第一单元微项目2 《探秘机器智能的自动化运行》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自动化运行，系统讲解“感知-推理-执行-反馈”闭环流程及传感器、控制器、执行器三大核心组成。课堂导入通过“温故知新”回顾机器推理逻辑，结合扫地机器人等生活场景案例，搭建新旧知识衔接的学习支架。 其亮点在于以案例驱动教学，通过拆解扫地机器人、智能快递分拣系统等实例，引导学生用计算思维分析流程，设计自动化场景的实践探究活动培养数字化学习与创新能力。辩证讨论AI风险渗透信息社会责任，帮助学生构建完整知识体系，教师可借助此资料提升教学互动性与学生参与度。

《探秘机器智能的自动化运行》 教学课件 泰山版初中信息技术八年级下册 (2025-2026学年) 1.7.2013 同学们好！欢迎来到今天的信息技术课堂。今天我们将一起探索一个非常有趣的话题——机器智能的自动化运行。我们将了解AI是如何像人一样，自己感知、思考、行动，甚至自我优化的。 ‹#› 温故知新：AI的“思维密码” 核心问题 上节课我们学习了机器智能的推理基础，谁还记得AI是如何一步步“思考”的？ 机器推理的核心逻辑 事实 + 规则 →结论 （例：事实=今天下雨 + 规则=下雨需打伞 → 结论=出门要打伞） 确定性推理 输入确定的事实和规则，推导出唯一、确定的答案，逻辑严密。 不确定性推理 结论基于概率计算，存在多种可能性，符合现实世界的模糊性。 1.7.2013 在开始新知识之前，我们先来回顾一下上节课的内容。我们学习了机器推理的核心公式：事实加规则推导出结论。这是AI能够“思考”的基础。今天，我们将在此基础上，探讨AI如何将思考转化为行动。 ‹#› AI会“思考”，那它会自己“行动”吗？ 观察以下场景，思考它们为什么能自主行动？ 01 / 扫地机器人 在房间里自由穿梭，自动避开障碍物，无需人工干预就能独立完成清扫任务。 02 / 智能快递分拣系统 在传送带上高速运转，通过图像识别技术自动读取包裹地址，精准地将其分类并运送到正确的区域。 03 / AI写作助手 仅根据用户提供的一句话作为核心提示，就能自动组织逻辑、生成内容，最终输出一篇完整的文章。 1.7.2013 AI会思考，那它会自己行动吗？答案是肯定的。大家看这几个场景：扫地机器人、智能快递分拣系统、AI写作助手。它们都能在没有人工持续干预的情况下，自主完成任务。这背后究竟有什么秘密呢？ ‹#› 揭示课题：探秘机器智能的自动化运行 这些AI设备的自主行动，背后都遵循着一套精密的运行逻辑。 这种无需人工持续干预，自主完成任务的能力，就是机器智能的自动化运行。 今天，我们将一起揭开AI自动化运行的神秘面纱， 学习它的核心原理和关键组成。 1.7.2013 这种能力，就是我们今天要学习的主题——机器智能的自动化运行。它指的是AI系统无需人工持续干预，就能自主完成任务的能力。接下来，我们就来深入探秘它的运行机制。 ‹#› 概念解析：AI自动化运行 ▌ 核心定义 人工智能系统无需人工持续干预，通过传感器感知环境数据，结合预设规则与推理逻辑，自主完成指令执行、流程控制，并根据运行结果反馈优化后续行为的过程。 💡 通俗理解 AI “自己感知 · 自己思考 · 自己行动 · 自己优化” 01 感知 利用传感器（如摄像头、温感设备等）收集环境信息，建立对外部世界的“认识”。 02 思考 基于算法模型和预设规则，对收集到的海量数据进行快速分析、推理和决策。 03 行动 将决策转化为具体指令，驱动设备或软件自主执行任务，无需人工实时操控。 04 优化 根据执行结果不断进行自我反馈和学习，修正逻辑与参数，持续提升任务表现。 1.7.2013 那么，什么是AI自动化运行呢？简单来说，就是AI自己感知环境，自己思考分析，自己采取行动，并且还能根据结果进行自我优化。这个过程可以概括为四个词：感知、思考、行动、优化。 ‹#› 核心差异：生活自动化 vs AI自动化 生活自动化 常见例子：自动感应水龙头、定时闹钟、电梯自动开门等。 核心逻辑：固定程序 + 机械执行 逻辑相对简单，缺乏“智能”决策能力。系统无法根据环境细微变化调整既定行为，本质是对人类预设指令的被动响应。 AI 自动化 常见例子：自动驾驶汽车、电商智能推荐系统、柔性工业机器人等。 核心逻辑：感知 + 推理 + 执行 + 反馈优化 具备环境感知和动态决策能力。系统能够主动理解周围环境，根据实时数据进行逻辑推理并调整行为，还能通过持续学习不断优化性能。 1.7.2013 这里要区分一个概念，生活中的自动化和AI自动化是不同的。像自动感应水龙头，它只是简单的机械执行。而AI自动化，如自动驾驶汽车，是具备感知、推理、执行和反馈优化能力的，它更智能，也更具适应性。 ‹#› 案例拆解：自动扫地机器人的“一天” 从生活案例，读懂AI逻辑 让我们以一个熟悉的朋友——自动扫地机器人为例，来详细拆解 AI 自动化运行的四个核心环节。 它不仅仅是一个解决家务痛点的智能家电，更是一套完整的“感知-决策-行动-优化” AI 系统的缩影。 它是如何从“感知”到“行动”，并不断“优化”的呢？ 1.7.2013 为了更好地理解AI自动化运行的流程，我们以大家非常熟悉的自动扫地机器人为例，来详细拆解它的四个核心环节。看看它是如何一步步完成清扫任务的。 ‹#› 环节一：感知 — 采集数据，了解世界 💡 核心作用 通过各种传感器，将物理环境中的信息（如距离、光线、声音、灰尘等）转化为 AI 能理解的数字信号，是 AI 系统的“眼睛”和“耳朵”。 红外传感器 精准探测前方障碍物的距离，实现“眼观六路”。 碰撞传感器 感知机身是否发生物理碰撞，防止机器受损。 陀螺仪/里程计 感知自身位置和移动方向，确保行走不迷路。 灰尘传感器 实时检测地面灰尘浓度，实现“重点清扫”。 扫地机器人传感器分布与工作原理示意图 1.7.2013 第一个环节是感知，这是AI的“眼睛和耳朵”。扫地机器人通过各种传感器，如红外传感器、碰撞传感器等，来感知周围的环境，比如前方有没有障碍物，地面灰尘多不多等等。这些传感器将物理世界的模拟信号转化为数字信号，让机器“懂”得周围发生了什么。 ‹#› 环节二：推理 — 分析数据，做出决策 💡 核心作用：作为 AI 的“大脑”，接收来自传感器的数据，结合预设的规则和算法进行逻辑分析与推理，最终生成机器可执行的具体行动指令。 01. 事实 (Input) 客观感知到的外部信息： “红外传感器检测到前方 50cm 处有障碍物。” 02. 规则 (Logic) 内置的算法与判断依据： “若前方障碍物距离 < 60cm，则立即执行转向动作。” 03. 结论 (Output) 最终生成的行动指令： “执行右转动作，转向角度 30 度。” 🔗 关联旧知：这一过程正是上节课我们学习的“机器推理”模型： 事实 (Fact) + 规则 (Rule) ➔ 结论 (Conclusion) 1.7.2013 第二个环节是推理，这是AI的“大脑”。它接收传感器的数据，根据预设的规则进行分析。比如，检测到前方有障碍物，就会做出“右转”的决策。这个过程就是我们上节课学的“事实+规则→结论”。 ‹#› 环节三：执行 — 驱动动作，完成任务 执行环节的核心作用 就像人类的“手脚”一样，接收来自“大脑”（控制器）的指令，驱动执行器完成具体的物理动作，将AI的决策落地。 驱动电机 控制轮子转动，实现机器人的前进、后退与灵活转向。 吸尘风机 高速旋转产生强大负压吸力，将地面灰尘吸入集尘盒中。 毛刷电机 带动滚刷高速旋转，将地板缝隙中的顽固灰尘清扫起来。 指令执行示例：当扫地机器人接收到控制器“右转30度”的指令后，驱动电机会精确计算并调整左右两侧轮子的转速差，从而实现平稳、精准的转向动作。 1.7.2013 第三个环节是执行，这是AI的“手脚”。 如果说感知是“眼睛”，决策是“大脑”，那么执行就是机器人的“手和脚”。它负责把控制器发出的指令，变成实实在在的物理动作。 在扫地机器人中，主要有三类执行器： 第一是驱动电机，它控制轮子的转速和方向，决定了机器人去哪里； 第二是毛刷电机，负责物理清扫，把灰尘扫起来； 第三是吸尘风机，负责产生吸力，把灰尘吸进去。 举个例子，当控制器下达“避开障碍物，右转30度”的指令后，驱动电机就会通过精确控制左右两个轮子的不同转速，让机器人完成转向。整个过程，就是“感知-决策-执行”闭环的完美体现。 ‹#› 环节四：反馈 — 检查结果，持续优化 💡 核心逻辑：AI不是“一次性”动作，而是“持续闭环” AI自动化不是执行一次动作就结束，而是一个不断循环优化的过程。当机器人执行完指令后，各类传感器会再次感知当前的环境状态，并将结果数据实时反馈给“大脑”（控制器），为下一步决策提供依据。 01 执行 Execute 机器人接收到指令后，启动机械结构完成任务，例如： “清扫当前规划区域内的所有地面。” 02 反馈 Feedback 任务完成后，传感器重新采集环境数据并报告： “报告！区域内灰尘浓度依然高于阈值，未达标。” 03 优化 Optimize 控制器根据反馈信息，调整策略并下达新指令： “调整策略：提高吸力，在该区域进行二次清扫。” 1.7.2013 第四个环节是反馈，这是AI的“自我检查”。执行完动作后，传感器会再次感知结果，并把结果反馈给控制器。比如，如果发现某个区域还是很脏，控制器就会决定进行二次清扫。这个过程让AI能够持续优化自己的行为。 ‹#› 核心逻辑：AI自动化运行的闭环流程 01 感知 Perception 利用多模态传感器采集环境与任务数据，建立对外部世界的数字化认知。 02 推理 Reasoning 基于算法模型与历史经验分析数据，制定下一步行动策略与决策方案。 03 执行 Execution 将生成的决策转化为具体动作，通过终端设备与环境交互，完成既定任务。 04 反馈 Feedback 监测任务结果与环境变化，将新信息回传至系统，形成新的感知输入。 “感知 → 推理 → 执行 → 反馈 → 再感知...” 这一闭环逻辑，是AI系统能够持续、智能地适应环境变化并不断进化，从而完成复杂任务的底层基石。 1.7.2013 把这四个环节串联起来，我们就得到了AI自动化运行的核心逻辑——一个闭环流程：感知、推理、执行、反馈，然后再感知，如此循环往复。正是这个闭环，让AI系统能够持续、智能地工作。 ‹#› 案例应用：智能快递分拣系统 01 / 感知 利用高速摄像头、工业扫码枪等设备，快速精准地扫描并读取包裹面单上的条码与文字信息，将物理包裹转化为可被计算机识别的数字信息。 02 / 推理 后台计算系统对采集的面单信息进行实时解析，结合物流网络路由规则，快速计算并确定包裹的最终配送目的地及当前最优的分拣路径。 03 / 执行 接收到系统指令后，机械臂或高速摆轮分拣机迅速响应，通过物理动作将包裹准确地推送或引导至指定的出口滑道，完成物理分拣动作。 04 / 反馈 系统全程记录包裹的分拣状态，通过传感器校验包裹是否准确到达指定位置，并对异常情况进行自动记录和实时报警，形成完整的闭环。 1.7.2013 我们再来看看智能快递分拣系统。它的感知环节是扫码枪读取面单信息；推理环节是计算机系统确定分拣路径；执行环节是机械臂进行分拣；反馈环节是系统记录分拣结果。同样遵循着这个闭环逻辑。 ‹#› AI自动化系统的三大关键组成 从上述案例中，我们可以总结出任何AI自动化系统都离不开这三个核心部件： 01 / 传感器 (Sensors) 负责感知环境，采集数据。 （AI的“眼睛和耳朵”） 02 / 控制器 (Controller) 负责推理决策，处理数据。 （AI的“大脑”） 03 / 执行器 (Actuators) 负责执行指令，完成动作。 （AI的“手脚”） 1.7.2013 总结一下，任何一个AI自动化系统，都离不开这三大关键组成：负责感知的传感器，相当于眼睛和耳朵；负责推理的控制器，相当于大脑；以及负责执行的执行器，相当于手脚。 ‹#› 拓展案例：智能导航系统如何工作？ 01 / 感知 GPS/北斗模块感知车辆实时位置，路况传感器感知前方道路拥堵与限速状况。 02 / 推理 车载控制器结合高精地图与路径规划算法，综合计算并输出最优行驶路线方案。 03 / 执行 通过中控屏幕可视化展示导航路径，并通过语音播报实时发出转向、变道等驾驶指令。 04 / 反馈 实时接收和感知路况变化，一旦发现新拥堵或事故，系统自动触发重新规划逻辑。 1.7.2013 我们再来看一个例子：智能导航系统。它通过GPS感知位置，通过路况传感器感知路况，然后控制器计算最优路线，最后通过屏幕和语音执行导航。如果路上堵车了，它还能实时反馈并重新规划路线。 ‹#› 拓展案例：智能温室如何实现自动化？ 01. 感知温度、湿度、光照等各类传感器实时监测温室环境关键参数。 02. 推理智能控制器将采集到的数据与预设的最佳生长环境参数模型进行实时比对分析。 03. 执行若数据偏差触发阈值，自动指令水帘降温、灌溉系统浇水、遮阳网调节光照等动作。 04. 反馈形成闭环，持续监测环境状态，确保温室内的作物生长环境始终维持在设定的最佳范围内。 1.7.2013 智能温室也是一个典型的例子。它通过各种传感器监测温湿度、光照等，然后控制器根据预设的最佳参数，自动启动风机、灌溉系统等设备来调节环境，实现农作物的自动化管理。 ‹#› AI自动化的核心优势 01 高效率 可以7x24小时不间断工作，无需休息，任务执行速度远超人类，极大提升整体产出效率。 02 高精度 能够完成人类难以企及的微米级精细操作，避免人为疲劳导致的失误，保持极低的误差率。 03 高适应性 能够轻松适应并长期稳定运行在高危、极寒、辐射等人类难以进入或无法承受的恶劣工作环境中。 04 数据驱动决策 基于海量历史数据和实时数据进行深度学习与分析优化，规避主观臆断，让每一次决策更科学、理性。 1.7.2013 AI自动化有很多核心优势，比如高效率，可以24小时工作；高精度，能完成精细操作；高适应性，可以在危险环境工作；以及数据驱动决策，让决策更科学。这些优势使得AI自动化在各行各业得到广泛应用。 ‹#› 辩证思考：AI自动化的潜在风险 程序故障 程序漏洞或逻辑错误可能导致系统失控，造成难以预料的后果。 数据安全 传感器采集的海量数据可能涉及个人隐私，存在泄露和滥用的风险。 技术依赖 过度依赖自动化系统，可能导致人类相关的基础技能和判断力逐渐退化。 伦理问题 在医疗、司法等高风险决策场景中，AI的算法选择可能引发复杂的伦理争议。 我们应该：树立安全、负责任使用AI技术的意识，规范操作，合理设计。 ⚠️ 时刻警惕 AI 应用中的潜在风险 在享受便利的同时，保持审慎与理性，才能让技术真正造福人类。 1.7.2013 当然，我们也要辩证地看待AI自动化。它也存在一些潜在风险，比如程序故障、数据安全、技术依赖和伦理问题。因此，我们必须树立安全、负责任使用AI技术的意识。 ‹#› 知识梳理（一）：核心概念与环节 AI 自动化运行 指机器系统模拟人类智能，自主完成“感知-推理-执行-反馈”闭环的全过程，实现任务的自动化处理与持续优化。 感知 · Perception 利用传感器采集环境数据，为系统提供“感官”输入。 推理 · Reasoning 控制器分析数据并计算，生成下一步行动指令。 执行 · Execution 执行器接收指令并完成相应的物理或逻辑动作。 反馈 · Feedback 收集结果并回传，持续优化模型与指令。 1.7.2013 好了，我们来梳理一下今天学到的知识。首先是核心概念，AI自动化运行，它包括感知、推理、执行、反馈四个核心环节。 ‹#› 知识梳理（二）：关键组成与逻辑 01. 关键组成：系统的“身体构造” 传感器 (Sensors) 就像系统的“眼睛”和“耳朵”，负责感知环境数据。 控制器 (Controller) 就像系统的“大脑”，处理数据并做出决策指令。 执行器 (Actuators) 就像系统的“手”和“脚”，负责将决策转化为具体行动。 02. 闭环逻辑：智能的运作方式 感知 Perceive 推理 Reason 执行 & 反馈 Act & Feedback 系统通过不断循环此流程，实现从“被动响应”到“自主进化”的跨越，形成一个持续优化的智能闭环。 1.7.2013 其次，我们了解了AI自动化系统的三大关键组成：传感器、控制器和执行器，以及它们共同构成的“感知-推理-执行-反馈”的闭环逻辑。 ‹#› 实践探究一：梳理智能导航系统流程 01 感知 数据采集与获取 通过卫星定位（GPS/北斗）、路况传感器及车载摄像头，全方位采集车辆实时位置、周边路况信息及道路图像数据，为决策提供原始依据。 02 推理 路线计算与决策 中央控制器接收并融合数据，结合高精地图与交通规则算法，快速推理计算出最优行驶路线，并生成具体的控制指令（如左转、直行、限速提醒）。 03 执行 指令输出与引导 系统将生成的路线和指令转化为可视化的导航界面展示，同时通过语音播报提醒驾驶员，实现对行驶过程的精准引导，或直接在自动驾驶模式下控制车辆执行操作。 04 反馈 闭环优化与更新 持续实时感知新路况和车辆位置变化，并将信息反馈给系统，动态更新数据。当遇到拥堵或突发状况时，系统自动触发重算，实现动态优化路线的闭环管理。 1.7.2013 理论学习完了，现在我们来做一个实践探究。请大家根据我们刚才的分析，完成这个表格，梳理一下智能导航系统的自动化运行流程。 ‹#› 实践探究二：设计你的自动化场景 结合生活场景，发挥创意，设计一个简单的AI自动化运行流程。请确保你的设计包含“感知、推理、执行、反馈”四个闭环核心环节。 💡 参考示例：智能灯光控制系统 感知 (Perceive) 光线传感器(亮度)、人体红外传感器(人体存在)采集实时环境数据。 推理 (Infer) 逻辑判断：暗且有人 → 开灯；亮或无人 → 关灯。 执行 (Execute) 向智能灯发送“开启”或“关闭”指令，改变物理状态。 反馈 (Feedback) 持续监测并记录状态，验证指令有效性，优化逻辑。 1.7.2013 第二个实践任务，是请大家发挥创意，结合生活场景，设计一个简单的自动化流程。这里给大家一个智能灯光控制系统的例子，大家可以参考一下。 ‹#› 小组讨论：分享你的创意 讨论任务 01. 组建小组：以4人为一小组，共同构思并设计一个你和组员们感兴趣的生活或生产自动化场景。 02. 梳理逻辑：用简单的文字描述或画一个流程图，拆解出系统“感知 → 推理 → 执行 → 反馈”的完整闭环过程。 03. 准备分享：每组选派一名代表，准备好语言，向全班展示你们的设计思路与方案。 💡 创意灵感库 可以从身边场景入手：智能安防监控、花园自动灌溉、智能宠物定时喂食、教室自动灯光控制等。 1.7.2013 现在，请大家以小组为单位，讨论并设计一个你们感兴趣的自动化场景。可以是智能安防、智能灌溉、宠物自动喂食等等。设计好后，每组派代表来分享你们的创意。 ‹#› 优秀案例分享：智能安防系统 01 / 感知 · 全方位采集信号 部署门窗磁传感器、红外人体传感器与高清摄像头，全天候实时采集环境动态。 02 / 推理 · 智能逻辑判定 在用户设定的布防时间段内，若传感器被异常触发，系统立即自动判定为“入侵”行为。 03 / 执行 · 及时响应报警 联动现场设备发出高分贝警报威慑入侵者，同时向用户手机推送报警通知及抓拍图片。 04 / 反馈 · 闭环管理与解除 用户确认报警后系统自动记录留证；如遇宠物触发等误报场景，可一键远程解除警报。 1.7.2013 我们来看一个优秀案例：智能安防系统。它通过各种传感器感知入侵，然后推理判断，执行报警动作，并通过用户反馈来确认或解除警报。这个流程非常完整。 ‹#› 优秀案例分享：智能灌溉系统 01 感知 土壤湿度传感器实时监测含水量，同时接入天气预报API获取未来降水概率，全面收集环境信息。 02 推理 通过预设的逻辑算法进行判断：若当前土壤湿度低于植物生长阈值，且未来无降水预报，则触发灌溉指令。 03 执行 系统自动控制电磁阀开启，驱动水泵工作，将水输送至植物根部。精准控制水量，实现按需灌溉。 04 反馈 持续监测土壤湿度变化，将数据实时反馈至系统，确保植物长期处于最佳的水分环境，避免过度灌溉。 1.7.2013 再来看一个智能灌溉系统。它通过土壤湿度传感器和天气预报数据来感知，然后推理是否需要浇水，执行灌溉动作，并持续反馈监测结果。这个设计非常巧妙，既节水又能保证植物健康。 ‹#› 教师点评：流程设计的关键点 01 / 完整性 是否包含了“感知、推理、执行、反馈”四个核心环节，确保系统逻辑闭环？ 02 / 合理性 逻辑链条是否严密无矛盾？设定的推理规则是否能导向正确结论，执行动作是否可落地并有效完成任务？ 03 / 创新性 是否跳出常规思路，结合有趣的生活场景，提出了新颖、有想象力的流程或解决方案？ 04 / 数据驱动 是否体现了“以数据为基础”的思维？是否清晰规划了如何通过传感器采集关键数据来驱动智能决策？ 1.7.2013 在点评大家的设计时，老师会关注这几个关键点：流程是否完整，逻辑是否合理，是否有创新性，以及是否真正做到了数据驱动。希望大家在设计时能注意这些方面。 ‹#› 课堂小结：解锁AI的“行动密码” 一个核心概念 AI自动化运行的本质是实现“自主感知、思考、行动、优化”的一体化智能体。 四个核心环节 构成智能系统的完整链路： 感知 → 推理 → 执行 → 反馈 三大关键组成 缺一不可的“铁三角”结构： 传感器(输入) +控制器(处理) +执行器(输出) 一个闭环逻辑 以数据驱动的持续进化循环： 执行动作 → 获取环境反馈 → 修正策略 → 优化模型 → 再次行动 1.7.2013 好了，我们来总结一下今天的课程。我们解锁了AI的“行动密码”，了解了一个核心概念、四个核心环节、三大关键组成和一个闭环逻辑。希望大家都能掌握这些知识。 ‹#› 知识体系：从“思维”到“行动” 01. 思维密码 《探析机器智能的推理基础》 深入解析 AI 的逻辑架构， 解锁其“如何思考”的底层逻辑与推理规则。 02. 行动密码 《探秘机器智能的自动化运行》 剖析系统运作流程， 掌握其“如何行动”以解决实际问题的能力。 🚀 未来展望：持续探索 我们将继续探究 AI 的更多奥秘，从广泛的行业应用到复杂的伦理挑战，不断拓宽认知边界，构建智能时代坚实的知识基石。 1.7.2013 通过这两节课的学习，我们完成了从AI“思维”到“行动”的知识体系构建。首先，在《探析机器智能的推理基础》中，我们理解了AI是如何“思考”的，掌握了它的推理逻辑。其次，在《探秘机器智能的自动化运行》里，我们了解了AI是如何将思考转化为行动，实现自动化的运作。这构成了我们理解AI的核心骨架。但这只是开始，未来，我们还将继续探索AI在各行各业的广泛应用以及随之而来的伦理问题，不断丰富我们的知识体系。 ‹#› 课后作业：发现身边的自动化 01 观察任务 观察生活中另一个你感兴趣的AI自动化场景（例如：智能客服、智能推荐、自动售货机等），记录下它具体是做什么的。 02 分析任务 尝试运用本节课学到的核心知识，拆解并分析它运作的四个关键环节：“感知、推理、执行、反馈”分别对应了什么内容？ 03 提交形式 请用文字描述或者手绘简单的流程图的形式，清晰记录下你的思考与分析过程，并准备在下节课进行分享。 1.7.2013 今天的课后作业，请大家去发现身边的自动化场景，并用我们今天学的知识去分析它的四个环节。希望大家能把学到的知识应用到实际生活中。 ‹#› 感谢观看 下节课，我们将继续探索人工智能的奥秘！ 1.7.2013 今天的课程就到这里。感谢大家的参与！下节课，我们将继续探索人工智能的更多奥秘。 ‹#› $