第1章
人工智能、大数据与材料科学概论

Artificial Intelligence, Big Data and Materials Science
课程定位：从基本概念进入材料科学应用
学习路径：智能 → 数据 → 算法 → 平台 → 材料研发
本章目标：建立全课程的概念地图与问题意识
@Shiyan Pan
CONTENTS

目录

  • 1.1 人工智能的概念、发展与主要学派
  • 1.2 大数据的 4V 特征与数据驱动科学
  • 1.3 人工智能、大数据、云计算与材料基因工程
  • 1.4 现代 AI 技术谱系：机器学习、深度学习、生成式 AI、AI 代理
  • 1.5 当人工智能遇上材料科学
  • 1.6 AI 发展引发的科学、伦理与安全思考

先建立概念，再讨论方法，最后落到材料案例。
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

从材料问题到 AI 问题

材料研发可抽象为映射关系：

y=f(x)+εy = f(\mathbf{x}) + \varepsilon

其中：

  • x\mathbf{x}：材料成分、工艺参数、结构描述符
  • yy：强度、硬度、韧性、导电率、耐蚀性等性能
  • ff：未知或部分未知的物理规律
  • ε\varepsilon：实验误差、模型误差与随机波动

AI 的作用：用数据近似 ff，并辅助选择更优的 x\mathbf{x}。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

本章关键概念关系

可将本章理解为四个关键词的层次关系：

关键词 核心含义 在材料科学中的对应
数据 对对象和过程的记录 成分、工艺、图像、谱图、文献
模型 对规律的抽象表达 相图、相场、回归模型、神经网络
智能 感知、学习、推理与决策能力 性能预测、缺陷识别、自动优化
平台 数据、算力和模型的运行环境 数据库、云平台、高通量工作流
《人工智能与大数据》 | 第1章

1.1 人工智能的概念、发展与主要学派

本节从三个问题展开：

  1. 什么是智能？
  2. 什么是人工智能？
  3. 人工智能为什么有不同学派？

学习重点：

  • 不把 AI 简化为“聊天机器人”或“神经网络”
  • 从“模拟智能行为”理解 AI 的本质
  • 为后续机器学习、深度学习和 AI 代理建立基础
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

从人类智能到机器智能

人类智能与机器智能并非完全等同。

维度 人类智能 机器智能
信息来源 感官、经验、语言、社会互动 数据、传感器、文本、图像、数据库
学习方式 经验积累、概念理解、迁移 参数优化、模式识别、反馈更新
优势 常识、价值判断、跨情境理解 规模计算、重复执行、统计发现
局限 主观偏差、记忆有限 缺乏真实理解，依赖数据与任务定义
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

弱人工智能、强人工智能与超人工智能

从能力范围看，AI 可分为三个层次：

类型 含义 当前状态
弱人工智能 面向特定任务的智能系统 已广泛应用
强人工智能 具有人类水平的通用智能 尚未实现
超人工智能 在广泛任务中超过人类智能 理论讨论

本课程主要讨论弱人工智能及其材料科学应用。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

图灵测试与行为主义视角

图灵测试提出了一个关键问题：

如果机器在对话中表现得像人，是否可认为它具有智能？

其意义在于：

  • 将“机器能否思考”转化为可观察行为问题
  • 强调智能系统的外部表现
  • 推动自然语言处理和人机交互研究

局限：通过测试并不等同于真正理解。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

人工智能的三大主要学派

人工智能思想路线可概括为三类：

学派 核心思想 典型方法
符号主义 智能来自符号、规则与逻辑推理 专家系统、知识图谱、逻辑推理
连接主义 智能来自神经元连接与参数学习 神经网络、深度学习
行为主义 智能来自环境交互与反馈控制 强化学习、机器人控制

现代 AI 常采用混合路线。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

连接主义：从数据中学习表示

连接主义强调通过大量连接和参数学习实现智能行为。

神经网络的基本形式：

h=σ(Wx+b)\mathbf{h} = \sigma(\mathbf{W}\mathbf{x} + \mathbf{b})

其中：

  • x\mathbf{x}：输入特征
  • W\mathbf{W}、b\mathbf{b}：需要学习的参数
  • σ\sigma：非线性激活函数
  • h\mathbf{h}：中间表示

深度学习是连接主义的重要发展。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

三大学派的互补关系

三大学派并非互相排斥，而是解决不同层次的问题。

  • 符号主义适合表达明确知识和因果规则
  • 连接主义适合处理图像、文本和复杂非线性映射
  • 行为主义适合处理序贯决策和闭环控制

现代材料 AI 常见组合：

物理知识 + 机器学习 + 自动实验反馈

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

1.1 小结

本节形成三个基本认识：

  1. 人工智能是模拟、延伸和扩展人类智能的技术体系。
  2. AI 的发展由逻辑、数据、算力和应用需求共同推动。
  3. 符号主义、连接主义、行为主义分别强调知识、学习和反馈。

下一步问题：

为什么现代 AI 离不开大数据？

《人工智能与大数据》 | 第1章

1.2 大数据的 4V 特征与数据驱动科学

本节回答三个问题：

  1. 什么是大数据？
  2. 大数据为什么不仅仅是“数据量大”？
  3. 数据驱动科学如何改变材料研究？

学习重点：

  • 4V：Volume、Velocity、Variety、Value
  • 数据驱动科学的基本范式
  • 材料数据的特殊性与难点
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

4V 之间的关系

四个 V 共同决定大数据问题的复杂性。

特征 直接问题 对 AI 的要求
Volume 数据太多 高效训练与存储
Velocity 数据太快 在线学习与实时推断
Variety 类型太杂 多模态融合
Value 价值稀疏 特征提取与知识发现

因此，大数据需要 AI；AI 也需要高质量大数据。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

科学研究的四种范式

科学研究范式可概括为四类：

  1. 实验科学：通过实验观察和验证
  2. 理论科学：通过数学模型和机理推导
  3. 计算科学：通过数值模拟求解复杂模型
  4. 数据科学：通过数据学习规律和辅助决策

材料 AI 的关键在于：

将实验、理论、计算和数据有机耦合。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

数据驱动与物理驱动的互补

物理模型通常具有可解释性，但需要理想化假设。

数据模型通常具有灵活性，但依赖数据质量。

可写为：

y=fphysics(x)+fdata(x)+εy = f_{\text{physics}}(\mathbf{x}) + f_{\text{data}}(\mathbf{x}) + \varepsilon

其中：

  • fphysicsf_{\text{physics}} 表示已知物理规律
  • fdataf_{\text{data}} 表示数据学习到的修正项
  • ε\varepsilon 表示未解释误差
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

一个简单例子：强度预测

假设希望预测合金屈服强度：

σy=f(cC,cCr,cNi,T,t,d)+ε\sigma_y = f(c_{\text{C}}, c_{\text{Cr}}, c_{\text{Ni}}, T, t, d) + \varepsilon

其中：

  • cC,cCr,cNic_{\text{C}}, c_{\text{Cr}}, c_{\text{Ni}}：成分变量
  • T,tT, t：热处理温度和时间
  • dd：晶粒尺寸或组织尺度
  • σy\sigma_y：屈服强度

该问题可转化为监督学习中的回归问题。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

1.2 小结

本节形成四点认识：

  1. 大数据不仅是数据量大，还包括高速、多样和价值稀疏。
  2. 数据驱动科学通过数据学习规律，但不能脱离物理解释。
  3. 材料数据具有小样本、多源异构和强物理约束特点。
  4. AI 与大数据结合的关键是从数据中形成可验证的科学判断。

下一步问题：

AI、大数据和云计算如何形成完整技术系统？

《人工智能与大数据》 | 第1章

1.3 人工智能、大数据、云计算与材料基因工程

本节目标：建立技术系统观。

核心问题：

  • AI 负责什么？
  • 大数据负责什么？
  • 云计算负责什么？
  • 材料基因工程为什么需要三者协同？

学习重点：从单一算法理解转向平台化、流程化理解。

第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

AI、大数据与云计算的分工

三者关系可概括为：

技术 主要作用 类比
大数据 提供数据资源 原料
云计算 提供计算与存储能力 工厂与基础设施
人工智能 提供建模、预测和决策能力 加工方法与决策系统

没有数据，AI 难以学习；没有算力，大规模模型难以训练；没有 AI，大数据难以转化为知识。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

材料“四要素”关系

材料科学经典关系：

成分+工艺→组织结构→性能→服役行为\text{成分} + \text{工艺} \rightarrow \text{组织结构} \rightarrow \text{性能} \rightarrow \text{服役行为}

数据化表示：

y=f(c,p,s,e)\mathbf{y} = f(\mathbf{c}, \mathbf{p}, \mathbf{s}, \mathbf{e})

其中：

  • c\mathbf{c}：成分
  • p\mathbf{p}：工艺
  • s\mathbf{s}：组织结构
  • e\mathbf{e}：服役环境
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

从数据库到知识库

数据库主要存储数据，知识库更强调语义关系和证据链。

类型 关注重点 示例
数据库 数据字段与查询 成分、温度、强度表格
知识库 概念、关系与解释 元素—相—性能关系
知识图谱 实体和关系网络 合金—工艺—组织—性能图谱

第 7 章将进一步讨论知识图谱与 RAG。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

技术系统中的角色分工

材料 AI 项目往往需要多角色协同。

角色 主要任务
材料专家 定义问题、解释机制、判断可行性
数据工程人员 数据清洗、数据库与管道构建
算法人员 建模、训练、验证与部署
实验人员 制备、表征、测试与反馈
计算人员 第一性原理、分子动力学、相场等模拟

跨学科协同是材料 AI 的基本特征。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

1.3 小结

本节形成三点认识：

  1. 大数据提供材料数据资源，云计算提供算力平台，AI 提供模型和决策能力。
  2. 材料基因工程强调高通量计算、高通量实验和数据库协同。
  3. 未来材料研发将逐步走向数据—模型—实验—计算的闭环模式。

下一步问题：

现代 AI 技术谱系如何分层理解？

《人工智能与大数据》 | 第1章

1.4 现代 AI 技术谱系

本节建立现代 AI 的层级地图：

  • 机器学习：从数据中学习预测或决策规律
  • 深度学习：用多层神经网络学习复杂表示
  • 生成式 AI：生成文本、图像、结构或方案
  • AI 代理：具备规划、工具调用和反馈执行能力

学习目标：明确它们之间的包含、区别和适用范围。
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

机器学习的基本定义

机器学习研究如何让模型从数据中自动改进性能。

典型目标：

θ∗=arg⁡min⁡θ[1n∑i=1nL(fθ(xi),yi)+λΩ(θ)]\theta^* = \arg\min_{\theta}\left[\frac{1}{n}\sum_{i=1}^{n}L(f_{\theta}(\mathbf{x}_i), y_i) + \lambda \Omega(\theta)\right]

其中：

  • LL：损失函数，衡量预测误差
  • Ω\Omega：正则化项，约束模型复杂度
  • θ\theta：模型参数
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

VAE、GAN 与扩散模型

常见生成模型包括：

模型 基本思想 材料应用示例
VAE 学习潜在变量分布 生成材料结构表示
GAN 生成器与判别器对抗 生成显微组织图像
扩散模型 从噪声逐步去噪生成 生成图像、结构和复杂分布

第 6 章将进一步讨论生成式 AI。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

AI 代理与普通聊天模型的区别

维度 普通聊天模型 AI 代理
任务方式 问答式响应 目标驱动执行
工具使用 可选辅助 核心能力
过程记忆 较弱或会话级 可设计长期记忆
反馈机制 用户反馈为主 自动检查与迭代
输出形式 文本为主 文本、代码、文件、图表、操作结果

AI 代理强调“能做事”，但风险也更高。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

现代 AI 技术谱系总结

可用任务类型理解 AI 技术：

任务 常用技术
预测性能 监督学习、回归模型、神经网络
识别图像 CNN、视觉 Transformer
发现类别 聚类、降维、异常检测
生成方案 生成式 AI、大语言模型
自动优化 贝叶斯优化、强化学习、AI 代理
知识问答 知识图谱、RAG、大语言模型
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

1.4 小结

本节形成四点认识：

  1. 机器学习是从数据中学习规律的核心技术。
  2. 深度学习适合图像、文本和复杂非线性表示。
  3. 生成式 AI 可生成内容，但必须核验。
  4. AI 代理将模型、工具、记忆和反馈结合起来。

下一步问题：

这些技术如何进入材料科学？

《人工智能与大数据》 | 第1章

1.5 当人工智能遇上材料科学

本节将 AI 技术落到材料科学问题。

核心问题：

  • 材料科学有哪些可 AI 化的问题？
  • 如何把材料问题转化为数据和模型问题？
  • AI 对材料研发的真正价值在哪里？

学习重点：材料问题的数据化、特征化和模型化。
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

成分—工艺—组织—性能数据链

材料数据链可写成：

(c,p)→s→y(\mathbf{c}, \mathbf{p}) \rightarrow \mathbf{s} \rightarrow \mathbf{y}

其中：

  • c\mathbf{c}：成分向量
  • p\mathbf{p}：工艺参数向量
  • s\mathbf{s}：组织结构描述符
  • y\mathbf{y}：性能向量

AI 可以分别学习 s=g(c,p)\mathbf{s}=g(\mathbf{c},\mathbf{p}) 与 y=h(s)\mathbf{y}=h(\mathbf{s})。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

案例 6：反向材料设计

正向预测：

y=f(x)\mathbf{y}=f(\mathbf{x})

反向设计：

x∗=arg⁡max⁡x∈XA(x)\mathbf{x}^{*}=\arg\max_{\mathbf{x}\in \mathcal{X}} A(\mathbf{x})

其中：

  • X\mathcal{X}：允许的成分与工艺空间
  • A(x)A(\mathbf{x})：综合目标函数，如强度、韧性、成本和可制造性

反向设计比正向预测更接近工程应用。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

1.5 小结

本节形成三点认识：

  1. 材料 AI 的关键是将材料问题转化为数据、特征、模型和验证问题。
  2. AI 可用于性能预测、组织识别、文献挖掘、高通量筛选和反向设计。
  3. 材料 AI 必须结合物理约束、实验验证和不确定性评估。

下一步问题：

AI 快速发展会带来哪些科学、伦理与安全风险？

《人工智能与大数据》 | 第1章

1.6 AI 发展引发的科学、伦理与安全思考

本节不是技术扩展，而是建立规范意识。

核心问题：

  • AI 结果为什么可能不可靠？
  • 科研中如何正确使用 AI？
  • 数据安全和学术规范如何保障？
  • 材料 AI 是否会带来新的风险？
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

AI 可靠性的首要问题：幻觉

生成式 AI 可能生成看似合理但并不真实的信息。

表现形式：

  • 编造文献和 DOI
  • 混淆材料体系
  • 给出错误公式或单位
  • 生成不可执行代码
  • 过度自信地给出不可靠结论

科研使用原则：

AI 可辅助组织信息，不能替代证据核验。

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

本章知识框架

可将本章压缩为一条主线：

数据记录材料事实，模型学习材料规律，平台支撑规模计算，AI 辅助材料决策。

进一步理解：

  • 没有数据质量，就没有模型可信度
  • 没有物理知识，就难以解释模型结果
  • 没有验证闭环，就难以形成工程价值
  • 没有伦理和安全边界，就难以负责任地使用 AI
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

Python 示例：构造一个材料数据表

下面示例展示如何把材料成分和性能组织为表格数据。

import pandas as pd

data = pd.DataFrame({
    "C":  [0.10, 0.20, 0.30, 0.40, 0.50],
    "Cr": [1.0,  1.5,  2.0,  2.5,  3.0],
    "Ni": [0.5,  0.7,  1.0,  1.2,  1.5],
    "T":  [800,  820,  840,  860,  880],
    "strength": [520, 570, 610, 650, 690]
})
print(data)
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

Python 示例：从数据到模型

使用最简单的线性模型理解监督学习。

import numpy as np
from sklearn.linear_model import LinearRegression

X = data[["C", "Cr", "Ni", "T"]].values
y = data["strength"].values

model = LinearRegression()
model.fit(X, y)

x_new = np.array([[0.35, 2.2, 1.1, 850]])
y_pred = model.predict(x_new)
print("预测强度:", y_pred[0])

模型形式可写为：

y^=b+w1x1+w2x2+⋯+wmxm\hat{y}=b+w_1x_1+w_2x_2+\cdots+w_mx_m

《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

Python 示例：解释模型系数

线性模型可初步观察变量影响方向。

for name, coef in zip(["C", "Cr", "Ni", "T"], model.coef_):
    print(name, coef)
print("截距:", model.intercept_)

注意：

  • 系数不等于真实因果机制
  • 小样本结果不稳定
  • 不同变量单位会影响系数大小
  • 真实材料问题通常需要更多数据和物理约束
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

Python 示例：可视化数据趋势

import matplotlib.pyplot as plt

plt.scatter(data["C"], data["strength"])
plt.xlabel("C content")
plt.ylabel("Strength / MPa")
plt.title("Composition-property relation")
plt.show()

可视化的意义：

  • 检查数据分布
  • 发现异常点
  • 初步判断趋势
  • 辅助解释模型结果
《人工智能与大数据》 | 第1章
第1章 AI概念 大数据 平台 技术谱系 材料应用 可信AI

作业评分参考

项目 分值 要求
数据组织 20 字段清楚，单位明确，无明显错误
可视化 20 图像清晰，坐标与标题完整
模型建立 25 能完成训练和预测
误差分析 15 能报告并解释误差
局限讨论 20 能结合材料背景分析可靠性

鼓励使用真实材料数据，但必须注明来源。

《人工智能与大数据》 | 第1章

结束页

本章关键词：

人工智能、大数据、云计算、材料基因工程、机器学习、深度学习、生成式 AI、AI 代理、材料信息学、可信 AI。

对材料科学而言，AI 的核心价值不是替代科学规律，
而是在复杂数据和巨大设计空间中帮助研究者更快接近可靠答案。