考完试第二天趁着记忆还热乎我把《人工智能原理》这门课的复习资料完整整理了一遍。网上关于这门课的笔记其实不少但大多数是照着教材目录罗列定义背完之后脑子里还是一盘散沙。我这篇不一样是站在考试怎么出题的角度来组织的把搜索、知识表示、概率推理、机器学习、智能体这几大块串成一条完整的逻辑线既适合期末考前突击过一遍也适合已经做过一轮题、回来对照查漏补缺。这篇文章适合三类人一是正在备考这门课、需要快速梳理主干的同学二是自学人工智能、想搞清楚这些算法到底解决什么问题的新手三是做项目时要对老掉牙但依然能打的经典算法做选型判断的开发者。下面我写的内容不追求把教材抄一遍只把原理课最常考、也最容易丢分的骨架拎出来配上计算套路和易混概念对照都是我自己踩过坑之后总结出来的。1. 先看全局人工智能原理到底考的是哪几根柱子1.1 全课的主线脉络这门课乍看内容很杂但翻来覆去核心就是五个大块搜索、知识表示与推理、不确定性与概率模型、机器学习与神经网络、智能体。很多教材还会把自然语言处理或者计算机视觉作为应用章放进来但考试的重心很少偏离上面五个方向NLP和视觉顶多作为某个算法能解决什么场景的例子出现。把五个方向放到一条时间线上看脉络就清楚了。早期的人工智能走的是符号主义路线核心思路是把人的知识写成规则和逻辑机器靠推理来求解知识表示、谓词逻辑、产生式系统就是这派的主战场。后来大家发现现实问题充满不确定性你看到病人发烧不能直接断言他得了感冒于是概率工具被引入贝叶斯公式、贝叶斯网络、隐马尔可夫模型轮番登场。再往后让人工一点点写规则实在太费劲干脆让机器从大量数据里自己学规律机器学习就成了今天的绝对主角。智能体那一章则是把所有技术打包进感知—决策—行动的循环框架里回答一个更宏大的问题一个完整的智能系统到底应该长什么样。抓住这根主线之后知识表示和贝叶斯网络就不再是两个互不相干的章节它们都是服务于让机器变得智能这个总目标的不同技术路线。复习时你也会自然明白为什么很多教材把贝叶斯网络放在知识表示后面——因为它本质上也是一种带概率的知识表示。1.2 考点的分布规律根据我刚考完这一场的经验卷面分数的大头通常集中在三块。第一是搜索算法特别是A*搜索和α-β剪枝的手算题基本是各校常驻题型。这类题有固定套路把经典迷宫和博弈树的推导练熟就能稳拿分。第二是贝叶斯计算和贝叶斯网络推理经常作为大题出现难点不在背公式而在看懂题面、把自然语言转成条件概率表达。第三是机器学习部分的辨析题像信息熵、信息增益、过拟合、性能度量这些概念考得非常细选择、填空、简答都可能出现。知识表示那一章则在填空和简答里高频出现重点考察谓词逻辑翻译、产生式规则组织、语义网络构建。还要提醒一句很多课程的考题里都会有一道开放分析题给一个智能客服、自动驾驶或者推荐系统的场景让你分析它属于哪种智能体、用了哪些AI技术、有没有更好的设计方案。这种题拼的不是背书能力而是看你能不能准确理解不同算法之间的边界和联系。所以这篇笔记里我会特别强调怎么区分和怎么选型这比记住单个定义有用得多。2. 搜索策略从无头苍蝇式试探到A*的贪心智慧2.1 无信息搜索的四板斧搜索章节的第一件事是把实际问题形式化成状态空间。你得定义清楚当前状态、目标状态、动作集合、路径代价。很多同学一开始没转过弯其实它就是一张有向图节点是状态边是动作和代价搜索就是在这张图上找一条从起点到目标状态的路径只不过不同算法找法不一样。无信息搜索说白了就是不看哪个方向更可能接近目标的搜索。BFS按层展开第一次碰到目标就返回路径所以在每条边代价相同的前提下它是完备且最优的DFS沿着一条路走到底可能绕远路也可能钻进很深的分支出不来考试里常被问会不会无限循环所以实践中通常要加深度限制。深度受限搜索解决了无限深的问题但受限深度如果小于解所在深度就白搭于是又有了迭代加深搜索IDDFS它逐轮加大深度限制相当于用DFS的空间效率换到BFS的最优性。最后还有一个一致代价搜索UCS把BFS的按层改成按累计代价从小到大扩展专门应对边上带权值的场景。这里有个特别容易被坑的点在树搜索中BFS对非负代价都是最优的但在图搜索里如果动作代价不是常数BFS按层优先就未必最优这时候得换成UCS。考试只要出现每条边代价不同这类的字眼你就应该条件反射地意识到出题人在考察一致代价搜索而不是普通的BFS。2.2 启发式搜索与A*的判定条件启发式搜索的核心是给每个节点算一个对剩余路径的乐观估计h(n)。贪心最佳优先搜索只看h(n)跑得快但容易撞进局部最优的南墙A*则把已经付出的代价和估计剩余代价加起来用f(n)g(n)h(n)作为扩展顺序的依据。A的正确性依赖一个关键性质——启发式函数必须可采纳也就是h(n)不能超过节点到目标的真实最小代价。这个条件听起来抽象你只要这么理解如果你的估计本身就比现实乐观得多、低得多那每次按f值挑节点时就不会被虚高的估计骗走A就有把握保证首次扩展目标时得到的就是最优路径。很多考试和面试都爱问为什么A*一定能找到最优解答案就落在这个可采纳性上。各种搜索算法的性质对比我整理成了一张表考前直接对着这张表回忆就好算法完备性最优性空间占用适用场景BFS完备代价一致时最优指数级状态数少、边代价相同DFS不完备不保证线性解深但有界优先省内存UCS完备最优指数级边有权值、路径代价不等IDDFS完备最优优于BFS大空间图、解深度未知A*完备h可采纳时最优依赖h质量有启发信息的路径规划贪心最佳优先不完备不保证依赖h速度优先、不追求严格最优复习A*的时候我建议你亲手把八数码或者一个小迷宫在纸上推一遍把每个节点的g、h、f值列成表走一遍从open表取最小f值、扩展、更新closed表的完整流程。这个流程一旦走通后面学到贝叶斯网络里的变量消元你会觉得思路特别亲切因为它们本质上都是维护候选集、按规则反复更新。2.3 博弈搜索与α-β剪枝的手算门道博弈搜索考的就是极小极大算法和α-β剪枝。核心思想用一句话就能讲清楚MAX方想最大化自己的收益MIN方想最小化MAX的收益所以在博弈树中MIN层取所有孩子中的最小值MAX层取所有孩子中的最大值。考试通常会给一棵小博弈树和叶子节点的具体估值让你自底向上逐层计算再判断哪些分支可以被剪掉。α-β剪枝的口诀也很直接在MAX节点维护一个下界α如果当前孩子节点的值已经大于等于这个下界后面更小的兄弟就不用再看了这叫α剪枝在MIN节点维护一个上界β如果当前孩子节点的值已经小于等于这个上界后面更大的兄弟也不用看这是β剪枝。手算的时候一定要从左到右逐节点展开不能跳步一旦发现当前节点的值已经不能满足父节点的约束就立刻剪枝不要犹豫。我自己第一次手算时最容易犯的错是把剪枝位置画错。记住剪掉的是当前节点后面的兄弟子树不是正在评估的路径本身。判断顺序也很有讲究同一棵树如果孩子展开顺序不同剪枝的数量会差很多所以题目里只要写了按从左到右顺序访问就是在暗示你按标准顺序推千万别擅自调整。3. 知识表示与逻辑推理机器怎么把规则变成结论3.1 谓词逻辑与产生式规则知识表示的核心问题是用什么样的数据结构把世界描述给机器。谓词逻辑是这一章的基础语法要重点掌握的是把自然语言翻译成一阶逻辑表达式的能力。比如所有学生都喜欢某门课写成∀x Student(x)→Like(x, course)。考试一般不会让你做复杂的定理证明但翻译题几乎是送分题前提是你别漏掉量词的范围也别把所有和存在搞反。产生式系统是另一种非常经典的知识表示方案由规则库、综合数据库和推理机构成。规则形如IF 条件 THEN 动作或结论数据库保存当前已知事实推理机负责决定下一步启用哪条规则。这里必须分清正向推理和反向推理正向推理从已知事实出发不断匹配规则的前提朝着目标一路推进适合数据不断涌入、目标不固定的场景反向推理从目标出发反向寻找哪些规则的结论能推出目标再把规则的前提当作新的子目标适合目标明确但事实不全的诊断类问题。3.2 语义网络与框架结构化知识的两件套语义网络用节点表示概念或对象用带标记的边表示关系常见的边类型有is-a、has-property、instance-of。它最大的好处是能够利用继承关系一个节点如果是鸟类的实例就自动继承有羽毛这个属性如果某个特例违背默认值就在本地单独标出属性覆盖。考试经常给你一段动物分类的描述让你画语义网络考点就是把这些关系和继承表示清楚。框架则更像一套结构化的表格每个框架描述一类对象或情况里面有若干槽每个槽可以带侧面比如默认值、约束条件、附加过程。最常见的题型是给一段描述请用框架写出来你只需要抓住槽属性值具体内容这个套路就行。框架的默认值机制让它能在信息不全时做缺省推理这个思路跟后面概率推理里的先验概率有异曲同工之处复习时可以把两者放在一起理解。3.3 推理方向与冲突消解策略产生式系统运行的时候经常出现多条规则都能匹配当前事实的情况这时候怎么选靠的就是冲突消解策略。常见的策略有按规则优先级高低选、按前提条件覆盖事实的数量选、按规则的新鲜程度选、按事实入综合数据库的时间先后选。考试会给一个具体场景问你同时匹配了三条规则按某一策略应该选哪一条属于把策略背熟就能拿分的题。但要注意看清题目问的是哪种策略别把覆盖度最高和优先级最高混为同一个东西。这里额外说一句知识表示这条路线最大的问题是人工成本太高想用规则把复杂世界的边边角角都覆盖到几乎不可能维护起来也费劲。这也是后来机器学习路线崛起的原因——人不再需要亲手写规则只需要给例子模型自己从例子里归纳规律。考试如果出开放题问专家系统和机器学习有什么区别你就从知识来源、可解释性、维护成本三个角度回答基本不会丢分。4. 概率推理与不确定性现实世界从不回答一定4.1 贝叶斯公式的计算套路概率部分的起点是贝叶斯公式。公式本身很简单P(A|B)P(B|A)·P(A)/P(B)难的是从题目描述里把三个量准确提取出来。考题最喜欢给的场景是某检测方法的灵敏度是95%特异度是90%人群患病率是1%让你算一个人检测呈阳性后真正患病的概率。遇到这种题别慌按步骤拆解。先设A患病B检测阳性把已知条件写成条件概率P(B|A)0.95表示患病者检测阳性的概率P(B|¬A)0.10表示未患病者检测阳性的概率P(A)0.01是患病率。然后算分母P(B)要用全概率公式展开P(B)P(B|A)P(A)P(B|¬A)P(¬A)最后套回贝叶斯公式得到后验概率。算出来的结果往往让人吃惊——即使检测灵敏度挺高真实患病率也就几个百分点。这背后是先验概率的力量当某种情况在人群里本来就极少见时一个阳性结果并不能直接等于确诊这正是概率推理对直觉的修正。4.2 朴素贝叶斯与它的独立性假设朴素贝叶斯在分类任务里用得非常多它的核心假设是给定类别条件下各个特征之间条件独立。这样联合概率就能分解成单个特征概率的乘积计算量大幅下降。现实里这个假设几乎从不成立但分类效果通常依然不错所以它依然是文本分类、垃圾邮件过滤这类任务的经典基线模型。考试通常会给一个样本的特征取值以及各类别下每个特征的条件概率表让你判断样本最可能属于哪一类。本质就是分别计算每类的后验概率再比大小。做这类题的坑在连乘多个概率之后数值会变得很小容易算错。我的建议是如果草稿条件允许先取对数再比较大小不允许的话算到三位小数就足够判断别在精度上死磕。4.3 贝叶斯网络与隐马尔可夫模型的骨架贝叶斯网络是一个有向无环图节点表示随机变量边表示依赖关系每个节点带一张条件概率表。做推理题时联合分布等于所有节点在自己父节点条件下的概率连乘。考试常见两类问法一类是给了全部条件概率求某个变量的边缘分布你只需要把所有没被查询、没被作为条件的变量求和消元掉另一类是给了一部分观测证据求后验概率这就要求你用贝叶斯公式把条件方向翻转过来。复杂贝叶斯网络里的精确推理是NP难的所以工程中通常用近似推理比如通过随机采样逼近真实分布。这个章节我强烈建议你亲手推一遍最经典的三节点网络比如天气→是否举办户外活动→是否带伞把链式法则和证据消除完整跑一遍之后应付大多数考题就不成问题了。隐马尔可夫模型是时序数据的概率模型由初始状态分布、状态转移矩阵和观测概率矩阵三个部分组成。它的三个基本问题是评估问题给定模型参数计算观测序列出现的概率用前向算法、解码问题给定观测序列找最可能的隐藏状态序列用维特比算法、学习问题给定观测序列估计模型参数用Baum-Welch算法。原理课考试一般不会要求你完整手推维特比全过程但会考概念区别和递推表格的前一两步你只要把握住动态规划加状态转移这个直觉就足够应对了。5. 机器学习与神经网络从人写规则到数据归纳5.1 三大学习范式怎么分机器学习部分最重要的基础题就是区分监督学习、无监督学习和强化学习。最直白的记法是监督学习有标签拿正确答案的样本来训练典型任务是分类和回归无监督学习没有标签让算法自己从数据里找结构典型任务是聚类和降维强化学习既没有现成标签也没有标准答案只有一个环境反馈的奖励信号智能体要通过试错学会策略。这三种范式不是互斥的真实系统里经常组合使用。比如一个推荐系统可以先通过无监督聚类对用户分群再用监督模型预测某个用户对某一商品的点击率最后在整体策略上引入强化学习来优化长期留存。这种组合拳场景在原理课的简答题里很受欢迎你要学会把具体算法归到对应范式下再说明它在一个完整系统中扮演的角色。5.2 经典算法速览与选型直觉这一节考点覆盖多个算法我把它们整理成一张速览表考前过一遍会很有帮助算法类型核心思想典型应用决策树ID3/C4.5/CART监督按信息增益或基尼系数选特征划分风控、可解释分类KNN监督按样本邻居投票小数据、低维场景朴素贝叶斯监督贝叶斯公式加条件独立文本分类、垃圾过滤SVM监督最大间隔超平面加核函数中低维高判别需求K-Means无监督按距离迭代调整聚类中心客户分群、图像量化PCA无监督找方差最大的投影方向降维可视化、去噪几个高频易混点要单独提一下信息熵衡量不确定性信息增益表示拿到某个特征之后不确定性减少了多少ID3就选信息增益最大的特征做当前节点的划分KNN里的参数K会影响边界平滑度K太小容易受噪声影响K太大决策边界过于粗糙SVM的核函数本质是在低维空间里高效计算高维内积不要被必须显式做特征映射这种说法误导。复习这块我有一个笨办法但特别有效把每个算法想成一个抽屉记住它的输入、输出、核心假设和最典型的局限。考试给场景让你选算法时按这个方式对号入座比对着教材目录空想要稳得多。原理课的机器学习考题一般不会让你手推复杂凸优化更看重的是你能不能准确说清原理和适用边界。5.3 神经网络那些绕不开的概念神经网络部分重点在感知机、多层网络和反向传播。感知机是最早的分类器雏形只能处理线性可分问题训练时用激活函数的输出与期望输出之间的误差来更新权重。多层网络的引入是为了解决异或这类线性不可分问题隐藏层让网络有了拟合非线性决策边界的能力。反向传播则借助链式法则把输出层的误差一层层传回前面各层更新每一层的权重。考试经常考一个点为什么要激活函数答案很简单如果不引入非线性多层网络叠在一起仍然等价于一个线性变换深度就没有意义。常见的激活函数有Sigmoid、Tanh、ReLUReLU由于在深层网络中能缓解梯度消失实际中用的最多。如果考试出计算题一般会给你一个神经元已知输入、权重和激活函数让你算输出再给一个误差值要求更新一次权重。这类题吃透前向传播算输出反向传播算梯度沿负梯度方向更新参数三句话就能应付。6. 智能体与综合应用把所有知识点串进一个循环6.1 理性智能体的PEAS框架智能体章节本质上是在给你一个系统级视角。一个智能体通过传感器感知环境通过执行器对环境施加动作它的理性程度取决于面对给定的感知序列能否选出最大化性能度量的动作。考试非常爱考PEAS框架P是性能度量E是环境A是执行器S是传感器。让你描述一个应用时按这四个维度展开就能拿分。比如描述一个智能家居系统性能度量是用户舒适度和能耗最小化环境是房间的温度、光线和人员状态执行器是空调和窗帘控制器传感器是温湿度传感器和人体感应器。还有一类经典题是判断智能体类型简单反射型、基于模型的、基于目标的、基于效用的。区分标准其实就一个问题它内部存了什么只依据当前感知就行动的是简单反射型会在内部保存环境历史状态能推演状态变化的是基于模型的会依据目标筛选动作方案的是基于目标的会对不同动作带来的效用做权衡比较的是基于效用的。考试给你一段系统描述你就按这个层次的递进往上套谁内部维护的信息越多谁的等级就越高。6.2 符号智能与统计学习两套范式的合流站在智能体这一章再往回想前面所有章节其实构成了两大范式的组合。符号主义路线的核心是把知识表示和逻辑推理做好让机器按规则理性思考第3章的产生式系统、语义网络就是典型代表统计学习路线的核心是让机器从数据和概率中自己归纳规律第4章和第5章的贝叶斯网络、机器学习、神经网络都属于这条路线。现代智能体几乎都是混合形态感知层用神经网络处理高维输入决策层用概率模型和强化学习做策略选择在关键环节保留规则库来施加硬性约束。考卷里如果出综合设计题让你为某场景设计一个智能体我建议把感知层、决策层、行动层分开写每一层标明具体用哪种AI技术。这样做的好处很明显哪怕你的整体设计不是最优方案阅卷老师也能一眼看出你已经把整门课的原理串起来了分数不会差。7. 考后复盘真正容易丢分的地方7.1 计算题的固定套路先说我这次考试的教训计算题丢分往往不是公式背错而是代入对象出错。A*手算时g(n)到底是用从起点到当前节点已知的最小代价路径还是当前正在考察的这条路径代价正确答案是后者而且每次遍历到这个节点时都要取更小值更新。α-β剪枝手算时在MIN层应该比较所有已经展开孩子的值取最小值作为当前阈值有些同学会拿当前孩子值和还没展开的兄弟的预估值比较这是不对的——图没有展开之前你根本不知道兄弟的值。贝叶斯题最容易漏的是分母必须用全概率公式展开而不是题目直接给一个现成数字只要题目里有多个互斥的原因你就老老实实把分母按全概率公式改写一遍。答题时我建议每一步都空一行写清楚已知条件、定义事件、套用公式、代入数字、给出结论这五个环节。这不只是为了卷面好看是真的能把错误暴露出来。遇到长公式中间的每一步都写清楚回溯和检查都会省力很多。7.2 高频概念对比表以下是我整理的高频易混概念对照表考前最后一遍可以直接对着自我提问如果能不看下方答案说出区别这部分基本就稳了对比组区别要点BFS vs DFS完备性与最优性、内存占用、适用解的深浅A* vs 贪心最佳优先A取fgh贪心只用hA可保证最优正向推理 vs 反向推理从事实推向目标 vs 从目标回找前提可采纳性 vs 一致性h不超过真实代价是A*最优的前提一致性更强且支持增量更新先验概率 vs 后验概率看到证据之前 vs 看到证据之后监督 vs 无监督 vs 强化有标签 / 无标签 / 仅奖励信号参数学习 vs 结构学习固定网络结构调参数 vs 结构和参数一起学过拟合 vs 欠拟合记住噪声没有泛化 vs 连规律都没学到最后再分享一个我自己的复习习惯考前一晚不要拼命刷新题把上面这张表从头翻一遍再各手算一道A*、一道贝叶斯、一道α-β剪枝的小案例保持手感和状态。考试碰到不熟的题目先跳过把有把握的分数确保拿满再回头用排除法和概念对比慢慢啃。人工智能原理这门课真正的难点从来不是某一个单独公式而是你能不能在不同技术之间快速切换看到一个问题就下意识想到该用哪一套工具来解决——我这篇复习资料把全部内容按主线而不是按目录章节重新排了一遍目的就在于此。这套思路帮我在考场上省下了大量纠结时间希望对你下一轮的复习也有同样的效果。