资源简介

(共17张PPT)
AI 与科技融合创新
年 级：高一年级 关联学科：信息技术
主 讲 人：胡 艳 晓 学 校：郑州市第一〇三高级中学
学习目标
对标《普通高中信息技术课程标准》，本课聚焦四大核心素养的协同发展。
信息意识
感知数据与信息在智能系统中的价值，主动辨别 AI 信息来源与真伪。
计算思维
能用"数据—训练—模型—预测"的流程拆解问题，理解其基本思想。
数字化学习与创新
选用常见 AI 工具开展探究，体验"用 AI 学"与"学 AI"的差异。
信息社会责任
辨识数据隐私、算法偏见等风险，形成负责任使用 AI 的态度。
学习目标与素养落点
语音助手
语音识别模型实时把声波转为文字，再由语言模型理解你的意图。
推荐系统
"猜你喜欢"来自对浏览、停留、点赞等行为数据的持续学习。
人脸识别
刷脸进站、刷脸支付，毫秒级完成上百个特征点的比对。
AI 不是遥远的实验室概念，而是每天都在运行的"隐形基础设施"——它是怎么做到的？
情境导入：AI 已在你身边
目录
CONTENTS
一条主线：认识 AI → 理解 AI → 用好 AI。
01
从工具到智能
科技演进四阶段 · 人工智能的定义与能力边界
02
数据 · 算法 · 算力
AI 的三大支柱 · 机器学习的基本流程
03
赋能与向善
三个真实赋能场景 · 伦理责任与课堂实践
课程导航
CHAPTER 01
从工具到智能
科技演进：从机械化到智能化的四次跃迁
人工智能的定义、能力与边界
从蒸汽机到大模型：每一次科技跃迁，都在回答同一个问题——下一步由谁来做决定？
每一次跃迁都在扩展"感知—决策—执行"的能力边界；AI 承担了前三阶段最难自动化的部分——决策。
1
机械化
18 世纪 — 20 世纪初
关键词：能量解放
2
电气化
20 世纪上半叶
关键词：规模生产
3
信息化
1950s — 2010s
关键词：连接世界
4
智能化
2010s — 至今
关键词：自主决策
蒸汽机与机械制造替代人力畜力，人类第一次获得"超越肌肉"的动力。
科技演进：四次跃迁
电力与流水线重塑生产方式，能量利用进入规模化时代。
计算机与互联网解决信息的存储、计算与传递，世界被连接起来。
大数据与人工智能接管复杂决策，机器开始"看懂、听懂、判断"。
定义
人工智能 Artificial Intelligence
研究如何使机器模拟、延伸和扩展人类智能的技术科学——让机器具备感知、理解、决策与学习的能力。
思想起点：1950 年，图灵在《计算机器与智能》中提出"机器能
思考吗"？
AI 的三层核心能力
感知
看懂图像、听懂语音——计算机视觉、语音识别
认知
理解语言、组织知识——自然语言处理、知识图谱
决策
规划路径、推荐内容——搜索优化、强化学习
能力边界
擅长做
模式识别：图像、语音、文本
海量数据的快速计算
7×24 小时不间断运行
做不好
常识与因果推理
跨领域的原创性突破
价值判断与责任承担
AI 擅长在数据中找规律，弱于理解
"为什么"。
AI ≠ 无所不能：它的能力边界，正是人机分工的起点——把重复交给机器，把判断留给人。
什么是人工智能
CHAPTER 02
数据 · 算法 · 算力
AI 的三大支柱：数据、算法与算力
机器学习：从数据到预测的完整闭环
数据 —— 燃料
ImageNet 数据集含超 1400 万张人工标注图像，是计算机视觉十年进步的公共基准。
算法 —— 引擎
2012 年 AlexNet 将 ImageNet Top-5 错误率从 26.2% 降至 15.3%，深度学习自此成为主流。
算力 —— 马力
GPU 并行计算把训练周期从"月"压缩到"天"，专用 AI 芯片让迭代继续提速。
三者相互成就：没有大数据，算法"无米下锅"；没有算力，数据只是沉睡的记录。
AI 的三驾马车
传统编程 vs 机器学习
传统程序
人写规则 + 输入数据 → 输出答案
机器学习
数据 + 已知答案 → 机器找规则
规则不再由人穷举，而是从数据中归纳。
课堂小例
给模型看 1 万张已标注的猫狗照片，它会自己总结出"猫"的特征——尖耳、胡须、瞳孔形状。
分水岭：能力来自数据中的规律，而
非人写死
的规则。
机器的"学习"，本质是在数据中寻找统计规律；训练数据的质量，直接决定模型的上限。
机器如何"学会"识别
CHAPTER 03
赋能与向善
三个真实场景：气象、交通与科学发现
边界与责任：做负责任的 AI 使用者
气象
智能气象预报
盘古气象大模型将中期预报速度提升万倍级，精度优于传统数值方法（Nature, 2023）。
交通
智能交通优化
城市大脑优化信号灯配时，试点区域通行速度提升约 15%（杭州试点公开数据）。
科学
科学发现加速
AlphaFold 已预测超 2 亿个蛋白质结构，覆盖几乎全部已知蛋白质（DeepMind, 2022）。
AI 的价值不是替代人，而是把人从重复计算中解放出来，转向真正的创造性问题。
AI 赋能科技：三个真实场景
数据隐私
刷脸、位置与浏览足迹被过度采集；应对：最小必要原则与知情同意。
算法偏见
训练数据自带偏差，模型会将其放大；应对：数据多样性审查与标注规范。
信息茧房
推荐只投其所好，视野越看越窄；应对：主动拓展信源、交叉验证信息。
深度伪造
AI 换脸拟声以假乱真；应对：内容标识制度与媒介素养提升。
治理共识
《新一代人工智能伦理规范》（2021）提出：增进人类福祉、保护隐私安全、确保可控可信、强化责任担当。
课堂公约
不上传他人隐私数据
不用 AI 代写作业
先核实，再采信 AI 答案
会用，更要善用——这是本课的落脚点。
技术无善恶，使用技术的人有——信息社会责任，是数字时代公民的基本素养。
科技向善：AI 的边界与责任
任务三步走
1
运行代码
观察模型输出的类别与置信度分数
2
更换图片
用 3 张不同照片测试，记录置信度变化
3
小组讨论
置信度 0.99 就一定正确吗？为什么？
观察点
置信度是模型的"自信程度"，不是事实的"正确答案"——0.99 也可能错。
思考：如果训练数据里没有橘猫，模型还能认出它吗？
课堂实践：动手体验 AI
from transformers import pipeline
# 第 1 步：加载预训练的图像分类模型
clf = pipeline("image-classification")
# 第 2 步：对一张图片进行预测
result = clf("my_cat.jpg")
# 第 3 步：查看模型的判断与置信度
for item in result[:3]:
print(item["label"], item["score"])
# 输出示例：
# tabby cat 0.87
# Egyptian cat 0.06
六个关键词，串起一条主线
01
演进主线
机械化→电气化→信息化→智能化，AI 是智能化阶段的核心引擎。
02
AI 定义
让机器具备感知、理解、决策与学习能力的技术科学。
03
三大支柱
数据是燃料，算法是引擎，算力是马力，三者缺一不可。
04
学习机制
数据→训练→模型→预测，在数据中寻找统计规律。
05
赋能场景
气象、交通、科学发现：把人解放到创造性问题上去。
06
责任边界
隐私、偏见、茧房、伪造：做负责任的 AI 使用者。
一条主线贯穿全课：认识 AI → 理解 AI → 用好 AI，最终成为负责任的智能时代公民。
课堂小结：知识结构化
课后任务
分层设计 · 按需选择，让每位同学都能在原有基础上向前一步。
建议完成：20–40 分钟
成果形式：下节课分享
基础层 · 必做
画出机器学习流程图
绘制"数据→训练→模型→预测"流程图，标注每一步的输入与输出，并用一句话说明"训练"在做什么。
探究层 · 选做
身边的 AI 应用分析卡
选一个你常用的 AI 应用，分析它依赖什么数据、可能带来什么风险，写出约 200 字的分析卡。
拓展层 · 挑战
亲测一个开源模型
在开源平台体验一个图像分类模型，记录 3 组置信度数据，思考"模型为什么会错"。
作业与拓展
理解 AI，是为了更好地驾驭 AI
愿你们既是技术的使用者，也是未来的创造者。
科技有道 · 智能有度

展开更多......

收起↑