当机器会看、会听、会说：人工智能启蒙课
本课程面向人工智能启蒙初学者，通过“五关探险”的课程结构，带领学习者认识身边的 AI、理解数据训练与模型的基本过程，了解计算机视觉、语音识别、推荐系统与生成式 AI 等常见能力，并学习如何负责任地使用 AI。课程包含 5 个章节和 5 个互动挑战，适合图书馆、学校科普讲座与 K12 人工智能入门活动使用。
Lessons
Chapter
本课程通过五个趣味关卡带领初学者探索人工智能的基础知识，帮助学生识别日常生活中的AI应用并理解其运作逻辑。课程旨在引导学生思考AI的本质，培养正确使用智能工具的意识与能力。
本章介绍了人工智能从人工编写规则转向机器自主学习规律的核心逻辑，并通过数据、训练与模型构建的视角，帮助初学者理解AI如何通过处理海量信息来完成识别、判断与生成等智能任务。
本章介绍了人工智能的核心能力，包括视觉识别、语音处理、智能推荐以及生成式AI的创作原理。通过学习这些技术，你将理解AI如何感知世界、预测需求并根据不同对象灵活调整沟通方式。
本章介绍了人工智能在自动驾驶、科学研究、太空探索及日常生活中的广泛应用，并强调了应将AI作为辅助工具而非替代品来使用。通过学习AI如何处理复杂任务，学生将理解AI在未来社会中的重要角色及其作为智能助手的核心价值。
本章探讨了人工智能在生成内容时可能出现的错误、偏见及隐私风险，强调了在使用AI时应保持批判性思维。学习目标是培养学生作为“驾驶员”的主动意识，学会核实AI信息并将其作为辅助工具而非决策者。
Course Overview
📚 Content Summary
本课程面向人工智能启蒙初学者，以“当机器会看、会听、会说”为主题，通过五关探险式结构，引导学习者从身边场景出发，理解 AI 是什么、AI 怎样学习、AI 已经具备哪些能力、AI 能帮助人类完成哪些任务，以及在使用 AI 时需要注意哪些风险与边界。课程内容覆盖日常 AI 应用、数据训练、模型学习、计算机视觉、语音识别、推荐系统、生成式 AI、自动驾驶、科学发现、太空探索与负责任使用 AI 等主题。
从身边的 AI 出发，理解机器如何学习，并学会做聪明、谨慎、有判断力的 AI 使用者。
Author: EvoClass
Acknowledgments: EvoClass AI Engine
🎯 Learning Objectives
- 能够识别日常生活中常见的 AI 应用，如视频推荐、语音输入、导航规划、拍照美化、在线翻译、智能客服、人脸识别、聊天机器人与 AI 画图等。
- 能够用通俗语言解释人工智能的基本含义：让机器完成原本需要人类智能才能完成的任务。
- 能够区分传统程序与人工智能的基本差异，理解“人写规则”与“机器从数据中学习规律”的不同。
- 能够说明 AI 学习的一般过程，包括数据、训练、模型与输出之间的关系。
- 能够通过找规律、序列补全等小游戏体验 AI 学习和模式识别的基本思想。
- 能够列举 AI 的常见能力，包括“会看”的计算机视觉、“会听”的语音识别、“会说/会写”的语言生成、“会预测”的智能判断与“会推荐”的个性化系统。
- 能够理解生成式 AI 可以生成文字、图片、声音、视频与代码，并初步认识聊天机器人看起来“像会思考”的原因。
- 能够说出 AI 在自动驾驶、生命科学、医疗数据分析、太空探索、机器人与智慧城市等领域的典型应用。
- 能够理解 AI 并不总是正确，认识 AI 可能出现编造、偏见、隐私泄露与过度依赖等风险。
- 能够掌握负责任使用 AI 的基本原则：把 AI 当助手而不是裁判，重要信息必须复核，不上传隐私数据，并保留自己的独立思考。
Lessons
Overview: 本课作为课程导入，帮助学习者意识到人工智能并不是遥远的未来技术，而是已经存在于手机、学校、医院、交通、科研与太空探索等日常和前沿场景中。课程通过“AI 到底是什么”“AI 怎样学会本领”“AI 已经能做什么”“AI 为什么会出错”“怎样聪明地使用 AI”五个核心问题，引导学习者带着问题进入整门课程，并通过身边 AI 识别挑战建立直观兴趣。
Learning Outcomes:
- 能够说出人工智能为什么成为当代社会的重要关键词，并理解其“变化快、影响大、机会多、也有风险”的特点。
- 能够识别生活中常见的 AI 应用场景，如推荐系统、语音输入、导航、翻译、人脸识别和聊天机器人等。
- 能够在互动挑战中判断某个对象或服务是否属于 AI 应用，并初步说明判断理由。
Overview: 本课聚焦 AI 的基本原理，强调 AI 不是魔法，而是让机器通过数据和训练学会完成智能任务。课程通过传统程序与人工智能的对比，帮助学习者理解“以前是人写规则，现在是机器学规律”的核心差异，并用“数据 + 训练 + 模型 = AI 的成长过程”解释 AI 学习的基本流程。配套的找规律小游戏和模型训练挑战用于强化模式识别与训练迭代的直观体验。
Learning Outcomes:
- 能够用一句话解释 AI 的基本含义：让机器完成原本需要人脑才能完成的识别、理解、生成或判断任务。
- 能够区分传统程序与人工智能在工作方式上的差异，理解规则编写与规律学习的不同。
- 能够说明数据、训练、模型和输出在 AI 学习过程中的作用，并理解数据数量、数据质量、练习次数和任务领域会影响 AI 表现。
Overview: 本课系统展示 AI 的常见能力，包括会看、会听、会说、会预测和会推荐。课程围绕计算机视觉、智能语音识别、推荐系统、生成式 AI 和聊天机器人展开，用刷脸、人脸识别、医学影像、自动驾驶、语音转文字、个性化推荐、文字/图片/声音/视频/代码生成等案例，帮助学习者建立对 AI 能力边界的初步地图。互动挑战通过“超能力连连看”将应用场景与 AI 能力进行匹配。
Learning Outcomes:
- 能够列举并解释 AI 的五类常见能力：识别图像视频、听懂语音声音、聊天翻译写作、预测判断结果和推荐个性内容。
- 能够说出计算机视觉、语音识别、推荐系统和生成式 AI 的典型应用场景。
- 能够理解聊天机器人主要基于语言模式与预测生成进行回答，并能观察 AI 如何根据不同对象调整解释方式。
Overview: 本课将 AI 从日常工具拓展到未来应用与社会想象，强调应把生成式 AI 当作助手而不是替身。课程通过自动驾驶、生命科学、医疗数据分析、药物线索发现、太空探索、机器人与未来智慧城市等案例，展示 AI 如何帮助人类看见、预测、规划、分析与发现。火星车任务挑战用于模拟在高延迟和复杂环境下，AI 如何支持自主决策与自动避障。
Learning Outcomes:
- 能够说明为什么生成式 AI 适合作为解释概念、整理思路、修改表达和激发灵感的助手，而不应代替人类思考和完成学习任务。
- 能够举例说明 AI 在自动驾驶、科学研究、医疗分析、太空探索和机器人系统中的作用。
- 能够理解未来 AI 可能推动个性化学习、智慧城市、创意表达和生活服务，但仍需要人类进行目标设定与价值判断。
Overview: 本课聚焦 AI 风险与负责任使用，帮助学习者理解 AI 很强，但并不总是正确。课程从 AI 犯错原因入手，介绍数据不足、数据偏见、问题复杂、任务超出擅长范围以及“像样生成但未必真懂”等情况，并进一步讨论 AI 可能带来的编造、偏见、隐私和依赖风险。课程最后通过真假判断、小记者挑战和毕业徽章互动，帮助学习者形成“我是驾驶员，AI 是工具”的基本使用观。
Learning Outcomes:
- 能够识别 AI 输出中的“真的、假的、不确定”三类情况，并理解重要信息需要再次核实。
- 能够说出 AI 使用中的四类常见风险：编造内容、数据偏见、隐私泄露和削弱独立思考。
- 能够掌握负责任使用 AI 的四条原则：把 AI 当助手而不是裁判，生成信息务必复核，不上传隐私数据，使用后保留自己的思考。