2026_DesignAI/01-introduction/01-introduction.md

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。

---

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

Amazon Go：AI赋能的典型案例

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。

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。

AI赋能的时间线：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

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

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

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

AIGC产业发展报告

AI Agent综述论文 # 00.2 AI范式演进

---

学习目标

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

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

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。

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``)

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

o模型越大，性能越好

o增长是可预测的

2.计算效率最关键

o计算量增加10倍 → 性能提升约1.5倍

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

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

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

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

延伸阅读

Scaling Laws for Neural Language Models

Universal Approximation Theorem

The Evolution of AI: A Historical Perspective