人工智能引论

人工智能引论（Introduction to Artificial Intelligence）研究如何表示知识、进行推理、寻找解，并从数据和环境反馈中学习。本组笔记覆盖前四节课，按知识依赖组织；原课件与课堂截图中的公式、例题已并入对应主题。

阅读路线

顺序	主题	核心问题
1	人工智能的框架与发展	智能任务有哪些计算方法？
2	可计算性与形式系统	什么能算，什么不能算？
3	命题逻辑与归结	怎样从前提严格推出结论？
4	一阶逻辑与量词推理	怎样表达对象、关系与一般规律？
5	知识图谱、FOIL 与路径推理	怎样学习规则、补全关系？
6	概率推理：贝叶斯网络与马尔可夫逻辑	不确定的知识怎样参与推理？
7	因果推理与辛普森悖论	观察到的关系与主动改变的效果有什么区别？
8	搜索问题与通用搜索框架	怎样把求解转化为状态空间探索？
9	启发式搜索：贪婪策略与 A*	如何利用估计代价，何时保证最优？
10	Minimax 与 Alpha–Beta	怎样考虑对手并省略无效分支？
11	UCB、UCT 与 MCTS	怎样通过采样平衡探索与利用？
12	黑白棋中的 MCTS 实现	如何把搜索映射到规则、状态和接口？

建议先理解逻辑中的“必然推出”，再阅读知识图谱中的“学习得到”，最后比较概率预测与因果结论。搜索基础承接第三节课末尾；第四节课继续展开启发式搜索、对抗搜索与采样搜索，最后落到黑白棋实现。

原创概念图。可编辑源图与复现方法见 图示说明。

四节课的知识覆盖

课堂	整理范围	对应笔记
第一节	AI 的提出、研究传统、发展阶段、方法体系、计算基础、应用与素养	1、2
第二节	命题与联结词、等价变形、归结；绪论补充；谓词、量词与推理	1—4
第三节	逻辑回顾、归纳逻辑编程、FOIL、PRA、概率图模型、因果推断、搜索入门	3—8
第四节	搜索框架回顾、贪婪与 A*、Minimax 与 Alpha–Beta、多臂老虎机与 UCB、MCTS、黑白棋实现	8—12

第四节课的主线

先对照交通图理解“估计剩余代价”与“全程代价”，再对照完整博弈树理解剪枝上下界，最后用 UCB 和 MCTS 把确定性搜索转向采样估值。黑白棋示例重点检查 Pass、独立局面、收益视角与时间预算。

复习入口

• 概念与公式速查：符号、适用条件与易混概念。
• 资料对照与校订依据：原始资料覆盖范围和关键订正。

知识图谱、贝叶斯网络、因果图和搜索图都使用“图”，但节点、边与计算目标不同；阅读时先确认图的语义，避免把一种图上的结论搬到另一种图上。

课程来源与公式校订见 资料对照与校订依据。