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

1. 图灵之问

不问“会不会想”，先看“像不像在想”。

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

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

01

机器能像人吗？ 图灵测试

分不清人与机器，即通过测试

关键线索文字对话误判来源通过测试
02

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

关键线索1950s符号推理RULE-BASED1980s
03

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

关键线索AI＝模拟人类智能行为感知决策与行动

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节一 · 机器能像人吗？ 图灵测试”讲解的 ChatGPT 生成教学场景图
教学场景补充 · 小节一 · 机器能像人吗？ 图灵测试

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

BOX.A ? BOX.B ? ? TYPE → TYPE →

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

1950s 符号推理 RULE-BASED 1980s 专家系统 EXPERT SYS 2010s+ 深度学习 · 大模型 DEEP LEARNING WAVE I WAVE II WAVE III 1950 NOW

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

人工智能 = 模拟人类智能行为 感知 PERCEPTION 推理 REASONING 学习 LEARNING

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

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

01

AI 家族层层套娃

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型

关键线索AIARTIFICIAL INTELLIGENCEMLMACHINE LEARNING
02

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

关键线索VS原始数据RAW DATA人工特征

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节二 · AI 家族层层套娃”讲解的 ChatGPT 生成教学场景图
教学场景补充 · 小节二 · AI 家族层层套娃

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 ARTIFICIAL INTELLIGENCE ML MACHINE LEARNING DL DEEP LEARNING LLM LARGE LANGUAGE MODEL AI ⊃ ML ⊃ DL ⊃ LLM

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

VS 原始数据 RAW DATA 人工特征 HAND-CRAFTED 模型输出 OUTPUT 人工特征工程 NEEDS DOMAIN EXPERT 原始数据 RAW DATA 自动特征 AUTO-LEARNED 模型输出 OUTPUT 自动特征学习 END-TO-END NEURAL NET

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

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

01

AI 能做也有边界

AI 是工具，不是替代品；责任永远在人身上

关键线索擅长 CAN DOSTRENGTHS文本总结SUMMARIZATION
02

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

关键线索虚拟驾校DIGITAL TWIN模拟训练 1000h+物理机器人
03

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

关键线索传统 DL 模型TRADITIONALSCALE · 规模几百万~几千万参数

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节三 · AI 能做也有边界”讲解的 ChatGPT 生成教学场景图
教学场景补充 · 小节三 · AI 能做也有边界

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

擅长 CAN DO STRENGTHS 文本总结 SUMMARIZATION 代码生成 CODE GENERATION 图像创作 IMAGE GENERATION 短板 CANNOT DO LIMITS 常识推理 COMMON SENSE 伦理判断 ETHICAL REASONING 责任承担 ACCOUNTABILITY

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

虚拟驾校 DIGITAL TWIN 模拟训练 1000h+ 物理机器人 EMBODIED AI 真实物理世界执行 训练数据 反馈优化 LOOP 教学团队 · 数据基石

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

传统 DL 模型 TRADITIONAL SCALE · 规模 几百万~几千万参数 ABILITY · 能力 单任务专用 GENERALIZE · 泛化 需重新训练 NARROW AI SCALE ↑ 大模型 GPT-4 / DeepSeek FOUNDATION SCALE · 规模 数百亿~数千亿参数 ABILITY · 能力 涌现：多任务通才 GENERALIZE · 泛化 零样本 / 少样本迁移 GENERAL AI

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