第一单元 微项目1 《探析机器智能的推理基础》教学课件-2025-2026学年泰山版初中信息科技八年级下册

该初中信息科技课件聚焦机器智能的推理基础，系统讲解机器推理的定义、核心三要素（事实、规则、结论）及确定性与不确定性两种类型。通过生活中天气预测、数学证明等推理案例导入，过渡到智能医疗诊断、语音助手等AI场景，搭建从人类推理到机器推理的学习支架。 其亮点在于以“事实+规则→结论”公式为核心，通过智能垃圾分类拆解、学生设计智能节水灌溉系统等实践活动，培养计算思维。对比机器与人类推理的异同，强化信息意识，帮助学生理性看待AI能力边界。学生能将抽象逻辑转化为实际应用，教师可依托案例开展项目式教学，提升教学效率。

泰山版（新教材） · 初中信息技术八年级下册 《探析机器智能的推理基础》 教学课件 1.7.2013 同学们好！欢迎来到今天的信息技术课。今天我们将一起探索一个非常有趣的话题——机器智能的推理基础。让我们一起揭开人工智能思考的神秘面纱吧！ ‹#› 我们每天都在“推理”！ 先来思考一个问题： 什么是“推理”？ 其实，推理就像... 我们大脑里的“侦探”，无时无刻不在工作。它帮助我们根据已知的信息，得出新的判断或结论。 让我们一起开启今天的“推理”之旅吧！ 1.7.2013 同学们，你们知道什么是推理吗？其实，推理就像我们大脑里的侦探，它帮助我们根据已知信息，得出新的结论。我们每天都在进行推理。 ‹#› 生活中的推理案例（一） 01 已知事实 今天乌云密布、风力很大，天空看起来很低沉。 02 大脑思考（推理） 根据过往的生活经验和知识积累，乌云与大风往往是降雨的前兆。 03 得出结论 综合判断，今天大概率会下雨，出门的时候需要带伞。 思考时刻：你还能想到哪些类似的生活推理吗？ 1.7.2013 比如，看到乌云密布，我们就会推断可能要下雨。这就是一个典型的生活推理。大家还能想到其他例子吗？ ‹#› 学习中的推理案例（二） 思考时刻 这个数学证明的推理过程，和之前我们提到的“天气预测”推理，有什么本质上的不同？ 已知事实 (前提) 1. 公理：所有三角形的内角和恒等于 180°。 2. 条件：在 △ABC 中，经测量已知 ∠A = 60°，∠B = 50°。 逻辑推导 (推理过程) 基于等量代换的逻辑规则： ∠C = 180° - ∠A - ∠B 得出结论 计算得：∠C = 180° - 60° - 50° =70° 1.7.2013 在学习中，我们也经常用到推理。比如数学证明题，根据已知的角度和定理，推导出未知的角度。大家思考一下，这个推理和天气推理有什么不同呢？ ‹#› AI会推理吗？——人工智能的“思考” 我们人类会推理，那么我们身边的人工智能（AI）会推理吗？来看两个熟悉的场景： 01. 智能医疗诊断 医生将患者的症状、过往病史和检查报告输入电脑，AI 辅助系统迅速分析并给出了一份包含多种可能性的疾病诊断清单及相关建议。 02. 智能语音助手 你随口问家里的智能音箱：“明天天气怎么样？要不要带伞？”，它马上查询天气源并自然流畅地回答你的问题。 思考：AI是如何完成这些判断的？它和我们人类的推理一样吗？ 1.7.2013 我们人类会推理，那么AI会吗？大家看，无论是辅助医生诊断病情，还是回答我们的日常提问，AI都在进行着看似“思考”和“判断”的活动。它们是如何做到的呢？这背后的机制，和我们人类基于逻辑、常识和经验的推理，是一回事吗？这就是我们今天要探讨的核心问题。 ‹#› 揭示课题：探析机器智能的推理基础 刚刚我们看到的 AI 诊断疾病、预报天气，其实都是机器在进行「推理」。 今天，就让我们一起走进机器智能的推理世界 揭开它神秘的面纱，探析机器智能的推理基础 1.7.2013 没错，AI诊断疾病、预报天气，其实都是机器在进行推理。今天，我们就将一起揭开它的神秘面纱，探析机器智能的推理基础。 ‹#› 什么是机器推理？——机器推理的定义 教材定义 机器推理是人工智能模拟人类逻辑思维，根据已知事实和预设规则，推导出新结论的过程。它是连接感知与决策的关键桥梁。 简单来说 就是让机器像人一样，利用“已知”的信息（如数据、规则），通过逻辑分析去推断出“未知”的结果。 核心本质 跨越信息的断层， 从已知 到 未知 的思维过程 1.7.2013 那么，到底什么是机器推理呢？简单来说，就是让机器像人一样，利用已知信息，去推断未知结果。它的核心本质就是从已知到未知的思维过程。 ‹#› 机器推理的核心三要素 — 推理的“三驾马车” 01 事实 (Fact) 已知的、作为推理出发点的信息，是整个逻辑链条的基石。 💡 举个例子： 患者当前的具体症状描述、气象站采集的实时天气数据 02 规则 (Rule) 预先设定的判断依据或领域知识，用于连接事实与结论的逻辑桥梁。 💡 举个例子： 权威的医学诊断标准、基于历史数据归纳出的天气变化规律 03 结论 (Conclusion) 机器根据事实和规则，经过逻辑推演后得出的全新判断或决策。 💡 举个例子： 医生给出的最终疾病诊断名称、气象模型预测的明日天气状况 1.7.2013 机器推理有三个核心要素，就像三驾马车：事实、规则和结论。事实是已知信息，规则是判断依据，结论是最终的新判断。 ‹#› 推理的万能公式 机器推理的逻辑可以用一个简单的公式来概括： 事实 已知的信息 / 输入的数据 + 规则 预设的逻辑 / 推理算法 → 结论 推导的新知识 / 最终决策 核心本质 这个公式是理解所有机器推理的基石。无论推理过程表面上多么复杂，其底层逻辑万变不离其宗：将“事实”代入到预先设定好的“规则”模型中，经过严谨的逻辑运算，最终得到新的判断或知识，也就是“结论”。 1.7.2013 这三个要素可以总结成一个万能公式：事实加规则，得出结论。这是理解所有机器推理的基础。无论背后的算法多么高深，我们都可以把它拆解为这三个步骤来理解。 ‹#› 案例拆解：智能医疗诊断 让我们用逻辑公式来拆解 AI 诊断的思考过程： 01 事实 (Fact) 患者主诉：咳嗽、发烧38.5℃、喉咙肿痛，吞咽困难。 检查结果：扁桃体II度肿大，表面可见白色脓性分泌物，咽部充血明显。 02 规则 (Rule) 基于海量临床病历与医学指南构建的逻辑模型： IF ( 体温 > 38℃且扁桃体红肿化脓且咽喉疼痛 ) THEN ( 判定为细菌性扁桃体炎的置信度 > 90% ) 03 结论 (Conclusion) AI 辅助诊断建议： 综合分析，患者患急性细菌性扁桃体炎的可能性极高。建议优先进行抗生素治疗，以快速控制感染，缓解症状并预防并发症。 1.7.2013 我们来拆解一下智能医疗诊断的案例。事实是患者的症状，规则是医学诊断标准，结论就是AI给出的诊断结果。通过将医生的专业知识转化为可计算的逻辑规则，AI系统能像专家一样，快速整合信息并给出高置信度的参考意见，帮助医生提高诊断效率和准确率。 ‹#› 机器推理的两种类型 —— 推理也分“性格” 确定性推理(Deterministic Reasoning) 🗝️核心特质：严谨的数学家 基于严格的逻辑规则和完备的知识，推理过程如同数学证明般严密。 ✅ 结论是唯一的、绝对的，非真即假，不存在模棱两可。 不确定性推理(Uncertainty Reasoning) 🎲核心特质：经验丰富的预测家 处理不完整、模糊或随机的信息，利用概率统计等方法进行推断。 📊 结论通常是可能性的、带有概率的，反映事件发生的置信度。 1.7.2013 机器推理也分不同的“性格”，主要有两种类型：确定性推理和不确定性推理。 第一种是“确定性推理”，它像一位严谨的数学家，在推理过程中，只要前提正确，依据严格的逻辑规则，得出的结论一定是唯一的、绝对正确的，没有丝毫含糊的空间。这在处理规则明确、数据完整的场景时非常有效。 第二种是“不确定性推理”，它更像一位经验丰富的预测家。在面对信息不完整、模糊或随机的现实世界问题时，它不追求绝对的标准答案，而是通过概率和统计方法，给出一个带有可能性的结论，比如“这件事发生的概率是80%”。这也是人工智能在处理复杂现实问题时常用的思维方式。 ‹#› 确定性推理 —— 严谨的“逻辑大师” 事实明确 输入的信息是精确、无歧义的，不存在模糊、概率性或不确定的成分，是推理的坚实基石。 规则清晰 推理所依据的逻辑规则、定理或算法是固定、客观、无例外的，如同数学公式一样严谨。 结论唯一 对于给定的事实和规则，无论谁来执行推理，过程和最终得出的结论都是确定且唯一的。 一句话总结：只要前提正确，结论就一定正确。 1.7.2013 确定性推理的特点是事实明确、规则清晰、结论唯一。只要前提正确，结论就一定正确。它就像一个严谨的逻辑大师。 ‹#› 确定性推理案例——数学推理系统 已知事实 (Known Facts) 1. 几何公理：任意三角形的内角和恒等于 180°。 2. 观测数据：在 △ABC 中，∠A = 60°，∠B = 50°。 预设规则 (Inference Rules) 基于定义的逻辑推导式： 三角形内角和 = ∠A + ∠B + ∠C 推导结论 (Conclusion) ∠C = 180° - 60° - 50° =70° 核心洞察：在此推理场景中，输入的事实是精确数值，规则是经过验证的几何定理。系统通过严格的演绎逻辑，最终输出唯一、确定且绝对正确的结论。 1.7.2013 数学推理就是典型的确定性推理。已知三角形的两个角，根据内角和定理，就能唯一确定第三个角的度数。 ‹#› 生活中的确定性推理 案例1：计算器 输入“1024 ÷ 2”，按下等号，结果必然是“512”。只要输入规则和计算逻辑不变，输出结果就不会有意外。 案例2： 智能门禁 输入正确的密码，门就会打开；输入错误的密码，门就不会开。门禁系统遵循固定逻辑，结果是确定的。 案例3：在线支付 输入正确的支付密码，或完成指纹/人脸生物识别验证，支付流程成功；否则，支付必定失败。 思考：在我们的日常生活中，你还能想到哪些遵循固定规则、结果可预测的“确定性推理”案例？ 1.7.2013 生活中也有很多确定性推理的例子，比如计算器、智能门禁、在线支付。它们的结果都是确定的。大家还能想到其他例子吗？ ‹#› 不确定性推理 —— 灵活的“预测专家” 事实模糊 输入的信息可能不完整、不准确或边界模糊，难以用绝对的“是”或“否”来定义。 规则带概率 推理依据的规则多是基于经验总结或统计数据归纳，本身带有不确定性。 结论不唯一 最终的推理结果往往不是单一选项，而是呈现多种可能性及相应的概率分布。 💡 一句话总结 结论是“很可能”或“大概率”，而不是“一定”。 1.7.2013 另一种是不确定性推理，它的特点是事实模糊、规则带概率、结论不唯一。结论是“很可能”，而不是“一定”。它就像一个灵活的预测专家。 ‹#› 不确定性推理案例 — 智能天气预测系统 01 / 已知事实 (Evidence) • 观测：今日气温 25℃，相对湿度 80%，大气气压偏低。 • 历史：大数据显示，在类似气象特征组合下，有80%的历史记录伴随降雨。 02 / 预设推理规则 (Rule) IF (空气湿度 ≥ 70%) AND (大气压力指数处于近一周低位) THEN (推断：明天下雨的概率为 80%) 推理结论：大概率降雨 预测结果：明日降水概率80% 核心逻辑分析 大气系统是典型的混沌系统，难以做到 100% 精确预测。 AI 的价值在于：基于海量历史数据，在不确定性中寻找并输出“可能性最高”的结论，辅助决策。 1.7.2013 智能天气预测就是典型的不确定性推理。AI根据当前的天气数据和历史数据，给出一个降水概率，而不是确定的“下雨”或“不下雨”。 ‹#› 生活中的不确定性推理 AI 人脸识别 系统将捕捉到的人脸特征与数据库比对，给出“相似度”得分。若超过95%则判定为本人，这个“95%”就是概率在生活中的典型应用。 智能推荐系统 电商、视频APP根据你的浏览历史、购买记录和行为特征，利用算法推测你对特定内容或商品感兴趣的概率，从而进行个性化推荐。 垃圾邮件识别 反垃圾邮件系统分析邮件中的关键词、发件人信誉和行为模式，计算一封邮件属于垃圾邮件的概率，并据此自动将其拦截或归类。 1.7.2013 生活中的不确定性推理也很多，比如人脸识别、智能推荐、垃圾邮件识别。它们都是基于概率进行判断的。 ‹#› 两种推理类型对比 确定性推理 💡 事实特点：数据与前提明确、固定，无歧义。 📏 规则特点：逻辑规则清晰严密，不带概率性。 🎯 结论特点：推导结果唯一、绝对、可靠。 📐 典型案例：数学公式计算、密码锁门禁验证。 不确定性推理 ☁️ 事实特点：信息模糊、不完整或动态变化。 🎲 规则特点：规则含概率、经验性或不确定性因子。 🔀 结论特点：结论多样，通常给出可能性大小。 🌤️ 典型案例：气象预测、人脸识别准确率分析。 1.7.2013 我们来总结一下这两种推理类型。确定性推理事实明确、规则清晰、结论唯一；不确定性推理事实模糊、规则带概率、结论是可能性的。 ‹#› 机器推理 vs 人类推理（一）——机器和我们，谁更聪明？ 机器推理是模拟人类推理而来的，它们有哪些相同之处呢？ 本质相同 无论是机器还是人类，推理的底层逻辑是一致的：都是从**“已知”**的信息出发，通过一定的逻辑链条，推导出**“未知”**结论的思维过程。 依赖要素一致 推理无法凭空产生。两者都必须建立在坚实的基础之上：既需要客观的**“事实”**作为依据，也需要遵循一定的逻辑**“规则”**来确保推导的有效性。 思考：既然机器推理和人类推理在本质与核心要素上如此相似，那是不是意味着它们在能力上就是完全一样的了呢？ 1.7.2013 机器推理是模拟人类推理而来的，它们的本质和依赖的要素都相同。那么，机器推理和人类推理是不是就完全一样了呢？ ‹#› 机器推理 vs 人类推理（二）——机器和我们，有何不同？ 01 灵活性 👤 人类推理： 灵活多变，擅长处理模糊、未知信息，可结合直觉、过往经验甚至个人情感进行跳跃式的综合推理。 🤖 机器推理： 逻辑机械、刻板，缺乏“常识”和变通能力，必须严格遵循预设算法和规则，难以处理超出训练分布的数据。 02 推理速度 👤 人类推理： 相对较慢，尤其在处理大规模数值计算或复杂逻辑链时，容易受生理限制产生疲劳和错误。 🤖 机器推理： 拥有绝对的速度优势，能以微秒级在海量数据中完成检索、匹配与计算，并且可以保持零误差持续运行。 03 创造性 👤 人类推理： 具备真正的创造能力。能从无到有提出新理论、创造新规则、产生全新的思想，具有深刻的洞察力和共情力。 🤖 机器推理： 不具备自主意识和真正的创造能力。本质上是对训练数据中既有模式的模仿、重组与应用，无法产生超越数据的原创知识。 1.7.2013 当然不是。机器推理和人类推理有很大不同。人类更灵活、有创造性，但速度慢；机器速度快，但机械刻板、没有创造力。 ‹#› 机器推理的局限性 —— AI不是万能的 人脑：一座“活的城市” 道路（神经连接）可以不断新建、拓宽，建筑（知识）可以不断更新，充满了无限的可能性和创造力。 AI：一张“僵化的图纸” 所有的道路和建筑都已经被预先设计好，无法突破底层逻辑的限制，只能在既定的“图纸”范围内运行。 辩证看待 AI · 保持独立思考 AI 推理结果是强大的辅助工具，但不应成为决策的唯一依据。面对复杂多变的现实世界，我们仍需保持批判性思维，结合自身的专业知识和经验，做出独立的判断。 1.7.2013 所以说，AI不是万能的。我们可以做一个生动的比喻：人脑就像一座“活的城市”，随着我们的学习和经历，神经连接可以不断更新，知识可以不断迭代，充满了无限的创造力和适应性；而目前的AI推理系统，则更像是一张“僵化的图纸”，它的所有逻辑和规则都已经被提前设定好，只能在预设的范围内运行，无法像人脑一样进行突破性的创新。因此，我们在使用AI时，一定要辩证地看待它的推理结果，不盲目依赖，始终保持自己的独立思考和判断能力。 ‹#› 课堂练习：知识小测验 判断题 True / False 1. 机器推理的核心三要素是事实、规则和结论。( √ ) 2. 天气预报属于确定性推理。( × ) 3. 机器推理的速度比人类快，但灵活性不如人类。( √ ) 4. AI可以创造新的知识和规则。( × ) 选择题 Multiple Choice 1. 以下哪个属于不确定性推理？ A. 计算器计算 1+1B. AI人脸识别 (正确答案)C. 输入正确密码打开门 2. 机器推理的万能公式是？ A. 事实 + 规则 → 结论 (正确答案)B. 规则 + 结论 → 事实C. 事实 + 结论 → 规则 1.7.2013 我们来做个知识小测验，检验一下大家的学习成果。请大家快速判断对错，并选择正确答案。 这几道题涵盖了今天学习的核心概念。比如机器推理的三要素、确定性与不确定性推理的区别，以及机器推理与人类推理的差异。希望大家能通过这个简单的测验，快速回顾和掌握今天的重点。 ‹#› 基础任务：拆解“智能垃圾分类” 已知事实 • 待分类物品：一个塑料瓶 • 物品材质：塑料 • 状态特征：干净、无污渍 预设规则 (知识库) IF ( 材质 = 塑料 )AND( 状态 = 干净 ) THEN ( 分类结论 = 可回收物 ) 推理逻辑：事实 (塑料瓶、干净)+规则 (匹配成功)➔结论：可回收物 这就是专家系统最基础的“事实 + 规则 = 结论”逻辑推理过程 1.7.2013 现在我们来做一个基础任务，拆解智能垃圾分类的案例。事实是塑料瓶且干净，规则是塑料+干净属于可回收物，所以结论就是可回收物。 ‹#› 进阶任务：设计你的“智能规则” 结合生活场景 参考教材“智能灯光控制”案例， 设计一个简单的机器推理规则。 思考：触发条件有哪些？逻辑关系是？ 💡 参考示例：智能灯光控制 📊 事实 (Fact) • 光线很暗 (亮度 < 50lux) • 房间有人 (红外感应) 🧠 规则 (Rule) IF (亮度 < 50lux) AND (有人) THEN (开灯) ✨ 结论 (Action) 自动开灯 现在，请你设计一个属于自己的 推理规则吧！ 1.7.2013 接下来是进阶任务，请大家结合生活场景，设计一个简单的机器推理规则。比如智能灯光控制，根据亮度和是否有人来决定是否开灯。现在，请大家开始设计吧！ ‹#› 学生设计案例展示（一） 👨‍🎓 学生A设计：智能节水灌溉系统 应用场景 适用于家庭阳台花盆。通过自动化感应与控制，解决无人照料或忘记浇水导致的植物缺水问题。 触发事实 • 土壤湿度 < 30% (缺水) • 当前时间: 早上 8:00 • 水泵处于待机状态 逻辑与行动 规则：IF 湿度低 AND 时间在 6-10点 结论：启动微型水泵，自动浇水 5 秒，随后停止。 💡 导师点评：这个设计非常棒！逻辑严密且具有生活温度，考虑到了“时间因素”，有效避免了夜间浇水带来的植物根部缺氧风险，真正做到了学以致用。 1.7.2013 我们来看一个同学的设计：智能节水灌溉系统。他根据土壤湿度和时间来决定是否浇水，考虑得非常周到，很有生活智慧！ ‹#› 学生设计案例展示（二） 学生B设计：智能宠物喂食器 📍 应用场景 为家中猫咪提供定时定量的自动喂食服务，解决主人无法随时照顾宠物的痛点。 📊 监测事实 1. 当前系统时间：早上 07:00 2. 食盆重量传感器：剩余 < 100g 🧠 逻辑规则 IF (时间=7/19点) AND (余量<100g) THEN 自动投放猫粮 ✅ 执行结果 满足条件，喂食器自动启动，成功投放50克猫粮。 💡 老师点评：结合了时间和重量两个维度的事实，逻辑闭环完整，是一个非常实用且贴心的设计！ 1.7.2013 再来看一个同学的设计：智能宠物喂食器。这个设计非常生活化，也很实用。 这位同学非常聪明，他没有只看一个维度，而是结合了“时间”和“食物重量”两个事实。比如早上7点，系统检测到猫粮剩的不多了，才触发喂食。如果已经喂过了，食物很满，那到点了也不会重复投放。这就确保了宠物能按时按量进食，不会饿肚子也不会浪费粮食。逻辑上考虑得非常周全。 ‹#› 实践活动总结 — 从理论到实践 01. 拆解案例 帮助我们巩固了核心逻辑框架：“事实 + 规则 → 结论” 02. 设计规则 让我们掌握了如何将复杂的生活需求，转化为机器可理解的逻辑语言 这就是计算思维的体现 将复杂的现实问题进行抽象化、逻辑化处理，提炼出核心要素，最终用机器能理解的方式去解决它。 1.7.2013 通过刚才的实践活动，我们巩固了核心逻辑，也学会了如何将生活需求转化为机器语言。这就是计算思维的体现。 ‹#› 知识回顾 — 本节课，我们学到了什么？ 一个核心概念 机器推理：模拟人类思维过程，基于已知信息推导出未知结论的能力。 三个核心要素 构成推理的基石：事实（数据基础）、规则（逻辑依据）、结论（输出结果）。 一个万能公式 推理逻辑的极简表达： 事实 + 规则 → 结论 两种推理类型 •确定性推理：前提为真，结论必然唯一且为真。 •不确定性推理：基于概率或置信度，结论存在多种可能性。 一个重要认知 理性看待AI能力边界： 机器推理在逻辑计算上远超人类，但缺乏人类的常识、直觉和情感体验，推理过程依赖数据质量和算法设计。 1.7.2013 我们来回顾一下今天学到的内容。我们学习了一个核心概念、三个核心要素、一个万能公式、两种推理类型，以及一个重要认知。 ‹#› 知识体系图 — 机器智能的推理基础 01 / 核心概念 🔍 定义 模拟人类思维，从已知信息推导出未知结论的过程。 🧩 三大要素 事实 (Facts) + 规则 (Rules) + 结论 (Conclusions) ⚡ 推理公式 事实 + 规则 ➔ 结论 02 / 推理类型 ✅ 确定性推理 • 输入事实数据明确，无歧义 • 逻辑推理规则清晰且完备 • 输出结果唯一、准确、可验证 ❓ 不确定性推理 • 输入事实模糊、随机或不完整 • 规则包含概率或置信度因子 • 结论非唯一，通常给出置信度 03 / 深度对比 🤝 与人类推理的异同 •同：均基于逻辑与知识进行推演 •异：AI速度快、算力强，但缺乏人类的直觉、情感与常识推理能力。 ⚠️ 当前AI的局限性 • 依赖数据，难以处理“长尾”问题 • 缺乏因果推理能力，易出现“幻觉” • 伦理与价值观对齐的挑战 1.7.2013 这是我们本节课的知识体系图。大家可以看到，所有知识点都围绕着“机器推理”这个中心主题展开。 首先，左侧是推理的基石，我们定义了什么是机器推理，并提炼出“事实+规则推导出结论”的通用公式。这是大家理解AI如何思考的第一步。 中间部分展示了推理的两大阵营：一种是基于逻辑的确定性推理，这在早期的专家系统中应用广泛；另一种是结合了概率论的不确定性推理，这正是当下深度学习和大模型处理复杂现实世界问题的核心逻辑。 最后，右侧的对比部分，希望大家能理性看待AI的能力边界。虽然AI在速度和准确性上远超人类，但在常识、直觉和价值观上，还有很长的路要走。理解这些局限性，有助于我们更好地利用AI工具，而不是过度依赖它。 ‹#› 展望未来 —— 下节课预告 💡 今日回顾 今天，我们一起探索了机器智能的“思维基础” ——推理，了解了AI如何从海量信息中归纳、演绎并得出结论。 “那么，机器是如何将这些抽象的推理结论，转化为改变世界的实际行动的呢？” 🚀 下节预告：探秘机器智能的自动化运行 下节课，我们将一起揭开AI的“行动逻辑”，深入核心，共同解锁让机器“动起来”的行动密码！ 1.7.2013 今天我们了解了机器智能的思维基础。那么，机器是如何将推理结论转化为行动的呢？下节课，我们将一起探秘机器智能的自动化运行！ ‹#› 感谢观看！ 勤于思考，勇于探索，你也是未来的创造者！ 1.7.2013 今天的课就到这里。感谢大家的观看！希望大家勤于思考，勇于探索，未来也能成为AI领域的创造者！下课！ ‹#› $