# 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。 --- ## 1.1 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。 ## 1.2 学习目标 - 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 --- ## 第一部分：AI 与设计的交汇 ## 1.3 案例引入：Amazon Go ### 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，共同重构一个完整的线下场景。 ### 技术要素 Amazon Go 的 AI 技术栈融合了多项前沿技术： | 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 | ### 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。 ## 1.4 AI 发展时间线（2016–2024） ### 第一阶段：觉醒期（2016–2018） - **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） - **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 ### 第三阶段：应用期（2023–2024） - **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 ## 1.5 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 **设计影响**：从"工具辅助"到"生成伙伴" ### 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 **设计影响**：从"被动执行"到"主动协作" ### 3. AI4S（AI for Science） **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 **设计影响**：数据驱动的设计决策 ### 4. AIED（AI in Education） **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 **设计影响**：设计教育与人才培养模式变革 ## 1.6 设计领域 AI 应用趋势 ### 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 | | 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 | ### 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** ## 1.7 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？ --- ## 第二部分：AI 范式演进 ## 1.8 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 **典型应用**：专家系统、棋类游戏 ### 第二范式：机器学习（Machine Learning） **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 **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） **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 **典型应用**：大语言模型、生成式 AI、自动驾驶 ## 1.9 万能逼近定理 ### 定理表述 **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 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 ### 启示 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。 ## 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 │ └─────────────────────────────────────────────────────────────┘ ``` ### 技术演进路径 | 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 | ### 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） ``` ## 1.11 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 **1. 性能随规模对数增长** - 模型越大，性能越好 - 增长是可预测的 **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 **3. 没有看到天花板** - 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 - **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 ## 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 - 经济规律：Supply = Demand(Price) - 神经网络：y = f(x; θ) ### AI 即函数组合 ``` 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 ``` ### 从 Excel 到神经网络 | 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 | ## 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？ 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 | |------|------|------| | 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) - [AI Agent 综述论文](https://arxiv.org/pdf/2308.11432v2)