初中信息技术浙教版（2023）八年级下册人工智能技术基础教学ppt课件

这是一份初中信息技术浙教版（2023）八年级下册人工智能技术基础教学ppt课件，共30页。PPT课件主要包含了思考与讨论，量·Volume，案例展示强大的算力，课堂练习巩固新知，课堂小结知识回顾，价值认知与展望等内容，欢迎下载使用。
情境导入：我们身边的AI
打开短视频APP，它总能精准推荐你喜欢的视频内容，懂你所爱。
用手机拍下一朵不认识的花，它能立刻告诉你花的名称和详细信息。
对着智能音箱说一句话，它就能听懂指令，为你播放音乐、查询天气。
这些AI应用给我们带来了极大的便利，大家有没有想过：它们为什么能实现这些“智能”功能？它们背后到底依靠什么技术来支撑呢？
互动时刻：请同学们自由发言，分享你的猜测和想法。
本节课主题：人工智能技术基础
大家的猜测都非常有道理！这些智能功能的实现，离不开人工智能的三大核心技术基础。今天，我们就将一起深入学习，揭开AI背后的技术奥秘。
AI的“燃料”与“原料”海量高质量数据是模型训练的基础
算法 (Algrithm)
AI的“大脑”与“灵魂”决定了模型如何学习与处理信息
算力 (Cmputing Pwer)
AI的“肌肉”与“引擎”强大的计算能力支撑复杂模型的运算
新知探究一：数据——人工智能的“燃料”
如果把AI比作一辆汽车…
那么数据就是驱动它前进的“燃料”。人工智能的学习、判断和预测，都离不开海量数据的支撑。
核心类比：万物生长皆需“养分”
DATA = AI FUEL数据是人工智能的动力之源
案例分析：智能花卉识别
核心目标：构建数据模型，实现手机拍照自动识别花卉种类并提供详细信息。
收集并导入数百万张涵盖不同种类、角度、光照条件的花卉高清图片，构建一个丰富、多样的图像数据集，为AI学习提供基础。
人工或半自动化地为每张图片打上标签，精确标注花卉名称、所属科属，以及花瓣形状、颜色、叶片纹理等关键特征，让数据“可读”。
将标注好的数据集输入到AI算法模型中进行深度学习，让AI掌握不同花卉的视觉特征与标签之间的对应关系，从而具备在拍照时准确识别花卉的能力。
互动讨论：生活中的数据
核心问题：除了花卉识别，大家想想生活中还有哪些AI应用需要海量数据支撑？这些数据又是从哪里来的呢？
语音识别需要大量不同年龄、性别、地域的语音样本数据，以适配各类发音习惯。
智能推荐依赖用户的浏览、点赞、收藏及购买记录，构建个人行为画像数据。
人脸识别需要海量在不同角度、光线、妆容下拍摄的人脸图像数据。
常见数据来源：用户主动产生的使用记录 | 各类设备传感器实时采集 | 科研机构公开数据集 | 企业/政府的专业采集与合作
关键点：数据的“质”与“量”
海量数据积累深度学习算法的核心在于“见多识广”。AI 模型需要从海量的、多样化的数据中，归纳出客观世界的普遍规律和特征，从而具备强大的泛化能力，应对复杂多变的现实场景。
质 · Quality
准确 · 完整 · 有标注数据质量直接决定模型上限，业界公认原则：“垃圾进，垃圾出 (Garbage In, Garbage Out)”。例如：若训练集中将“玫瑰”错误标注为“牡丹”，AI 很可能在实际应用中发生严重的识别错误。
数据时代的“燃料”：随着物联网(IT)、智能手机、智能穿戴设备的全面普及，我们正处于一个“数据爆炸”的时代。这些海量产生的数据，只要经过科学的清洗与标注，就能转化为驱动 AI 飞速发展的优质“燃料”。
小结：数据是AI的“燃料”
没有数据，AI就无法学习和工作。数据是人工智能系统赖以生存和发展的基石。
庞大的数据量是AI发现规律的前提。数据越丰富，模型越能学习到复杂多变的特征。
准确、完整、有标注的数据才能训练出聪明的AI。否则只会导致“垃圾进，垃圾出”。
新知探究二：算法 —— 人工智能的“大脑”
过渡思考有了数据作为AI运行的“燃料”，还需要一个核心部件来分析数据、做出判断。这个驱动AI思考的“大脑”，就是算法。
算法定义算法是为解决特定问题而设计的一系列明确、可执行的步骤和规则。它是人工智能系统的核心逻辑引擎。
核心价值从海量无序的数据中挖掘信息，发现规律、预测结果，并最终为AI提供逻辑支撑以做出科学决策。
ALGORITHMAI Decisin Engine人工智能的思考中枢 · 智能决策的底层逻辑
案例拆解：短视频智能推荐
你看了哪些视频？看了多久？点赞了哪些？跳过了哪些？这些细微的行为都会被记录。
通过算法模型分析处理，提炼出你的偏好标签：比如你更喜欢“科技类”内容，且偏爱“5分钟以内”的短视频。
系统从海量视频库中筛选出与你的偏好高度匹配的内容，并按照预估的喜欢程度，个性化地推送到你的首页。
对比分析：两种推荐算法
简单算法(如：按发布时间推荐)
▍ 规则：最新发布的视频排在前面，不涉及复杂计算。▍ 特点：不考虑用户历史行为和喜好，呈现“千人一面”的结果，缺乏针对性。
智能算法(如：协同过滤推荐)
▍ 规则：深度挖掘用户行为数据，通过算法匹配“口味相似”的用户，推荐他们喜欢的内容。▍ 特点：不断学习并适应用户偏好，实现“千人千面”的个性化分发，更懂用户的需求。
思考：为什么智能算法更贴合我们的需求？
拓展思考：AlphaG的“大脑”
CASE / 核心案例AlphaG 如何战胜世界围棋冠军？
学习海量数据学习了人类历史上数百万局围棋棋谱，建立基础认知。
总结下棋规律从海量数据中提炼策略模式，形成超越人类的“直觉”。
选择最优解在对弈中快速计算所有可能性，锁定胜率最高的走法。
? 结论：算法的优劣，直接决定了AI的“聪明程度”
AlphaG vs 李世石2016年，五局四胜，人工智能里程碑之战
小结：算法是AI的“大脑”
算法是AI系统的“大脑”，负责接收数据、逻辑分析，并最终做出思考与决策。
算法的质量直接决定AI能力的强弱，优秀的算法能让AI模型更精准、更“聪明”地解决复杂问题。
机器学习、深度学习等复杂算法的持续演进与技术创新，是推动AI不断发展和突破的关键引擎。
新知探究三：算力 —— 人工智能的“动力”
有了数据“燃料”和算法“大脑”，AI 还需要强大的“动力”来快速运转。而支撑这一切高效运作的底层基石，就是算力。
▍ 什么是算力？简单来说，算力就是指计算机的运算能力。它是衡量系统性能的重要指标，主要包含系统的数据运算速度与海量数据存储容量等核心要素。
▍ 算力的核心作用算力是人工智能产业发展的底座与引擎，更是支撑 AI 模型进行复杂训练、推理并实现高效运行的根本保障。
AI 核心动力引擎Cmputing Pwer
AI技术需要处理海量级数据（如百万级人脸图像），并运行高复杂度的深度学习算法，普通个人电脑的计算能力难以满足需求。
为了支撑AI的高效运行，我们需要依靠具备超强并行处理能力的超级计算机与专门优化的AI 专用芯片，提供源源不断的强大算力支持。
我国自主研发的高性能计算系统为AI发展奠定坚实基础：• “神威·太湖之光”超级计算机• “天河二号”超级计算机
“神威·太湖之光”超级计算机
“天河二号”超级计算机
互动讨论：算力不足会怎样？
? 核心问题：如果算力不足，AI会出现什么问题？结合生活中的真实例子，和同桌说说你的想法。
语音识别半天出不来结果，手机AI修图功能加载很久，体验感极差。
算法来不及分析所有用户数据，导致推荐的视频、商品一点都不准。
老手机配置太低，根本打不开需要大量算力的AI特效、大模型聊天等功能。
? 联系生活：其实我们手机、电脑里的 CPU 和 GPU 就是提供算力的“引擎”。就像汽车发动机越强跑得越快，处理器越高端，运行AI功能就越流畅！
算力 = 处理速度算力不足，就像水从沙漏中流走一样慢，所有AI服务都会被“拖后腿”。
关键点：算力的“硬支撑”
算力是基础建设如同国家的交通、电力一样，算力是数字经济时代的新型基础设施，为各行各业的数字化转型提供源源不断的动力。
自主研发的重要性我国高度重视算力技术研发，自主研发的AI芯片、超级计算机已达到世界先进水平，突破核心技术壁垒，掌握发展主动权。
科技自立自强强大的自主算力，是保障AI产业供应链安全、推动高质量发展的关键，是科技自立自强的重要体现。
数字经济 · 算力基石DIGITAL ECONOMY CORNERSTONE
构建算力基础设施体系夯实国家发展的“数字底座”
小结：算力是AI的“动力”
为海量的数据处理和复杂的算法模型运行提供源源不断的动力与坚实基础。
从训练大模型到处理复杂AI任务，都离不开超级计算机和先进AI芯片的强大算力支持。
构建自主可控的算力基础设施，已成为衡量国家科技竞争力与综合国力的重要标志。
新知探究四：三大技术的协同关系
数据、算法、算力不是孤立存在的，而是相互依赖、相互促进、缺一不可的协同关系。它们共同构成了人工智能技术的“铁三角”核心支柱。
算法 Algrithm智能系统的“大脑”与逻辑核心，负责挖掘数据价值，指导算力工作。
数据 DataAI 发展的“燃料”与基石，为算法提供训练素材，决定了智能的上限。没有海量数据，AI就无法“学会”技能。
算力 Cmputing PwerAI 运行的“引擎”与动力，为算法处理海量数据提供强大的硬件计算能力，是实现实时智能响应的保障。
关系梳理：三大技术协同工作
? 核心作用为智能系统提供最基础的学习素材与分析原料，是所有智能活动的起点。? 相互关系算法需要高质量的数据进行“训练”以优化模型；算力则需消耗大量数据进行实时处理，转化为可用信息。
? 核心作用负责分析海量数据，挖掘内在规律，并基于逻辑规则做出决策或预测，是智能的“灵魂”。? 相互关系杂乱的数据需要通过算法来提炼价值；算力则是运行复杂算法、实现实时推理的必要条件。
? 核心作用提供强大的计算资源，支撑数据处理与模型运行，确保智能应用在现实世界中的高效落地。? 相互关系数据和算法最终都需要依靠强大的算力来实现价值，算力是连接理论模型与现实应用的物理基础。
案例串联分析：人脸识别打卡
01. 数据 (燃料)采集员工的人脸图像，标注身份信息，形成基础人脸数据库，是系统运转的“原料”。
02. 算法 (大脑)人脸识别算法学习数据库中的数据，提取每个人脸的独特特征规律，是系统的“智慧核心”。
03. 算力 (动力)打卡机中的AI芯片快速运行算法，将抓拍人脸与数据库比对，提供强大的“计算动力”。
? 协同结论数据、算法、算力三者缺一不可，只有紧密协同，才能实现毫秒级响应、准确率极高的人脸识别打卡体验。“缺了燃料跑不动，缺了大脑变盲目，缺了动力寸步难行。”
深度思考：缺少一项会怎样？
核心问题：“如果缺少其中一项，人脸识别打卡能实现吗？为什么？”
缺少数据算法没有素材可学习，就像一个没有见过人脸的婴儿，无法识别任何人。
缺少算法有一堆人脸数据，但不知道如何分析和比对，数据只是一堆无用的图片。
缺少算力算法虽然能运行，但比对速度极慢，打一次卡可能需要几分钟，完全失去了实用价值。
自主举例：智能语音助手
请同学们尝试用今天所学的知识，分析智能语音助手（如 Siri、小爱同学）背后的数据、算法、算力三者之间的协同关系。
? 思考框架•数据：系统是基于什么“原材料”进行学习和响应的？•算法：声音如何变成文字？文字又如何被“理解”并给出回答？•算力：是依靠你的手机还是云端服务器来支撑这些计算？
✅ 参考答案解析•数据：收集并处理的海量人类语音录音数据、文字对话记录。•算法：语音识别(ASR)将声音转为文本 + 自然语言处理(NLP)理解语义并生成回答。•算力：本地设备芯片 + 云端大规模服务器集群的强大计算能力。
DATA数据?录音 / 文本 / 交互日志
ALGORITHM算法?语音识别 / 语义理解 / 意图匹配
COMPUTE算力?本地芯片 / 云端服务器集群
小结：协同进步，推动AI发展
人工智能的发展历程，就是数据不断丰富、算法不断优化、算力不断提升的过程。三大技术支柱协同进步，才能推动AI从单一功能向更智能、更高效、更具创造力的方向持续演进。
海量、多样且高质量的数据是AI训练的“燃料”。丰富的数据为模型提供了充足的学习样本，决定了AI能力的“下限”。
从传统机器学习到深度学习，再到大模型架构的持续迭代，算法的优化不断挖掘数据的价值，决定了AI能力的“上限”与逻辑推理能力。
高性能GPU/TPU芯片与分布式集群技术是AI发展的“发动机”。强大的算力支撑起万亿级参数大模型的高效训练与快速推理。
AI 智能未来从感知智能迈向认知智能，构建更高效、更具创造力的智慧新世界。
人工智能的三大技术基础是______、______、______。
算法是人工智能的______，负责从数据中______。
算力是人工智能的______，保障AI______运行。
案例分析：智能导航规划路线
? 案例场景日常出行中，我们打开手机地图APP，输入目的地后，应用瞬间就能为我们计算出多条可选路线，并实时规避拥堵，这背后是典型的AI技术的综合应用。
? 思考一：拆解核心要素请尝试拆解，在路线规划过程中，数据、算法、算力分别具体指代什么内容？它们各自有什么特征？
⚙️ 思考二：协同工作逻辑三者之间是如何紧密配合、相互作用，最终在毫秒级时间内，为我们规划出“最优”路线的？
01数 据AI 的“燃料”—— 是智能应用的基石 ——
02算 法AI 的“大脑”—— 是智能决策的核心 ——
03算 力AI 的“动力”—— 是高效运转的保障 ——
关键逻辑：三大技术支柱并非孤立存在，而是相互依赖、协同工作、缺一不可，共同支撑起人工智能实现感知、理解、决策等各类复杂的智能功能。
01 科技力量三大技术是AI发展的核心支撑，是衡量国家科技实力的重要标志，为未来发展奠定基石。
02 国家发展我国在算力、算法领域的自主创新，正在推动AI产业高质量发展，增强国家核心竞争力。
03 我们的责任树立科技意识，密切关注前沿技术发展，努力学习科学文化知识，肩负起时代赋予的使命。