人工智能基础速通复习讲义

第一章人工智能概述、第二章机器学习基础、第三章自然语言处理、第四章语音信号处理技术、第五章计算机视觉、第六章智能机器人与具身智能、第七章AIGC应用实践。整理目标是应付导论课的名词解释、简答题和概念题。

考前不到一天的复习顺序

先背每章“思考题速答”，因为这类题最可能直接改成简答题。
再背每章“名词解释候选”，每个概念按“是什么 + 做什么 + 关键词/例子”答。
机器学习、自然语言处理、语音识别三章优先级最高，容易出分类、流程、比较题。
计算题若时间不够，只保留卷积基本规则、谓词逻辑/归结法旧题模板、语音 MFCC 步骤。不知道有没有喵，去年有但是纪念教材换了，往年题回忆版见https://forum.fuxi996.com/t/topic/210↗
如果这篇文章帮到你了，我想请求你在考试时记忆一下题目并分享，这可以帮助下一届学生，这是软件学院的传统之一，可上传到https://forum.fuxi996.com↗

第一章人工智能概述

高频考点清单

名词解释候选

智能：个体主动适应环境或针对问题，获取信息、提炼和运用知识，理解世界，采取合理策略与行动，解决问题并达成目标的综合能力。关键词：感知、理解、行动。
人工智能：利用数字计算机或由计算机控制的机器模拟、延伸和扩展人的智能，使机器能够感知环境、获取并使用知识，完成判断、推理、识别、理解、规划、学习和问题求解等智能行为。
图灵测试：图灵提出的机器智能判定思想。若测试者通过对话无法可靠区分机器与人，则可认为机器表现出类似人类的智能。
中文屋实验：塞尔提出的思想实验，用来质疑“只按符号规则操作是否等于真正理解”。核心结论：程序能输出正确答案，不代表机器真正理解语义。
专家系统：含有某领域专家水平知识与经验的智能程序系统，能利用知识库和推理机制模拟专家决策，解决特定领域复杂问题。
奇点理论：指人工智能发展到某一临界点后，可能出现机器智能快速超越人类智能并引发社会结构巨大变化的设想。
人工智能伦理：AI 研发、部署和应用中应遵循的道德准则、社会价值和法律规范，以避免对人和社会造成伤害。
AI 基础设施：支撑人工智能发展的基础条件，主要包括数据、算法、算力三方面。

简答题候选

人工智能为什么是多学科交叉：哲学提供“智能/思维”问题，数学提供逻辑、概率、优化和计算基础，神经科学提供类脑启发，计算机科学提供硬件、算法和系统实现。
人工智能发展历程：初创时期、形成阶段、发展时期、探索时期、大数据驱动时期、智能时代。记忆线索：图灵机/ENIAC/达特茅斯 → 感知器 → 专家系统 → AI低谷探索 → AlphaGo/深度学习 → 大模型时代。
人工智能分类：按智能程度分为弱人工智能、强人工智能等；按能力分为计算智能、感知智能、认知智能；按实现方式分为符号主义、连接主义、行为主义；按研究内容分为机器智能、混合智能、群体智能、类脑智能。
AI 应用领域：智能制造、智能医疗、智能交通、智能安防、智能生活、智能教育等。
AI 伦理主要问题：隐私泄露、偏见歧视、技术滥用、权责归属、算法黑箱、诈骗与虚假内容。
AI 伦理治理措施：技术应对、道德规范、政策指引、法律规则。

概念讲义

智能的本质不是“会算题”，而是围绕目标进行感知、理解和行动。课件用生命体适应环境说明智能：植物向光、细菌感知化学信号、动物表现出记忆和自我意识。考试答“智能”时，把它归纳为“适应环境、获取信息、运用知识、解决问题”的综合能力即可。

人工智能是机器对人类智能活动的模拟、延伸和扩展。常见智能活动包括判断、推理、证明、识别、感知、理解、通信、设计、规划、学习和问题求解。

图灵测试强调从外部行为判断机器是否具有智能。中文屋实验强调“符号操作不等于语义理解”。这两个概念常用于回答“机器是否会思考”“AI 是否真正理解”之类开放题。

人工智能的基础来自多学科：哲学提出思维与理性问题；数学提供逻辑、概率、算法、优化；神经科学启发神经网络；计算机硬件提供实现平台；控制论强调反馈、控制与动态系统。

发展阶段可记为：初创时期、形成阶段、发展时期、探索时期、大数据驱动时期、智能时代。对应线索是图灵机/电子计算机/MP模型/控制论 → 达特茅斯会议和感知器 → 专家系统 → 低谷反思 → 深度学习和 AlphaGo → 大模型与 AIGC。

三大实现流派：符号主义强调符号和逻辑规则，代表知识表示、推理、专家系统；连接主义强调神经网络和数据学习，代表深度学习；行为主义强调智能体在环境中的感知、反馈和行动，代表机器人、强化学习、具身智能。

思考题速答

什么是智能、人工智能：按“感知-理解-行动”和“机器模拟/延伸/扩展人的智能”答。
为什么 AI 需要多学科交叉：哲学问问题，数学给形式化工具，神经科学给脑启发，计算机给实现，控制论给反馈思想。
AI 发展启示：AI 发展受理论、算法、数据、算力和应用需求共同推动，常呈现高潮与低谷交替。
AI 分类：智能程度、能力、实现方式、研究内容四种角度。
AI 对社会影响和应用：提升效率、改变生产生活，同时带来就业、隐私、安全和伦理问题。
奇点理论：机器智能可能超过人类智能的临界点设想。
未来问题与趋势：多模态融合、自主决策、轻量化、隐私安全、可解释性、伦理监管。
AI 伦理研究内容：隐私、公平、透明、责任、安全、价值对齐。

第二章机器学习基础

高频考点清单

名词解释候选

机器学习：使计算机系统无需显式编程，通过数据和经验自动发现规律、优化性能的技术，是人工智能核心组成部分。
数据集：一组样本的有序集合，每个样本描述一个对象或事件。
特征：描述样本属性的信息单元，是模型学习的输入依据。
标签：监督学习中样本对应的已知目标值或类别。
泛化能力：模型对未见过数据进行准确预测的能力。
欠拟合：模型过于简单或特征不足，不能很好学习训练数据规律，训练和测试效果都差。
过拟合：模型过度学习训练集细节甚至噪声，训练集表现好，测试集表现差。
监督学习：使用带标签数据学习输入到输出的映射，用于分类和回归。
无监督学习：使用无标签数据挖掘潜在结构，典型任务是聚类和降维。
半监督学习：同时利用少量有标签数据和大量无标签数据训练模型。
强化学习：智能体与环境交互，通过奖励/惩罚反馈学习策略，使长期回报最大化。
迁移学习：把已有任务或领域中学到的知识迁移到新任务或新领域，以减少数据需求、加快学习并提升性能。
深度学习：以神经网络为基础，通过多层结构学习数据内部规律的机器学习方法。

算法与模型候选

线性回归：用于预测连续数值，假设输入特征与输出之间存在线性关系。
线性分类：用于预测离散类别，可分为二分类和多分类。
K近邻（KNN）：根据待分类样本最近的 K 个邻居的多数类别进行分类，也可用邻居平均值做回归。
支持向量机（SVM）：寻找最大间隔超平面进行分类；支持向量是离超平面最近、决定分类边界的关键样本。
决策树：基于树结构进行判断，内部节点表示属性测试，叶子节点表示分类或预测结果。
朴素贝叶斯：基于贝叶斯定理和特征条件独立假设的分类方法。
集成学习：结合多个基学习器共同解决问题，提升泛化性能。典型方法：Boosting、Bagging、随机森林。
PCA：主成分分析，把数据投影到方差最大的正交方向上，实现线性降维。
K-means：将数据划分为 K 个簇，通过反复分配样本和更新质心，使簇内距离最小。
CNN：卷积神经网络，适合图像处理，特点是局部连接、权值共享。
RNN：循环神经网络，适合文本、语音、时间序列等序列数据。
GAN：生成对抗网络，由生成器和判别器对抗训练，用于图像等生成任务。

概念讲义

机器学习过程可记为七步：数据获取、数据处理、模型选择、模型训练、模型评估、模型调整、模型应用。数据是原始符号记录；特征是描述样本的属性；标签是监督学习中的正确答案；训练集用于训练，验证集用于调参，测试集用于最终评估。损失函数衡量预测和真实值差异，训练目标是最小化损失函数。

监督学习用带标签数据学习映射关系，主要任务是分类和回归。分类输出离散类别，如垃圾邮件识别；回归输出连续数值，如房价预测。

KNN 的步骤是找最近 K 个样本、统计类别、按多数投票分类。优点是直观易懂，不需要估计整体分布；缺点是预测时计算量大、受 K 值和距离度量影响。

SVM 的核心是最大间隔超平面。核函数可把线性不可分数据映射到高维空间。优点是理论基础强、适合高维和小样本、可处理非线性；缺点是大数据训练成本高、核函数选择影响大。

决策树构建步骤是特征选择、生成决策树、剪枝。剪枝包括预剪枝和后剪枝，用来降低过拟合。朴素贝叶斯假设各特征条件独立，用贝叶斯公式计算类别概率，简单高效但独立性假设不一定成立。

集成学习把多个基学习器组合起来。Boosting 是串行地纠正前一轮错误；Bagging 是有放回抽样、并行训练多个模型；随机森林是在 Bagging 基础上增加特征随机选择。

无监督学习处理无标签数据，典型任务是降维和聚类。PCA 寻找最大方差方向，保留主要信息。K-means 初始化 K 个质心，分配样本到最近质心，更新质心，循环直到收敛；优点是效率高，缺点是对初始质心敏感、K 值难选。DBSCAN 是基于密度的聚类方法，适合发现任意形状簇和识别噪声点。

深度学习以神经网络为基础。CNN 适合图像任务，局部连接减少参数，权值共享使同一卷积核在不同位置提取同类特征。RNN 适合序列数据，通过隐藏状态保留历史信息，常用于语音识别、机器翻译、文本生成、时间序列预测。GAN 包括生成器和判别器，两者对抗训练生成逼真样本。

强化学习要素：智能体、环境、状态、动作、奖励、策略。基本思想是“试错学习”，通过奖励反馈优化策略。迁移学习把旧任务知识用于新任务，适合数据稀缺、领域差异和多任务学习场景。

思考题速答

机器学习基本原理：从数据中学习规律，训练模型，再用模型预测未知数据。
监督/无监督/半监督区别：监督有标签，无监督无标签，半监督少量有标签加大量无标签。
过拟合与欠拟合：欠拟合是没学到规律；过拟合是把噪声也学进去。应对欠拟合可增加模型复杂度和特征；防止过拟合可增加数据、正则化、剪枝、早停、交叉验证。
分类与回归：分类输出离散类别，回归输出连续数值。
KNN 基本思想：近朱者赤，近墨者黑；看最近 K 个邻居，多数投票。
SVM 基本思想：找到能分开类别且间隔最大的超平面。
决策树构建：特征选择、生成树、剪枝。
K-means 步骤：选 K、初始化质心、分配样本、更新质心、重复到收敛。
CNN 特点：局部连接、权值共享、池化降维。
强化学习过程：智能体观察状态、采取动作、环境反馈奖励、智能体更新策略。
迁移学习作用：减少新任务数据需求，提高训练效率和性能。

第三章自然语言处理

高频考点清单

名词解释候选

自然语言处理（NLP）：计算机科学、人工智能和语言学交叉领域，目标是实现计算机对自然语言的理解、解析与生成。
词形分析：分析词的构成和形态变化，如词干提取、词形还原、形态标注。
词语切分：把连续字符序列切分成独立词语，中文分词尤其重要。
词性标注：为句子中的每个词标注名词、动词、形容词等词类。
句法分析：分析句子结构关系，主要包括短语结构分析和依存结构分析。
上下文无关文法（CFG）：由产生式规则组成，用于描述非终结符如何展开成终结符或非终结符序列。
依存句法分析：揭示句中词语之间“支配词-从属词”的依存关系。
语义分析：理解语言表达的意义，可用谓词逻辑、语义网络、框架语义、向量空间模型等表示。
词义消歧：根据上下文确定多义词的具体含义。
语义角色标注（SRL）：识别谓词及其论元角色，如施事、受事、时间、地点。
知识图谱：以实体为节点、关系为边，表示现实世界知识的图结构。
大语言模型（LLM）：基于大规模文本预训练的语言模型，通常以 Transformer 为核心架构，具备文本理解与生成能力。

简答题候选

NLP 基本范式：数据预处理、特征提取/表示、模型训练、模型评估、应用部署。
中文分词方法：基于规则、基于统计、基于机器学习/深度学习。
句法分析类型：短语结构句法分析、依存结构句法分析。
语义形式化表达：谓词逻辑、语义网络、框架语义、向量空间模型。
图表征语义分析：知识图谱、图神经网络、图嵌入、事件图。
NLP 应用：机器翻译、文本生成、问答系统、信息抽取、文本分类。
大语言模型训练相关：预训练、微调、数据并行、模型并行、流水线并行。

概念讲义

自然语言处理的本质是把人类自然语言转换为机器可处理的结构化或向量化表示，再进行理解、生成和交互。它融合语言学、计算机科学、数学、心理学、哲学和统计学。常见挑战包括数据资源不足、模型可解释性差、隐私和安全风险、伦理偏见、语言歧义和上下文依赖。

词法分析处理“词”的层面。英语中常见任务包括词干提取和词形还原；中文重点是分词，因为汉语词边界不天然显式。中文分词难点包括分词规范不统一和歧义切分。中文分词方法有基于规则、基于统计、基于机器学习/深度学习。

短语结构句法分析关注句子如何由词和短语层层组成，结果通常是短语结构树。CFG 是常见形式化工具，CKY 是典型动态规划解析算法。依存结构句法分析关注词与词之间的依存关系，结果通常是有向依存图。

语义分析关注语言“是什么意思”。谓词逻辑用谓词、变量、量词、逻辑连接词表示句子意义；语义网络用节点表示概念、边表示语义关系；框架语义用框架和槽描述情景知识；向量空间模型把词映射为高维向量，语义相近的词在空间中更接近。

词义消歧根据上下文确定多义词含义。语义角色标注识别谓词和相关角色，如“谁做了什么，对谁做，在何时何地做”。知识图谱是图表征的重要形式，以实体为节点、关系为边。

机器翻译从规则翻译、统计翻译、实例翻译发展到神经机器翻译。文本生成包括文本到文本、数据到文本、视觉到文本。问答系统类型包括检索式问答、知识库问答、社区问答。信息抽取把非结构化文本转为结构化信息，包括命名实体识别、实体关系抽取等。

大语言模型主要基于 Transformer。GPT 类模型使用单向 Transformer 解码器，通过预训练学习通用语言规律，再通过微调适应具体任务。并行训练方式包括数据并行、模型并行和流水线并行。

思考题速答

NLP 基本范式：文本清理、分词/标注、特征表示、模型训练、评估、应用。
中文分词方法：规则匹配、统计方法、机器学习/深度学习方法。
基于图表征的语义分析：知识图谱、图神经网络、图嵌入、事件图。
文本到文本生成步骤：输入文本预处理，编码语义表示，模型生成候选文本，解码与后处理，评价与优化。

第四章语音信号处理技术

高频考点清单

名词解释候选

语音信号：人类发声器官产生并在空气中传播的声波信号。
听觉选择性：人耳只能感知一定频率和强度范围内的声音，通常频率约 20Hz 到 20000Hz。
听觉掩蔽效应：一个较弱声音的听觉感受被另一个较强声音影响或掩盖的现象。
声压：由声扰动产生的逾量压强，是描述声波的基本物理量。
声强：声波在单位时间内通过垂直于传播方向的单位面积的能量。
语音信号分析：提取语音本质特征参数，为语音识别、合成、情感识别等任务提供基础。
分帧：把语音信号切成短时间片段进行分析，因为语音在短时间内近似平稳。
MFCC：Mel 频率倒谱系数，一种模拟人耳听觉特性的语音特征，常用于语音识别和说话人识别。
语音识别：机器识别和理解人类语音信号，并转换为文本或命令的技术。
孤立词识别：识别单独发音、词间有明显停顿的字或词。
DTW：动态时间规整，用于对齐长度不同的语音序列并计算相似度。
HMM：隐马尔可夫模型，用隐藏状态和观测序列建模语音时序过程。
说话人识别：从语音中提取身份特征，判断或确认说话人身份，又称声纹识别。

概念讲义

语音本质是声波。发音器官包括气管、咽腔、鼻腔、口腔、上下唇等，声道主要指咽腔、口腔、鼻腔。发音过程可记为：肺部气流形成、声带振动、声道调制、语音形成。人耳由外耳、中耳、内耳组成。外耳定位和放大声音，中耳传导并平衡压力，内耳耳蜗把机械振动转化为神经信号。

语音信号进入计算机前要数字化和预处理。数字化一般包括反混叠滤波、放大及增益控制、采样、A/D 转换、编码。预处理一般包括预滤波、采样和量化、预加重、分帧加窗。预加重用于增强高频部分；分帧加窗利用语音短时平稳性，把语音切成 10 到 30ms 左右的帧。

时域分析常见参数有短时能量、短时过零率、短时自相关系数、短时平均幅度差。频域分析包括频谱、功率谱、倒频谱、频谱包络等。MFCC 提取步骤可答：预加重、分帧、加窗、快速傅里叶变换、Mel 滤波器组、取对数、离散余弦变换。

语音识别目的是让机器“听懂”人说的话，把语音变成文本或命令。分类可按词汇量大小、说话人范围、发音方式等划分。最容易的是特定人、小词汇量、孤立词识别；最难的是非特定人、大词汇量、连续语音识别。

孤立词识别常用模板匹配和 DTW。DTW 的核心是把时间长度不同的测试模板和参考模板进行非线性对齐，寻找累计距离最小的路径。HMM 用于建模语音的时序变化。GMM-HMM 用 GMM 描述观测概率，DNN-HMM 用 DNN 取代 GMM 提高声学建模能力。端到端语音识别减少传统多模块误差累积，CTC 可解决输入输出序列不等长和对齐问题。

说话人识别关注“谁在说”，语音识别关注“说了什么”。说话人识别系统通常包括预处理、特征提取、模式匹配。系统分训练/注册阶段和识别阶段。常见匹配方法有模板直接匹配、矢量量化、GMM、HMM、神经网络。

思考题速答

发音器官：气管、咽腔、鼻腔、口腔、上唇、下唇等；声道主要是咽腔、口腔、鼻腔。
人耳为何听不到超声波和次声波：超出人耳频率感知范围。
声压和声强：声压是声扰动产生的压强；声强是单位时间通过单位面积的声能。
参数分析前预处理：预滤波、采样量化、预加重、分帧加窗。
为什么分帧：语音整体非平稳，但短时间内近似平稳，可做短时分析。
MFCC：模拟 Mel 听觉尺度的倒谱特征，步骤按“预加重-分帧-加窗-FFT-Mel滤波-取log-DCT”背。
语音识别目的：把语音转换为文本或命令；可按词汇量、说话人、发音方式分类。
孤立词识别：识别词间有停顿的单词，常用 DTW 或 HMM。
说话人识别：常见特征有倒谱、基音、动态差分特征；匹配方法有 DTW、VQ、GMM、HMM、神经网络。

第五章计算机视觉

高频考点清单

名词解释候选

计算机视觉：使计算机从图像、视频或三维数据中获取、处理、分析和理解视觉信息的技术。
像素：构成数字图像的基本单位。
分辨率：单位长度或图像宽高方向上的像素数量，反映图像细节程度。
颜色空间：表示颜色的方式，如 RGB、HSV。
色彩深度：每个像素可表示的颜色数量，通常以 bit 表示。
图像分割：把图像划分为若干具有独特性质区域的技术。
语义分割：为图像中每个像素赋予语义类别标签。
实例分割：不仅识别类别，还区分同一类别的不同对象实例。
图像分类：判断整幅图像或图像区域属于哪个类别。
图像生成：利用 AI 算法生成具有艺术性或创造性的图像。
目标检测：识别图像中感兴趣目标的类别并定位其位置。
点云：由三维空间中大量点组成的数据集合，每个点通常包含 X/Y/Z 坐标，可含颜色、法向量等信息。

算法候选

AlexNet：深度 CNN 代表模型，推动深度学习在图像识别中的突破。
GoogLeNet：引入 Inception 结构，提高多尺度特征提取能力。
U-Net：编码器-解码器结构，常用于医学图像和语义分割。
SegNet：编码器-解码器 CNN，用于语义分割。
SAM：分割一切模型，具有较强通用分割能力。
Pix2Pix：成对图像到图像转换的生成模型。
CycleGAN：不依赖成对数据的图像风格转换模型。
扩散模型：通过逐步加噪和去噪生成图像的模型。
VAE：变分自编码器，通过学习潜在空间生成样本。
YOLO：把目标检测看作回归问题，单次处理图像即可完成识别和定位。
SSD：单阶段目标检测方法，在多尺度特征图上检测目标。
PointNet：直接处理点云的深度学习模型。
Pointformer/PCT：将 Transformer 思想用于点云处理。

概念讲义

图像由像素组成。亮度表示明暗程度；对比度表示最亮与最暗区域差异；色彩深度决定可表示颜色数量；颜色空间决定颜色表达方式，RGB 常用于显示，HSV 更符合人类对色调、饱和度、亮度的感知。

图像分析包括图像分割和图像分类。分割关注像素级区域划分，分类关注图像属于哪个类别。语义分割只区分类别，不区分同类不同个体；实例分割既区分类别，也区分不同对象实例。

图像生成是从无到有或从已有图像变换出新图像。纹理合成、风格迁移、文生图、图生图都属于相关方向。生成模型包括 GAN、VAE、扩散模型等。挑战包括真实感与可控性、训练数据质量、计算资源、版权隐私与伦理风险。

目标检测要解决分类和定位两个核心问题，即“是什么”和“在哪里”。此外还要应对目标大小、形状、遮挡、光照、噪声、实时性等问题。YOLO 是单阶段检测代表，把检测转化为回归，一次前向传播得到类别和位置，因此速度快，适合实时检测。

点云是三维视觉的重要数据形式，可来自 LiDAR、深度相机、结构光扫描等。点云处理包括滤波、配准、分割、分类、目标检测、三维重建等。点云数据挑战包括稀疏性、无序性、噪声干扰、数据量大、遮挡和采样不均匀。

思考题速答

人类视觉形成过程：光进入眼睛，经角膜/晶状体成像到视网膜，感光细胞转换为神经信号，传入大脑视觉皮层处理并形成视觉感知。
图像基本单元：像素。亮度表示明暗；色彩深度表示每个像素可表达的颜色数量。
图像分割和分类区别：分割是像素/区域级划分，分类是判断类别。
语义分割和实例分割区别：语义分割只分类别，实例分割区分同类不同对象。
目标检测核心任务：分类和定位。
点云定义：三维坐标系中大量点的集合，可包含颜色、强度、法向量等附加属性。

第六章智能机器人与具身智能

高频考点清单

名词解释候选

机器人：通过感知环境、进行决策并执行动作来完成特定任务的机器系统。
工业机器人：能自动控制、可重复编程、多功能、多自由度的操作机，可搬运材料、工件或操作工具完成作业。
服务机器人：半自主或全自主工作，为人类健康、生活或公共服务提供帮助，但不包括生产设备。
ROS：机器人操作系统，提供工具、库和约定，用于简化机器人软件开发和集成。
传感器融合：综合多个传感器数据，提高机器人对环境感知的准确性和可靠性。
具身智能：智能体通过身体或物理载体与环境交互，在感知、行动和反馈中形成智能。
离身智能：主要在虚拟或符号环境中处理信息，智能过程不依赖物理身体与环境交互。
通用型具身智能机器人：具备自主学习、多任务泛化、复杂环境适应和人机交互能力的机器人。

概念讲义

典型机器人由六大功能模块组成：感知系统、人机交互系统、控制系统、驱动系统、机械结构系统、机器人-环境交互系统。感知系统采集环境信息；人机交互系统负责人与机器人信息交流；控制系统制定行为策略与动作计划；驱动系统把控制指令转化为部件运动；机械结构系统决定运动与负载能力；环境交互系统负责外部设备互联互通、协同协作。

按 IFR，机器人可分为工业机器人和服务机器人。服务机器人又可分为公共服务机器人、个人/家用服务机器人、特种服务机器人。工业机器人按结构可分为直角坐标、圆柱坐标、球坐标、多关节、平面关节、并联机器人等；按用途可分为焊接、喷涂、装配、搬运等。服务机器人应用包括家庭清洁、搬运、教育陪伴、实验辅助、医疗康复、公共服务、物流配送等。

机器人关键技术包括感知与导航、运动规划、控制算法、人机交互、传感器融合、SLAM、ROS、路径规划、抓取与操作等。导论课一般不要求细节，答题时写出术语含义和作用即可。

具身智能强调智能不是只在“大脑”中计算，而是在身体与环境的交互中产生。它通常包括具身载体、具身大脑和环境交互。具身载体负责直接感知和执行；具身大脑负责认知、任务理解、规划和决策；环境反馈使智能体通过动作改变环境，再从环境中获得新信息。通用型具身智能机器人相比传统机器人，更强调自主学习、多任务泛化、未知环境适应和自然交互。

思考题速答

智能机器人分类：工业机器人、服务机器人；服务机器人可分公共服务、个人/家用、特种服务。
是否多学科交叉：是。涉及机械、控制、电子、计算机、AI、传感器、人机交互、材料等。
工业/服务机器人应用：工业用于焊接、喷涂、搬运、装配、检测；服务用于家用清洁、医疗康复、教育、公共服务、物流、巡检。
关键技术术语：传感器融合、SLAM、路径规划、ROS、运动控制、人机交互、机器视觉。
具身智能和离身智能区别：具身智能依赖物理身体与环境互动；离身智能主要在抽象信息空间中推理。
具身智能核心要素：具身载体、具身大脑、感知、行动、环境反馈。
应用载体：人形机器人、服务机器人、智能驾驶汽车、无人机、机械臂等。

第七章 AIGC 应用实践

高频考点清单

名词解释候选

AIGC：Artificial Intelligence Generated Content，人工智能生成内容，指利用 AI 技术自动生成文本、图像、音频、视频、代码等内容。
PGC：Professional Generated Content，专业生成内容，由专业人士或机构创作。
UGC：User Generated Content，用户生成内容，由普通用户在非专业渠道创作。
多模态：同一系统中存在两种或两种以上信息模态，如文本、图像、语音、视频。
多模态大模型：在统一框架下整合多种模态信息，能够处理并交互文本、图像、音频、视频等数据的大型神经网络模型。
文本生成：基于输入提示、关键词或数据，自动生成连贯且语义相关文本的技术。
多媒体创作：综合处理文本、图像、音频、视频、动画等多种媒体信息，实现多样化表达和交互体验。
文生图：以文字提示为输入生成图像。
图生图：以上传图像和文字描述为输入，对图像进行风格转换、增强或再创作。
文生视频/图生视频：以文字或图像为输入生成视频。
文生音乐/图生音乐/视频生曲：以文字、图像或视频为输入生成音乐。

概念讲义

AIGC 狭义上指基于 GAN、大型预训练模型、扩散模型等 AI 技术，通过学习已有数据生成文本、图像、音频、视频等内容；广义上还包括代码等其他内容生成。

发展阶段：早期萌芽阶段，1957 年计算机创作音乐《依利亚克组曲》；沉淀积累阶段，算法、算力、数据发展，出现 AI 小说等探索；快速发展阶段，2010 年后大模型、GAN、扩散模型成熟，2022 年 ChatGPT 引发广泛关注，文生视频、多模态模型推动 AIGC 商业化。

模态是信息来源或形式，如文本、图像、音频、视频。多模态大模型能综合处理多种模态，优点包括输入输出形式更丰富，能解决单一模态歧义，更适合真实复杂场景。例如文本中的“小米”可能有歧义，结合图像或视频信息可判断是粮食还是科技公司。

良好提示词包含四个元素：依据、动作、目标、要求。依据是背景、身份、材料或原则；动作是希望模型完成的任务；目标是最终产物或用途；要求是字数、风格、格式、限制条件等。文生图提示词至少包括主体、场景、风格。

多媒体生成类型：图像生成包括文生图和图生图；视频生成包括文生视频和图生视频；音乐生成包括文生音乐、图生音乐、视频生曲。核心都是从输入中提取主题、情绪、风格并生成匹配内容。

AIGC 应用包括广告、教育、影视娱乐、电商、新闻创作、智能客服、图像视频特效、代码编写、PPT 制作等。风险包括版权归属、虚假内容、隐私泄露、偏见歧视、内容质量不稳定、过度依赖工具。

思考题速答

什么是 AIGC：利用 AI 技术自动生成文本、图片、音频、视频、代码等内容。
AIGC 发展历程：早期萌芽、沉淀积累、快速发展；关键推动因素是算法、算力、数据和大模型。
多模态大模型：能统一处理文本、图像、音频、视频等多种模态，实现跨模态理解和生成。
学习计划类题：可说明用 DeepSeek 等工具输入背景、目标、时间安排和输出要求，让模型生成计划，并进行追问和人工修改。
多媒体创作类题：文生图、文生音乐、文生视频结合使用，最后人工二次编辑，保证内容准确和格式统一。

全书最可能出的“概念题”速背表

概念	一句话答案
人工智能	用机器模拟、延伸和扩展人的智能，使其能感知、学习、推理、决策和解决问题。
专家系统	含有领域专家知识和推理机制，模拟专家解决问题的智能程序。
机器学习	让计算机从数据和经验中学习规律，而非完全依赖显式编程。
监督学习	用带标签数据训练模型，解决分类或回归。
无监督学习	用无标签数据发现潜在结构，典型任务是聚类和降维。
过拟合	训练集效果好、测试集效果差，说明模型把噪声也学进去了。
KNN	根据最近 K 个邻居的多数类别或平均值做预测。
SVM	寻找最大间隔超平面，支持向量决定分类边界。
决策树	以树状条件判断进行分类或预测。
CNN	具有局部连接和权值共享，适合图像处理的神经网络。
RNN	能处理序列数据并保留历史信息的神经网络。
GAN	生成器和判别器对抗训练的生成模型。
NLP	让计算机理解、解析和生成自然语言。
分词	将连续字符序列切分成独立词语。
依存句法分析	分析词与词之间支配和从属关系。
知识图谱	用实体节点和关系边表示知识的图结构。
语音识别	将语音信号转换为文本或命令。
MFCC	模拟人耳 Mel 听觉尺度提取的倒谱语音特征。
DTW	对齐长度不同的时间序列，寻找累计距离最小路径。
说话人识别	根据声纹判断“谁在说话”。
计算机视觉	让计算机理解图像、视频和三维视觉数据。
语义分割	给每个像素分配语义类别。
目标检测	同时识别目标类别和位置。
点云	三维空间中大量点构成的数据集合。
工业机器人	自动控制、可重复编程、多功能、多自由度的操作机。
具身智能	通过物理身体与环境交互产生和发展智能。
AIGC	用 AI 自动生成文本、图像、音频、视频、代码等内容。
多模态大模型	统一处理文本、图像、音频、视频等多种模态的大模型。

最后 6 小时背诵建议

用 90 分钟背“全书最可能出的概念题速背表”。每个概念扩成三句话即可拿名词解释分。
用 120 分钟背第二、三、四章的思考题速答。机器学习、NLP、语音识别最容易出过程和比较。
用 60 分钟背第一章和第六章，适合开放题和简答题。
用 45 分钟背第五章和第七章，重点记术语和应用类型。
最后 45 分钟默写：机器学习流程、NLP 范式、MFCC 步骤、语音识别分类、具身智能核心要素、AIGC 定义。

Thanks for reading!