习与适应（Learning/adaptation），指AI从数据中学习并调整自身行为的能力，这是现代AI的核心特征。其次是泛化（Generalization），强调AI能超越特定脚本或预设规则，在不同场景中表现出灵活性。第三是自主性（Autonomy），即AI在不确定环境中独立做出决策的能力，这体现了AI的智能性和可靠性。第四是推理与规划（Reasoning/planning），指AI能够进行目标导向的思考和行为设计，例如解决复杂问题或制定长远计划。最后是人类级模仿（Human-level imitation），这是一个有争议的标准，涉及AI是否需要模仿人类行为或达到类似人类的智能水平。通过这些标准可以讨论AI的核心特性及其在不同领域的应用。

这一页讲的是人工智能的关键总结，包括多角度理解、多传统融合、技术周期以及生成式 AI 的评估。

这一页讲的是人工智能（AI）的关键总结。首先，AI需要通过多角度（multiple lenses）来理解，包括“做什么”和“怎么做”（what vs. how）、行动与思考（acting vs. thinking）、以及理性代理（rational agents）的概念。这种多角度分析帮助我们全面认识 AI 的功能和原理。其次，AI有多种传统（multiple traditions），如符号方法（symbolic）、统计方法（statistical）和神经网络（neural），现代系统通常将这些方法混合使用以增强效果。此外，技术的周期性变化（hype cycles），如“寒冬”（winters）和“浪潮”（surges），反映了人们的期望与实际方法、数据及计算能力之间的差距。最后，生成式 AI（Generative AI）虽然功能强大，但其评估必须包括对鲁棒性（robustness）和失败模式（failure modes）的分析。例如，在生成文本时，系统可能会输出不准确或有害的信息，因此需要设计更严格的评估标准。这些要点强调了理解和应用 AI 时的复杂性与重要性。

这一页讲的是 Symbolic Logic（符号逻辑）的概念及其在人工智能中的作用。主要内容包括符号逻辑是 Symbolic AI 的基础，利用形式规则和逻辑进行推理，以及它与数据驱动的机器学习的对比。

这一页讲的是 Symbolic Logic（符号逻辑），它是 Symbolic AI（符号人工智能，也称经典人工智能）的核心基础。符号逻辑通过使用形式规则、逻辑和人类可读的符号来表示知识并实现推理。这种方法强调系统的“思考”能力，使其能够进行推导、做出决策并解释自己的行为。与现代数据驱动的机器学习方法相比，符号逻辑更注重明确的规则和逻辑推理，而不是依赖大量数据进行训练。例如，基于符号逻辑的系统可以通过定义明确的规则来推导结论，例如在医疗诊断中使用逻辑规则分析症状并得出诊断结果。这种方法的优势在于其透明性和可解释性，特别是在需要对决策过程进行详细说明的场景中。

这一页讲的是幻灯片的结束部分和问答环节。主要内容包括感谢听众以及开启 Q&A 环节。

这一页讲的是幻灯片的结束部分，通常用于总结和表达感谢，同时邀请听众参与问答环节（Q&A）。这一页的主要目的是结束演讲并与听众互动，通过问答环节解决疑问或进一步讨论相关主题。在学术演讲中，Q&A 是非常重要的部分，因为它可以帮助听众更好地理解内容，同时也为演讲者提供机会展示专业知识和应对能力。比如，如果演讲内容是关于机器学习的应用，听众可能会问一些具体的技术问题或应用场景的细节，演讲者可以通过回答这些问题来深化听众对主题的理解。