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

# 第一篇：导论

本篇作为全书的开篇，旨在帮助读者建立对人工智能的宏观认知框架。我们将从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。这一宏观视角的建立，将为后续各篇中AI与设计实践的结合提供必要的技术认知基础。

## 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](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

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](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)