1. 图灵之问
不问“会不会想”，先看“像不像在想”。
01 // CHAPTER OPENING
AI 是什么 从图灵测试到 ChatGPT
应用型本科 · AI 通识课
15 PAGES / 8 EXPLAINERS / 15 SOURCE QUESTIONS
2. 三次浪潮
规则、专家系统，再到数据驱动与大模型。
3. 层层套娃
AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型。
4. 能力边界
擅长模式任务，但价值判断与责任仍在人。
5. 虚实落地
数字孪生造数据，具身智能去执行。
SECTION 01 / 阅读地图
小节一 · 机器能像人吗？ 图灵测试
小节一 · 机器能像人吗？ 图灵测试
从“机器能像人吗？ 图灵测试”出发，逐页推进到“什么才算 人工智能”；每张卡都写明本页应抓住的机制或边界。
机器能像人吗？ 图灵测试
分不清人与机器，即通过测试
机制线索BOX.ABOX.BTYPE →
七十年起落 三次浪潮
路线从写入规则，转向让机器从数据中学习
机制线索1950s符号推理RULE-BASED1980s
什么才算 人工智能
AI 是让计算机完成通常需要人类智力的任务
机制线索人工智能=模拟人类智能行为感知
阅读顺序：机器能像人吗 → 七十年起落 三次浪潮 → 什么才算 人工智能
本节按“机器能像人吗 → 七十年起落 三次浪潮 → 什么才算 人工智能”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
机器能像人吗？ 图灵测试
身份被遮蔽时，只能依据可观察的回答来判断。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
01 // TURING TEST · 1950
机器能像人吗？图灵测试
分不清人与机器，即通过测试
02 // THREE WAVES · 70 YEARS
七十年起落 三次浪潮
路线从写入规则，转向让机器从数据中学习
03 // WHAT COUNTS AS ARTIFICIAL INTELLIGENCE
什么才算 人工智能
AI 是让计算机完成通常需要人类智力的任务
SECTION 02 / 阅读地图
小节二 · AI 家族 层层套娃
小节二 · AI 家族 层层套娃
从“AI 家族 层层套娃”出发，逐页推进到“人工挑重点 机器自己学”；每张卡都写明本页应抓住的机制或边界。
AI 家族 层层套娃
AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型
机制线索AIARTIFICIAL INTELL…MLMACHINE LEARNING
人工挑重点 机器自己学
机器学习找规律，深度学习还能自动提取特征
机制线索VS原始数据RAW DATA人工特征
阅读顺序：AI 家族 层层套娃 → 人工挑重点 机器自…
本节按“AI 家族 层层套娃 → 人工挑重点 机器自…”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
AI 家族 层层套娃
把 AI、机器学习、深度学习和大模型放回同一层级关系中理解。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
04 // RUSSIAN DOLL · SUBSET HIERARCHY
AI 家族 层层套娃
AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型
05 // MANUAL vs AUTO FEATURE LEARNING
人工挑重点 机器自己学
机器学习找规律，深度学习还能自动提取特征
SECTION 03 / 阅读地图
小节三 · AI 能做 也有边界
小节三 · AI 能做 也有边界
从“AI 能做 也有边界”出发，逐页推进到“规模变大 能力涌现”；每张卡都写明本页应抓住的机制或边界。
AI 能做 也有边界
AI 是工具，不是替代品；责任永远在人身上
机制线索擅长 CAN DOSTRENGTHS文本总结SUMMARIZATION
虚拟训练 真实执行
教学团队以数据为基石：数字孪生造数据，具身智能去执行
机制线索虚拟驾校DIGITAL TWIN模拟训练 1000h+物理机器人
规模变大 能力涌现
参数与数据跨过规模门槛，能力从单项走向通用
机制线索传统 DL 模型TRADITIONALSCALE · 规模几百万~几千万参数
阅读顺序：AI 能做 也有边界 → 虚拟训练 真实执行 → 规模变大 能力涌现
本节按“AI 能做 也有边界 → 虚拟训练 真实执行 → 规模变大 能力涌现”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
AI 能做 也有边界
AI 协助提出结果，人仍负责检查、取舍与承担责任。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
06 // CAPABILITY BOUNDARY · 2026 SOURCE VIEW
AI 能做 也有边界
AI 是工具，不是替代品；责任永远在人身上
07 // DIGITAL TWIN × EMBODIED AI
虚拟训练 真实执行
教学团队以数据为基石：数字孪生造数据，具身智能去执行
08 // LLM SCALE × EMERGENT ABILITY
规模变大 能力涌现
参数与数据跨过规模门槛，能力从单项走向通用
09 // CHAPTER RECAP · FIVE KEY QUESTIONS
第一章 路线图
图灵测试
用可观察行为判断机器是否“像在思考”。
三次浪潮
从写规则到让机器从数据中学规律。
四层关系
AI、ML、DL 与大模型是逐层包含关系。
能力边界
模式任务很强；常识、价值与责任仍在人。
数据落地
数字孪生造数据，具身智能进入物理世界。
定义、浪潮、层级、边界与虚实落地，串成一条 AI 认知线
KNOWLEDGE CHECK
单选题 · 10题
得分: 0/10
TRUE OR FALSE
判断题 · 5题
1人工智能的概念最早出现在 21 世纪。
2深度学习之所以叫"深"，是因为它的神经网络有很多层。
3大模型和传统深度学习模型在能力上没有本质区别，只是参数多一点而已。
4教学团队的"具身智能"业务是指让 AI 拥有物理身体，能在真实世界中控制机器人完成任务。
5如果 AI 给错了答案，应该由 AI 开发者或使用者承担责任，而不是 AI 本身。
判断题得分: 0/5