5.1 人工智能的产生与发展（教学设计）信息技术浙教版2019必修1

该高中信息技术教学设计聚焦人工智能的概念、三种实现方法及发展历程，通过播放2035年智能社会视频导入，结合提问引导学生讨论身边AI实例，逐步梳理概念内涵、技术背景与方法分类，再按时间线呈现发展历程，构建递进式知识支架。 特色在于情境化与案例驱动教学，视频导入激发兴趣培养信息意识，三种方法对比分析（如用AlphaGo说明联结主义、扫地机器人说明行为主义）渗透计算思维，小组合作与课堂练习促进数字化学习与创新，助力学生深化理解，为教师提供丰富资源与清晰教学路径。

5.1 人工智能的产生与发展 1课时（教学设计） 年级 高一年级 授课时间 课题 5.1 人工智能的产生与发展 教学 目标 1.理解人工智能的概念，能结合实例辨别人工智能技术； 2.了解人工智能产生及其发展历史，能初步辩证地看待人工智能的发展。 教学 重难点 重点： 1.掌握常用数据处理和统计分析工具的常见使用方法； 2.了解人工智能的发展历程。 难点： 理解实现人工智能的三种方法。 教学 准备 多媒体课件、多媒体教室 教学过程 教师活动 学生活动 新 课 导 入 一、课堂导入 1.通过播放2035年中国将进入智能社会的视频来引入本节课的主题。 在同学们观看了视频后抛出问题，引出同学们的思考。 2035年，我国将全面进入智能社会，那么同学们，你们了解人工智能的产生与发展历程么？ 近年来，人工智能已经深刻而广泛地影响着人们的生活。从刷脸支付到交通出行预测，从扫地机器人到无人驾驶飞机，从“深蓝”到AlphaGo，都渗透着人工智能的创新应用。 人们依靠智能导航出行，通过语音与机器互动，应用智能工具搜索知识信息……已自觉或不自觉地处于人工智能的环境中。 通过播放2035年中国将进入智能社会的视频和提问的方式导入教学，激发学习热情和探究欲望。 新 知 讲 授 一、人工智能的概念 请同学们相互讨论一下，并列举身边的人工智能有哪些？ 智能诊断系统、人脸识别、微信语音转文字、扫地机器人、同声翻译 、小冰写诗、手写识别…… 以小组为单位，讨论交流什么是人工智能，并进行分享。 人工智能，是指以机器（计算机）为载体，模仿、延伸和扩展人类智能，其与人类或其他动物所呈现的生物智能有着重要区别。 以小组为单位讨论交流并总结归纳人工智能产生的背景是什么？ ①数学和统计学的发展：数学和统计学是人工智能的重要理论基础。 ②控制论和信息论的发展：控制论和信息论为人工智能的发展提供了理论指导。 ③随着社会的发展，人类面临着越来越多复杂的问题，如大规模数据分析、复杂系统的控制与优化等。 ④计算机技术的发展：计算机的出现和快速发展为人工智能的产生提供了物质基础。 ⑤认知科学是研究人类认知过程和智能本质的学科。神经科学的发展以及哲学和心理学的发展。 ⑥工业革命以来，人类一直在寻求提高生产效率的方法。人工智能技术可以实现自动化生产、智能物流、智能管理等，从而大大提高生产效率和质量。 人工智能作为一门多学科广泛交叉的前沿科学，不仅涉及计算机科学，还涉及控制科学、认知科学、心理科学、脑及神经科学、生命科学、语言学、逻辑学、行为科学、教育科学、数理科学等众多学科领域，其学科结构如下图所示。 人工智能学科结构 在长期的研究过程中，不同专家学者通过从不同方面来实现人类智能，形成了人工智能的三种主要方法，即符号主义、联结主义和行为主义。 符号主义（Symbolicism），又称逻辑主义、心理学派或计算机学派，认为学习或者其他的智能特征原则上均可以被符号精确地描述，从而被机器仿真。因此，在符号主义人工智能中，智能行为就是对符号的推理和运算。在这种方法中，每个符号反映了其在客观世界中的语义，如IsCar（A）表示A这个符号为“小车”或者“不为小车”。但是，人类某些语义并不能被精确描述，如“仁义”“微笑”等语义就很难直接用符号来描述。 大前提所有的手机都需要充电和小前提iphone是手机推理出结论：iphone需要充电。 联结主义（Connectionism），又称仿生学派或生理学派，通过模仿人类大脑中神经元之间的复杂交互来进行认知推理。在这种方法中，需要从海量数据出发，学习神经网络中成千上万的神经元之间的关联关系，这些关联关系通过神经元之间的链接权重来刻画。如果两个神经元之间的权重很大，表示输入端数据激活了这两个神经元。于是，所有被激活的神经元以逐层递进的形式来一起刻画数据中所蕴含的模式（即概念或知识）。目前性能表现优越的深度学习就是这种学习方法的典型代表。 深度学习：信息→大脑思考→结论 行为主义（Actionism），又称进化主义或控制论学派，这一方法从“交互—反馈”角度来刻画智能行为，认为智能体可以在与环境的交互中不断学习，从而提升自己的智能水平。如将一台扫地机放入一个会场，其事先并不知道会场中桌椅的摆放形式。于是，扫地机在运动中不断从环境中学习，如墙壁挡路则避让、桌椅空隙过窄难以通过则后退等，经过一段时间的交互，扫地机就通过学习获悉了环境的全貌，从而提升自身智能水平而自如地执行清扫任务。 毫无疑问，对人工智能的研究将使计算机呈现出更为高级的“智能”，并对人类社会的发展产生深远的影响。 请自主思考列举通过机器为载体所实现的人工智能与人类智能的不同之处！ 机器实现的人工智能与人类智能有很多不同。人类智能具有主观性、情感性和创造性，能在复杂情境中产生独特感悟。而人工智能基于数据和算法，缺乏情感体验。人类智能在面对新问题时可凭借直觉和灵感，人工智能则需大量数据训练。人类能综合多方面因素进行模糊判断，人工智能的判断较为精确但相对局限。此外，人类智能的学习具有自主性和主动性，人工智能的学习是被动按照程序设定进行，缺乏真正的自我意识和自主探索能力。 二、人工智能的发展历程 早在19世纪中期，科学家就萌发了让机器进行自动计算的思想。如1842年，艾达·洛夫莱斯（Ada Lovelace）为当时的一台分析机编写了历史上第一个计算机程序，该程序可自动计算伯努利数（Bernoulli number）。但是，她指出“分析机不能自命不凡，以为自己无论什么问题都能解决。其实它只能完成我们告诉它如何做的事情”。实际上，这道出了大多数“智能系统”只能“机械执行预先设定指令”，无法完成超越指令所指定的任务的实质。 人工智能自1955年登上历史舞台后，在视觉计算、语音识别、机器翻译、问答助理、商品推荐和无人系统等领域蓬勃发展。 1. 从计算到智能测试 20世纪初，人们发现有许多问题经过长期研究，仍然找不到有效的算法。如，无法以清晰的步骤一步一步地证明或证伪著名的费马定理（即当n大于2时，关于x，y，z的方程xn + yn = zn 没有正整数解）。于是人们开始怀疑，是否对某些问题来说，根本就不存在算法，即这些问题是不可计算的。人们开始思考，计算的本质是什么，如何去定义计算。 20世纪30年代，三种计算机制相继被提出，它们分别是原始递归函数、lambda演算和图灵机。已经证明，这三种计算机制在性能上是等效的，即任何一种计算机制所能完成的计算任务均可被其他两种计算机制同样完成；另一方面，如果某一计算任务不能被某一计算机制完成，那么这一任务也无法被其他两种计算机制完成。 由于图灵机可以通过最简单、最基本和最确定的方法，一步一步机械地完成计算任务，图灵机成了现代计算机的理论模型，而其发明人阿兰·图灵也被誉为“现代计算机理论之父”，计算机界的最高奖“图灵奖”就是用其名字来冠名的。 图灵机模型 由于三种计算机制是等效的，因此我们可定义所谓的可计算任务就是图灵可停机任务，即这一任务可通过图灵机一步一步处理，在处理结束（即程序停机）时输出计算结果。 图灵在1937年发表的论文《论可计算数及其在判定问题中的应用》，证明了“不可计算数”的存在，即存在一些“不可计算（不可停机）”的任务。 计算机的诞生为通过机器来模拟人类智能提供了无限的想象空间，促进了人工智能的发展。图灵对“智能测试”这一问题也进行了深入思考，1950年提出了著名的“图灵测试”（Turing Test）。 图灵测试是测试机器是否具有智能的一种方法。在这个测试中，一台机器和一个人被安排在两个彼此隔离的房间中。假设一名法官给机器和人出了10道题目（如人生的意义是什么、节假日中城市景区交通如何等）。如果我们把机器和人的答案收集起来，法官无法区分哪个答案是机器回答、哪个答案是人回答的，那么图灵测试认为机器具有了智能。虽然在2014年图灵测试竞赛上，一个智能程序通过了图灵测试，但是有科学家认为这种测试并不能真正评估人工智能是否具有人类心智，因此又提出了“视觉图灵测试”等概念。 2. 人工智能登上历史舞台 1955年8月，约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Lee Minsky）、香农以及纳撒尼尔·罗切斯特（Nathaniel Rochester）四位学者联名向美国洛克菲勒基金会提交了一份名为“人工智能达特茅斯夏季研讨会”的项目申请书，在这份申请书中首次提出了“人工智能”的术语，从此AI踏入了人类历史长河。这份项目申请书中指出“人工智能” 的研究目标是实现能模拟人类的机器，机器能使用语言，具有概念抽象和理解能力，完成人类自身才能完成的任务，并且不断提高自身的各种能力。申请书中同时希望洛克菲勒基金会能够于1956年夏季资助十余人在美国达特茅斯学院工作两个月，研究人工智能领域面临的七个问题：自动计算机、机器编程、基于神经网络的概念理解、计算复杂性、自我学习与提高、抽象能力、直觉能力。 1956年，这个研讨会在美国达特茅斯学院如期召开，这标志着人工智能作为一门新兴学科正式诞生。人工智能从其诞生之日起，开始了漫长的征途，逐渐形成了符号主义人工智能、联结主义人工智能和行为主义人工智能等代表性方法。 3. 以符号主义表达与推理为代表的人工智能 符号主义人工智能方法认为学习或者其他的智能特征原则上都可以被精确地描述（一般以逻辑形式描述），其包含知识库和推理引擎两个部分。在这种方法中，先要将所有知识以逻辑形式表达，然后依靠推理引擎，去验证命题或谓语正确与否，或者学习推导出新规则、新知识。如IBM研制的“沃森”（Watson）和卡耐基梅隆大学研制的NELL（Never Ending Language Learning，永不停息的语言学习）。 1965年，在斯坦福大学化学专家的配合下，爱德华·费根鲍姆（Edward Feigenbaum）成功研制了第一个专家系统DENDRAL。DENDRAL是化学领域的一位“专家”，在输入化学分子式和质谱图等信息后，通过分析推理来判断有机化合物的分子结构，其分析能力已经接近甚至超过了有关化学专家的水平。DENDRAL专家系统为早期人工智能的发展树立了典范，虽然它只是在实验室内试验，但其意义远远超出了它在实用中创造的价值。 1976年，斯坦福大学的肖特列夫（Shortliff）开发了医学专家系统MYCIN（这个系统在知识工程领域被视为“专家系统的设计规范”）。在MYCIN的知识库里，存放着约450 条判别规则和1000条细菌感染方面的医学知识。MYCIN通过文字形式一边与患者对话，一边进行病情诊断。它通过分支结构规则进行病情诊断，显示患者可能性最高的病因，并给出用药建议。 1977年，费根鲍姆在第五届国际人工智能大会上提出了“知识工程”的概念，为规则驱动或知识驱动的人工智能指明了方向。所谓知识工程，即尽可能对人类知识进行逻辑编码，然后通过推理引擎对编码知识进行操作，形成某一领域的“专家系统”。 在这种方法中，知识的精确化编码是阻碍符号主义人工智能发展的一个瓶颈问题。 如推理引擎会从“所有的鸟都会飞”和“鸵鸟是鸟”这两条知识出发，推导出“鸵鸟会飞” 这条错误知识。造成这个结果的原因是“所有的鸟都会飞”这条知识表述得不严密和不精确。人类很多知识（如视觉知识或灵感等）是无法通过符号编码的，如很难想象如何用符号来表达“仓廪实而知礼节”所蕴含的丰富内涵。 基于规则学习的人工智能方法解释性强（与人类逻辑推理过程相符），但其可拓展性较弱，难以构建完备的知识库和完善的推理方法。 4. 数据驱动的人工智能方法 “手工构造知识库+推理引擎”的“专家系统”虽然能够帮助人们解决一些实际问题，但随着需要解决的问题越来越复杂，这种方法需要手工构造越来越多的知识和规则，导致知识库越来越庞大且无比复杂，维护知识库变得越发困难（如难以增加新知识或难以删除不合适的知识点），同时使得专家系统本身也越发笨拙。有计算机科学家就指出“如果机器人掌握了除学习以外的所有能力，人类很快就会抛弃它”，这句话很好地说明了“专家系统”的局限性，也为人工智能的进一步发展提供了启示，即如何让计算机能从数据本身进行知识学习，而不是单纯依赖专家来手工构造知识。 在这一方面，深度学习成为数据驱动人工智能方法的佼佼者。深度学习是一种对原始数据所蕴含的特征模式进行学习的算法模型。最常用的深度学习模拟人类大脑处理数据的机制，逐层抽象对原始数据进行学习。多层神经网络（包含输入端、隐藏层和输出端）是一种典型的深度学习模型，如下图所示。 多层神经网络 在深度学习中，一旦给定标注数据，根据“端到端（即输入端到输出端）”机制从数据出发，即可学习数据中蕴含的概念或模式，而不需要事先手工构造知识库。例如，给定数万张人脸图像，深度学习从这些人脸图像出发，学习挖掘人脸图像中像素点的空间分布模式，然后就能基于学习得到的像素点空间分布模式来进行人脸识别。在这种方法中，不用事先定义人脸中“左右眼睛对称、眼睛在鼻子上方”等知识，而是直接从数据出发，从数据中学习隐性知识或隐含模式，来指导原始数据的识别和分类。这一数据驱动学习模式不但将我们从手工定义知识的烦冗工作中解放出来，而且解决了某些视觉形象难以通过符号文字来定义的难题。 在深度学习中，一般会构造包含若干层的神经网络，每一层中有若干神经元，前后相邻层中的神经元彼此联结。一旦给定海量数据，就可以学习神经元之间的链接权重。 赫布理论（Hebbian theory）指出，神经元与神经元之间的链接权重会在持续重复的刺激下增加。因此，可将神经网络中神经元之间的链接理解为一种“记忆”，即针对数据中所蕴含的知识而言，神经网络“记忆”了这种知识的模式。 目前，深度学习这一数据驱动方法在自然语言处理、知识图谱构建、图像分类、语音识别和视频运动提取等领域表现出良好的性能，如微软公司研究人员通过152层的“深层残差卷积网络”在2015年ImageNet计算机视觉识别挑战赛中取得了96.43%的图像分类正确率；谷歌公司研发的围棋软件AlphaGo从人类选手棋局中利用深度神经网络学习（由策略网络和价值网络构成）和蒙特卡洛树搜索，初步具备了下棋能力，然后再结合强化学习来进一步提升棋力，于2016年3月战胜了围棋九段棋手李世石。 5. 问题引导下的人工智能学习方法 人工智能典型方法中还存在另外一种学习方式，即问题引导下的试错学习。在这种学习方法中，学习者事先不知道最终答案，而是在学习过程中不断尝试各种解决问题的可能途径，然后根据结果反馈来调整相应的学习方法，这一学习机制叫强化学习。强化学习体现了一种自我学习的能力，即从过去的经验中不断学习，提升能力。如围棋人工智能系统AlphaGo Zero不依赖人类棋手数据而在自我博弈中不断提升棋力，卡耐基梅隆大学研制的德州扑克人工智能Libratus则在与人类选手博弈中不断提高牌技。 三、小结 四、课堂小练 通过提问的方式让同学们先对本节知识点进行一个认知。 让同学们分小组讨论探究问题，让同学们以更好的状态进入课堂学习。 通过图文结合的方式让同学们直截了当的了解人工智能学科结构。 以关键字突出显示的方式展示人工智能的三种主要方法。 将刚才所学的符号主义这一知识点在案例中演示一下，更能让同学们掌握知识点。 将刚才所学的联结主义这一知识点在案例中演示一下，更能让同学们掌握知识点。 让同学们分小组讨论探究问题，将刚才所学的知识在实践中测试一下，以便检测出同学们是否有效的掌握其知识点。 以线性的方式展示19世纪中期人工智能的出现，让同学们在循序渐进中学习。 以线性的方式展示20世纪初期人工智能的出现，让同学们在循序渐进中学习。 通过图文结合的方式让同学们直截了当的了解图灵机模型。 以关键字突出显示的方式人工智能是由哪些人开启的。 以多字段对比的方式展示人工智能领域面临的七个问题，让同学们直观的了解这一知识点。 以概念、方法、案例对比的方式展示符号主义人工智能方法，让同学们在循序渐进中学习。 以时间为导向，循序渐进的展示符号主义是如何呈现在世人面前的。 以优缺点对比的方式展示手工构造知识库+推理引擎，让同学们在对比中学习知识。 通过图文结合的方式让同学们直截了当的了解多层神经网络。 以注意点、案例、作用对比的方式展示深度学习，让同学们在循序渐进中学习。 以两个同学们所知晓的案例对比展示深度学习这一成效。 课 堂 练 习 （有题有答案有解析） 1.在人工智能发展史上，第一阶段为20世纪50年代～80年代，发展遇到的瓶颈是（    ） A．随着计算任务的复杂性不断加大，计算能力不能满足需求 B．人工智能开发成本过高，影响行业研究发展人 C．人工智能面对市场冷遇，缺少实用价值 D．人类惧怕人工智能的发展，研究受到阻碍 答案：A 详解：本题考查人工智能相关内容。20世纪50年代～80年代，人工智能的研究确实遇到了一系列困难，导致发展放缓。（1）技术局限：在这一时期，计算机的计算能力相对较弱，很难处理复杂数学模型和大量数据。此外，早期AI方法，如基于符号操作的方法，也遇到了一些固有的限制，如难以处理模糊概念和不确定性等问题。这些技术局限导致AI研究进展缓慢。（2）资金紧缩：由于技术局限和研究成果不如预期，许多政府和私人资助者开始减少对AI研究的投资。这导致了资金紧缩，使得许多研究项目难以继续开展。（3）过度乐观的预测：在AI研究的早期阶段，部分学者对人工智能的发展做出了过于乐观的预测。然而，随着研究的深入，这些预测未能实现，导致了人们对AI的信心下降。在人工智能发展史上，第一阶段发展遇到的瓶颈是：随着计算任务的复杂性不断加大，计算能力不能满足需求。故本题答案是A选项。 2.机器学习是人工智能技术的核心，是让机器自主模拟人类学习的过程， 从而做出智能决策行为。下图为人类智慧形成过程与机器学习原理的示意图，与机器学习图示中①②③内容依次对应的正确选项是（   ） A．模型、历史数据、算法训练 B．历史数据、模型、算法训练 C．算法训练、模型、历史数据 D．历史数据、算法训练、模型 答案：D 详解：本题考查人工智能相关内容。机器学习是人工智能里的一个子领域，即用机器去学习以前的经验，通过不断地自我学习，不断地优化模型，逐步逼近目标。即学习历史数据——进行算法训练——形成模型。故本题答案是D选项。 3.计算机在某些领域的感知能力已越来越接近人类，主要得益于（   ） A．软件的升级 B．硬件的升级 C．系统的升级 D．运算能力、数据、算法三大要素的发展 答案：D 详解：本题考查人工智能相关内容。计算机人工智能技术和应用飞速发展，在我们生活和工作中都得到大量的普及应用，归功于推动人工智能发展的三大要素：数据、算法和算力。故本题答案是D选项。 4.在20世界50年代，有几位科学家提出想做一台能够像人那样认知、思考和学习的机器，也就是用计算机来模拟人的智能。经过不断的攻坚克难，到目前为止，人工智能发展历史大致可分为（   ） A．二个阶段 B．三个阶段 C．四个阶段 D．五个阶段 答案：B 详解：本题考查人工智能发展阶段相关内容。人工智能的发展大概分为三个阶段。第一个阶段，计算智能阶段，即让计算能存会算：机器开始像人类一样会计算，传递信息。例如分布式计算、神经网络。它的价值是能够帮助人类存储和快速处理海量数据，是感知和认知的基础。第二个阶段，感知智能阶段，即让计算机能听会看：机器开始看懂和听懂，做出判断，采取一些简单行动。例如，可以识别人脸的摄像头、可以听懂语言的音箱。它的价值是能够帮助人类高效地完成“看”和“听”相关的工作。第三个阶段，认知智能阶段，即让计算机能理解会思考：机器开始像人类一样能理解、思考与决策。例如，完全独立驾驶的无人驾驶汽车、自主行动的机器人。它的价值是可以全面辅助或替代人类部分工作。故本题答案是B选项。 5.DENDRAL是一个以符号主义表达和推理为代表的化学领域专家系统。输入化学分子式等信可判断有机化合物的分子结。下列关于该人工智能系统的说法，正确的是（   ） A．包含知识库和推理引擎两部分 B．不依赖数据，采用问题引导下的试错学习 C．通过图灵测试可以评估该系统智能水平的高低 D．通过模仿人类大脑中神经元之间的复杂交互进行认知和推理 答案：A 详解：本题考查人工智能相关系统。A选项，专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成，选项正确。B选项，DENDRAL是符号主义，且问题引导下的试错学习（行为主义）也需要依赖数据，选项错误。C选项，图灵测试只能用来评判机器是否具有智能，选项错误。D选项，DENDRAL是符号主义，通过模仿人类大脑中神经元之间的复杂交互进行认知和推理属于联结主义，选项错误。故本题答案是A选项。 6.ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过学习和理解人类的语言来进行对话，它会通过连接大量的语料库来训练模型，这些语料库包含了真实世界中的对话，使得ChatGPT具备上知天文下知地理，还能根据聊天的上下文进行互动的能力，做到与真正人类几乎无异的聊天场景进行交流。甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。下列关于人工智能的说法，正确的是（   ） A．人工智能就是机器学习 B．人工智能的发展会带来大规模失业 C．深度学习在自然语言处理领域表现出良好的性能 D．ChatGPT的核心技术是拥有强大的知识库和推理引擎 答案：C 详解：本题考查人工智能相关内容。A选项，机器学习是人工智能下的一个分支，选项错误。B选项，人工智能还会带来一些就业岗位如研发和维护智能销售系统、生产仓管机器人等，从长期来看科技带来的就业远大于失业，选项错误。C选项，深度学习在自然语言处理领域表现出良好的性能，选项正确。D选项，以强大的知识库和推理引擎是符号主义的人工智能的特征，ChatGPT是使用大量的语料库在训练模型，选项错误。故本题答案是C选项。 7.下列场景中，一定应用了人工智能的是（   ） A．室外光线太亮，窗帘自动合上 B．对着台灯说“开灯”,灯就亮了 C．天黑了，楼道上的路灯自动亮起来 D．当宝宝大声哭闹时，婴儿床铃就开始播放音乐 答案：B 详解：本题考查人工智能相关内容。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。B选项，体现了语音识别技术的应用，属于人工智能的应用，选项正确。AC选项使用了传感器技术，D选项使用了声控技术，ACD选项并未体现人工智能技术。故本题答案是B选项。 课 堂 小 结 1.人工智能，是指以机器（计算机）为载体，模仿、延伸和扩展人类智能，其与人类或其他动物所呈现的生物智能有着重要区别。 2.人工智能的三种主要方法，即符号主义、联结主义和行为主义。 3.符号主义（Symbolicism），又称逻辑主义、心理学派或计算机学派，认为学习或者其他的智能特征原则上均可以被符号精确地描述，从而被机器仿真。 4联结主义（Connectionism），又称仿生学派或生理学派，通过模仿人类大脑中神经元之间的复杂交互来进行认知推理。 5.行为主义（Actionism），又称进化主义或控制论学派，这一方法从“交互—反馈”角度来刻画智能行为，认为智能体可以在与环境的交互中不断学习，从而提升自己的智能水平。 6.人工智能的发展历程：①从计算到智能测试； ②人工智能登上历史舞台； ③以符号主义表达与推理为代表的人工智能； ④数据驱动的人工智能方法； ⑤问题引导下的人工智能学习方法。 反 思 评 价 在本次教学中，能够有效引导学生积极参与讨论和思考，激发学生的学习兴趣和主动性。大部分学生能够独立完成给定的任务，并在过程中积极思考、主动探索，表现出了较强的学习积极性和主动性。同时，要关注学生的个体差异，提供不同层次的问题和任务，满足不同学生的学习需求。在评价环节，要鼓励学生相互学习、共同进步，培养学生的团队合作精神和批判性思维。 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $