【华为ICT实践赛-昇腾AI赛道】【HCIA-AI V4.0】备考笔记-优快云博客

人工智能概述
通用定义：AI 是研究、开发用于模拟 / 延伸 / 扩展人类智能的理论、方法、技术及应用系统的交叉学科，1956 年首次提出，核心是让机器 “像人一样思考和行动”。

“人工” 与 “智能” 拆解：“人工” 即人设计制造；“智能” 参考霍华德・加德纳多元智能理论，含 8 种能力：语言、逻辑、空间、肢体动觉、音乐、人际、内省、自然。

AI、机器学习、深度学习的关系
层级关系：AI 是研究领域→ML 是 AI 的核心实现途径→DL 是 ML 的主流分支（源于人工神经网络）。

核心定义：

ML：模拟人类学习行为，通过经验（数据）优化性能，Tom Mitchell 定义：“对任务 T、性能 P，程序随经验 E 提升 P 表现”。

DL：模仿人脑机制解释数据（如图像、文本），含多层隐藏层的感知器是典型结构，通过组合低层特征形成高层抽象表示。

学派	核心思想	关键成果
符号主义	源于数理逻辑，认为智能是 “符号推理”，人 / 计算机都是物理符号系统	启发式算法、专家系统、知识工程
连接主义	源于仿生学，认为智能是 “神经元连接”，核心是神经网络模型与脑模型	反向传播（BP）算法、多层神经网络
行为主义	源于控制论，认为智能是 “感知 - 行动” 迭代进化，无需知识表示与推理	布鲁克斯六足行走机器人

AI 发展三要素与产业生态
三要素
算力：AI 的 “发动机”，依赖数据中心、云计算、边缘计算、HPC（高性能计算）。
数据：AI 的 “燃料”，需数据挖掘、分析、可视化、安全与隐私保护。
算法：AI 的 “大脑”，含 ML、DL、NLP、CV、推荐系统等。
产业生态
基础设施：互联网、传感器、物联网、服务器、高性能芯片。
基础技术：大数据、云计算。
AI 要素：数据、算法、算力。
技术方向：计算机视觉（CV）、语音处理、自然语言处理（NLP）、规划决策系统、大数据分析。
AI 应用：金融、医疗、安防、娱乐、教育、零售、农业等。
人工智能分类

类型	特征	当前阶段
强人工智能	能推理、解决问题，有知觉 / 自我意识，可独立思考、制定方案，具备生物本能	理论
弱人工智能	仅 “看起来智能”，无自主意识，仅在特定领域（如语音助手、图像识别）表现出智能	我们现在的阶段

AI 技术领域核心内容
自然语言处理（NLP）
定义：实现人机自然语言通信，目标是让计算机 “理解 + 生成” 人类语言。
发展历程：基于规则→机器学习→深度学习→大语言模型（LLM）。
核心任务：
文本分类：输入文档与类别集合，输出所属类别（如情感分类）。
序列标注：对文本序列（字 / 词）标注标签（如词性标注、中文分词）。
文本生成：自动生成符合语法的文本（如新闻、机器翻译）。
知识图谱：结构化表示实体及关系（如人 - 朋友 - 地点），NLP 为其提供构建手段。
计算机视觉（CV）
定义：模拟人类视觉，从图像 / 视频提取信息、分析理解并决策。
核心任务：
目标检测：定位图像中感兴趣目标，输出类别与边界框（如交通监控、人脸识别）。
图像分割：按需求细分图像子区域，含语义分割（像素级类别标注）、实例分割（逐个实例标注），适用于无人驾驶道路分割。
目标跟踪：获取目标时间维度运动轨迹（如智能交通、安防监控）。
文字识别（OCR）：将图片 / 扫描件文字转为可编辑文本（如身份证、发票识别）。
图像生成：生成 / 修改图像（如超分辨率、风格迁移、图像修复）。
大模型
定义：大规模数据训练、海量参数、功能强大的模型，参数量通常亿级以上。
核心特点：
规模大：参数量十亿级起（如 GPT-3 达 1750 亿），模型文件数十至数百 GB。
算力需求高：训练需数千至数万计算卡。
能力强：多任务处理、举一反三（few-shot 学习）、跨模态理解（文本 / 图像 / 音频融合）。
发展来源：
基础架构：2017 年 Google 提出的 Transformer（Encoder-Decoder 结构）。
代表模型：GPT 系列（Decoder-only）、BERT（Encoder-only）、GLM、LLaMA、T5 等。
关键能力 “涌现”：模型规模超临界值后，突然具备复杂任务能力，如：
上下文学习（ICL）：通过示例理解任务关系。
思维链（CoT）：通过分步推导解决复杂推理（如数学计算）。
与小模型对比：小模型轻量高效，适用于资源受限 / 单一任务；大模型能力强、精度高，适用于复杂场景。
DeepSeek 概览及其产业影响
时间线

时间	关键事件
2023 年 7 月	由幻方量化梁文峰成立
2023 年 11 月	发布 DeepSeek coder（开源商用）、DeepSeek LLM（670 亿参数）及 Chat 版本
2024 年 5 月	聊天版本价格低于同行，LLM 排名第七
2024 年 11 月	发布 DeepSeek-R1，宣称逻辑 / 数学推理超 OpenAI o1
2024 年 12 月	发布 DeepSeek-V3（671B 参数，55 天训练，成本仅同行 1/10）
2025 年 1 月	发布 DeepSeek-R1-Lite-Preview，支持模型蒸馏；App 下载量全球榜首

成功原因
成本低：V3 训练成本 557 万美元（同行 1/20），R1 推理成本 2.2 美元 / 百万 tokens（o1 的 3%）。
性能优：V3 比肩 GPT-4o，数学 / 代码能力更优；R1 推理能力突出。
开源策略：开源 V3、R1 及蒸馏小模型，提供详细技术报告，降低开发门槛。
产业影响
冲击格局：挑战巨头垄断（如 OpenAI），引发价格战与技术竞争。
推动技术：开源促进技术共享，改变 “重算力 / 规模、轻算法” 的发展思路。
拓展市场：降低应用门槛，满足金融、医疗、教育等多样化需求。
影响算力：推理算力重要性提升，利好国产算力生态。
人工智能应用
应用发展历程
阶段 1：模式识别（1956-2015）→阶段 2：大数据 + DL “认识世界”（2015-2022）→阶段 3：生成式 AI “创造生成”（2022-）→未来：通用人工智能（AGI）。
里程碑：ChatGPT（2022 年 OpenAI 发布，2 个月活跃用户破 1 亿，GPT-4o 具备多模态能力）。
典型应用案例
智慧矿山：机电硐室自动巡检（机器人替代人工）、井下皮带监控（撕裂 / 跑偏 / 堆煤检测）、违规行为识别（安全帽佩戴、抽烟检测）。
生物多样性保护：智利 “自然守卫者”（华为云 + AI，声学监测达尔文狐，识别盗猎 / 伐木声，实时告警）、希腊巴尔干羚羊保护。
智能电网：南方电网智能巡检（数字人 + AI 视觉，监测设备状态）。
盘古大模型（华为行业大模型）
层级划分：基础模型（如盘古自然语言大模型，2000 亿参数）→行业模型（如政务、矿山、气象大模型）→场景模型（如智能客服、政务办公助手）。
应用场景：自动驾驶、工业设计、气象预测（台风路径预测）、医疗辅助、数字人直播、智能运维等。
人工智能的争议与未来
核心争议
虚假信息：GAN、DeepFake 生成虚假图像 / 视频（如 Lyrebird 模仿人声），降低内容可信度。
伦理问题：歧视与污名化、自主决策不可追溯、目标 / 方法不可解释、侵犯人类尊严与隐私。
失业风险：AI 替代重复性 / 危险工作（如流水线、井下巡检），但也创造新岗位（如 AI 训练师）。
隐私安全：数据采集可能泄露隐私，需通过差分隐私、联邦学习、模型加密（如 MindArmour 框架）保护。
可控性：强 AI 若实现，是否可控尚无定论；AI 创作物版权归属、机器人权利赋权等法律空白。
未来趋势
价值层面：
应用场景扩展：智慧交通（公路 / 机场 / 港口）、能源（电力 / 油气）、金融（银行 / 保险）、数字政府（智慧城市 / 水利）。
市场增长：2024 年全球 AI 市场规模 6382 亿美元，中国智算服务市场 2024H1 同比增长 79.6%。
效率提升：AI 改造后工厂研发周期缩短 20.7%，生产效率提高 34.8%。
技术层面：
通用人工智能（AGI）：具备跨领域学习 / 推理 / 决策能力。
具身智能：AI 融入物理本体（如机器人），实现自主感知 - 学习 - 行动。
设备层面：AI 手机（自然交互）、智能家电（节能 / 语音控制）、智能汽车（L4 + 自动驾驶）、服务机器人（管家 / 护理）。
华为人工智能解决方案
昇腾 AI 基础软硬件平台
全栈架构：芯片（Ascend 系列）→芯片使能（CANN）→框架（MindSpore）→应用使能（ModelArts、MindX）。
全场景部署：公有云、私有云、边缘计算、物联网终端、消费终端。
核心产品：
硬件：Atlas 系列（模块、板卡、服务器、集群，如 Atlas 900 AI 集群）。
软件：
MindSpore：全场景 AI 框架，支持端 - 边 - 云协同。
ModelArts：一站式 AI 开发平台（数据标注、训练、部署）。
MindX：应用使能套件（SDK、Edge 智能边缘、DL 深度学习使能）。
机器学习概览
1. 机器学习基础
（1）核心定义与本质
学习算法：通过经验（数据）优化性能的程序，核心是 “从历史数据归纳规律，预测未来”。
与传统基于规则的区别：传统靠人工显性编程，ML 靠数据自动学习规则（适用于规则复杂 / 数据分布动态变化场景）。
（2）解决的主要任务

任务类型	核心目标	输出类型	案列
分类	将输入映射到 k 个类别中的某一类	离散类别	垃圾邮件识别、图像分类
回归	预测输入对应的连续数值	连续数值	房价预测、股票价格预测
聚类	无标签数据按内在相似性分组，类内相似高、类间相似低	类别划分	用户画像、图片检索

2. 机器学习分类（按学习方式）

分类	核心特点	典型算法 / 案例
监督学习	用 “带标签样本” 训练，学习输入 - 输出映射（如 “选择题 + 标准答案”）	线性回归、逻辑回归、SVM、决策树
无监督学习	用 “无标签样本” 训练，挖掘数据内在结构（如 “选择题无答案，自行分类”）	K-means、层次聚类、PCA
半监督学习	结合少量有标签 + 大量无标签样本训练，降低标注成本	半监督 SVM、标签传播
强化学习	智能体与环境交互，通过 “奖励 / 惩罚” 优化行为（如 “试错学习”）	Q-learning、DQN、AlphaGo

3. 机器学习整体流程
数据准备：采集数据，划分训练集（训练模型）、验证集（调超参数）、测试集（评估泛化能力）。
数据清洗：处理 “脏数据”（缺失值、异常值、不一致值）
特征提取与选择：
特征提取：将原始数据转为模型可识别的特征（如文本→词向量、图像→像素特征）。
特征选择：筛选关键特征，避免维度爆炸，方法包括：
Filter（过滤法）：独立于模型，如皮尔逊相关系数、卡方检验。
Wrapper（包装法）：依赖模型，如递归特征消除，计算成本高。
Embedded（嵌入法）：融入模型训练，如 LASSO 回归（L1 正则）。
模型训练：选择算法，用梯度下降等优化器最小化损失函数。
模型评估：用指标评估性能（如分类用准确率 / 召回率，回归用 MAE/MSE）。
模型部署与反馈迭代：部署到生产环境，持续收集数据优化模型。
4. 模型有效性与评估
（1）核心概念
泛化能力：模型对新样本的适应能力，是 ML 的核心目标。
误差：
训练误差：模型在训练集上的误差。
泛化误差：模型在新样本上的误差（需最小化）。
欠拟合 vs 过拟合：
欠拟合：训练误差大，模型未学到特征（解决方案：更复杂模型、延长训练）。
过拟合：训练误差小但泛化误差大，模型学了噪声（解决方案：正则化、Dropout、更多数据）。
偏差与方差：
偏差：模型预期预测与真实值的差异（高偏差→欠拟合）。
方差：模型预测结果的波动（高方差→过拟合）。
理想状态：低偏差 + 低方差。
（2）性能评估指标
回归任务：
MAE（平均绝对误差）：（越近 0 越好）。
MSE（均方误差）：惩罚大误差）。
R²（决定系数）：（取值 [0,1]，越近 1 越好）。
分类任务：
混淆矩阵：TP（真正例）、TN（真负例）、FP（假正例）、FN（假负例）。
核心指标：
准确率：（整体正确率）。
召回率（查全率）：TP/P（正例识别率，如疾病漏诊率关注）。
查准率：TP/(TP+FP)（预测正例的正确率，如垃圾邮件误判关注）。
F1 值：2PR/(P+R)（查准率与召回率的调和平均）。
5. 关键训练技术
（1）梯度下降算法
核心思想：沿负梯度方向更新参数，最小化损失函数，公式：（η为学习率）。
变种：
SGD（随机梯度下降）：单样本更新，速度快但波动大。
BGD（批量梯度下降）：全样本更新，稳定但速度慢。
MBGD（小批量梯度下降）：批量样本更新（如 32/64 样本），兼顾效率与稳定（最常用）。
（2）参数与超参数
参数：模型自动学习（如线性回归的权重w、偏置b）。
超参数：人工设定（如学习率η、KNN 的K、树模型的树深度），搜索方法：
网格搜索：穷举所有组合，适用于超参数少的场景。
随机搜索：随机采样组合，适用于超参数多的场景。
（3）交叉验证
k 折交叉验证：将数据均分 k 组，每组轮流做验证集，其余做训练集，最终取 k 次评估结果的平均值（k 通常取 3/5/10），避免数据划分偏差。
6. 常见机器学习算法
（1）监督学习算法
线性回归：
定义：建模变量间线性关系，模型函数
损失函数：均方误差（MSE），用梯度下降求解。
扩展：多项式回归（处理非线性数据）、Ridge（L2 正则，防过拟合）、Lasso（L1 正则，特征选择）。
逻辑回归：
定义：二分类模型，用 Sigmoid 函数将线性输出映射到 [0,1]（概率），模型：
损失函数：交叉熵损失，扩展 Softmax 回归（多分类）。
决策树：
结构：根节点（特征）→子节点（特征分支）→叶节点（类别）。
构建关键：特征选择（信息熵、GINI 系数，衡量纯度）、剪枝（预剪枝 / 后剪枝，防过拟合）。
算法：ID3（信息增益）、C4.5（信息增益比）、CART（回归 / 分类均可）。
支持向量机（SVM）：
核心：找到 “最大间隔超平面” 分割数据，支持线性 / 非线性（通过核函数，如高斯核）。
适用场景：小样本、高维数据（如图像分类）。
K 近邻（KNN）：
核心：“近朱者赤”，新样本类别由 k 个邻居的多数类别决定（分类）或平均值决定（回归）。
特点：非参数模型，计算量大，k 越小越易过拟合。
朴素贝叶斯：
基础：贝叶斯定理 + 特征独立假设，模型：
适用场景：文本分类（如垃圾邮件识别）、小样本。
（2）集成学习
定义：组合多个 “基学习器” 提升泛化能力，核心是 “群众智慧”。
主流方法：
Bagging（并行）：独立训练基学习器，投票 / 平均输出（如随机森林 = Bagging+CART 树）。
Boosting（串行）：逐步优化基学习器，纠正前序错误（如 AdaBoost、GBDT、XGBoost）。
（3）无监督学习算法
K-means：
步骤：指定 k→随机选 k 个中心→迭代分配样本 + 更新中心→收敛。
特点：简洁高效，需提前指定 k，对初始中心敏感。
层次聚类：
策略：自下而上聚合（AGNES）或自上而下拆分（DIANA），形成树形聚类结构（ dendrogram）。
三、深度学习和大模型基础
1. 感知机与多层感知机
（1）感知机
定义：最简单的神经网络单元，接收多个输入x，加权求和后通过阶跃函数输出（0/1），

公式：
局限：仅解决线性可分问题（如与门、或门），无法解决异或问题。
（2）多层感知机（MLP）
结构：输入层→隐藏层（≥1 层）→输出层，通过堆叠感知机解决非线性问题（如异或：与门 + 与非门 + 或门组合）。
非线性来源：激活函数（如 Sigmoid、ReLU），若用线性激活，多层与单层等价。
2. 深度神经网络（DNN）基础
（1）激活函数

激活函数	公式	特点与适用场景
Sigmoid		输出 [0,1]，易梯度消失，适用于二分类输出层
Tanh		输出 [-1,1]，中心对称，仍有梯度消失问题
ReLU	ReLU(x)=max(0,x)	缓解梯度消失，计算高效，适用于隐藏层
Leaky ReLU		解决 ReLU 负半轴死亡问题
Softmax		输出多分类概率（和为 1），适用于多分类输出层

（2）神经网络训练流程
前向传播：输入数据通过网络层（加权求和 + 激活）计算输出。
反向传播：用链式法则计算损失函数对各参数的梯度，更新参数（梯度下降）。
梯度问题：
梯度消失：深层网络中，梯度经多层乘法趋近于 0（解决方案：ReLU、LSTM、残差连接）。
梯度爆炸：梯度经多层乘法趋近于无穷（解决方案：梯度裁剪、权重初始化）。
3. 优化器与正则化
（1）优化器（梯度下降改进）

优化器	核心改进	特点
动量优化器	引入动量项αΔwk−1，模拟 “惯性”	加速收敛，抑制波动
Adagrad	自适应学习率（参数梯度大则学习率小，反之则大）	适合稀疏数据，学习率易衰减至 0
RMSprop	引入衰减系数β，平滑梯度平方，缓解 Adagrad 衰减问题	适用于非平稳目标（如 RNN）
Adam	结合动量（一阶矩）与 RMSprop（二阶矩），自适应学习率	泛用性强，多数场景首选

（2）正则化（防过拟合）
L1 正则：损失函数加λ||w||1，使部分参数为 0（特征选择）。
L2 正则：损失函数加λ∥w∥2，使参数趋近于 0（权重衰减）。
提前停止：验证集损失上升时停止训练。
Dropout：训练时随机 “关闭” 部分神经元，测试时权重缩放，模拟集成学习。
4. 卷积神经网络（CNN）
（1）核心思想
局部感知：神经元仅感知输入的局部区域（如图像局部像素相关性高）。
参数共享：同一卷积核在全图共享参数，减少参数量（如一个卷积核提取 “边缘” 特征）。
（2）架构与核心层
输入层：图像数据（如 RGB 图像为 3 通道， shape 为 [H,W,C]）。
卷积层：用卷积核（如 3×3）滑动提取特征，输出特征图，公式：（K为卷积核，b为偏置）。
池化层：降低特征图维度，保留关键信息：
最大池化：取局部区域最大值（保留纹理）。
平均池化：取局部区域平均值（保留整体特征）。
全连接层：将高维特征映射为一维向量，连接输出层（如分类任务的 Softmax）。
（3）适用场景
图像识别、目标检测、图像分割、人脸识别等。
5. 循环神经网络（RNN）与变种
（1）RNN 基础
结构：含时间步的网络，隐藏层状态依赖当前输入与上一时间步隐藏状态，公式：St=σ(USt+WXt)，Ot=softmax(VSt)。
局限：时序反向传播（BPTT）中，梯度易消失 / 爆炸，无法处理长序列（如超过 20 步）。
（2）LSTM（长短期记忆网络）
核心改进：通过 “三门结构” 控制信息存储与遗忘，解决长序列依赖：
遗忘门（ft）：决定丢弃多少历史信息。
输入门（it）：决定存储多少新信息。
输出门（ot）：决定输出多少当前信息。
公式：

（3）Seq2Seq（序列到序列）
架构：Encoder（编码输入序列为固定向量）+ Decoder（解码向量为输出序列），基于 RNN/LSTM，适用于机器翻译、文本摘要等。
6. Transformer 架构（核心为 Attention 机制）
（1）Attention 机制
核心思想：模拟人类 “关注重点”，计算输入序列中各元素的权重，加权求和得到 Attention 值。
计算步骤：
计算 Query（查询）与 Key（键）的相似度（如点积）。
Softmax 归一化相似度，得到权重。
权重与 Value（值）加权求和，得到 Attention 输出。
Self-Attention：Query=Key=Value（如文本中词与词的关联）。
优点：并行计算（无时间步依赖）、长序列建模能力强、可解释性高。
（2）Transformer 结构
Encoder：多层（如 6 层），每层含 Multi-Head Attention（多头注意力，捕捉多维度关联）、Feed Forward（前馈网络）、Add & Norm（残差连接 + 层归一化）。
Decoder：多层（如 6 层），除 Encoder 层组件外，含 Masked Multi-Head Attention（屏蔽未来位置信息，如翻译时不看未来词）。
位置编码：通过正弦 / 余弦函数注入时序信息（Transformer 无循环结构，需额外编码位置）。
（3）适用场景
自然语言处理（如 BERT、GPT 系列）、计算机视觉（如 ViT）、多模态任务。
7. 大模型基础
（1）定义与特点
定义：亿级以上参数、大规模数据训练、多任务处理能力的模型（如 GPT-3、LLaMA、GLM）。
核心特点：
规模大：参数量十亿至万亿级（如 GPT-4 猜测 1.76 万亿）。
能力强：跨任务泛化、少样本 / 零样本学习、涌现能力（如 CoT 推理）。
跨模态：融合文本 / 图像 / 音频数据（如 GPT-4o、MidJourney）。
（2）典型大模型架构
GPT 系列：Decoder-only 结构，自回归生成文本（如 GPT-3、GPT-4）。
BERT：Encoder-only 结构，双向语境理解（如文本分类、问答）。
MoE（混合专家模型）：将模型拆分为多个 “专家” 子模型，门控机制选择专家，平衡规模与效率（如 DeepSeek-V3、GLaM）。
（3）大模型训练流程
预训练：用海量通用数据（如互联网文本）训练基础模型，学习通用知识。
微调：用行业 / 场景数据微调，适配特定任务（如医疗大模型用病历数据微调）。
四、人工智能开发框架
1. AI 框架核心作用与主流框架
（1）核心作用
数据预处理：支持音 / 视 / 图 / 文数据转换、增强。
开发接口：提供统一 API（如 CNN、RNN），降低开发门槛。
调试调优：可视化工具（如损失曲线、参数分布）。
编译执行：优化计算图，适配硬件（CPU/GPU/NPU）。
推理部署：支持模型下发、算力调度（如端侧 / 边侧 / 云侧部署）。

1. 人工智能概览
（多选）计算机视觉应用场景：B. 语义分割、C. 智能驾驶、D. 视频分析（A. 知识图谱属于 NLP）。
（单选）不属于有监督学习的算法：D. K-means（A. 线性回归、B. 决策树、C. KNN 均为有监督）。
（判断）梯度下降是机器学习唯一方法：B. False（还有牛顿法、拟牛顿法等）。
2. 深度学习基础
（单选）不属于深度学习神经网络的是：D. Logistic（Logistic 回归是传统 ML，A. CNN、B. RNN、C. LSTM 是 DL）。
（多选）卷积神经网络部件：A. 激活函数、B. 卷积核、C. 池化、D. 全连接层。
（判断）CNN 比 RNN 更适合图像识别：A. True（CNN 局部感知 / 参数共享适配图像，RNN 适配序列）。
（判断）Transformer 与 Seq2Seq 特性类似：B. False（Transformer 基于 Attention，无 RNN 的时序依赖，Seq2Seq 基于 RNN）。
3. 华为人工智能平台
昇腾芯片架构名称：达芬奇架构。
CANN 中图像预处理单元名称：DVPP（数字视觉预处理模块）。