本书共7章。第1章回顾人工智能发展历程并展望未来发展趋势。第2章探讨计算机视觉中的物体识别，重点分析大模型在提升识别性能中的作用。第3章解析人物交互事件，并通过案例展示智能体的实际应用。第4章讨论语言与视觉的融合，展示多模态人机交互的实现方法。第5章介绍人体姿态识别及其与语言信息的融合，探讨智能化互动系统的构建。第6章阐述视觉信息的语义编码与图像生成，展示大模型在内容创作与智能推荐中的应用。第7章探讨具身智能的发展，介绍主动感知、人机交互及大模型赋能的具身任务决策。