01 緒論 1.0　學習導言 1.1　生命與智能 1.1.1　什么是智能 1.1.2　圖靈測試與人工智能 1.1.3　人工智能圖譜 1.2　人工智能的歷史 1.2.1　第 一階段：初創(chuàng)時期
（1936年—1956年） 1.2.2　第二階段：形成時期
（1957年—1969年） 1.2.3　第三階段：發(fā)展時期
（1970年—1992年） 1.2.4　第四階段：大突破時期
（1993年至今） 1.3　中國人工智能發(fā)展歷史 1.4　人工智能學科交叉與融合 1.5　人工智能實現(xiàn)方法 1.5.1　傳統(tǒng)實現(xiàn)方法 1.5.2　數(shù)據(jù)驅動方法 1.6　人工智能主要研究內容 1.6.1　計算智能 1.6.2　感知智能 1.6.3　認知智能 1.6.4　行為智能 1.6.5　群體智能 1.6.6　混合智能 1.6.7　情感智能 1.6.8　類腦智能 1.6.9　人工智能倫理與法律 1.7　機器創(chuàng)造與博弈 1.8　人工智能發(fā)展趨勢 1.9　本書內容結構
1.9.1 人工智能五維知識體系與本書內容
1.9.2 人工智能五個認識層次與本書內容 1.10　關鍵知識梳理 1.11　問題與實踐 02 人工智能哲學觀 2.0　學習導言 2.1　從哲學角度理解人工智能 2.1.1　與人工智能有關的哲學
概念 2.1.2　與人工智能有關的主要
哲學分支 2.1.3　大歷史觀——智能進化 2.1.4　人工智能的本質 2.2　人工智能局限性的認識 2.2.1　弱人工智能與人類心智的
差距 2.2.2　強人工智能與通用人工智能 2.3　關鍵知識梳理 2.4　問題與實踐 03 腦科學基礎 3.0　學習導言 3.1　腦與神經科學 3.2　腦神經系統(tǒng) 3.2.1　腦神經組織 3.2.2　神經元與信息傳遞 3.2.3　大腦皮層 3.3　腦的視覺與信息處理機制 3.3.1　腦的視覺結構 3.3.2　視覺皮層區(qū)域 3.4　腦的記憶機制 3.5　腦的學習機制 3.6　腦功能新發(fā)現(xiàn) 3.6.1　大腦導航功能 3.6.2　大腦孕周發(fā)育 3.6.3　社會互動增強神經復雜性 3.7　關鍵知識梳理 3.8　問題與實踐 04 人工神經網絡 4.0　學習導言 4.1　如何構建人工神經網絡 4.1.1　神經元模型 4.1.2　感知器模型 4.2　人工神經網絡的訓練—反向傳播算法 4.3　卷積神經網絡原理 4.3.1　稀疏連接與全連接 4.3.2　權值共享與特征提取 4.3.3　卷積層 4.3.4　池化層 4.3.5　全連接層 4.3.6　激活函數(shù)層 4.3.7　損失函數(shù) 4.3.8　CNN算法 4.4　循環(huán)神經網絡 4.5　長短時記憶網絡 4.6　受限玻爾茲曼機 4.7　深度置信網絡 4.8　關鍵知識梳理 4.9　問題與實踐 05 機器學習 5.0　學習導言 5.1　機器學習能否實現(xiàn)機器智能 5.2　機器學習的類型和應用 5.3　監(jiān)督學習與無監(jiān)督學習 5.3.1　k-最近鄰分類 5.3.2　支持向量機 5.3.3　樸素貝葉斯分類器 5.3.4　k-均值聚類算法 5.3.5　隨機森林算法 5.3.6　集成學習 5.4　深度學習 5.4.1　淺層學習與深度學習 5.4.2　深度學習的應用——圖像
描述 5.5　生成對抗網絡 5.5.1生成網絡 5.5.2判別網絡 5.6　深度學習大模型 5.6.1　DALL·E和CLIP 5.6.2　悟道1.0/2.0 5.6.3　NüWA（女媧） 5.7　遷移學習 5.8　深度學習缺陷與因果學習
5.8.1深度學習缺陷
5.8.2因果學習概念及其作用
5.8.3結構因果模型 5.9　強化學習 5.9.1　能夠自適應學習的機器人 5.9.2　強化學習的應用 5.10　關鍵知識梳理 5.11　問題與實踐 06 感知智能 6.0　學習導言 6.1　數(shù)字圖像處理技術 6.1.1　灰度直方圖 6.1.2　圖像平滑處理 6.1.3　圖像邊緣檢測 6.1.4　圖像銳化 6.1.5　圖像分割 6.1.6　圖像特征提取 6.1.7　圖像分析 6.2　計算機視覺與機器視覺 6.3　模式識別 6.3.1　模式識別方法 6.3.2　模式識別過程 6.4圖像分類
6.4.1 圖像分類概念
6.4.2 深度學習與圖像分類 6.5　目標檢測與識別 6.6　無人駕駛汽車的環(huán)境感知 6.7　關鍵知識梳理 6.8　問題與實踐 07 認知智能 7.0　學習導言 7.1　邏輯推理 7.1.1　命題與推理 7.1.2　推理類型 7.1.3　模糊推理 7.2　知識表示 7.2.1　謂詞邏輯表示法 7.2.2　語義網絡表示法 7.3　搜索技術 7.3.1　盲目搜索 7.3.2　啟發(fā)式搜索 7.3.3　蒙特卡羅樹搜索算法 7.4　知識圖譜 7.4.1　知識圖譜與認知智能 7.4.2　知識圖譜基本技術 7.4.3　知識圖譜架構 7.5　認知計算 7.6　認知智能的興起 7.7　關鍵知識梳理 7.8　問題與實踐 08 語言智能 8.0　學習導言 8.1　語言與認知 8.2　自然語言處理 8.2.1　自然語言理解源起 8.2.2　自然語言處理應用 8.2.3　自然語言處理技術 8.3　智能問答系統(tǒng) 8.4　聊天機器人 8.4.1　聊天機器人類型 8.4.2　聊天機器人與自然語言
理解 8.5　語音識別 8.5.1　語音識別系統(tǒng) 8.5.2　語音識別過程 8.6　機器翻譯 8.6.1　機器翻譯原理與過程 8.6.2　通用翻譯模型 8.7　關鍵知識梳理 8.8　問題與實踐 09 機器人 9.0　學習導言 9.1　機器人與行為智能 9.1.1　行為主義載體——機器人 9.1.2　機器人基本組成 9.1.3　智能機器人 9.2　工業(yè)機器人 9.3　移動機器人 9.4　無人飛行器 9.5　水下機器人 9.6　太空機器人 9.7　人形機器人 9.8　機器動物 9.9　軟體機器人 9.10　微型機器人 9.11　群體機器人 9.12　認知發(fā)展機器人 9.13　關鍵知識梳理 9.14　問題與實踐 10 類腦智能 10.0　學習導言 10.1　類腦計算基礎 10.1.1　馮·諾依曼結構計算機的
局限 10.1.2　類腦計算機 10.1.3　類腦計算研究內容與
方法 10.2　類腦計算基礎 10.2.1　神經形態(tài)計算 10.2.2　神經形態(tài)類腦芯片 10.2.3　神經形態(tài)類腦計算機 10.3　基于憶阻器的類腦計算 10.3.1　憶阻器原理 10.3.2　憶阻器芯片 10.4　人工大腦 10.4.1　人工大腦的基本單元 10.4.2　仿腦模型 10.4.3　虛擬大腦 10.4.4　深度學習腦功能模擬 10.5　非神經形態(tài)智能芯片 10.6　關鍵知識梳理 11.7　問題與實踐 11 混合智能 11.0　學習導言 11.1　混合智能基本形態(tài) 11.2　腦機接口 11.2.1　腦機接口工作原理 11.2.2　可探測識別的腦電波
信號 11.2.3　侵入式腦機接口 11.2.4　非侵入式腦機接口 11.2.5　腦機接口應用 11.3　可穿戴技術 11.3.1　可穿戴傳感器 11.3.2　可穿戴神經刺激 11.4　可植入電子芯片 11.4.1　電子識別芯片 11.4.2　人造感覺神經 11.5　外骨骼混合智能 11.6　動物混合智能 11.7　人體增強 11.8　關鍵知識梳理 11.9　問題與實踐 12 人工智能行業(yè)應用 12.1　學習導言 12.1　智能制造 12.1.1　智能制造定義 12.1.2　智能制造與數(shù)字制造 12.1.3　智能制造產業(yè)核心內容 12.1.4　智能工廠 12.2　智能醫(yī)療 12.2.1　智能醫(yī)療定義與組成 12.2.2　智能醫(yī)療核心技術 12.2.3　智能醫(yī)療應用場景 12.3　人工智能與新基建 12.3.1　新基建加速企業(yè)智能化轉型 12.3.2新基建完善人工智能基礎設施 12.3.3新基建拓展人工智能應用場景 12.4人工智能技術在企業(yè)的應用
12.4.1企業(yè)應用的主要人工智能技術 12.4.2人工智能技術零售業(yè)應用 12.4.3　人工智能技術電商營銷應用 12.5　關鍵知識梳理 12.6　問題與實踐 13 人工智能倫理與法律 13.0　學習導言 13.1　電車難題引發(fā)的人工智能
道德困境 13.2　人工智能倫理的定義 13.3　人工智能倫理問題 13.4　機器人倫理問題與基本
原則 13.4.1　機器人倫理問題 13.4.2　機器人倫理的基本原則 13.5　人工智能倫理規(guī)范 13.6　人工智能法律問題 13.6.1　人工智能引發(fā)的法律
問題 13.6.2　人工智能的法律主體和法律人格問題 13.7　超現(xiàn)實人工智能倫理問題 13.8　關鍵知識梳理 13.9　問題與實踐 參考文獻