高中生物学科提升计划 一、现状分析 在当前的生物学习中，我基础知识存在一些漏洞，比如细胞呼吸的具体过程细节容易混淆，对一些复杂的知识点理解不够深入，像基因的表达调控机制。实验部分的操作和分析能力也有待加强，考试中实验题的得分率不高。同时，缺乏有效的学习方法，知识体系构建不完整，导致综合运用知识解决问题的能力不足。 二、提升目标 知识掌握：在本学期末，确保对教材中的基础知识达到熟练掌握，能够准确无误地阐述各个知识点。对于重点和难点知识，不仅要理解，还要能够举一反三，在考试中涉及相关知识点的题目上，正确率达到 85% 以上。 解题能力：通过有针对性的练习和总结，提高解题的速度和准确性。在规定时间内完成生物试卷，选择题错误控制在 2 道以内，简答题扣分不超过 10 分。尤其要提升实验设计和分析题的解题能力，得分率提升至 70% 以上。 考试成绩：在下一次月考中，生物成绩提高 15 分，在班级的排名前进 5 名。到期末考试时，成绩进入班级前 15 名，年级排名提升 50 名。 三、具体提升策略 （一）日常学习 预习：每天晚上抽出 30 分钟预习第二天要学习的生物内容。通读教材，标记出不理解的地方，并尝试完成课后简单的思考练习题。例如，在预习 “光合作用” 这一节时，先了解光合作用的发现历程，对光反应和暗反应的场所、物质变化和能量变化有初步印象，将不明白的如 C3、C5 化合物的转化过程标注出来，带着问题听课。 课堂学习：全神贯注听讲，积极参与课堂互动。对于预习中不懂的问题重点关注，做好笔记。老师讲解知识点时，注重理解知识的逻辑关系，比如学习 “减数分裂”，跟着老师的思路理解减数第一次分裂和减数第二次分裂中染色体、DNA 的变化规律，通过绘制简单的示意图来辅助理解。遇到不懂的问题及时提问，确保课堂知识当堂消化。 复习：每天课后用 20 分钟复习当天所学内容。回顾课堂笔记，重新梳理知识点，强化记忆。利用教材上的课后练习题和配套练习册上的基础题进行巩固练习，通过做题加深对知识点的理解和应用。例如，学完 “细胞的增殖” 后，及时完成相关细胞周期、有丝分裂过程等基础题，对做错的题目进行分析，找出错误原因，是知识点没掌握还是审题不仔细等。 知识背诵：每天利用早上晨读或课间零碎时间背诵生物的重要概念、原理和结论等。生物学科需要记忆的内容较多，像各种细胞器的功能、生物膜系统的组成等，要反复背诵，加强记忆。晚上睡觉前再回顾一遍当天背诵的内容，强化记忆效果。 （二）每周学习 总结归纳：每周六晚上安排 1 - 2 小时对本周所学的生物知识进行总结归纳。构建知识框架，将零散的知识点串联起来。比如，以 “细胞” 为核心，将细胞的结构、功能、代谢、增殖等相关知识构建成一个知识网络，通过绘制思维导图的方式呈现，使知识更加系统化，便于理解和记忆。 错题整理：把本周生物作业和练习中的错题整理到错题本上。分析错误原因，是知识漏洞、解题方法错误还是粗心大意等。针对不同原因，写出正确的解题思路和答案，并标注相关的知识点。每周日复习错题本上的错题，重新做一遍错题，检验自己是否真正掌握了正确的解法，避免在下次考试中犯同样的错误。例如，对于 “生态系统能量流动” 相关错题，分析是对能量传递效率的计算方法不熟悉，还是对能量流动过程的理解有误，然后针对性地强化复习相关知识点和解题方法。 拓展学习：每周安排 2 - 3 小时阅读生物课外书籍或观看生物科普视频，如《自私的基因》《细胞》等，拓宽生物知识面，加深对生物学科的理解和兴趣。阅读或观看后，用简单的文字记录下自己的收获和感悟，比如从《自私的基因》中了解到基因在生物进化中的重要作用，以及一些新的生物学观点等。 （三）每月学习 单元测试：每个月进行一次生物单元测试，模拟考试环境，在规定时间内完成试卷。测试结束后，认真分析试卷，找出自己在本单元知识学习中的薄弱环节。针对薄弱环节，进行有针对性的复习和强化训练。例如，如果在 “遗传与进化” 单元测试中，对遗传定律的应用部分失分较多，就重新复习孟德尔遗传定律的内容，多做一些相关的练习题，加强对遗传题型的解题能力。 综合复习：每月末安排 2 - 3 天时间对本月所学的生物知识进行综合复习。将各个单元的知识进行整合，通过做综合性的练习题和历年考试真题，提升自己综合运用知识解决问题的能力。同时，通过模拟考试，熟悉考试题型和考试节奏，提高答题的规范性和准确性。比如，在做历年高考真题中的生物综合题时，注意答题思路的梳理，如何从题干中获取有效信息，如何组织语言准确回答问题等。 学习反思：每月末对本月的生物学习情况进行一次全面反思。总结自己在学习方法、学习态度、知识掌握等方面的优点和不足，制定下个月的改进措施。例如，如果发现自己在学习过程中缺乏主动性，总是依赖老师讲解，那么下个月就要尝试自己主动探索知识，多思考、多提问，提高学习的主动性和积极性。 四、学习资源利用 教材：充分利用生物教材，教材是学习的基础，要认真研读教材上的每一个知识点、每一幅插图、每一道课后练习题。对于教材中的重点内容和难以理解的部分，要反复阅读，加深理解。 辅导资料：选择一本适合自己的生物辅导资料，如《教材全解》《五年高考三年模拟》等。辅导资料可以帮助自己更好地理解教材内容，拓展知识面，提供更多的练习题和解题思路。在使用辅导资料时，要根据自己的学习进度和实际情况，有针对性地选择使用。 网络资源：合理利用网络资源，如在线课程平台（哔哩哔哩、中国大学 MOOC 等）上有很多优质的生物教学视频，可以在课余时间观看，辅助学习。还可以关注一些生物学科的公众号（如 “生物铭师堂”“生物学霸” 等），获取最新的生物学科资讯、学习方法和知识点总结等内容。 老师和同学：遇到学习问题时，及时向老师和同学请教。老师具有丰富的教学经验，能够给予专业的指导和解答。同学之间的交流也可以拓宽自己的思路，从不同的角度理解问题。积极参加学习小组，与同学共同探讨生物学习中的问题，相互学习，共同进步。 五、监督与评估 自我监督：每天对自己的学习任务完成情况进行记录和检查，确保按照提升计划执行。每周对自己的学习状态和学习效果进行一次小总结，看看是否达到了本周的学习目标。如果没有完成学习任务或没有达到学习目标，要及时分析原因，调整学习计划。 家长监督：请家长协助监督自己的学习计划执行情况。家长可以定期检查自己的作业完成情况、错题本整理情况等，督促自己按时完成学习任务。同时，家长也可以关注自己的学习状态和心理状态，给予必要的支持和鼓励。 定期评估：每两周对自己的生物学习情况进行一次评估。通过做一些阶段性的练习题或小测试，检验自己对知识的掌握程度和解题能力的提升情况。根据评估结果，调整学习策略和学习重点，确保提升计划的有效性。 通过以上生物学科提升计划的实施，我将努力提升自己的生物学习水平，逐步实现自己的学习目标，在生物学科的学习中取得更好的成绩。

分析 人工智能在协助用户解决问题时首先会对要解决的问题以及用户的大概需求进行一个分析与思考，在确定解决方向后人工智能会在互联网上寻找解决该问题的有效资料，选出优质，正确的，生成回答

选题问题：选题2： 人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

小组成员：岳添益

使用AI工具：https://www.doubao.com/chat/

AI的答案： 当用户输入文本后，首先会对输入的内容进行分析，包括对文本进行分词、词性标注等预处理操作，以理解文本的结构和语义。然后，基于预训练的模型，在海量的文本数据所学习到的知识和模式中，寻找与输入内容匹配或相关的信息和知识。通过一系列的算法和计算，生成一个合适的回复内容。最后，对生成的回复进行整理和优化，以自然流畅的语言形式呈现给用户。 背后的技术原理主要基于自然语言处理（NLP）和机器学习领域的一些关键技术： 预训练模型：利用大规模的文本语料进行预训练，学习语言的语法、语义、逻辑等知识，如 Transformer 架构，它能够捕捉文本中的长距离依赖关系和语义信息。预训练模型可以学习到丰富的语言表示，从而为后续的任务提供基础。 深度学习：通过深度神经网络来学习文本的特征和模式。多层的神经网络结构可以自动从数据中提取复杂的特征，从而更好地理解和生成自然语言。 注意力机制：在 Transformer 架构中广泛应用，能够让模型在处理文本时更加关注重要的部分，从而提高对语义的理解和生成的准确性。 微调：在预训练的基础上，针对具体的任务（如问答、对话等）在特定的数据集上进行微调，使模型适应特定的任务和领域，进一步提高性能。 大规模语料库：大量的文本数据是训练模型的基础，通过对这些数据的学习，模型可以掌握丰富的语言知识和各种语言表达方式。 这些技术相互结合，使得我能够理解用户的输入并生成合理的回复，以实现自然语言交互的功能 。

对AI回答的思考：AI的学习方式与人类的共同点是：通过对事物或概念进行特征提取并归类。

姓名：黎熠斐

选题问题：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。 使用AI工具：豆包 AI的答案：人工智能应用的主要工作过程一般包括数据收集、数据预处理、模型训练、模型评估、模型部署与应用这几个关键环节，每个环节都有其对应的技术原理，以下是具体介绍：

数据收集 工作过程：从各种来源收集与应用相关的数据，这些来源可以是数据库、文件系统、网络爬虫、传感器等，收集的数据类型包括文本、图像、音频、视频等。 技术原理：利用数据采集工具和技术，如网络爬虫根据网页链接遍历网页获取文本和图片等数据；传感器根据物理原理感知环境中的信息并转换为电信号等数字数据。

数据预处理 工作过程：对收集到的数据进行清理、转换和标注等操作，以提高数据质量，使其适合模型训练。 技术原理 数据清理：通过统计方法或规则引擎检测和处理缺失值、重复值和异常值，如使用均值、中位数等填充缺失值。 数据转换：采用归一化、标准化等方法将数据转换为合适的格式和范围，以加速模型收敛，如将数据映射到 0 到 1 区间。

模型训练 工作过程：选择合适的人工智能模型，如神经网络、决策树、支持向量机等，使用预处理后的数据对模型进行训练，调整模型的参数以最小化损失函数或最大化性能指标。 技术原理 梯度下降：在神经网络等模型中，通过计算损失函数对模型参数的梯度，沿着梯度反方向更新参数，以逐步降低损失，找到最优参数。 反向传播：在多层神经网络中，用于高效计算梯度，将误差从输出层反向传播到输入层，依次更新各层的参数。 随机初始化：随机初始化模型参数，为训练提供一个起始点，避免模型陷入局部最优解。

模型评估 工作过程：使用独立的测试数据集对训练好的模型进行评估，计算模型的准确率、召回率、F1 值、均方误差等性能指标，以衡量模型的泛化能力和性能表现。 技术原理 混淆矩阵：在分类任务中，用于直观展示模型的预测结果与真实标签之间的关系，计算准确率、召回率等指标。 交叉验证：将数据集划分为多个子集，进行多次训练和验证，以更全面地评估模型的性能，减少因数据划分导致的偏差。

模型部署与应用 工作过程：将经过评估的模型部署到生产环境中，与实际的业务系统或应用程序集成，实现对新数据的预测、分类、生成等功能，并持续监控模型的性能，根据需要进行模型更新和优化。 技术原理 容器化技术：如 Docker，将模型及其依赖的环境打包成容器，方便在不同的服务器和环境中部署和运行。 API 接口：通过创建 API 接口，使其他应用程序能够方便地调用模型的预测等功能，实现与其他系统的集成。 监控与反馈机制：利用监控工具收集模型在生产环境中的运行数据，如预测结果、响应时间等，根据预设的阈值和指标触发模型更新流程。

选题：选题一

张茗宇，白获渔

问题：“申公豹说“人心中的成见像一座大山，怎么移都移不走”饺子导演弃医从动漫的时候也遭遇了很多的偏见，行业内广泛认为他不能有所成就。以上两则内容引发了你怎样的思考，请简要概述”

回答：

这两则内容引发了关于成见的诸多思考。首先，成见具有强大的顽固性和影响力，如申公豹所说 “人心中的成见像一座大山，怎么移都移不走”，它往往在人们心中根深蒂固，轻易难以改变。 饺子导演弃医从动漫时遭遇的行业偏见，便是这种强大影响力的体现，行业内先入为主地认为他无法取得成就，这种预判并非基于饺子的能力和努力，而是基于一种主观的、缺乏依据的认知。 其次，成见会对个人的发展和成长造成阻碍。饺子面临的偏见可能在一定程度上给他带来了心理压力，增加了他在动漫领域发展的难度。在成见的影响下，个人可能会被低估、被否定，机会也可能因此减少。 然而，成见并非不可打破。饺子导演用自己的成就有力地回击了那些偏见，证明了个人的能力和努力可以战胜外界的质疑。这表明个人不应被他人的成见所束缚，要有勇气坚持自己的选择和追求，凭借自身的实力去改变他人的看法。 最后，这也提醒人们要警惕自己心中的成见，避免轻易对他人做出评判。在对他人或事物做出评价之前，应该尽量保持客观、理性，给予他人充分展示和证明自己的机会，不要让无端的成见成为阻碍他人发展和进步的障碍。

AI分析过程可能如下：抓住关键词“成见”“人心中的成见像一座大山”“饺子”“”哪吒“动漫”等词，检索有关内容，整理出有关成见的一些评价，最后生成

姓名：陈柯名，杨长麟

选题问题：什么是深度优先搜索

使用AI工具：豆包

AI的答案：

深度优先搜索（Depth-First Search，简称 DFS）是一种用于遍历或搜索图、树等数据结构的算法策略，以下是关于它的详细介绍： 基本概念 深度优先搜索就像一个人在走迷宫，尽可能地沿着一条路径一直走下去，直到无法继续或者达到目标节点，然后再回溯到之前的节点，尝试其他的路径，直到遍历完所有可达节点或找到目标。 实现方式 递归实现：递归是实现深度优先搜索的一种自然方式。对于图中的一个节点，首先访问该节点，然后对于它的每一个未访问过的邻接节点，递归地调用深度优先搜索函数。例如，在一个简单的无向图中，从节点 A 开始，A 有邻接节点 B 和 C，先访问 A，然后递归地访问 B，接着可能 B 又有邻接节点 D，就继续访问 D，直到遇到没有未访问邻接节点的节点，再回溯到上一层继续探索其他路径。 栈实现：也可以使用栈数据结构来非递归地实现深度优先搜索。首先将起始节点入栈，然后进入循环，只要栈不为空，就取出栈顶节点进行访问，并将它的未访问邻接节点入栈，这样就会优先沿着一条路径不断深入，直到当前节点没有未访问的邻接节点时，栈顶元素会变为之前路径上的节点，从而实现回溯。 应用场景 路径搜索：在地图导航等应用中，寻找从一个地点到另一个地点的所有可能路径时，深度优先搜索可以帮助找到所有可能的路线。 图的连通性判断：判断一个图是否是连通图，即是否从任意一个节点都可以到达其他所有节点。通过从一个节点开始进行深度优先搜索，如果能够遍历到所有节点，则图是连通的。 迷宫求解：在迷宫问题中，深度优先搜索可以用于寻找从入口到出口的路径，沿着一条路一直走，走不通就回退，尝试其他路径。 拓扑排序：在有向无环图中，深度优先搜索可以用于实现拓扑排序，确定节点之间的先后顺序。

你对AI回答的思考：

AI首先梳理相关概念，然后介绍实现方式，并给出代码示例，接着列举了应用场景，最后进行复杂度分析

选题问题：解决你当下数学学科的问题

使用AI工具：豆包

参与者：王乙涵，陈纪红

AI的答案：

深刻理解概念：数学概念是数学知识的基石。对于每一个概念，不仅要记住定义，还要理解其内涵、外延以及相关的条件限制。例如，学习函数概念时，要从映射的角度去理解函数是两个非空数集之间的对应关系，明确定义域、值域和对应法则的重要性，通过具体的函数例子如一次函数、二次函数来加深对函数概念的理解。 熟练掌握公式定理：对于数学中的公式和定理，要明白其推导过程，不能死记硬背。以勾股定理为例，了解它的多种证明方法，如赵爽弦图证法、加菲尔德证法等，这样才能更好地掌握其应用条件和范围，在解题时能够灵活运用 其他方面 积极参加数学活动：可以参加数学竞赛、数学建模活动等，通过参与这些活动，拓宽数学视野，接触到更多有趣的数学问题和先进的数学思想方法，激发学习数学的兴趣和动力，同时也能提高自己的数学应用能力和团队协作能力。 保持好奇心：数学世界充满了无限的奥秘和乐趣，要保持对数学的好奇心和求知欲。遇到问题时，不要轻易放弃，尝试深入探究，挖掘问题背后的数学原理和规律。

你对AI回答的思考：方便

姓名：欧阳子晨 卢嘉瑞

选题问题：孟德尔的豌豆杂交实验原理

使用AI工具：豆包

AI的答案：分离定律

基本内容：在生物的体细胞中，控制同一性状的遗传因子成对存在，不相融合；在形成配子时，成对的遗传因子发生分离，分离后的遗传因子分别进入不同的配子中，随配子遗传给后代。 实验体现 选材：孟德尔选择豌豆作为实验材料，豌豆是自花传粉、闭花受粉植物，自然状态下一般都是纯种，这保证了实验亲代的纯合性，便于观察和分析后代的性状表现。而且豌豆具有易于区分的相对性状，如高茎与矮茎、圆粒与皱粒等，方便对单一性状进行研究。 杂交过程：以高茎豌豆和矮茎豌豆杂交为例，纯种高茎豌豆（DD）和纯种矮茎豌豆（dd）杂交，子一代（F₁）全部表现为高茎。因为在亲代产生配子时，DD 个体产生的配子只有 D 一种，dd 个体产生的配子只有 d 一种，F₁的遗传因子组成就是 Dd。 性状分离：F₁自交时，D 和 d 这对遗传因子会彼此分离，分别进入不同的配子中，F₁产生的配子有 D 和 d 两种，且比例为 1:1。雌雄配子随机结合，就产生了 F₂，F₂的遗传因子组成有 DD、Dd、dd 三种，比例为 1:2:1，表现型为高茎和矮茎，比例为 3:1，实现了性状分离。 自由组合定律 基本内容：控制不同性状的遗传因子的分离和组合是互不干扰的；在形成配子时，决定同一性状的成对的遗传因子彼此分离，决定不同性状的遗传因子自由组合。 实验体现 杂交过程：孟德尔用纯种黄色圆粒豌豆（YYRR）与纯种绿色皱粒豌豆（yyrr）杂交，F₁全部为黄色圆粒（YyRr）。 配子形成：F₁在产生配子时，每对遗传因子彼此分离，不同对的遗传因子自由组合。Y 与 y 分离、R 与 r 分离，Y 可以与 R 或 r 组合，y 也可以与 R 或 r 组合，这样 F₁产生的配子就有 YR、Yr、yR、yr 四种，比例为 1:1:1:1。 性状表现：F₁的雌雄配子随机结合，F₂出现了 9 种遗传因子组成和 4 种表现型，表现型分别是黄色圆粒、黄色皱粒、绿色圆粒、绿色皱粒，比例为 9:3:3:1，这说明不同对的性状之间发生了自由组合。 孟德尔通过豌豆杂交实验，运用假说 - 演绎法，经过严谨的实验观察、提出假说、演绎推理和实验验证，揭示了这两大遗传基本规律，为遗传学的发展奠定了坚实的基础。

你对AI回答的思考：

AI首先进行了分词与语义分析，然后联系知识，类比理解，通过检索知识库，组织逻辑，最后生成了回答。对于这个问题，AI回答的近乎完美，但是细节末枝上仍有些许问题，所以我们应正确看待AI答案

学生 李丽钱 杨瑞沂

选题问题：《子路，冉有，公西华侍坐》中，孔子运用了怎样的教学方式

使用AI工具：豆包

AI的答案：

在《子路，冉有，公西华侍坐》中，孔子运用了以下几种教学方式： 启发诱导式教学：孔子开篇便以 “以吾一日长乎尔，毋吾以也。居则曰：‘不吾知也！’如或知尔，则何以哉？” 来启发学生畅谈理想，引导他们思考如果有机会施展自己的才能，会怎么做，鼓励学生积极表达自己的想法，而不是直接灌输知识或观点。 营造宽松自由的教学氛围：孔子营造了一种轻松、民主的课堂氛围，让学生能够在没有压力的情况下畅所欲言。他先安抚学生们不要因为自己年长而拘束，鼓励他们大胆说出自己的志向。在学生们发言过程中，孔子也没有打断或急于评价，而是耐心倾听每个人的想法。 因材施教：孔子针对每个学生的性格、才能和志向等特点进行教育。例如，子路性格直率、鲁莽，孔子听了他的回答后，微微一笑，没有直接批评，而是以含蓄的方式表达了对他不够谦逊的态度的看法；冉有性格谦逊，孔子了解他的这一特点，所以在他说出自己的志向时，能判断出他是有所保留的；公西华更加谦虚，孔子通过他的回答，进一步引导他要更加自信地表达自己的理想。 对比教学：通过让不同的学生阐述自己的志向和观点，孔子引导学生们进行对比和思考。如子路的 “千乘之国，摄乎大国之间，加之以师旅，因之以饥馑；由也为之，比及三年，可使有勇，且知方也” 展现出其远大抱负和自信；冉有的 “方六七十，如五六十，求也为之，比及三年，可使足民。如其礼乐，以俟君子” 则体现出他的谨慎和谦逊；公西华的 “非曰能之，愿学焉。宗庙之事，如会同，端章甫，愿为小相焉” 更显其低调和专注于礼仪方面的追求。这种对比让学生们更清晰地认识到自己和他人的特点与差异，从而更好地反思和提升自己。 点评总结式教学：在学生们各自表达完观点后，孔子对他们的回答进行了点评和总结。他通过这种方式，让学生了解自己的优点和不足，明确努力的方向，帮助学生们深化对问题的认识，提升他们的思想境界和道德修养。

你对AI回答的思考：

找到《子路，冉有，公西华侍坐》，孔子，教学方式这几个关键字，查阅资料，组织语言

姓名：何剑锋

选题问题：

人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

使用AI工具：

豆包

AI的答案：主要工作过程

语音输入：用户通过手机麦克风说出指令或问题，语音助手开始接收声音信号。比如用户说 “小爱同学，今天天气怎么样”，手机的麦克风会将这些声音转化为电信号，并进行初步的音频预处理，如降噪等，以便后续更准确地处理。 语音识别：将预处理后的音频信号转换为文字。语音助手会对音频进行特征提取，把声音的波形等信息转化为计算机能够理解的特征向量，然后与预先训练好的声学模型和语言模型进行比对，找出最匹配的文字内容。 语义理解：对识别出的文字进行分析，理解用户的意图。它会将文字进行分词、词性标注、句法分析等处理，结合上下文和知识库等信息，来确定用户想要表达的意思。例如对于 “今天天气怎么样” 这句话，它能理解用户是在查询天气信息。 逻辑处理与决策：根据语义理解的结果，在后台调用相应的资源和服务来生成回答。比如查询天气的请求，它会调用天气查询接口，获取当前的天气数据。 语音合成：将获取到的信息或答案转换为语音输出。从文本内容出发，根据语音合成模型生成对应的语音波形，通过手机扬声器播放出来，告知用户今天的天气状况。 背后的技术原理 语音识别技术 声学模型：采用深度学习中的深度神经网络（DNN）、隐马尔可夫模型（HMM）等技术。通过大量的语音数据训练，让模型学习到不同语音特征与音素、音节等语音单元之间的映射关系，从而能够根据输入的语音特征向量判断出对应的语音内容。 语言模型：利用统计语言模型和神经网络语言模型，学习大量文本中的语言规律，如词语之间的搭配概率、句子的语法结构等，帮助对语音识别结果进行校正和补充，提高识别的准确性。 自然语言处理技术 词法分析：使用基于规则和统计的方法，对输入的文本进行分词和词性标注，确定每个词语的边界和词性，为后续的句法和语义分析打下基础。 句法分析：运用句法分析算法，分析句子的语法结构，确定句子的主语、谓语、宾语等成分以及它们之间的关系，帮助理解句子的整体意思。 语义理解与知识图谱：通过知识图谱技术，将各种实体和概念以及它们之间的关系进行建模和存储。当理解用户语义时，能够根据知识图谱中的信息，准确地理解实体和概念的含义，并进行相关的推理和查询。 语音合成技术 参数合成：对语音的声学参数进行分析和建模，通过调整这些参数来生成不同的语音。比如根据文本内容确定要合成的语音的基频、共振峰等参数，然后利用语音合成算法将这些参数转换为语音波形。 深度学习合成：基于深度学习的语音合成模型，如 WaveNet、Tacotron 等，直接从文本输入生成语音波形。这些模型通过大量的语音数据训练，能够学习到文本与语音之间的复杂映射关系，合成出更加自然、流畅的语音。

你对AI回答的思考：

人工智能带来便利与效率，却也藏风险。应合理发展，使其造福人类。

选题问题： 人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。（可以使用AI工具进行问答）

小组成员：钟佳谕 钱钰棋

使用AI工具：https://www.doubao.com/chat/

AI的答案：工作过程 接收输入：当用户在界面上输入文本信息后，系统会将这些文本进行编码处理，以便计算机能够理解和处理。文本会被解析，去除一些特殊字符、格式等干扰信息，转化为适合后续处理的格式。 理解意图：利用自然语言处理（NLP）技术，对输入的文本进行分析。包括词法分析（识别单词、词性等）、句法分析（分析句子结构）和语义分析（理解文本的含义和意图）。通过这些分析，尝试确定用户问题的核心和重点，以及可能的意图和需求。 检索和匹配：基于对用户意图的理解，在预先构建的知识体系和语料库中进行检索。这些知识体系可能包括各种领域的知识文档、常见问题解答、经过训练学习到的语言模式等。通过算法找到与用户问题最相关的信息或知识片段。 生成回答：如果检索到合适的已有答案或知识片段，会对其进行整理和调整，使其符合回答的逻辑和语言表达习惯。对于一些复杂的问题，可能会结合多个相关的知识片段进行综合处理。同时，利用语言生成模型，根据上下文和语言规则，生成自然流畅、符合逻辑的文本回答。 输出回答：将生成的回答进行最后的检查和格式化处理，然后展示给用户。 技术原理 自然语言处理（NLP）：这是核心技术之一，涵盖多个方面。词法分析通过分词算法将文本分割成单词或词素，词性标注确定每个词的词性；句法分析利用语法规则分析句子的结构，构建语法树；语义分析则通过语义角色标注、文本蕴含分析等技术理解文本的深层含义。 机器学习与深度学习：使用大量的文本数据进行机器学习和深度学习训练。例如，基于 Transformer 架构的预训练语言模型（如 GPT 类似的架构思想），通过在大规模语料库上进行无监督预训练，学习到语言的通用模式和语义表示。然后可以在特定任务上进行微调，以提高对各种问题的回答能力。 知识图谱：构建知识图谱，将各种知识以结构化的形式组织起来，包括实体（如人物、地点、概念等）、属性和关系。在回答问题时，可以利用知识图谱快速准确地获取相关知识，提高回答的准确性和完整性。 信息检索技术：包括文本检索、关键词匹配、倒排索引等技术，用于在大规模的知识存储中快速找到与用户问题相关的信息。通过优化检索算法和索引结构，提高检索效率和准确性。 强化学习：可以应用强化学习技术，根据用户的反馈（如对回答的评价、是否解决问题等）来调整模型的参数和策略，逐步提高回答的质量和用户满意度。

你对AI回答的思考：很好用的工具

选题问题：2

小组成员：郑皓月 石颖

使用AI工具：https://www.doubao.com/chat/

AI的答案：数据收集与预处理 数据收集：从互联网搜集新闻、论文、小说等海量文本数据，数据规模和多样性对模型性能很重要。 数据清洗：去除原始数据中的噪声、错误、重复及敏感信息，保证数据质量和合规性。 文本预处理：包括分词、词干提取与词形还原、构建词汇表，将文本转换为模型可处理的索引序列。 模型训练 Transformer：当前主流语言模型架构，核心是自注意力机制，能捕捉文本长距离依赖关系，含多头注意力机制和前馈神经网络等组件。多头注意力机制可多维度捕捉语义信息，使模型能全面理解文本内容。 GPT：采用 Transformer 架构的生成式预训练语言模型，训练目标是根据前文预测下一个词，通过大量数据训练学习语言统计规律和语义关系，以交叉熵损失函数为优化目标，经反向传播调整参数。 BERT：基于 Transformer 的双向预训练语言模型，创新地采用遮蔽语言模型和下一句预测两个任务进行预训练，能更好地理解文本上下文语义信息，在各类自然语言处理任务中表现出色。 回答问题时的推理过程 输入编码：对用户输入问题进行预处理和编码，转换为索引序列并添加特殊标记，让模型识别输入结构。 模型推理：编码输入送入模型，模型用自注意力机制提取语义特征，基于语言模式和知识生成回答，逐个预测词并添加到回答序列，直至生成完整回答。 输出解码：将模型生成的索引序列转换回文本，通过查询词汇表输出人类可读的回答。 其他技术与优化 微调：在预训练基础上，针对特定领域或任务用领域数据微调模型，提高在特定任务上的准确性。 知识图谱融合：知识图谱以图形展示实体关系，与语言模型结合可补充和验证回答，提高回答准确性和可解释性。 强化学习优化：利用强化学习，根据用户反馈的奖励信号调整模型回答策略，提升回答质量和用户满意度。

你对AI回答的思考：

机器学习 数据收集与预处理 收集：从各种来源收集大量的数据，这些数据可以是文本、图像、音频、视频等多种形式，例如收集大量的手写数字图片用于识别数字。 预处理：对原始数据进行清理、转换等操作，如去除重复数据、填补缺失值、对数据进行标准化或归一化处理，以提高数据质量，使其更适合模型学习。 模型选择与训练 选择：根据问题的类型和数据特点选择合适的机器学习模型，如分类问题可选择决策树、支持向量机等模型，回归问题可选择线性回归、随机森林回归等模型。 训练：将预处理后的数据输入到选定的模型中，通过优化算法调整模型的参数，使模型能够学习到数据中的规律和模式。以线性回归模型为例，通过最小化损失函数来确定最佳的直线参数，使得模型预测值与真实值之间的误差最小。 模型评估与调优 评估：使用测试数据集对训练好的模型进行评估，常用的评估指标有准确率、精确率、召回率、F1 值等。若在手写数字识别任务中，模型正确识别的数字数量与测试集中数字总数的比值就是准确率。 调优：根据评估结果对模型进行调整和优化，如调整模型的超参数，或者尝试不同的特征组合，以提高模型的性能。 深度学习 神经网络架构 神经元：是神经网络的基本组成单元，每个神经元接收多个输入，并通过激活函数对加权求和后的结果进行处理，输出一个值。 网络结构：由多个神经元连接成不同的层，如输入层、隐藏层和输出层，形成深度神经网络。常见的神经网络架构有多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）及其变体长短时记忆网络（LSTM）、门控循环单元（GRU）等。 反向传播算法 前向传播：输入数据从输入层开始，依次经过隐藏层的计算和处理，最终在输出层得到预测结果。 计算误差：将输出层的预测结果与真实标签进行对比，计算出误差。 反向传播：从输出层开始，将误差沿着网络反向传播，根据误差对各层的权重进行调整，使得误差逐渐减小。这个过程不断重复，直到模型收敛，即误差达到一个可以接受的范围。 优化技术 学习率调整：学习率决定了模型在训练过程中更新权重的步长，常用的学习率调整策略有固定学习率、自适应学习率等。 正则化：为防止模型过拟合，采用 L1 正则化、L2 正则化等方法，在损失函数中添加惩罚项，对模型的复杂度进行约束。 自然语言处理 词法分析 分词：将连续的文本序列分割成一个个单独的词，如将 “我喜欢自然语言处理” 分割为 “我”“喜欢”“自然语言处理” 等词语。 词性标注：对每个词标注其词性，如名词、动词、形容词等。 句法分析 语法结构分析：分析句子的语法结构，确定句子的主语、谓语、宾语等成分，以及它们之间的依存关系。 句法树构建：将句子的语法结构以树形结构表示出来，有助于理解句子的语义和逻辑关系。 语义理解与生成 语义表示：将文本的语义用向量等形式表示出来，使计算机能够理解和处理。如词向量模型 Word2Vec 可以将每个词映射为一个低维向量空间中的向量。 文本生成：根据给定的主题、上下文等信息，生成符合语法和语义规则的自然语言文本，如使用生成式对抗网络（GAN）、变分自编码器（VAE）等模型生成文本。

小组成员：尹施钰承、陈禹锦

使用AI工具：豆包

https://www.doubao.com/chat

选题问题：选题2

问题：请你分析Deepseek的工作过程和背后的工作原理

AI的答案

Deepseek 搜索引擎 工作过程 数据收集：从互联网上的新闻网站、学术期刊、论坛等各种资源中广泛收集数据，涵盖文本、图片、视频等多种形式。 数据处理：对收集到的数据进行去重、分类、索引等处理，使数据有序化，便于后续搜索。 搜索匹配：用户输入搜索关键词后，根据处理后的数据，利用算法进行匹配和排序，找出与关键词相关的结果。 结果呈现：将排序后的搜索结果展示给用户，用户可根据呈现的内容获取所需信息。 工作原理 自然语言处理：利用自然语言处理技术，对用户输入的查询进行分词、词性标注、命名实体识别等分析，以准确把握用户的查询意图。 语义匹配：采用语义匹配算法，计算查询词与数据库中词的相似度，筛选出最相关的结果。 机器学习优化：不断利用机器学习技术训练和调整模型参数，对搜索算法进行优化和改进，提高搜索的准确性和效率。 Deepseek 大语言模型 工作过程 输入处理：用户输入文本或代码片段，通过分词器将其转换为模型可处理的 token 序列，同时进行违法不良信息审核等预处理。 专家选择与推理：模型根据输入内容动态选择合适的专家网络进行处理，例如处理代码生成任务时，DeepSeek-Coder-V2 会选择相应的专家网络。 模型推理：预处理后的数据输入到以 Transformer 为基础的深度神经网络，模型基于注意力机制计算位置重要性权重，依据语言统计规律、知识和对齐要求推理计算，预测下一个最佳词语等，逐步生成文本。 输出处理：生成的文本或代码经审核，确保符合规范要求后，将结果输出返回给用户。 工作原理 基于 Transformer 架构：以 Transformer 架构为基础，利用自注意力机制处理序列数据长距离依赖关系，在自然语言处理等任务中表现出色。 稀疏注意力机制和混合专家模型：采用稀疏注意力机制降低计算复杂度，提高训练和推理效率；引入混合专家模型，将模型划分为多个专家子模型，每个子模型专注不同任务或领域，通过动态选择专家网络提高模型灵活性和效率。 多种训练方法：运用分布式训练、混合精度训练、强化学习与多词元预测、持续学习与微调、人类反馈的强化学习等多种先进训练技术和方法，来训练大语言模型，提升模型性能和表现。

我的思考：

AI从工作流程和Deepseek的构成进行分析，体现了AI思考的方式

戴之哲 袁子扬

选题问题：选题一 如何学好高中物理

使用AI工具：豆包AI

 https://www.doubao.com/chat/

AI的答案：理解核心概念 深入研读概念：高中物理的概念繁多，如电场、磁场、加速度等。对于每个概念，不仅要记住定义，还要理解其内涵、外延及相关条件。例如，学习电场概念时，要深入理解电场强度、电势等物理量的定义及相互关系，通过研读教材、参考资料，将概念的来龙去脉搞清楚。 对比相似概念：采用对比学习法，将容易混淆的概念放在一起对比。如速度和加速度，速度描述的是物体运动的快慢和方向，而加速度描述的是速度变化的快慢和方向；又如，动量和动能，它们都与物体的运动状态有关，但动量是矢量，动能是标量，通过这样的对比，能更清晰地把握每个概念的本质特征。 掌握解题方法 归纳题型：高中物理题题型多样，但具有一定的规律性。比如，运动学问题常涉及追击相遇问题、滑块木板问题等；电场问题常涉及电场力做功、电势差计算等。对每种题型，要总结其常见的解题思路和方法。以追击相遇问题为例，通常需要根据两者的位移关系、速度关系列出方程求解。 一题多解：一道物理题往往有多种解法。如在解决动力学问题时，既可以用牛顿运动定律结合运动学公式求解，也可以利用动能定理、动量定理等能量和动量的观点来解决。通过尝试不同的解法，不仅能加深对物理规律的理解，还能拓宽解题思路，提高解题的灵活性。 巧用数学工具 强化数学基础：高中阶段的物理问题常常涉及到数学知识，如三角函数、函数图像、向量等。要熟练掌握这些数学工具，才能在物理学习中灵活运用。比如，在力的合成与分解问题中，需要运用三角函数来计算力的大小和方向；在运动学中，常利用函数图像来分析物体的运动状态。 建立物理模型与数学方程的联系：将物理问题转化为数学问题是解题的关键。例如，在研究平抛运动时，可将其分解为水平方向的匀速直线运动和竖直方向的自由落体运动，然后根据运动学公式建立数学方程，通过求解方程得到物体的运动轨迹、速度、位移等物理量。 重视实验学习 认真参与实验：亲自动手做实验能让学生更直观地理解物理原理和规律。在实验过程中，要认真操作，仔细观察实验现象，记录实验数据。例如，在探究加速度与力、质量的关系实验中，通过改变力和质量的大小，测量对应的加速度，观察它们之间的变化关系，从而得出牛顿第二定律。 思考实验拓展：做完实验后，要对实验进行深入思考，尝试对实验进行改进和拓展。如在探究动能定理的实验中，可以思考如何减小实验误差，如何改变实验条件来研究其他相关物理量的关系等，这样能加深对实验原理和物理规律的理解，提高实验能力和科学思维能力。 理论联系实际 观察生活现象：高中物理的很多知识在日常生活中都有实际应用。如汽车在转弯时需要向心力，否则容易侧滑，这与圆周运动的知识相关；家里的白炽灯泡发光，涉及到电流的热效应等。通过观察这些现象，能更好地理解物理知识在实际中的应用，增强学习物理的兴趣。 了解科技前沿：关注物理学科在科技领域的最新应用和发展动态，如量子通信、核聚变技术等。这些前沿科技往往是物理知识的高端应用，了解它们能让学生感受到物理学科的魅力和重要性，激发学习物理的动力，也有助于培养学生的科学素养和创新思维。

你对AI回答的思考：详细具体

姓名

郑皓月，石颖

选题问题：

选题1： 尝试使用老师提供的人工智能工具，解决你当下某一个学科的问题。并结合AI的回答分析其主要工作过程，以及如何给出的答案。

使用AI工具：

豆包

AI的答案：

高中生物学科学习存在一定的挑战，但通过一些有效的方法和策略，能够较好地解决学习中遇到的问题，以下是具体建议： 知识理解方面 构建知识框架 以教材为核心梳理：认真研读生物教材，将每一章的大标题、小标题及核心内容进行提炼。例如，必修一《分子与细胞》可按照细胞的组成、结构、功能、生命历程搭建框架，必修二《遗传与进化》可依据遗传的基本规律、分子基础、变异、进化等主题构建体系。 绘制思维导图：以某一核心概念为中心，将相关的知识点以分支的形式展开，用图形、线条和文字将它们之间的逻辑关系清晰地展现出来。如以 “基因” 为中心，可延伸出基因的本质、表达、突变、重组等分支，每个分支还可进一步细化。 巧用类比与联想 生活实例类比：将生物知识与日常生活中的事物进行类比。比如，把人体的免疫系统类比为一支军队，皮肤和黏膜是边防部队，白细胞是作战士兵，抗体是武器，这样能更形象地理解免疫系统的防御功能。 学科知识联想：与其他学科的知识进行联想。在学习光合作用的能量转化时，联系物理中的能量守恒定律，理解光能如何转化为化学能并储存起来；学习细胞的物质运输时，联想化学中的扩散原理，有助于理解自由扩散等现象。 实验辅助理解 亲自动手实验：积极参与学校组织的实验课程，严格按照实验步骤操作，仔细观察实验现象，记录实验数据。如在 “观察植物细胞的有丝分裂” 实验中，通过自己制作装片、观察不同时期细胞的形态，能深刻理解细胞有丝分裂的过程。 分析实验案例：对于一些无法亲自操作的实验，要认真分析教材或资料中的实验案例，理解实验的设计思路、变量控制和结论推导。例如，通过分析孟德尔的豌豆杂交实验，掌握假说 — 演绎法的科学研究方法以及遗传规律的发现过程。 记忆方面 多感官记忆法 视听结合：利用多媒体资源，如生物教学视频、动画等，一边观看一边听讲解，将视觉和听觉结合起来。例如，观看生物进化过程的动画演示，同时听着解说词，能更生动地记住各种生物的进化特征和历程。 动嘴动手：将一些重要的生物知识点编成顺口溜或口诀，大声朗诵或唱出来。如八种必需氨基酸可以记成 “甲携来一本亮色书（甲硫氨酸、缬氨酸、赖氨酸、异亮氨酸、苯丙氨酸、亮氨酸、色氨酸、苏氨酸）”。同时，通过默写、绘制概念图等方式，强化记忆。 定期复习巩固 制定复习计划：根据课程进度和自己的学习情况，制定详细的复习计划。比如，在学习完一个单元后，用周末的时间进行系统复习；在考试前一个月，开始进行全面复习，将重点和难点知识进行多次回顾。 采用间隔复习：不要集中在一段时间内反复记忆，而是将复习时间间隔开来。例如，学习完减数分裂的知识后，在第 1 天、第 3 天、第 7 天、第 15 天分别进行复习，这样可以有效提高记忆的长期保持效果。 利用碎片时间 制作记忆卡片：将生物的概念、公式、易错点等写在卡片上，一面写问题，一面写答案。在排队、坐公交车等碎片时间里，随时拿出来进行自我检测。 听音频资料：下载一些生物知识的音频，如知识点总结、概念讲解等，在上下学路上、睡觉前听，让知识在不经意间进入大脑，加深印象。 解题技巧方面 分析题目类型 选择题技巧：对于选项中出现 “一定”“都”“只” 等绝对化词语的，要特别注意，多数情况下可能是错误的，但也有特殊情况，需要结合所学知识仔细判断。对于一些需要推理的选择题，可以采用排除法，先排除明显错误的选项，再对剩余选项进行分析。 实验题技巧：实验题通常会围绕实验目的、原理、材料、步骤、结果和结论等方面进行考查。要明确实验的自变量、因变量和无关变量，判断实验的对照组和实验组，分析实验步骤的合理性和可行性，以及根据实验结果得出正确的结论。 提取关键信息 标注关键词：在做题时，用铅笔将题目中的关键信息，如限制条件、特定的生物术语、数据等标注出来。例如，在生态题中，看到 “能量传递效率”“环境容纳量” 等关键词，就要立刻联想到相关的知识点和计算公式。 挖掘隐含信息：有些题目中的信息不是直接给出的，需要通过分析和推理才能得出。比如，在遗传题中，给出了亲子代的表现型，可能需要通过性状分离比等信息，推断出亲本的基因型，这就需要对遗传规律有深入的理解，才能挖掘出隐含信息。 建立错题本 分类整理错题：将错题按照知识点、题型等进行分类。比如，可分为细胞代谢类、遗传规律类、生态系统类等，这样便于查找和复习，也能更清楚地了解自己在哪些知识板块和题型上存在问题。 详细分析错因：在整理错题时，要认真分析做错的原因，是因为知识点理解错误、还是解题思路不清晰，或是粗心大意等。例如，对于一道关于光合作用过程的错题，要分析是对光反应和暗反应的场所、物质变化和能量变化等知识点掌握不牢，还是在计算光合速率时没有考虑呼吸作用的影响等。 学习习惯和方法方面 做好预习和复习 有效预习：预习时不仅要通读教材，还要尝试完成教材后的练习题，检验自己的预习效果。对于不理解的内容，做好标记，在课堂上重点听讲。例如，在预习基因表达这部分内容时，尝试自己绘制转录和翻译的过程图，找出难以理解的环节，如密码子的简并性等问题，带着问题去上课。 深度复习：复习时要结合课堂笔记和教材，对知识点进行深入理解和拓展。可以通过做一些课后练习题和拓展题，加深对知识的运用能力。例如，在复习完生态系统的稳定性后，做一些关于生态系统抵抗力稳定性和恢复力稳定性的综合练习题，分析不同生态系统在受到干扰后的恢复情况等。 积极参与课堂 主动思考：在课堂上，紧跟老师的思路，对于老师提出的问题，积极思考，主动回答。不要害怕答错，要把回答问题作为检验自己学习效果和锻炼思维能力的机会。 小组讨论：积极参与小组讨论活动，与同学交流自己的想法和观点，倾听他人的意见。在讨论中，可能会发现自己的思维漏洞和知识盲点，从而更好地完善自己的知识体系。例如，在讨论基因工程的应用时，与同学分享自己所了解的基因工程在农业、医疗等领域的最新成果，拓宽视野。 拓展学习渠道 参加竞赛与活动：如果有条件，参加生物奥赛培训，学习更深入的生物知识，接触一些前沿的研究成果和实验技术，提升自己的生物学素养。同时，参加学校组织的生物兴趣小组、生物实验竞赛等活动，在实践中提高自己的动手能力和创新思维。 利用网络资源：关注一些生物学科的优质网站、微信公众号等，如 “生物谷”“赛先生” 等，及时了解生物科学的最新研究动态和科普知识。还可以在网上观看一些大学的生物课程视频，如中国大学 MOOC 上的生物学课程，对高中生物知识进行拓展和深化。

你对AI回答的思考：

AI的思考实际可行，举的例子贴近教材，可根据要求进行改进

姓名：李平，李雨轩

选题问题：2

使用AI工具：豆包

AI的答案：

工作过程

文本输入与解析：用户输入一段描述性文本，文生图 AI 首先会对文本进行解析。将文本分解为一个个的单词、短语和句子结构，理解其中所包含的语义信息，提取出关键元素，如物体、场景、颜色、动作等。 特征提取与编码：把解析后的文本信息转换为计算机能够理解和处理的向量表示，即特征编码。这些向量包含了文本的语义特征，能够捕捉文本中各种概念之间的关系和上下文信息。 图像生成：基于提取的文本特征向量，AI 模型开始生成图像。模型会根据学习到的文本与图像之间的对应关系，逐步构建图像的各个元素，如确定物体的位置、形状、颜色等，从无到有地生成一幅符合文本描述的图像。 图像优化与调整：对初步生成的图像进行优化和调整，改善图像的质量，如提高分辨率、增强细节、调整色彩等，使生成的图像更加逼真、自然，符合人类的视觉审美。 图像输出：将优化后的图像输出展示给用户，用户可以查看生成的图像是否符合自己的预期，如果不满意，可以调整输入文本再次生成。

技术原理

深度学习架构

Transformer 架构：广泛应用于文生图 AI 中的一种深度学习架构，具有强大的并行计算能力和对长序列数据的处理能力，能够有效地捕捉文本中的长期依赖关系，理解复杂的语义信息。 生成对抗网络（GAN）：由生成器和判别器组成。生成器负责根据输入的噪声和文本特征生成图像，判别器则负责判断生成的图像是真实的还是由生成器生成的假图像。通过两者之间的对抗训练，不断提高生成器生成图像的质量，使其能够生成更加逼真的图像。 变分自编码器（VAE）：可以学习到数据的潜在分布，将文本和图像映射到一个潜在空间中。在生成图像时，从潜在空间中采样并解码为图像，能够生成具有多样性的图像。 注意力机制：帮助模型在生成图像时，根据文本中的不同内容，有针对性地关注不同的区域和特征。比如在生成 “一只猫在草地上追逐蝴蝶” 的图像时，模型能够通过注意力机制，将重点放在 “猫”“草地”“蝴蝶” 等不同元素上，合理地安排它们在图像中的位置和比例，使生成的图像更加准确和合理。 大规模数据集训练：文生图 AI 需要在大规模的文本 - 图像对数据集上进行训练。这些数据集包含了丰富多样的文本描述和对应的图像，模型通过对大量数据的学习，能够发现文本与图像之间的统计规律和映射关系，从而学会根据文本生成相应的图像。 文生图 AI 的工作过程和技术原理涉及到多个领域的知识和技术，通过不断的研究和创新，其生成图像的质量和效果在不断提高，为人们的创意表达和视觉设计等提供了强大的工具。

你对AI回答的思考：AI的回答过程包括了理解问题，检索知识，组织逻辑以及生成回答，所生成的回答逻辑性较强，但有可能会出现一些错误的引用或论述，在使用AI工具时要学会辨别信息真伪

姓名：明阳 林湘云

选题问题：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

使用AI工具：豆包

AI的答案：人工智能应用的主要工作过程一般包括数据收集、数据预处理、模型训练、模型评估、模型部署与应用这几个关键环节，每个环节都有其对应的技术原理，以下是具体介绍：

数据收集

工作过程：从各种来源收集与应用相关的数据，这些来源可以是数据库、文件系统、网络爬虫、传感器等，收集的数据类型包括文本、图像、音频、视频等。 技术原理：利用数据采集工具和技术，如网络爬虫根据网页链接遍历网页获取文本和图片等数据；传感器根据物理原理感知环境中的信息并转换为电信号等数字数据。

数据预处理

工作过程：对收集到的数据进行清理、转换和标注等操作，以提高数据质量，使其适合模型训练。 技术原理 数据清理：通过统计方法或规则引擎检测和处理缺失值、重复值和异常值，如使用均值、中位数等填充缺失值。 数据转换：采用归一化、标准化等方法将数据转换为合适的格式和范围，以加速模型收敛，如将数据映射到 0 到 1 区间。

模型训练

工作过程：选择合适的人工智能模型，如神经网络、决策树、支持向量机等，使用预处理后的数据对模型进行训练，调整模型的参数以最小化损失函数或最大化性能指标。 技术原理 梯度下降：在神经网络等模型中，通过计算损失函数对模型参数的梯度，沿着梯度反方向更新参数，以逐步降低损失，找到最优参数。 反向传播：在多层神经网络中，用于高效计算梯度，将误差从输出层反向传播到输入层，依次更新各层的参数。 随机初始化：随机初始化模型参数，为训练提供一个起始点，避免模型陷入局部最优解。

模型评估

工作过程：使用独立的测试数据集对训练好的模型进行评估，计算模型的准确率、召回率、F1 值、均方误差等性能指标，以衡量模型的泛化能力和性能表现。 技术原理 混淆矩阵：在分类任务中，用于直观展示模型的预测结果与真实标签之间的关系，计算准确率、召回率等指标。 交叉验证：将数据集划分为多个子集，进行多次训练和验证，以更全面地评估模型的性能，减少因数据划分导致的偏差。

模型部署与应用

工作过程：将经过评估的模型部署到生产环境中，与实际的业务系统或应用程序集成，实现对新数据的预测、分类、生成等功能，并持续监控模型的性能，根据需要进行模型更新和优化。 技术原理 容器化技术：如 Docker，将模型及其依赖的环境打包成容器，方便在不同的服务器和环境中部署和运行。 API 接口：通过创建 API 接口，使其他应用程序能够方便地调用模型的预测等功能，实现与其他系统的集成。 监控与反馈机制：利用监控工具收集模型在生产环境中的运行数据，如预测结果、响应时间等，根据预设的阈值和指标触发模型更新流程。

小组成员：杨芮源，马瑞隆

选题问题：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

使用AI工具：豆包

AI的答案：

智能语言模型，如豆包，其背后的技术原理主要依托于大规模的预训练语言模型。 在训练过程中，该模型会采用海量丰富的文本数据作为学习素材。这些数据来源广泛，涵盖了新闻资讯、文学小说、学术研究论文、百科知识内容以及社交媒体上的各种文本等多种领域、体裁和语言风格。借助深度学习算法，尤其是 Transformer 架构来对这些文本进行学习分析。 Transformer 架构具备强大的并行处理能力，能够高效地处理数据，并且对于长序列数据具有出色的建模能力。在学习过程中，它可以精准捕捉文本中词汇之间的语义关联、语法结构以及上下文所蕴含的信息等。通过不断地调整模型自身的参数，使得模型能够根据输入的文本，准确地预测出下一个合适的单词或符号，以此逐步掌握语言的内在规律和知识体系。 当用户向豆包提出问题时，系统首先会对输入的文本进行预处理操作，将其转换为模型能够识别和处理的数字表示形式，比如词向量。随后，模型会依据自身在训练过程中所学习到的知识和模式，对输入的问题进行深入分析和理解。通过一系列复杂的计算和推理过程，预测并生成合适的回答内容。最后，生成的回答会再经过后处理步骤，将数字表示形式转换回自然流畅的自然语言文本，反馈呈现给用户。 此外，为了不断提升模型的性能和回答质量，使其能够更准确、更高效地理解和处理各种类型的问题与任务，还会运用一些优化和改进技术，例如持续进行训练以及针对性的微调等操作。

你对AI回答的思考：

智能语言模型从数据学习到理解推理再到生成答案，背后是前沿技术支撑，科技深邃，要潜心钻研知识

豆包是基于字节跳动的云雀模型，这是一种基于 Transformer 架构的大型语言模型。

Transformer 架构是一种在自然语言处理领域广泛应用且高效的架构，它通过自注意力机制（Self-Attention）来处理输入文本，能够更好地捕捉文本中不同位置之间的语义关系，相比传统的循环神经网络（RNN）和长短期记忆网络（LSTM）等在处理长序列时具有更好的表现和更高的并行计算能力。

接收输入：

输入文本后，系统会首先对输入的文本进行预处理，将其转换为模型能够理解的格式，比如分词等操作，把文本拆分成一个个的词或者子词单元。

理解与分析：

云雀模型会对这些输入的单元进行分析，通过学习到的大量知识和语言模式，理解文本的语义、语法结构、情感倾向等信息。这基于在海量的文本数据上进行训练，模型学习到了各种语言表达方式和语义关联。

生成回答：

根据对输入文本的理解，模型会基于其学到的知识和模式，生成合适的回答。生成过程中会考虑到语言的连贯性、逻辑性以及与输入文本的相关性等因素。

后处理：

生成的回答可能还需要经过一些后处理步骤，比如将模型输出的结果转换为人类可读的自然语言文本形式，进行格式调整等，然后将最终的回答呈现出来。 在训练阶段，通过大量的文本数据和各种训练任务（如语言建模、文本生成、问答等）来优化模型的参数，使得模型能够不断提高对各种语言任务的处理能力和准确性。

人物：徐龚渚 矣泽

选题问题：问题一

关于生物遗传中出现异常分离比的原因

使用AI工具：豆包AI

AI的答案：

基因互作

互补作用：两对独立遗传基因分别处于纯合显性或杂合状态时，共同决定一种性状的发育；当只有一对基因是显性，或两对基因都是隐性时，则表现为另一种性状，导致 F₂代出现 9:7 的性状分离比，而非正常的 9:3:3:1。 累加作用：两种显性基因同时存在时产生一种性状，单独存在时能分别表现相似的性状，两种基因均为隐性时又表现为另一种性状，F₂代表现型比例为 9:6:1。 重叠作用：不同对基因互作时，对表现型产生相同的影响，F₂代产生 15:1 的比例。 抑制作用：在两对独立基因中，其中一对显性基因本身并不控制性状的表现，但对另一对基因的表现有抑制作用，F₂代会出现 13:3 的异常分离比。

致死现象

合子致死：指致死基因在胚胎时期或成体阶段发生作用，从而不能形成活的幼体或个体夭折的现象。若隐性纯合致死，杂合子自交后代会出现 2:1 的分离比；若显性纯合致死，则杂合子自交后代也会出现特殊比例。 配子致死：指致死基因在配子时期发生作用，从而不能形成有活力的配子的现象。比如某种雄配子致死，会使后代的表现型比例发生改变，不再符合正常的分离比。

不完全显性

具有相对性状的纯合亲本杂交后，F₁显现中间类型的现象。例如，红花（AA）与白花（aa）杂交，F₁为粉红花（Aa），F₂代的表现型及比例为红花：粉红花：白花 = 1:2:1，而非 3:1。

复等位基因

一个基因座位存在两个以上的等位基因，这些等位基因互称为复等位基因。如人类的 ABO 血型系统，由 IA、IB、i 三个复等位基因决定，不同基因型组合会产生不同的血型表现型，使血型遗传的分离比表现复杂多样。

细胞质遗传

细胞质中的遗传物质（如线粒体、叶绿体中的 DNA）控制的性状遗传，其特点是母系遗传，即子代的性状只与母本有关，不遵循孟德尔遗传定律的分离比。

环境因素

生物的表现型是基因型和环境共同作用的结果。环境条件的改变可能影响基因的表达，从而导致性状分离比异常。比如，某种植物在不同的温度、光照或土壤酸碱度等环境下，原本应表现出特定分离比的性状可能会出现差异。

你对AI回答的思考：

拥有高度概括能力，回答简要，生成回答速度快，但由于篇幅限制，未能体现问题的完整回答，多处使用例子，较少提及例子背后的原理。

小组成员：李怡凝、赵晨灿

选题问题：选题1： 尝试使用老师提供的人工智能工具，解决你当下某一个学科的问题。并结合AI的回答分析其主要工作过程，以及如何给出的答案。

使用AI工具：豆包

小组成员：高彦梅 姚景然

AI的答案： 内容方面 与原文衔接紧密：仔细研读原文，把握故事的人物、情节、主题和情感基调等要素，使续写部分在人物性格、情节发展等方面与原文自然融合，连贯流畅。比如，如果原文主人公是一个勇敢的人，续写中就不能突然让其变得胆小懦弱，要保持人物性格的一致性。 情节合理创新：在遵循原文逻辑的基础上，展开合理且富有创意的想象，让故事有新的亮点和发展。可以设置一些意外转折，但要在情理之中。例如，在一个关于探险的故事中，续写部分可以是主人公发现了一个神秘的遗迹，但要通过前文的一些线索来为这个发现做铺垫，使其不显得突兀。 主题深度升华：挖掘原文的主题，通过续写进一步深化主题，展现对人生、社会等方面的思考，体现一定的思想深度。比如，原文主题是关于友谊的珍贵，续写可以通过主人公在经历困难后，对友谊有了更深刻的理解和感悟，使主题得到升华。 语言方面 词汇丰富准确：运用丰富多样的词汇来表达思想，避免重复使用简单词汇，适当使用高级词汇和短语。比如，用 “astonished” 代替 “surprised”，用 “in the nick of time” 代替 “just in time” 等。同时，要注意词汇的搭配和用法，确保表达准确无误。 句式灵活多变：使用多种句式结构，如复合句、倒装句、强调句等，增强文章的表现力和节奏感。例如，“Not only did he manage to solve the problem, but also he came up with a creative solution.” 不过要注意句式不能过于复杂晦涩，以免影响表意。 语法规范无误：严格遵守英语语法规则，确保句子结构完整、时态语态正确、主谓一致等。语法错误会严重影响得分，写完后要仔细检查。 写作技巧方面 运用描写手法：通过对人物的外貌、语言、动作、心理等进行细致描写，以及对环境的烘托，使故事更加生动形象，让读者有身临其境之感。比如，“She stared at the letter, her hands trembling slightly, and a mixture of excitement and nervousness filled her eyes.” 合理分段布局：根据情节的发展和内容的层次，合理分段，使文章结构清晰，层次分明。一般来说，每一个新的情节或重要的内容可以分为一段。 检查修改完善：完成续写后，要认真检查拼写、标点符号等错误，同时对语言表达进行润色，看是否有更合适的词汇或表达方式，使文章更加完美。 平时积累方面 多读优秀作品：阅读各种英语故事、小说等，学习他人的写作思路、情节构思、语言表达等技巧，培养语感和英语思维。 多练不同类型：针对各种题材和风格的文章进行续写练习，熟悉不同类型故事的写作方法和技巧，提高自己的应变能力和写作水平。

你对AI回答的思考：对我们所提的问题理解正确，给出的解决方案比较有用

小组成员：蔡楚航 钮一辰

选题问题：尝试使用老师提供的人工智能工具，解决你当下某一个学科的问题。并结合AI的回答分析其主要工作过程，以及如何给出的答案。

提问：怎么证明斐波那契数列

使用AI工具：https://www.doubao.com/chat/

AI的答案：斐波那契数列指的是这样一个数列：0、1、1、2、3、5、8、13、21、34、…… 在数学上，斐波那契数列以如下被以递推的方法定义：，, （，）。证明斐波那契数列通常有以下几种方法：
数学归纳法
基础步骤
当时，，符合斐波那契数列的定义。
当时，，也符合斐波那契数列的定义。
归纳假设：假设对于和时，斐波那契数列的通项公式成立，即，。
归纳证明：当时，根据斐波那契数列的递推定义，。由归纳假设可知，将其代入上式可得，所以当时，通项公式也成立。
矩阵法
斐波那契数列可以用矩阵形式来表示，设矩阵，通过数学归纳法可以证明：
基础步骤
当时，，符合斐波那契数列的定义。
归纳假设：假设当时，成立。
归纳证明：当时，，所以当时也成立。
通项公式法
斐波那契数列的通项公式为。
证明过程：可以通过特征方程的方法来推导这个通项公式。对于斐波那契数列的递推关系，其特征方程为，解这个方程得到两个根，。所以斐波那契数列的通项公式可以表示为，再根据，这两个初始条件，可以确定，，从而得到斐波那契数列的通项公式。将通项公式代入递推公式进行验证，可证明等式成立。

你对AI回答的思考：公式无法复制

写好议论文需要从明确论点、收集论据、搭建结构、运用论证方法、注重语言表达等多个方面下功夫，以下是具体要点： 明确论点 精准审题：认真剖析题目或材料，抓住关键词和关键语句，准确理解命题意图，从而确定写作方向和核心论点。如对于 “论挫折与成长” 的题目，要明确论述的是挫折对成长的作用等相关观点。 论点鲜明：论点应简洁、清晰地表达自己的观点和立场，让读者迅速抓住文章主旨。比如 “实践出真知” 这个论点，就非常明确直接。同时，论点要具有一定的深度和独特性，避免过于浅显或老生常谈。 收集论据 论据真实：确保所使用的论据是真实可靠的，来源于实际生活、历史事件、科学研究等，而非虚构或道听途说。比如引用 “爱迪生经过无数次失败发明电灯” 这一论据，就是真实发生的历史事实。 论据丰富：涵盖不同领域、不同类型的论据，如事实论据、道理论据等，使文章更具说服力。以 “坚持就是胜利” 为论点，可以既举马拉松运动员坚持跑完全程的事实论据，也引用 “锲而不舍，金石可镂” 这样的道理论据。 搭建结构 开头引人入胜：可采用引用名言、讲述故事、设置悬念、提出问题等方式，吸引读者的注意力，引出论点。如写 “谈创新” 的议论文，开头可以引用乔布斯的名言 “创新是苹果的灵魂”，引出对创新重要性的论述。 中间逻辑清晰：一般采用 “总 - 分 - 总” 结构，中间的分论点要围绕中心论点展开，且各分论点之间要有清晰的逻辑关系，如并列关系、递进关系、对比关系等。例如，以 “读书的意义” 为中心论点，分论点可以是 “读书可以增长知识”“读书可以陶冶情操”“读书可以提升素养”，呈并列关系。 结尾总结有力：总结全文，再次强调论点，可适当升华主题，给读者留下深刻的印象和思考空间。如以 “让我们在奋斗中实现人生价值，为社会的进步贡献自己的力量” 结尾，升华了奋斗的意义。 运用论证方法 举例论证：通过列举具体事例来论证论点，使文章更具说服力。例如，为论证 “勤奋出人才”，可以列举王羲之苦练书法，染黑一池水，最终成为大书法家的例子。 道理论证：引用名人名言、定理公式、谚语俗语等进行论证，增强文章的权威性和可信度。如引用爱因斯坦的 “想象力比知识更重要” 来论证想象力的重要性。 对比论证：将正反两方面的观点或事例进行对比，突出论点。如将 “勤奋学习取得好成绩” 和 “懒惰厌学成绩不佳” 进行对比，强调勤奋的重要性。 比喻论证：用人们熟知的事物作比喻来论证论点，使抽象的道理变得生动形象、通俗易懂。如把 “人生” 比作 “一场旅行”，论证要珍惜过程中的风景等观点。 注重语言表达 语言准确：用词要精准，避免出现歧义或用词不当的情况。如 “截止” 和 “截至”“必须” 和 “必需” 等词，要根据语境准确使用。 语言严密：论述过程中要注意逻辑的严密性，避免出现漏洞和自相矛盾的情况。比如在论证 “环境对人的影响” 时，不能忽略个人主观能动性的作用，要全面、严密地进行论述。 语言生动：适当运用修辞手法、引用诗词名句等，使文章语言更加生动形象，富有感染力。如 “诚信是人生道路上的一盏明灯，照亮我们前行的方向”，运用比喻的修辞手法，使语言更生动。

我给出答案与分析的过程大致如下： 理解问题：当接收到用户输入的问题后，我会仔细分析问题的含义、类型和重点，明确用户的具体需求。例如，对于一个关于 “如何写好议论文” 的问题，我会确定这是一个写作方法指导类的问题，需要围绕议论文写作的各个方面进行阐述。 知识检索：在理解问题的基础上，我会从已学习和掌握的大量知识、文本数据中检索与问题相关的信息。这些知识包括各种学科的理论、实际案例、写作技巧、逻辑方法等。比如，针对写议论文的问题，我会提取关于议论文结构、论点、论据、论证方法等方面的知识。 组织内容：根据检索到的相关信息，按照一定的逻辑和结构进行组织和整理。对于复杂的问题，我会将其分解为多个子问题或要点，然后分别进行阐述和说明。在组织关于写好议论文的内容时，我会按照明确论点、收集论据、搭建结构等不同方面来展开，使答案条理清晰。 生成答案：以清晰、简洁、易懂的语言将组织好的内容表达出来，形成完整的答案。在表达过程中，我会尽量使用规范的语言表达，避免模糊或歧义，并根据问题的需要提供适当的解释和说明，帮助用户更好地理解。例如，在解释每个议论文写作要点时，我会举例说明，让用户更直观地理解如何应用这些方法。 检查和优化：对生成的答案进行检查，确保内容准确、逻辑连贯、语言通顺。如果发现有不足之处或可以进一步完善的地方，我会进行优化和改进，使答案更加完善和优质。 通过以上步骤，我努力为用户提供准确、有用且易于理解的答案和分析。

王皓震 杨延钵

选题问题：选题2：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

姓名：郭思言

使用AI工具：豆包

AI的答案：

数据收集与预处理

• 收集海量数据：从广泛的来源收集大量数据，涵盖文本、代码、图像等多种类型，为模型训练提供丰富素材。例如 Deepseek-coder 在 2 万亿 token 上训练，数据集包含 87% 的代码和 13% 的中英文自然语言。
• 数据预处理：对收集到的数据进行清洗、去噪、分词等操作，将文本数据转化为适合模型处理的格式，提高数据质量和后续训练效果。 模型训练
• 预训练：采用 Transformer 架构，基于注意力机制在海量语料数据上进行预训练，学习语言的统计规律和语义信息，捕捉文本中的长期依赖关系，构建基础的语言知识体系。
• 微调与强化学习：通过监督微调（SFT）和人类反馈的强化学习（RLHF）等方法对预训练模型进行进一步优化。如 Deepseek R1 通过 SFT 解决格式缺失和语言混合问题，利用强化学习实现推理能力的提升和泛化。
• 推理与生成 接收用户输入：用户输入文本指令或提示，模型对输入进行编码，转化为模型能够处理的向量表示。
• 推理计算：根据预训练和微调所学到的知识，结合注意力机制等技术，对输入进行推理和计算，预测下一个可能的词语或标记，生成相应的文本内容。
• 结果输出：将生成的文本经过审核和过滤等安全机制处理后，输出给用户，回答用户的问题或完成相关任务。

技术原理

• Transformer 架构：以 Transformer 架构为核心，该架构基于注意力机制，能够并行计算，有效捕捉文本中的长序列依赖关系，提高模型对上下文信息的理解能力，使模型可以更好地处理自然语言中的复杂语义和语法结构。
• 注意力机制：让模型在处理文本时能够动态地关注输入序列的不同部分，根据当前的任务和上下文，自动分配不同位置的注意力权重，从而更准确地理解文本的语义信息，提高生成文本的质量和准确性。
• 混合专家（MoE）模型：如 Deepseek-v2 和 Deepseek-coder-v2 采用了 MoE 架构，将多个专家网络组合在一起，每个专家负责处理特定类型的任务或数据，通过门控机制选择合适的专家进行计算，在提高模型性能的同时，降低了计算成本和参数规模，提高了训练和推理效率。
• 强化学习算法：运用强化学习算法，如 DeepSeek-R1-ZERO 采用的 GRPO 算法，让模型通过与环境的交互学习最优策略，以最大化长期累积奖励。在训练过程中，根据模型输出的结果给予相应的奖励信号，引导模型朝着期望的方向优化。
• 知识蒸馏：将大模型学到的知识迁移到小模型上，使小模型能够获得类似大模型的性能，同时具有更小的体积和更快的推理速度，方便部署和应用。例如 Deepseek 将 80 万条 SFT 数据用于对 Qwen/Llama 系列进行知识蒸馏，得到的 14B 蒸馏模型在多个推理基准上超过了原 32B 模型。

你对AI回答的思考：AI 回答问题便捷高效，能快速整合知识，却在理解情感、把握复杂语境上有所欠缺，难以完全替代人类思维。

选题问题：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

小组成员：赵籽鑫、陈孟峤

使用AI工具：https://www.doubao.com/chat/

AI的答案：数据收集 工作过程：从各种来源收集与任务相关的数据，这些来源可以是网络、传感器、数据库等。数据的形式可以是文本、图像、音频、视频等多种类型。 技术原理：运用网络爬虫技术从网页上抓取数据；利用传感器技术，如摄像头、麦克风等采集物理世界中的图像、声音等数据；通过数据库查询语句从数据库中获取结构化数据。 数据预处理 工作过程：对收集到的数据进行清理、转换和标注等操作，以提高数据质量，使其适合模型训练。 技术原理 数据清理：通过去除重复数据、处理缺失值和异常值来保证数据的完整性和一致性。例如使用均值、中位数等统计方法填充缺失值，基于统计分布或机器学习算法识别并去除异常值。 数据转换：对数据进行标准化、归一化等操作，将数据转换为适合模型输入的格式和范围。如采用 Z-score 标准化方法，将数据映射到均值为 0、标准差为 1 的分布上。 数据标注：对于监督学习任务，需要人工或借助工具为数据添加标签，标注数据的类别、属性等信息，以便模型学习数据与标签之间的映射关系。 模型选择与训练 工作过程：根据任务类型和数据特点选择合适的 AI 模型，并使用预处理后的数据对模型进行训练，调整模型的参数以最小化损失函数。 技术原理 模型架构：如神经网络，由输入层、隐藏层和输出层组成，神经元之间通过权重连接，信息在神经元之间传递和处理。卷积神经网络（CNN）通过卷积层、池化层和全连接层等组件，自动提取图像等数据的特征。循环神经网络（RNN）及其变体长短时记忆网络（LSTM）、门控循环单元（GRU），适用于处理序列数据，能够捕捉数据中的时间依赖关系。 训练算法：常用的是反向传播算法，它基于梯度下降原理，通过计算损失函数对模型参数的梯度，沿着梯度的反方向更新参数，使损失函数逐渐减小，从而让模型的预测结果更接近真实值。为了加速训练过程和避免局部最优，还会使用随机梯度下降（SGD）及其变种 Adagrad、Adadelta、Adam 等优化算法。 模型评估与优化 工作过程：使用测试数据集对训练好的模型进行评估，计算模型的准确率、召回率、F1 值、均方误差等指标，根据评估结果对模型进行优化和调整。 技术原理 评估指标：针对分类任务，准确率是预测正确的样本数与总样本数的比值；召回率是真实正例中被正确预测为正例的比例；F1 值是准确率和召回率的调和平均数。对于回归任务，常用均方误差来衡量预测值与真实值之间的差异。 优化方法：可以通过调整模型的超参数，如学习率、层数、神经元个数等，来改善模型的性能。也可以采用正则化方法，如 L1 和 L2 正则化，防止模型过拟合，提高模型的泛化能力。此外，还可以对数据进行增强，生成更多的训练数据，以增加模型的鲁棒性。 模型部署与应用 工作过程：将经过评估和优化的模型部署到实际生产环境中，与其他系统集成，为用户提供 AI 服务，如智能客服、图像识别、语音助手等。 技术原理：将模型转换为适合特定平台和硬件的格式，如将深度学习模型转换为 ONNX 格式，以便在不同的框架和设备上运行。利用云计算平台和容器技术，如 Docker，将模型部署到服务器上，实现模型的高效运行和管理。通过应用程序接口（API）将模型集成到各种应用程序中，使用户能够通过调用 API 来使用 AI 服务。

你对AI回答的思考：AI 回答问题便捷高效，生成回答速度快，相当优秀

选题问题：人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。（可以使用AI工具进行问答）

使用AI工具：豆包

AI的答案：我主要通过接收用户输入的文本信息，然后基于预训练的模型来理解其中含义并生成回复。当你发送问题后，我的系统会对文本进行解析、语义理解等操作。 背后的技术原理涉及自然语言处理（NLP）领域，包括 Transformer 架构，它能够高效处理序列数据，捕捉文本中的长距离依赖关系；还有注意力机制，帮助模型聚焦关键信息，从而更准确地理解和生成回复。通过大量数据的训练，模型学习到语言模式、语义表达等知识，进而为你提供准确有用的回答。如果你还想了解关于具体技术细节的哪部分内容，都能随时问我。

你对AI回答的思考：AI的回答较为简洁地阐述了工作过程与核心技术原理。优点在于清晰地勾勒出从接收输入到生成回复的大致流程，并且点明 Transformer 架构和注意力机制这两个关键技术概念，让提问者能快速把握主要技术脉络。

提问者：李天赐 白韩瑾宸

选题问题：

人工智能无处不在，尝试选择你生活中的人工智能应用，分析其主要工作过程和背后的技术原理。

使用AI工具：豆包

AI的答案：

• 人工智能的工作过程主要包括数据收集、预处理、模型训练、评估及应用，以下为你简化介绍其过程和背后技术原理：
• 1.数据收集：从网页、传感器等多渠道获取文本、图像等各类数据，如用网络爬虫抓取网页信息，摄像头采集图像。
• 2.数据预处理：清理数据（去噪声、重复值），标注数据（人工或半自动添加标签），进行特征工程（数学变换提取特征），像文本词性标注、图像归一化。
• 3.模型训练：选合适模型（如神经网络、决策树、支持向量机），输入数据调参数学规律。神经网络靠反向传播算梯度更新参数；决策树依信息增益等指标分裂节点；支持向量机找最优超平面分隔数据。
• 4.模型评估：用独立测试集测性能，以准确率、召回率等指标衡量。借助混淆矩阵展示预测对错，用交叉验证防过拟合，全面评估泛化能力。
• 5.模型应用：将经评估的好模型部署到实际场景，新数据预处理后输入模型，模型依所学规律分析处理并输出结果，如智能客服依模型生成回答。

你对AI回答的思考：

方便快捷简单易懂，可根据网络信息解题。

参与者：张健，刀子然

选题问题：选题1： 尝试使用老师提供的人工智能工具，解决你当下某一个学科的问题。并结合AI的回答分析其主要工作过程，以及如何给出的答案。

使用AI工具：豆包https://www.doubao.com/chat

AI的答案：泰勒展开的应用？

泰勒展开在数学、物理、工程等多个领域都有广泛的应用，以下是一些常见的应用场景：

函数近似计算

利用泰勒展开可以将复杂函数转化为多项式函数进行近似计算。例如，在计算机编程中计算三角函数、指数函数等，由于计算机对多项式的计算相对简单高效，可通过泰勒展开取前几项来近似计算这些函数的值。如的泰勒展开式，当在附近时，取前几项就能得到较为精确的近似值。 在计算的某个幂次的近似值时，可根据需要截取一定项数进行计算。

求函数极限

当求某些复杂函数的极限时，直接计算可能很困难，通过泰勒展开将函数转化为更易处理的形式。

级数求和

有些级数的和难以直接计算，但可通过与已知函数的泰勒展开式对比来求解。例如，对于级数，它就是的泰勒展开式，所以当给定的值时，就可利用的值来得到该级数的和。

物理学中的应用

在分析小振动问题时，如单摆的运动，当摆角很小时，可将利用泰勒展开近似为，从而简化运动方程，方便分析和求解。 在量子力学中，对一些复杂的势能函数，常通过泰勒展开在某个平衡点附近将其近似为二次函数等简单形式，以便求解薛定谔方程等问题。

工程学中的应用

在控制系统的分析与设计中，常对非线性系统在工作点附近进行泰勒展开，将其线性化，然后利用线性系统的理论和方法进行分析和设计。 在信号处理中，对于一些非正弦周期信号，可通过傅里叶级数展开（傅里叶级数本质上也是一种函数展开），将其分解为一系列正弦和余弦函数的叠加，便于对信号进行分析、滤波等处理。

你对AI回答的思考：

AI的知识是基于已有的数据和信息，可能存在不完整或过时的情况；对于一些模糊或不确定的问题，可能无法给出准确的答案；在处理复杂的情感和价值观问题时，可能无法完全理解和表达人类的情感和观点。但随着技术的不断发展和改进，AI会不断提高自己的能力和表现，更好地为用户服务。 总之，AI的回答是通过对用户意图的理解、知识的检索与整合、语言的生成和优化等一系列过程产生的，旨在为用户提供有用、准确和清晰的信息。

殷若鸣，董昊轩