\chapter{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。


\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——同时也带来了前所未有的困惑。

本篇将回答两个核心问题：

\begin{enumerate}
\def\labelenumi{\arabic{enumi}.}
\tightlist
\item
  \textbf{AI 是什么，它将如何影响设计？}
\item
  \textbf{AI 技术是如何演进的，我们应该关注哪些方向？}
\end{enumerate}

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}
\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
\end{itemize}


%% ============================================================
%%  第一部分：AI 与设计的交汇
%% ============================================================

\section{AI 与设计的交汇}

\subsection{案例引入：Amazon Go}

\subsubsection{案例背景}

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：

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}lll@{}}
\toprule\noalign{}
技术 & 作用 & 应用场景 \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
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 \\
\end{longtable}
}

\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。

\subsection{AI 发展时间线}

\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{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}

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{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}

\subsubsection{爆发期（2019--2022）}

\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
\end{itemize}

\subsubsection{应用期（2023--2024）}

\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

\textbf{应用领域}：

\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
\end{itemize}

\textbf{设计影响}：从"工具辅助"到"生成伙伴"

\subsubsection{Agent（智能体）}

\textbf{定义}：能够自主感知、规划、执行的系统

\textbf{核心能力}：

\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
\end{itemize}

\textbf{设计影响}：从"被动执行"到"主动协作"

\subsubsection{AI4S（AI for Science）}\label{ai4sai-for-science}

\textbf{定义}：AI 驱动科学发现

\textbf{应用领域}：

\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
\end{itemize}

\textbf{设计影响}：数据驱动的设计决策

\subsubsection{AIED（AI in Education）}\label{aiedai-in-education}

\textbf{定义}：AI 在教育领域的应用

\textbf{应用场景}：

\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
\end{itemize}

\textbf{设计影响}：设计教育与人才培养模式变革

\subsection{设计领域 AI 应用趋势}

\subsubsection{当前应用}

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}lll@{}}
\toprule\noalign{}
领域 & AI 应用 & 成熟度 \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
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 \\
\end{longtable}
}

\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}


%% ============================================================
%%  第二部分：AI 范式演进
%% ============================================================

\section{AI 范式演进}

\subsection{三次范式演进}

\subsubsection{第一范式：规则系统（Symbolic AI）}

\textbf{时期}：1950s -- 1980s

\textbf{核心思想}：人类专家编写规则

\textbf{特点}：

\begin{itemize}
\tightlist
\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

\subsubsection{第二范式：机器学习（Machine Learning）}

\textbf{时期}：1990s -- 2010s

\textbf{核心思想}：从数据中学习规律

\textbf{特点}：

\begin{itemize}
\tightlist
\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

\subsubsection{第三范式：深度学习（Deep Learning）}

\textbf{时期}：2012 -- 至今

\textbf{核心思想}：端到端学习，自动提取特征

\textbf{特点}：

\begin{itemize}
\tightlist
\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

\subsection{万能逼近定理}

\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。

\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
\end{itemize}

\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。

\subsection{神经网络技术栈全景}

\begin{lstlisting}
┌─────────────────────────────────────────────────────────────┐
│                         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                  │
└─────────────────────────────────────────────────────────────┘
\end{lstlisting}

\subsubsection{技术演进路径}

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}lll@{}}
\toprule\noalign{}
时代 & 代表技术 & 突破点 \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
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 \\
\end{longtable}
}

\subsubsection{模型家族关系}

\begin{lstlisting}
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）
\end{lstlisting}

\subsection{Scaling Law：规模即智能}

\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 $\approx$ f(计算量, 数据量, 参数量)}

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 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
\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
\end{itemize}

\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{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}

\subsection{从函数式视角看 AI 演进}

\subsubsection{核心理念}

\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：$y = f(x; \theta)$
\end{itemize}

\subsubsection{AI 即函数组合}

\begin{lstlisting}
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
\end{lstlisting}

\subsubsection{从 Excel 到神经网络}

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}ll@{}}
\toprule\noalign{}
Excel & 神经网络 \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
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 \\
\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 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}


\section{关键术语}

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.3333}}@{}}
\toprule\noalign{}
\begin{minipage}[b]{\linewidth}\raggedright
中文
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
英文
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
说明
\end{minipage} \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
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 \\
\end{longtable}
}

\section{延伸阅读}

\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}
\end{itemize}