Week 01 · 课程导论与AI基础

🏛️

MODULE 01

AI发展简史：从概念到革命

▼

🗓️ 五大里程碑

🏛️

1956 · 达特茅斯会议

AI概念正式提出 — 约翰·麦卡锡、马文·明斯基等10位科学家首次定义"人工智能"，标志AI作为独立学科诞生

🧠

1980s · 专家系统时代

知识驱动范式 — MYCIN医疗诊断、XCON配置系统。局限：知识获取困难、缺乏学习能力、维护成本高

📊

2000s · 机器学习兴起

数据驱动范式 — 从手工规则到统计学习。垃圾邮件过滤、推荐系统、搜索引擎PageRank算法

🔗

2010s · 深度学习革命

神经网络复兴 — 2012 AlexNet图像识别突破、2016 AlphaGo击败人类冠军。GPU加速+大数据催生质变

🚀

2020s · 大模型时代

Transformer架构 → GPT系列 → ChatGPT。参数量从1.17亿(GPT-1)到1750亿(GPT-3)，涌现能力质变

🎯

MODULE 02

机器学习三种范式

▼

📐 核心分类

范式	数据特点	目标	传媒应用
监督学习	有标注数据	学习输入→输出映射	新闻分类、情感分析
无监督学习	无标注数据	发现隐藏模式	用户聚类、主题发现
强化学习	环境交互	最大化累积奖励	个性化推荐、AlphaGo

🔄 范式转变：从规则到数据

核心对比
传统编程 = 人工编写规则 → 逻辑驱动 → 确定性输出
机器学习 = 从数据中学习规则 → 数据驱动 → 概率性输出

关键原则：数据质量决定模型性能（垃圾进，垃圾出）

⚡

MODULE 03

Transformer与大语言模型

▼

🏗️ Transformer四大创新（2017）

👁️

自注意力机制

模型能同时关注输入序列的不同部分，捕捉长距离依赖关系

⚡

并行计算

摆脱RNN的序列依赖，训练速度数量级提升

🎯

多头注意力

从多个维度同时理解输入信息，增强表达能力

📍

位置编码

优雅解决序列位置信息的表示问题

📈 LLM核心特征

10B+

参数量级

多任务

通用能力

涌现

规模效应

Zero-Shot

零样本学习

📰

MODULE 04

LLM重塑传媒全流程

▼

🔄 传媒工作五环节的AI渗透

1

采集 → 智能搜索

AI辅助线索发现、背景资料搜集、采访问题生成、事实核查

2

编辑 → 写作辅助

自动摘要、标题生成、内容改写风格适配、多语言翻译

3

制作 → 多媒体AI

视频脚本创作、AI配音合成、智能剪辑建议、图表海报生成

4

发布 → 智能分发

多平台内容适配、个性化推荐、最佳发布时机、SEO标签优化

5

评估 → 数据洞察

传播效果分析、情感监测、趋势预测、自动生成分析报告

⚠️ 理性认知LLM的局限

关键挑战
幻觉问题：可能生成看似合理但实际错误的信息
知识截止：训练数据有时间边界
一致性：同一问题可能得到不同答案
偏见放大：训练数据中的偏见可能被继承和放大