From af083069d05410ca4ed473bb45d0790132b98596 Mon Sep 17 00:00:00 2001 From: pengxiao Date: Wed, 29 Apr 2026 15:22:14 +0800 Subject: [PATCH] =?UTF-8?q?=E4=BC=98=E5=8C=96=E7=AC=AC1=E7=AB=A0=E5=AF=BC?= =?UTF-8?q?=E8=AE=BA=EF=BC=9A=E4=BF=AE=E5=A4=8D=E6=A0=BC=E5=BC=8F=E3=80=81?= =?UTF-8?q?=E7=BB=9F=E4=B8=80=E6=A0=87=E9=A2=98=E5=B1=82=E7=BA=A7=E3=80=81?= =?UTF-8?q?=E9=87=8D=E7=BB=84=E7=AF=87=E7=AB=A0=E7=BB=93=E6=9E=84?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - 修复所有表格为标准 Markdown 格式，项目符号改为标准语法 - ASCII 图表放入正确的代码块，修复反引号嵌套问题 - 统一标题层级为 # → ## → ###，每节编号 1.1–1.13 - 将全文分为"AI与设计的交汇"和"AI范式演进"两大板块 - 合并重复的学习目标、关键术语和延伸阅读 Co-Authored-By: Claude Opus 4.7 --- 01-introduction/01-introduction.md | 496 ++++++++++++++--------------- 1 file changed, 236 insertions(+), 260 deletions(-) diff --git a/01-introduction/01-introduction.md b/01-introduction/01-introduction.md index 06fa2d0..a37af81 100644 --- a/01-introduction/01-introduction.md +++ b/01-introduction/01-introduction.md @@ -1,391 +1,367 @@ -# 第1章：导论 +# 第1章 导论 -本章建立读者对人工智能的宏观认知框架。从AI的发展历程出发，回顾从早期符号主义到深度学习、再到大模型时代的关键技术突破与转折节点；进而梳理AI的范式演进，从感知智能到生成式智能、从单一任务到通用智能的发展脉络，帮助读者理解AI技术的全貌和未来趋势。 - -## 篇章导读 - -人工智能正在深刻改变设计的边界。从自动绘图到智能生成，从数据分析到自主决策，AI技术为设计领域带来了前所未有的可能性。 - -本篇将回答两个核心问题： 1. **AI是什么，它将如何影响设计？** 2. **AI技术是如何演进的，我们应该关注哪些方向？** - -通过本篇学习，你将建立对AI的宏观认知，理解技术发展的脉络，为后续深入学习打下基础。 +本章建立读者对人工智能的宏观认知框架。从 AI 的发展历程出发，回顾从早期符号主义到深度学习、再到大模型时代的关键技术突破与转折节点；进而梳理 AI 的范式演进，从感知智能到生成式智能、从单一任务到通用智能的发展脉络，帮助读者理解 AI 技术的全貌和未来趋势。 --- -## 学习目标 +## 1.1 篇章导读 -了解AI技术发展的关键时间节点 +人工智能正在深刻改变设计的边界。从自动绘图到智能生成，从数据分析到自主决策，AI 技术为设计领域带来了前所未有的可能性。 -理解AI四大赛道及其应用场景 +本篇将回答两个核心问题： -掌握设计领域AI应用的现状与趋势 +1. **AI 是什么，它将如何影响设计？** +2. **AI 技术是如何演进的，我们应该关注哪些方向？** -# Amazon Go：AI赋能的典型案例 +通过本篇学习，你将建立对 AI 的宏观认知，理解技术发展的脉络，为后续深入学习打下基础。 -## 案例背景 +## 1.2 学习目标 -Amazon Go是亚马逊推出的无人便利店，通过计算机视觉和传感器融合技术，实现"拿了就走"的购物体验。 +- 了解 AI 技术发展的关键时间节点 +- 理解 AI 四大赛道及其应用场景 +- 掌握设计领域 AI 应用的现状与趋势 +- 理解 AI 范式的三次演进 +- 掌握万能逼近定理的直观意义 +- 建立神经网络技术栈的完整认知 +- 理解 Scaling Law 与模型规模效应 -## 技术要素 +--- -Amazon Go的AI技术栈融合了多项前沿技术： +# 第一部分：AI 与设计的交汇 - -------------------------------------------------- - 技术 作用 应用场景 - ------------ ---------------- -------------------- - 5G通信 低延迟数据传输 实时视频流处理 +## 1.3 案例引入：Amazon Go - 3D传感器 深度信息获取 空间定位与手势识别 +### 案例背景 - 计算机视觉 图像理解 商品识别、行为分析 +Amazon Go 是亚马逊推出的无人便利店，通过计算机视觉和传感器融合技术，实现"拿了就走"的购物体验。这一案例展示了多种 AI 技术如何协同工作，共同重构一个完整的线下场景。 - 传感器融合 多源数据整合 精确定位与跟踪 - -------------------------------------------------- +### 技术要素 -## 启示 +Amazon Go 的 AI 技术栈融合了多项前沿技术： -Amazon Go展示了AI技术如何重构传统场景。从"扫码支付"到"拿了就走"，AI让交互变得更加自然。 +| 技术 | 作用 | 应用场景 | +|------|------|----------| +| 5G 通信 | 低延迟数据传输 | 实时视频流处理 | +| 3D 传感器 | 深度信息获取 | 空间定位与手势识别 | +| 计算机视觉 | 图像理解 | 商品识别、行为分析 | +| 传感器融合 | 多源数据整合 | 精确定位与跟踪 | -# AI赋能的时间线：2016-2024 +### 启示 -## 第一阶段：觉醒期 (2016-2018) +Amazon Go 展示了 AI 技术如何重构传统场景。从"扫码支付"到"拿了就走"，AI 让交互变得更加自然。这个案例也说明，设计领域中许多看似复杂的环境感知与交互问题，都可以通过多技术的组合来加以解决。 -**2016**：AlphaGo击败李世石，AI进入公众视野 +## 1.4 AI 发展时间线（2016–2024） -**2017**：Transformer架构诞生，为大模型时代奠基 +### 第一阶段：觉醒期（2016–2018） -**2018**：BERT预训练模型问世，NLP任务取得突破 +- **2016**：AlphaGo 击败李世石，AI 进入公众视野 +- **2017**：Transformer 架构诞生，为大模型时代奠基 +- **2018**：BERT 预训练模型问世，NLP 任务取得突破 -## 第二阶段：爆发期 (2019-2022) +### 第二阶段：爆发期（2019–2022） -**2019**：GPT-2展示强大的文本生成能力 +- **2019**：GPT-2 展示强大的文本生成能力 +- **2020**：GPT-3 发布，少样本学习能力震惊业界 +- **2022**：ChatGPT 发布，AI 对话能力达到新高度 -**2020**：GPT-3发布，少样本学习能力震惊业界 +### 第三阶段：应用期（2023–2024） -**2022**：ChatGPT发布，AI对话能力达到新高度 +- **2023**：多模态大模型、AI Agent 概念兴起 +- **2024**：具身智能、端侧 AI 加速落地 -## 第三阶段：应用期 (2023-2024) +## 1.5 AI 四大赛道 -**2023**：多模态大模型、AI Agent概念兴起 - -**2024**：具身智能、端侧AI加速落地 - -# AI四大赛道 - -## 1. AIGC (AI-Generated Content) +### 1. AIGC（AI-Generated Content） **定义**：人工智能生成内容 -**应用领域**： - 文本生成：文章、报告、代码 - 图像生成：设计稿、效果图、图标 - 视频生成：短视频、动画、特效 - 音频生成：音乐、配音、音效 +**应用领域**： + +- 文本生成：文章、报告、代码 +- 图像生成：设计稿、效果图、图标 +- 视频生成：短视频、动画、特效 +- 音频生成：音乐、配音、音效 **设计影响**：从"工具辅助"到"生成伙伴" -## 2. Agent (智能体) +### 2. Agent（智能体） **定义**：能够自主感知、规划、执行的系统 -**核心能力**： - 感知 (Perception)：理解环境信息 - 规划 (Planning)：制定行动方案 - 记忆 (Memory)：存储和检索经验 - 工具 (Tool Use)：调用外部资源 +**核心能力**： + +- **感知（Perception）**：理解环境信息 +- **规划（Planning）**：制定行动方案 +- **记忆（Memory）**：存储和检索经验 +- **工具（Tool Use）**：调用外部资源 **设计影响**：从"被动执行"到"主动协作" -## 3. AI4S (AI for Science) +### 3. AI4S（AI for Science） -**定义**：AI驱动科学发现 +**定义**：AI 驱动科学发现 -**应用领域**： - 蛋白质结构预测 (AlphaFold) - 材料科学计算 - 气候变化模拟 - 城市系统优化 +**应用领域**： + +- 蛋白质结构预测（AlphaFold） +- 材料科学计算 +- 气候变化模拟 +- 城市系统优化 **设计影响**：数据驱动的设计决策 -## 4. AIED (AI in Education) +### 4. AIED（AI in Education） -**定义**：AI在教育领域的应用 +**定义**：AI 在教育领域的应用 -**应用场景**： - 个性化学习路径 - 智能答疑与辅导 - 学习行为分析 - 知识图谱构建 +**应用场景**： + +- 个性化学习路径 +- 智能答疑与辅导 +- 学习行为分析 +- 知识图谱构建 **设计影响**：设计教育与人才培养模式变革 -# 设计领域AI应用趋势 +## 1.6 设计领域 AI 应用趋势 -## 当前应用 +### 当前应用 - ---------------------------------------- - 领域 AI应用 成熟度 - ---------- -------------------- -------- - 建筑设计 图纸生成、方案优化 中 +| 领域 | AI 应用 | 成熟度 | +|------|---------|--------| +| 建筑设计 | 图纸生成、方案优化 | 中 | +| 景观设计 | 场地分析、植被配置 | 中 | +| 室内设计 | 家具布局、风格迁移 | 高 | +| 平面设计 | Logo 生成、排版辅助 | 高 | +| 交互设计 | 用户研究、原型生成 | 低 | - 景观设计 场地分析、植被配置 中 +### 未来趋势 - 室内设计 家具布局、风格迁移 高 +1. **从单点工具到系统化解决方案** +2. **从生成内容到生成决策** +3. **从人机协作到人机共生** - 平面设计 Logo生成、排版辅助 高 +## 1.7 思考与练习 - 交互设计 用户研究、原型生成 低 - ---------------------------------------- - -## 未来趋势 - -1.**从单点工具到系统化解决方案** - -2.**从生成内容到生成决策** - -3.**从人机协作到人机共生** - -# 思考与练习 - -1.选择你熟悉的设计领域，分析AI在该领域的应用现状和潜力 - -2.思考AI四大赛道中，哪一个对你的专业影响最大？为什么？ - -3.Amazon Go案例中，哪些AI技术可以迁移到设计领域？ - -# 关键术语 - - -------------------------------------------------------- - 中文 英文 说明 - ----------------- --------------- ---------------------- - 生成式AI AIGC AI-Generated Content - - 智能体 Agent 自主决策系统 - - AI for Science AI4S AI驱动科学研究 - - AI in Education AIED AI教育应用 - - 传感器融合 Sensor Fusion 多传感器数据整合 - -------------------------------------------------------- - -# 延伸阅读 - -[Amazon Go技术解析](https://amazon.go/technology) - -[AIGC产业发展报告](https://www.caict.ac.cn/) - -[AI Agent综述论文](https://arxiv.org/pdf/2308.11432v2) \# 00.2 AI范式演进 +1. 选择你熟悉的设计领域，分析 AI 在该领域的应用现状和潜力。 +2. 思考 AI 四大赛道中，哪一个对你的专业影响最大？为什么？ +3. Amazon Go 案例中，哪些 AI 技术可以迁移到设计领域？ --- -# 学习目标 +# 第二部分：AI 范式演进 -理解AI范式的三次演进 +## 1.8 AI 范式的三次演进 -掌握万能逼近定理的直观意义 +### 第一范式：规则系统（Symbolic AI） -建立神经网络技术栈的完整认知 - -理解Scaling Law与模型规模效应 - -# AI范式的三次演进 - -## 第一范式：规则系统 (Symbolic AI) - -**时期**：1950s - 1980s +**时期**：1950s – 1980s **核心思想**：人类专家编写规则 -**特点**： - 逻辑推理清晰 - 知识表达明确 - 泛化能力弱 +**特点**： + +- 逻辑推理清晰 +- 知识表达明确 +- 泛化能力弱 **典型应用**：专家系统、棋类游戏 -## 第二范式：机器学习 (Machine Learning) +### 第二范式：机器学习（Machine Learning） -**时期**：1990s - 2010s +**时期**：1990s – 2010s **核心思想**：从数据中学习规律 -**特点**： - 数据驱动 - 特征工程依赖专家经验 - 任务特定 +**特点**： + +- 数据驱动 +- 特征工程依赖专家经验 +- 任务特定 **典型应用**：推荐系统、图像分类、语音识别 -## 第三范式：深度学习 (Deep Learning) +### 第三范式：深度学习（Deep Learning） -**时期**：2012 - 至今 +**时期**：2012 – 至今 **核心思想**：端到端学习，自动提取特征 -**特点**： - 大数据驱动 - 自动特征学习 - 迁移学习能力强 +**特点**： -**典型应用**：大语言模型、生成式AI、自动驾驶 +- 大数据驱动 +- 自动特征学习 +- 迁移学习能力强 -# 万能逼近定理 +**典型应用**：大语言模型、生成式 AI、自动驾驶 -## 定理表述 +## 1.9 万能逼近定理 -**Universal Approximation Theorem (1989)**： +### 定理表述 -一个具有足够多神经元的单隐藏层前馈神经网络，可以以任意精度逼近任何连续函数。 +**Universal Approximation Theorem（1989）**：一个具有足够多神经元的单隐藏层前馈神经网络，可以以任意精度逼近任何连续函数。 -## 直观理解 +### 直观理解 -想象一张橡皮膜： - 输入空间是平面上的点 - 神经网络调整膜的形状 - 神经元越多，膜的形变能力越强 - 最终可以拟合任意复杂的曲面 +想象一张橡皮膜： -## 启示 +- 输入空间是平面上的点 +- 神经网络调整膜的形状 +- 神经元越多，膜的形变能力越强 +- 最终可以拟合任意复杂的曲面 -这个定理告诉我们：**神经网络具有强大的表达能力，理论上可以学习任何复杂的映射关系**。 +### 启示 -这也是深度学习能够处理图像、语言、语音等复杂任务的数学基础。 +这个定理告诉我们：**神经网络具有强大的表达能力，理论上可以学习任何复杂的映射关系**。这也是深度学习能够处理图像、语言、语音等复杂任务的数学基础。 -# 神经网络技术栈全景 +## 1.10 神经网络技术栈全景 -`┌─────────────────────────────────────────────────────────────┐`\ -`│ ``应用层`` │`\ -`│ AIGC │ Agent │ AI4S │ AIED │ ``空间智能`` │`\ -`├─────────────────────────────────────────────────────────────┤`\ -`│ ``模型层`` │`\ -`│ Diffusion │ Transformer │ GNN │ CNN │ MLP │`\ -`├─────────────────────────────────────────────────────────────┤`\ -`│ ``算法层`` │`\ -`│ ``反向传播`` │ ``注意力机制`` │ ``卷积`` │ ``池化`` │ ``激活函数`` │`\ -`├─────────────────────────────────────────────────────────────┤`\ -`│ ``数学层`` │`\ -`│ ``微积分`` │ ``线性代数`` │ ``概率论`` │ ``优化理论`` │`\ -`└─────────────────────────────────────────────────────────────┘` +``` +┌─────────────────────────────────────────────────────────────┐ +│ 应用层 │ +│ AIGC │ Agent │ AI4S │ AIED │ 空间智能 │ +├─────────────────────────────────────────────────────────────┤ +│ 模型层 │ +│ Diffusion │ Transformer │ GNN │ CNN │ MLP │ +├─────────────────────────────────────────────────────────────┤ +│ 算法层 │ +│ 反向传播 │ 注意力机制 │ 卷积 │ 池化 │ 激活函数 │ +├─────────────────────────────────────────────────────────────┤ +│ 数学层 │ +│ 微积分 │ 线性代数 │ 概率论 │ 优化理论 │ +└─────────────────────────────────────────────────────────────┘ +``` -## 技术演进路径 +### 技术演进路径 - ------------------------------------------ - 时代 代表技术 突破点 - ------- ------------- -------------------- - 1980s MLP 万能逼近定理 +| 时代 | 代表技术 | 突破点 | +|------|----------|--------| +| 1980s | MLP | 万能逼近定理 | +| 1990s | CNN | 局部连接、权重共享 | +| 2000s | RNN/LSTM | 序列建模 | +| 2010s | GNN | 图结构数据 | +| 2017 | Transformer | Self-Attention | +| 2020s | Diffusion | 生成质量突破 | - 1990s CNN 局部连接、权重共享 +### 模型家族关系 - 2000s RNN/LSTM 序列建模 +``` +MLP（多层感知机） + │ + ┌──────────────┼──────────────┐ + │ │ │ + CNN GNN RNN + （空间数据） （图数据） （序列数据） + │ │ │ + └──────────────┼──────────────┘ + │ + Transformer + │ + ┌──────────────┼──────────────┐ + │ │ │ + GPT 系列 BERT Diffusion + （生成式） （理解式） （图像生成） +``` - 2010s GNN 图结构数据 +## 1.11 Scaling Law：规模即智能 - 2017 Transformer Self-Attention - - 2020s Diffusion 生成质量突破 - ------------------------------------------ - -## 模型家族关系 - -`MLP (``多层感知机``)`\ -` │`\ -` ┌──────────────┼──────────────┐`\ -` │ │ │`\ -` CNN GNN RNN`\ -` (``空间数据``) (``图数据``) (``序列数据``)`\ -` │ │ │`\ -` └──────────────┼──────────────┘`\ -` │`\ -` Transformer`\ -` │`\ -` ┌──────────────┼──────────────┐`\ -` │ │ │`\ -` GPT``系列`` BERT Diffusion`\ -` (``生成式``) (``理解式``) (``图像生成``)` - -# Scaling Law：规模即智能 - -## 什么是Scaling Law +### 什么是 Scaling Law Scaling Law（缩放定律）描述了模型性能与计算量、数据量、参数量之间的关系： **模型性能 ≈ f(计算量, 数据量, 参数量)** -## 核心发现 +### 核心发现 -### 1.性能随规模对数增长 +**1. 性能随规模对数增长** -o模型越大，性能越好 +- 模型越大，性能越好 +- 增长是可预测的 -o增长是可预测的 +**2. 计算效率最关键** -#### 2.计算效率最关键 +- 计算量增加 10 倍 → 性能提升约 1.5 倍 +- 数据量和参数量也有类似规律 -o计算量增加10倍 → 性能提升约1.5倍 +**3. 没有看到天花板** -o数据量和参数量也有类似规律 - -#### 3.没有看到天花板 - -o在现有规模下，性能提升仍在继续 +- 在现有规模下，性能提升仍在继续 ### 启示 -**大模型时代**：规模成为竞争壁垒 +- **大模型时代**：规模成为竞争壁垒 +- **数据为王**：高质量数据比模型架构更重要 +- **算力需求**：AI 发展依赖硬件进步 -**数据为王**：高质量数据比模型架构更重要 - -**算力需求**：AI发展依赖硬件进步 - -从函数式视角看AI演进 +## 1.12 从函数式视角看 AI 演进 ### 核心理念 **"Functions Describe the World"（函数描述世界）** -物理定律：F = ma +- 物理定律：F = ma +- 经济规律：Supply = Demand(Price) +- 神经网络：y = f(x; θ) -经济规律：Supply = Demand(Price) +### AI 即函数组合 -神经网络：y = f(x; θ) +``` +输入数据 x + │ + ▼ +┌─────────┐ +│ f₁(x) │ 第一层函数：特征提取 +└─────────┘ + │ + ▼ +┌─────────┐ +│ f₂(h) │ 第二层函数：模式识别 +└─────────┘ + │ + ▼ +┌─────────┐ +│ f₃(z) │ 第三层函数：决策输出 +└─────────┘ + │ + ▼ +输出 y +``` -### AI即函数组合 +### 从 Excel 到神经网络 -`输入数据`` x`\ -` │`\ -` ▼`\ -`┌─────────┐`\ -`│ f₁(x) │ ``第一层函数：特征提取`\ -`└─────────┘`\ -` │`\ -` ▼`\ -`┌─────────┐`\ -`│ f₂(h) │ ``第二层函数：模式识别`\ -`└─────────┘`\ -` │`\ -` ▼`\ -`┌─────────┐`\ -`│ f₃(z) │ ``第三层函数：决策输出`\ -`└─────────┘`\ -` │`\ -` ▼`\ -`输出`` y` +| Excel | 神经网络 | +|-------|----------| +| y = ax + b | 单层感知机 | +| y = a₁x₁ + a₂x₂ + b | 多输入神经元 | +| 嵌套 IF 函数 | 多层网络 | +| 宏函数 | 自动微分 | -从Excel到神经网络 +## 1.13 思考与练习 - ------------------------------------ - Excel 神经网络 - --------------------- -------------- - y = ax + b 单层感知机 +1. 万能逼近定理告诉我们神经网络"能"做任何事，但没有说"如何"高效学习。这个区别意味着什么？ +2. Scaling Law 是否意味着"越大越好"？在资源有限的情况下，应该如何权衡？ +3. 从函数式视角理解 AI，对你理解设计问题有何启发？ - y = a₁x₁ + a₂x₂ + b 多输入神经元 - - 嵌套IF函数 多层网络 - - 宏函数 自动微分 - ------------------------------------ - -## 思考与练习 - -1.万能逼近定理告诉我们神经网络"能"做任何事，但没有说"如何"高效学习。这个区别意味着什么？ - -2.Scaling Law是否意味着"越大越好"？在资源有限的情况下，应该如何权衡？ - -3.从函数式视角理解AI，对你理解设计问题有何启发？ +--- ## 关键术语 - ------------------------------------------------------------------------------------- - 中文 英文 说明 - ---------------------- --------------------------------- ---------------------------- - 万能逼近定理 Universal Approximation Theorem 神经网络表达能力的理论保证 - - 缩放定律 Scaling Law 模型性能与规模的关系 - - 前馈网络 Feed-Forward Network 信息单向传播的神经网络 - - 多层感知机 MLP Multi-Layer Perceptron - - 端到端学习 End-to-End Learning 从输入直接学习到输出 - ------------------------------------------------------------------------------------- +| 中文 | 英文 | 说明 | +|------|------|------| +| 生成式 AI | AIGC | AI-Generated Content | +| 智能体 | Agent | 自主决策系统 | +| AI for Science | AI4S | AI 驱动科学研究 | +| AI in Education | AIED | AI 教育应用 | +| 传感器融合 | Sensor Fusion | 多传感器数据整合 | +| 万能逼近定理 | Universal Approximation Theorem | 神经网络表达能力的理论保证 | +| 缩放定律 | Scaling Law | 模型性能与规模的关系 | +| 前馈网络 | Feed-Forward Network | 信息单向传播的神经网络 | +| 多层感知机 | MLP | Multi-Layer Perceptron | +| 端到端学习 | End-to-End Learning | 从输入直接学习到输出 | ## 延伸阅读 -[Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361) - -[Universal Approximation Theorem](https://en.wikipedia.org/wiki/Universal_approximation_theorem) - -[The Evolution of AI: A Historical Perspective](https://www.nature.com/articles/s41586-023-06221-x) +- [Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361) +- [Universal Approximation Theorem](https://en.wikipedia.org/wiki/Universal_approximation_theorem) +- [The Evolution of AI: A Historical Perspective](https://www.nature.com/articles/s41586-023-06221-x) +- [AI Agent 综述论文](https://arxiv.org/pdf/2308.11432v2)