# 本章精读 · 第 1 课（人工智能入门叙事）

## 本章定位与前情提要

这是整套课程的起点阅读材料：不要求你已会编程或机器学习，只需要能把「概念标签」「历史叙述」「选择题常见陷阱」三件事对齐。本章题库侧重：**人工智能（AI）从哪里来**、**今天主流的范式格局**、以及**伦理为何与技术并行**。读完本章后，你应当能用几句话向别人解释：为什么说深度学习在近十几年推动了新一轮浪潮，但它并不等于 AI 的全部。

后续章节会把「机器学习」「深度学习」「卷积」「人机协同提示」逐层加厚；本章先把世界坐标系摆正。

### 最小术语表（本章即用）

- **人工智能（AI）**：广义的机器展现出需要「智能」才能完成的行为集合；课堂语境里常与机器学习、深度学习混称，但层级不同。
- **机器学习（ML）**：用数据驱动更新模型参数，使系统在任务上表现改进。
- **深度学习（DL）**：以多层可微结构为主的一类机器学习实现路径；题干若强调「突破性依赖」，常与大规模实践相匹配。
- **弱人工智能 / 强人工智能**：前者专注特定任务；后者指向类人通用智能——二者论述边界常在辨析题出现。
- **符号主义 / 连接主义 / 行为主义**：三条历史上常被并列的研究气质：规则与推理、神经网络与统计学习、感知‑动作与环境交互。
- **算法偏见**：数据或流程使得模型系统在特定群体上系统性吃亏；对策往往不是单一按钮，而是治理组合拳。
- **可解释性（XAI）**：面向使用者或审计者的解释产物（可视化、归因、规则近似等），不等于「准确率更高」。

---

## 第一节 · 叙事主轴：1956 与范式轮动

### 历史的「锚点事件」怎么用来做题

课堂叙述常见锚点是 **1956 年达特茅斯会议**：常被当成「人工智能」作为一个可被讨论的学术／工程标签登上舞台的时间参照。选择题若问「起点」「标志性节点」，不要把神经网络发明年份随意代入——叙事题优先对齐讲义脉络。

### 寒冬与再起（直觉版）

历史上数次「期望过高 → 交付不足 → 资助冷却」构成了所谓的 AI 寒冬经验。**直觉**：技术成熟度曲线里，叙事热度跑得比可用系统快时，就容易产生落差。近年再起通常被归因于 **数据规模**、**算力/GPU 集群化实践**、以及 **深度学习工程链成熟** 的组合。

---

## 第二节 · 范式划分：别把「流行」当成「定义」

### 符号主义

强调知识与推理结构可被显式表达：规则、逻辑、搜索、知识图谱一类叙述常与符号主义相邻。

### 连接主义

神经网络家族的路线：参数从数据中学习；今天的深度学习大潮是其现代版本。**易错点**：看见「神经网络」就口头归为符号主义主线——叙事层级错误。

### 行为主义

强调通过与环境的交互改善策略（强化思想的叙事常被挂靠此处）；不要把监督学习的标签粘贴得过宽。

---

## 第三节 · 伦理初阶：题目里的「组合拳」气质

公平题常常不是在找一个「万能最优单一措施」，而是在考查你是否理解：**偏见可以在数据标注、采样代表性、评估指标、上线监控多处渗入**。透明度与问责链条也和「热力图看起来很酷」不是一回事——可视化能帮助沟通，但审计需要的是可追溯决策链。

隐私侧牢记「最小必要」叙事：**收集少一点、留存短一点、用途收窄一点**。深度伪造议题连接的是信任与社会成本，不只是画质好坏。

---

## 与本章测验怎么对齐（怎么用本题库）

做题顺序建议：**先粗读本精读 → 按题号刷题 → 判题后精读选项 rationale**。题干若出现「更取决于哪种技术突破」，请在脑中画出层级：**AI ⊃ ML ⊃ DL**，不要被字眼相似的选项带走。

辨析「学派」「范式」「伦理工具箱」类选项时，先写下题干限定词（应用场景／因果指向／层级归属），再用排除法收敛。

---

## 延伸阅读 · 纲要跳转提示

答题页抽屉切换到「全课程纲要」后，可使用顶部「纲要关联节」按钮跳到 **`topic-1`**（术语与发展史）、**`topic-2`**（伦理与可信度）对应的段落，与本章精读互为索引。