人工智能（AI）是一个跨学科的领域，根据不同的分类标准，它可以归属于不同的专业大类。以下将详细探讨人工智能的专业大类归属及其相关课程设置。
人工智能的专业大类归属
工学大类
人工智能通常被归类为工学大类下的电子信息类专业。工学门类下的电子信息类专业包括电子信息工程、电子科学与技术、通信工程、微电子科学与工程、光电信息科学与工程、信息工程、广播电视工程、水声工程、电子封装技术、集成电路设计与集成系统、医学信息工程等专业。
将人工智能归类为工学大类是合理的，因为人工智能技术广泛应用于工程实践，如机器人、自动驾驶和智能制造等领域。这种分类有助于培养学生将人工智能技术应用于实际工程问题的能力。
计算机科学大类
人工智能也是计算机科学大类的一个分支。计算机科学大类的核心课程包括编程语言、数据结构与算法、数据库原理、计算机网络、操作系统等。人工智能与计算机科学有着密切的联系，许多高校将人工智能专业设置在计算机学院或软件学院下。这种设置有助于学生掌握计算机科学的基础知识，同时学习人工智能的专门技能，具有广泛的就业前景。
智能科学与技术大类
随着人工智能技术的飞速发展，一些高校开始设立智能科学与技术专业或学院，将人工智能、大数据、机器人、智能制造等相关专业整合在一起，形成一个新的学科群。智能科学与技术大类的设置注重人工智能的交叉学科特性，培养的是复合型人才，能够从事人工智能相关的研究、开发、应用和管理工作。这种分类有助于培养能够应对复杂人工智能问题的专业人才。
人工智能的核心课程
数学基础
人工智能的核心课程包括高等数学、线性代数、概率论与数理统计等。数学是人工智能的基石，掌握这些基础数学知识对于理解和实现人工智能算法至关重要。
计算机基础
编程语言（如Python、Java、C++）、数据结构与算法、数据库原理等。这些课程为学生提供了必要的计算机科学技术基础，使他们能够编写和优化人工智能程序。
人工智能核心课程
机器学习、深度学习、计算机视觉、自然语言处理、机器人学等。这些课程专注于人工智能的专门领域，帮助学生掌握实现人工智能应用所需的核心技术。
人工智能的跨学科特性
涉及的学科
人工智能是一门综合了计算机科学、控制论、信息论、神经生理学、心理学、语言学、哲学等多种学科互相渗透而发展起来的交叉学科。人工智能的跨学科特性使其能够从多个角度解决复杂问题，推动了其在医疗、金融、教育等领域的广泛应用。
应用领域
人工智能的应用领域包括机器人技术、语言识别、图像识别、自然语言处理、专家系统等。这些应用领域展示了人工智能的广泛影响力和潜力，进一步证明了其作为交叉学科的重要性。
人工智能可以根据不同的分类标准归属于工学大类、计算机科学大类或智能科学与技术大类。其核心课程包括数学基础、计算机基础和人工智能专门课程，同时具有广泛的跨学科特性，涉及多个学科领域。了解这些信息有助于更好地理解人工智能的专业分类和应用前景。
人工智能有哪些新技术？
2025年人工智能领域迎来了多项新技术，这些技术不仅在学术界引起了广泛关注，也在工业界和日常生活中产生了深远的影响。以下是一些值得关注的人工智能新技术：
-
AI4S驱动科学研究范式变革：
- AI4S（人工智能 for Science）正在成为推动科学研究变革的关键力量。多模态大模型将深度融入科研领域，助力科研人员从多维数据中挖掘复杂结构，推动生物医学、气象等多个领域的研究进展。
-
具身智能的协同进化：
- 2025年被视为“具身智能元年”。具身智能技术将在工业场景中得到广泛应用，部分人形机器人也将迎来量产，推动智能制造的快速发展。
-
原生多模态大模型：
- 为解决当前语言和拼接式多模态大模型的局限性，原生多模态技术路线成为新的发展方向。通过在训练阶段对齐视觉、音频等多模态数据，构建原生多模态大模型，实现更高效的AI处理。
-
Scaling Law扩展：
- 基于Scaling Law提升基础模型性能的训练模式正在不断优化。后训练与特定场景的Scaling Law探索持续进行，强化学习作为关键技术，将在发现后训练、推理阶段的Scaling Law中得到更多应用。
-
世界模型加速发布：
- 更注重“因果”推理的世界模型将赋予AI更高级别的认知和推理决策能力，推动其在自动驾驶、机器人控制等领域的深度应用，探索人机交互的新可能。
-
合成数据的催化作用：
- 高质量数据的稀缺性促使合成数据成为大模型发展的重要支撑。合成数据可以降低人工治理和标注成本，缓解数据隐私问题，提升数据多样性，促进大模型的应用落地。
-
推理优化迭代加速：
- 大模型硬件向端侧渗透，算法加速和硬件优化技术持续迭代，双轮驱动加速AI Native应用落地，使大模型能更好地在手机、PC等资源受限设备上运行。
-
Agentic AI重塑产品形态：
- 更通用、自主的智能体将深入工作与生活场景，多智能体系统在应用侧的落地将更加广泛，进一步重塑产品应用形态。
-
AI Super App即将爆发：
- 生成式模型处理能力提升，叠加推理优化、Agent/RAG框架等技术发展，AI超级应用已到爆发前夕，预示着AI应用热度将持续攀升。
-
AI安全治理体系完善：
- 随着大模型的Scaling带来的涌现效应，传统安全防护机制面临挑战。2025年，AI安全治理体系将持续完善，以平衡行业发展和风险管控。
人工智能在医疗领域的应用有哪些具体案例？
人工智能在医疗领域的应用已经取得了显著的进展，涵盖了从辅助诊断到药物研发等多个方面。以下是一些具体的案例：
AI辅助诊断
- 北京儿童医院的AI儿科医生：全国首个“AI儿科医生”上线，能够协助医生获取最新科研成果和权威指南，并帮助诊断和治疗疑难罕见病。该系统结合了300多位专家的临床经验和高质量病历数据，显著提升了诊断效率。
- 北京协和医院的三维步态评估：通过高速摄像机记录患者运动过程，并利用AI系统分析，有效评估神经系统疾病，降低误诊风险。
- 腾讯觅影：其早期食管癌检出率高达90%，通过卷积神经网络（CNN）处理CT、MRI、X光等图像，能够精准识别肿瘤、骨折等异常。
医学影像分析
- DeepSeek大模型的部署：DeepSeek大模型已在多家三甲医院部署，用于辅助诊断、病历质控、医学科研等。例如，深圳大学附属华南医院通过本地化部署DeepSeek-R1，开启了“AI医院”建设新篇章。
- 惠每科技的医疗大模型：在病历质控场景中，能够自动检测病历文书中存在的缺陷，并推送修改意见，提升医疗文书质量。
药物研发
- 晶泰科技的XpeedPlay平台：利用大模型技术超高速生成苗头抗体，显著加速药物研发流程。
- 华为云盘古药物分子大模型：提出全新深度学习网络架构，有效提升药物设计效率。
智能手术与硬件结合
- 上海市第六人民医院的超声断层成像设备：与华中科技大学联合研发的“肌骨超声断层成像”设备，能够识别骨骼、神经、血管等结构，可用于24小时无创血压监测。
- 微创医疗的手术机器人“图迈”：集成AI视觉导航，实现胸腔镜手术自动避让血管，操作精度达0.1毫米。
个性化治疗与健康管理
- 圆心科技的源泉大模型：通过精准画像为患者提供个性化治疗方案，管理药物依从性和疾病康复。
- Virta Health的AI系统：使60%的糖尿病患者实现血糖逆转，通过AI技术优化慢性病管理。
医疗质控与患者服务
- 百度灵医大模型：嵌入200多家医疗机构，辅助临床诊断决策，显著提升诊断准确性和效率。
- AI药品说明书：结合百度文心大模型，为患者提供智能导诊、症状自查等服务，改善就医体验。
人工智能有哪些著名的科学家？
人工智能领域有许多著名的科学家，以下是一些代表性人物及其贡献：
-
朱松纯：
- 身份：北京通用人工智能研究院院长，北京大学讲席教授，清华大学基础科学讲席教授。
- 贡献：在通用人工智能基础、计算机视觉、统计建模与计算、认知科学、机器学习、自主机器人等领域有深入研究。曾获斯隆奖、马尔奖、赫尔姆霍茨奖，两次担任国际计算机视觉与模式识别大会主席。
-
何恺明：
- 身份：美国麻省理工学院电气工程与计算机科学系副教授。
- 贡献：提出了深度残差网络（ResNet），解决了深度神经网络在训练过程中的退化问题，极大地推动了深度学习的发展。其论文引用量在人工智能学界排名第三。
-
李飞飞：
- 身份：斯坦福大学教授，计算机视觉领域的大牛，AI2研究所创始人。
- 贡献：在计算机视觉和认知神经科学方面有杰出贡献，创建了ImageNet数据集，极大地推动了计算机视觉算法的训练和评估。
-
吴恩达：
- 身份：斯坦福大学教授，深度学习权威。
- 贡献：在深度学习领域有重要研究，著有《Large Scale Distributed Deep Networks》，推动了深度学习在工业界的应用。
-
Yann LeCun：
- 身份：Meta首席AI科学家，纽约大学教授。
- 贡献：被誉为“卷积神经网络之父”，开发的卷积神经网络为图像识别和计算机视觉带来了革命性的变化。
-
Geoffrey Hinton：
- 身份：多伦多大学教授，深度学习领域的先驱。
- 贡献：在人工神经网络和深度学习方面有奠基性工作，与Yann LeCun和Yoshua Bengio共同获得了2018年图灵奖。
-
Yoshua Bengio：
- 身份：蒙特利尔大学教授，加拿大蒙特利尔学习算法研究中心（MILA）创始人。
- 贡献：长期专注于人工神经网络和深度学习领域的研究，推动了深度学习在全球范围内的应用和发展。
-
许主洪：
- 身份：阿里巴巴集团副总裁，阿里AI To C业务负责人。
- 贡献：在多模态大模型领域有杰出成就，提出的预训练策略有效降低了模型训练成本，影响了全球大模型研发。
-
Rodney Brooks：
- 身份：麻省理工学院计算机科学与人工智能实验室前主任。
- 贡献：提出行为式机器人架构，反对当时流行的重规划方法，推动了机器人技术的实用化发展。
-
Sebastian Thrun：
- 身份：斯坦福大学教授，谷歌无人车之父。
- 贡献：领导开发了谷歌无人车和街景系统，推动了自动驾驶技术的进步，并创办Udacity推动AI教育平民化。