青少年AI通识

（1）AI科普专家倾力呈现：作者为资深科普作家和人工智能专家，趣味呈现人工智能发展历程。
（2）适配青少年认知，硬核知识趣味化：贴合青少年认知规律的AI通识读本，将晦涩的技术原理转化为通俗讲解，孩子轻松入门，零基础也能学懂人工智能。
（3）时空纵贯式叙事，沉浸式漫游AI百年：完整梳理AI百年发展脉络，从早期计算工具到前沿的具身智能，清晰串联技术演进节点，让读者看清AI的前世今生。
（4）拒绝碎片堆砌，搭建三维认知体系：拒绝碎片化知识堆砌，搭建“历史脉络+技术知识+深度思辨”三维认知框架，不只懂AI是什么，更懂其发展逻辑与底层原理。
（5）逻辑闭环，层层递进培养人工智能思维：融入AI与未来社会的深度思辨，探讨人机共生等核心命题，引导青少年辩证看待科技，培养独立思考与人工智能思维。
（6）家校生多维适配，一站式AI学习工具书：家校生多维适配的实用工具书，孩子可自主研学、教师可作教学素材、家长可陪同辅导，一站式满足AI启蒙学习需求。

翻开这本书，开启一场穿越人工智能百年历史的硬核探索之旅！从算盘与图灵机的早期智慧萌芽，到专家系统与神经网络的技术交锋，再到机器学习、语音识别、机器视觉的落地突破，一步步解锁大语言模型、具身智能的核心密码。本书不堆砌碎片化知识，而是沿着清晰的技术演进脉络，拆解每一个AI核心技术的底层逻辑，站在科技先驱的角度思考问题，更直击AI理解世界的本质，深入探讨人机博弈的未来命题。它能让你在沉浸式探索中，搭建起历史、知识、思辨相融的完整Al认知体系，读懂AI的进化之路，看清智能时代的未来走向。

本书特色
适配青少年认知，硬核知识趣味化：紧扣青少年理解能力，将图灵机、神经网络、大语言模型等晦涩的AI知识，转化为层层递进的通俗讲解，不堆砌概念，让青少年真正理解AI的“思考”方式。
时空纵贯式叙事，沉浸式漫游AI百年：以时间为轴串联AI发展全脉络，从算盘、图灵机的早期探索，到大语言模型、具身智能的前沿突破，沉浸式体验每一次技术变革与关键节点，告别枯燥理论罗列。
拒绝碎片堆砌，搭建三维认知体系：打破传统AI图书的知识碎片化问题，构建“历史脉络+技术知识+深度思辨”的立体思维框架，让青少年不只懂AI是什么，更懂AI为何发展和将向何方发展。
逻辑闭环，层层递进培养人工智能思维：从基础概念到前沿应用，从技术演进到趋势预判，各章节环环相扣、由浅入深，既梳理清晰的知识体系，又引导青少年自主思考，全面培养人工智能素养和核心竞争力。
家校生多维适配，一站式AI学习工具书：孩子可自主学习打基础，教师可积累教学素材备课，家长可陪同共读做辅导，满足不同场景AI学习需求。
随书解锁作者亲授专属视频课程：视频课程由专业团队精心打磨，紧扣人工智能知识点精讲，帮助孩子理解AI背后的核心思维方式，掌握与AI协作的能力，建立批判性思维，规划AI时代的职业发展路径。

田达玮，中国科普作家协会会员，中国科学院海洋研究所环境科学硕士。拥有10年科普内容创作经验，果壳网、丁香医生前科学编辑，少年得到课程前主编。科普中国、科学大院、中国科普博览特约作者，撰写科普内容超百万字。著有《人工智能:人类的智能》《漫话人工智能：从二进制到未来智能社会》。<br />秦曾昌，布里斯托大学人工智能方向博士、加州大学伯克利分校博士后。曾兼任Keep、编程猫等企业的首席科学家。已出版《漫话人工智能：从二进制到未来智能社会》《给孩子的编程思维课》等著作，并多次参与央视科普节目，致力于向青少年普及人工智能技术。

前言　写给未来世界的主人<br />第1章　人工智能：机器能<br />思考吗　 1<br />1.1　计算机器：算盘、机械齿轮<br />和图灵机　 2<br />1.1.1　拨算盘是谁在思考　 2<br />1.1.2　300多年前的计算器　 3<br />1.1.3　巴贝奇让机械齿轮<br />思考起来　 4<br />1.1.4　超越时代的设想　 6<br />1.1.5　图灵机：人就是一台<br />思考的机器？　 7<br />1.2　为计算机设计一套智力<br />测试　 9<br />1.2.1　图灵测试：计算机的<br />“模仿游戏”　 9<br />1.2.2　“中文房间”里的<br />反对者　 10<br />1.2.3　机器人通过图灵<br />测试啦！　 12<br />1.2.4　怎样证明你是真人　 13<br />1.2.5　让AI逐渐成长　 13<br />1.3　人工智能怎么那么多<br />“父亲”　 15<br />1.3.1　达特茅斯会议：开会<br />开出了人工智能？　 15<br />1.3.2　符号主义：万物皆可<br />符号化　 17<br />1.3.3　联结主义：构建一颗<br />人工大脑吧　 18<br />1.3.4　行为主义：想得好不如<br />做得好　 19<br />第2章　专家系统与神经网络：<br />刻板专家和人造大脑　 21<br />2.1　专家系统：人工智能专家<br />能干啥　 22<br />2.1.1　雄心勃勃但被“泼了<br />冷水”　 22<br />2.1.2　从规则推演中诞生的<br />“专家”　 25<br />2.1.3　用专家系统挣大钱吧　 26<br />2.1.4　专家系统怎么就<br />“没落”了?　 28<br />2.2　神经网络：人造大脑怎样<br />思考　 29<br />2.2.1　大脑：最精巧的思考<br />机器　 29<br />2.2.2　M-P模型：神经网络的<br />基本单元　 30<br />2.2.3　赫布规则：刺激越多<br />连接越强　 32<br />2.2.4　感知器兴起与“被判<br />死刑”　 33<br />2.2.5　反向传播算法：让神经<br />网络自行调整　 35<br />2.2.6　一波三折的神经网络　 36<br />第3章　机器学习：都成机器了，还要学习？　 38<br />3.1　机器学习到底怎么学　 39<br />3.1.1　令人崩溃的垃圾邮件　 39<br />3.1.2　“聪明”的垃圾邮件<br />识别器　 40<br />3.1.3　塞缪尔的跳棋程序　 41<br />3.1.4　西洋跳棋程序怎么<br />学习　 42<br />3.2　监督学习：机器学习<br />谁来教　 45<br />3.2.1　如何认出一只猫　 45<br />3.2.2　ImageNet：给AI编写<br />一套“教材”吧　 46<br />3.2.3　监督学习都有啥<br />“科目”　 48<br />3.2.4　回归这门“课”<br />有啥用　 50<br />3.3　无监督学习：没有老师，<br />怎样无师自通　 52<br />3.3.1　什么是无监督<br />学习　 53<br />3.3.2　水果分类背后的聪明<br />思想　 53<br />3.3.3　聚类分析：水果、新闻，再到恒星　 54<br />3.3.4　关联：发现隐藏的<br />关系　 57<br />3.4　强化学习：实践是最好的<br />老师　 60<br />3.4.1　让机器人走起来吧　 60<br />3.4.2　探索尝试，给点<br />奖励　 62<br />3.4.3　没有实体也能<br />“探索”　 64<br />3.4.4　AlphaGo：从学习到<br />超越　 65<br />3.4.5　AlphaGo Zero：让人类<br />不再抱有幻想　 67<br />第4章　语音识别：做一个<br />“听话”的AI　 70<br />4.1　100多年前就有语音识别<br />玩具了？　 71<br />4.1.1　“声控雷克斯”怎样识别<br />声音　 71<br />4.1.2　“奥黛丽”与“鞋盒”<br />开启正式篇章　 72<br />4.1.3　Harpy：音素编织的<br />知识网　 75<br />4.2　数据驱动，铺垫语音识别的“进阶之路”　 78<br />4.2.1　解雇语言学家能提升<br />语音识别效果？　 78<br />4.2.2　隐马尔可夫模型怎么个“隐”法？　 79<br />4.2.3　隐马尔可夫模型怎样做<br />语音识别　 81<br />4.2.4　隐马尔可夫时代的<br />“明星”　 84<br />4.2.5　语音识别的新<br />“统治者”　 85<br />第5章　机器视觉：我来了，我<br />看见，我识别　 89<br />5.1　视觉传感器：怎样让计算机<br />看见世界　 90<br />5.1.1　像素：看见世界的<br />基础　 90<br />5.1.2　CCD：视觉传感器的<br />核心　 92<br />5.1.3　从像素点到物体<br />轮廓　 95<br />5.2　特征识别：怎样从像素点<br />中认出物体　 98<br />5.2.1　从线条轮廓到形状<br />特征　 98<br />5.2.2　SIFT算法：特征点<br />“侦探”　 100<br />5.2.3　HOG算法：“描边<br />大师”　 103<br />5.3　猫咪怎样改变了机器<br />视觉？　 107<br />5.3.1　SVM：画一条分<br />界线吧　 107<br />5.3.2　猫咪大脑中的<br />“秘籍”　 110<br />5.3.3　神经认知机：层层提取，识别复杂特征　 111<br />5.3.4　LeNet：卷积神经网络的“首秀”　 112<br />5.3.5　AlexNet：卷积神经<br />网络一战成名　 114<br />第6章　自然语言处理：60多年前就有聊天AI了？　 119<br />6.1　如何教AI“说人话”　 120<br />6.1.1　自然语言是什么　 120<br />6.1.2　能翻译60多个句子的<br />“翻译大师”　 121<br />6.1.3　Eliza：几十年前的<br />“心理医生”　 123<br />6.1.4　马尔可夫模型：AI的<br />“看词填空”　 124<br />6.2　AI能理解文字背后的<br />意思吗　 127<br />6.2.1　信息量极低的“独热<br />编码”　 127<br />6.2.2　怎样让词向量“简单<br />又深邃”　 129<br />6.2.3　“爱忘事”的神经<br />网络　 132<br />6.2.4　Seq2Seq遭遇瓶颈　 133<br />6.2.5　注意力机制来救场　 135<br />第7章　大语言模型：大<br />就是好　 138<br />7.1　Transformer：让注意力<br />发挥更大的作用吧　 139<br />7.1.1　嵌入层：整理工作其实<br />很重要　 139<br />7.1.2　编码器：关注自己才能<br />做得更好　 140<br />7.1.3　解码器：“注意”再<br />“注意”　 142<br />7.2　大语言模型到底有<br />多大　 144<br />7.2.1　超大规模的参数和<br />训练样本　 145<br />7.2.2　名副其实的“超级<br />吞金兽”　 147<br />7.2.3　涌现：还没教怎么<br />就会了？　 148<br />7.2.4　思维链：让我们一步<br />一步思考吧　 150<br />第8章　具身智能：你身边的智能“伙伴”　 153<br />8.1　机器人需要做成<br />人形吗　 154<br />8.1.1　从传说到“半个人”　 155<br />8.1.2　从“半个人”到<br />“完整的人”　 157<br />8.1.3　“像人”不止一<br />条路　 160<br />8.1.4　人形机器人是最好<br />的吗　 162<br />8.2　自动驾驶：500多年前就有<br />自动驾驶汽车了？　 165<br />8.2.1　弹簧齿轮，造就自动<br />驾驶三轮车　 165<br />8.2.2　让公路来“开车”　 166<br />8.2.3　从“一步一停”到<br />“横穿美国”　 168<br />8.2.4　自动驾驶汽车的<br />“眼”　 170<br />8.2.5　自动驾驶汽车的“脑”<br />和“四肢”　 173<br />8.2.6　自动驾驶汽车咋还<br />没来　 174<br />第9章　怎样让AI“理解”<br />世界　 178<br />9.1　机器人也想要大模型？　 179<br />9.1.1　语义理解：听懂人类<br />要做啥　 180<br />9.1.2　多模态：感官大<br />融合　 180<br />9.1.3　思维链：让行动真的<br />可执行　 182<br />9.2　AI能和我们一样“理解”<br />世界吗？　 187<br />9.2.1　世界模型：AI的<br />“心智模型”　 187<br />9.2.2　世界模型的“流派<br />之争”　 188<br />9.2.3　“视觉派”世界模型<br />初现　 190<br />9.2.4　从“学万物”到<br />“抓重点”　 193<br />第10章　未来社会：AI有能力<br />取代人类吗　 198<br />10.1　AI科学家：顶尖头脑<br />也能被替代？　 199<br />10.1.1　科学家的好帮手　 199<br />10.1.2　成为思考科学问题<br />之脑　 201<br />10.1.3　AI写论文？这样<br />好吗　 205<br />10.1.4　AI会取代科学<br />家吗　 206<br />10.2　AI会抢走人类的饭碗吗　 208<br />10.2.1　有危险，AI上　 209<br />10.2.2　太无聊了？交给<br />AI吧　 211<br />10.2.3　复杂场景证明<br />自己　 214<br />10.2.4　面对AI挑战，我们<br />要怎么办　 215