前言

人工智能进入学习和生活以后，最容易获得的是一个看起来像答案的结果，最难形成的却是判断：它在做什么，为什么会这样做，结果能否用于眼前的事情，出了错应由谁接管。

本书主要面向高职、中职和技工教育学生。全书不从产品菜单、提示词技巧或编程语法讲起，而是沿一条完整的人工智能技术主线安排十二章：先观察模型怎样从示例和表格中学习，再进入视觉、声音与时间序列；随后理解文字怎样被表示、检索和生成；最后学习生成式模型、推荐系统、强化学习，以及多种模型、工具和设备怎样组成系统。视觉、语言和声音是数据形态，分类、预测、检索、生成和行动是任务，监督学习、迁移学习、生成式学习和强化学习是不同的学习机制。本书有意把这些层次分开，再在综合项目中连接起来。

与技术主线并行的是一条家庭生活项目线。读者会逐步完成阳台植物园、家庭声音提醒器、空气与用能观察站、学习伙伴、记忆故事盒、说明书助手等项目，并把所学迁移到消费出行判断和自己的生活场景。同一项目可能跨章生长，让生活问题保持完整，也让每章只集中看清一个新机制。

每章配置一个生活或学习实践案例，但技术是骨架，案例只是观察机制的载体。读者先看到输入、输出和一次最小运行，再沿中间结果看懂数据、表示、模型和普通程序的分工，最后用正常、边界、陌生与故障样例检验它。第1章不要求Python、JSON或接口知识；随着章节推进，读者再在大语言模型帮助下阅读、运行和小步修改完整Notebook。

读者不需要预先掌握Python。大语言模型可以作为开发与学习伙伴，帮助追问需求、生成和解释程序、分析报错、补写测试；但目标、材料、权限、错误后果和采用结论不能交给模型。读者要亲自运行，观察中间结果，只改变一个关键变量，检查修改差异，并用固定样例回归。能根据证据决定采用、限制、继续改进、不用或转交，比一次成功演示更重要。

人工智能技术变化很快，纸书因此着重讲稳定的机制和方法，易变的模型、软件版本和操作步骤放入配套数字资源持续更新。书中涉及健康、隐私、家庭影像、麦克风和设备的项目均提供模拟、脱敏或回放路径，坚持低风险、可停止、可回退和人工确认。

希望读者完成本书后，不只是“用过”几种人工智能工具，而是获得一种可以迁移的能力：面对一个新问题，能够与人工智能共同实现，能够看懂关键技术链，也能够依据证据作出自己的判断。

编者

2026年8月