人工智能的工作原理第2章人工智能的核心是讓機器模仿人類的智能行為，使機器具備感知、思考、決策甚至是自我學習的能力，為人類解決一系列問題。要想深度理解人工智能，首先需要對其工作原理有所了解，明白人工智能依靠什么來獲得相應的能力，又是如何來完成相應的任務。本章主要介紹數據、算力、算法對人工智能的重要作用與影響，機器學習的原理與學習類型，人工智能大模型的開發過程、類型，以及人工智能工具提示的設計技巧。人工智能的燃料之源：

數據人工智能的智慧之源：

算法人工智能的動力引擎：

算力人工智能的技術邏輯：

機器學習01020304目錄CONTENTS人工智能完成任務的工具：

人工智能大模型0501人工智能的燃料之源：

數據數據被稱為人工智能的燃料，是人工智能進行學習和迭代優化的基礎。通過機器學習和深度學習技術，人工智能能夠從大量數據中提取模式、規律和決策邏輯，沒有數據，人工智能就無法學習和迭代優化，再先進的算法和算力也無法發揮其應有的價值。2.1.1數據的作用數據是人工智能

學習的基礎01數據支持人工智能

進行預測02數據推動人工智能

迭代優化032.1.2數據對人工智能的影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果某地區種植結構識別分析數據的質量

對人工智能的

影響2.1.2數據對人工智能的影響數據的多樣性

對人工智能的

影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果提升人工智能模型的準確性增強人工智能模型的魯棒性更好地滿足不同領域的需求滿足個性化需求推動人工智能模型創新數據的質量

對人工智能的

影響2.1.2數據對人工智能的影響數據的多樣性

對人工智能的

影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果提升人工智能模型的準確性增強人工智能模型的魯棒性更好地滿足不同領域的需求滿足個性化需求推動人工智能模型創新數據的質量

對人工智能的

影響2.1.2數據對人工智能的影響數據的多樣性

對人工智能的

影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果提升人工智能模型的準確性增強人工智能模型的魯棒性更好地滿足不同領域的需求滿足個性化需求推動人工智能模型創新數據的質量

對人工智能的

影響2.1.2數據對人工智能的影響數據的多樣性

對人工智能的

影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果提升人工智能模型的準確性增強人工智能模型的魯棒性更好地滿足不同領域的需求滿足個性化需求推動人工智能模型創新決定人工智能模型學習效果影響人工智能模型性能優化效率影響人工智能模型的準確性影響人工智能模型的穩定性影響人工智能模型的應用效果數據標注數據標注的準

確性對人工智能的影響數據的質量

對人工智能的

影響2.1.2數據對人工智能的影響數據的數量

對人工智能的影響數據的合規性對人工智能的影響大量的數據為人工智能模型提供了豐富的學習素材。豐富的數據有助于提高人工智能模型的準確性和穩定性。合規的數據處理過程有助于確保人工智能系統的決策是可解釋的，并且不會對人類造成傷害。開發者在采集和使用數據時必須遵守隱私保護、數據安全和反歧視等要求。數據的多樣性

對人工智能的

影響影響人工智能模型的準確性影響人工智能模型可靠性影響人工智能模型的性能和效率制約人工智能模型的泛化能力影響人工智能系統的應用效果提升人工智能模型的準確性增強人工智能模型的魯棒性更好地滿足不同領域的需求滿足個性化需求推動人工智能模型創新決定人工智能模型學習效果影響人工智能模型性能優化效率影響人工智能模型的準確性影響人工智能模型的穩定性影響人工智能模型的應用效果數據標注的準

確性對人工智能的影響數據的質量

對人工智能的

影響2.1.3人工智能涉及的數據類型2.1.4數據的采集方式使用網絡爬蟲抓取數據01使用傳感器采集數據02通過開放API獲取數據03購買數據集04通過數據庫查詢數據05通過用戶交互獲取數據06使用數據分析工具獲取數據0702人工智能的動力引擎：

算力算力是計算機通過處理數據，實現特定結果輸出的計算能力。算力是支撐人工智能算法運行和數據處理的基礎資源。人工智能的不斷發展使其對算力的需求也在不斷增加。2.2.1算力的作用支持人工智能模型的訓練與推理01決定人工智能應用的性能和效率02高算力推動技術創新03高算力加速人工智能技術的普及和應用042.2.2算力的類型基礎

算力1智算算力2超算

算力3基礎算力是由中央處理器（CPU）芯片的服務器所提供的算力，是最基本的計算能力。基礎算力具有廣泛的適用性，能夠滿足日常辦公、網頁瀏覽、文件處理、移動計算及物聯網等常規應用場景的基本計算需求。智算算力主要是基于GPU、FPGA、ASIC等AI芯片的加速計算平臺提供的算力，主要用于人工智能的訓練和推理計算，是推動人工智能發展和應用的關鍵算力類型。超算算力是由超級計算機之類的高性能計算集群所提供的算力，是一種強大的計算能力。超算算力主要用于尖端科學研究、工程模擬、氣象預報、藥物研發、航空航天等對計算能力要求極高的領域。2.2.3人工智能算力的構成03人工智能的智慧之源：

算法算法（Algorithm）是指解題方案的準確而完整的描述，是解決問題的一系列清晰指令。這些指令通常由計算機執行，用于計算、數據處理、自動推理和決策制定等任務。2.3.1算法的作用推動人工智能技術進步03拓寬人工智能的應用領域04保障智能行為的實現01支持數據處理與分析022.3.2人工智能領域的常用算法04人工智能的技術邏輯：機器學習機器學習是人工智能的核心技術之一，它使計算機能夠從數據中學習規律、模式和趨勢，從而具備一定的智能決策和預測能力。2.4.1機器學習的原理人類學習

與機器學習的原理2.4.1機器學習的原理機器學習識別動物的原理2.4.2機器學習的學習類型簡單來說，監督學習就是利用標記數據對模型進行訓練，使模型能夠預測新數據的標簽。監督學習01在無監督學習中，數據沒有預先定義的輸出標簽或目標值，算法的目的是從數據本身的結構、分布等特性中挖掘信息，發現數據中的規律、模式或者對數據進行分組等操作。無監督學習02正方形積木紅色積木無監督學習積木分類2.4.2機器學習的學習類型簡單來說，監督學習就是利用標記數據對模型進行訓練，使模型能夠預測新數據的標簽。監督學習01在無監督學習中，數據沒有預先定義的輸出標簽或目標值，算法的目的是從數據本身的結構、分布等特性中挖掘信息，發現數據中的規律、模式或者對數據進行分組等操作。無監督學習02半監督學習結合了監督學習和無監督學習的特點，它利用少量的標注數據和大量的未標注數據來進行學習。半監督學習03強化學習是智能體通過與環境的交互，學習如何采取行動以獲得最大化的獎勵。強化學習包括智能體、環境、狀態、動作、獎勵、策略等要素。強化學習04機器人走迷宮05人工智能完成任務的

工具：人工智能大模型人工智能大模型是指擁有超大規模參數（通常在十億個以上）、復雜計算結構的機器學習模型。它通常能夠處理海量數據，完成各種復雜任務，如自然語言處理、圖像識別等。隨著人工智能技術的迅猛發展，人工智能大模型成為引領人工智能技術發展和應用的主要方向。2.5.1人工智能大模型的開發過程訓練環節目標實施細節預訓練構建一個能夠理解各類數據的通用模型通過在大規模未標注的數據集上進行學習，來獲取語言、圖像或其他類型數據的規律和潛在結構，從而構建一個能夠理解各類數據的通用模型監督微調讓預訓練環節的通用模型適應特定任務①將預訓練環節得到的通用模型應用到特定任務中，通過在特定領域的帶標簽的數據集上對通用模型進行微調，讓通用模型學習特定任務的輸出模式②在通用模型的基礎上添加額外的輸出層并使用監督學習策略，調整通用模型的參數，以使預測錯誤達到最小化獎勵模型訓練建立獎勵模型，為模型的行為制定評價標準采用人工或自動化的方法，使用合理的獎勵函數，建立獎勵模型，為模型的輸出內容分配分數，引導模型產生更高質量的輸出增強學習微調通過模型與環境的互動，不斷優化模型的性能模型在特定環境中進行試錯學習，根據獎勵模型做出的反饋，模型不斷調整決策策略，提升性能訓練大模型各個環節的目標和實施細節2.5.2人工智能大模型的類型分類維度類型說明按照模型架構劃分深度神經網絡模型包括多層感知機、卷積神經網絡模型、循環神經網絡模型、長短期記憶網絡模型等Transformer模型基于自注意力機制，能夠高效地處理序列數據，應用場景包括自然語言處理、計算機視覺、語音識別等領域。例如BERT、GPT系列、Transformer-XL等，此類模型具有強大的并行計算能力，可以高效地處理大規模數據，并且能夠捕捉輸入數據中的長距離依賴關系圖神經網絡模型適用于處理圖結構數據，如社交網絡、知識圖譜等。圖中的節點和邊可以表示不同的實體和它們之間的關系，圖神經網絡模型可以學習到圖的結構信息和節點的特征信息，用于完成節點分類、鏈路預測、圖的生成等任務按照學習范式劃分監督學習模型需要大量的標注數據進行訓練，學習輸入數據和對應的輸出標簽之間的映射關系，常見的應用領域如人臉識別、語音識別、圖像分類等無監督學習模型不需要標注數據，通過對大量未標注數據的學習，發現數據中的內在結構和模式半監督學習模型結合有標注和無標注數據進行訓練，利用少量的標注數據提供的監督信息和大量的未標注數據中的隱含信息，提升模型的性能和泛化能力強化學習模型通過與環境的交互來學習最優策略，智能體根據環境的狀態執行動作，并獲得相應的獎勵或懲罰，然后根據這些反饋不斷調整自己的策略，以獲得最大化的獎勵。此類模型在機器人控制、游戲智能體、自動駕駛等領域有廣泛的應用人工智能大模型常見的分類方式及其對應的類型2.5.2人工智能大模型的類型人工智能大模型常見的分類方式及其對應的類型分類維度類型說明按照應用領域劃分自然語言處理模型主要用于處理文本相關的任務，如機器翻譯、文本摘要、情感分析、智能問答、文本生成等。例如OpenAI的GPT系列、Google的BERT等都是非常著名的自然語言處理大模型，它們能夠理解和生成人類語言，為人們提供各種語言相關的服務計算機視覺模型用于處理圖像和視頻數據，包括圖像分類、目標檢測、圖像分割、圖像生成、視頻內容理解等任務。例如DeepMind的DALL-E，它能根據文本描述生成高質量的圖像語音識別模型將語音信號轉換為文本，或者進行說話人識別等任務，適用于語音輸入、語音翻譯等場景多模態模型能夠處理多種類型的數據（如文本、圖像、音頻等），實現跨模態的信息融合和推理2.5.3國內常見的人工智能工具人工智能大模型人工智能工具文心一言文心一言文心一格文心一格豆包豆包通義千問通義千問訊飛星火訊飛星火天工天工AI國內常見的人工智能大模型及其對應的人工智能工具2.5.3國內常見的人工智能工具文心一言首頁文心一言2.5.3國內常見的人工智能工具文心一言智能體廣場文心一言2.5.3國內常見的人工智能工具文心一格AI創作頁面文心一格2.5.3國內常見的人工智能工具豆包功能列表頁面豆包2.5.3國內常見的人工智能工具通義千問對話頁面通義千問2.5.3國內常見的人工智能工具通義千問工具箱頁面通義千問2.5.3國內常見的人工智能工具訊飛星火對話頁面訊飛星火2.5.3國內常見的人工智能工具天工AI簡潔的搜索頁面天工AI2.5.3國內常見的人工智能工具天工AI寶典廣場頁面天工AI2.5.4人工智能工具提示的設計明確任務或需求01設置限制條件02限制條件說明提示示例限制主題指出生成內容的主題或范圍“介紹人工智能的基本概念”“介紹人工智能技術對就業的影響”限制角色指定特定的角色或身份“你是一位旅游規劃師”限制場景描述具體的場景或情境“假設我們正在為一個五口之家規劃一次秋季露營旅行”限制格式明確指出格式要求“請采用Markdown格式寫一個產品介紹，包括產品名稱、功能、價格和用戶評價，并且每個部分用一個小標題分開”限制篇幅明確規定字數范圍、段落數量、回答的長度等“寫一篇500-600字的關于電影《×××》的影評”限制時間限定時間范圍，以獲得特定時間段內的信息“基于2020年到2024年的數據進行分析”限制領域限制回答內容的領域“說明人工智能對醫學領域產生的影響”限制語言風格指出使用特定的語言風格“用幽默風趣的風格寫一篇旅游攻略”“以學術嚴謹的風格總結這個研究報告”限制