人工智能学习-AI-MIT公开课-第二节-推理：目标树与问题求解（方法）
- 1-前言
- 2-课程链接
- 3-具体内容解释说明
-
- [一、这节课在整门 AI 课中的作用](#一、这节课在整门 AI 课中的作用)
- [二、什么是「问题求解（Problem Solving）」？](#二、什么是「问题求解（Problem Solving）」？)
- [三、什么是「目标树（Goal Tree）」？](#三、什么是「目标树（Goal Tree）」？)
-
- [1️⃣ 一句话定义（考试标准）](#1️⃣ 一句话定义（考试标准）)
- [2️⃣ 为什么要用目标树？](#2️⃣ 为什么要用目标树？)
- 四、目标树里的「推理」在做什么？
- 五、目标树上的两种推理方向（承上启下）
-
- [🔹 后向推理（Goal-driven）](#🔹 后向推理（Goal-driven）)
- [🔹 前向推理（Data-driven）](#🔹 前向推理（Data-driven）)
- [六、目标树 ≠ 搜索算法，但本质相通（重点）](#六、目标树 ≠ 搜索算法，但本质相通（重点）)
- 七、这节课在入试里怎么考？
- 八、一句话考试级总结（可以直接背）
- 4-课后练习（日语版本）
- 5-课后答案解析（日语版本）
- 6-总结
1-前言
为了应对大学院考试，我们来学习相关人工智能相关知识，并且是基于相关课程。使用课程为MIT的公开课。
通过学习，也算是做笔记，让自己更理解些。
2-课程链接
是在B站看的视频，链接如下：
https://www.bilibili.com/video/BV1dM411U7qK?spm_id_from=333.788.videopod.episodes&vd_source=631b10b31b63df323bac39281ed4aff3&p=2
3-具体内容解释说明
一、这节课在整门 AI 课中的作用
这一节是真正进入"AI 怎么思考"的第一课。
课程结构是：
- 第 1 讲：什么是人工智能（概念）
- 第 2 讲：推理------目标树与问题求解（方法）
- 第 3 讲：规则推理与专家系统（应用）
- 第 4～5 讲：搜索算法（DFS / BFS / A*）
- 后面：博弈、约束满足
👉 第 2 讲的作用一句话：
把"现实问题"变成"机器可以一步步推理的问题"。
二、什么是「问题求解（Problem Solving）」？
在 AI 里，"问题"不是一句自然语言，而是一个形式化结构。
一个 AI 问题，必须包含：
1️⃣ 初始状态（Initial State）
2️⃣ 目标状态（Goal State）
3️⃣ 操作 / 行动（Operators）
4️⃣ 状态转移规则
👉 AI 解题 = 从初始状态，按规则走，直到目标状态
三、什么是「目标树（Goal Tree）」？
1️⃣ 一句话定义（考试标准）
目标树是把"最终目标"分解成"若干子目标"的树结构。
2️⃣ 为什么要用目标树？
因为很多问题不能直接判断是否成立，必须拆开来看。
例子（课上经典）：
目标：系统判断「任务成功」
那么就要拆成：
- 是否完成子任务 A
- 是否完成子任务 B
- 是否满足条件 C
👉 "目标树"就是这种"拆目标"的结构表示
四、目标树里的「推理」在做什么？
核心思想只有一句：
推理 = 判断目标是否能够被满足
而判断的方法就是：
在目标树上一步步检查子目标是否成立
五、目标树上的两种推理方向（承上启下）
虽然这一节主要讲"目标树"，
但已经为下一节埋下伏笔。
🔹 后向推理（Goal-driven）
- 从"目标"开始
- 问：要成立这个目标，需要哪些条件？
- 条件不确定 → 再把条件当作新目标
👉 非常适合：诊断类问题
🔹 前向推理（Data-driven）
- 从"已知事实"开始
- 不断应用规则
- 看能推出什么新结论
👉 非常适合：监控 / 规则触发系统
⚠️ 注意：
本节只要求理解"方向概念"，算法细节在后面
六、目标树 ≠ 搜索算法，但本质相通（重点）
这一节还没正式讲 DFS/BFS，但已经在做同一件事：
| 搜索算法 | 目标树推理 |
|---|---|
| 节点 = 状态 | 节点 = 目标 / 条件 |
| 边 = 行动 | 边 = 逻辑依赖 |
| 找路径 | 判断是否可成立 |
👉 目标树是在"逻辑空间"里的搜索
七、这节课在入试里怎么考？
日本大学院（尤其立命馆）非常爱考这一讲，因为：
- 不需要代码
- 能区分"懂 AI 思维"还是"只背算法名"
常见考法
- 什么是目标树？
- 为什么要用目标树？
- 目标树和问题求解的关系
- 推理是什么意思？
👉 全部是"定义 + 理解"型问题
八、一句话考试级总结（可以直接背）
问题求解是将现实问题形式化，
目标树用于将最终目标分解为子目标，
推理是在目标树结构上判断目标是否可达。
4-课后练习（日语版本）
問題1（問題解決の定義）
人工知能における**問題解決（Problem Solving）**に関する説明として、最も適切なものはどれか。
選択肢
a. 自然言語で与えられた問題文を直接処理すること
b. 初期状態、目標状態、行動および状態遷移を形式化して解を求めること
c. 学習済みモデルに入力を与えて出力を得ること
d. 大量のデータから規則を自動的に抽出すること
問題2（目標木の役割）
目標木（Goal Tree）を用いる目的として正しいものはどれか。
選択肢
a. 状態空間を数値的に最適化するため
b. 最短経路を必ず求めるため
c. 最終目標を複数の部分目標に分解し、推理を行うため
d. 学習データの特徴量を階層的に表現するため
問題3（推理の方向）
目標木を用いた推理に関する説明として適切なものはどれか。
選択肢
a. 後向推理では、既知の事実から結論を順に導く
b. 前向推理では、目標から必要な条件を逆にたどる
c. 後向推理では、目標を起点として必要な条件を確認する
d. 前向推理と後向推理は探索順序に違いはない
問題4（目標木と探索の関係）
目標木と探索手法の関係についての説明として、正しいものはどれか。
選択肢
a. 目標木は数値評価関数を必ず必要とする
b. 目標木上での推理は、条件空間における探索とみなすことができる
c. 目標木は深さ優先探索でしか扱うことができない
d. 目標木は探索アルゴリズムとは無関係な表現である
作答形式（立命館大学入試慣例）
問題1：
問題2：
問題3：
問題4：5-课后答案解析（日语版本）
✅ 採点結果
| 問題 | あなたの解答 | 正解 | 判定 |
|---|---|---|---|
| 問題1 | B | B | ✅ |
| 問題2 | C | C | ✅ |
| 問題3 | C | C | ✅ |
| 問題4 | B | B | ✅ |
👉 4 / 4 完全正解
🔍 入試視点・ワンポイント解説
問題1（問題解決）
- 初期状態・目標状態・行動・状態遷移
- AI における問題定義を正確に押さえています。
問題2（目標木）
- 「最終目標を部分目標に分解」
- 立命館が一番好きな定義表現です。
問題3（推理方向）
- 後向推理 = 目標起点
- 用語と方向が完全一致しています。
問題4（目標木 × 探索）
- 条件空間での探索という表現が決め手。
- 研究科試験レベルの理解です。
🧠 試験直前 10 秒まとめ（第2節）
問題解決＝形式化
目標木＝目標分解
後向推理＝目標起点
推理＝条件空間探索
6-总结
知识一点点记录吧，最后应对考试，打下基础