第一节课：人工智能是什么？AI、机器学习、深度学习和神经网络之间有什么区别？
假设你正在研究一种析氢电催化剂。为了提高性能，你尝试改变金属组成、合成温度和处理时间，随后测量不同样品的电化学性能。
随着实验增加，你逐渐积累了一张数据表：每一行代表一个样品，每一列记录一种信息，例如组成、结构、电解液条件以及测试结果。
现在，你面临一个实际问题：能不能利用已有实验，帮助判断下一批应该优先制备哪些样品？
人工智能可以参与解决这类问题。但在使用它之前，我们首先需要弄清楚：人工智能究竟是什么？它与机器学习、神经网络和深度学习有什么关系？
这节课从这些最基本的问题开始。
1．人工智能：让计算机具备完成某类任务的能力
人工智能的英文是 Artificial Intelligence，简称AI。
它研究如何让计算机系统完成通常需要感知、推理、学习、规划或决策的任务。
例如，识别显微图像中的结构、判断实验记录是否异常、预测一种材料的性能，或者帮助安排下一轮实验，都可以成为人工智能研究的任务。
这里需要注意：“人工智能”描述的是一个广泛的研究领域，不能把它理解为某一个软件或者某一种算法。
“算法”可以先理解为完成任务的一套明确步骤。例如，根据一组测量值计算平均数，也需要按照一定步骤进行。
不过，普通计算不必都叫人工智能。
假设电流为 \(0.02\ \mathrm{A}\)，电极面积为 \(2\ \mathrm{cm^2}\)，按照公式计算电流密度：
\[ j=\frac{I}{A}=\frac{0.02}{2}=0.01\ \mathrm{A/cm^2} \]
其中，\(j\) 是电流密度，\(I\) 是电流，\(A\) 是电极面积。
这只是按照已知公式完成计算。计算机没有从数据中学习任何新规则。
因此，使用计算机不等于使用人工智能，使用Python也不等于使用人工智能。Python是一种编程语言，既能完成普通计算，也能实现人工智能方法。
2．机器学习：让数据帮助确定规则
机器学习的英文是 Machine Learning，简称ML。它是人工智能中的一类方法。
理解机器学习，可以先比较两种解决问题的方式。
第一种方式是由研究者直接写规则。例如：
“如果某个描述符处于指定区间，就给出较高的活性预测；否则给出较低的预测。”
规则由人提前确定，计算机负责执行。
第二种方式是提供已有记录，让计算机通过这些记录确定模型中的数值，再用得到的模型预测其他样品。
这种利用数据确定或改进预测规则的过程，就是机器学习的基本思想。关于机器学习从经验中改善任务表现的讨论，可参考 Jordan与Mitchell发表于Science的综述。
但是，“让计算机学习”并不意味着研究者什么都不用做。
研究者仍然需要决定：预测什么、使用哪些数据、怎样表示材料、选择什么模型，以及如何检查预测是否可靠。
例如，“预测催化剂性能”还不是一个足够明确的任务。你需要进一步说明：
- 研究的是析氢、析氧，还是其他反应？
- 预测的是过电位、交换电流密度，还是产物选择性？
- 电解液、温度和测试方法是什么？
- 模型准备预测同类样品，还是完全不同的材料体系？
机器学习需要清楚的问题定义，才能产生有意义的结果。
3．理解机器学习，先认识几个基本词语
我们仍然以电催化性能预测为例。
样本是一条按照明确规则组织的记录。它可以代表一个样品，也可以代表一次实验工况，但必须提前说明。
同一个材料在十个电位下得到十个测量点，不等于拥有十种相互独立的材料。
特征是提供给模型的输入信息。例如，材料组成、粒径、局部配位、电解液浓度和温度，都可能成为特征。
标签是希望模型预测的答案。例如，你想预测固定电流密度下的过电位，那么这个过电位就是目标标签。
模型是把输入信息转化为预测结果的数学规则。
参数是模型内部需要确定的数值。
利用训练数据确定参数的过程叫作训练；参数确定后，对输入计算结果叫作预测。
最后，还需要使用适当独立的数据检查模型，这叫作验证或评估。
可以把整个过程理解为：
\[ \text{已有数据} \longrightarrow \text{确定模型参数} \longrightarrow \text{预测新样本} \longrightarrow \text{检查预测误差} \]
其中最容易被忽略的是最后一步。
模型能够输出一个数字，不代表这个数字值得相信。
4．神经网络：机器学习中一类可学习的数学模型
神经网络的英文是 Neural Network，简称NN。本课程讨论的是人工神经网络。
它由许多简单的计算单元连接而成。每个单元接收输入，对输入进行计算，再把结果传给其他单元。
我们先看一个最简单的计算单元：
\[ z=w_1x_1+w_2x_2+b \]
这个公式可以逐项理解：
- \(x_1、x_2\)：两个输入数值。
- \(w_1、w_2\)：两个权重，决定输入怎样影响计算结果。
- \(b\)：偏置，是一个额外的调整量。
- \(z\)：加权相加后得到的中间结果。
为了只关注运算，先假设这些数值都没有单位。
取：
\[ x_1=2,\quad x_2=1,\quad w_1=0.5,\quad w_2=-1,\quad b=1 \]
代入可得：
\[ z=0.5\times2+(-1)\times1+1=1 \]
接下来，计算单元通常还会对 \(z\) 做一次变换：
\[ a=\sigma(z) \]
其中，\(\sigma\) 表示一个变换规则，叫作激活函数；\(a\) 是该单元的输出。
例如，可以采用“负数变成0，非负数保持不变”的规则。这个规则称为ReLU。因为刚才得到的 \(z=1\)，所以输出仍然是1。
今天不需要记住更多激活函数。你只需要理解：神经网络由许多可以调整内部参数的计算单元组成。
训练神经网络，就是利用数据调整这些权重、偏置等参数，使预测误差按照指定目标减小。
神经网络受生物神经系统启发，但它不是对人脑的准确复制，也不能因为名字里有“神经”，就认为它理解了化学机理。
5．深度学习：通过多层网络学习数据表示
深度学习的英文是 Deep Learning，简称DL。
它主要利用多层神经网络，逐层学习数据的表示。
“表示”是什么意思？
同一块催化剂，可以用不同方式描述：材料名称、元素比例、一组结构参数、一张显微图像，或者一条光谱。这些都是计算机接触材料信息的方式。
对于一张图像，多层网络可以逐步把原始像素转化为有助于完成任务的内部信息。这种逐层学习表示的思想，是深度学习的重要特点。LeCun等人在Nature的综述对此作了系统介绍。
但不能直接断言：“这一层一定代表缺陷，那一层一定代表活性位点。”这样的解释需要证据。
网络更深，也不意味着预测一定更好。样本较少时，复杂网络可能只是记住已有记录中的偶然变化，在新材料上表现很差。
因此，是否使用深度学习，应由问题、数据和验证结果决定。
6．四个概念之间究竟是什么关系？
可以用下面这张表区分：
| 概念 | 它主要说明什么？ |
|---|---|
| 人工智能 | 计算机系统要完成什么感知、推理、学习或决策任务 |
| 机器学习 | 怎样利用数据确定或改进模型 |
| 神经网络 | 使用哪一类数学模型 |
| 深度学习 | 怎样通过多层神经网络学习数据表示 |
在本课程采用的常见语境中：
人工智能包含机器学习；机器学习包含神经网络等多种方法；深度学习主要使用多层神经网络。
所以，神经网络不一定是深度学习，机器学习也不一定使用神经网络。
例如，线性回归和决策树也可以用于机器学习。你现在只需要知道它们是其他模型的名称，后续课程会从基础讲起。
图1是本课采用的现代神经网络语境：AI包含ML；ML中有神经网络，也有许多非神经网络方法；深度学习主要位于多层神经网络范围内。神经网络不一定深，机器学习不一定用神经网络，AI也不一定使用机器学习。不要画成“AI→ML→DL→NN”四个严格依次包含的圆。
7．把概念放回真实电催化研究
2007年，Jaramillo等研究了二硫化钼，也就是MoS₂的析氢活性。他们结合结构表征和电化学测量，发现其研究样品中的活性与边缘位点数量相关。文献信息见原论文机构记录。
这是一项结构与活性关系研究，并不是本课已经复现的机器学习成果。
但它能启发一个值得检验的问题：
如果把边缘位点信息加入模型，能否比只使用材料总面积更好地预测同类样品的活性？
这时，边缘位点信息可以成为候选特征，明确条件下的活性可以成为标签。
不过，还必须考虑其他因素，例如电解液、载量、导电支撑和测试电位。如果这些因素同时变化，就不能把全部活性差异归因于边缘位点。
这说明，AI方法必须围绕电催化问题组织。输入什么数据，比使用一个听起来高级的算法名称更重要。
8．第一次学习实践：让程序学一个平均数
机器学习的起点可以非常简单，并不需要立即训练神经网络。
我们使用Nørskov等2005年论文Table I中的少量析氢数据。这些记录包含计算得到的吸附能和汇编的实验交换电流数据。原论文DOI。
本课先取六条训练标签：
\[ -5.4,\;-3.0,\;-3.6,\;-3.7,\;-5.9,\;-6.8 \]
这些标签是交换电流密度的十进对数，记为：
\[ y=\log_{10}\left[\frac{j_0}{1\ \mathrm{A/cm^2}}\right] \]
其中，\(j_0\) 是交换电流密度。括号中的比值没有单位，因此可以取对数。
例如，\(y=-3\) 表示：
\[ j_0=10^{-3}\ \mathrm{A/cm^2}=0.001\ \mathrm{A/cm^2} \]
负的是对数，不是交换电流密度本身。
现在定义一个极简单的模型：无论输入哪种材料，都预测同一个数 \(b\)。我们让训练数据的平均值决定这个数。
先求和：
\[ -5.4-3.0-3.6-3.7-5.9-6.8=-28.4 \]
再除以样本数：
\[ b=\frac{-28.4}{6}=-4.733333\ldots \]
这就是一次最简单的参数学习：参数 \(b\) 由训练数据确定。
它没有利用吸附能，也没有区分材料，因此预测能力很有限。这样的简单模型叫作基线模型，用于给后续方法提供比较参照。
下面是一段完整、可运行的Python代码：
# 六条训练标签 train_y = [-5.4, -3.0, -3.6, -3.7, -5.9, -6.8] # 从训练数据中确定一个参数 b = sum(train_y) / len(train_y) # 两条没有参与求平均值的测试标签 pt_y = -3.1 ni_y = -5.2 # 常数模型对两个材料都预测同一个数 pt_prediction = b ni_prediction = b # 计算绝对误差 pt_error = abs(pt_prediction - pt_y) ni_error = abs(ni_prediction - ni_y) # 计算平均绝对误差 mae = (pt_error + ni_error) / 2 print("训练得到的平均值：", round(b, 6)) print("Pt的绝对误差：", round(pt_error, 6)) print("Ni的绝对误差：", round(ni_error, 6)) print("平均绝对误差：", round(mae, 6))这里，方括号把几个数组织成一个列表；`sum`求和，`len`计算数量，`abs`取绝对值，`print`显示结果，`round`控制显示的小数位数。`=`表示把右边的计算结果赋给左边的变量；以`#`开头的是解释性注释。
运行结果为：
训练得到的平均值： -4.733333 Pt的绝对误差： 1.633333 Ni的绝对误差： 0.466667 平均绝对误差： 1.05平均绝对误差的英文缩写是MAE。它先计算每个预测与观察值之间的绝对距离，再取平均：
\[ \mathrm{MAE} =\frac{|\hat y_1-y_1|+|\hat y_2-y_2|}{2} \]
其中，\(\hat y\) 表示预测值，\(y\) 表示观察值，竖线表示绝对值。
本例的误差在对数尺度上，不能写成“1.05 A/cm²”，也不能把它直接换成“准确率”。
更重要的是：这些数据来自文献汇编，逐行实验条件并不完整，测试也只有两个例子。因此，这次练习只能帮助理解学习流程，不能证明模型能可靠筛选未知催化剂。
9．本节课的练习与验收
请完成下面五项任务：
- 用自己的话解释AI、机器学习、神经网络和深度学习的关系。
- 在你的研究方向中，提出一个明确的预测任务，说明输入、输出和实验条件。
- 不看代码，手算六条训练标签的平均值及两个测试样本的绝对误差。
- 亲自运行代码，指出哪一步在确定参数，哪一步只是在检查预测。
- 说明为什么“模型已经学到参数”不能直接推出“模型具有可靠预测能力”。
本节课通过的标准是：你能准确区分四个概念，解释训练与预测的区别，完成平均值和误差计算，并指出当前数据与验证的局限。
今天最需要建立的认识是：人工智能可以帮助研究者从数据中寻找规律；规律是否可靠，必须通过与科学问题相匹配的验证来判断。
