人工智能基础

AI 课的公开挑战是「概念爆炸」:深度学习、大模型、强化学习,新名词比原理多。这门课反着走:只讲不变的骨架——搜索(在状态空间里找路)、概率(在不确定中做决策)、优化(在误差面上下山)。理解了这三件事,新出的任何模型你都能问出「它的状态空间是什么、损失函数是什么、在优化什么」这种内行问题。

十章的地图:AI 是什么(01)→ 搜索与 A*(02)→ 博弈(03)→ 知识与推理(04)→ 机器学习总览(05)→ 线性模型与梯度下降(06)→ 神经网络与反向传播(07)→ 卷积与视觉(08)→ 序列与注意力(09)→ 大模型与前沿(10)。前三章是「符号主义 AI」,05 之后是「统计学习」,两代 AI 的接力:

• 第 1 章 · 什么是 AI——两代范式、图灵测试、你能做什么
• 第 2 章 · 搜索与 A*——状态空间、无信息搜索、启发式
• 第 3 章 · 对抗搜索——极小极大、alpha-beta 剪枝
• 第 4 章 · 知识表示与推理——逻辑 AI 的巅峰与困境
• 第 5 章 · 机器学习概述——从规则到数据、监督无监督、泛化
• 第 6 章 · 线性模型与梯度下降——回归、分类、下山算法
• 第 7 章 · 神经网络与反向传播——从感知机到多层网络、链式法则
• 第 8 章 · 卷积与视觉——卷积、池化、CNN 的层次特征
• 第 9 章 · 序列模型与注意力——RNN 的困境、注意力机制
• 第 10 章 · 大模型与前沿——Transformer、GPT、对齐与未来

先修:线性代数(矩阵乘法即可入门,第 6 章前补)、Python(实验用,本站 Python 课配套)、概率论常识。教材配合:《动手学深度学习》(zh.d2l.ai,代码即讲义)、UC Berkeley CS188(搜索与博弈的最好课程)、3Blue1Brown 神经网络系列(视频)。