AI 关键技术引入
机器学习 · 深度学习 · 生成式 AI · 大语言模型
一、本讲学习目标（Learning Objectives）
- 分清脉络：能说清机器学习、深度学习、生成式 AI、大语言模型四者的"父子"关系与各自解决的问题。
- 掌握范式：理解监督/无监督/强化学习三种范式，并能把每种范式匹配到一个土木工程场景。
- 理解原理：知道神经网络"怎么学"、CNN/RNN 各自擅长什么、Transformer 自注意力为什么是革命性的。
- 会用新工具：了解推理模型（DeepSeek-R1）、RAG、智能体（Agent）这些 2026 年一线技术如何为工程所用。
- 建立选型思维：面对一个工程问题，能判断"该用哪种 AI 技术、数据够不够、要不要问大模型"。
二、本讲结构与时程（120 分钟）
| 时段 | 内容 | 教学方式 |
|---|---|---|
| 0–10' | 开场：从"能干什么"到"怎么做到"；回顾第1讲三层图景 | 讲授 + 提问 |
| 10–35' | 机器学习：三种范式 + 土木应用；现场演示：用训练好的模型识别一张桥面裂缝照片 | 讲授 + 现场演示 |
| 35–60' | 深度学习：神经网络原理、CNN/RNN、与 ML 的区别 | 讲授 + 类比 |
| 60–80' | 生成式 AI：原理与土木应用（方案生成、工序模拟） | 讲授 + 案例 |
| 80–100' | 大语言模型：Transformer、预训练+微调、RAG、推理模型 | 讲授 + 演示 |
| 100–110' | 【前沿增量】多智能体 Agent（ReAct/MCP）、多模态生成、幻觉与安全 | 前沿更新 |
| 110–115' | 随堂交互测验（5 题） | 交互测验 |
| 115–120' | 小结、作业布置 | 讨论 |
三、知识地图（一图流）
一句话主线：AI 技术是一棵"家族树"——机器学习是树干（让机器从数据里学规律）；深度学习是其中最粗的枝（用多层神经网络自动提特征）；生成式 AI 是深度学习结出的新果（会创造新内容）；大语言模型是生成式 AI 里最耀眼的那个（会读会写会推理）。
展开路径：ML三范式 → DL神经网络 → 生成式AI → LLM/Transformer → 2026前沿：Agent/多模态 → 选型思维
四、正文
4.1 引言：这一讲回答"AI 是怎么做到的"
第1讲建立了"AI 能干什么"的整体认知：识别裂缝、预测荷载、生成方案、对话问答。这一讲往下一层，回答三个问题：① 机器是怎么从数据里"学"出规律的？② 不同技术各擅长什么、边界在哪？③ 2026 年一线的大模型/智能体，工程师该怎么用？
一个重要的开场提醒：工程人学 AI，重点不是背公式、写模型，而是建立"技术地图 + 选型思维"——看到问题，知道该拿哪把钥匙、去哪里找资料、找谁合作。这也是本讲区别于"计算机专业课"的地方。
4.2 机器学习（Machine Learning, ML）：让机器从数据里找规律
定义：机器学习是计算机在数据驱动下自动建立模型、挖掘规律并进行预测或决策的方法。它不是人写死规则（if 裂缝宽度>0.3mm 则……），而是让算法自己从大量样例里归纳规则。
三种范式（务必分清，考试和选型都靠它）：
| 范式 | 训练数据 | 目标 | 土木场景 |
|---|---|---|---|
| 监督学习 Supervised | 带标签（输入+正确答案） | 预测/分类 | 用"荷载+响应"历史数据预测桥梁状态；病害图片分类 |
| 无监督学习 Unsupervised | 无标签 | 发现结构/异常 | 聚类施工监测数据找异常模式；识别"从未见过"的新病害 |
| 强化学习 Reinforcement | 无标签，靠试错+奖励 | 学习最优策略 | 优化施工机械作业路径；智能控制主动减振装置 |
算法地图（知道"工具箱里有什么"）：监督学习里的经典算法——线性回归（连续值预测：造价、沉降）、逻辑回归（二分类：裂缝有无）、决策树/随机森林（可解释性好、表格数据神器：病害等级评定）、支持向量机（SVM）（小样本分类）、K 近邻（按相似度分类）。无监督里的K 均值聚类（把监测数据分群）、孤立森林（异常检测）。工程提醒：当数据是规整表格、量不大、需要向甲方解释时，决策树/随机森林往往比深度学习更实用——因为可解释、训练快、不用 GPU。
一个完整的工作流（以"裂缝分类"为例，课堂要能复述五步）：
- 数据：采集 10000 张带标注的桥面照片（裂缝/完好），划分训练集与测试集。
- 特征或模型：传统 ML 人工提取特征（纹理、灰度方差）；DL 直接喂原始图。
- 训练：算法在训练集上反复调整参数，使预测与标签的误差最小。
- 评估：在"没参与训练"的测试集上检验准确率、召回率——绝不能用训练集数据自夸。
- 部署：模型嵌入巡检系统，无人机照片实时判定，人复核高风险项。
工程人必须会的三个评估指标：模型好不好，不能只看"准确率"。以"裂缝检测"为例——准确率（Accuracy）= 判对的 / 总数；召回率（Recall）= 真有裂缝的里面抓出多少（漏检率越低越好，工程上漏掉一条裂缝可能很严重）；精确率（Precision）= 报警的里面真有多少是裂缝（误报太多会"狼来了"）。工程取舍：检测病害宁可"多报待核"（高召回），也不可"漏报出事"（低召回）——但误报太多又会麻木，所以要按风险定阈值。
无监督学习与强化学习再补两句：无监督学习在土木最典型的用处是异常检测——你根本不知道"坏"长什么样（因为事故罕见），那就让模型学"正常"是什么样的，一旦偏离正常就报警。做法：用历史正常数据训练（如孤立森林、自编码器重建误差），新数据得分偏离即视为异常。强化学习则是"最后才想"的选择——它需要大量的试错（仿真环境里跑几百万步），适合有明确奖励函数且能在电脑里反复模拟的任务，如吊装路径规划、主动减振控制；工程现场无法真试错，必须先在数字仿真里训。
4.3 深度学习（Deep Learning, DL）：神经网络把"特征工程"也学掉了
核心思想：利用多层神经网络自动提取特征，适用于高维、非线性复杂问题。深度学习是机器学习的一个子集，区别在于：传统 ML 需要人手工设计特征（比如"裂缝长度""灰度方差"），而 DL 用一层层神经元自动从原始数据里学出特征。
一个神经元在干什么：每个神经元接收若干输入，各自乘上权重（w）、加偏置（b）、再经过一个"激活函数"输出。所谓"训练"，就是不断调整这些权重，让最终输出逼近真实标签。调整的数学工具叫梯度下降——想象在山谷里找最低点，每次都沿着"最陡的下坡"迈一小步，反复迭代直到误差最小。激活函数（如 ReLU）的作用是引入非线性——没有它，再多层也等价于一层线性变换，学不了复杂规律。
为什么需要"训练集/测试集"分开：模型如果只会在"背过的题"上拿满分，就是过拟合（Overfitting）——把噪声也当规律记下了。工程上过拟合的典型表现：训练集准确率 99%，一到新桥的图就翻车。对策：更多数据、正则化、交叉验证，以及务必用独立测试集评估。
| 典型网络 | 擅长 | 土木应用 |
|---|---|---|
| CNN（卷积神经网络） | 图像/空间特征 | 裂缝识别、材料缺陷检测、点云语义分割 |
| RNN / LSTM（循环网络） | 时间序列 | 传感器数据分析、荷载/变形时序预测 |
| Transformer（注意力） | 序列与全局依赖 | 大模型底座、模态识别、长序列预测 |
CNN 的直观理解：卷积核就像"扫描镜"——一小块一小块地扫过整张图，每一块提取一个局部特征（边缘、角、纹理），池化层把结果压缩降维，全连接层最后做分类。因为"局部扫描 + 共享权重"，CNN 参数少、对图像平移不敏感，特别适合工程病害检测。
案例：隧道施工中，通过深度学习实时分析地质雷达信号，辅助施工安全监控；无人机图像裂缝检测，本质就是 CNN 做目标检测/语义分割。
一句话区分 ML 与 DL：ML 靠人设计特征，DL 靠网络自动提特征——数据越多、问题越复杂，DL 优势越大；但 DL 需要更多数据和算力。
4.4 生成式人工智能（Generative AI）：从"判断"到"创造"
定义：能够通过学习已有数据生成新内容的 AI 技术，包括文本、图像、3D 模型、视频、设计方案等。传统 AI 大多是"判别式"的——给一张图，判断"是不是裂缝"（输出一个标签）；生成式 AI 是"生成式"的——给一句描述，画出一张裂缝图、写出一段方案、生成一种桥型。
| 维度 | 判别式 AI（老一代） | 生成式 AI（新一代） |
|---|---|---|
| 输入→输出 | 数据 → 标签/数值（判断） | 描述/噪声 → 新内容（创造） |
| 典型 | 裂缝分类、荷载预测 | 文生图、文生文、方案生成 |
| 对工程的意义 | 自动化检测与预测 | 设计创意爆发、文档自动生成 |
原理简史（两条技术路线）：
- GAN（生成对抗网络）：让"生成器"和"判别器"两个网络互相博弈——生成器努力造出以假乱真的图，判别器努力分辨真假。互相逼着进步，最终生成器能造出逼真的样本。像"造假者 vs 鉴定师"互相升级。
- 扩散模型（Diffusion）（2020 年代主流，Stable Diffusion 就是它）：先学"把一张清晰图一步步加噪变成噪声"的逆过程，生成时从纯噪声出发，一步步"去噪"还原出清晰的图。像"从一锅混沌的汤里，一步步捞出清晰的图案"。
- 大语言模型：生成文本的生成式 AI（4.5 详述），本质是"预测下一个词"。
应用潜力（土木细分）：① 桥梁结构方案自动生成与优化——给定跨径、荷载、地质约束，批量生成桥型；② 施工工序模拟与可视化——把进度计划变成可视化动画（文本→视频生成）；③ 病害场景增强——为训练检测模型"合成"更多裂缝图片（数据增强）；④ 文档自动化——自动起草施工方案、运维报告、投标文件初稿。优势：大幅提升早期设计创意阶段的效率与多样性——从"人想 3 个方案"到"AI 出 300 个，人挑一个"。
4.5 大语言模型（Large Language Models, LLM）：会读会写会推理的"总工"
概念：基于海量语料和深度神经网络训练的自然语言处理模型，具备理解与生成自然语言的能力。它学的是"人类说过/写过的所有公开文本"，从中学会语言规律与世界常识。
核心技术：
- Transformer 架构：2017 年提出，是当今几乎所有大模型的底座。核心是自注意力机制（Self-Attention）——让模型在理解一个词时，能"同时看到"句子里的所有其他词，并按重要性加权。类比：老工程师审一份图纸，不是只看当前这一行，而是脑子里同时调出相关的规范条文、地质报告、过往案例——自注意力就是让模型学会这种"全局关联"。
- 预训练 + 微调（Pre-training + Fine-tuning）：先在海量通用语料上"预训练"（学会语言和常识），再在专业数据上"微调"（变成工程专家）。类比：先上完大学（预训练），再到设计院实习半年（微调），就成了"会干活的工程师"。
- RLHF（人类反馈强化学习）：2022 年起的关键一步——让人类给模型回答打分/排序，再据此强化训练，使模型"说人话、守规矩、不跑偏"。ChatGPT 之所以好用，RLHF 功不可没。类比：实习结束后，总工逐条点评你的报告，你据此改掉毛病。
- 上下文窗口（Context Window）：模型一次能"同时看到"的文本量。从早期的几千字到 2026 年的几十万字，意味着现在可以把整本规范、整套图纸说明放进一次对话里让模型分析。
2026 关键升级：推理模型（Reasoning Models）——如 DeepSeek-R1、o 系列。它们不再"直接给答案"，而是先思考再作答：把推理过程拆成可见的步骤，遇复杂问题自动"想更久"，数学、逻辑、工程推理能力大幅跃升。工程含义：让大模型做"需要多步推理"的活（复杂计算复核、方案推敲）成为可能。
在土木工程中的应用场景：智能问答（基于行业知识库解答工程师问题）、辅助编写 BIM 模型规则与施工方案说明书、融合传感器数据生成运维报告。配合 RAG（检索增强生成）——先查你的检测报告库和规范库，再作答——可显著降低"胡说"风险。
前沿增量多智能体（Agent）：让大模型"动起来干活"
第1讲已引入智能体概念，本讲补技术细节：Agent 的核心是 ReAct 循环（思考 → 调用工具 → 观察结果 → 再思考），以及 MCP（模型上下文协议）——一个开放标准，让大模型能统一调用外部工具/数据。一个工程 Agent 团队可以是：一个读图纸、一个查规范、一个调有限元软件跑分析，最后汇总报告交工程师确认。这正是第1讲现场演示的 OpenMAIC 背后的原理。
安全红线（务必记住）：大模型会"一本正经地胡说"（幻觉）。工程场景必须 RAG 挂权威知识库 + 规则校验 + 人机复核。AI 打草稿，人做决策。
4.6 【前沿增量】2026：五个值得关注的动向
| 动向 | 内容 | 土木含义 |
|---|---|---|
| 1 推理模型 | DeepSeek-R1 / o 系列，先思考再作答 | 多步推理任务（方案推敲、计算复核）可用大模型 |
| 2 多智能体 | ReAct + MCP，Agent 自主调用工具协同 | 设计/施工/运维专业 Agent 协作，工程智能体平台 |
| 3 多模态生成 | 文本→图像→3D→视频（世界模型） | 概念图秒出、施工动画生成、设计沟通革命 |
| 4 国产大模型落地 | DeepSeek/豆包/GLM 私有化部署 | 数据不出院，规范知识库随叫随到 |
| 5 AI 安全与幻觉 | 可解释性、RAG、人机复核 | 工程红线：AI 结论必须可溯源、可复核 |
文献佐证2024-2026：大模型与智能体的真实进展
| 代表工作 | 干什么 | 对本讲的启示 |
|---|---|---|
| LLM 自主智能体综述 （2024, Frontiers of CS, 引1490） | 系统梳理"大模型+规划+工具+记忆"的智能体范式 | Agent 不是炒作——它是 LLM 工程化的主流方向，且已有权威综述 |
| OpenFOAMGPT （2025, Physics of Fluids） | RAG 大模型智能体驱动 CFD 仿真：读问题→写算例→调软件→解释结果 | "大模型智能体跑工程仿真"已跑通——从问答到"动手算" |
| LLM 多智能体软件工程综述 （2025, ACM TOSEM） | 多个 LLM 智能体分工协作完成复杂任务 | 多智能体协同模式在工程任务中可迁移（设计/施工/运维分工） |
一句话：2024-2026 的大模型研究主线就是"从能聊到能干"——智能体（Agent）让 LLM 真正调工具、做工程任务，这正好印证本讲 4.5 的 ReAct/MCP 与工程落地路径。
4.7 选型思维：面对工程问题，用哪种 AI？
一个简单的决策链（课堂重点练习）：
- 问题要不要预测/判断？——不要 → 大概率不需要 ML，用规则/仿真即可。
- 要判断：有没有带标签的历史数据？——有 → 监督学习（分类/回归）；没有但想找结构/异常 → 无监督学习。
- 数据是图像/序列/复杂高维？——是 → 深度学习（CNN/RNN/Transformer）；简单表格 → 传统 ML（回归/树模型）往往更好用、更省。
- 要"创造"（方案/文本/图）？——是 → 生成式 AI / 大模型。
- 要机器自己学最优策略（控制/路径）？——是 → 强化学习。
工程提醒：多数工程问题，先想"数据从哪来、质量如何"（GIGO），再谈算法。经典 ML（回归/树）在数据少、要求可解释时，常常比深度学习更合适。
两个走一遍的选型实例：
4.8 本讲常见误区（纠偏）
| 误区说法 | 为什么错 | 正确的理解 |
|---|---|---|
| "深度学习什么都比机器学习强" | DL 要更多数据和算力 | 数据少/要可解释时，经典 ML 更合适 |
| "大模型什么都知道，可以直接查规范" | 幻觉 + 规范时效性 | RAG 挂权威库 + 人复核 |
| "无监督学习没标签，没用" | 恰恰能发现未知异常 | 监测数据找"从未见过的模式"就靠它 |
| "生成式 AI 就是聊天/画图" | 低估了工程价值 | 方案生成、工序模拟、文档自动化都是它 |
| "AI 会取代工程师" | 忽略责任与幻觉 | "AI 打草稿、人做决策" |
4.9 情境微实践（可选 · 15 分钟内嵌）
4.10 落地五步法：一个工程 AI 项目怎么从 0 到 1
前面讲了技术，这一小节讲"怎么落地"——工程 AI 项目失败的常见原因不是模型不够强，而是流程走歪了。五步法：
- 定义问题（1 周）：把"我们要智能化"翻译成可度量的任务——"把裂缝检测的漏检率从 X 降到 Y"。没有度量标准的项目，注定扯皮。
- 盘点数据（1-2 周）：数据在哪、什么格式、够不够、有没有标签。这一步不过关，后面全是空中楼阁（GIGO）。
- 选型与基线（1-2 周）：用 4.7 决策链选技术；先做一个"最笨但能跑"的基线（如决策树/简单 CNN），再谈优化。
- 试点验证（2-4 周）：在一条真实业务线上小范围试点，用独立测试集评估，让一线工程师试用反馈——而非拿训练集数据自我感动。
- 部署与迭代：嵌入现有工作流（不是另起炉灶），定人机分工（AI 初筛、人复核），持续用新数据迭代。落地红线：AI 打草稿，人做决策。
五、随堂交互测验（5 题 · 即时反馈）
A. 运行速度更快 B. 从数据中自动归纳规则，而非人写死规则 C. 不需要电脑 D. 只能处理文字
查看答案
A. 监督学习 B. 无监督学习 C. 强化学习 D. 规则引擎
查看答案
A. 纯文本 B. 图像/空间特征 C. 单一数值 D. 数据库记录
查看答案
A. 先上大学再进设计院实习 B. 直接背规范 C. 换一台新电脑 D. 复印图纸
查看答案
A. 多问几次直到答案一致 B. RAG 挂权威知识库 + 人机复核 C. 用最大的模型 D. 完全不用
查看答案
六、课堂讨论题
- 机器学习与深度学习在土木工程中的应用侧重点有哪些不同？请各举一例。
- 如果让你用生成式 AI 改进桥梁设计，你会让它"生成什么"？边界设在哪？
- 推理模型（先思考再作答）对"工程方案推敲"意味着什么？哪些环节你愿意交给它？
- 角色代入：你所在单位只有少量历史监测数据、算力也有限，你会在哪些环节先用传统 ML，哪些才值得上深度学习？
七、课后作业（三选一）
作业 A（选型分析）：选取一个你熟悉的工程问题，用 4.7 的决策链给出"该用哪种 AI、数据要什么、风险在哪"，限 1200 字。
作业 B（动手体验）：用任一国产大模型（DeepSeek/豆包/GLM），让它"基于给定传感器数据判断某桥状态并给出检修建议"，然后把回答改造成"可上会"的版本，记录你用了几轮提问、改了什么。限 1000 字 + 对话截图。
作业 C（PBL 对接 · 推荐）：小组把本讲"选型思维"用到你们的 AI 增强版课程设计上——完成技术选型与数据调研部分（1 页）。
八、双语术语表（本讲）
| 英文术语 | 中文 | 一句话解释 |
|---|---|---|
| Supervised / Unsupervised / Reinforcement Learning | 监督 / 无监督 / 强化学习 | 有标签预测 / 无标签找结构 / 试错学策略 |
| Feature Engineering | 特征工程 | 人工设计特征（传统 ML 的关键手艺） |
| Neural Network | 神经网络 | 多层神经元自动提特征的模型 |
| CNN | 卷积神经网络 | 擅长图像/空间特征 |
| RNN / LSTM | 循环网络 / 长短期记忆 | 擅长时间序列 |
| Transformer / Self-Attention | Transformer / 自注意力 | 大模型底座；全局关联加权 |
| Generative AI | 生成式人工智能 | 学习数据后创造新内容 |
| LLM | 大语言模型 | 海量语料训练的语言模型 |
| Pre-training / Fine-tuning | 预训练 / 微调 | 先学通用再学专业 |
| Reasoning Model | 推理模型 | 先思考再作答（DeepSeek-R1 等） |
| RAG | 检索增强生成 | 先查知识库再作答，降低幻觉 |
| Agent / ReAct / MCP | 智能体 / 推理行动循环 / 模型上下文协议 | 能调用工具自主干活的 AI |
九、延伸阅读与参考
- DeepSeek / 豆包 / GLM 官方文档：推理模型、RAG、Agent 的工程实现。
- THU-MAIC/OpenMAIC：多智能体课堂的 ReAct/MCP 落地实例。
- "3Blue1Brown"神经网络系列视频：零基础理解 DL 的最直观教材（英文，中文字幕）。
- Transformer 原论文《Attention Is All You Need》（2017）——大模型一切的原点。
- AI 在土木工程应用综述（关注 CNN 检测、时序预测、生成式设计章节）。
注：本讲义由教师基于公开资料与工程经验组织，强调体系化认识与选型思维；技术表述以 2026 年 8 月公开资料为准，正式引用前请核对。
十、本讲小结（要点回顾）
- AI 家族树：机器学习 ⊃ 深度学习 ⊃ 生成式 AI ⊃ 大语言模型。
- ML 三范式：监督（预测/分类）、无监督（找结构/异常）、强化（学策略）。
- DL 与 ML 之别：DL 自动提特征，ML 靠人工特征工程。
- CNN 管图像、RNN/LSTM 管时序、Transformer 管全局依赖。
- 生成式 AI 从"判断"走向"创造"：方案、图像、工序、文档。
- LLM = Transformer + 预训练 + 微调；推理模型先思考再作答。
- 工程落地组合拳：RAG + 国产大模型私有化 + 人机复核。
- 选型思维：先问数据，再问任务，后选技术——GIGO 是铁律。
- 安全红线：AI 打草稿，人做决策。
- 下讲预告：智能设计概述——从"会学"到"会设计"。
本讲与课程主线的衔接
本讲为第1讲"智能引擎"补上了技术血肉；第3、4讲将进入"应用场景"中的智能设计与施工，届时你会反复用到本讲的选型思维；第5、6讲的智能运维会用到监督学习（病害识别）、时序模型（预测）、生成式 AI（报告生成）——本讲是后面一切的地基。