人工智能通识课：绪论

准备一次主题展示时，两名学生都借助了智能助手。一名学生直接采用助手生成的提纲；另一名学生则先明确问题、整理材料，再参考助手的建议、核对资料来源，最后用自己的语言组织内容、说明结论。

同样使用人工智能，不同的学习方式可能带来不同的收获。工具可以帮助我们完成任务，但要把这份帮助转化为自己的能力，还需要理解处理过程、检查结果，并尝试独立完成相似的任务。

一、人工智能时代的形势

1.1 人工智能与智能应用

人工智能（Artificial Intelligence，AI）研究如何让计算系统完成感知、学习、推理与决策等任务。声音识别、内容推荐、图像分析和辅助编程，都可能使用人工智能，聊天助手只是其中一种应用。

生成式人工智能（Generative Artificial Intelligence）能够根据输入生成文字、图像或声音。它提供的通常是候选结果，能否使用，还要结合任务要求检查。

模型（Model）根据输入进行计算，完成识别、预测或生成等任务；应用（Application）则把模型、界面、数据和工具组合成可操作的功能。

理解这一区别，有助于判断助手究竟完成了什么：说明“怎样统计报名人数”，不等于已经读取记录、完成计算并保存文件。

图 1：人机协作中的任务、资料与核查

实际整理报名记录时，应先明确需要保留的字段和重复记录的处理规则，再提供适合处理的资料，并检查结果。

文件管理、表格计算与程序运行仍是必要基础，是否使用智能助手，应根据任务要求决定。

1.2 技术发展的主要方向

观察技术进展，可以先看它能帮助完成哪些具体事情，不必先记住一串技术名称。

图 2：从理解材料到执行任务

比如，助手可以从海报中整理活动安排、比较两份方案，也可以在连接相应工具后处理文件。不过，给出分析或操作建议，不等于已经执行了文件操作；能否执行，还取决于应用功能与访问权限。

智能体（Agent）能够围绕目标选择行动，并根据反馈调整后续步骤。连接工具后，它可以参与多步骤任务，但仍需核查输入、执行过程和最终结果。

当任务涉及机器人等设备的物理操作时，还要考虑位置、接触和环境变化，不能仅凭软件中的表现判断实际操作是否可靠。

1.3 近期进展与应用边界

截至 2026 年 10 月，值得关注的进展包括：系统能够结合文字、图像和声音处理更多任务；部分模型在多步骤问题求解方面有所提升；应用通过连接检索、计算与文件操作工具，将协作范围从回答问题扩展到执行任务。

这些变化不会同时、同样地出现在每个产品中。模型名称、账号权限和界面入口会改变，操作时应查阅当前官方说明。

斯坦福大学发布的 2026 年《人工智能指数报告》汇总了技术进展与应用情况，同时指出：系统能力仍不均衡，相关评价和风险管理也未完全跟上能力发展的步伐。

关注新技术，可以围绕三个问题展开：新增了什么能力？在哪些条件下有效？怎样检查结果？

1.4 能力评价与结果核查

回答流畅、图片精美或演示成功，都不足以说明系统能够稳定完成所有相似任务。换一份材料、增加缺失记录或改变条件，结果可能不同。

图 3：不同结果的核查方法

比如，助手说“文件已生成”，还要打开文件确认内容；给出计算结果，还要检查原始数字和计算过程。让助手再次自查可以提供线索，却不能替代独立依据。

选择工具时，既要看它是否满足任务要求，也要考虑失败后的处理方式，以及所需的时间与资源。

了解工具的适用条件，并能核查结果，是人工智能素养的重要组成部分。

二、为什么需要人工智能素养

2.1 基础素养与专业学习

人工智能素养（Artificial Intelligence Literacy）是理解、使用和评价人工智能的基本能力，并包含对使用责任的认识。它建立在计算与数据基础上，也需要联系专业知识。

例如，教育中的学习材料、工程中的测量记录、文学中的作品分析，处理方式不同。

工具可以帮助整理信息，却不能替代对材料含义与专业标准的理解。

图 4：专业任务中的人机分工

分析专业任务时，可以进一步追问：哪些步骤有明确规则？哪些需要补充资料？哪些结论必须结合专业知识判断？

这样把任务拆开，比笼统讨论“人工智能能否替代某个专业”，更有助于认识工具的作用和自己的学习重点。

2.2 岗位任务与能力变化

一个岗位通常包含多种任务。有些整理、转写或初步计算可以得到工具帮助；提出问题、解释证据、沟通意见与承担责任，则仍需要人的参与。具体分工会随技术和工作条件变化。

技术能够影响某项任务，不等于整个岗位必然消失。国际劳工组织的研究也强调，岗位受到技术影响的可能性，不能直接等同于实际的就业减少。

对大学生而言，为未来工作做准备，需要夯实专业基础，学会选择和使用工具，并能够检查其结果。

2.3 判断能力与使用责任

使用工具时，可以从三个方面进行判断：

（1）材料是否可靠。

来源、日期和数据含义是否明确？

（2）结果是否有依据。

有没有遗漏条件、计算错误或自行添加的信息？

（3）使用是否合适。

资料能否上传，生成内容是否涉及个人信息或他人权益？

练习优先使用公开、获准使用或虚构的材料。提交成果时说明工具帮助的部分，保留自己的核查与修改记录。

三、学习目标：知道、会用、善用

图 5：知道、会用与善用

3.1 知道：理解基础

“知道”是能够解释基本现象。

例如，文件保存在哪里，文字怎样表示为数据，程序怎样按规则重复执行，助手为什么会给出看似合理却不正确的回答。

这些问题涉及计算、数据、程序和模型。学习时可以先建立它们之间的基本联系，再通过后续操作逐步理解具体机制。

3.2 会用：完成任务

“会用”是能够完成一个输入明确、结果可检查的小任务。

整理报名记录时，要说明字段与规则，选择工具，保存结果，再核对人数和内容。遇到错误，应定位没有满足的要求，修正后重新检查。

3.3 善用：选择方法

“善用”是能够比较方法，说明选择理由，并认识适用条件。

对一组已知数值求和，可以使用表格或程序；探索文章结构，可以请助手提供候选方案；分析真实数据，则需要先检查数据质量，再选择统计或建模方法。

选择方法之外，还要判断结果能支持什么结论。例如，报名人数较多并不能直接证明活动质量更高，宣传力度和时间安排也可能影响报名。证据不足时暂缓判断，同样是能力的体现。

3.4 学习成果与评价

能够完成一份作品，并不意味着已经掌握了相关知识和方法。

评价学习成果时，除了看作品本身，还可以从以下几个方面检查自己的学习情况：

（1）能否解释所用的数据、处理规则和结果。

（2）能否完成必要操作，并保存可供检查的成果。

（3）能否发现和修正错误，说明修正的依据。

（4）能否在更换材料或减少帮助后，完成相似任务。

保留资料来源、关键步骤和修改记录，有助于回顾自己的处理过程，了解已经掌握了什么、还有哪些地方需要继续练习。

四、学习中的困难与挑战

4.1 基础差异

大学新生在文件操作、数学和编程方面的经验各不相同。学习时，可以先通过几个小任务了解自己的基础，例如建立文件夹、找到已保存的文件，或读取几条记录。这样比笼统判断“基础好不好”，更容易发现需要补充的知识。

练习可以逐步展开：先读取文件，再筛选记录，最后完成统计，每次集中解决一个主要难点。已有基础的同学则可以尝试处理缺失记录等异常情况，或比较不同方法的效果。

4.2 技术迭代

人工智能工具变化很快，但学习内容并不会以相同的速度更新。基本原理相对稳定，处理问题的方法需要随着实践不断完善，而具体的界面入口和操作步骤往往变化较快。分清这些差别，有助于合理安排学习精力。

图 6：学习内容的三种更新速度

例如，上传文件的入口可能改变，但仍需检查文件是否读取完整；工具能够处理更多材料，也仍需核查结果。

掌握基本原理和可迁移的方法，再按需了解新的操作方式，可以减少反复摸索的负担。

4.3 理论与实践

只阅读概念，可能知道术语却不会处理实际问题；只照着步骤操作，又可能在更换材料后不知如何调整。学习时，可以围绕同一个小任务，将理解与操作结合起来。

图 7：从观察示例到独立完成

例如，先观察几条记录如何分类汇总，再说明分类依据，随后加入一条缺少信息的记录，尝试处理并检查结果。

通过改变材料和条件，可以逐步理解方法的适用范围。任务较复杂时，应保留中间结果，便于回查和定位错误。

4.4 工具依赖与自主学习

如果能够提交答案，却说不清答案是怎样得到的，就需要调整使用工具的方式。

遇到困难时，可以先写出自己的思路和具体问题，再向助手请求提示或解释。得到帮助后，尝试不参照现成答案重新完成，并说明其中的关键步骤。

一次失败并不意味着自己学不会，初学时也不必追求产品演示中的效果。从小任务开始，理解错误、修正方法，再逐步提高难度，更容易看到进步，建立持续学习的信心。

接下来的知识地图与学习方法，将帮助我们把这些做法落实到具体的学习安排中。

五、知识地图与学习方法

5.1 数据主线

数据（Data）是可记录和处理的符号或测量结果；信息（Information）是结合语境解释后获得的含义。报名记录需要整理和比较，才能支持活动安排。

图 8：报名记录怎样成为决策依据

围绕数据可以形成四类问题：怎样表示和存储，怎样自动处理，怎样与智能系统交互，怎样分析并支持判断。

这条主线连接基础与应用，也提醒我们：结果不可靠时，先检查输入和处理过程。

5.2 学习顺序

按知识依赖，可以分为四个阶段。图中的数字对应文章索引，阅读不必机械遵循编号大小。

图 9：由基础到应用的学习路线

第一阶段建立计算与数据基础，先认识软硬件，再学习进制与编码。

第二阶段以 Python 为线索学习程序设计，逐步从数据处理进入算法分析和模型学习。

第三阶段认识大语言模型（Large Language Model）的基本原理，再学习提示词工程（Prompt Engineering），理解输入要求与输出结果之间的关系。

第四阶段学习文本与语音、图像与视频的处理方法，最后通过智能体整合材料、模型与工具。

5.3 任务观察与结果比较

可以从一则虚构通知开始练习：

“校园读书分享活动于 10 月 18 日 14:00—16:00 在图书馆二楼举行，面向大学一年级学生，名额 30 人，报名截止时间为 10 月 15 日。联系人及报名链接尚未确定。”

先独立整理活动时间、报名截止时间、地点、对象和名额，并标出尚未确定的信息，再请助手整理参与活动的准备清单。随后对照原文，检查是否混淆了活动时间与报名截止时间，是否擅自补充了年份、联系人或链接。若发现差异，记录问题及修正依据。

类似练习也可以使用获准使用的题目照片，让助手提取题号、翻译选项并保存结果，再逐项核对是否存在遗漏或错位。

使用助手辅助编程时，则应阅读方案和代码，了解修改原因，并通过实际运行检查结果。

5.4 专业问题与证据核查

在熟悉基本操作后，可以选择本专业的一项具体任务，进一步探索智能工具能够提供哪些帮助。例如：

“我是［专业名称］的大一学生。处理［具体任务］时，智能工具可以帮助哪些步骤？需要提供什么材料？怎样检查结果？涉及事实或实际案例时，请注明相关日期，并提供可核查的来源；缺少依据的内容，请明确说明。”

得到回答后，可以先选择其中一条事实进行核查：打开所列来源，确认资料是否真实存在，原文是否支持回答中的结论。若条件或表述不清楚，可以继续追问；若仍无法核实，就应保留疑问，而不是把肯定的语气当作可靠的证据。

5.5 学习计划与迁移练习

学习计划可以结合已有基础、可用时间和专业需求来安排。每个阶段设置少量明确、可检查的成果，例如整理一份材料、修改一段程序，或解释一幅图，便于判断是否完成了学习目标。

按学习单元保存原始材料、操作步骤或代码、输出结果和简短记录，有助于回顾过程。隔一段时间，再更换材料或调整条件，尝试在减少提示和帮助的情况下完成相似任务，检验所学方法能否用于新的情境。

评价学习进展时，重点是能否解释过程、修正错误，并将方法运用于新任务，而不只是使用过多少种工具。

小结

人工智能学习应从具体任务出发，以计算与数据为基础，将理解、操作和核查结合起来。沿“知道、会用、善用”逐步实践，保留依据与过程，再用新材料检验独立完成的能力，才能把工具帮助转化为自己的能力。

“点赞有美意，赞赏是鼓励”