.jpg)
人工智能通识
作者：杨尊琦
ISBN：978-7-111-78388-6
配套资源：微课视频、电子课件、教学大纲、考题与答案、知识拓展、实验与实践资源
本书特色：
1）体现人工智能赋能学科专业类课程，注重结合不同专业的人才培养需求。
2）每章开篇案例举出最通识的实例，诱发学生使用AI的兴趣。
3）介绍AI在制造业、航天、金融、医疗、出行、商业等领域的应用。
4）每章配有思维导图、正文穿插案例和大案例、讨论或操作题、调查、实验等。
本书配套资源、样书均可在本页下载申请，也可联系微信13146070618索取
随着人工智能时代的到来，各行各业都已渗透了人工智能的理论、方法和技术。本书通俗地讲解AI的起源、发展，将行业应用与技术发展相结合进行叙述，能够让读者快速了解人工智能，掌握各行各业AI应用的前沿动态和技术。 本书内容包括：第1章人工智能概述，第2章大数据与人工智能，第3章机器学习，第4章深度学习，第5章大模型技术及应用，第6章人工智能伦理，第7章人工智能在工业中的应用，第8章人工智能在医疗领域的应用，第9章人工智能在交通领域的应用，第10章人工智能赋能生物识别，第11章人工智能在金融领域的应用，第12章智能商务，第13章人工智能在航天领域的应用，第14章人工智能的未来展望。 本书图、文、表并茂，浅显易懂，并引入典型领域的应用，结合相关领域知识，文科、理科都可选用。本书既可以作为高等院校、职业院校低年级的人工智能通识课教材，也可以作为企业培训参考用书。
同系列书
相关图书
- 图书详情
装订：平装
编辑：郝建伟
开本：16
出版日期：
2025-07-10
字数：445 千字
最新版印次：1-1
最新印次时间：2025-07-10
定价：69.0
cip：20257AN677
图书简介
配套资源：微课视频、电子课件、教学大纲、考题与答案、知识拓展、实验与实践资源
本书特色：
1）体现人工智能赋能学科专业类课程，注重结合不同专业的人才培养需求。
2）每章开篇案例举出最通识的实例，诱发学生使用AI的兴趣。
3）介绍AI在制造业、航天、金融、医疗、出行、商业等领域的应用。
4）每章配有思维导图、正文穿插案例和大案例、讨论或操作题、调查、实验等。
本书配套资源、样书均可在本页下载申请，也可联系微信13146070618索取
随着人工智能时代的到来，各行各业都已渗透了人工智能的理论、方法和技术。本书通俗地讲解AI的起源、发展，将行业应用与技术发展相结合进行叙述，能够让读者快速了解人工智能，掌握各行各业AI应用的前沿动态和技术。 本书内容包括：第1章人工智能概述，第2章大数据与人工智能，第3章机器学习，第4章深度学习，第5章大模型技术及应用，第6章人工智能伦理，第7章人工智能在工业中的应用，第8章人工智能在医疗领域的应用，第9章人工智能在交通领域的应用，第10章人工智能赋能生物识别，第11章人工智能在金融领域的应用，第12章智能商务，第13章人工智能在航天领域的应用，第14章人工智能的未来展望。 本书图、文、表并茂，浅显易懂，并引入典型领域的应用，结合相关领域知识，文科、理科都可选用。本书既可以作为高等院校、职业院校低年级的人工智能通识课教材，也可以作为企业培训参考用书。
作者信息
杨尊琦，天津财经大学管理科学与工程学院教授。全国新工科教材编委。从事高校教育三十年。主持和参与完成国家项目1项，参与完成12项国家自然科学基金项目，2项局级课题。发表科学论文20余篇。天津港大数据历届培训讲师，海关总署ERP培训讲师，主编计算机专业课教材10余部。天津市第十五届教学名师奖，国家一流专业建设点负责人。
章节目录
前言
第1章 人工智能概述 1
1.1 什么是人工智能 2
1.1.1 人类智能 2
1.1.2 人类大脑 6
1.1.3 人工智能 7
1.2 人工智能发展概况 9
1.2.1 人工智能前期积累 10
1.2.2 人工智能的形成阶段 11
1.2.3 人工智能的曲折发展 12
1.2.4 人工智能的繁荣发展 14
1.3 思考与练习 14
第2章 大数据与人工智能 15
2.1 大数据基础 16
2.1.1 大数据的特征和结构类型 16
2.1.2 大数据的价值 19
2.2 大数据与云计算 21
2.2.1 什么是云计算 21
2.2.2 云计算的服务模型 22
2.2.3 云存储、超算和算力 24
2.3 大数据的核心技术 26
2.3.1 数据的采集 26
2.3.2 数据的处理 27
2.3.3 大数据分析 30
2.3.4 数据可视化 32
2.4 大数据与人工智能的关系 37
2.4.1 大数据是人工智能的基石与动力 37
2.4.2 人工智能促进大数据的价值化 38
2.4.3 人工智能和大数据相辅相成，深度融合 38
2.5 身边的大数据与人工智能 39
2.6 思考与练习 41
第3章 机器学习 43
3.1 什么是机器学习 45
3.1.1 机器学习的概念 46
3.1.2 机器学习的发展 46
3.1.3 机器学习的基本问题和流程 48
3.2 机器学习的分类 49
3.2.1 监督学习：数据驱动的精准预测 50
3.2.2 无监督学习：探索数据中的隐藏奥秘 50
3.2.3 半监督学习：融合标注与未标注数据的智慧学习 51
3.2.4 强化学习：在动态交互中优化决策 51
3.3 机器学习的算法 52
3.3.1 回归算法：数值预测的建模利器 52
3.3.2 聚类算法：数据分组的无监督能手 53
3.3.3 决策树算法：特征驱动的智能分类与回归利器 55
3.3.4 朴素贝叶斯分类算法：特征独立的概率分类利器 56
3.3.5 K-近邻算法：以距离定归属的分类利器 57
3.3.6 支持向量机算法：划分数据的超平面构建者 58
3.4 机器学习的应用 59
3.5 机器学习的未来展望 60
3.6 思考与练习 61
第4章 深度学习 62
4.1 神经网络 63
4.1.1 神经元 63
4.1.2 感知器 65
4.1.3 人工神经网络 66
4.1.4 反向传播算法 66
4.2 深度学习的起源与发展 67
4.2.1 浅层学习 67
4.2.2 深度学习的提出 68
4.2.3 深度学习在现代AI中的地位 68
4.3 深度学习关键技术 69
4.3.1 卷积神经网络 69
4.3.2 生成对抗网络 71
4.3.3 注意力机制 72
4.4 进化计算 73
4.4.1 进化算法概述 73
4.4.2 遗传算法 74
4.4.3 进化规划 75
4.4.4 进化策略 76
4.4.5 进化计算算法对比 76
4.5 群体智能 77
4.5.1 蚁群优化算法 77
4.5.2 粒子群优化算法 79
4.5.3 人工鱼群算法 81
4.6 思考与练习 82
第5章 大模型技术及应用 83
5.1 大模型概述 84
5.1.1 大模型的定义与发展历程 84
5.1.2 大模型与人工智能的关系 85
5.2 大模型的核心技术 88
5.2.1 Transformer架构 88
5.2.2 预训练与微调技术 89
5.2.3 参数规模与计算资源需求 91
5.3 大模型的关键特性 92
5.3.1 涌现能力与泛化能力 92
5.3.2 多任务学习与迁移学习 94
5.4 大模型的应用领域 94
5.4.1 自然语言处理 94
5.4.2 计算机视觉 95
5.4.3 语音识别 96
5.5 大模型的部署与应用 98
5.5.1 本地部署与云端服务 98
5.5.2 数据隐私与安全问题 99
5.5.3 成本优化与资源管理 99
5.6 大模型案例与智能体 100
5.6.1 GPT-3与GPT-4的应用 100
5.6.2 国内外大模型产品案例 101
5.6.3 DeepSeek与其他创新模型 101
5.7 思考与练习 102
第6章 人工智能伦理 103
6.1 人工智能伦理概述 104
6.1.1 人工智能伦理的定义与重要性 104
6.1.2 人工智能伦理的历史背景与发展 106
6.1.3 人工智能伦理的基本原则 107
6.2 人工智能伦理的核心议题 111
6.2.1 数据隐私与安全困境 112
6.2.2 算法安全风险 112
6.2.3 网络安全风险 113
6.2.4 国家安全风险 113
6.2.5 人工智能的责任归属难题 113
6.3 人工智能伦理在多领域的冲突 113
6.3.1 医疗领域的伦理权衡 114
6.3.2 交通出行的伦理变革 114
6.3.3 金融服务中的伦理挑战 115
6.3.4 智能机器“人替”伦理困境 115
6.4 面向未来的人工智能伦理构建 116
6.5 思考与练习 117
第7章 人工智能在工业中的应用 119
7.1 工业4.0概述 120
7.1.1 工业4.0的起源与定义 120
7.1.2 工业4.0的核心概念和目标 122
7.2 工业4.0的技术基础 124
7.2.1 工业物联网技术在工业4.0中的角色 124
7.2.2 高级生产计划与排程计划 124
7.2.3 零部件质量控制与表面缺陷识别 126
7.2.4 设备状态监测与故障诊断 128
7.3 智慧工厂 129
7.3.1 智慧工厂的整体架构与功能模块 130
7.3.2 基于大数据的智慧工厂生产运作管理 131
7.3.3 智慧工厂的信息集成与协同 132
7.3.4 智慧工厂的智能化决策 133
7.4 工业人工智能的未来发展趋势 135
7.5 思考与练习 135
第8章 人工智能在医疗领域的应用 137
8.1 人工智能与医疗概述 138
8.1.1 传统医疗领域面临的挑战与需求 139
8.1.2 智能医学的定义与特点 141
8.2 病理图像智能解读 142
8.2.1 医学影像处理 142
8.2.2 基于大语言模型的病理图像分析 145
8.3 人工智能辅助医疗方案 146
8.3.1 健康方案推荐与疗效预测 146
8.3.2 疾病监测与风险评估 147
8.3.3 图神经网络与药物研发 148
8.3.4 生物医学关联预测 150
8.4 医疗机器人技术 151
8.4.1 手术机器人 151
8.4.2 护理机器人 152
8.5 医疗管理及公共卫生智能优化与防控 153
8.5.1 医疗资源调配 153
8.5.2 动态网络模型构建传染病传播路径 154
8.6 医疗人工智能的未来发展 155
8.7 思考与练习 156
第9章 人工智能在交通领域的应用 157
9.1 智慧交通概述 158
9.1.1 传统交通的痛点分析 159
9.1.2 智慧交通 160
9.1.3 智慧交通的新范式 161
9.2 自动驾驶的交通工具 162
9.2.1 自动驾驶的基础认知 163
9.2.2 自动驾驶的AI应用 165
9.3 智慧交通基础设施 169
9.3.1 车路协同基础设施 169
9.3.2 功能性基础设施 170
9.4 大数据驱动的交通大脑 172
9.4.1 交通大数据 172
9.4.2 数字交通大脑 173
9.4.3 交通大脑助力交通管控 174
9.5 人工智能赋能出行服务 179
9.5.1 智能导航系统 179
9.5.2 智能旅行推荐系统 179
9.5.3 智能停车系统 181
9.6 思考与练习 181
第10章 人工智能赋能生物识别 183
10.1 生物识别概述 184
10.1.1 生物识别的定义 184
10.1.2 生物识别关键技术解析 186
10.1.3 生物识别技术的发展历程 188
10.2 人工智能赋能生物识别的应用场景 189
10.2.1 智能视觉 189
10.2.2 智能声学 191
10.2.3 智能瞳影 194
10.2.4 解锁自然生物密码 196
10.3 生物识别开放平台体验 198
10.3.1 生物特征识别开放平台介绍 198
10.3.2 任务实施—百度人工智能生物特征识别开放平台体验 199
10.4 人工智能和生物识别深度融合的新航迹 201
10.5 思考与练习 202
第11章 人工智能在金融领域的应用 204
11.1 智能金融的发展路径 206
11.1.1 智能金融的起源与发展 206
11.1.2 智能金融的内涵与主体 207
11.2 智能金融核心技术 207
11.2.1 人工智能与金融 208
11.2.2 机器学习与金融 210
11.2.3 金融中的自然语言处理 211
11.2.4 区块链 213
11.3 智能金融实践 214
11.3.1 智能投顾：算法驱动的个性化投资建议 214
11.3.2 信贷评估：基于大数据的信用评分模型 216
11.3.3 保险科技：AI在保险定价中的应用 217
11.3.4 智能合约：区块链技术在智能支付中的应用 220
11.4 智能金融未来发展趋势 221
11.4.1 技术驱动的范式革新 221
11.4.2 算法治理体系重塑金融权利制衡 222
11.5 思考与练习 223
第12章 智能商务 225
12.1 商务的魔法世界：智能商务 225
12.1.1 智能商务概念 225
12.1.2 智能商务涵盖的关键技术 226
12.1.3 智能商务的应用场景 226
12.1.4 智能商务的机遇与挑战 228
12.2 智能客服 229
12.2.1 聊天机器人背后的秘密 229
12.2.2 智能客服系统的实施 230
12.2.3 聊天机器人的未来 231
12.3 智能推荐：为用户量身定制的购物体验 232
12.3.1 推荐系统是如何“读懂”用户的？ 232
12.3.2 AI如何提高用户的购物乐趣 233
12.3.3 智能推荐的基础是数据 234
12.4 超智能物流：送货就像变魔术 235
12.4.1 智能物流的崛起 235
12.4.2 自动化仓库 236
12.4.3 运输优化 238
12.5 财务助手：AI的“会计”新技能 239
12.5.1 AI如何改变财务工作 240
12.5.2 欺诈检测 240
12.5.3 财务预测 242
12.6 思考与练习 243
第13章 人工智能在航天领域的应用 244
13.1 航天任务的概述 245
13.1.1 航天任务的主要挑战 245
13.1.2 人工智能赋能航天 247
13.2 人造卫星的智能化 249
13.2.1 卫星的自主决策能力 249
13.2.2 卫星遥感数据的智能处理 251
13.3 载人航天中的智能 253
13.3.1 空间交会对接技术 253
13.3.2 航天员助手 254
13.4 智能深空探测机器人 256
13.4.1 探月工程 256
13.4.2 行星探测任务 258
13.5 未来航天的智能发展 260
13.6 思考与练习 261
第14章 人工智能的未来展望 262
14.1 人工智能技术发展趋势 263
14.1.1 跨模态融合技术的发展 263
14.1.2 跨领域融合技术的发展 264
14.2 人工智能与可持续发展 265
14.2.1 人工智能助力环境保护与资源管理 265
14.2.2 人工智能推动循环经济与绿色发展 266
14.3 人工智能的长期社会影响 266
14.3.1 人工智能对就业市场与职业结构的重塑 266
14.3.2 人工智能与人类智能的共生关系 268
14.4 思考与练习 269
参考文献 271
第1章 人工智能概述 1
1.1 什么是人工智能 2
1.1.1 人类智能 2
1.1.2 人类大脑 6
1.1.3 人工智能 7
1.2 人工智能发展概况 9
1.2.1 人工智能前期积累 10
1.2.2 人工智能的形成阶段 11
1.2.3 人工智能的曲折发展 12
1.2.4 人工智能的繁荣发展 14
1.3 思考与练习 14
第2章 大数据与人工智能 15
2.1 大数据基础 16
2.1.1 大数据的特征和结构类型 16
2.1.2 大数据的价值 19
2.2 大数据与云计算 21
2.2.1 什么是云计算 21
2.2.2 云计算的服务模型 22
2.2.3 云存储、超算和算力 24
2.3 大数据的核心技术 26
2.3.1 数据的采集 26
2.3.2 数据的处理 27
2.3.3 大数据分析 30
2.3.4 数据可视化 32
2.4 大数据与人工智能的关系 37
2.4.1 大数据是人工智能的基石与动力 37
2.4.2 人工智能促进大数据的价值化 38
2.4.3 人工智能和大数据相辅相成，深度融合 38
2.5 身边的大数据与人工智能 39
2.6 思考与练习 41
第3章 机器学习 43
3.1 什么是机器学习 45
3.1.1 机器学习的概念 46
3.1.2 机器学习的发展 46
3.1.3 机器学习的基本问题和流程 48
3.2 机器学习的分类 49
3.2.1 监督学习：数据驱动的精准预测 50
3.2.2 无监督学习：探索数据中的隐藏奥秘 50
3.2.3 半监督学习：融合标注与未标注数据的智慧学习 51
3.2.4 强化学习：在动态交互中优化决策 51
3.3 机器学习的算法 52
3.3.1 回归算法：数值预测的建模利器 52
3.3.2 聚类算法：数据分组的无监督能手 53
3.3.3 决策树算法：特征驱动的智能分类与回归利器 55
3.3.4 朴素贝叶斯分类算法：特征独立的概率分类利器 56
3.3.5 K-近邻算法：以距离定归属的分类利器 57
3.3.6 支持向量机算法：划分数据的超平面构建者 58
3.4 机器学习的应用 59
3.5 机器学习的未来展望 60
3.6 思考与练习 61
第4章 深度学习 62
4.1 神经网络 63
4.1.1 神经元 63
4.1.2 感知器 65
4.1.3 人工神经网络 66
4.1.4 反向传播算法 66
4.2 深度学习的起源与发展 67
4.2.1 浅层学习 67
4.2.2 深度学习的提出 68
4.2.3 深度学习在现代AI中的地位 68
4.3 深度学习关键技术 69
4.3.1 卷积神经网络 69
4.3.2 生成对抗网络 71
4.3.3 注意力机制 72
4.4 进化计算 73
4.4.1 进化算法概述 73
4.4.2 遗传算法 74
4.4.3 进化规划 75
4.4.4 进化策略 76
4.4.5 进化计算算法对比 76
4.5 群体智能 77
4.5.1 蚁群优化算法 77
4.5.2 粒子群优化算法 79
4.5.3 人工鱼群算法 81
4.6 思考与练习 82
第5章 大模型技术及应用 83
5.1 大模型概述 84
5.1.1 大模型的定义与发展历程 84
5.1.2 大模型与人工智能的关系 85
5.2 大模型的核心技术 88
5.2.1 Transformer架构 88
5.2.2 预训练与微调技术 89
5.2.3 参数规模与计算资源需求 91
5.3 大模型的关键特性 92
5.3.1 涌现能力与泛化能力 92
5.3.2 多任务学习与迁移学习 94
5.4 大模型的应用领域 94
5.4.1 自然语言处理 94
5.4.2 计算机视觉 95
5.4.3 语音识别 96
5.5 大模型的部署与应用 98
5.5.1 本地部署与云端服务 98
5.5.2 数据隐私与安全问题 99
5.5.3 成本优化与资源管理 99
5.6 大模型案例与智能体 100
5.6.1 GPT-3与GPT-4的应用 100
5.6.2 国内外大模型产品案例 101
5.6.3 DeepSeek与其他创新模型 101
5.7 思考与练习 102
第6章 人工智能伦理 103
6.1 人工智能伦理概述 104
6.1.1 人工智能伦理的定义与重要性 104
6.1.2 人工智能伦理的历史背景与发展 106
6.1.3 人工智能伦理的基本原则 107
6.2 人工智能伦理的核心议题 111
6.2.1 数据隐私与安全困境 112
6.2.2 算法安全风险 112
6.2.3 网络安全风险 113
6.2.4 国家安全风险 113
6.2.5 人工智能的责任归属难题 113
6.3 人工智能伦理在多领域的冲突 113
6.3.1 医疗领域的伦理权衡 114
6.3.2 交通出行的伦理变革 114
6.3.3 金融服务中的伦理挑战 115
6.3.4 智能机器“人替”伦理困境 115
6.4 面向未来的人工智能伦理构建 116
6.5 思考与练习 117
第7章 人工智能在工业中的应用 119
7.1 工业4.0概述 120
7.1.1 工业4.0的起源与定义 120
7.1.2 工业4.0的核心概念和目标 122
7.2 工业4.0的技术基础 124
7.2.1 工业物联网技术在工业4.0中的角色 124
7.2.2 高级生产计划与排程计划 124
7.2.3 零部件质量控制与表面缺陷识别 126
7.2.4 设备状态监测与故障诊断 128
7.3 智慧工厂 129
7.3.1 智慧工厂的整体架构与功能模块 130
7.3.2 基于大数据的智慧工厂生产运作管理 131
7.3.3 智慧工厂的信息集成与协同 132
7.3.4 智慧工厂的智能化决策 133
7.4 工业人工智能的未来发展趋势 135
7.5 思考与练习 135
第8章 人工智能在医疗领域的应用 137
8.1 人工智能与医疗概述 138
8.1.1 传统医疗领域面临的挑战与需求 139
8.1.2 智能医学的定义与特点 141
8.2 病理图像智能解读 142
8.2.1 医学影像处理 142
8.2.2 基于大语言模型的病理图像分析 145
8.3 人工智能辅助医疗方案 146
8.3.1 健康方案推荐与疗效预测 146
8.3.2 疾病监测与风险评估 147
8.3.3 图神经网络与药物研发 148
8.3.4 生物医学关联预测 150
8.4 医疗机器人技术 151
8.4.1 手术机器人 151
8.4.2 护理机器人 152
8.5 医疗管理及公共卫生智能优化与防控 153
8.5.1 医疗资源调配 153
8.5.2 动态网络模型构建传染病传播路径 154
8.6 医疗人工智能的未来发展 155
8.7 思考与练习 156
第9章 人工智能在交通领域的应用 157
9.1 智慧交通概述 158
9.1.1 传统交通的痛点分析 159
9.1.2 智慧交通 160
9.1.3 智慧交通的新范式 161
9.2 自动驾驶的交通工具 162
9.2.1 自动驾驶的基础认知 163
9.2.2 自动驾驶的AI应用 165
9.3 智慧交通基础设施 169
9.3.1 车路协同基础设施 169
9.3.2 功能性基础设施 170
9.4 大数据驱动的交通大脑 172
9.4.1 交通大数据 172
9.4.2 数字交通大脑 173
9.4.3 交通大脑助力交通管控 174
9.5 人工智能赋能出行服务 179
9.5.1 智能导航系统 179
9.5.2 智能旅行推荐系统 179
9.5.3 智能停车系统 181
9.6 思考与练习 181
第10章 人工智能赋能生物识别 183
10.1 生物识别概述 184
10.1.1 生物识别的定义 184
10.1.2 生物识别关键技术解析 186
10.1.3 生物识别技术的发展历程 188
10.2 人工智能赋能生物识别的应用场景 189
10.2.1 智能视觉 189
10.2.2 智能声学 191
10.2.3 智能瞳影 194
10.2.4 解锁自然生物密码 196
10.3 生物识别开放平台体验 198
10.3.1 生物特征识别开放平台介绍 198
10.3.2 任务实施—百度人工智能生物特征识别开放平台体验 199
10.4 人工智能和生物识别深度融合的新航迹 201
10.5 思考与练习 202
第11章 人工智能在金融领域的应用 204
11.1 智能金融的发展路径 206
11.1.1 智能金融的起源与发展 206
11.1.2 智能金融的内涵与主体 207
11.2 智能金融核心技术 207
11.2.1 人工智能与金融 208
11.2.2 机器学习与金融 210
11.2.3 金融中的自然语言处理 211
11.2.4 区块链 213
11.3 智能金融实践 214
11.3.1 智能投顾：算法驱动的个性化投资建议 214
11.3.2 信贷评估：基于大数据的信用评分模型 216
11.3.3 保险科技：AI在保险定价中的应用 217
11.3.4 智能合约：区块链技术在智能支付中的应用 220
11.4 智能金融未来发展趋势 221
11.4.1 技术驱动的范式革新 221
11.4.2 算法治理体系重塑金融权利制衡 222
11.5 思考与练习 223
第12章 智能商务 225
12.1 商务的魔法世界：智能商务 225
12.1.1 智能商务概念 225
12.1.2 智能商务涵盖的关键技术 226
12.1.3 智能商务的应用场景 226
12.1.4 智能商务的机遇与挑战 228
12.2 智能客服 229
12.2.1 聊天机器人背后的秘密 229
12.2.2 智能客服系统的实施 230
12.2.3 聊天机器人的未来 231
12.3 智能推荐：为用户量身定制的购物体验 232
12.3.1 推荐系统是如何“读懂”用户的？ 232
12.3.2 AI如何提高用户的购物乐趣 233
12.3.3 智能推荐的基础是数据 234
12.4 超智能物流：送货就像变魔术 235
12.4.1 智能物流的崛起 235
12.4.2 自动化仓库 236
12.4.3 运输优化 238
12.5 财务助手：AI的“会计”新技能 239
12.5.1 AI如何改变财务工作 240
12.5.2 欺诈检测 240
12.5.3 财务预测 242
12.6 思考与练习 243
第13章 人工智能在航天领域的应用 244
13.1 航天任务的概述 245
13.1.1 航天任务的主要挑战 245
13.1.2 人工智能赋能航天 247
13.2 人造卫星的智能化 249
13.2.1 卫星的自主决策能力 249
13.2.2 卫星遥感数据的智能处理 251
13.3 载人航天中的智能 253
13.3.1 空间交会对接技术 253
13.3.2 航天员助手 254
13.4 智能深空探测机器人 256
13.4.1 探月工程 256
13.4.2 行星探测任务 258
13.5 未来航天的智能发展 260
13.6 思考与练习 261
第14章 人工智能的未来展望 262
14.1 人工智能技术发展趋势 263
14.1.1 跨模态融合技术的发展 263
14.1.2 跨领域融合技术的发展 264
14.2 人工智能与可持续发展 265
14.2.1 人工智能助力环境保护与资源管理 265
14.2.2 人工智能推动循环经济与绿色发展 266
14.3 人工智能的长期社会影响 266
14.3.1 人工智能对就业市场与职业结构的重塑 266
14.3.2 人工智能与人类智能的共生关系 268
14.4 思考与练习 269
参考文献 271
图书评论
