第20课《会“思考”的推理模型》课件 2025-2026学年人教版初中信息科技（人工智能专册）

该初中信息科技课件聚焦AI推理模型，从生活中的推理现象（如足迹追踪、医生诊断）切入，引导学生理解推理概念，再通过专家系统、神经网络原理过渡到大语言模型，最后探讨AI伦理，构建从生活到理论再到应用的学习支架。 其亮点在于以生活化案例培养信息意识，通过专家系统推理流程和神经网络建模训练计算思维，结合AI“幻觉”应对与数据隐私讨论强化信息社会责任。采用分模块讲解与实例分析（如地物识别步骤），小结系统梳理核心概念，助力学生形成AI认知与辩证思维，为教师提供结构化教学资源。

会“思考”的推理模型 人教版初中信息科技（人工智能专册）课件 报告人名称 20xx.xx.xx 4 01 走进推理的世界 02 机器推理入门 03 深入神经网络 04 探索大语言模型 05 AI的善用与反思 06 总结与未来展望 目录 走进推理的世界 本章将引导学生初步了解推理的概念，感受推理在生活中的广泛应用，从而引出人工智能中的推理模型，激发学生的学习兴趣。 3 4 从日常小事到科学发现，推理无处不在 01 足迹追踪 通过观察地上的脚印，我们可以推断出留下脚印的人或动物的体型、走向甚至心情。这是最直观的推理活动。 02 猜猜TA是谁 根据朋友描述的特征，如“他戴着眼镜，喜欢打篮球”，我们能在脑海中快速锁定符合条件的同学。 03 福尔摩斯探案 大侦探福尔摩斯通过现场的蛛丝马迹，如烟灰、泥土等，进行严密的逻辑分析，最终推理出案件的真相。 04 医生诊断病情 医生会根据病人的症状、体温、化验结果等信息，结合自己的医学知识，推理判断病人得了什么病。 生活中的推理 4 推理是获取新知识的重要思维方式 基本定义 01 推理是使用一个或多个已知的事实（前提），通过逻辑规则，得出一个新结论的过程。 核心要素 02 推理过程包含三个核心要素：前提（已知信息）、逻辑（推理规则）和结论（新知识）。 从已知到未知 03 推理的本质是根据已有的知识和信息，经过一番“思考”和分析，从而得出一个原本不知道的结论。 什么是推理？ 4 1 智能问答 当我们问智能音箱“明天天气怎么样”，它能听懂问题，查询信息，并组织语言回答，这背后就包含了推理的雏形。 2 下棋程序 计算机在与人对弈时，会分析当前棋局，预判未来几步甚至十几步的变化，从中选择最佳的落子点，这本身就是一种复杂的推理。 3 机器翻译 将中文“早上好”翻译成英文“Good morning”，机器不仅要理解词义，还要推理出符合英语习惯的表达方式。 让机器像人一样思考，是人工智能的梦想 机器能推理吗？ 机器推理入门 本章将介绍机器进行推理的基本原理，重点讲解专家系统这一经典的人工智能方法，让学生对机器推理有更具体的认识。 3 4 1 机器需要学习海量的数据，比如图片、文字、声音等，从中发现规律和特征，为后续的推理提供“原材料”。 数据是基础 2 模型可以理解为一个复杂的数学函数，它能够接收输入数据，经过内部一系列计算，给出一个合理的输出或判断。 模型是核心 3 算法是驱动模型学习和推理的“引擎”，它负责调整模型内部的参数，让模型的预测结果越来越准确。 算法是引擎 机器的“思考”是基于数据和算法的计算 机器如何思考 4 1 什么是专家系统 专家系统是一种早期的人工智能程序，它将特定领域内人类专家的知识和经验整理成规则，存储在知识库中。 一种模拟人类专家决策过程的计算机程序 2 知识库 存储了大量“如果...那么...”（IF-THEN）形式的规则。例如：“如果天空乌云密布，那么可能会下雨”。 3 推理机 这是专家系统的核心“大脑”。它负责从知识库中搜索和匹配相关的规则，将用户的输入信息（事实）与规则的前提进行比对，从而推导出结论。 专家系统揭秘 4 以动物识别系统为例，看专家系统如何工作 01 知识库规则 规则1：如果动物有羽毛，那么它是鸟类。规则2：如果动物会飞，且是鸟类，那么它可能是麻雀。规则3：如果动物不会飞，且是鸟类，那么它可能是企鹅。 02 用户输入事实 用户告诉系统：“这种动物有羽毛，而且会飞。” 03 推理机工作 推理机首先匹配规则1，得出“它是鸟类”的中间结论。接着，它将这个结论与规则2的前提进行比对，发现完全吻合。 04 得出最终结论 系统最终向用户输出结论：“它可能是麻雀。”整个过程清晰地展示了机器如何利用知识库进行链式推理。 一个简单例子 4 主要分为演绎推理和归纳推理两大类 01 演绎推理 从一般到特殊的推理。例如，已知“所有人都会死”（大前提），“苏格拉底是人”（小前提），可以必然得出“苏格拉底会死”（结论）。专家系统主要运用的就是演绎推理。 归纳推理 02 从特殊到一般的推理。例如，我们观察到的乌鸦都是黑色的，于是归纳出“所有乌鸦都是黑色的”这一普遍性结论。这种方式在机器学习中非常常见。 推理的两种方式 深入神经网络 本章将介绍当前主流的基于深度学习的推理模型。通过讲解神经网络的基本构成，让学生理解AI模型如何从数据中自动学习知识。 3 4 传统编程 传统程序是人编写明确的指令（IF-THEN规则），计算机负责执行。规则是显性的、固定的。 01 02 深度学习 深度学习则是提供大量的输入和期望的输出样本，让模型自己去学习其中的映射关系。学到的“规则”是隐性的，蕴含在模型参数中。 03 自动提取特征 例如，在识别猫的图片时，深度学习模型能自动从像素中学习到边缘、纹理、形状等对识别有用的特征，而无需人工设计。 深度学习模型能够从数据中自动学习特征和规律 会学习的模型 4 模仿人脑神经元结构的计算模型 人工神经网络的构想受到了生物神经网络的启发，试图通过模拟大脑神经元的工作方式来实现智能。 灵感来源 神经网络由大量的人工神经元组成。每个神经元都能接收输入信号，进行简单的处理，然后产生输出信号。 基本单元：神经元 神经元被组织成层，通常包括输入层、隐藏层和输出层。信号从输入层进入，经过隐藏层的层层处理，最终从输出层输出结果。 层层连接 神经网络基础 4 模型如何“看懂”世界并给出答案 模型无法直接处理原始的图片、文字或声音。首先需要将这些信息转换成数字组成的向量，即嵌入（Embedding）过程。例如，一个词可以被表示为一个高维空间中的点。 数据向量化 1 输入层的神经元数量通常与输入数据的维度相匹配。它的作用是接收外部世界的信号，并将其传递给下一层。 输入层 2 输出层的神经元数量和形式取决于具体任务。例如，进行二分类时，可能只有一个神经元，输出0到1之间的概率值；进行多分类时，可能有多个神经元，分别代表不同类别的概率。 输出层 3 输入与输出 4 隐藏层是模型进行“思考”的核心区域 1 特征提取 隐藏层的每一层都可以被看作是在对输入数据进行一次次的抽象和提炼。浅层可能提取到的是简单特征（如边缘），深层则能提取到更复杂、更有语义的特征（如物体部件、整体轮廓）。 2 非线性变换 每个神经元会对输入的加权和进行一个非线性的激活函数处理（如ReLU函数），这使得神经网络能够学习和模拟非常复杂的非线性关系。 3 深度的价值 “深度”学习中的“深度”指的就是隐藏层的数量。更深的网络意味着更强的特征提取和函数拟合能力，可以解决更复杂的问题。 中间的黑箱 探索大语言模型 本章聚焦于当前最热门的生成式AI——大语言模型。通过了解其基本概念和与之交互的方式，让学生感受前沿AI技术的魅力。 3 4 以ChatGPT、文心一言为代表的AI应用 生成式AI是一种能够学习真实世界数据的分布，然后生成与训练数据类似但全新的内容的人工智能。它可以创造文本、图片、音乐等。 什么是生成式AI 01 它不仅能回答问题、写作、翻译，还能编写代码、设计图片，甚至进行富有创造性的对话，展现出惊人的通用性和灵活性。 强大的能力 02 生成式AI正在深刻地改变信息获取、内容创作、软件开发等多个领域，成为驱动新一轮科技革命的重要力量。 改变世界 03 火爆的生成式AI 4 规模巨大、能力强大的深度学习模型 模型参数 参数是模型在学习过程中调整的内部变量，可以理解为模型存储知识的“记忆单元”。参数量越大，模型的容量越大。 01 “大”的内涵 “大”主要体现在模型参数量巨大（通常以亿、千亿计）、训练数据量巨大、以及由此涌现出的强大泛化能力和解决复杂问题的能力。 02 从“学”到“悟” 小模型可能只是记住数据中的规律，而拥有海量参数的大模型，似乎能从数据中“悟”出更深层次的逻辑、常识和推理能力。 03 什么是大模型？ 4 提示词（Prompt）是与大模型沟通的语言 01 明确角色和任务 一个好的提示词应该清晰地告诉模型它的角色和需要完成的任务。例如：“你是一个历史老师，请用通俗的语言解释一下秦朝统一的原因。” 02 设定格式和要求 可以在提示词中指定回答的格式，如“请分点论述”、“用表格呈现”、“控制在100字以内”等，让模型的输出更符合你的预期。 03 提供示例 对于复杂的任务，可以提供一两个输入-输出的示例，帮助模型更好地理解你的意图。 04 进行迭代 如果模型第一次的回答不满意，可以追问、修正或调整提示词，进行多轮对话，逐步引导模型得到理想的答案。 如何与它对话 AI的善用与反思 技术是一把双刃剑。本章旨在引导学生辩证地看待AI推理模型的发展，思考其带来的便利与潜在的风险。 3 4 01 处理速度快，能分析海量数据，不知疲倦，能在特定任务上达到甚至超越人类专家的水平，极大地提升生产效率。 AI的优势 02 缺乏真正的理解和常识，容易受到训练数据的影响，可能产生偏见；其决策过程如同“黑箱”，有时难以解释；不具备人类的创造力、情感和伦理道德观念。 AI的局限 全面认识AI的能力边界 AI的优势与局限 4 大模型有时会一本正经地“胡说八道” 什么是AI幻觉 AI幻觉指大语言模型在生成文本时，产生了与事实不符、存在逻辑错误或完全虚构的信息。 1 产生原因 这可能是因为模型的训练数据中包含了错误信息，或者模型为了追求回答的流畅性和相关性，过度 extrapolation（外推）导致的。 2 如何应对 我们必须认识到，AI的输出并非绝对真理。在使用AI获取信息时，尤其是涉及科学、法律、医疗等严肃领域时，必须保持批判性思维，进行交叉验证和事实核查。 3 警惕“幻觉” 4 技术向善，需要我们共同守护 如果模型的训练数据本身就包含了社会偏见（如性别、种族歧视），那么模型在进行推理和决策时，很可能会放大并延续这些偏见。 数据偏见问题 1 个性化推荐系统可能只向我们推送我们感兴趣或认同的信息，久而久之，会将我们困在信息的“回音室”里，视野变得越来越窄。 信息茧房 2 AI在学习和生成内容时，可能会不恰当地使用受版权保护的作品，引发了复杂的知识产权归属和侵权问题。 知识产权争议 3 当AI系统出现错误决策并造成损害时，责任应该由开发者、使用者还是AI本身承担？这是一个亟待解决的法律和伦理难题。 谁来负责 4 伦理与责任 总结与未来展望 回顾本节课的核心知识，并鼓励学生保持好奇心，积极拥抱和探索充满无限可能的AI未来。 3 4 回顾我们今天学到的核心概念 1 从已知到未知的思维过程。 推理 2 基于规则的早期AI推理方法。 专家系统 3 模仿人脑，能自动学习的模型。 神经网络 4 规模巨大，能进行复杂推理和创造的生成式AI。 大语言模型 5 与大模型高效沟通的关键。 提示词 6 技术发展必须伴随伦理思考。 AI伦理 本节课小结 4 每一位同学都是未来的创造者 对新技术、新知识保持旺盛的求知欲。 保持好奇 01 动手实践，尝试用AI解决身边的小问题。 勇于探索 02 好的问题比标准答案更重要。 学会提问 03 你想用AI创造一个怎样的世界？ 思考未来 04 让我们一起努力，成为AI时代的设计者和弄潮儿！ 谢谢大家 05 未来属于你们 谢谢观看 报告人名称 20xx.xx.xx $