人工智能与大模型基础是面向高校非计算机专业大一、大二学生的通识教育教材，专为顺应大模型革命下的教育变革而设计。本书以“人机协同思维”为核心，新创“提问式学习法”，通过与大模型的对话式交互，引导学生掌握机器学习经典算法的实践逻辑，培养面向未来的大模型思维与跨学科问题解决能力。 全书以“问题链驱动”为主线，从入门任务切入，逐步延伸至高阶应用，覆盖12类经典算法与6大真实场景案例。每章围绕一个核心问题展开，通过“理论精讲→代码轻量实现→多维度对比实验→伦理反思”的四阶教学闭环，实现从“学算法”到“建模型”再到“思伦理”的能力跃迁。 本书注重大模型思维的系统培养。在医疗诊断、金融风控等跨学科场景中，学生将学习用自然语言描述需求，引导大模型生成数据增强方案与迁移学习策略，进而理解技术背后的逻辑。通过“AI思辨角”等设计，学生还将与大模型共同探讨算法偏见、数据隐私等伦理议题，树立“技术向善”的价值观。

姜大志，汕头大学工学院教授，计算机科学与技术系系主任，主要研究方向为人工智能、情感计算与多模态大模型。

目 录 1.1 人工智能的内涵与发展历程 1.2 人工智能的核心技术领域与行业应用 1.3 大模型的分类、技术特征与发展历程 1.4 大模型的应用场景与局限性 1.5 当代计算机系统的基本组成 1.6 算力的构成与度量 1.7 云计算、边缘计算与人工智能的算力需求 2.1 基础概念 2.2 模型训练核心概念 2.3 深度学习核心概念 2.4 机器学习核心概念 3.1 数据的定义、分类与常见格式 3.2 数据清洗与缺失值处理 3.3 特征提取与标准化方法 3.4 数据标注与质量控制 4.1知识的概念 4.2知识表示的基本方法 4.3知识图谱的构建与应用 4.4知识库与语义网络 4.5人工智能应用场景中的数据需求 5.1 机器学习的基本概念、分类、流程图与伪代码描述 5.2 机器学习范式的区别 5.3 线性回归与逻辑回归 5.4 决策树与随机森林 5.5 朴素贝叶斯算法 5.6 k均值聚类算法 5.7 支持向量机 6.1 集成学习 6.2 神经网络 6.3 深度学习的使用 6.4 强化学习与DQN基础 7.1 大模型求解基础与思维转变 7.2 提示词工程基础与设计方法 7.3 提示词优化与效果提升 7.4 智能系统设计与工程实现 7.5 大模型辅助的算法学习 8.1 模型核心评估维度 8.2 模型评估指标与方法 8.3 大模型“幻觉”挑战与破解思路 9.1 智能体的概念、起源与现状 9.2 智能体技术架构 9.3 智能体模拟示例 9.4 智能体实践 9.5 智能体在商业中的应用 10.1 AI辅助决策与社会伦理 10.2 数据安全与隐私保护 10.3 人工智能赋能社会发展的效能与风险 10.4 大模型与人工智能安全层面的发展趋势