这一页讲的是人工智能（AI）的不同类型，重点包括虚拟助手、机器学习、人脸识别等应用领域。

这一页讲的是人工智能（AI）的不同类型及其在管理中的应用。图中展示了多个AI应用领域，包括虚拟助手（Virtual Assistant）、机器学习（Machine Learning）、人脸识别（Face Recognition）、用户认证（User Authentication）、自动化（Automation）和决策制定（Decision Making）。这些技术通过AI芯片连接起来，形成一个协作网络。虚拟助手可以通过自然语言处理与用户互动；机器学习用于分析数据并预测趋势；人脸识别则用于安全验证；自动化技术应用于工业生产和流程优化；决策制定系统帮助企业做出更高效的战略选择。这些技术的结合能够提高管理效率，优化资源分配，并促进创新。例如，虚拟助手可以帮助企业处理客户服务，而自动化技术可以减少重复性工作。这些AI技术在现代管理中具有重要意义，帮助企业实现智能化转型。

这一页讲的是学习目标，包括理解 AI artifact 的定义、AI 的不同形式，以及如何比较不同类型的 AI。

这一页讲的是学习目标，主要分为三个方面。首先是理解什么构成了一个“AI artifact”，即人工智能制品的定义和特征。这有助于我们识别哪些技术或系统可以被归类为 AI。其次是学习 AI 的不同“forms and shapes”，也就是人工智能可能呈现的各种形式，比如硬件设备、软件系统或嵌入式解决方案。这部分内容将在研讨会中详细讲解。最后是能够区分不同类型的 AI，并从多个角度比较这些 AI artifact，比如功能、性能或应用场景。这些目标为后续深入学习人工智能的设计与应用奠定了基础。例如，区分一个智能助手和一个自动驾驶系统的核心差异，能够帮助我们更好地理解其技术架构和实际用途。

这一页讲的是课程的主要内容安排，包括 AI artifact、AI定义演变、AI分类及其在商业中的应用。

这一页讲的是课程的主要内容安排，分为五个主题。首先是 AI artifact，讨论人工智能制品与传统信息系统(IS)/信息技术(IT)制品的区别，重点分析 AI artifact 的独特性及其在技术生态中的角色。其次是 AI definitions & how they evolved over time，探讨人工智能的定义如何随着时间演变，特别是在商业和管理环境中的边界和应用范围。第三部分是 Types or classifications of AI，分析不同类型的人工智能及其分类依据，帮助理解为什么需要区分不同类型的 AI。第四部分是 Introduction to 'All about AI in Business Context' assignment，介绍人工智能在具体商业场景中的应用任务，为学生提供实践机会。最后是 Guest lecture，可能邀请外部专家分享实际经验。这些内容共同构成了对人工智能在技术和商业领域的全面探讨。

这一页讲的是 AI artifact 与传统 IT artifact 的区别，重点包括 IT artifact 的定义及其组成元素，以及 AI 实现与传统信息系统实现的不同之处。

这一页讲的是 AI artifact 与传统 IT artifact 的区别。首先，IT artifact 被定义为信息技术（IT）应用于支持或增强任务的工具，其嵌入在特定结构和上下文中。IT artifact 的四个组成元素包括信息技术（information technology）、任务（task）、任务结构（task structure）和任务上下文（task context）。它通常以硬件或软件的形式呈现，便于社会识别。接着提出了一个问题：AI artifact 如何与传统 IT artifact 不同？这涉及 AI 实现（AI implementation）与传统信息系统（IS implementation）的差异，例如 AI 系统可能更复杂、更具适应性，但用户接受度可能受到“AI”标签的影响。幻灯片还鼓励思考用户是否会因为去掉“AI”字样而更积极地接受系统。这些问题与实际案例（医院）相关，帮助理解 AI 在具体领域的应用挑战。

这一页讲的是 IT Artifact 和 AI Artifact 的主要区别。包括中立性、进化方式、用户适应性、学习能力、环境适应性和感知等六个维度。

这一页讲的是 IT Artifact 和 AI Artifact 的主要区别，通过表格对比了两者在六个维度上的不同。表格列出了中立性（Neutrality）、进化方式（Evolution）、用户适应性（Adaptation to users）、学习能力（Learning capabilities）、环境适应性（Adaptation to the environment）和感知（Perception）。例如，在中立性上，IT Artifact 是中立的，而 AI Artifact 则根据用户需求而变化；在进化方式上，IT Artifact 需要人工干预才能进化，而 AI Artifact 可以自主进化；在适应性上，IT Artifact 需要用户主动适应，而 AI Artifact 能主动适应用户需求。此外，AI Artifact 拥有学习能力，可以根据环境进行适应，而 IT Artifact 则没有这些功能。最后，在感知方面，IT Artifact 的设计主要受开发团队兴趣驱动，而 AI Artifact 的感知则随着用户需求随时间变化。这些区别说明 AI Artifact 在智能性和适应性上更具优势，适合复杂动态环境中的应用。

这一页讲的是 AI 在商业与管理中的应用，包括自动化流程、数据分析辅助决策以及客户与员工互动。

这一页讲的是 AI 在商业与管理中的应用，强调从 business capabilities（业务能力）而非技术视角来看 AI 的价值。根据 Davenport 和 Ronanki 的研究，AI 可以支持三个重要的业务需求：第一是 automating business processes（业务流程自动化），例如通过机器人流程自动化（RPA）来减少人工重复性工作；第二是通过数据分析 gaining insight（获取洞察），并 assist with decision-making（辅助决策），例如通过预测分析帮助企业优化库存或市场策略；第三是 engaging with customers and employees（与客户和员工互动），例如通过聊天机器人或个性化推荐提升用户体验。这些能力的结合能显著提高企业效率和竞争力，是现代商业管理的重要方向。

这一页讲的是波特的价值链模型，它分析企业如何通过一系列活动创造价值。主要包括支持活动和主要活动两部分。

这一页讲的是波特的价值链模型（Porter’s Value Chain Model），它是战略管理工具，用于分析企业如何通过一系列过程创造价值并获得竞争优势。模型分为两部分：支持活动（Support Activities）和主要活动（Primary Activities）。支持活动包括公司基础设施（如管理、财务和法律）、人力资源管理（如招聘和培训）、技术开发（如供应链系统和实时销售信息）以及采购（如实时库存和供应商沟通）。这些活动为主要活动提供支持。主要活动包括入库物流（如库存数据和仓库管理）、运营（如标准化流程和实时销售系统）、出库物流（如订单处理和配送）、市场营销与销售（如定价和推广）以及服务（如交付、维修和客户服务）。图表展示了每项活动的具体内容，强调了企业通过自动化业务流程、数据分析辅助决策以及与客户和员工互动来提升价值链的效率。通过这些活动的优化，企业可以实现更高的利润率（Margin）。例如，一个零售企业可以通过优化库存管理和提升客户服务体验来增加价值链的竞争力。

这一页讲的是不同类型的人工智能（AI），包括其能力、技术、结果、智能类型和与人类的互动方式。

这一页讲的是人工智能（AI）的不同类型及其关键特点。首先，AI工具的能力（capabilities）可以是商业能力或类似人类的能力，重点在于它们如何为商业贡献价值或与人类能力进行比较。其次，AI工具使用的技术或算法（technologies/algorithms）是其实现功能的核心，例如机器学习或神经网络。第三，AI工具产生的结果或行动类型（outcome/action），例如推荐系统提供的建议或自动化执行某些任务。第四，AI工具的智能类型（type of intelligence）指其在与人类智能比较时的表现，例如感知、推理或学习能力。最后，AI与人类之间的互动方式（engagement）以及不同AI系统之间的协作方式也是重要的研究方向。这些分类帮助我们理解AI在实际应用中的多样性，例如一个推荐系统可能结合了先进算法和人类交互设计，以提升用户体验。

这一页讲的是人工智能（AI）的四种类型分类及其特点：Reactive、Limited Memory、Theory of Mind 和 Self-Aware。

这一页讲的是人工智能（AI）的分类，分为四种类型：Reactive、Limited Memory、Theory of Mind 和 Self-Aware。Reactive（反应型）AI没有记忆，仅对不同刺激做出反应，例如国际象棋程序只根据当前棋盘状态行动。Limited Memory（有限记忆型）AI使用记忆来学习和改进其反应，例如自动驾驶汽车会通过环境数据和过去经验优化驾驶决策。Theory of Mind（心智理论型）AI能够理解其他智能实体的需求，这代表一种更高级的交互能力，目前仍在研究阶段。Self-Aware（自我意识型）AI具有人类般的智能和自我意识，是未来AI发展的终极目标。幻灯片中的图表和图片展示了这些类型的应用场景，例如棋盘游戏和自动驾驶汽车，直观地帮助理解不同AI类型的功能和潜力。

这一页讲的是区分人工智能（AI）的方法和分类的意义。重点包括分类的适用性以及关注 AI 工具的特性。

这一页讲的是如何区分人工智能（AI）的不同类型，以及分类在不同目的和场景下的重要性。幻灯片指出，不同的分类方法适用于不同的需求或环境，因此在使用 AI 时需要根据具体情况选择合适的分类方式。此外，幻灯片强调，与其将 AI 视为某种固定的“类型”，更重要的是关注 AI 工具的特性（characteristics of AI artifact），以及它如何与特定业务流程相适应。这种方法能够帮助企业在具体应用场景中更好地利用 AI 技术。例如，在一个医疗场景中，AI 的特性可能包括诊断能力和数据处理效率，而在制造业中则可能关注自动化和预测能力。这种基于特性而非类型的思考方式能够更灵活地满足实际需求。

这一页讲的是人工智能（AI）的定义和历史视角。重点在于从历史角度理解AI的起源与发展。

这一页讲的是人工智能（Artificial Intelligence, AI）的定义和历史视角。人工智能是指机器模拟人类智能的能力，包括学习、推理和解决问题。从历史角度看，AI的起源可以追溯到20世纪中期，当时计算机科学家开始探索如何让机器执行复杂任务，例如逻辑推理和语言处理。图中展示了AI技术的应用场景，例如数据处理、自动化、机器人技术等，反映了AI在现代社会的广泛影响。通过回顾AI的发展历史，我们可以更好地理解其技术进步的背景以及未来潜力。例如，早期的AI主要依赖规则和逻辑，而现代AI则更多使用机器学习和深度学习技术。这种历史视角帮助我们认识到AI技术的演变及其对社会的深远影响。

这一页讲的是图灵与机器思维的概念。他提出了著名的问题“机器能思考吗？”以及其在二战中破译密码的贡献。

这一页讲的是图灵（Alan Turing）的贡献以及他在《Computing Machinery and Intelligence》（1950年）中提出的关键问题：“机器能思考吗？”图灵是一位数学家和密码学家，在二战期间通过破解德国的恩尼格玛密码（Enigma code），帮助英国和美国读取敌方的秘密信息，极大地改变了战争进程。他的工作不仅在军事领域意义重大，也为计算机科学奠定了基础。幻灯片中引用了他在论文中的经典问题，这个问题引发了关于人工智能（AI）的哲学和技术讨论。图灵还提出了“图灵测试”（Turing Test），作为评估机器是否具有智能的一种方法。通过让机器与人类进行对话，如果观察者无法区分机器与人类的表现，则可以认为机器具有智能。这一思想对人工智能研究具有深远影响，至今仍是AI领域的重要理论基础。

这一页讲的是图灵测试 (Turing Test)，它是用来评估计算机是否能够表现出类似人类智能的测试。页面还提供了两个相关视频链接以帮助理解。

这一页讲的是图灵测试 (Turing Test)，这是一个由计算机科学家 Alan Turing 提出的测试，用来评估计算机是否能够通过与人类互动表现出类似人类的智能。测试的核心是：如果一个人类评审员在与计算机和人类进行对话后，无法准确判断哪个是计算机，那么计算机就通过了图灵测试。这一测试的重要性在于它是人工智能领域的早期基准之一，帮助定义了机器智能的概念。页面还提供了两个相关视频链接，其中一个解释了图灵测试的定义和背景，另一个探讨了计算机是否能够通过该测试。这些视频可以帮助进一步理解图灵测试的实际应用和意义。

这一页讲的是人工智能 (AI) 与人类智能的不同点。主要讨论两者在处理信息、学习能力以及适应性上的差异。

这一页讲的是人工智能 (AI) 和人类智能的不同之处。人工智能通常基于算法和数据驱动，能够快速处理大量信息并执行特定任务，例如图像识别或语言翻译。相比之下，人类智能具有创造力、情感和直觉，可以在复杂环境中灵活应对未知问题。人工智能擅长重复性任务和精确计算，但缺乏人类的情感理解和社会互动能力。图中的流程图可能展示了人工智能的工作流程，例如数据输入、模型训练和任务执行的步骤，强调其逻辑性和结构化特点。这些差异表明，人工智能虽然在某些领域超越人类，但无法完全替代人类的综合能力。例如，AI 可以快速分析医疗数据，但诊断复杂病例仍需医生的专业判断和经验。

这一页讲的是人工智能在不同领域的表现，分为四种能力：像人类思考、比人类思考更好、像人类行动、比人类行动更好。

这一页讲的是人工智能的能力分类及其应用场景，分为四种主要能力：像人类思考（Thinking like a human）、比人类思考更好（Thinking better than a human）、像人类行动（Acting like a human）、比人类行动更好（Acting better than a human）。第一类“像人类思考”包括自然语言处理（Natural language processing）、计算机视觉（Computer vision）、聊天机器人（Chatbots）和社交机器人（Social bots），这些技术模拟人类的认知能力，例如语言理解和视觉感知。第二类“比人类思考更好”包括无监督学习（Unsupervised machine learning）、强化学习（Reinforcement learning）、监督学习和分析（例如招聘、判刑、健康领域）以及程序生成（Procedural generation），这些技术能够超越人类在数据处理和决策上的效率与精度。第三类“像人类行动”涉及工业机器人（Industrial robots）、消费机器人（Consumer robots）、无人机（Drones）和影响者机器人（Influencer bots），这些技术模仿人类的行动能力。第四类“比人类行动更好”包括机器人流程自动化（Robotic process automation）和自动驾驶车辆（Autonomous vehicles），这些技术在速度和可靠性上远超人类的动作表现。图片展示了这些能力的具体应用场景，例如机器人、无人机和自动化流程，直观地表达了人工智能的多样性和潜力。

这一页讲的是人工智能早期的定义，分为四种视角：像人类思考、像人类行动、理性思考和理性行动。每种视角有具体的定义和学者观点。

这一页讲的是人工智能（AI）早期的定义，分为四个视角：Thinking Humanly（像人类思考）、Thinking Rationally（理性思考）、Acting Humanly（像人类行动）和Acting Rationally（理性行动）。表格中每个视角都引用了相关学者的定义。例如，Thinking Humanly强调让机器像人类一样思考，包括决策、学习等认知活动（如Haugeland, 1985）。Thinking Rationally则关注通过计算模型研究人类的思维过程（如Charniak and McDermott, 1985）。Acting Humanly定义为让机器完成需要人类智能的任务（如Kurzweil, 1990），而Acting Rationally强调通过计算过程模拟和解释智能行为（如Schalkoff, 1990）。这四种视角展示了AI研究的不同侧重点：从模仿人类到追求理性行为。这些定义为AI的理论基础和发展方向提供了重要参考。例如，理性行动的视角直接推动了智能算法的设计与应用。

这一页讲的是人工智能的定义，包括多个来源的描述。重点在于人工智能是通过计算机实现智能行为的科学与工程。

这一页讲的是人工智能（Artificial Intelligence）的定义，引用了多个来源的观点。第一种定义来自 2016 年的《Preparing for the Future of Artificial Intelligence》，将人工智能描述为一种能够表现出通常被认为需要智能的行为的计算机化系统。第二种定义来自 Raphael B. 1976 年的《The Thinking Computer》，认为人工智能是制造机器完成那些如果由人类完成会需要智能的任务的科学。第三种定义由人工智能领域的奠基人之一 John McCarthy 提出，他认为人工智能是制造智能机器的科学与工程，尤其是智能计算机程序的开发。McCarthy 强调，人工智能与使用计算机理解人类智能的任务相关，但它不局限于生物学上可观察的方法。这些定义共同展示了人工智能的核心思想，即通过技术手段实现类似人类智能的行为。

这一页讲的是人工智能 (AI) 的定义，包括智能技术的范围和关键特性。

这一页讲的是人工智能 (AI) 的定义。它将 AI 描述为一系列智能技术 (intelligent technologies)，这些技术包括认知自动化 (cognitive automation)、机器学习 (Machine Learning)、推理 (reasoning)、假设生成与分析 (hypothesis generation and analysis)、自然语言处理 (natural language processing) 和自主系统 (autonomic systems)。这些系统能够自我管理自身的操作和监督的流程。关键特性是这些技术具有适应环境 (adapting to the environment)、更新自身探索方向 (updating their own lines of inquiry) 的能力，同时能够与其他系统或环境进行交互 (interacting)。例如，一个智能家居系统可以根据用户行为调整温度，同时与其他设备协作实现能源优化。这种定义强调了 AI 的动态性和交互性，是理解现代 AI 的重要基础。

这一页讲的是为什么需要更广义的人工智能（AI）定义，重点在于商业背景和技术适应性。

这一页讲的是为什么我们需要更广义的人工智能（AI）定义。首先，这种定义在商业环境中非常重要，因为它帮助评估各种技术的关键特性与能力是否符合商业价值的需求。其次，这种定义试图捕捉技术的一个核心特征，即它们能够随着与环境的交互而发生变化（change and interact）。这使得这种定义可以更容易地适应新兴技术和商业术语的变化。例如，一个AI系统如果能够根据用户行为动态调整推荐算法，就符合这种广义定义的特点。这种定义的重要性在于，它为技术与商业目标之间的匹配提供了框架，同时也能支持技术在快速变化的商业环境中保持灵活性和相关性。

这一页讲的是人工智能（AI）的定义多样性及其技术管理中的独特特性。重点包括理解不同利益相关者对 AI 的看法，以及 AI 工件与传统 IT 工件的差异及其管理影响。

这一页讲的是人工智能（AI）的定义和技术管理中的独特特性。首先，AI 没有一个统一公认的定义，因此在讨论 AI 时，理解不同利益相关者（例如潜在资助者、客户、项目团队成员）的看法非常重要。这有助于在项目沟通和目标设定中避免误解。其次，AI 工件（AI artifact）相比传统的信息系统/信息技术（IS/IT）工件具有独特特性，这些特性对技术管理有重要影响，包括完整的技术生命周期管理。这意味着 AI 工件可能涉及更复杂的开发、部署和维护过程，需要特别关注其动态特性和适应性。例如，AI 系统可能需要持续学习和优化，而传统 IT 系统通常是固定功能的。这些差异对管理者提出了新的挑战，例如如何识别这些特性并制定相应的管理策略。这些内容将在后续课程中进一步讨论。

这一页讲的是 INFOYS 703 课程中的作业介绍，重点是特定商业环境中的人工智能（AI）。

这一页讲的是 INFOYS 703 课程中的作业任务，内容涉及人工智能（AI）在特定商业环境中的应用。幻灯片标题表明这是一个关于 AI 的具体行业或业务场景的研究任务。背景图片展示了与 AI 相关的技术元素，例如芯片、数据分析、机器人等，暗示了 AI 在商业中的多种应用场景，例如自动化生产、数据驱动决策或客户服务优化。这一任务的目标可能是让学生理解如何将 AI 技术与实际业务需求结合，分析其潜在价值和挑战。通过这样的作业，学生可以学会评估 AI 的商业应用场景，探索技术与商业的结合点，从而为未来的职业发展打下基础。

这一页讲的是 AI 初创企业在快速增长的市场中的挑战与机遇。主讲人包括 Matthew Preen 和 Scott Holdaway。

这一页讲的是 AI 初创企业在快速增长的市场中的发展难度和相关现实问题。主讲人是 Matthew Preen，他是 AL 的创始人，将分享关于 2026 年建立 AI 初创企业的实际情况，包括面临的挑战、潜在的机遇以及在 LinkedIn 上看不到的细节。此外，Scott Holdaway 也将参与讲座，他是 AL 的技术顾问，同时是奥克兰大学 AI 硕士课程首届毕业生。这一页的主题旨在帮助听众理解 AI 初创企业在技术和市场快速变化中的复杂性，以及如何抓住机会推动创新。