第3课《人工智能技术基础》教学课件-2025-2026学年浙教版初中信息科技八年级下册

浙教版（2023版） | 初中信息技术 · 八年级下册 《人工智能技术基础》教学课件 1.7.2013 大家好，欢迎来到今天的信息技术课堂。在我们的生活中，人工智能无处不在，从手机里的语音助手到短视频的精准推荐，它已经深刻地改变了我们的世界。今天，我们将一起踏上一段探索之旅，揭开人工智能背后的神秘面纱，学习构成它的三大核心技术基础。让我们一起走进《人工智能技术基础》的世界。 ‹#› 情境导入：我们身边的AI 场景一：短视频APP 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。 场景二：手机拍照识花 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。 场景三：智能音箱 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。 1.7.2013 同学们请看大屏幕，这些场景是不是很熟悉？刷短视频时，总能看到自己感兴趣的内容；遇到不认识的植物，手机一拍就知道答案；家里的智能音箱，一句话就能帮我们搞定很多事情。这些都是人工智能在我们生活中的具体应用。它们让我们的生活变得更加便捷和有趣。 ‹#› 思考与讨论 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。 1.7.2013 这些神奇的功能背后，究竟隐藏着什么秘密呢？为什么AI能如此“聪明”？它到底依靠什么技术来工作？现在，请大家开动脑筋，大胆猜测一下，我们可以前后桌讨论一下，然后请几位同学来分享你们的想法。 ‹#› 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。 数据 (Data) AI的“燃料”与“原料” 海量高质量数据是模型训练的基础 算法 (Algorithm) AI的“大脑”与“灵魂” 决定了模型如何学习与处理信息 算力 (Computing Power) AI的“肌肉”与“引擎” 强大的计算能力支撑复杂模型的运算 1.7.2013 同学们的想象力非常丰富！其实，人工智能的核心秘密就在于这三大技术基础：数据、算法和算力。它们就像AI的三大支柱，缺一不可。接下来，我们将逐一拆解，看看它们各自扮演着怎样的角色。 ‹#› 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” 汽车 →汽油 人类 →食物 AI →数据 DATA = AI FUEL 数据是人工智能的动力之源 1.7.2013 首先，我们来认识第一位主角——数据。我们可以把人工智能想象成一辆跑车，要让它跑起来，就必须有燃料。而数据，就是驱动AI这辆跑车前进的“燃料”。没有数据，AI就像一辆没有油的车，寸步难行。无论是汽车需要汽油，还是我们人类需要食物，AI的生存和发展，都离不开数据。 ‹#› 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。 01 输入海量数据 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。 02 数据标注 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”。 03 AI 模型训练 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。 1.7.2013 我们以智能花卉识别为例。要让手机能认出各种花，第一步就是要给它看足够多的花。科学家们需要收集数百万张不同花卉的图片，并像老师批改作业一样，给每张图片做好标注，告诉AI：“这是玫瑰，花瓣是红色的，有刺”，“这是牡丹，花瓣很大，颜色很艳”。AI通过学习这些海量的、带有标注的数据，才能学会如何识别。 ‹#› 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 1.7.2013 那么，除了识花，生活中还有哪些AI应用也需要海量数据呢？比如语音识别，它需要学习各种各样的口音；智能推荐，它需要分析我们的浏览和购买记录；人脸识别，更是需要海量的人脸数据。这些数据主要来自我们用户的使用记录，以及一些专业机构的采集。 ‹#› 关键点：数据的“质”与“量” 量 · Volume 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(IoT)、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”。 1.7.2013 有了数据还不够，我们还要关注数据的质量。AI需要海量的数据，但更需要优质的数据。如果给AI喂的数据是错误的、混乱的，那么它学习到的东西也会是错误的。这就是我们常说的“垃圾进，垃圾出”。只有准确、完整、有标注的数据，才能训练出聪明的AI。幸运的是，我们正处在一个数据爆炸的时代，为AI的发展提供了充足的“燃料”。 ‹#› 小结：数据是AI的“燃料” 数据是基础 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。 数据需海量 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。 数据需优质 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”。 1.7.2013 好了，我们来总结一下关于数据的知识点。首先，数据是AI的基础，没有数据，一切都无从谈起。其次，数据需要海量，这样AI才能从中发现规律。最后，也是非常重要的一点，数据需要优质，否则就会“垃圾进，垃圾出”。记住，数据是AI的“燃料”。 ‹#› 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。 ALGORITHM AI Decision Engine 人工智能的思考中枢 · 智能决策的底层逻辑 1.7.2013 有了燃料，汽车还需要发动机。同样，有了数据，AI还需要一个“大脑”来思考和分析。这个大脑，就是算法。算法是解决问题的一系列步骤和规则，它是人工智能真正的核心。它负责从海量数据中发现规律，预测未来，并做出决策。 ‹#› 案例拆解：短视频智能推荐 算法是如何工作的？ 01 收集用户数据 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。 02 分析数据规律 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。 03 根据规律推荐 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。 1.7.2013 我们再来看短视频推荐的例子。算法是如何做到“懂你”的呢？其实它背后的逻辑并不复杂，主要分为三步： 第一步，**收集用户数据**。这是基础，系统会记录你所有的行为轨迹，比如你点开了什么视频、停留了多久、是点赞收藏了还是直接划走了。 第二步，**分析数据规律**。这是核心。算法把你的行为数据输入模型，分析出你的偏好特征，比如“喜欢科技、时长在5分钟以内”。 第三步，**根据规律推荐**。这是结果。系统在巨大的视频库里，精准筛选出符合你标签的内容，为你量身定制推荐流。 这就是为什么你感觉算法越来越懂你的原因。 ‹#› 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？ 1.7.2013 算法也分聪明和不聪明。简单的算法，比如按时间顺序推荐，对所有人都一样，非常死板。而智能算法，会学习你的喜好，为你量身定制推荐内容，实现了“千人千面”。大家想一想，为什么智能算法更受我们欢迎呢？因为它更懂我们，更贴合我们的需求。 ‹#› 拓展思考：AlphaGo的“大脑” CASE / 核心案例 AlphaGo 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” AlphaGo vs 李世石 2016年，五局四胜，人工智能里程碑之战 1.7.2013 说到聪明的算法，不得不提AlphaGo。它之所以能战胜世界围棋冠军，靠的就是强大的算法。它首先学习了人类历史上几乎所有的围棋棋谱，然后总结出了超越人类的下棋策略。在比赛中，它能快速计算出数百万种可能性，并选择最优的走法。这充分说明，算法的优劣，直接决定了AI的聪明程度。 ‹#› 小结：算法是AI的“大脑” 算法是核心 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。 算法有优劣 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。 算法需创新 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。 1.7.2013 总结一下关于算法的知识。算法是AI的大脑，是核心，负责思考和决策。算法有好坏之分，好的算法能让AI更聪明。同时，算法需要不断创新，像机器学习、深度学习这些新技术，正是推动AI不断进步的关键。 ‹#› 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 Computing Power 1.7.2013 有了燃料和大脑，汽车还需要发动机提供动力。同样，AI要高效工作，也需要强大的“动力”，这就是算力。算力，简单来说就是计算机的运算能力，它决定了AI处理数据和运行算法的速度。强大的算力，是AI高效运行的保障。 ‹#› 案例展示：强大的算力 算力挑战 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。 关键方案 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。 大国重器 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 1.7.2013 AI要处理的数据量和算法复杂度都非常高，普通的电脑根本无法承受。这时候就需要超级计算机和专门的AI芯片来提供强大的算力。比如我国的“神威·太湖之光”和“天河二号”超级计算机，它们拥有惊人的运算速度，为我国人工智能的发展提供了坚实的硬件基础。 ‹#› 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。 运行卡顿、反应慢 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。 处理数据不完整 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。 无法运行复杂功能 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”。 1.7.2013 大家可以想象一下，如果算力不足，AI会变成什么样？是不是会像我们的手机一样，变得卡顿、反应慢？语音识别半天没反应，推荐的内容也不准。这就是算力不足的后果。其实，我们手机和电脑的CPU、GPU就是算力的一部分，配置越高，运行AI功能就越流畅。 ‹#› 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” 1.7.2013 算力不仅仅是技术问题，它更是国家发展的“硬支撑”。就像交通和电力一样，算力是数字经济时代的新型基础设施。我国非常重视算力的自主研发，我们的超级计算机和AI芯片技术已经走在了世界前列。拥有强大的自主算力，才能保障我们AI产业的安全，推动科技自立自强。 ‹#› 小结：算力是AI的“动力” 算力是保障 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。 算力需强大 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。 算力是国力 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。 1.7.2013 我们来总结一下算力的要点。算力是AI的动力，是高效运行的保障。复杂的AI任务需要强大的算力支持，比如超级计算机。更重要的是，自主可控的算力是国家科技实力的象征，是我们科技自立自强的底气。 ‹#› 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 Algorithm 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 Data AI 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 Computing Power AI 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。 1.7.2013 现在我们已经分别认识了数据、算法和算力。但它们并不是单独工作的，而是像一个团队一样，相互依赖、相互促进。 大家看屏幕上的这个“铁三角”结构。 首先，“数据”是基础，它是AI的“燃料”，没有数据，算法就成了无米之炊。 其次，“算法”是核心，它是AI的“大脑”，负责把杂乱的数据变成有价值的智能模型。 最后，“算力”是保障，它是AI的“引擎”，为复杂的算法运行提供源源不断的动力，让AI模型能够快速训练和实时响应。 这三者缺一不可，共同构成了人工智能技术的核心支柱。 ‹#› 关系梳理：三大技术协同工作 数据| 燃料 💡 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。 算法| 大脑 💡 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。 算力| 动力 💡 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。 1.7.2013 这张表格清晰地展示了三者的关系。数据是燃料，提供素材；算法是大脑，负责分析；算力是动力，保障运行。算法需要数据来训练，算力需要数据来处理；数据需要算法来分析，算力需要算法来运行；而数据和算法最终都需要依靠算力才能真正发挥作用。它们是一个有机的整体。 ‹#› 案例串联分析：人脸识别打卡 三者如何协同工作？ 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。” 1.7.2013 我们用一个大家很熟悉的例子——人脸识别打卡，来看看三者是如何协同工作的。 首先，需要采集我们的人脸数据作为“燃料”，建立数据库； 然后，人脸识别算法作为“大脑”，学习这些数据，记住每个人的面部特征规律； 最后，打卡机里的AI芯片提供“动力”，快速运行算法，将现场抓拍的人脸与数据库进行比对，完成身份识别。 只有三者紧密协同，我们才能实现快速、准确、流畅的打卡体验。这也映射了人工智能在各行各业落地的底层逻辑。 ‹#› 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。 1.7.2013 现在我们来做一个思想实验：如果缺少其中一项技术，人脸识别打卡还能实现吗？如果没有数据，算法就学不会；如果没有算法，数据就是一堆废图；如果没有算力，整个过程会慢得无法忍受。这再次证明了，数据、算法、算力三者缺一不可。 ‹#› 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 1.7.2013 现在，请大家运用刚刚学到的知识，来分析一个我们每天都可能用到的智能语音助手。它背后的数据、算法和算力分别是什么呢？大家可以分组讨论一下，然后我们一起来揭晓答案。这个练习能帮助大家更好地理解三者的协同关系。 ‹#› 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。 01 数据更丰富 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”。 02 算法更优化 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。 03 算力更强大 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。 1.7.2013 总结一下第四部分。人工智能的发展，就是数据、算法、算力三者协同进步的历史。数据越来越丰富，算法越来越优化，算力越来越强大，共同推动着AI不断向前发展，变得越来越智能。 ‹#› 课堂练习：巩固新知 01 人工智能的三大技术基础是______、______、______。 02 算法是人工智能的______，负责从数据中______。 03 算力是人工智能的______，保障AI______运行。 1.7.2013 好了，学了这么多，我们来做个小练习巩固一下。请大家看屏幕上的填空题，快速思考并回答。这能帮助我们检验一下今天的学习成果。 ‹#› 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？ 1.7.2013 接下来是一个案例分析题。我们每天都在用的手机导航，它也是一个典型的AI应用。请大家思考一下，在导航规划路线的过程中，数据、算法和算力分别扮演了什么角色？它们又是如何协同工作的呢？ ‹#› 课堂小结：知识回顾 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。 1.7.2013 课程接近尾声，我们来回顾一下今天的核心知识点。我们学习了人工智能的三大技术基础：作为“燃料”的数据，作为“大脑”的算法，以及作为“动力”的算力。请大家牢记，这三者相互依赖、协同工作、缺一不可，共同支撑起了我们今天丰富多彩的AI世界。 ‹#› 价值认知与展望 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。 1.7.2013 学习了这些知识，我们更应该认识到科技的力量。数据、算法、算力不仅是AI发展的核心，更是衡量一个国家科技实力的重要标志。看到我们国家在这些领域取得的巨大成就，比如我们的空间站，我们应该感到自豪。同时，这也激励着我们要树立科技意识，努力学习，为未来的科技发展贡献自己的力量。 ‹#› 谢谢观看 愿同学们都能成为未来科技的创造者！ 1.7.2013 今天的课程到此结束，感谢同学们的认真聆听。希望通过今天的学习，大家对人工智能有了更深入的了解。未来的世界充满无限可能，愿同学们都能保持好奇心，努力学习，成为未来科技的创造者！谢谢大家！ ‹#› $