《探秘人工智能的动力之源》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人工智能的三大动力之源，即数据、算法与算力。课堂导入通过人脸识别通行、语音助手应答、自动驾驶决策等生活场景引发思考，引导学生从现象探究智能背后的核心逻辑，逐步构建“数据为燃料、算法为大脑、算力为引擎”的知识脉络，形成从具体到抽象的学习支架。 其亮点在于以案例与互动驱动教学，如用“黄色猫咪识别错误”案例说明数据质量的重要性，通过语音助手工作流程解析培养计算思维，小组拆解智能学习APP活动提升数字化学习能力。既帮助学生树立科学理性的技术观，也为教师提供结构化教学资源，有效提升教学效率。

《探秘人工智能的动力之源》 教学课件 泰山版初中信息技术八年级下册 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，从刷脸支付到语音助手，再到无人驾驶。这些神奇的智能背后，究竟隐藏着怎样的秘密？今天，就让我们一起踏上探索之旅，揭开人工智能的动力之源。 ‹#› 课堂导入：智能从何而来？ 场景一：人脸识别快速通行 我们进出小区、校园时，刷脸就能开门，这是为什么？计算机是如何记住我们的长相的？ 场景二：语音助手即时回答 对着手机说话，它就能帮我们查天气、放音乐，它是怎么听懂人类语言并做出回应的？ 场景三：自动驾驶汽车 无人驾驶汽车能自己识别红绿灯和行人，它的“眼睛”和“大脑”是什么？它又是如何做决策的？ 思考一下：同样是计算机，为什么有的只能做简单计算，有的却能像人一样识别、对话、甚至自己做决策？这些“智能”背后的核心“动力”到底是什么？ 1.7.2013 同学们请看屏幕上的这几个场景，是不是很熟悉？我们每天都在和这些智能设备打交道。但大家有没有想过，它们为什么能这么“聪明”？它们和我们家里普通的电脑有什么不同？这些智能背后，到底隐藏着什么样的力量在驱动呢？这正是我们今天要探讨的问题。 ‹#› 揭开AI的神秘面纱 同学们刚才提到了“大数据”、“厉害的程序”、“运行速度快”，这些都非常关键！ 今天，我们就将一起踏上探索之旅，揭开人工智能背后的秘密， 找到驱动它们的三大核心动力。 正式进入课题：探秘人工智能的动力之源 1.7.2013 大家的猜测都非常有道理！大数据、厉害的程序、飞快的速度，这些词语都指向了人工智能的核心。今天，我们就将正式揭开AI的神秘面纱，一起探索驱动它们的三大核心动力。让我们正式进入今天的课题——探秘人工智能的动力之源。 ‹#› 动力之源①：数据 —— 人工智能的“燃料” 核心定义 数据是人工智能的燃料，是AI学习、识别、决策的基础。 没有数据，AI就像一辆没有油的汽车，寸步难行。 生动比喻 如果说AI是一个努力学习的学生，那么数据就是它的“教材”和“练习题”。 AI通过分析海量数据来学习知识、总结规律，从而变得更加聪明。 1.7.2013 首先，我们来认识第一个动力之源——数据。大家可以把数据想象成人工智能的“燃料”。就像汽车需要汽油才能跑，AI也需要数据才能工作。如果AI是一个学生，那么数据就是它学习用的课本和做的练习题。通过不断地学习和练习，AI才能变得越来越聪明。 ‹#› AI的“食谱”包含哪些食材？ AI学习的数据多种多样，就像我们吃的食物一样丰富，不同的数据类型支撑了不同的智能应用。 图像数据 人脸、物品、风景照片、视频画面等。 💡 支撑应用：人脸识别、拍照搜题、美图秀秀 语音数据 我们说的话、环境中的声音、音乐、录音等。 💡 支撑应用：语音识别、智能对话助手、语音翻译 文本数据 文章、书籍、聊天记录、网页内容、代码等。 💡 支撑应用：智能翻译、内容总结、AI写作 感知数据 温度、位置、速度、加速度等各类传感器数据。 💡 支撑应用：智能导航、自动驾驶、可穿戴设备健康监测 1.7.2013 那么，AI的“食谱”里都有哪些“食材”呢？主要有四种：图像数据，比如我们拍的照片；语音数据，就是我们说的话；文本数据，比如文章和书籍；还有感知数据，比如智能手表记录的心率、汽车传感器感知的速度等等。这些不同类型的数据，支撑着各种各样的AI应用。 ‹#› 好“燃料”的标准：数量充足 💡 核心观点：数据量过少会导致 AI 形成认知偏见，出现“以偏概全”的判断错误。 少量数据的陷阱 若仅用10张“黄色猫咪”图片训练AI，它可能会错误地将“黄色”作为识别猫的核心特征。 后果：把一只黄色的狗也识别成“猫”。 海量数据的力量 只有让AI看过成千上万张不同颜色、品种、姿态、背景下的猫，它才能剔除偶然特征，抓住事物本质。 逻辑：量变引起质变，消除偏见。 深度思考 为什么训练自动驾驶AI，需要收集并标注数百万张甚至上千万张来自不同城市、天气、时段的路况图片？ 提示：为了应对真实世界的无限可能。 1.7.2013 要让AI学好，数据首先要“量足”。如果数据太少，AI就容易犯“以偏概全”的错误。比如，只给它看黄色的猫，它可能就会以为所有黄色的东西都是猫。所以，为了让AI准确识别事物，我们需要给它提供海量的数据。就像训练自动驾驶，需要数百万张路况图片，才能让它应对各种复杂情况。 ‹#› 好“燃料”的标准：质量可靠 “ 错误的数据会误导AI，就像教孩子错误的知识，最终把它‘学坏’ ” 案例：混入“杂质”的严重后果 在AI训练“猫”的识别模型时，若混入几张被误标为“猫”的狗的图片，AI就会学习到错误的特征，导致它无法准确分辨猫和狗。 ⚠️ 警示：在医疗、自动驾驶等关键领域，数据的准确性直接关乎生命安全，一个错误的标注可能导致误诊或意外事故。 标签：猫 🐱 数据标注错误：狗被错误地贴上了“猫”的标签 （此类错误在大规模数据标注中需极力避免） 1.7.2013 除了数量，数据的“质量”也至关重要。如果给AI喂了错误的数据，就像教孩子错误的知识，会把它带“坏”。比如，训练猫的图片里混进了狗的图片，AI就会变得傻傻分不清楚。特别是在医疗等关键领域，数据的准确性直接关系到生命安全，容不得半点马虎。 ‹#› 好“燃料”的标准：多样性丰富 单一的数据会限制 AI 的“见识”，无法应对复杂多变的真实世界。 语音助手的“语言盲区” 如果只学习过标准普通话，语音助手很可能听不懂带有地域特色的方言、口音，或者生活中的口语化表达。 自动驾驶的“水土不服” 仅依靠城市道路的“干净”数据训练，AI 面对乡村泥泞道路、非标准交通标志或复杂路况时，极易出现识别“失灵”。 互动思考：我们如何帮助语音助手听懂更多方言？ 提示：从数据来源、用户参与、技术优化等角度展开讨论。 1.7.2013 数据的“多样性”同样重要。如果AI只见过一种情况，那它就无法应对变化。比如，只听过标准普通话的语音助手，可能就听不懂咱们的方言。所以，要让AI变得更强大，就必须让它学习来自不同地域、不同场景、不同类型的数据，拓宽它的“见识”。 ‹#› 数据也有烦恼 01. 数据偏见 数据中隐藏的社会偏见会被AI继承。例如，招聘AI如果学习的简历中男性远多于女性，算法模型就可能在筛选简历时无意识地产生性别歧视，从而加剧现实世界的不公平。 02. 数据隐私 我们的购物记录、出行轨迹、社交关系，都已成为AI训练和服务的重要数据来源。如何在享受智能服务的同时，确保个人敏感信息不被过度收集、滥用或泄露，是我们必须直面的挑战。 1.7.2013 当然，数据也给我们带来了一些烦恼。首先是“数据偏见”，如果用来训练AI的数据本身就带有偏见，比如性别歧视，那么AI也会学会这种偏见。其次是“数据隐私”，我们的很多个人信息都成了AI的数据，如何保护这些信息不被滥用，是我们每个人都需要关注的问题。 ‹#› 总结：数据是智能的基石 数据的数量、质量和多样性，共同决定了人工智能的智能上限。 “高质量的数据，是训练出优秀AI模型的必要前提” DATA / 数据 底层基石 · 决定上限 · 构建能力的原材料 AI / 智能 算法与算力结合后的最终产物 1.7.2013 好了，关于数据，我们来总结一下。数据的数量、质量和多样性，这三点共同决定了AI能达到的高度。可以说，数据是人工智能的基石，没有高质量的数据，就不可能有强大的AI。 ‹#› 动力之源②：算法 —— 人工智能的“大脑” 数据 · 食材 Data / Ingredients 人工智能的“原料库” 海量的文本、图像、声音等原始信息。它们本身没有意义，如同未经烹饪的食材，等待被赋予价值。 AI · 厨师 AI / Chef 人工智能的“执行者” 依据既定的“食谱”，对海量的“食材”进行清洗、加工与学习，最终产出精准的判断与决策。 算法 · 食谱 Algorithm / Recipe 人工智能的“核心大脑” 如果数据是“食材”，那么算法就是“食谱”。它告诉AI如何处理数据、提取关键特征，最终“烹饪”出智能结果。 💡 核心定义： 算法是一套处理数据、提取特征、并做出最终决策的严谨逻辑规则与执行步骤。它是连接“死”数据与“活”智能的关键桥梁，直接决定了AI模型的能力上限。 1.7.2013 认识了数据这位“燃料”，我们再来看看第二个动力之源——算法。如果说数据是食材，那算法就是食谱。它告诉AI如何处理这些数据，如何从数据中学习知识，最终做出智能的决策。算法，就是人工智能的“大脑”。 ‹#› AI的“思考”过程：以智能语音助手为例 01. 语音输入 你对着手机说话，触发语音助手的唤醒机制。 02. 数据处理 将模拟的声波信号，转化为机器能识别的数字信号。 03. 特征提取 算法分析声音的频率、音调、时长等关键声学特征。 04. 算法匹配 将提取的特征与数据库中的海量语音模型进行比对。 05. 文本输出 识别并生成准确的文字内容，理解用户的指令意图。 06. 语音播报 将识别结果合成为自然的语音，最终回答或执行指令。 1.7.2013 那么AI的“大脑”是如何思考的呢？我们以语音助手为例。当你说话时，它首先把声音转换成数字信号，然后通过算法分析声音的特征，再和数据库里的模型进行匹配，最后识别出你说的内容并做出回应。这个过程，就是算法在发挥作用。 ‹#› AI的“大脑”如何升级？ 早期算法 · 人工规则 完全依赖工程师手动编写规则和逻辑。 例如，早期的垃圾邮件过滤器，需人工设定“包含‘中奖’、‘免费’等关键词即为垃圾邮件”的规则。这种方式不仅繁琐，且应对复杂多变的场景时灵活性严重不足。 现代算法 · 机器学习 让AI系统从海量数据中自主发现规律并总结规则。 同样是垃圾邮件过滤，机器学习模型会分析数百万封邮件样本，自动识别并提取垃圾邮件的深层特征（如发信人特征、语义模式等），无需人工逐条编写，具备极强的自适应能力。 核心进化：从“人类手把手教规则” → “AI从数据中自我进化” 1.7.2013 AI的“大脑”也在不断升级。早期的算法需要工程师手动编写规则，非常死板。而现代的算法，也就是机器学习，能够让AI自己从数据中学习，总结规律。这就像从一个需要老师手把手教的学生，变成了一个能够自主学习的学霸。 ‹#› 不同的“食谱”做不同的“菜” 决策树算法 像“查字典”一样，通过层层提问来做决策。把复杂的决策过程拆解为简单的是非题。 👀 适合场景：信用评分、疾病诊断 神经网络算法 模拟人脑神经元连接方式，拥有极强的“感知力”，擅长识别图像、语音等复杂的非结构化数据。 👀 适合场景：人脸识别、自动驾驶 强化学习算法 通过“不断试错”和“即时奖励/惩罚”来自我进化，就像玩游戏通关一样探索最优策略。 👀 适合场景：AlphaGo下棋、机器人控制 1.7.2013 算法也分很多种，就像不同的食谱能做出不同的菜。 比如，决策树算法像查字典，一步步做判断；神经网络算法模拟人脑，擅长识别图像和声音；强化学习算法则像玩游戏，通过不断试错来学习。不同的算法适用于不同的场景。 ‹#› 算法的“困境” 01 / 算法偏见 如果训练数据本身就存在人类社会的偏见（如性别、种族或地域歧视），基于此训练的算法不仅无法消除偏见，反而会将其进一步放大和固化，最终在自动化决策中造成新的社会不公。 02 / “黑箱”问题 很多复杂算法（如深度学习模型）就像一个神秘的“黑箱”：我们只能观察到输入和最终输出，却无法理解其内部的逻辑推理过程。这种不透明性，在医疗诊断、司法判案等对可解释性要求极高的领域，往往会带来巨大的潜在风险。 03 / 互动讨论 如果一个AI法官来审理案件并做出判决，我们是否需要知道它做出这个判决的具体理由？为什么？ 1.7.2013 算法虽然强大，但也面临一些困境。首先是“算法偏见”，它会放大数据中已有的偏见。其次是“黑箱”问题，很多复杂的算法，我们只知道它能做什么，却不知道它为什么这么做，这在一些关键领域可能带来风险。大家可以思考一下，如果AI来判案，我们需不需要知道它的理由呢？ ‹#› 算法 ≠ 程序 执行方式 程序：严格按照固定的指令执行 算法：根据数据自主调整规则 输出结果 程序：输入相同，输出一定相同 算法：输出可能随学习而改变 核心能力 程序：按既定逻辑完成任务（执行） 算法：自我优化与复杂问题判断（学习与决策） 1.7.2013 在这里，我们要区分一个概念：算法和程序是不一样的。普通程序是死板的，输入什么就输出什么。而机器学习算法是活的，它能根据新数据不断学习和调整，输出的结果也可能会变化。这就是AI能够不断进化的关键。 ‹#› 总结：算法是智能的灵魂 算法是连接数据与智能的桥梁。它决定了AI如何思考、如何决策。 好的算法能用更少的数据、更低的算力，实现更好的智能效果。 数据 Data 智能的燃料与基石 算法 Algorithm 连接与转化的桥梁 智能 Intelligence 最终的价值与目标 1.7.2013 总结一下第二部分。算法是连接数据和智能的桥梁，是AI的灵魂。它决定了AI如何思考和决策。一个好的算法，就像一个聪明的大脑，能用更少的资源，办更多的事情。 ‹#› 动力之源③：算力 — 人工智能的“引擎” 核心定义：算力是指计算机处理数据、运行算法的速度与能力，是衡量AI系统综合性能的关键指标。 基础要素：燃料与蓝图 • 如果说数据是驱动AI的“燃料”，提供能量来源； • 那么算法就是AI的“引擎设计图”，决定工作方式。 算力：引擎的“实际马力” • 算力就是引擎的实际功率与动力输出； • 它直接决定了 AI 系统“跑”得有多快，以及能够承载多复杂、多沉重的任务。 1.7.2013 有了数据和算法，我们还需要第三个动力之源——算力。算力，简单来说就是计算机的计算能力。如果数据是燃料，算法是引擎设计图，那算力就是引擎的实际马力。它决定了AI能跑多快，能处理多复杂的任务。 ‹#› 算力决定速度与规模 核心观点：算力越强，AI处理海量数据、运行复杂算法的速度就越快，支撑的模型规模上限也就越高。 轻量级任务 · 简单图像识别 普通个人电脑即可完成训练，处理速度快，耗时仅需几分钟，适用于小规模数据集与简单算法模型。 重量级任务 · 大语言模型 (如ChatGPT) 需要成千上万台高性能服务器（超算集群），进行日夜不停歇的密集计算，往往耗时数月才能完成训练。 🤔 生活中的算力 为什么手机游戏画质越来越高、运行越来越流畅？这背后也是设备算力在持续迭代提升！ 算力规模阶梯 📱 移动端算力 ➔ 💻 桌面级算力 ➔ 🖥️ 集群级超算算力 1.7.2013 算力直接决定了AI的速度和规模。训练一个简单的模型，普通电脑可能几分钟就够了。但要训练像ChatGPT这样复杂的大模型，则需要动用超级计算机，花费数月时间。我们玩的游戏画质越来越高，手机越来越流畅，背后也是算力在不断提升。 ‹#› 算力的“心脏”：CPU与GPU CPU · 中央处理器 全能型的“办公室主任” 擅长处理复杂多样的逻辑任务，但一次只能专注处理几件事（串行处理），是计算机系统的“大脑”。 适用场景： 日常办公、系统调度、软件运行、网页浏览等通用计算场景。 GPU · 图形处理器 并行计算的“超级工厂” 拥有成千上万个简单的计算核心，虽不擅长复杂逻辑，但能同时处理海量相似任务（并行处理）。 适用场景： AI大模型训练、3D游戏渲染、科学模拟、大数据处理等。 1.7.2013 算力的核心是CPU和GPU。CPU就像一个全能的办公室主任，什么都能干，但一次只能干几件事。而GPU则像一个巨大的工厂，有成千上万个工人，虽然每个工人只会做简单的工作，但他们能同时开工，特别适合AI训练中需要大量重复计算的场景。所以，GPU是AI时代的算力核心。 ‹#› AI的“发电站” 个人设备 手机、电脑中的CPU和GPU， 为日常应用提供无处不在的基础算力。 数据中心 由成千上万台服务器组成的巨大机房， 是AI模型大规模训练的主要场所。 云计算 通过网络连接数据中心， 让我们像用水用电一样，按需、便捷地使用海量算力。 1.7.2013 那么，这些强大的算力从哪里来呢？我们的手机、电脑提供了基础算力。而真正大规模的AI训练，则依赖于数据中心，也就是由成千上万台服务器组成的巨大机房。我们现在常说的云计算，就是让我们可以像用水用电一样，方便地使用这些数据中心的算力。 ‹#› 算力的代价 01 / 高能耗挑战 训练与运行大型AI模型需要消耗惊人的能量，在带来算力爆发的同时，也对全球能源供给和生态环境的可持续发展提出了严峻挑战。 02 / 资源集中风险 高性能数据中心的建设成本极高，这可能导致算力资源被少数科技巨头垄断，限制了中小创新团队的发展，加剧了技术壁垒的不平等。 1.7.2013 强大的算力也并非没有代价。首先是高能耗，训练大型AI模型需要消耗大量能源，对环境造成压力。其次是资源集中，建设数据中心非常昂贵，这可能导致只有少数大公司才能掌握最先进的AI技术。如何解决这些问题，是未来AI发展需要面对的挑战。 ‹#› 总结：算力是智能的加速器 算力是数据和算法得以施展的基础，也是驱动人工智能飞速发展的核心引擎。 没有强大的算力，再好的数据和算法也无法高效运行。 算力 · 燃料 为智能系统提供源源不断的动力支持 是所有计算模型运转的底层能源根基 数据 & 算法 · 主体 构建智能的核心架构与灵魂 定义计算逻辑与数据流转的核心规则 智能 · 终极目标 算力与算法共同奔赴的星辰大海 为人类社会创造价值的最终目的地 1.7.2013 总结一下第三部分。算力是数据和算法得以发挥作用的基础，是智能的加速器。没有强大的算力，再好的数据和算法也只是纸上谈兵，无法高效运行。我们可以把这三者的关系形象地比喻为一场太空旅行：算力是燃料，为火箭提供起飞的动力；数据和算法构成了火箭的主体架构；而我们共同的目标，就是飞向“智能”这颗璀璨的星球，去探索未知，创造价值。希望大家记住：算力底座越坚实，智能飞得越遥远。 ‹#› 数据、算法、算力：缺一不可的“铁三角” 数据、算法、算力三者相互依存，共同构成人工智能的动力系统。 数据 · Data 提供人工智能学习与进化的“原料”，是AI模型训练的基础与燃料。 算法 · Algorithm AI的“大脑”与逻辑核心，负责对海量数据进行思考、推理与价值“加工”。 算力 · Computing Power AI运行的物理“引擎”，强大的计算能力保障了数据处理与模型训练的“速度”。 1.7.2013 现在我们已经了解了数据、算法和算力这三个动力之源。它们三者之间是什么关系呢？它们就像一个“铁三角”，缺一不可。数据提供原料，算法负责加工，算力保障速度，三者协同工作，才构成了完整的人工智能动力系统。 ‹#› “刷脸”背后的协同作战 数据 · Data 基础资源：我们提前录入的人脸图像，以及后台数据库中用于实时比对的海量结构化人脸特征信息库。 算法 · Algo 核心逻辑：精准的人脸特征提取与比对算法，能够快速定位关键特征点并进行相似度计算，决定识别准确率。 算力 · Power 底层支撑：高性能服务器集群提供的强大计算能力，支撑海量数据的毫秒级比对，保障“刷脸”的极速体验。 协同作战结论：只有当海量高质量的人脸数据、精准的特征匹配算法，以及强大的实时并行计算能力三者紧密配合，才能最终实现我们日常生活中“秒级响应、准确无误”的刷脸通行体验。 1.7.2013 我们再回到开头的“刷脸”场景。它的背后就是数据、算法、算力的协同作战。 首先，**数据**是基石。无论是我们录入的个人人脸信息，还是后台用于比对的海量人脸特征库，没有这些高质量的数据，系统就成了“无源之水”。 其次，**算法**是核心引擎。它决定了如何从一张二维照片中提取出具有唯一性的人脸特征，并与数据库中的特征进行快速匹配，直接决定了识别的准确率。 最后，**算力**是坚实的后盾。为了让我们体验到“秒开”的快感，背后是服务器集群在毫秒级别内完成海量数据比对的强大计算能力。 这三者缺一不可，紧密配合，共同支撑起了我们便捷、安全的刷脸通行体验。 ‹#› “铁三角”的短板效应 互动讨论：缺少任何一个会怎样？ NO DATA / 没有数据 AI就是一个空有大脑 却没有知识的“文盲” NO ALGORITHM / 没有算法 AI就是一个拥有海量书籍 却不会阅读的“书呆子” NO COMPUTING / 没有算力 AI的思考过程会极其缓慢 等它做出决策，黄花菜都凉了 1.7.2013 这个“铁三角”具有明显的短板效应。如果缺少数据，AI就是个没知识的文盲；缺少算法，就是个不会学习的书呆子；缺少算力，那它的反应就会慢得让人无法忍受。所以，三者必须均衡发展，才能推动AI进步。 ‹#› 课堂实践：拆解“智能学习助手”的动力之源 👥 小组任务 以小组为单位，深度剖析一款主流智能学习APP（如：作业帮、猿辅导等），探讨其背后的运作逻辑，回答：它是如何“智能”工作的？ 数据 Data 海量的题库资源、标准化的知识点讲解，以及每位学生的学习记录、错题档案等，共同构成了APP运作的基石。 算法 Algorithm 基于数据驱动的“大脑”：推荐算法实现个性化习题推送、OCR文字识别支持拍照搜题、NLP算法支撑智能问答。 算力 Computing 强大的服务器集群，支撑海量并发请求，实现毫秒级的题目检索、实时的语音识别及快速的答案生成与反馈。 1.7.2013 现在，让我们来进行一个课堂实践。请大家以小组为单位，分析一下我们常用的智能学习APP，比如作业帮，它的动力之源分别是什么？数据、算法、算力在其中扮演了什么角色？大家可以参考这个表格进行讨论。 ‹#› 拓展提升：AI的未来 01 数据 Data Privacy & Quality 更注重高质量、隐私保护的数据。例如，联邦学习技术可以在不泄露原始数据的情况下，实现多方协作训练模型，平衡数据利用与隐私安全。 02 算法 Algorithm & Logic 高效 · 公平 · 可解释 追求更高效的运算与更公平的决策逻辑。致力于开发“可解释AI”，让机器的推理过程对人类透明，从而建立更深的信任。 03 算力 Computing Power 绿色 · 普及 · 低功耗 向着更绿色环保、更普惠大众的方向发展。通过研发高能效、低功耗的AI专用芯片，降低运行成本，让智能设备随处可见。 1.7.2013 了解了AI的动力之源，我们再来展望一下未来。未来的AI，在数据方面会更注重隐私保护，比如联邦学习技术；在算法方面会更公平、更可解释；在算力方面会更绿色、更普及。AI的未来，值得我们期待。 ‹#› 课堂讨论：我们身边的AI动力之源 思考话题：拆解 AI 应用的“三大支柱” 请选择一个你熟悉的应用（如短视频推荐、智能客服、地图导航、语音助手等），试着分析：它的运行，到底依靠什么数据、用到了什么算法、又需要什么算力来支撑？ 课堂记录区 • 我选择的应用：___________________________ (例如：抖音/高德地图/小爱同学) • 核心数据：___________________________ (例如：用户点击记录/地理信息/语音声波) • 核心算法/算力：___________________________ 1.7.2013 接下来是课堂讨论时间。请大家想一想我们身边的其他AI应用，比如短视频推荐、智能客服或者地图导航，尝试用今天学到的知识，分析它们背后的数据、算法和算力分别是什么。哪位同学愿意分享一下你的想法？ ‹#› 课堂小结：本节课我们学到了什么？ 三大动力之源 人工智能运转的基石由三部分构成： 数据 (燃料)·算法 (大脑)·算力 (引擎) 核心关系 三者并非孤立存在，而是相互依存，协同工作，缺一不可，共同驱动智能系统不断进化与应用。 核心素养 透过现象看本质，学会拆解和分析AI应用背后的技术逻辑，树立科学、理性的技术观。 ✨ 未来寄语 希望同学们带着今天的知识，继续探索人工智能的奥秘，努力成为数字化时代的合格公民！ 1.7.2013 好了，我们今天的课程即将结束。让我们一起回顾一下，今天我们学习了人工智能的三大动力之源：作为燃料的数据、作为大脑的算法，以及作为引擎的算力。我们理解了它们三者相互依存、缺一不可的关系。希望通过本节课，大家能学会分析AI应用背后的技术，并树立起科学、理性的技术观。谢谢大家！ ‹#› 谢谢观看 保持好奇心，继续探索人工智能的奇妙世界 1.7.2013 今天的课程到此结束，感谢同学们的积极参与和聆听。希望大家能保持好奇心，继续探索人工智能的奇妙世界。谢谢大家！ ‹#› $