简介这是一份围绕人工智能发展脉络的PPT课件适用于高校通识课程、企业AI入门培训或自学梳理。课件从1956年达特莫斯会议讲起梳理机器翻译、定理证明、专家系统、深蓝到AlphaGo等标志性节点并对照人机大战案例展示AI从基础研究到实际应用的演进过程同时介绍识别系统、专家系统、医学领域等当前应用以及机器学习、自然语言处理等未来方向与潜在隐患。全篇共21页以图文分点式排版呈现便于演讲汇报时按章节展开。资源为1个pptx文件压缩包大小约910KB内容精炼、信息密度适中已有296人学习。适合需要快速制作人工智能科普或课程汇报素材的读者也可作为备课参考帮助构建从历史到趋势的完整知识框架。1. 做人工智能发展史课件先回答三个问题每年人工智能导论课、人工智能大作业答辩前后都会有人接手一份标题叫“人工智能发展史现状未来展望PPT课件”的共享文件。这类课件所在的目录通常堆着“_最终版”“_改2”之类的历史版本但内容高度相似时间线从图灵测试一路排到最近的大模型新闻页数上百却没几页真讲得完。做这份课件的难度其实不在技术而在三个选择发展史讲哪几条主线现状部分用什么框架才不会半年就过时未来展望怎么写才能区别于新闻合辑。把这三件事想清楚再把素材装进PPT课件里它才不只是能交的大作业而是一份可以反复使用的人工智能基础学习路径地图。这个课题对刚入行的工程师、培训班讲师和兼职助教都适用正因适用面广更值得把结构做扎实。标题里的“现状”两个字最容易被轻视却是决定课件保质期的关键。2. 发展史怎么讲四次范式转移是骨架2.1 从符号主义到预训练大模型四个阶段的历史骨架历史部分最容易写成编年体每页放一个成果和一张照片听众记不住讲的人也只能念稿。常见做法是放弃按年份线性推进改用“范式转移”做骨架把人工智能发展史压缩成四次大的方法切换。每一阶段只需要交代三件事上一个范式卡在哪里、新范式用什么方法绕开卡点、新范式自己留下了什么遗产。第一次范式是符号主义与知识工程。以逻辑推理、专家系统、知识图谱为代表核心假设是“智能可以被符号化”。它在解决受限问题上有效但知识获取成本和规则爆炸让它很快触顶。这次范式留下的东西今天依然可见知识图谱被用在与大模型配合的问答系统里规则引擎仍是银行风控等场景里最可解释的组件。第二次范式是统计学习与浅层模型。HMM、SVM、CRF、LDA 这些名字代表了那个阶段的思路不要手工写规则用统计规律拟合数据。1997 年深蓝战胜卡斯帕罗夫靠的是搜索与评估函数的组合2006 年前后语音识别系统大规模改用统计模型才真正让工业界相信这条路有效。这个范式的遗产是最容易被忽略的传统机器学习管线依然活在搜索排序、推荐系统和风控模型里。第三次范式是深度学习的爆发。CNN 在 2012 年 ImageNet 上把错误率砍掉近一半RNN/LSTM 让序列建模有了新局面2016 年 AlphaGo 让公众第一次感受到强化学习的威力。深度学习解决了手工特征工程的瓶颈但代价是算力和数据需求暴增也把可解释性问题摆到了台面上。第四次范式就是当前正在发生的预训练与生成式大模型核心事件是 2017 年《Attention Is All You Need》发表Transformer 架构统一了文本、图像、语音的处理方式。GPT 系列验证了“预训练加微调”的扩展路径上下文学习和指令微调成了新的基础能力。下面这张表适合直接放进课件的“发展史”章节首页把四次范式用同一套维度对齐阶段代表方法与系统标志性事件在今天还留下什么符号主义与知识工程逻辑推理、专家系统、知识图谱1956 年达特茅斯会议、Cyc 知识库知识图谱、规则引擎可解释性强统计学习与浅层模型HMM、SVM、LDA、CRF1997 年深蓝、2006 年语音识别大规模商用搜索排序、风控、推荐的传统 ML 管线深度学习爆发CNN、RNN/LSTM、GAN2012 年 ImageNet、2016 年 AlphaGoCNN 仍是视觉骨干注意力机制全面崛起预训练与生成式大模型Transformer、自监督、多模态2017 年 Attention、GPT 系列发布上下文学习、指令微调作为基础能力2.2 讲法上一张图胜过十个成就列表每个阶段只配三张视觉素材一个代表性系统的截图、一张输入输出示意、一张当年失败的典型案例。失败案例尤其重要因为范式转移的动机正是上一个范式解决不了的问题。例如符号主义阶段放一张 Cyc 知识库手工录入的截图配合“常识无法穷举”一句话听众立刻明白为什么规则路线会转向统计方法。深度学习阶段放一张 ImageNet 错误率下降曲线比念十篇论文标题都有效。年份不要堆太多。课件里保留每个阶段的起始年份和标志性事件年份即可其余时间信息建议放进备注栏不要出现在正文页面上。历史部分的目标是让听众带走一条“卡点—换路”的逻辑链而不是一串数字。人工智能学习路径的入门者通常记不住 2012 与 2015 的具体差异却很容易记住“人工特征工程太贵所以让网络自己学特征”这句话。3. 现状部分别写成年鉴按能力分类归档3.1 用判别、生成、执行三类归档现状现状章节是课件最容易过时的部分。如果按公司来写每隔两个月就要大改如果按模型名称来写等上讲台时模型可能已经换代。我一般会把现状内容归成三类能力判别式、生成式、执行式。判别式负责分类、检索、排序和异常检测是工业界落地最稳的部分生成式负责文本、图像、音视频和代码生成是当前媒体曝光度最高的部分执行式指智能体相关的能力模型不再只输出内容而是规划步骤、调用工具、执行操作并观察反馈。执行式能力在近两年的课件里权重需要明显提高。这里常被提到的概念是 harness它指模型外围的编排层负责工具注册、上下文组装、动作解析和结果回填。没有 harness大模型只是一台文本生成器有了 harness模型才像一个能完成多步任务的系统。这个区分对做课件的意义很大写现状时不要把智能体等同于聊天模型而要把工具调用、短期记忆、任务规划和合规约束四件事分开讲。cite 课件里放一两张典型的 agent 任务流程图比堆产品截图更禁得起时间考验。另一个值得单独讲的概念是物理 AI。生成式模型处理的对象是数字内容物理 AI 把感知和决策放到真实物理世界自动驾驶、机器人操作、工业质检都是典型场景。现状章节不需要深入算法细节但需要让听众建立“数字智能”和“物理智能”的分层认知否则他们会误以为大模型天然等于机器人的大脑。工业机器人领域强调的传感器融合、时延控制和安全性和语言模型的优化目标并不一致这个边界非常关键。3.2 用评测基准代替“战力比较”现状章节最容易写空的一页是“某某模型能力对比”。这类页面的问题是模型迭代速度快评测数据一经引用就过期榜单分数与真实体验经常脱节。更好的做法是引用稳定的评测基准并注明该基准测量的是什么能力。下面的表可以直接用在课件里基准名称测量维度课件里可用的一句话描述MMLU多领域知识问答衡量模型的知识广度GPQA研究生级科学问答检验推理深度题目由领域专家出HumanEval代码生成让模型根据文档字符串写函数SWE-bench真实 GitHub 问题修复考察工程化交付能力Chatbot Arena人类偏好众包打分反映真实用户体验引用评测分数时必须标注两个信息模型版本和评测日期。例如“GPT-4 在 MMLU 上约为 86%数据截至 2023 年”是可以接受的写法只说“GPT-4 MMLU 86%”则容易误导听众。课件里的现状章节应该附一页“数据截至时间”的说明让每一条数字都有明确的时效边界。这个习惯对 AI 课件的长期复用非常关键半年后再打开文件只需更新首页日期和失效条目而不用整页重写。现状部分的最后一个建议是加一个“能力边界”小节。当前模型在幻觉控制、长程一致性、实时学习能力上依然有明显短板。这个部分反而是整份课件里过时最慢的内容因为边界问题的本质是方法论限制而非工程进度。写边界时可以参考人工智能偏见、认知债务这些话题让听众意识到模型不是万能的使用者的判断力依然是系统的一部分。4. 未来展望的三种写法与课件落点4.1 写法一从技术推演出发给预测加依赖条件未来展望的章节最容易写成鸡汤或者科幻。避免这两个极端的方法是把每个预测都改成条件句“如果推理成本继续下降那么端侧模型会在 X 场景普及。”条件句的好处是它具备可证伪性也方便听众事后修正。课件里的未来展望可以用三层结构技术推演、应用半径、风险与边界每层给出两到三个具体预测点。技术推演层面可以讨论 scaling law 是否真的遇到天花板、数据墙如何缓解、推理阶段的计算投入会不会超过预训练投入。这些议题都有公开讨论和实证数据支撑课件里只需要呈现双方观点不需要站队。好的做法是画两条曲线一条是模型参数量与性能的关系另一条是边际收益递减的示意让听众自己得出结论。这里可能有争议但展示争议本身就是这一章的授课目标。4.2 写法二从应用半径讲而不是从岗位讲很多课件喜欢写“AI 将取代 XX 职业”这个表述既粗糙又容易引发恐慌。更稳妥的框架是人机协作半径的变化哪些任务被完全自动化、哪些任务变成人类监督、哪些任务被增强。人工智能训练师这类新角色的出现本身就是这种变化的体现。课件里可以放一个二维表格横轴是任务复杂度纵轴是容错要求把典型岗位任务放进去直观展示哪些位置最容易被重新定义。未来展望三种写法的课件落点对比写法观众容易记住的点风险课件落点技术推演型缩放定律、数据墙、推理成本术语门槛高两张趋势示意图应用半径型人机协作而非取代容易写成行业盘点一张任务分布矩阵图风险边界型可解释性、可靠性、认知债务容易讲成警告大会三到五个案例照片加一句话4.3 写法三把风险写进展望把展望写回历史风险与边界是未来展望中少有的“永远不会过时”的内容但写成“AI 有风险”就失败了。课件里应该具体化信息茧房如何被生成式推荐强化、自动化决策的问责链条如何断裂、长期使用 AI 辅助写作导致的认知债务积累。这里的责任不是概念的搬运而是引用具体的论文或案例。每页风险内容必须有真实数据或事件支撑否则就是在讲观点而不是讲知识。一个有价值的小技巧把未来展望章节的最后一项内容和第 2 章的发展史首尾呼应。例如课件结尾放一句话“历史不是走向终点的直线而是不断重新定义起点。”这句话不需要单独解释配合发展史章节的时间线图听众会自己形成闭环。这种写法不需要花哨的动画只需要保证两页视觉元素一致即可。5. 用 python-pptx 把 AI 史课件做成可维护工程5.1 最小生成脚本从大纲到 PPT 骨架课件写到后期更合理的做法是维护一份大纲文本再把它批量生成 pptx 文件。python-pptx 是完成这件事最方便的库安装一行命令就够了pip install python-pptx生成一个带标题与正文的页面只需要少量代码。下面这段脚本可以当成课件的脚手架from pptx import Presentation from pptx.util import Inches, Pt prs Presentation() # 空演示文稿后续再用模板调整视觉 def add_title_slide(prs: Presentation, title: str, subtitle: str) - None: 添加封面页使用布局 0居中标题布局 slide prs.slides.add_slide(prs.slide_layouts[0]) slide.shapes.title.text title slide.placeholders[1].text subtitle def add_bullet_slide(prs: Presentation, title: str, bullets: list[str]) - None: 添加标题与内容页使用布局 1标题加正文 slide prs.slides.add_slide(prs.slide_layouts[1]) slide.shapes.title.text title body slide.placeholders[1].text_frame body.text bullets[0] for line in bullets[1:]: paragraph body.add_paragraph() paragraph.text line paragraph.level 0 # 0 表示一级文本1 表示缩进一级 add_title_slide(prs, 人工智能发展史现状未来展望, 课件骨架由大纲自动生成) sections { 发展史四次范式转移: [ 符号主义与知识工程卡在知识获取, 统计学习数据替代规则, 深度学习特征自动学习, 预训练大模型上下文学习成为基础能力, ], 现状按能力分类: [ 判别式分类、检索、排序, 生成式文本、图像、代码, 执行式智能体与工具调用 harness, 评测基准必须标注版本与时间, ], 未来展望条件式预测: [ 技术推演数据墙与推理成本, 应用半径人机协作重新分工, 风险边界可解释性与认知债务, ], } for title, bullets in sections.items(): add_bullet_slide(prs, title, bullets) prs.save(ai_history_outline.pptx)这段代码有几个值得留意的细节。prs.slide_layouts[0]和[1]是 python-pptx 内置模板的默认布局不同环境可能不同placeholders[1]是否可写取决于布局里是否有副标题占位符。body.text bullets[0]利用了 text_frame 的第一个段落而不是新建第二段这能避免生成一个空行。paragraph.level控制缩进层级如果课件里需要二级子弹把值改为 1 即可。生成的ai_history_outline.pptx已经能被 PowerPoint 或 WPS 打开。这个文件的作用不是替代人工排版而是让课件骨架稳定可复现。当未来展望章节需要增补新观点时改大纲文本重新跑一遍脚本几秒钟就得到新版骨架不用在演示文稿里逐页复制粘贴。5.2 在现有模板上运行并顺手设置字体与备注更实际的用法是把脚本改成“读取模板在已有样式上插入页”这样可以保留公司或学校的统一视觉。做法是把Presentation()替换成Presentation(template.pptx)再用prs.slides.add_slide(prs.slide_layouts[1])插入新页。注意一个细节如果模板里最常见的版式是第 2 个或第 3 个布局而你在脚本里写死了[1]运行时不会报错但页面样式可能不对调试时要先打印一下布局名。字体和备注是课件的两个加分项。字体统一可以用一个循环批量处理备注则直接写到“演讲者备注”区域方便讲课时只开演示者视图def apply_font(prs: Presentation, size: int) - None: 统一设置所有正文段落的字号 for slide in prs.slides: for shape in slide.shapes: if shape.has_text_frame: for paragraph in shape.text_frame.paragraphs: for run in paragraph.runs: run.font.size Pt(size) slide prs.slides[1] slide.notes_slide.notes_text_frame.text 提示这里放这段对应的讲授词参数说明Pt(size)表示字号单位是磅size18就意味着正文是 18 磅字notes_slide属性第一次读到时会在后台自动创建备注页不需要额外初始化。如果用Inches调整图片或文本框位置单位是英寸而不是像素常见多显示器环境下建议把画布尺寸固定为 16:9避免放映时投影被拉伸。这个脚本方式的附加价值是把“课件”和“讲稿”合成一套工程。讲稿写在备注里大纲写在 Python 字典里历史数据放在表格里。下次学校或者公司需要把这份人工智能 PPT 课件转成培训手册时只需写一小段解析代码从同一个数据源直接导出 Word 或 PDF. 维护一份而不是维护三份长期来看节省的时间非常可观。6. 演示前必做的三个检查与一门小技巧6.1 放映前按检查表过一遍课件内容完成后演示环节有三个高频问题值得提前处理超时、链接失效、字体变形。超时问题靠排练计时解决PowerPoint 的“幻灯片放映—排练计时”功能会记录每页停留时间之后用“放映—使用计时”验证一轮如果某页用时超过计划的 30%最好直接砍素材而不是缩短讲解语速。链接失效主要出现在引用的评测基准、图片出处和案例来源上课件里凡是有 URL 的地方放映前都要重新点一遍因为演讲稿里的链接经常因为跳转中间页而卡壳。字体变形常出现在跨设备演示时解决方案是把用到的字体嵌入文件或者把关键图表转成图片再放进页面。6.2 一门小技巧用“模拟追问”替代试讲最后一门技巧适用于所有课件但对“未来展望”这种主观性强的章节尤其有效不要自己对着屏幕把每一页讲一遍找一位没听过你课件的人把内容讲给他听然后记录他提出的问题。演讲稿的短板通常不是讲的人感觉到卡壳的地方而是听的人追问“这个图是什么意思”“这两个概念是什么关系”的位置。把这些问题记在对应页的备注栏里然后针对每一条补一个解释或改一个视觉元素。这个迭代过程重复两轮课件质量通常就会有明显改进。补解释时优先考虑加一张图而不是加文字因为追问的背后往往是抽象概念没有被直觉化图表比文字更能解决这个问题。本文还有配套的精品资源点击获取 AI发展史课件制作：关键范式、现状框架与未来展望
简介这是一份围绕人工智能发展脉络的PPT课件适用于高校通识课程、企业AI入门培训或自学梳理。课件从1956年达特莫斯会议讲起梳理机器翻译、定理证明、专家系统、深蓝到AlphaGo等标志性节点并对照人机大战案例展示AI从基础研究到实际应用的演进过程同时介绍识别系统、专家系统、医学领域等当前应用以及机器学习、自然语言处理等未来方向与潜在隐患。全篇共21页以图文分点式排版呈现便于演讲汇报时按章节展开。资源为1个pptx文件压缩包大小约910KB内容精炼、信息密度适中已有296人学习。适合需要快速制作人工智能科普或课程汇报素材的读者也可作为备课参考帮助构建从历史到趋势的完整知识框架。1. 做人工智能发展史课件先回答三个问题每年人工智能导论课、人工智能大作业答辩前后都会有人接手一份标题叫“人工智能发展史现状未来展望PPT课件”的共享文件。这类课件所在的目录通常堆着“_最终版”“_改2”之类的历史版本但内容高度相似时间线从图灵测试一路排到最近的大模型新闻页数上百却没几页真讲得完。做这份课件的难度其实不在技术而在三个选择发展史讲哪几条主线现状部分用什么框架才不会半年就过时未来展望怎么写才能区别于新闻合辑。把这三件事想清楚再把素材装进PPT课件里它才不只是能交的大作业而是一份可以反复使用的人工智能基础学习路径地图。这个课题对刚入行的工程师、培训班讲师和兼职助教都适用正因适用面广更值得把结构做扎实。标题里的“现状”两个字最容易被轻视却是决定课件保质期的关键。2. 发展史怎么讲四次范式转移是骨架2.1 从符号主义到预训练大模型四个阶段的历史骨架历史部分最容易写成编年体每页放一个成果和一张照片听众记不住讲的人也只能念稿。常见做法是放弃按年份线性推进改用“范式转移”做骨架把人工智能发展史压缩成四次大的方法切换。每一阶段只需要交代三件事上一个范式卡在哪里、新范式用什么方法绕开卡点、新范式自己留下了什么遗产。第一次范式是符号主义与知识工程。以逻辑推理、专家系统、知识图谱为代表核心假设是“智能可以被符号化”。它在解决受限问题上有效但知识获取成本和规则爆炸让它很快触顶。这次范式留下的东西今天依然可见知识图谱被用在与大模型配合的问答系统里规则引擎仍是银行风控等场景里最可解释的组件。第二次范式是统计学习与浅层模型。HMM、SVM、CRF、LDA 这些名字代表了那个阶段的思路不要手工写规则用统计规律拟合数据。1997 年深蓝战胜卡斯帕罗夫靠的是搜索与评估函数的组合2006 年前后语音识别系统大规模改用统计模型才真正让工业界相信这条路有效。这个范式的遗产是最容易被忽略的传统机器学习管线依然活在搜索排序、推荐系统和风控模型里。第三次范式是深度学习的爆发。CNN 在 2012 年 ImageNet 上把错误率砍掉近一半RNN/LSTM 让序列建模有了新局面2016 年 AlphaGo 让公众第一次感受到强化学习的威力。深度学习解决了手工特征工程的瓶颈但代价是算力和数据需求暴增也把可解释性问题摆到了台面上。第四次范式就是当前正在发生的预训练与生成式大模型核心事件是 2017 年《Attention Is All You Need》发表Transformer 架构统一了文本、图像、语音的处理方式。GPT 系列验证了“预训练加微调”的扩展路径上下文学习和指令微调成了新的基础能力。下面这张表适合直接放进课件的“发展史”章节首页把四次范式用同一套维度对齐阶段代表方法与系统标志性事件在今天还留下什么符号主义与知识工程逻辑推理、专家系统、知识图谱1956 年达特茅斯会议、Cyc 知识库知识图谱、规则引擎可解释性强统计学习与浅层模型HMM、SVM、LDA、CRF1997 年深蓝、2006 年语音识别大规模商用搜索排序、风控、推荐的传统 ML 管线深度学习爆发CNN、RNN/LSTM、GAN2012 年 ImageNet、2016 年 AlphaGoCNN 仍是视觉骨干注意力机制全面崛起预训练与生成式大模型Transformer、自监督、多模态2017 年 Attention、GPT 系列发布上下文学习、指令微调作为基础能力2.2 讲法上一张图胜过十个成就列表每个阶段只配三张视觉素材一个代表性系统的截图、一张输入输出示意、一张当年失败的典型案例。失败案例尤其重要因为范式转移的动机正是上一个范式解决不了的问题。例如符号主义阶段放一张 Cyc 知识库手工录入的截图配合“常识无法穷举”一句话听众立刻明白为什么规则路线会转向统计方法。深度学习阶段放一张 ImageNet 错误率下降曲线比念十篇论文标题都有效。年份不要堆太多。课件里保留每个阶段的起始年份和标志性事件年份即可其余时间信息建议放进备注栏不要出现在正文页面上。历史部分的目标是让听众带走一条“卡点—换路”的逻辑链而不是一串数字。人工智能学习路径的入门者通常记不住 2012 与 2015 的具体差异却很容易记住“人工特征工程太贵所以让网络自己学特征”这句话。3. 现状部分别写成年鉴按能力分类归档3.1 用判别、生成、执行三类归档现状现状章节是课件最容易过时的部分。如果按公司来写每隔两个月就要大改如果按模型名称来写等上讲台时模型可能已经换代。我一般会把现状内容归成三类能力判别式、生成式、执行式。判别式负责分类、检索、排序和异常检测是工业界落地最稳的部分生成式负责文本、图像、音视频和代码生成是当前媒体曝光度最高的部分执行式指智能体相关的能力模型不再只输出内容而是规划步骤、调用工具、执行操作并观察反馈。执行式能力在近两年的课件里权重需要明显提高。这里常被提到的概念是 harness它指模型外围的编排层负责工具注册、上下文组装、动作解析和结果回填。没有 harness大模型只是一台文本生成器有了 harness模型才像一个能完成多步任务的系统。这个区分对做课件的意义很大写现状时不要把智能体等同于聊天模型而要把工具调用、短期记忆、任务规划和合规约束四件事分开讲。cite 课件里放一两张典型的 agent 任务流程图比堆产品截图更禁得起时间考验。另一个值得单独讲的概念是物理 AI。生成式模型处理的对象是数字内容物理 AI 把感知和决策放到真实物理世界自动驾驶、机器人操作、工业质检都是典型场景。现状章节不需要深入算法细节但需要让听众建立“数字智能”和“物理智能”的分层认知否则他们会误以为大模型天然等于机器人的大脑。工业机器人领域强调的传感器融合、时延控制和安全性和语言模型的优化目标并不一致这个边界非常关键。3.2 用评测基准代替“战力比较”现状章节最容易写空的一页是“某某模型能力对比”。这类页面的问题是模型迭代速度快评测数据一经引用就过期榜单分数与真实体验经常脱节。更好的做法是引用稳定的评测基准并注明该基准测量的是什么能力。下面的表可以直接用在课件里基准名称测量维度课件里可用的一句话描述MMLU多领域知识问答衡量模型的知识广度GPQA研究生级科学问答检验推理深度题目由领域专家出HumanEval代码生成让模型根据文档字符串写函数SWE-bench真实 GitHub 问题修复考察工程化交付能力Chatbot Arena人类偏好众包打分反映真实用户体验引用评测分数时必须标注两个信息模型版本和评测日期。例如“GPT-4 在 MMLU 上约为 86%数据截至 2023 年”是可以接受的写法只说“GPT-4 MMLU 86%”则容易误导听众。课件里的现状章节应该附一页“数据截至时间”的说明让每一条数字都有明确的时效边界。这个习惯对 AI 课件的长期复用非常关键半年后再打开文件只需更新首页日期和失效条目而不用整页重写。现状部分的最后一个建议是加一个“能力边界”小节。当前模型在幻觉控制、长程一致性、实时学习能力上依然有明显短板。这个部分反而是整份课件里过时最慢的内容因为边界问题的本质是方法论限制而非工程进度。写边界时可以参考人工智能偏见、认知债务这些话题让听众意识到模型不是万能的使用者的判断力依然是系统的一部分。4. 未来展望的三种写法与课件落点4.1 写法一从技术推演出发给预测加依赖条件未来展望的章节最容易写成鸡汤或者科幻。避免这两个极端的方法是把每个预测都改成条件句“如果推理成本继续下降那么端侧模型会在 X 场景普及。”条件句的好处是它具备可证伪性也方便听众事后修正。课件里的未来展望可以用三层结构技术推演、应用半径、风险与边界每层给出两到三个具体预测点。技术推演层面可以讨论 scaling law 是否真的遇到天花板、数据墙如何缓解、推理阶段的计算投入会不会超过预训练投入。这些议题都有公开讨论和实证数据支撑课件里只需要呈现双方观点不需要站队。好的做法是画两条曲线一条是模型参数量与性能的关系另一条是边际收益递减的示意让听众自己得出结论。这里可能有争议但展示争议本身就是这一章的授课目标。4.2 写法二从应用半径讲而不是从岗位讲很多课件喜欢写“AI 将取代 XX 职业”这个表述既粗糙又容易引发恐慌。更稳妥的框架是人机协作半径的变化哪些任务被完全自动化、哪些任务变成人类监督、哪些任务被增强。人工智能训练师这类新角色的出现本身就是这种变化的体现。课件里可以放一个二维表格横轴是任务复杂度纵轴是容错要求把典型岗位任务放进去直观展示哪些位置最容易被重新定义。未来展望三种写法的课件落点对比写法观众容易记住的点风险课件落点技术推演型缩放定律、数据墙、推理成本术语门槛高两张趋势示意图应用半径型人机协作而非取代容易写成行业盘点一张任务分布矩阵图风险边界型可解释性、可靠性、认知债务容易讲成警告大会三到五个案例照片加一句话4.3 写法三把风险写进展望把展望写回历史风险与边界是未来展望中少有的“永远不会过时”的内容但写成“AI 有风险”就失败了。课件里应该具体化信息茧房如何被生成式推荐强化、自动化决策的问责链条如何断裂、长期使用 AI 辅助写作导致的认知债务积累。这里的责任不是概念的搬运而是引用具体的论文或案例。每页风险内容必须有真实数据或事件支撑否则就是在讲观点而不是讲知识。一个有价值的小技巧把未来展望章节的最后一项内容和第 2 章的发展史首尾呼应。例如课件结尾放一句话“历史不是走向终点的直线而是不断重新定义起点。”这句话不需要单独解释配合发展史章节的时间线图听众会自己形成闭环。这种写法不需要花哨的动画只需要保证两页视觉元素一致即可。5. 用 python-pptx 把 AI 史课件做成可维护工程5.1 最小生成脚本从大纲到 PPT 骨架课件写到后期更合理的做法是维护一份大纲文本再把它批量生成 pptx 文件。python-pptx 是完成这件事最方便的库安装一行命令就够了pip install python-pptx生成一个带标题与正文的页面只需要少量代码。下面这段脚本可以当成课件的脚手架from pptx import Presentation from pptx.util import Inches, Pt prs Presentation() # 空演示文稿后续再用模板调整视觉 def add_title_slide(prs: Presentation, title: str, subtitle: str) - None: 添加封面页使用布局 0居中标题布局 slide prs.slides.add_slide(prs.slide_layouts[0]) slide.shapes.title.text title slide.placeholders[1].text subtitle def add_bullet_slide(prs: Presentation, title: str, bullets: list[str]) - None: 添加标题与内容页使用布局 1标题加正文 slide prs.slides.add_slide(prs.slide_layouts[1]) slide.shapes.title.text title body slide.placeholders[1].text_frame body.text bullets[0] for line in bullets[1:]: paragraph body.add_paragraph() paragraph.text line paragraph.level 0 # 0 表示一级文本1 表示缩进一级 add_title_slide(prs, 人工智能发展史现状未来展望, 课件骨架由大纲自动生成) sections { 发展史四次范式转移: [ 符号主义与知识工程卡在知识获取, 统计学习数据替代规则, 深度学习特征自动学习, 预训练大模型上下文学习成为基础能力, ], 现状按能力分类: [ 判别式分类、检索、排序, 生成式文本、图像、代码, 执行式智能体与工具调用 harness, 评测基准必须标注版本与时间, ], 未来展望条件式预测: [ 技术推演数据墙与推理成本, 应用半径人机协作重新分工, 风险边界可解释性与认知债务, ], } for title, bullets in sections.items(): add_bullet_slide(prs, title, bullets) prs.save(ai_history_outline.pptx)这段代码有几个值得留意的细节。prs.slide_layouts[0]和[1]是 python-pptx 内置模板的默认布局不同环境可能不同placeholders[1]是否可写取决于布局里是否有副标题占位符。body.text bullets[0]利用了 text_frame 的第一个段落而不是新建第二段这能避免生成一个空行。paragraph.level控制缩进层级如果课件里需要二级子弹把值改为 1 即可。生成的ai_history_outline.pptx已经能被 PowerPoint 或 WPS 打开。这个文件的作用不是替代人工排版而是让课件骨架稳定可复现。当未来展望章节需要增补新观点时改大纲文本重新跑一遍脚本几秒钟就得到新版骨架不用在演示文稿里逐页复制粘贴。5.2 在现有模板上运行并顺手设置字体与备注更实际的用法是把脚本改成“读取模板在已有样式上插入页”这样可以保留公司或学校的统一视觉。做法是把Presentation()替换成Presentation(template.pptx)再用prs.slides.add_slide(prs.slide_layouts[1])插入新页。注意一个细节如果模板里最常见的版式是第 2 个或第 3 个布局而你在脚本里写死了[1]运行时不会报错但页面样式可能不对调试时要先打印一下布局名。字体和备注是课件的两个加分项。字体统一可以用一个循环批量处理备注则直接写到“演讲者备注”区域方便讲课时只开演示者视图def apply_font(prs: Presentation, size: int) - None: 统一设置所有正文段落的字号 for slide in prs.slides: for shape in slide.shapes: if shape.has_text_frame: for paragraph in shape.text_frame.paragraphs: for run in paragraph.runs: run.font.size Pt(size) slide prs.slides[1] slide.notes_slide.notes_text_frame.text 提示这里放这段对应的讲授词参数说明Pt(size)表示字号单位是磅size18就意味着正文是 18 磅字notes_slide属性第一次读到时会在后台自动创建备注页不需要额外初始化。如果用Inches调整图片或文本框位置单位是英寸而不是像素常见多显示器环境下建议把画布尺寸固定为 16:9避免放映时投影被拉伸。这个脚本方式的附加价值是把“课件”和“讲稿”合成一套工程。讲稿写在备注里大纲写在 Python 字典里历史数据放在表格里。下次学校或者公司需要把这份人工智能 PPT 课件转成培训手册时只需写一小段解析代码从同一个数据源直接导出 Word 或 PDF. 维护一份而不是维护三份长期来看节省的时间非常可观。6. 演示前必做的三个检查与一门小技巧6.1 放映前按检查表过一遍课件内容完成后演示环节有三个高频问题值得提前处理超时、链接失效、字体变形。超时问题靠排练计时解决PowerPoint 的“幻灯片放映—排练计时”功能会记录每页停留时间之后用“放映—使用计时”验证一轮如果某页用时超过计划的 30%最好直接砍素材而不是缩短讲解语速。链接失效主要出现在引用的评测基准、图片出处和案例来源上课件里凡是有 URL 的地方放映前都要重新点一遍因为演讲稿里的链接经常因为跳转中间页而卡壳。字体变形常出现在跨设备演示时解决方案是把用到的字体嵌入文件或者把关键图表转成图片再放进页面。6.2 一门小技巧用“模拟追问”替代试讲最后一门技巧适用于所有课件但对“未来展望”这种主观性强的章节尤其有效不要自己对着屏幕把每一页讲一遍找一位没听过你课件的人把内容讲给他听然后记录他提出的问题。演讲稿的短板通常不是讲的人感觉到卡壳的地方而是听的人追问“这个图是什么意思”“这两个概念是什么关系”的位置。把这些问题记在对应页的备注栏里然后针对每一条补一个解释或改一个视觉元素。这个迭代过程重复两轮课件质量通常就会有明显改进。补解释时优先考虑加一张图而不是加文字因为追问的背后往往是抽象概念没有被直觉化图表比文字更能解决这个问题。本文还有配套的精品资源点击获取