本书全面介绍人工智能的基本理论、技术及应用。全书共10章，主要内容包括人工智能概论、知识表示与知识图谱、模拟人类思维的推理方法、搜索策略、模拟生物进化的遗传算法、模拟生物群体行为的群智能算法、机器学习与专家系统、模拟生物神经系统的人工神经网络、深度学习与大语言模型以及自然语言理解，附录部分给出了实用性强的12个实验。本书强调人工智能知识的基础性、整体性、综合性和广博性，使学生掌握人工智能的主要思想和应用人工智能技术解决专业领域问题的基本技术，培养创新精神。
本书的适用对象广泛，可作为高等学校各专业人工智能基础课程的教材，也可供对人工智能技术感兴趣的广大读者阅读。
首批国家级线上一流本科课程配套教材，全面介绍人工智能的基本理论、技术及应用，高等学校各专业人工智能基础课程的教材
2017年7月，国务院发布的《新一代人工智能发展规划》把人工智能作为国家发展战略。人工智能人才培养是实现国家人工智能发展战略的一个关键。2018年，制订了《高等学校人工智能创新行动计划》，从不同的专业角度对人工智能人才培养进行全面布局，在计算机、电子信息、自动化、机械等多个专业领域设置了智能科学与技术、人工智能、数据科学与大数据技术、机器人工程等人工智能类专业，还把人工智能技术引入传统专业，形成智能制造工程、智能车辆工程、智能电网信息工程、电气工程与智能控制、电机电器智能化、智能材料与结构、智能医学工程等专业。
事实上，人工智能和其他专业的结合是培养人工智能应用人才的一个非常重要的方面，是和人工智能专业人才培养相辅相成的。所以，需要编写不同特点的人工智能教材。
1. 本书的形成
本书作者从1989年开始从事人工智能及其应用的研究，从1993年开始从事人工智能课程的教学，为控制、计算机、机械等专业研究生讲授人工智能原理与应用课程，为计算机、自动化等类专业本科生讲授人工智能导论课程。在多年的教学实践中，作者深感极有必要编著一本内容比较基础、可读性好、适合讲授的人工智能教材。本书作者在自己多年来的讲稿基础上，于2005年编写了人工智能教材，并不断跟踪人工智能的发展，形成了适合研究生、本科生不同层次的人工智能系列教材，被许多高校选用。其中，作者主讲的人工智能导论入选首批国家级线上一流本科课程，编写的《人工智能导论》（第5版）入选十二五普通高等教育本科国家级规划教材，并荣获首届全国教材建设奖全国优秀教材二等奖。
随着人工智能技术的发展，越来越多的专业需要开设人工智能课程。因此，作者从2005年开始为浙江工业大学工学、理学、经济学、管理学、哲学、文学、法学等学科门类专业学生开设人工智能及其应用公选课，从2017年开始负责全校人工智能通识教育核心课程建设。在人工智能通识课程教学过程中，作者深感已有人工智能教材不适合作为通识课程教材，特别是不适合人文社科类大学生的学习，因此，迫切需要编写面向全校各专业（包括人文社科专业）的人工智能通识课程教材。为此，作者针对人文社科类大学生的知识结构和思维方式，突出人工智能解决复杂问题的创新思想，编写了《人工智能通识教程》一书，受到非常广泛的欢迎。在上述教材的基础上，作者面向量大面广的应用型高校开设人工智能课程的需要，采用了《人工智能通识教程》通俗易懂的语言风格，编写了这本《人工智能应用教程》。这本修订版紧紧跟踪人工智能的最新发展，增加了大语言模型和AI智能体等最新技术。
2. 主要内容
本书共10章。第1章除了介绍人工智能的基本概念、发展简史以外，着重介绍目前人工智能的主要研究内容、三大学派与各种应用，以开阔读者的视野，引导读者进入人工智能各个研究领域，最后，简要介绍人工智能伦理。第2章介绍知识表示的概念，一阶谓词逻辑、产生式、框架等基本的知识表示方法，以及知识图谱的基本内容。第3章介绍推理的概念、基于谓词逻辑的确定性推理、基于统计分析和基于模糊理论的不确定推理方法及其应用。第4章介绍应用非常广泛的搜索策略。第5章介绍模拟生物进化的遗传算法。第6章介绍模拟生物群体行为的适用于大规模优化问题的群智能算法。第7章介绍机器学习的基本概念和几种经典的机器学习算法，介绍专家系统的概念、工作原理以及应用。第8章介绍模拟生物神经系统的人工神经网络，为后面介绍深度学习奠定基础。第9章介绍深度学习与大语言模型及其广泛的应用，包括卷积神经网络、胶囊网络、生成对抗网络等深度学习的前沿内容。第10章介绍日益广泛应用的自然语言理解技术，包括机器翻译、语音识别等应用。
人工智能应用教程（第2版）前言3. 本书特色
本书有以下特色。
（1） 语言简明，可读性好。本书力求用通俗的文字深入浅出地讲解概念、理论和技术，特别是将人工智能技术与文学艺术、人们的日常生活、人类思维方法等相结合，使学生能够感受到与人工智能相关的人文情怀，感受到人工智能就在自己身边，使学生能够有兴趣、有耐心、系统地阅读本书，掌握人工智能的基本思想与基本方法。
（2） 内容先进，注重应用。人工智能正处于迅速发展时期，内容非常丰富。本书覆盖了人工智能的主要应用领域，体系完整，精选了人工智能技术的一些前沿热点。书中运用大量应用实例，跳出晦涩复杂的概率论、数理统计、算法理论，让这些冷冰冰的人工智能知识变得有温度。以浅显易懂的方式诠释人工智能精髓，启迪算法理解，让学生理解原本深奥的人工智能技术。书中介绍能够为本科生理解的应用实例，引导学生学习应用新理论解决实际问题的方法。书中设置了很多课程思政教学元素。
（3） 精心编排，重点突出。每章开始设置导读，使学生在学习本章之前就知道本章要讨论的主题和学习目标。每章最后扼要总结本章的重要概念、公式、定理与方法。本书采用双色印刷，将重要的概念、公式、定理与方法用红色标示出来，以引起学生注意。
（4） 结构合理，方便教学。本书各章内容相对独立，教师可以根据课程计划学时和专业需要自由选择和组合相关内容，以保持课程体系结构的完整性。采用本书全部内容作为教材，建议课堂教学学时为48学时。
（5） 配套实验，方便教学。围绕人工智能技术的主要教学内容，附录中设置了课程实验，方便教学。学生通过程序实现能够深入了解人工智能的算法，体会如何应用人工智能技术解决实际问题。
（6） MOOC课程，便于自学。在学堂在线和国家智慧教育公共服务平台开设了相应的MOOC课程。作者在学堂在线开发了与本教材配套的慕客课程人工智能；需要进一步深入学习人工智能的读者，还可以选择在中国大学MOOC网站（http://www.icourse163.org）上学习人工智能导论国家线上一流课程。
4. 教学资源支持
本书配套的教学资源包括教学大纲、PPT、实验源代码、习题答案和题库，使用本书作为教材的教师可向longqm@163.com免费申请，服务支持请联系QQ: 381844463。
5. 致谢
衷心感谢人工智能课程国家级虚拟教研室全体成员和作者一起对人工智能教学的不断探索！衷心感谢清华大学出版社的龙启铭编辑，他为本书付出了辛勤劳动以及向作者提出了许多有益的修改建议。
限于作者水平，书中一定会存在许多不足之处，欢迎广大读者提出宝贵意见。
作者2025年4月
第1章人工智能概论1
1.1你了解人类的智能吗1
1.1.1智能的概念1
1.1.2智能的特征2
1.2人工智能的孕育和诞生5
1.2.1人工智能的孕育期5
1.2.2人工智能的诞生达特茅斯会议6
1.2.3人工智能的定义与图灵测试7
1.3人工智能的发展9
1.3.1人工智能的形成期9
1.3.2几起几落的曲折发展期10
1.3.3大数据驱动的飞速发展期12
1.4从两场标志性人机博弈看人工智能的发展13
1.4.1人工智能研究中的小白鼠13
1.4.2深蓝战胜国际象棋棋王卡斯帕罗夫13
1.4.3阿尔法狗无师自通横扫世界围棋大师15
1.5人工智能研究的基本内容17
1.6人工智能的三大学派18
1.6.1符号主义18
1.6.2连接主义20
1.6.3行为主义21
1.7人工智能的主要应用领域21
1.8人工智能伦理34
1.8.1人工智能伦理的提出与发展34
1.8.2人工智能伦理的典型案例与成因分析35
1.8.3人工智能伦理的治理原则37
1.8.4人工智能伦理的治理措施38
1.9本章小结40
讨论题41
第2章知识表示与知识图谱42
2.1你了解人类知识吗42
2.1.1什么是知识42
2.1.2知识的相对正确性43
2.1.3知识的不确定性44
2.1.4计算机表示知识的方法46
2.2一阶谓词逻辑表示法46
2.2.1命题46
2.2.2谓词47
2.2.3谓词公式48
2.2.4一阶谓词逻辑知识表示方法52
2.2.5一阶谓词逻辑表示法的特点53
2.3产生式表示法53
2.3.1产生式54
2.3.2产生式系统55
2.3.3产生式表示法的特点56
2.4框架表示法58
2.4.1框架的一般结构58
2.4.2用框架表示知识的例子59
2.4.3框架表示法的特点61
2.5知识图谱62
2.5.1知识图谱的提出62
2.5.2知识图谱的定义63
2.5.3知识图谱的表示64
2.5.4知识图谱的架构65
2.5.5知识图谱的典型应用65
2.6本章小结67
讨论题68
习题69
第3章模拟人类思维的推理方法71
3.1推理的定义71
3.2推理的分类72
3.2.1从推出知识的途径分类72
3.2.2从知识的确定性分类73
3.3推理的方向74
3.3.1正向推理74
3.3.2逆向推理75
3.3.3混合推理77
3.4推理中的冲突消解策略79
3.5基于谓词逻辑的确定性推理82
3.5.1自然演绎推理82
3.5.2鲁滨逊归结原理84
3.5.3归结反演85
3.5.4归结求解87
3.6基于统计分析的不确定性推理90
3.6.1不确定性推理的概念90
3.6.2可信度方法93
3.6.3可信度方法举例95
3.7基于模糊理论的不确定性推理97
3.7.1模糊逻辑的提出与发展97
3.7.2模糊集合的定义与表示98
3.7.3隶属函数100
3.7.4模糊关系101
3.7.5模糊关系的合成103
3.7.6模糊推理104
3.7.7模糊决策105
3.7.8模糊推理的应用106
3.8本章小结107
讨论题109
习题109
第4章搜索策略113
4.1搜索的概念113
4.2如何用状态空间表示搜索对象114
4.2.1状态空间知识表示方法114
4.2.2状态空间的图描述116
4.3回溯策略119
4.4盲目的图搜索策略120
4.4.1宽度优先搜索策略120
4.4.2深度优先搜索策略121
4.5启发式图搜索策略123
4.5.1启发式策略124
4.5.2启发信息和估价函数126
4.5.3A搜索算法128
4.5.4A搜索算法129
4.5.5蒙特卡洛树搜索算法130
4.6本章小结132
讨论题133
习题134
第5章模拟生物进化的遗传算法135
5.1进化算法的生物学背景135
5.2遗传算法137
5.2.1遗传算法的发展历史137
5.2.2遗传算法的基本思想138
5.2.3编码138
5.2.4种群设定140
5.2.5适应度函数141
5.2.6选择142
5.2.7交叉144
5.2.8变异146
5.3遗传算法的主要改进算法147
5.3.1双倍体遗传算法148
5.3.2双种群遗传算法149
5.3.3自适应遗传算法150
5.4基于遗传算法的生产调度方法151
5.4.1基于遗传算法的流水车间调度方法152
5.4.2基于遗传算法的混合流水车间调度方法153
5.5本章小结158
讨论题159
习题159
第6章模拟生物群体行为的群智能算法161
6.1群智能算法的生物学背景161
6.2模拟鸟群行为的粒子群优化算法163
6.2.1基本粒子群优化算法163
6.2.2粒子群优化算法的应用165
6.3模拟蚁群行为的蚁群优化算法167
6.3.1蚁群优化算法的生物学背景167
6.3.2基本蚁群优化算法167
6.3.3蚁群优化算法的应用171
6.4本章小结173
讨论题174
第7章机器学习与专家系统175
7.1机器学习的基本概念175
7.1.1学习175
7.1.2机器学习176
7.1.3学习系统176
7.1.4机器学习的发展178
7.2机器学习的分类179
7.2.1机器学习的一般分类方法179
7.2.2监督学习与无监督学习181
7.2.3弱监督学习182
7.3经典机器学习算法185
7.3.1K近邻机器学习算法185
7.3.2决策树机器学习算法188
7.3.3支持向量机190
7.3.4K均值聚类算法192
7.4专家系统概述193
7.4.1专家系统的产生和发展193
7.4.2专家系统的定义195
7.4.3专家系统的特点195
7.4.4专家系统的类型197
7.5专家系统的工作原理198
7.5.1专家系统的一般结构198
7.5.2知识库199
7.5.3推理机199
7.5.4综合数据库200
7.5.5知识获取机构200
7.5.6解释机构201
7.5.7人机接口201
7.6简单的动物识别专家系统202
7.6.1知识库建立202
7.6.2综合数据库建立和推理过程203
7.7专家系统开发工具骨架系统204
7.7.1骨架系统的概念204
7.7.2EMYCIN骨架系统205
7.7.3KAS骨架系统206
7.8专家系统开发环境208
7.9本章小结209
讨论题210
习题211
第8章模拟生物神经系统的人工神经网络212
8.1人工神经元与人工神经网络212
8.1.1生物神经元结构212
8.1.2生物神经元的数学模型213
8.1.3人工神经网络的结构与学习215
8.2机器学习的先驱赫布学习规则216
8.3掀起人工神经网络第一次高潮的感知器217
8.4掀起人工神经网络第二次高潮的BP学习算法219
8.4.1BP学习算法的提出219
8.4.2BP神经网络220
8.4.3BP学习算法221
8.4.4BP学习算法在模式识别中的应用224
8.5本章小结225
讨论题225
习题226
第9章深度学习与大语言模型229
9.1动物视觉机理与深度学习的提出229
9.1.1浅层学习的局限性230
9.1.2深度学习的提出230
9.2卷积神经网络与胶囊网络232
9.2.1卷积神经网络的结构232
9.2.2卷积的物理、生物与生态学等意义233
9.2.3卷积神经网络的卷积运算234
9.2.4卷积神经网络中的关键技术236
9.2.5卷积神经网络的应用238
9.2.6胶囊网络239
9.2.7基于深度学习的计算机视觉241
9.3生成对抗网络及其应用244
9.3.1生成对抗网络的基本原理244
9.3.2生成对抗网络的结构245
9.3.3生成对抗网络的训练246
9.3.4生成对抗网络在图像处理中的应用247
9.4大语言模型及其应用252
9.4.1大语言模型的发展252
9.4.2国内外主要大模型平台254
9.4.3大语言模型提示工程257
9.4.4知识蒸馏技术258
9.4.5写作大语言模型259
9.4.6文生图大语言模型261
9.4.7文生视频大语言模型263
9.4.8蛋白质结构预测大语言模型265
9.5AI智能体266
9.5.1AI智能体的概念266
9.5.2AI智能体的结构268
9.5.3AI多智能体系统269
9.5.4AI智能体的特性270
9.5.5AI智能体的应用271
9.6本章小结273
讨论题274
习题275
第10章自然语言理解276
10.1自然语言理解的概念与发展276
10.1.1自然语言理解的概念276
10.1.2自然语言理解的发展历史277
10.2语言处理过程的层次279
10.3机器翻译方法概述281
10.4循环神经网络284
10.4.1循环神经网络的结构284
10.4.2循环神经网络的训练285
10.4.3长短期记忆神经网络286
10.5基于循环神经网络的机器翻译286
10.6语音识别288
10.6.1语音识别的概念288
10.6.2语音识别的主要过程289
10.6.3语音识别的方法291
10.7本章小结292
讨论题292
附录A人工智能实验指导书293
实验1产生式系统实验293
实验2洗衣机模糊推理系统实验293
实验3A算法求解N数码问题实验295
实验4A算法求解迷宫寻路问题实验296
实验5遗传算法求函数最大值实验297
实验6遗传算法求解TSP问题实验300
实验7粒子群算法求函数最小值实验302
实验8蚁群算法求解TSP问题实验302
实验9BP神经网络分类实验303
实验10卷积神经网络分类实验304
实验11胶囊网络分类实验304
实验12用生成对抗网络生成数字图像实验305
新书资讯
