CSCI3230 L01 · Part 3/5 Today’s AI

课程：CSCI3230 (ESTR3108) Fundamentals of Artificial Intelligence · 2026T1 本讲：L01，第 3 部分 / 共 5 部分 · 原件 L01-Introduction-2026T1.pdf（本地课件） p.36–50 定位：把应用名称拆成任务：系统看到了什么、要输出什么、输出为什么有用。 前后：上一份 What is AI · 下一份 Fundamental concepts in AI

p.36 分节页。

AI 的应用范围（p.37–39）

这一部分最容易读成一串“AI也能做这个”的新闻名词。我们换一种读法：每到一个领域，填三格——输入是什么、输出是什么、怎样判断有用。三格暂时说不清，先不急着选算法。

p.37 是应用范围图，表达AI涉及多种任务，并非每个标签互不重叠的严格分类。p.38 列医疗中的诊断、治疗方案、药物、生物信息、个体化医疗和监测。它们同属医疗，但模型可能输出不同东西：类别、风险数值、候选方案或随时间变化的提醒。此处描述课程任务，不提供临床判断。

**补充任务拆解：**把“AI看CT”改写为“输入一张CT图，输出疑似结节所在区域”。输入是观测，输出是系统要交的结果，专家标注可用于比较位置是否合适。“输入CT、输出病人全部治疗方案”则是另一个更大问题，不能由会画边框直接推出。

p.39 的自动驾驶连接感知与路径规划。感知先估计周围有什么、在哪里；规划在当前信息和目标下选择下一步路线。可以类比你先看地图，再决定怎么走：地图估错会影响路线，但地图本身也不是路线。真实驾驶还有动态环境与不确定性，本例不把完整系统简化成一次图像分类。

停一下：“AI用于教育”是领域、输入还是输出？还缺什么才能变成一个可评价任务？

**图（p.37）：AI 的任务范围图。**元素：中心 AI 向外连接 image analytics、machine learning、IoT、visualization、deep learning、audio analytics、robotics and soft robotics、simulation modelling、natural language processing、graph analytics、machine translation、virtual personal assistant。看什么：图像、声音、图结构、语言可作为处理对象；学习方法、模拟、机器人和助手说明不同层次的工具与应用。箭头只是联系，不表示所有这些概念互斥，也不表示 IoT 中的每个设备都在学习。

**图（p.38）：医疗应用拼图。**元素：CT 肺部、脑影像区域标记、手部 X 光、分子结构；左侧价值链自下向上为 Data、Screening、Diagnosis、Treatment，示例从“发现脑部病灶”到“判断恶性肿瘤”再到“选择具体治疗”。图中三档单次检查 AI 平均售价分别标为 1–15、20–50、70–100 美元，是原图市场示例，不是本课推荐或当前报价。看什么：筛查、诊断与治疗不是同一个输出任务；信息在不同决策环节使用，难度、证据和责任也不同。

p.39 展示 Tesla FSD 演示画面，将“理解环境”接到“路径规划”。课件视频入口本身不包含可复算算法或运行指标，本篇保留演示身份，不把截图当成完整性能试验。

机器人、科学与语言（p.40–42）

p.40 的机器人学习强调获得新技能、适应环境。先分清机械外壳、控制程序、学习过程：机器人有马达不代表它一定在学习；按固定轨迹运动，与从经验改善动作，是不同机制。

**补充例子：**桌上杯子位置改变时，机械臂输入摄像头观测，输出关节动作。动作执行后杯子或手臂位置又变，下一次输入也变。这个反馈使机器人任务不同于一次输出后就结束的照片分类。输出动作错一点可能影响下一步，不只影响一个静态标签。

p.41 将AI放进科学问题，p.42 介绍自然语言处理NLP。科学任务可涉及结构预测、候选筛选等；模型提供预测后，还需相应证据验证，不能把模型输出直接叫实验事实。

**语言例子（补充）：**同一句“这家店很好”可以交给情感分类器输出“正面”，也可以交给翻译器输出另一种语言文本。输入相同，输出不同，任务就不同。分类可能有固定几个类别，翻译有许多合理表达。后续模型、损失与评价要随之选择，不能因为都叫NLP就照抄同一流程。

你现在无需会机械臂控制或Transformer。此处的学习成果是能说清“为什么两个系统虽然都用AI，却不能直接比较一个统一的准确率”。

**p.40–42 的原页案例：**p.40 人形机器人演示配合“通过学习获得新技能或适应环境”的定义。p.41 科学拼图具体包括 Pangu-Weather 天气预测、AlphaFold 2 生物结构预测、金融行情与机器人、化学化合物空间及量子机械计算流程；文字列数学、生物、化学、物理、金融。图中新闻标题只是案例出处线索，不能推出所有任务都已被解决。p.42 将 NLP 定位为语言学、计算机科学与 AI 的交叉领域，目标是让计算机处理、分析大量自然语言数据。这一定义同时包含语言对象和计算方法，不只指聊天机器人。

游戏与艺术（p.43–44）

p.43 提到游戏中NPC的响应、自适应和智能行为。NPC是非玩家角色，不等于特定训练算法；有的行为由规则指定，有的依赖搜索或学习。先看它观察哪些状态、可采取哪些动作，以及游戏怎样判断好坏。

**补充小场景：**角色面前有一枚金币和一条通往终点的路。马上拿金币可能得到短期奖励，也可能绕远而错过终点。于是“下一步看起来赚得多”与“整局表现好”不一定相同。这条线会接到学习类型中的累计奖励；现在先认出行动有后续影响。

p.44 的艺术包括系统生成与人机协作，媒介可为音乐、图像、视频。评价可以关心成品、创作过程、使用者体验；“自动生成了文件”不等于已经证明艺术质量或对人的帮助。

**补充：**同一个作曲工具，若任务是按提示生成旋律，就看生成与提示的关系；若任务是帮助新手学习作曲，还要看新手是否真正掌握方法。后一目标不能只拿生成速度证明。这个区别与前面的“领域—具体任务—评价”完全一致。

历史应用题见附录 A1。作答时先给独立领域，再给该领域里的具体输入输出，不把“医学、医疗、健康”当作三个明显不同的技术任务。

补充 · 用一个失败案例检验应用描述是否完整（通识讲解；演示数据不属于原题）。

假设系统用道路照片识别行人。只说“准确率很高”还缺三个条件：照片来自白天还是夜间；错把路牌认成人与漏掉真人是否同样严重；输出交给驾驶员还是直接控制刹车。任务名称相同，这些条件变化就会改变评价和使用方式。识别器输出框的位置与置信分数，规划器才结合运动状态选择动作，二者之间还有决策环节。

因此阅读应用案例时，可以沿一次具体错误倒推：观察到了什么、哪一步形成了判断、哪个后续动作受到影响、最终用什么结果判成败。若材料只展示成功图片，就只能说明这次演示成功，无法知道全部样本上的失败率。这个读法同样适用于语言生成和科学预测，但各任务的证据单位不同，不能把“看起来像真的”直接等同于“经过验证是真的”。

**p.43–44 的图例补全：**游戏图包括 AlphaGo、机器人与人下棋、OpenAI 游戏画面以及游戏分析/回放界面，分别展示对弈、行动和辅助分析。艺术图包括人形艺术机器人、机械臂绘画、人物画、音乐与乐谱；页底给出“48 小时内在 AI 辅助下制作短片”的演示。音乐、照片、视频均属本页明确举出的媒介；人机协作作品与系统自主产生的作品都包含在其 AI art 定义内。演示截图没有提供训练数据、算法或质量统计，因此不能由这些图片重建制作过程。

补充：把应用名称翻译成一个能检验的任务

“AI做艺术”或“AI玩游戏”是应用领域，尚不是完整实验。以自编的图像检索任务为例，输入是一张查询图，输出是按相关性排序的候选图列表；训练数据可能是人工标注的相似图对，评价则需要与训练图不同的查询集。若只展示一张漂亮结果，既没有说明失败比例，也没有说明模型是否见过该图。

再看游戏：输入可以是棋盘状态，输出是合法动作；胜率必须说明对手、规则、先后手和对局数。对固定弱对手的高胜率不能直接推出对另一种对手也强。比较两个系统时，先固定同一任务与评价条件，再比较结果；不同任务的“百分之九十”通常没有共同分母。

实际阅读本节案例时，可以逐项填“输入是什么、输出是什么、什么算好、拿什么数据验证”。填不出的地方应记作材料未交代，不自己补造。这样既能理解应用为何有用，也能看出一个展示距离完整的性能证据还缺哪一步。

产业链图与市场资料的读法（p.45–47）

p.45 从硬件、平台、框架算法，到企业与行业方案描述AI产业链。读这页时可以想象一次图像预测：需要设备执行计算，需要软件表达模型，再把输出接进实际应用。单个产品可能同时依赖多层，图中的公司示例不是准确率排行榜。

p.46 标题带2024，是当时AI50的产业分类快照，不是当前公司名单或投资推荐。p.47 给出2023年市场规模196.63 billion USD，并列2024–2030预计年复合增长36.6%。一项是课件引用的历史估计，另一项是预测；不能把预计未来当作已发生事实。

**补充算例，只解释百分比，不更新市场预测：**若一项数量从100开始，每期增长36.6%，第一期先求新增量 $100\times0.366=36.6$，再加原量得到136.6。第二期的基数已经变成136.6，不能又只加36.6：

$V_1,V_2$ 分别表示一、二期后的量，下标是期数；0.366是增长比例，1代表保留原量，所有量沿用同一单位。这就是复合增长：下一期也会对前期增加部分继续增长。100是教学自取基数，不是课件市场值。用课件196.63作同样两期演示会得到268.59558与366.90156228，但这仍是条件计算，不是对两个实际年份的独立估计。

**易错点：**增长36.6%不等于变成原来的36.6%；后者反而下降。产业规模增长也不能推出每个产品效果更好或每家公司同幅增长。统计对象与技术有效性是两种证据。

表（p.45）：产业图的六层及所表达的分工。

图的公司标志用于说明产业位置，不是对公司的实时分类或推荐。p.46 的 AI50 2024 图进一步分为 Apps 与 Infrastructure：应用层有消费娱乐/生产力、企业通用生产力/学习开发/客户体验/开发者工具、行业创意/国防/医疗生物/工业/专业服务；基础层有推理服务、应用开发框架、模型中心、基础模型提供者，以及数据标注处理、云数据、云服务、硬件。原图由 Forbes、Sequoia、Meritech 标记，年份必须保留。

**图（p.47）：2020–2030 市场柱图。**元素：每年一根由 Services、Software、Hardware 三色组成的堆叠柱，单位 USD Billion，2023 标 196.6B，旁注 2024–2030 CAGR 36.6%。看什么：总柱高与各组成部分不同；没有给每年每层精确数字的地方，不从像素高度编出数据表。正文 196.63 与图上 196.6 是不同显示精度。

用户规模、职业与个人目标（p.48–50）

p.48 对照课件记录的2023年11月一亿周活与2024年8月两亿周活。先保持同一口径“每周活跃用户”，再算变化：新量/旧量为2，增加量/旧量为1，也就是增加100%。“变为原来的200%”与“增加200%”不是同一句话，后者会变成三倍。

同页“2个月达到一亿用户”的说法未明确与周活完全相同的口径，不能把它直接拼到前面两点上画一条连续增长曲线。用户数、注册数、周活数可能回答不同问题；本篇只解释课件如何读，不核报2026年的实时规模。

p.49 展示企业、大学、制造、金融等职业方向，p.50 问个人如何看待课程、研究与职业。这里无需背一个标准志愿。**补充学习建议：**若目标是能理解模型，先练输入输出与误差；若目标是能做项目，还要练数据、代码、评价；若目标是读研究，需要进一步检查假设、证据和局限。它们可以逐步建立，不必第一周同时精通。

读到这一部分结束，试着给你熟悉的一个应用写一句：“系统读取___，输出___；我会通过___检查它是否有用。”空格不必写专业词，但要具体。这比先列十个公司名称更接近后面课程要用的思考方式。

表（p.48，图片内容）：达到一亿用户所需时间，按课件所引历史图保留。

这张图没有给统一统计定义与观测窗口，适合说明课件想表达的普及速度差异，不足以严格比较产品增长因果。

**p.49 的职业例子：**AI 产业与成长企业，大公司 Google/Microsoft/NVIDIA/OpenAI，大学和研究院，传统产业与智能制造 Tesla/General Electric，金融 JPMorgan/Goldman Sachs，以及其他使用 AI 的机构。课件对全球与香港前景的评价属于当时判断。p.50 的三个自问分别是：它是否是上过的一门有趣课程、想读研研究的领域、希望发展的职业方向；没有唯一标准答案。

本讲核心考点

• 应用回答须同时给领域与具体任务（p.38–44，A 级：2023/2024/2025 简答题）。
• 产业和用户数字按课件标注年份读取，不当实时事实（p.45–48，C 级）。

附录

A1 作业/往年题演练（非讲义内容）：领域与具体例子

题面（ESTR-Final-Exam-2023T1.pdf · Part II Q10 · p.5；扫描件，视觉读取）

p.5 10. State two application fields of AI and give a concrete example for each field. (4%)

题面（ESTR-Final-Exam-2024T1.pdf · Part II Q3 · p.6；扫描件，视觉读取）

p.6 3. State three application fields of AI and give a concrete example for each field. (6%)

题面（Final-Exam-CSCI3230-Record-2025T1-官方节选.pdf · Part II Q2 · PDF p.2；扫描件，视觉读取）

p.2 2. (6%) State three application fields of AI and give a concrete example for each field.

回到正文：游戏与艺术

来源与证据

• 本篇按本学期阅读版 PDF 核对；正文页码均为去除动画中间页后的 PDF 页号。 原始 PDF 90 页，阅读版 75 页；逐页映射（本地资料）、清洗核验（本地资料）。

• 原件：L01-Introduction-2026T1.pdf（本地课件），p.36–50；均为当前 PDF 页号。

• 证据边界：本次重写核对本篇所列原课件；本篇历史题另视觉核对2023 ESTR PDF p.5 Q10、2024 ESTR PDF p.6 Q3、2025 CSCI官方节选PDF p.2 Q2。 往年题仅作历史练习，不代表2026T1考核承诺。

• 往年卷仅证明相应年份考过；2024 卷及 2025 节选未公开的选择题不作推断。