【人工智能导论（零）】课程概述：人工智能的整体知识体系、核心问题和解决方案的逻辑关系

⏱️ 预计阅读时间：25-35分钟
🎯 学习目标：了解人工智能的整体框架，明白搜索、推理、学习三种方法如何配合解决问题

---

人工智能解决的核心问题是如何让机器具备智能，能够解决复杂问题。通过三大核心方法：

• 搜索：系统化地寻找问题的解，就像在迷宫中找路
• 推理：基于已有知识推导新结论，就像根据已知事实得出结论
• 学习：从数据中自动发现规律，就像从经验中总结

现代AI系统往往把三种方法结合起来用，根据问题特点选择合适的方法组合。

📚 核心结论（塔尖）

想象一下，你想让机器变聪明。如果用传统编程，你得把所有规则都写出来，但现实世界太复杂了，规则根本写不完。就像人类变聪明不是靠死记硬背规则，而是靠三种方式：搜索（系统化地找答案）、推理（基于已有知识推导）、学习（从数据中总结规律）。

不同的问题需要不同的方法：找路用搜索，看病用推理，识图用学习。

人工智能解决的核心问题是如何让机器具备智能，能够解决复杂问题。通过三大核心方法：

• 搜索：系统化地找答案，就像在迷宫中找路

• 推理：基于已有知识推导新结论，就像根据已知事实得出结论

• 学习：从数据中自动发现规律，就像从经验中总结

• 搜索方法从基础到高级再到局部优化，越学越高效；

• 推理方法从确定规则到处理不确定再到利用经验，越学越灵活；

• 学习方法从基础概念到神经网络再到深度学习，越学越强大。

那么，怎么系统化地找问题的解？怎么基于已有知识进行推理？怎么让机器从数据中自动学习？这些正是本课程要解决的核心问题。

 

---

一、搜索：系统化寻找解决方案

想象你在解决一个搜索问题，比如找路、拼图、或者找最优方案。首先，你得把实际问题转换成计算机能理解的形式，然后系统化地找答案。就像在迷宫里找出口：可能你什么线索都没有，只能瞎摸索；也可能你有地图，知道大致方向；还可能你找到了几个看起来不错的出口，但需要找到真正最好的那个。

搜索方法解决的核心问题是怎么系统化地找问题的答案。
从基础搜索策略（把问题转换成可搜索的形式、没线索时怎么搜、有线索时怎么搜）到高级搜索策略（满足多个条件的问题、对抗性博弈）再到局部搜索算法（爬山法、模拟退火、遗传算法），越学越高效，能解决更复杂的问题。

基础搜索策略：从问题形式化到搜索算法

当你需要解决搜索问题时，首先要把实际问题转换成计算机能处理的形式，然后系统化地找答案，不管有没有额外信息。

基础搜索策略解决搜索问题的核心思路是分两步走：

1. 问题形式化：把实际问题转换成可搜索的形式。你需要定义五个要素：你现在在哪（状态）、你能做什么（动作）、你想达到什么（目标）、做了动作会变成什么样（转移）、做这个动作要花多少代价（代价）。就像把现实问题画成一张搜索地图，标出起点、终点、能走的路、每条路的距离。
2. 搜索算法：根据有没有额外信息选择搜索方法。没线索时用无信息搜索（就像盲人摸象，按层、按深度、按代价系统化地探索），有线索时用启发式搜索（就像有地图指引，知道哪个方向更可能找到答案）。

简单说：没线索时系统化探索，有线索时利用线索引导。

核心文章：《人工智能导论：01-搜索-基础搜索策略探索篇》

高级搜索策略：从约束满足到博弈搜索

想象你在解决更复杂的搜索问题，比如要同时满足多个条件的拼图，或者跟对手对抗的博弈。这时候简单的搜索方法往往太慢或者根本处理不了。约束满足问题就像解数独，你得同时满足行、列、宫三个条件，不能只满足一个；博弈搜索就像下棋，你不仅要考虑自己的走法，还要考虑对手会怎么应对，选一个即使对手反击也能赢的走法。

高级搜索策略解决这两类问题的核心思路是：

• 约束满足：通过回溯搜索和约束传播提前发现冲突，减少需要搜索的范围。就像解数独时，你先看某个格子能填什么数字，如果发现某个数字跟其他条件冲突，就提前排除，不用再试了。
• 博弈搜索：通过评估各种走法的好坏来选择最优策略。
  • 传统方法（极小极大算法和剪枝）适合可能走法不多、能精确评估的问题，就像下国际象棋，走法相对固定；
  • 现代方法（随机模拟）适合可能走法太多、无法精确评估的问题，就像下围棋，走法太多，只能随机模拟一些可能的走法来评估。

怎么选方法？看问题特点：

• 约束满足适合需要同时满足多个条件的问题（如拼图、调度）；
• 传统博弈搜索适合可能走法不多、能精确评估的问题（如国际象棋）；
• 现代博弈搜索适合可能走法太多、无法精确评估的问题（如围棋）。

核心文章：《02-搜索-高级搜索策略探索篇》

局部搜索算法：从单点搜索到全局优化

想象你在解决最优化问题，比如找函数的最大值，或者找最好的组合方案。如果用简单的局部搜索方法（如爬山法），你只往值增加的方向走，就像爬山时只往上爬，很容易爬到一个小山峰就以为到顶了，其实真正的最高峰在别的地方。

局部搜索算法解决最优化问题的核心是避免卡在小山峰，找到真正的最高峰。

• 爬山法只向上爬，容易卡在小山峰，就像你只往上爬，爬到一个小山顶就停了；
• 模拟退火通过概率接受机制和温度调度避免卡住，就像金属退火时，温度高时允许暂时接受较差状态（可能往下走），温度低时只接受更好的状态，这样就能跳出小山峰；
• 遗传算法通过进化机制和种群搜索避免卡住，就像派一群人在不同地方同时探索，互相交流信息，找到最好的地方。

怎么选方法？看问题特点：爬山法适合简单优化，模拟退火适合连续优化（如函数优化），遗传算法适合离散优化（如组合优化）。

核心文章：《03-搜索-局部搜索算法探索篇》

 

---

二、推理：基于知识推导结论

推理方法解决的核心问题是怎么基于已有知识进行推理，得出新结论。就像人类推理有三种方式：

• 符号推理（基于逻辑规则，像数学证明，每一步都有确定的结论）、
• 不确定性推理（基于概率，像天气预报，说明天有70%的概率下雨）、
• 案例推理（基于经验，像医生看病，回忆以前看过的类似病例）。这三种方式越学越灵活，能适应不同的问题类型。

推理方法：从符号推理到不确定性推理

推理方法解决三类问题：

1. 符号推理：基于逻辑规则进行确定性推理，把知识表示出来，然后用逻辑推理从已知知识推导出新知识，就像数学证明，每一步都有确定的结论；
2. 不确定性推理：基于概率方法（全概率推理、贝叶斯法则、贝叶斯网络）处理不确定信息，就像天气预报，根据已知条件预测概率，说明天有70%的概率下雨；
3. 案例推理：基于经验解决新问题，把案例表示出来，找相似的案例，然后调整，维护案例库，就像医生看病，回忆以前看过的类似病例。

核心文章：《04-推理-推理方法探索篇》

 

---

三、学习：从数据中自动学习规律

想象你想让机器从数据中学习规律。如果用传统编程，你得把所有规则都写出来，机器无法自动学习。但不同的问题需要不同的学习方式：有监督学习就像有标准答案的题目，有老师告诉你对错；无监督学习就像没有标准答案的探索，你得自己总结规律；强化学习就像通过试错学习技能，做对了有奖励，做错了有惩罚。

学习方法解决的核心问题是怎么让机器从大量数据中自动学习规律，从而对新样本做出决策。从机器学习基础（四个核心要素、三种学习方式、怎么评价和泛化）到人工神经网络基础（神经元模型、网络结构、学习法则）再到深度学习（CNN、序列处理、注意力机制、生成式模型、强化学习），越学越强大，能解决更复杂的问题。

机器学习基础：从数据到智能决策

机器学习解决的核心问题是怎么让机器从大量数据中自动学习规律，从而对新样本做出决策。你需要四个核心要素：数据（学习材料）、模型（学习方式）、准则（怎么算学得好）、算法（怎么学）。还有三种学习方式：有监督（有老师教）、无监督（自己探索）、强化学习（试错学习）。

关键是要在训练数据上表现好，同时在新数据上也能表现好。就像学生既要会做练习题，也要会做新题。通过合理划分数据集（把数据分成训练集和测试集）、选择合适的评价指标（怎么算学得好）、使用正则化等技术（防止死记硬背），在记住训练数据和理解真正规律之间找到平衡，避免只记住题目不会做新题。

核心文章：《05-学习-机器学习基础探索篇》

人工神经网络基础：从生物启发到学习算法

人工神经网络解决的核心问题是怎么设计一个能够像大脑一样学习的计算模型。

• 通过模拟生物神经元的结构和连接方式，设计人工神经元模型。就像大脑的神经元接收信号、处理信号、输出信号，人工神经元也是输入加权求和（把多个输入按权重加起来）加激活函数（决定输出多少），就像简化版的大脑神经元。
• 通过不同的网络结构（前馈网络像流水线，信息只往前流；循环网络像有记忆，信息可以回流）和学习法则（监督、强化、无监督）来实现学习、记忆和泛化能力。
• 通过感知器模型和错误驱动的学习算法，在线性可分条件下实现自动学习。就像学生做错题后，知道哪里错了，调整理解，下次做对。

核心文章：《06-学习-人工神经网络基础探索篇》

深度学习：从CNN到Transformer到生成式模型

想象你要解决更复杂的学习问题，比如识别图片、理解语言、生成新数据。这时候基础的神经网络方法往往不够用，需要针对不同数据类型和任务设计专门的网络架构和学习方法。

深度学习通过专门的网络架构和学习方法解决复杂问题：

• CNN（卷积神经网络）：处理图像等结构化数据。就像用模板在图像上滑动检测模式，比如检测边缘、纹理、形状，一层一层地理解图像。
• 序列处理（RNN/LSTM）：处理序列数据，比如文本。就像理解一句话，不仅要理解每个词，还要理解词与词之间的关系，前面的词会影响后面的理解。
• 注意力机制与Transformer：处理自然语言。就像阅读时，你会关注不同的部分，有些词更重要，有些词可以忽略，而且可以同时关注多个部分。
• 生成式模型：生成新数据。就像学会了画画的规律后，可以创作新画，学会了语言的规律后，可以写新文章。
• 强化学习：通过与环境交互学习最优策略。就像通过试错学会下棋，下对了有奖励，下错了有惩罚，慢慢学会最好的下法。

核心文章：

• 《07-学习-CNN探索篇》
• 《08-学习-序列处理探索篇》
• 《09-学习-注意力机制与Transformer探索篇》
• 《10-学习-生成式模型探索篇》
• 《11-学习-强化学习探索篇》

 

---

四、知识体系：搜索、推理、学习如何配合使用

在实际应用中，搜索、推理、学习三种方法不是各自独立的，而是可以相互配合、取长补短。就像你解决复杂问题时，既需要系统化地找方案（搜索），也需要基于已有知识进行判断（推理），还需要从经验中学习（学习）。三者配合使用，才能做出真正智能的系统。

搜索与推理：寻找方案时也需要判断

搜索时可以用推理来评估哪些路径更有希望（启发函数，就像有地图指引），推理时可以用搜索来探索可能的结论空间（就像在多个可能的结论中找最好的）。

推理与学习：从规则到从数据中学习

推理可以帮助学习系统更好地表示知识（就像用公式表示规律），学习可以帮助推理系统从数据中获取新知识（就像从数据中发现新规则）。

学习与搜索：从经验到策略

学习可以帮助搜索系统学会哪些方向更有希望（启发函数，就像学会看地图），搜索可以帮助学习系统找到更好的策略（就像在多个策略中找最好的）。

综合应用：现代AI系统

现代AI系统往往融合搜索、推理、学习三种方法。让我们看看两个具体例子：

AlphaGo下围棋：

• 它先用学习方法（深度神经网络）从大量棋谱中学会了如何判断局面好坏，就像人类棋手通过看棋谱积累经验，知道什么样的局面好，什么样的局面不好。
• 然后用推理方法评估当前局面，判断哪边更有利，就像棋手分析当前局势。
• 最后用搜索方法（MCTS，蒙特卡洛树搜索）模拟未来可能的走法，就像在脑海中"试走"很多步，看看每种走法会带来什么结果，找出最佳走法。

三种方法配合：学习提供判断能力（知道什么是好什么是坏），推理评估当前情况（分析当前局势），搜索探索未来可能（试走很多步找最好的）。

 

GPT生成文本：

• 它先用学习方法在大规模文本数据上预训练，学会了语言的规律和知识，就像人类通过大量阅读积累语言能力，知道什么词后面通常跟什么词，什么表达更自然。
• 然后用推理方法理解上下文，根据前面的文字判断接下来应该说什么，就像你读文章时，根据前面的内容推测后面会说什么。
• 最后用搜索方法在生成每个词时选择最合适的词，就像在多个候选词中挑选最合适的，比如"开心"、“高兴”、"愉快"选哪个更合适。

三种方法配合：学习提供语言能力（知道怎么说话），推理理解上下文（知道该说什么），搜索选择最佳表达（选最合适的词）。

 

设计AI系统的核心就是在这些方法之间找到平衡点，根据问题特点选择合适的方法组合，就像做菜要根据食材选调料。

 

---

五、学习路径：从基础到应用的渐进式学习

本课程的知识体系按照从基础到应用、从简单到复杂的逻辑组织，建议按照以下路径一步步学：

第一阶段：搜索方法（问题解决的基础）

1. 基础搜索策略：学会如何把问题转换成可搜索的形式，掌握基础搜索算法（BFS、DFS、A*等）
2. 高级搜索策略：学会处理约束满足和博弈搜索问题（CSP、α-β剪枝、MCTS）
3. 局部搜索算法：学会最优化方法（爬山法、模拟退火、遗传算法）

学习目标：学会系统化地找问题的答案

第二阶段：推理方法（知识应用的基础）

4. 推理方法：学会符号推理、不确定性推理、案例推理三种推理方式

学习目标：学会基于知识进行推理

第三阶段：学习基础（数据学习的基础）

5. 机器学习基础：学会四个核心要素、三种学习方式、如何评价和泛化
6. 人工神经网络基础：学会神经元模型、网络结构、学习法则、感知器

学习目标：学会从数据中自动学习规律的基础方法

第四阶段：深度学习（复杂问题的解决）

7. CNN：学会卷积神经网络的设计、分析和应用，处理图像问题
8. 序列处理：学会RNN/LSTM和文本嵌入，处理序列数据
9. 注意力机制与Transformer：学会动态关注和并行计算，处理自然语言
10. 生成式模型：学会数据生成方法（VAE、GAN、扩散模型），生成新数据
11. 强化学习：学会与环境交互学习最优策略，解决决策问题

学习目标：学会用深度学习方法解决复杂问题

 

---

附：课程知识地图

 

---

附：术语小词典（Glossary）

搜索（Search）

系统化地寻找问题的解决方案，先把实际问题转换成可搜索的形式，然后根据有没有额外信息选择搜索方法。就像在一个迷宫中找出口，可能没有任何线索，也可能有地图指引。很多人以为"搜索"就是简单的遍历，实际上它通过系统化的策略在找全解、找最优解、找得快之间权衡，是问题解决的基础方法。

推理（Reasoning）

基于已有知识进行推理，得出新结论。包括符号推理（基于逻辑规则）、不确定性推理（基于概率）、案例推理（基于经验）。就像数学证明、天气预报、医生看病。很多人以为"推理"就是简单的逻辑推导，实际上它通过不同的推理方法适应不同的问题类型，是知识应用的核心方法。

学习（Learning）

从数据中自动学习规律，从而对新样本做出决策。包括有监督学习（有标签指导，像有老师教）、无监督学习（无外部指导，像自己探索）、强化学习（通过交互学习，像通过试错学习）。就像从经验中学习，而不是死记硬背规则。很多人以为"学习"就是简单的模式识别，实际上它通过四个核心要素（数据、模型、准则、算法）和三种学习方式，在记住训练数据和理解真正规律之间找到平衡，是数据智能的核心方法。

深度学习（Deep Learning）

通过多层神经网络学习数据的层次化表示，解决复杂问题。包括CNN（图像处理）、序列处理（语言处理）、注意力机制（动态关注）、生成式模型（数据生成）、强化学习（策略学习）。就像用多层抽象理解复杂数据。很多人以为"深度学习"就是简单的多层网络，实际上它通过专门的架构设计解决不同类型的问题，是现代AI的核心技术。