AI 核心技术与实践详解：从算法到产业应用部署

本书系统介绍了人工智能从基础理论到前沿应用的全方位知识体系，涵盖机器学习、深度学习、大模型训练等核心算法，以及AIoT、自动驾驶、人形机器人等关键应用领域。书中详细解析了GPT、DeepSeek等大模型的实现原理，并提供了Hugging Face、LangChain等主流工具的实践指南，同时深入探讨了AI伦理及未来发展趋势。
本书既注重理论深度，又强调实践价值，既可作为AI研发人员的实用参考手册，也适合作为高校人工智能相关专业的教学用书。

无

第1章 人工智能概述 001-025
1.1 AI 的发展历程与现状 001
1.1.1 人工智能的三大学派 001
1.1.2 人工智能的发展历程 003
1.1.3 人工智能的前景展望 010
1.2 AI 的主要分支与关键技术体系概述 010
1.2.1 机器学习 011
1.2.2 计算机视觉 013
1.2.3 自然语言处理 014
1.2.4 知识图谱 014
1.2.5 人机交互 015
1.2.6 生物特征识别 016
1.2.7 机器人技术 017
1.2.8 专家系统与认知计算 018
1.2.9 模糊逻辑和模糊识别 019
1.2.10 AI 芯片与计算架构 020
1.2.11 大数据处理与分析 022
1.2.12 云计算与边缘计算 023
1.2.13 AI 操作系统与中间件 023
1.2.14 AI 安全与伦理 024

第2章 人工智能核心算法与大模型技术 026-137
2.1 机器学习基础算法体系 026
2.1.1 监督学习 026
2.1.2 无监督学习 045
2.1.3 强化学习 068
2.2 深度学习架构与深层原理探析 073
2.2.1 前馈神经网络 074
2.2.2 全连接网络 074
2.2.3 卷积神经网络 080
2.2.4 循环神经网络 083
2.2.5 生成对抗网络 086
2.2.6 自编码器 088
2.2.7 Transformer 090
2.2.8 编码器- 解码器架构 090
2.2.9 胶囊网络 092
2.2.10 残差网络 094
2.2.11 图神经网络 096
2.2.12 深度信念网络 098
2.2.13 双向循环神经网络 098
2.2.14 多层感知机 099
2.2.15 密集连接网络 100
2.3 GPT 模型的内部机制及实现方法解读 101
2.3.1 GPT 模型介绍 101
2.3.2 GPT 模型核心工作原理 103
2.3.3 Transformer 工作流程 109
2.3.4 GPT 预训练与微调 111
2.4 DeepSeek——创新开源的典范 118
2.4.1 混合专家系统架构 118
2.4.2 多头潜注意力 119
2.4.3 多令牌预测 121
2.4.4 强化学习训练方法 123
2.4.5 模型蒸馏技术 125
2.4.6 双管道流水线与FP8 混合精度 126
2.4.7 开源与社区贡献 127
2.4.8 DeepSeek 和GPT 对比 127
2.5 算力在AI 领域的重要性 130
2.5.1 算力的定义 130
2.5.2 算力的度量单位 130
2.5.3 算力在AI 领域的重要性 132
2.5.4 英伟达在算力方面的领先优势 135

第3章 大模型训练与优化策略 138-193
3.1 大数据预处理与特征工程技术 138
3.1.1 大数据预处理 138
3.1.2 特征工程 153
3.1.3 常见的大数据处理软件 163
3.1.4 初学者入门建议 166
3.2 分布式训练框架的选择与优化 167
3.2.1 分布式训练策略 167
3.2.2 主流的分布式训练框架 168
3.2.3 分布式训练优化策略 173
3.3 超参数调整策略与模型压缩技术 176
3.3.1 典型的大模型超参数 176
3.3.2 调整超参数的实验性方法 188
3.3.3 大模型超参数调整主要步骤 189
3.3.4 大模型压缩技术 190

第4章 物联网与AI 的深度融合 194-212
4.1 AIoT 技术栈关键组成 194
4.1.1 感知层 194
4.1.2 网络层 195
4.1.3 平台层 196
4.1.4 应用层 198
4.1.5 AI 层 199
4.1.6 安全层 200
4.1.7 服务管理层 202
4.2 AIoT 边缘计算操作系统及处理海量数据方式 203
4.2.1 AIoT 边缘计算操作系统 203
4.2.2 边缘计算处理海量数据的方式 208
4.3 AIoT 应用案例 209
4.3.1 智慧城市 209
4.3.2 智能制造 210
4.3.3 智慧农业 211
4.3.4 健康监护 211

第5章 人形机器人与AI 智能交互 213-264
5.1 机器人操作系统与多模态感知模块设计 213
5.1.1 机器人操作系统介绍 213
5.1.2 常见的机器人操作系统 214
5.1.3 机器人多模态感知模块 221
5.1.4 基于英伟达Project GROOT 简要代码示例 225
5.2 人形机器人运动规划与路径优化算法 231
5.2.1 环境建模 231
5.2.2 运动规划 244
5.3 强化学习在机器人自主行为学习与决策中的应用 251
5.3.1 马尔可夫决策过程 252
5.3.2 机器人与环境互动模型 258
5.3.3 强化学习在机器人路径规划与导航中的应用 259
5.3.4 机器人强化学习的技术要点 262
5.3.5 未来展望 264

第6章 自动驾驶与AI 265-308
6.1 自动驾驶级别划分与技术发展路线 265
6.1.1 自动驾驶级别划分详细描述 265
6.1.2 自动驾驶技术发展路线介绍 267
6.2 自动驾驶系统构成要素与功能模块详解 269
6.2.1 国内外主要厂商的自动驾驶系统介绍 269
6.2.2 构成要素与功能模块详解 271
6.2.3 车辆控制 286
6.2.4 动力学建模 288
6.2.5 人机交互提升用户体验的关键 292
6.2.6 通信V2X 开启新纪元 295
6.2.7 云服务支持 297
6.2.8 系统架构综合考虑的安全与性能 301
6.3 特斯拉自动驾驶技术 303
6.3.1 感知技术 304
6.3.2 BEV 304
6.3.3 3D 重建与占用网络 305
6.3.4 深度学习与神经网络 307
6.3.5 端到端方案 307

第7章 Hugging Face Transformers 与AI 大模型的集成 309-333
7.1 Hugging Face Transformers 309
7.1.1 Hugging Face Transformers 概述 309
7.1.2 Hugging Face Models、Datasets 和Spaces 310
7.2 Hugging Face Transformers 库 311
7.2.1 Hugging Face Transformers 库介绍 311
7.2.2 Hugging Face 开发环境 312
7.2.3 Hugging Face Transformers 库跨语言处理 313
7.2.4 Hugging Face Transformers 库性能优化方法 315
7.3 如何选用并训练适合的预训练模型 321
7.3.1 为什么使用预训练模型 321
7.3.2 Hugging Face 的预训练模型库 322
7.3.3 如何选择合适的预训练模型 322
7.3.4 数据准备 322
7.3.5 模型微调 326
7.3.6 模型评估 327
7.3.7 模型部署 328
7.3.8 持续优化 329
7.4 如何通过Hugging Face Transformers 接口进行AI 大模型封装和调用 331

第8章 LangChain 与Ollama 334-348
8.1 LangChain 334
8.1.1 LangChain 概述 334
8.1.2 LangChain AI 模型准备 335
8.1.3 LangChain 和 LLaMA 3 搭建聊天机器人系统 336
8.2 Ollama 341
8.2.1 Ollama 介绍 341
8.2.2 Ollama 模型融合功能 343
8.2.3 Ollama 模型服务化 345
8.3 阿里云企业级部署DeepSeek 模型 347

第9章 AI 技术的发展趋势与挑战 349-370
9.1 AI 伦理、法律与安全问题的探讨 349
9.1.1 AI 伦理问题 349
9.1.2 AI 法律问题 350
9.1.3 AI 安全问题 351
9.1.4 未来展望 352
9.2 AI 与其他新兴科技的融合创新趋势 353
9.2.1 AI 与物联网的融合 353
9.2.2 AI 与区块链的融合 357
9.2.3 AI 与5G 通信的融合 360
9.2.4 AI 与边缘计算的融合 362
9.2.5 AI 与量子计算的融合 363
9.2.6 AI 与虚拟现实和增强现实的融合 364
9.2.7 AI 与生物技术的融合 365
9.2.8 未来展望 365
9.3 AI 对未来社会经济结构及个人生活方式的影响 366
9.3.1 对社会经济结构的影响 366
9.3.2 对个人生活方式的影响 369
9.4 中国开源大模型DeepSeek 对整个AI 行业及国产软硬件的影响 369