授课讲义：第 01 次课：AI 发展史与运行原理初探 ​

一、上节课回顾 ​

• 本次是课程第一次课，没有上一课内容需要复习。
• 学生课前状态：多数人用过手机 AI 聊天、搜题、生图或写文案，但很少研究工具为什么会回答。
• 已经留下的基础：学生会打开 DeepSeek、豆包、Kimi 或通义中的一个，能完成一次基本提问。
• 今天要接上的问题：AI 不是突然出现的魔法；它有发展路线，也有可理解的工作原理。
• 开场检查：请三名学生说出自己最近用过的一次 AI 功能，并判断它生成的是文字、图片、音频还是视频。

二、本节课主要内容和目标 ​

本节课结束时，学生能：

1. 按顺序排出 AI 发展七阶段，并说出从“人写规则”到“机器学规律”的核心变化。
2. 把简单场景匹配到监督学习、无监督学习或强化学习，并指出算力、算法、数据的作用。
3. 根据任务选择文字生成、图片生成、音频生成或视频生成等 AIGC 形态。
4. 用“文字接龙”解释大模型生成过程，并说明 Token 是 AI 处理文字的基本单位。
5. 为不同任务选择更合适的温度，并解释上下文窗口和概率采样对回答的影响。

课堂总时长 80 分钟，另留 10 分钟机动。学生需准备一个可联网的 AI 对话工具；教师准备排序卡片、演示账号和一张文生图提示词示例。

三、本节课知识内容 ​

M1：AI 发展七阶段 ​

剧情钩子：如果把 AI 发展想象成厨房进化史，规则系统在照菜谱做菜，专家系统让老师傅把经验写成手册。可厨房后来受不了了：菜谱永远写不全。于是机器学习拍桌子说：“别死背菜谱了，我们自己从 1000 次做菜记录里找规律。”

是什么：AI 发展经历了规则系统、专家系统、机器学习、神经网络、深度学习、Transformer、大模型七个阶段。规则系统和专家系统主要由人把判断规则写进程序；机器学习开始让程序从数据中归纳规律；神经网络模拟分层加工的信息结构；深度学习把网络层数和数据规模扩大；Transformer 引入注意力机制；大模型则是在 Transformer 基础上，用超大规模参数和语料训练出通用生成能力。

核心特点：这条路线的关键转折是“规则来源”的变化。早期系统的规则由人明确写出，遇到没写的情况容易失效；机器学习之后，规律主要由模型从数据中统计和归纳，系统可以处理更多样、更模糊的任务。越到后期，模型越不依赖人工定义每一条判断，而越依赖数据质量、模型结构和算力规模。

典型例子：规则系统像“如果对方出石头，我就出布”的固定判断；专家系统像老厨师把经验写成手册；机器学习像从 1000 次做菜记录里总结“糖多一点更好吃”；神经网络像流水线逐层加工；Transformer 像开会时同时听所有发言并抓住重点；大模型像读过海量文本后能续写、改写和解释的助手。

易错点：学生容易把七个阶段看成彼此替代、毫无关系的产品名称。实际上，后面的阶段通常保留并改造前面的思想。专家系统没有消失，只是不再代表主流通用方法；神经网络是深度学习的基础；Transformer 是大模型的核心结构。也不能把“大模型”理解成数据库搜索，它不是直接翻出一条现成答案。

课堂练习：讲完本模块后，在学习通完成【M1-01】整理 AI 发展路线、【M1-02】定位 Transformer、【M1-03】讲出发展主线。

M2：学习方式与 AI 三要素 ​

剧情钩子：数据驱动的大门打开后，新问题来了：谁来指导学习？错了怎么办？三种学习方式排队登场：监督学习拿着标准答案，无监督学习自己分堆找规律，强化学习盯着奖惩结果反复调整。

是什么：监督学习、无监督学习和强化学习是三种常见学习方式。监督学习使用“输入 + 正确答案”成对数据训练；无监督学习面对没有人工标签的数据，自己寻找分组、结构或相似性；强化学习通过行动后的奖励或惩罚调整策略。算力、算法、数据是支撑 AI 运行的三要素：算力提供计算资源，算法决定如何加工信息，数据提供学习材料。

核心特点：监督学习的优点是目标明确、结果可控，但依赖高质量标注；无监督学习适合发现未知结构，但结论解释难度更高；强化学习适合连续决策和试错场景，但奖励设计很关键。三要素彼此依赖：没有数据，算法无从学习；没有算力，大规模训练难以完成；没有合适算法，数据和算力也不能自动变成能力。

典型例子：历史题和标准答案一起训练，是监督学习；把图书照片自动分成小说、教材、杂志，更像无监督学习；游戏 AI 根据输赢调整下一步策略，是强化学习。做视频生成需要大量数据和大算力；识别垃圾邮件需要标注数据和合适算法。

易错点：学生容易只凭“有没有人教”来判断学习方式。判断关键是看数据有没有标签、系统有没有奖惩反馈，以及训练目标是什么。也不能认为算力越多就一定效果越好；如果数据偏差大或算法不适配，结果仍然不可靠。

课堂练习：讲完本模块后，在学习通完成【M2-01】判断学习方式、【M2-02】判断监督学习、【M2-03】匹配学习场景。

M3：AIGC 全景 ​

剧情钩子：学习方式解决后，AIGC 像一家魔法工厂登场：一句提示能变出文字、图片、音频和视频。但先别急着叫魔法，它的核心仍是把需求变成可交付的内容。

是什么：AIGC 是用人工智能生成内容，包括文生文、文生图、图生图、文生音频、文生视频、文生代码等形态。它不是单一工具，而是根据交付物选择不同生成方式：需要说明用文字，需要视觉表达用图片，需要声音用音频，需要动态叙事用视频，需要自动化页面或脚本用代码生成。

核心特点：AIGC 的价值在于把模糊需求快速变成初稿和候选方案，但生成结果仍需要人工选择、修改和验收。提示词越具体，输出越接近用途；需求越模糊，模型越容易自行补充。不同形态也有不同限制：文字容易出现事实错误，图片可能结构失真，音频和视频要注意版权、声音形象和画面一致性。

典型例子：围绕“校园读书节”，可以让 AI 写一条 30 字宣传语，也可以让 AI 生成一张海报图。文字适合班级群快速发布；图片适合展板或屏幕展示。若要生成代码页面，则要说明功能、字段、样式和验证规则。

易错点：学生容易把 AIGC 等同于“生图”。实际上文字、图片、音频、视频和代码都是常见生成形态。也不能把“生成成功”当作“可以直接交付”；图片可能有错字比例或结构问题，文字可能有事实错误，代码必须运行验证。

课堂练习：讲完本模块后，在学习通完成【M3-01】识别 AIGC 生成形态、【M3-02】选择生成形态、【M3-03】整理身边 AIGC 应用。

M4：文字接龙与 Token ​

剧情钩子：大模型听到“查资料”三个字就拍桌子：“别把我当搜索引擎。”它说自己是文字接龙选手，先把文字切成 Token，再根据前文不断猜下一个词。

是什么：大模型的生成过程可以理解为不断进行的文字接龙：模型读取前文，预测下一个最可能出现的词或字块，再把它加入前文，继续预测后面的内容。Token 是模型处理文字的基本单位；中文的一个字可能对应一个或多个 Token，英文单词也可能被拆成词根、词缀或子词。

核心特点：文字接龙解释了为什么模型能续写、改写和解释语言，也解释了为什么输出可能“看起来合理”但事实上不成立。Token 决定模型如何计量长度和上下文占用；长文本会被切成大量 Token，消耗更多记忆和计算资源。不同模型的分词方式不同，所以字数不能简单等同于 Token 数。

典型例子：看到“今天天气”，输入法会推荐“不错”“很好”“有点热”；大模型会根据更大语料和上下文计算候选词概率。AI 写 JavaScript 登录表单代码时，会按照语言模式接出结构和解释，但这段代码仍必须经过浏览器运行和边界测试。

易错点：学生容易把大模型理解成查资料引擎。它不是从固定答案库里复制一条完整答案，而是根据上下文逐词生成。也要避免认为一个汉字永远等于一个 Token；不同模型和不同文本的分词结果可能不同。

课堂练习：讲完本模块后，在学习通完成【M4-01】判断代码结果处理方式、【M4-02】判断 Token 与字数、【M4-03】观察候选词接龙。

M5：温度参数 ​

剧情钩子：接龙机器很快遇到新麻烦：太稳就没有创意，太浪又容易胡说。于是温度旋钮登场，像给机器调“稳”和“浪”的比例。

是什么：温度参数控制模型在候选词中选择时的保守或冒险程度。低温度会让高概率词更容易被选中，输出更稳定；高温度会让低概率词有更多机会出现，输出更多样。它不直接代表“聪明程度”，而是调节稳定性和创造性的平衡。

核心特点：查事实、写代码、生成接口名称等任务需要准确和可复现，适合低温度；写口号、头脑风暴、寻找表达变体可以适度提高温度。温度过高可能增加奇怪表达和事实风险；温度过低可能导致表达保守。不同产品的温度范围不同，使用前要看具体工具设置。

典型例子：同一个问题“请用一句话向完全不懂电脑的人解释前端开发”，温度 0 可能给出更直接稳定的解释；温度 1.5 可能出现更多比喻、句式和切入点。调试登录表单验证代码时，低温度更合适；为活动想 10 个口号时，可以适度升温。

易错点：学生容易把高温等同于“更强”或“更聪明”。温度只是改变候选词分布，并不增加模型的真实知识。也不能所有任务都使用默认值；应根据后果判断：错误代价高就求稳，需要发散就适度冒险。

课堂练习：讲完本模块后，在学习通完成【M5-01】比较温度影响、【M5-02】为代码修复选择温度、【M5-03】判断温度与质量。

M6：上下文窗口 ​

剧情钩子：聊天越久，接龙机器开始忘事。它委屈地说：“不是我不听话，是我的短期记忆草稿纸写满了。”这就是上下文窗口要解决的问题。

是什么：上下文窗口是模型一次能处理和参考的对话容量，可以理解为短期记忆草稿纸。用户输入、AI 回复、粘贴文件和历史轮次都会占用这个容量。当内容过长或过杂时，早期信息可能被稀释，模型就会忽略开头要求或答非所问。

核心特点：上下文窗口决定“这一次对话里模型能看见什么”。超出窗口的内容不会自动参与当前生成；即使没有超限，冗余信息也会干扰重点。有效做法是提炼关键需求、分段提交、把目标和限制放在前面，必要时重开会话并重新补齐背景。

典型例子：把 20 个前端文件全部粘给 AI，要求“看看哪里有问题”，模型可能忘记第一个文件里的业务规则。更好的方式是先说明目标用户、页面功能和错误信息，再提交核心文件，最后逐个问题排查。

易错点：学生容易认为只要没有提示超限，信息就一定被平均重视。实际上，长文本和无关内容会降低关键信息的显著性。也不能把 AI 忘记前文理解为故意不听话；多数情况是上下文组织和容量问题。

课堂练习：讲完本模块后，在学习通完成【M6-01】判断短期记忆问题、【M6-02】判断上下文容量、【M6-03】补救开头遗忘。

M7：概率采样 ​

剧情钩子：最后揭开开头悬念：同一个问题为什么会得到不同答案？因为机器每次生成前，都会站到概率转盘前重新抽一次签。

是什么：概率采样指模型在每个生成位置都面对多个候选词，并按照概率分布选择其中一个。高概率词更容易出现，低概率词也有机会被抽中。因此同一个问题连续生成时，答案的大方向相似，细节却可能不同。

核心特点：采样让 AI 具备生成多个候选方案的能力，适合文案、口号、创意标题等任务；但也意味着输出不是绝对确定的事实。温度会影响采样分布：低温度更集中，高温度更分散。对数字、网址、法规、版本号、API 名称等内容，必须人工核验。

典型例子：给校园咖啡店写宣传语，连续生成三次可能得到三种句式；可以比较后选择最合适的一版。但如果 AI 给出一个具体活动日期、链接或代码函数名，就不能只因为语气肯定而直接相信。

易错点：学生容易把同题不同答当成故障，也可能把“第三次答案”当成自动修正后的正确答案。正确的理解是：每次生成都是一次新的采样；创意任务可以多问几次再筛选，事实任务必须回到可靠来源验证。

课堂练习：讲完本模块后，在学习通完成【M7-01】判断概率采样结果、【M7-02】解释同题不同答、【M7-03】记录同题不同答。

课后作业 ​

• 【作业-01】AI 发展阶段小科普：选择一个阶段写 200 字左右科普，截止下节课前一天 22:00。
• 【作业-02】改写并测试 5 个 AI 问题：完成原始问题、改写提示词和效果对比，截止下节课前一天 22:00。

资料与下载 ​

• PPT 课件：已上传学习通网盘，待补充下载链接。
• 课堂/课后习题：请在学习通对应单元完成，待补充入口链接。
• 补充提示词或资料：如本页未列出，以老师课前在学习通发布的资料包为准。