第三单元 第2课《深度学习时代》课件【清华版】人工智能通识（ 中学）
文档属性
| 名称 | 第三单元 第2课《深度学习时代》课件【清华版】人工智能通识（ 中学） |  | |
| 格式 | pptx | ||
| 文件大小 | 74.5MB | ||
| 资源类型 | 试卷 | ||
| 版本资源 | 清华大学版 | ||
| 科目 | 信息技术（信息科技） | ||
| 更新时间 | 2025-09-17 09:02:12 | ||
图片预览
文档简介
(共46张PPT)
第三单元 第2课
深度学习时代
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）了解深度学习的历史背景、基本思想和发展历程。
（2）探讨深度学习在推动人工智能技术发展和应用中的关键作用。
02
新知导入
1、历史传承：AI先驱的纪念与反思
2006年，麦卡锡、闵斯基等AI奠基人重返达特茅斯学院，纪念1956年开创性会议，致敬早期探索精神。
02
新知导入
2、技术突破：深度学习的曙光
同期，辛顿在多伦多大学发现增加神经网络层数可提升识别精度，其成果发表于《科学》杂志，奠定深度学习基础。
02
新知导入
3、未来影响：无意引发的革命
辛顿的研究虽始于手写数字识别，却意外开启AI新纪元，预示深度学习将重塑科技发展方向。
02
新知导入
深度学习是人工智能的核心技术之一，通过多层次的神经网络模拟人脑学习机制，实现高效数据处理和复杂模式识别。
03
新知讲解
1
深度学习之前
1、人工智能研究的务实转向
20世纪初十年，AI研究者不再空谈宏大愿景，而是专注细分领域（如机器学习、语音识别），推动技术落地。
03
新知讲解
1
深度学习之前
2、统计机器学习的崛起
概率模型成为主流工具，通过特征提取与相关性建模提升推理精度，但后期遭遇性能瓶颈。
一个用于描述天气的简单概率模型
03
新知讲解
1
深度学习之前
3、互联网时代的数据积累
优酷、维基百科等平台积累的海量用户生成内容（UGC），为AI训练提供了前所未有的知识资源。
03
新知讲解
1
深度学习之前
4、硬件革命的催化作用
CPU算力提升与GPU并行计算能力的突破，为处理大规模数据（如图像、视频）提供了硬件基础。
中央处理器
图形计算单元
03
新知讲解
1
深度学习之前
5、深度学习的前夜
统计方法的局限性与数据、算力的爆发，共同为深度学习革命埋下伏笔。
03
新知讲解
1
深度学习之前
跨学科融合的萌芽
AI开始与神经科学、认知心理学等领域交叉，研究者从人脑学习机制中汲取灵感，为深度学习理论奠定基础。
03
新知讲解
2
模拟人脑的梦想
人脑由近千亿神经元通过复杂连接实现智能，远超当前任何人工网络的复杂度。
03
新知讲解
2
模拟人脑的梦想
如果让机器模拟人类神经元这种互联方式，是不是也可以产生类似人的智能？
03
新知讲解
2
模拟人脑的梦想
人工神经网络的早期探索
1943年麦卡洛克和皮茨提出人工神经元模型，1958年罗森布拉特开发感知器，开启神经网络研究先河。
03
新知讲解
2
模拟人脑的梦想
神经网络的关键突破
1986年辛顿等人引入反向传播算法，实现多层网络训练，但随后因陷入局部最优问题而遇冷。
03
新知讲解
2
模拟人脑的梦想
神经网络的低谷与边缘化
因支持向量机（SVM）等模型崛起，神经网络被视为非主流工具，研究者陷入困境。
相比之下 “支持向量机” 有什么优势让它取代了神经网络的重要地位呢？
搜一搜：
03
新知讲解
2
模拟人脑的梦想
03
新知讲解
3
深度学习革命
辛顿的突破
2006年，辛顿提出了一种预训练方法，先训练浅层网络，再一层层叠加起来，最终得到深层网络。通过这种预训练得到的深层网络显示出了理论预期的优势，得到了比浅层网络更好的性能。
03
新知讲解
3
深度学习革命
深度神经网络是包含多个隐藏层的神经网络。
03
新知讲解
3
深度学习革命
反向传播算法是通过计算输出误差并逐层调整神经网络权重的训练方法，是深度学习的基础。
03
新知讲解
3
深度学习革命
深层卷积网络是通过多层卷积核自动提取图像层次化特征的神经网络，是计算机视觉的核心模型。
03
新知讲解
3
深度学习革命
03
新知讲解
3
深度学习革命
技术简化与产业化加速
深度学习通过“数据+目标”端到端训练取代传统复杂特征工程，大幅降低开发门槛，推动AI技术快速落地，如医疗影像诊断、自动驾驶等。
03
新知讲解
3
深度学习革命
辛顿工作的里程碑意义
2006年辛顿的逐层预训练方法不仅解决了深度网络优化难题，更揭示了神经网络作为AI系统核心框架的潜力，为深度学习革命奠定理论基础。
03
新知讲解
3
深度学习革命
深度学习的广泛优势
辛顿之后，本吉奥、杨立昆等科学家推动深度学习成为AI核心方向，其在图像、语音、自然语言处理等领域全面超越传统方法。
03
新知讲解
3
深度学习革命
2018年，辛顿、本吉奥、杨立昆共同获得图灵奖，以表彰他们对深度学习的重要贡献。
03
新知讲解
3
深度学习革命
4、技术革命的三大支柱
数据积累（如互联网海量资源）、算力突破（GPU并行计算）与深度网络结合，共同推动AI从实验室走向产业化，成就今日智能时代。
03
新知讲解
4
总结
1、深度学习的诞生背景
2006年，传统统计学习方法陷入瓶颈，辛顿等连接主义学者通过预训练方法突破神经网络训练难题，为深度学习奠定基础。
03
新知讲解
4
总结
2、技术革命的三大驱动力
数据 （互联网时代积累的海量资源）、 算法 （深度网络架构）与 算力 （GPU并行计算）的协同作用，推动AI从理论走向应用。
03
新知讲解
4
总结
3、深度学习的跨学科突破
从围棋（AlphaGo）、图像识别到生物医学（AlphaFold预测蛋白质结构），深度学习在科学与工程领域展现通用潜力。
03
新知讲解
4
总结
4、智能时代的可持续性
本次AI浪潮已深刻改变社会基础，未来关注度下降恰是技术成熟的标志，标志着AI从“突破”转向“常态”。
03
新知讲解
4
总结
03
新知讲解
思
考
与
讨
论
1、辛顿在神经网络低谷期仍坚持研究，最终推动革命。这种“长期主义”精神对科技创新有何启示？
（1） 突破需时间沉淀 。重大技术（如神经网络）往往经历“理论→低谷→复兴”周期，短期挫折不等于失败。
（2） 价值导向的坚持 。瞄准核心问题（如模拟人脑），而非追逐热点，才能在低谷中积累突破性成果。
（3） 跨周期协作 。个人坚持需与时代机遇（如算力、数据成熟）结合，辛顿的成功是“坚守+技术拐点”的结果。
04
课堂练习
一、判断题。
1、支持向量机（SVM）的崛起直接导致神经网络在20世纪90年代被完全淘汰。（ ）
2、深度学习通过端到端训练取代了传统机器学习中的特征工程。 （ ）
3、罗森布拉特的感知器模型能够完美解决非线性分类问题。 （ ）
4、GPU的并行计算能力对深度学习的发展起到关键作用。 （ ）
5、AlphaGo的胜利标志着深度学习在自然语言处理领域的突破。 （ ）
×
√
×
√
×
04
课堂练习
二、选择题
1、深度学习的核心思想是模拟什么？ （ ）
A. 计算机指令集 B. 人脑神经元连接 C. 量子计算原理 D. 传统符号逻辑
2、以下哪项不是深度学习的三大支柱？ （ ）
A. 大数据 B. 反向传播算法 C. GPU算力 D. 专家系统
3、辛顿的逐层预训练方法主要解决了什么问题？ （ ）
A. 数据标注成本高 B. 深度网络局部最优陷阱 C. GPU内存不足 D. 算法专利保护
4、AlphaFold的应用领域是？ （ ）
A. 自动驾驶 B. 蛋白质结构预测 C. 语音合成 D. 金融风控
5、 以下哪项属于深度学习的跨学科应用？ （ ）
A. 电子表格自动化 B. 工业机器人装配 C. 医学影像分析 D. 传统机械设计
B
D
B
B
C
04
课堂练习
三、填空题
1、2006年________提出的逐层预训练方法，解决了深度神经网络的优化难题。
2、深度学习三大支柱是数据、算法和________。
3、1986年________等人提出的反向传播算法，为多层神经网络训练奠定基础。
4、辛顿、本吉奥和杨立昆因对深度学习的贡献共同获得2018年________奖。
5、AlphaFold通过深度学习预测________结构，推动生物学突破。
辛顿
算力
辛顿
图灵
蛋白质
05
拓展延伸
1、生物智能是指生物体（如人类、动物等）基于生物学机制（如神经、遗传、代谢等）表现出的感知、学习、决策等智能行为。
05
拓展延伸
2、决策树是一种通过树状结构进行数据分类或预测的机器学习模型，核心是通过特征分裂逐步划分数据空间。
05
拓展延伸
3、CPU与GPU
CPU是通用处理器，擅长复杂逻辑任务（如系统调度）；GPU是并行计算单元，专为高强度同质化计算（如矩阵运算）优化，深度学习中训练速度可提升百倍。
06
课堂总结
1
深度学习之前
2
模拟人脑的梦想
3
深度学习革命
4
完成课堂练习
5
进行相关知识拓展
1
2
3
4
5
深度学习时代
07
板书设计
深度学习时代
1、深度学习之前
2、模拟人脑的梦想
3、深度学习革命
4、完成课堂练习
5、进行知识拓展
课后作业。
1、作为中学生，你认为应如何培养负责任的AI使用意识？
08
课后作业
1、深度学习简化了AI开发，但也导致算法滥用。作为中学生，你认为应如何培养负责任的AI使用意识？
（1）教育与认知提升。在学校开设AI伦理课程，讲解深度学习原理及潜在风险。分析AI滥用事件（如虚假新闻生成），思考技术双刃剑效应。
（2）实践中的自我规范 。使用AI工具时主动核查结果真实性。不滥用AI处理他人敏感数据。
（3）倡导与监督 。组织“负责任AI”宣传活动，鼓励同龄人遵守技术伦理。发现AI滥用行为（如网络欺诈）及时向平台或老师报告。
https://www.21cnjy.com/recruitment/home/fine
第三单元 第2课
深度学习时代
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）了解深度学习的历史背景、基本思想和发展历程。
（2）探讨深度学习在推动人工智能技术发展和应用中的关键作用。
02
新知导入
1、历史传承：AI先驱的纪念与反思
2006年，麦卡锡、闵斯基等AI奠基人重返达特茅斯学院，纪念1956年开创性会议，致敬早期探索精神。
02
新知导入
2、技术突破：深度学习的曙光
同期，辛顿在多伦多大学发现增加神经网络层数可提升识别精度，其成果发表于《科学》杂志，奠定深度学习基础。
02
新知导入
3、未来影响：无意引发的革命
辛顿的研究虽始于手写数字识别，却意外开启AI新纪元，预示深度学习将重塑科技发展方向。
02
新知导入
深度学习是人工智能的核心技术之一，通过多层次的神经网络模拟人脑学习机制，实现高效数据处理和复杂模式识别。
03
新知讲解
1
深度学习之前
1、人工智能研究的务实转向
20世纪初十年，AI研究者不再空谈宏大愿景，而是专注细分领域（如机器学习、语音识别），推动技术落地。
03
新知讲解
1
深度学习之前
2、统计机器学习的崛起
概率模型成为主流工具，通过特征提取与相关性建模提升推理精度，但后期遭遇性能瓶颈。
一个用于描述天气的简单概率模型
03
新知讲解
1
深度学习之前
3、互联网时代的数据积累
优酷、维基百科等平台积累的海量用户生成内容（UGC），为AI训练提供了前所未有的知识资源。
03
新知讲解
1
深度学习之前
4、硬件革命的催化作用
CPU算力提升与GPU并行计算能力的突破，为处理大规模数据（如图像、视频）提供了硬件基础。
中央处理器
图形计算单元
03
新知讲解
1
深度学习之前
5、深度学习的前夜
统计方法的局限性与数据、算力的爆发，共同为深度学习革命埋下伏笔。
03
新知讲解
1
深度学习之前
跨学科融合的萌芽
AI开始与神经科学、认知心理学等领域交叉，研究者从人脑学习机制中汲取灵感，为深度学习理论奠定基础。
03
新知讲解
2
模拟人脑的梦想
人脑由近千亿神经元通过复杂连接实现智能，远超当前任何人工网络的复杂度。
03
新知讲解
2
模拟人脑的梦想
如果让机器模拟人类神经元这种互联方式，是不是也可以产生类似人的智能？
03
新知讲解
2
模拟人脑的梦想
人工神经网络的早期探索
1943年麦卡洛克和皮茨提出人工神经元模型，1958年罗森布拉特开发感知器，开启神经网络研究先河。
03
新知讲解
2
模拟人脑的梦想
神经网络的关键突破
1986年辛顿等人引入反向传播算法，实现多层网络训练，但随后因陷入局部最优问题而遇冷。
03
新知讲解
2
模拟人脑的梦想
神经网络的低谷与边缘化
因支持向量机（SVM）等模型崛起，神经网络被视为非主流工具，研究者陷入困境。
相比之下 “支持向量机” 有什么优势让它取代了神经网络的重要地位呢？
搜一搜：
03
新知讲解
2
模拟人脑的梦想
03
新知讲解
3
深度学习革命
辛顿的突破
2006年，辛顿提出了一种预训练方法，先训练浅层网络，再一层层叠加起来，最终得到深层网络。通过这种预训练得到的深层网络显示出了理论预期的优势，得到了比浅层网络更好的性能。
03
新知讲解
3
深度学习革命
深度神经网络是包含多个隐藏层的神经网络。
03
新知讲解
3
深度学习革命
反向传播算法是通过计算输出误差并逐层调整神经网络权重的训练方法，是深度学习的基础。
03
新知讲解
3
深度学习革命
深层卷积网络是通过多层卷积核自动提取图像层次化特征的神经网络，是计算机视觉的核心模型。
03
新知讲解
3
深度学习革命
03
新知讲解
3
深度学习革命
技术简化与产业化加速
深度学习通过“数据+目标”端到端训练取代传统复杂特征工程，大幅降低开发门槛，推动AI技术快速落地，如医疗影像诊断、自动驾驶等。
03
新知讲解
3
深度学习革命
辛顿工作的里程碑意义
2006年辛顿的逐层预训练方法不仅解决了深度网络优化难题，更揭示了神经网络作为AI系统核心框架的潜力，为深度学习革命奠定理论基础。
03
新知讲解
3
深度学习革命
深度学习的广泛优势
辛顿之后，本吉奥、杨立昆等科学家推动深度学习成为AI核心方向，其在图像、语音、自然语言处理等领域全面超越传统方法。
03
新知讲解
3
深度学习革命
2018年，辛顿、本吉奥、杨立昆共同获得图灵奖，以表彰他们对深度学习的重要贡献。
03
新知讲解
3
深度学习革命
4、技术革命的三大支柱
数据积累（如互联网海量资源）、算力突破（GPU并行计算）与深度网络结合，共同推动AI从实验室走向产业化，成就今日智能时代。
03
新知讲解
4
总结
1、深度学习的诞生背景
2006年，传统统计学习方法陷入瓶颈，辛顿等连接主义学者通过预训练方法突破神经网络训练难题，为深度学习奠定基础。
03
新知讲解
4
总结
2、技术革命的三大驱动力
数据 （互联网时代积累的海量资源）、 算法 （深度网络架构）与 算力 （GPU并行计算）的协同作用，推动AI从理论走向应用。
03
新知讲解
4
总结
3、深度学习的跨学科突破
从围棋（AlphaGo）、图像识别到生物医学（AlphaFold预测蛋白质结构），深度学习在科学与工程领域展现通用潜力。
03
新知讲解
4
总结
4、智能时代的可持续性
本次AI浪潮已深刻改变社会基础，未来关注度下降恰是技术成熟的标志，标志着AI从“突破”转向“常态”。
03
新知讲解
4
总结
03
新知讲解
思
考
与
讨
论
1、辛顿在神经网络低谷期仍坚持研究，最终推动革命。这种“长期主义”精神对科技创新有何启示？
（1） 突破需时间沉淀 。重大技术（如神经网络）往往经历“理论→低谷→复兴”周期，短期挫折不等于失败。
（2） 价值导向的坚持 。瞄准核心问题（如模拟人脑），而非追逐热点，才能在低谷中积累突破性成果。
（3） 跨周期协作 。个人坚持需与时代机遇（如算力、数据成熟）结合，辛顿的成功是“坚守+技术拐点”的结果。
04
课堂练习
一、判断题。
1、支持向量机（SVM）的崛起直接导致神经网络在20世纪90年代被完全淘汰。（ ）
2、深度学习通过端到端训练取代了传统机器学习中的特征工程。 （ ）
3、罗森布拉特的感知器模型能够完美解决非线性分类问题。 （ ）
4、GPU的并行计算能力对深度学习的发展起到关键作用。 （ ）
5、AlphaGo的胜利标志着深度学习在自然语言处理领域的突破。 （ ）
×
√
×
√
×
04
课堂练习
二、选择题
1、深度学习的核心思想是模拟什么？ （ ）
A. 计算机指令集 B. 人脑神经元连接 C. 量子计算原理 D. 传统符号逻辑
2、以下哪项不是深度学习的三大支柱？ （ ）
A. 大数据 B. 反向传播算法 C. GPU算力 D. 专家系统
3、辛顿的逐层预训练方法主要解决了什么问题？ （ ）
A. 数据标注成本高 B. 深度网络局部最优陷阱 C. GPU内存不足 D. 算法专利保护
4、AlphaFold的应用领域是？ （ ）
A. 自动驾驶 B. 蛋白质结构预测 C. 语音合成 D. 金融风控
5、 以下哪项属于深度学习的跨学科应用？ （ ）
A. 电子表格自动化 B. 工业机器人装配 C. 医学影像分析 D. 传统机械设计
B
D
B
B
C
04
课堂练习
三、填空题
1、2006年________提出的逐层预训练方法，解决了深度神经网络的优化难题。
2、深度学习三大支柱是数据、算法和________。
3、1986年________等人提出的反向传播算法，为多层神经网络训练奠定基础。
4、辛顿、本吉奥和杨立昆因对深度学习的贡献共同获得2018年________奖。
5、AlphaFold通过深度学习预测________结构，推动生物学突破。
辛顿
算力
辛顿
图灵
蛋白质
05
拓展延伸
1、生物智能是指生物体（如人类、动物等）基于生物学机制（如神经、遗传、代谢等）表现出的感知、学习、决策等智能行为。
05
拓展延伸
2、决策树是一种通过树状结构进行数据分类或预测的机器学习模型，核心是通过特征分裂逐步划分数据空间。
05
拓展延伸
3、CPU与GPU
CPU是通用处理器，擅长复杂逻辑任务（如系统调度）；GPU是并行计算单元，专为高强度同质化计算（如矩阵运算）优化，深度学习中训练速度可提升百倍。
06
课堂总结
1
深度学习之前
2
模拟人脑的梦想
3
深度学习革命
4
完成课堂练习
5
进行相关知识拓展
1
2
3
4
5
深度学习时代
07
板书设计
深度学习时代
1、深度学习之前
2、模拟人脑的梦想
3、深度学习革命
4、完成课堂练习
5、进行知识拓展
课后作业。
1、作为中学生，你认为应如何培养负责任的AI使用意识？
08
课后作业
1、深度学习简化了AI开发，但也导致算法滥用。作为中学生，你认为应如何培养负责任的AI使用意识？
（1）教育与认知提升。在学校开设AI伦理课程，讲解深度学习原理及潜在风险。分析AI滥用事件（如虚假新闻生成），思考技术双刃剑效应。
（2）实践中的自我规范 。使用AI工具时主动核查结果真实性。不滥用AI处理他人敏感数据。
（3）倡导与监督 。组织“负责任AI”宣传活动，鼓励同龄人遵守技术伦理。发现AI滥用行为（如网络欺诈）及时向平台或老师报告。
https://www.21cnjy.com/recruitment/home/fine
同课章节目录