单元一 · 走进人工智能
第4课 人工智能的技术基础
一、学习目标
- 理解数据、算力和算法在人工智能技术中的重要作用及其相互关系。
- 通过实践活动，体验数据量、设备计算能力和不同训练方式对人工智能模型性能的影响。
二、情境导入
人工智能快速发展离不开数据、算力与算法，它们像「三驾马车」共同影响模型性能。
今天通过对比与实验，感受这三要素如何塑造人工智能能力。
三、核心讲解
本课学习路径：
1数据
2算力
3算法
1．数据
丰富、多样且高质量的数据，是驱动人工智能学习的「养料」。
数据与性能：数据越多、质量越高，学习效果通常越好；但准确率升到一定水平后，继续堆数据的收益会下降，存在性能瓶颈。
- 可用猫狗识别等任务对比小数据集与更大数据集的训练与推理效果
- 换其他风格图像测试，观察模型是否「只会一类样子」
- 数据不足或偏差，会导致识别不稳或偏科
想一想：为什么「数据越多越好」不能无限成立？
2．算力
算力影响训练速度，也决定能否处理更大规模数据与更复杂模型，以及能否支撑实时推理。
算力边界：更强算力缩短开发周期，并拓展可探索的技术边界；自主 AI 芯片为云计算、智能制造等提供支撑。
- 相同数据与参数下，对比不同设备的训练用时
- 讨论：没有足够算力时，哪些模型与应用会难以落地
想一想：算力不足时，更应优先减小模型、减少数据，还是降低训练轮数？各有何代价？
3．算法
算法是从准备数据、提取特征、设计运算结构到反复求解的一整套流程；高效算法能显著提升性能。
误差反向传播：把调整海量网络参数的工作交给机器自动完成，使大规模神经网络训练成为可能，是核心训练算法之一。
- 在神经网络训练相关组件中调整数据比例、噪声、批次、学习率与层数，观察结果
- 数据、算力、算法三者相互制约又彼此成就，合称发展的「三驾马车」
想一想：只增加数据而不改进算法，可能遇到什么瓶颈？
弄清以上要点后，再进入下方动手体验，用实际操作验证。
四、动手体验 · MixAI 组件
请在下列组件中完成操作，至少体验一个并记录现象。
组件 model_neural_network_playground — 调整数据量、噪声、层数与学习率，体会数据与算法如何影响性能
组件 model_connection_parameters — 观察网络参数规模，联系「算力要支撑更复杂模型」
五、课堂总结
- 数据量增大通常提升学习效果，但存在性能瓶颈。
- 算力越强，越能支撑更快训练与更复杂任务。
- 算法是技术突破的核心，高效算法能显著提升模型性能。
六、拓展提升
- 以「人工智能发展瓶颈」为题，查阅资料，介绍数据稀缺、收益递减或能耗等问题及可能对策。
测评
对照本课学习目标作答（客观题练习）；选出后点「检查」。答错会显示简短说明。
关于训练数据量与模型准确率，较合理的认识是：
更强的算力主要带来什么？
判断：算法只负责「显示结果」，与训练神经网络无关。
本节小结
回顾本课要点，完成动手体验与测评。记住：人工智能的技术基础。