sync(latex): 从 Word 同步第二章和附录内容
- ch02: 第5节重写为"环境-智能体框架"，新增表2.1/2.2和图2.1 - ch01: 补充 Garrity 引用来源 - 全部附录(ap01-ap09)从 Word 重新转换，修复 \sub 等转换错误 - 新增 ch13 结语占位、上下篇分隔页 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
+151
-189
@@ -3,9 +3,10 @@
|
||||
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。
|
||||
|
||||
|
||||
\section{篇章导读}
|
||||
\section*{篇章导读}
|
||||
\addcontentsline{toc}{section}{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。
|
||||
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——同时也带来了前所未有的困惑。
|
||||
|
||||
本篇将回答两个核心问题：
|
||||
|
||||
@@ -20,36 +21,34 @@
|
||||
|
||||
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。
|
||||
|
||||
\section{学习目标}
|
||||
\section*{学习目标}
|
||||
\addcontentsline{toc}{section}{学习目标}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
了解 AI 技术发展的关键时间节点
|
||||
\item
|
||||
理解 AI 四大赛道及其应用场景
|
||||
\item
|
||||
掌握设计领域 AI 应用的现状与趋势
|
||||
\item
|
||||
理解 AI 范式的三次演进
|
||||
\item
|
||||
掌握万能逼近定理的直观意义
|
||||
\item
|
||||
建立神经网络技术栈的完整认知
|
||||
\item
|
||||
理解 Scaling Law 与模型规模效应
|
||||
\item 了解 AI 技术发展的关键时间节点
|
||||
\item 理解 AI 四大赛道及其应用场景
|
||||
\item 掌握设计领域 AI 应用的现状与趋势
|
||||
\item 理解 AI 范式的三次演进
|
||||
\item 掌握万能逼近定理的直观意义
|
||||
\item 建立神经网络技术栈的完整认知
|
||||
\item 理解 Scaling Law 与模型规模效应
|
||||
\end{itemize}
|
||||
|
||||
|
||||
\section{第一部分：AI 与设计的交汇}
|
||||
%% ============================================================
|
||||
%% 第一部分：AI 与设计的交汇
|
||||
%% ============================================================
|
||||
|
||||
\section{案例引入：Amazon Go}
|
||||
\section{AI 与设计的交汇}
|
||||
|
||||
\subsection{案例背景}
|
||||
\subsection{案例引入：Amazon Go}
|
||||
|
||||
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。
|
||||
\subsubsection{案例背景}
|
||||
|
||||
\subsection{技术要素}
|
||||
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，重构一个完整的线下场景。
|
||||
|
||||
\subsubsection{技术要素}
|
||||
|
||||
Amazon Go 的 AI 技术栈融合了多项前沿技术：
|
||||
|
||||
@@ -68,49 +67,55 @@ Amazon Go 的 AI 技术栈融合了多项前沿技术：
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
\subsection{启示}
|
||||
\subsubsection{启示}
|
||||
|
||||
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。
|
||||
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。
|
||||
|
||||
\section{AI 发展时间线（2016--2024）}
|
||||
\subsection{AI 发展时间线}
|
||||
|
||||
\subsection{第一阶段：觉醒期（2016--2018）}
|
||||
\subsubsection{萌芽期（1950s--2015）}
|
||||
|
||||
在深度学习爆发之前，AI 经历了漫长的探索期，积累了关键的理论基础：
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{2016}：AlphaGo 击败李世石，AI 进入公众视野
|
||||
\item
|
||||
\textbf{2017}：Transformer 架构诞生，为大模型时代奠基
|
||||
\item
|
||||
\textbf{2018}：BERT 预训练模型问世，NLP 任务取得突破
|
||||
\item \textbf{1956}：达特茅斯会议，"人工智能"概念正式诞生
|
||||
\item \textbf{1986}：反向传播算法（Backpropagation）被广泛应用，成为训练神经网络的核心方法
|
||||
\item \textbf{1997}：Deep Blue 击败国际象棋世界冠军卡斯帕罗夫
|
||||
\item \textbf{2012}：AlexNet 在 ImageNet 竞赛中大幅领先，深度学习时代开启
|
||||
\end{itemize}
|
||||
|
||||
\subsection{第二阶段：爆发期（2019--2022）}
|
||||
这段历史告诉我们：AI 并非一夜之间爆发，而是几十年理论沉淀与技术迭代的结果。
|
||||
|
||||
\subsubsection{觉醒期（2016--2018）}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{2019}：GPT-2 展示强大的文本生成能力
|
||||
\item
|
||||
\textbf{2020}：GPT-3 发布，少样本学习能力震惊业界
|
||||
\item
|
||||
\textbf{2022}：ChatGPT 发布，AI 对话能力达到新高度
|
||||
\item \textbf{2016}：AlphaGo 击败李世石，AI 进入公众视野
|
||||
\item \textbf{2017}：Transformer 架构诞生，为大模型时代奠基
|
||||
\item \textbf{2018}：BERT 预训练模型问世，NLP 任务取得突破
|
||||
\end{itemize}
|
||||
|
||||
\subsection{第三阶段：应用期（2023--2024）}
|
||||
\subsubsection{爆发期（2019--2022）}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{2023}：多模态大模型、AI Agent 概念兴起
|
||||
\item
|
||||
\textbf{2024}：具身智能、端侧 AI 加速落地
|
||||
\item \textbf{2019}：GPT-2 展示强大的文本生成能力
|
||||
\item \textbf{2020}：GPT-3 发布，少样本学习能力震惊业界
|
||||
\item \textbf{2022}：ChatGPT 发布，AI 对话能力达到新高度
|
||||
\end{itemize}
|
||||
|
||||
\section{AI 四大赛道}
|
||||
\subsubsection{应用期（2023--2024）}
|
||||
|
||||
\subsection{AIGC（AI-Generated Content）}\label{aigcai-generated-content}
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item \textbf{2023}：多模态大模型、AI Agent 概念兴起
|
||||
\item \textbf{2024}：具身智能、端侧 AI 加速落地
|
||||
\end{itemize}
|
||||
|
||||
\subsection{AI 四大赛道}
|
||||
|
||||
\subsubsection{AIGC（AI-Generated Content）}\label{aigcai-generated-content}
|
||||
|
||||
\textbf{定义}：人工智能生成内容
|
||||
|
||||
@@ -118,19 +123,15 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
文本生成：文章、报告、代码
|
||||
\item
|
||||
图像生成：设计稿、效果图、图标
|
||||
\item
|
||||
视频生成：短视频、动画、特效
|
||||
\item
|
||||
音频生成：音乐、配音、音效
|
||||
\item 文本生成：文章、报告、代码
|
||||
\item 图像生成：设计稿、效果图、图标
|
||||
\item 视频生成：短视频、动画、特效
|
||||
\item 音频生成：音乐、配音、音效
|
||||
\end{itemize}
|
||||
|
||||
\textbf{设计影响}：从“工具辅助”到“生成伙伴”
|
||||
\textbf{设计影响}：从"工具辅助"到"生成伙伴"
|
||||
|
||||
\subsection{Agent（智能体）}
|
||||
\subsubsection{Agent（智能体）}
|
||||
|
||||
\textbf{定义}：能够自主感知、规划、执行的系统
|
||||
|
||||
@@ -138,19 +139,15 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{感知（Perception）}：理解环境信息
|
||||
\item
|
||||
\textbf{规划（Planning）}：制定行动方案
|
||||
\item
|
||||
\textbf{记忆（Memory）}：存储和检索经验
|
||||
\item
|
||||
\textbf{工具（Tool Use）}：调用外部资源
|
||||
\item \textbf{感知（Perception）}：理解环境信息
|
||||
\item \textbf{规划（Planning）}：制定行动方案
|
||||
\item \textbf{记忆（Memory）}：存储和检索经验
|
||||
\item \textbf{工具（Tool Use）}：调用外部资源
|
||||
\end{itemize}
|
||||
|
||||
\textbf{设计影响}：从“被动执行”到“主动协作”
|
||||
\textbf{设计影响}：从"被动执行"到"主动协作"
|
||||
|
||||
\subsection{AI4S（AI for Science）}\label{ai4sai-for-science}
|
||||
\subsubsection{AI4S（AI for Science）}\label{ai4sai-for-science}
|
||||
|
||||
\textbf{定义}：AI 驱动科学发现
|
||||
|
||||
@@ -158,19 +155,15 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
蛋白质结构预测（AlphaFold）
|
||||
\item
|
||||
材料科学计算
|
||||
\item
|
||||
气候变化模拟
|
||||
\item
|
||||
城市系统优化
|
||||
\item 蛋白质结构预测（AlphaFold）
|
||||
\item 材料科学计算
|
||||
\item 气候变化模拟
|
||||
\item 城市系统优化
|
||||
\end{itemize}
|
||||
|
||||
\textbf{设计影响}：数据驱动的设计决策
|
||||
|
||||
\subsection{AIED（AI in Education）}\label{aiedai-in-education}
|
||||
\subsubsection{AIED（AI in Education）}\label{aiedai-in-education}
|
||||
|
||||
\textbf{定义}：AI 在教育领域的应用
|
||||
|
||||
@@ -178,21 +171,17 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
个性化学习路径
|
||||
\item
|
||||
智能答疑与辅导
|
||||
\item
|
||||
学习行为分析
|
||||
\item
|
||||
知识图谱构建
|
||||
\item 个性化学习路径
|
||||
\item 智能答疑与辅导
|
||||
\item 学习行为分析
|
||||
\item 知识图谱构建
|
||||
\end{itemize}
|
||||
|
||||
\textbf{设计影响}：设计教育与人才培养模式变革
|
||||
|
||||
\section{设计领域 AI 应用趋势}
|
||||
\subsection{设计领域 AI 应用趋势}
|
||||
|
||||
\subsection{当前应用}
|
||||
\subsubsection{当前应用}
|
||||
|
||||
{\def\LTcaptype{none} % do not increment counter
|
||||
\begin{longtable}[]{@{}lll@{}}
|
||||
@@ -210,38 +199,26 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
\subsection{未来趋势}
|
||||
\subsubsection{未来趋势}
|
||||
|
||||
\begin{enumerate}
|
||||
\def\labelenumi{\arabic{enumi}.}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{从单点工具到系统化解决方案}
|
||||
\item
|
||||
\textbf{从生成内容到生成决策}
|
||||
\item
|
||||
\textbf{从人机协作到人机共生}
|
||||
\end{enumerate}
|
||||
|
||||
\section{思考与练习}
|
||||
|
||||
\begin{enumerate}
|
||||
\def\labelenumi{\arabic{enumi}.}
|
||||
\tightlist
|
||||
\item
|
||||
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。
|
||||
\item
|
||||
思考 AI 四大赛道中，哪一个对你的专业影响最大？为什么？
|
||||
\item
|
||||
Amazon Go 案例中，哪些 AI 技术可以迁移到设计领域？
|
||||
\item \textbf{从单点工具到系统化解决方案}
|
||||
\item \textbf{从生成内容到生成决策}
|
||||
\item \textbf{从人机协作到人机共生}
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
\section{第二部分：AI 范式演进}
|
||||
%% ============================================================
|
||||
%% 第二部分：AI 范式演进
|
||||
%% ============================================================
|
||||
|
||||
\section{AI 范式的三次演进}
|
||||
\section{AI 范式演进}
|
||||
|
||||
\subsection{第一范式：规则系统（Symbolic AI）}
|
||||
\subsection{三次范式演进}
|
||||
|
||||
\subsubsection{第一范式：规则系统（Symbolic AI）}
|
||||
|
||||
\textbf{时期}：1950s -- 1980s
|
||||
|
||||
@@ -251,17 +228,14 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
逻辑推理清晰
|
||||
\item
|
||||
知识表达明确
|
||||
\item
|
||||
泛化能力弱
|
||||
\item 逻辑推理清晰
|
||||
\item 知识表达明确
|
||||
\item 泛化能力弱
|
||||
\end{itemize}
|
||||
|
||||
\textbf{典型应用}：专家系统、棋类游戏
|
||||
|
||||
\subsection{第二范式：机器学习（Machine Learning）}
|
||||
\subsubsection{第二范式：机器学习（Machine Learning）}
|
||||
|
||||
\textbf{时期}：1990s -- 2010s
|
||||
|
||||
@@ -271,17 +245,14 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
数据驱动
|
||||
\item
|
||||
特征工程依赖专家经验
|
||||
\item
|
||||
任务特定
|
||||
\item 数据驱动
|
||||
\item 特征工程依赖专家经验
|
||||
\item 任务特定
|
||||
\end{itemize}
|
||||
|
||||
\textbf{典型应用}：推荐系统、图像分类、语音识别
|
||||
|
||||
\subsection{第三范式：深度学习（Deep Learning）}
|
||||
\subsubsection{第三范式：深度学习（Deep Learning）}
|
||||
|
||||
\textbf{时期}：2012 -- 至今
|
||||
|
||||
@@ -291,43 +262,36 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
大数据驱动
|
||||
\item
|
||||
自动特征学习
|
||||
\item
|
||||
迁移学习能力强
|
||||
\item 大数据驱动
|
||||
\item 自动特征学习
|
||||
\item 迁移学习能力强
|
||||
\end{itemize}
|
||||
|
||||
\textbf{典型应用}：大语言模型、生成式 AI、自动驾驶
|
||||
|
||||
\section{万能逼近定理}
|
||||
\subsection{万能逼近定理}
|
||||
|
||||
\subsection{定理表述}
|
||||
\subsubsection{定理表述}
|
||||
|
||||
\textbf{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。
|
||||
|
||||
\subsection{直观理解}
|
||||
\subsubsection{直观理解}
|
||||
|
||||
想象一张橡皮膜：
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
输入空间是平面上的点
|
||||
\item
|
||||
神经网络调整膜的形状
|
||||
\item
|
||||
神经元越多，膜的形变能力越强
|
||||
\item
|
||||
最终可以拟合任意复杂的曲面
|
||||
\item 输入空间是平面上的点
|
||||
\item 神经网络调整膜的形状
|
||||
\item 神经元越多，膜的形变能力越强
|
||||
\item 最终可以拟合任意复杂的曲面
|
||||
\end{itemize}
|
||||
|
||||
\subsection{启示}
|
||||
\subsubsection{启示}
|
||||
|
||||
这个定理告诉我们：\textbf{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。
|
||||
|
||||
\section{神经网络技术栈全景}
|
||||
\subsection{神经网络技术栈全景}
|
||||
|
||||
\begin{lstlisting}
|
||||
┌─────────────────────────────────────────────────────────────┐
|
||||
@@ -345,7 +309,7 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
└─────────────────────────────────────────────────────────────┘
|
||||
\end{lstlisting}
|
||||
|
||||
\subsection{技术演进路径}
|
||||
\subsubsection{技术演进路径}
|
||||
|
||||
{\def\LTcaptype{none} % do not increment counter
|
||||
\begin{longtable}[]{@{}lll@{}}
|
||||
@@ -364,7 +328,7 @@ Amazon Go 展示了 AI 技术如何重构传统场景。从“扫码支付”到
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
\subsection{模型家族关系}
|
||||
\subsubsection{模型家族关系}
|
||||
|
||||
\begin{lstlisting}
|
||||
MLP（多层感知机）
|
||||
@@ -384,73 +348,65 @@ MLP（多层感知机）
|
||||
（生成式） （理解式） （图像生成）
|
||||
\end{lstlisting}
|
||||
|
||||
\section{Scaling Law：规模即智能}
|
||||
\subsection{Scaling Law：规模即智能}
|
||||
|
||||
\subsection{什么是 Scaling Law}
|
||||
\subsubsection{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：
|
||||
|
||||
\textbf{模型性能 ≈ f(计算量, 数据量, 参数量)}
|
||||
\textbf{模型性能 $\approx$ f(计算量, 数据量, 参数量)}
|
||||
|
||||
\subsection{核心发现}
|
||||
这一发现来自 Kaplan 等人 2020 年的研究（Scaling Laws for Neural Language Models），揭示了一个令人惊讶的规律：模型性能的提升并非随机的，而是可以被精确预测的。
|
||||
|
||||
\subsubsection{核心发现}
|
||||
|
||||
\textbf{1. 性能随规模对数增长}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
模型越大，性能越好
|
||||
\item
|
||||
增长是可预测的
|
||||
\item 模型越大，性能越好
|
||||
\item 性能提升的幅度可以量化预测
|
||||
\end{itemize}
|
||||
|
||||
\textbf{2. 计算效率最关键}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
计算量增加 10 倍 → 性能提升约 1.5 倍
|
||||
\item
|
||||
数据量和参数量也有类似规律
|
||||
\item 计算量增加 10 倍，性能提升约 1.5 倍
|
||||
\item 数据量和参数量也有类似规律
|
||||
\end{itemize}
|
||||
|
||||
\textbf{3. 没有看到天花板}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
在现有规模下，性能提升仍在继续
|
||||
\item 在现有规模下，性能提升仍在继续
|
||||
\end{itemize}
|
||||
|
||||
\subsection{启示}
|
||||
\subsubsection{启示}
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\textbf{大模型时代}：规模成为竞争壁垒
|
||||
\item
|
||||
\textbf{数据为王}：高质量数据比模型架构更重要
|
||||
\item
|
||||
\textbf{算力需求}：AI 发展依赖硬件进步
|
||||
\item \textbf{大模型时代}：规模成为竞争壁垒
|
||||
\item \textbf{数据为王}：高质量数据比模型架构更重要
|
||||
\item \textbf{算力需求}：AI 发展依赖硬件进步
|
||||
\item \textbf{对设计领域的意义}：开源大模型的涌现使得小型设计团队也能获得强大的 AI 能力，降低了技术门槛
|
||||
\end{itemize}
|
||||
|
||||
\section{从函数式视角看 AI 演进}
|
||||
\subsection{从函数式视角看 AI 演进}
|
||||
|
||||
\subsection{核心理念}
|
||||
\subsubsection{核心理念}
|
||||
|
||||
\textbf{``Functions Describe the World''（函数描述世界）}
|
||||
\textbf{``Functions Describe the World''（函数描述世界）}——这一理念由美国威廉姆斯学院（Williams College）数学教授 Thomas Garrity 提出。他认为数学各分支本质上都在研究不同类型的函数：代数研究多项式函数，微积分研究光滑函数，线性代数研究线性变换。而世间万物——从声波在耳膜上的振动，到光线在视网膜上的投影——都可以用函数来描述。
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
物理定律：F = ma
|
||||
\item
|
||||
经济规律：Supply = Demand(Price)
|
||||
\item
|
||||
神经网络：y = f(x; θ)
|
||||
\item 物理定律：$F = ma$
|
||||
\item 经济规律：Supply = Demand(Price)
|
||||
\item 神经网络：$y = f(x; \theta)$
|
||||
\end{itemize}
|
||||
|
||||
\subsection{AI 即函数组合}
|
||||
\subsubsection{AI 即函数组合}
|
||||
|
||||
\begin{lstlisting}
|
||||
输入数据 x
|
||||
@@ -474,7 +430,7 @@ Scaling Law（缩放定律）描述了模型性能与计算量、数据量、参
|
||||
输出 y
|
||||
\end{lstlisting}
|
||||
|
||||
\subsection{从 Excel 到神经网络}
|
||||
\subsubsection{从 Excel 到神经网络}
|
||||
|
||||
{\def\LTcaptype{none} % do not increment counter
|
||||
\begin{longtable}[]{@{}ll@{}}
|
||||
@@ -491,17 +447,27 @@ y = a₁x₁ + a₂x₂ + b & 多输入神经元 \\
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
\section{本章小结}
|
||||
|
||||
本章从两个维度建立了对人工智能的宏观认知。
|
||||
|
||||
在第一节中，我们沿着时间线梳理了 AI 从萌芽到爆发的关键节点，了解了 AIGC、Agent、AI4S、AIED 四大赛道及其对设计领域的影响。Amazon Go 的案例让我们看到，AI 技术的组合可以重构一个完整的物理场景——这暗示着设计领域同样存在系统化变革的可能。
|
||||
|
||||
在第二节中，我们审视了 AI 范式的三次演进——从人类编写规则，到机器从数据中学习，再到端到端的深度学习。万能逼近定理告诉我们神经网络理论上可以学习任何映射关系，Scaling Law 则揭示了模型性能的可预测性。而"函数描述世界"的视角，为理解后续章节中的各类神经网络架构提供了统一的认知框架。
|
||||
|
||||
理解了 AI 的过去和现在，下一章我们将进入 AI 的内部——看看神经网络究竟是如何"学习"的。
|
||||
|
||||
\section{思考与练习}
|
||||
|
||||
\begin{enumerate}
|
||||
\def\labelenumi{\arabic{enumi}.}
|
||||
\tightlist
|
||||
\item
|
||||
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？
|
||||
\item
|
||||
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？
|
||||
\item
|
||||
从函数式视角理解 AI，对你理解设计问题有何启发？
|
||||
\item 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。
|
||||
\item 思考 AI 四大赛道中，哪一个对你的专业影响最大？为什么？
|
||||
\item Amazon Go 案例中，哪些 AI 技术可以迁移到设计领域？
|
||||
\item 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？
|
||||
\item 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？
|
||||
\item 从函数式视角理解 AI，对你理解设计问题有何启发？
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
@@ -541,12 +507,8 @@ AI in Education & AIED & AI 教育应用 \\
|
||||
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
\href{https://arxiv.org/abs/2001.08361}{Scaling Laws for Neural Language Models}
|
||||
\item
|
||||
\href{https://en.wikipedia.org/wiki/Universal_approximation_theorem}{Universal Approximation Theorem}
|
||||
\item
|
||||
\href{https://www.nature.com/articles/s41586-023-06221-x}{The Evolution of AI: A Historical Perspective}
|
||||
\item
|
||||
\href{https://arxiv.org/pdf/2308.11432v2}{AI Agent 综述论文}
|
||||
\item \href{https://arxiv.org/abs/2001.08361}{Scaling Laws for Neural Language Models}
|
||||
\item \href{https://en.wikipedia.org/wiki/Universal_approximation_theorem}{Universal Approximation Theorem}
|
||||
\item \href{https://www.nature.com/articles/s41586-023-06221-x}{The Evolution of AI: A Historical Perspective}
|
||||
\item \href{https://arxiv.org/pdf/2308.11432v2}{AI Agent 综述论文}
|
||||
\end{itemize}
|
||||
|
||||
+677
-625
File diff suppressed because it is too large
Load Diff
@@ -0,0 +1,49 @@
|
||||
\chapter{结语与展望}
|
||||
|
||||
\section{回顾：从原理到实践}
|
||||
|
||||
回顾全书，我们从两个维度展开了设计人工智能的探索。
|
||||
|
||||
\textbf{上篇}聚焦技术原理。我们从AI的发展历程出发，理解了神经网络的函数式本质——通过函数组合逼近任意复杂的映射关系。在此基础上，沿着数据模态的主线，依次探讨了：一维序列数据与自然语言处理（RNN、Transformer、大语言模型），二维图像与计算机视觉（CNN、ViT），三维空间与空间智能（PointNet、3D重建）。进而，我们学习了生成式AI（VAE、GAN、扩散模型）如何从数据中学习分布并创造新内容，AI Agent如何将感知、推理与行动闭环整合，以及强化学习如何通过试错与反馈优化策略。
|
||||
|
||||
这些技术并非孤立的模块，而是构成了一个完整的智能系统架构：感知引擎理解世界，生成引擎创造可能，推理引擎做出决策，而强化学习提供了持续改进的机制。
|
||||
|
||||
\textbf{下篇}转向设计实践。我们看到AI已经在数字媒体、工业设计、环境景观、城市规划与生态设计等领域展现出强大的应用潜力。每个领域都有其独特的数据特征、评估标准和决策逻辑，AI的价值不在于替代设计师，而在于扩展设计师的能力边界——处理更大规模的数据、探索更广阔的方案空间、做出更精准的评估判断。
|
||||
|
||||
\section{核心洞见}
|
||||
|
||||
贯穿全书，有几个核心观点值得再次强调：
|
||||
|
||||
\textbf{理解原理比掌握工具更重要。}工具和平台层出不穷、快速迭代，但背后的原理——函数逼近、注意力机制、扩散过程、策略优化——具有持久的价值。掌握了原理，面对任何新工具都能快速上手；反之，仅停留在工具操作层面，则永远只能被动跟随。
|
||||
|
||||
\textbf{数据和问题定义是关键。}AI的效果高度依赖于数据质量和问题定义的清晰程度。在设计领域，这意味着需要认真思考：我们要解决什么问题？用什么数据来训练和评估？如何定义"好设计"？这些问题往往比模型选择更为重要。
|
||||
|
||||
\textbf{人机协作是正确的方向。}AI擅长处理大规模数据、快速生成方案、进行穷举搜索；人类擅长理解语境、做出价值判断、处理模糊和矛盾的需求。两者的结合，而非相互替代，才能产生最大的价值。
|
||||
|
||||
\section{展望：设计智能的未来}
|
||||
|
||||
站在2026年的时间节点上，设计人工智能正在经历从"工具辅助"到"智能协同"的转变。以下几个方面值得关注：
|
||||
|
||||
\textbf{多模态融合}。未来的设计AI将不再局限于单一模态，而是能够同时理解文本、图像、三维模型、空间数据等多种信息，形成对设计任务的全面理解。这将使得设计师能够以更自然的方式与AI交互——用草图、语言、手势等多种方式表达设计意图。
|
||||
|
||||
\textbf{自主设计探索}。随着AI Agent技术的成熟，AI将从被动执行指令的工具，进化为能够主动提出设计方案、自主评估优化、甚至发现人类未曾想到的解决方案的设计伙伴。设计师的角色将更多地转向目标定义、约束设定和质量把关。
|
||||
|
||||
\textbf{设计知识的系统化}。长期以来，设计知识高度依赖个人经验和隐性知识，难以系统化传承。AI有望通过学习海量的设计案例，将设计知识显性化、结构化，使设计经验能够被更广泛地共享和复用。
|
||||
|
||||
\textbf{伦理与可持续性}。AI在设计中的应用必须考虑伦理和社会影响——算法偏见、知识产权、就业影响、能源消耗等问题都需要认真对待。可持续设计不应仅停留在概念层面，而应融入AI辅助设计的每一个环节。
|
||||
|
||||
\textbf{设计教育的变革}。设计教育需要重新思考课程体系，在保持设计思维和美学素养培养的同时，融入计算思维和数据素养的训练。未来的设计师需要既懂设计，又理解AI，还能在两者之间架起桥梁。
|
||||
|
||||
\section{致读者}
|
||||
|
||||
设计的人工智能时代才刚刚拉开序幕。这本书所涵盖的内容，与其说是对这一领域的完整总结，不如说是一份邀请——邀请你走进这个充满可能性的领域，用自己的专业视角去发现问题、定义问题、解决问题。
|
||||
|
||||
无论你是设计专业的学生、教师，还是从业设计师，希望你从这本书中获得的不只是一些技术知识，更是一种思维方式：用计算的视角理解设计，用设计的智慧引导技术。
|
||||
|
||||
技术在变，工具在变，但设计服务于人的本质不会变。愿你在AI时代，成为更好的设计师。
|
||||
|
||||
\begin{flushright}
|
||||
彭晓
|
||||
|
||||
2026年4月25日
|
||||
\end{flushright}
|
||||
@@ -0,0 +1,2 @@
|
||||
\chapter*{下篇：设计领域应用}
|
||||
\addcontentsline{toc}{chapter}{下篇：设计领域应用}
|
||||
@@ -0,0 +1,2 @@
|
||||
\chapter*{上篇：原理与技术}
|
||||
\addcontentsline{toc}{chapter}{上篇：原理与技术}
|
||||
Reference in New Issue
Block a user