优化第1章导论：修复格式、统一标题层级、重组篇章结构

- 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 <noreply@anthropic.com>

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。
+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。
 
 ---
 
-## 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
 
-  --------------------------------------------------
+## 1.3 案例引入：Amazon Go
-  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
+### 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
+### 1. AIGC（AI-Generated Content）
-
-**2024**：具身智能、端侧AI加速落地
-
-# AI四大赛道
-
-## 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 |
-  领域       AI应用               成熟度
+|------|---------|--------|
-  ---------- -------------------- --------
+| 建筑设计 | 图纸生成、方案优化 | 中 |
-  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
+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？
-## 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
 
 ---
 
-# 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
+**时期**：1950s – 1980s
-
-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
 
 **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``               │`\
+│                         应用层                                │
-`├─────────────────────────────────────────────────────────────┤`\
+│    AIGC  │  Agent  │  AI4S  │  AIED  │  空间智能              │
-`│                       ``模型层``                                   │`\
+├─────────────────────────────────────────────────────────────┤
-`│   Diffusion  │  Transformer  │  GNN  │  CNN  │  MLP           │`\
+│                         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``         │`\
+│                         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``                 │`\
+│                         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 |
-  时代    代表技术      突破点
+|------|----------|--------|
-  ------- ------------- --------------------
+| 1980s | MLP | 万能逼近定理 |
-  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
+### 什么是 Scaling Law
-
-  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
 
 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
+- 在现有规模下，性能提升仍在继续
-
-#### 3.没有看到天花板
-
-o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
+## 1.12 从函数式视角看 AI 演进
-
-**算力需求**：AI发展依赖硬件进步
-
-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`\
+| Excel | 神经网络 |
-`    │`\
+|-------|----------|
-`    ▼`\
+| y = ax + b | 单层感知机 |
-`┌─────────┐`\
+| y = a₁x₁ + a₂x₂ + b | 多输入神经元 |
-`│  f₁(x)  │  ``第一层函数：特征提取`\
+| 嵌套 IF 函数 | 多层网络 |
-`└─────────┘`\
+| 宏函数 | 自动微分 |
-`    │`\
-`    ▼`\
-`┌─────────┐`\
-`│  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`
 
-从Excel到神经网络
+## 1.13 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？
-  Excel                 神经网络
+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 = 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
-  ------------------------------------
-
-## 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 |
-  中文                   英文                              说明
+|------|------|------|
-  ---------------------- --------------------------------- ----------------------------
+| 生成式 AI | AIGC | AI-Generated Content |
-  万能逼近定理           Universal Approximation Theorem   神经网络表达能力的理论保证
+| 智能体 | Agent | 自主决策系统 |
-
+| AI for Science | AI4S | AI 驱动科学研究 |
-  缩放定律               Scaling Law                       模型性能与规模的关系
+| AI in Education | AIED | AI 教育应用 |
-
+| 传感器融合 | Sensor Fusion | 多传感器数据整合 |
-  前馈网络               Feed-Forward Network              信息单向传播的神经网络
+| 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 |
-  多层感知机             MLP                               Multi-Layer Perceptron
+| 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
+| 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)
+- [Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361)
-
+- [Universal Approximation Theorem](https://en.wikipedia.org/wiki/Universal_approximation_theorem)
-[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)
-[The Evolution of AI: A Historical Perspective](https://www.nature.com/articles/s41586-023-06221-x)