人工智能入门基本概念汇总

一、基本概念

1. 人工智能导论

人工智能领域的入门性课程/学科，系统介绍人工智能的基本理论、核心方法、典型应用及发展脉络，涵盖从基础概念到前沿技术的知识体系。

3. 人工智能历史

梳理人工智能技术从诞生至今的关键发展阶段、标志性成果（如图灵测试、达特茅斯会议）与技术迭代脉络，解析学科演进逻辑。

4. 可计算载体

能够执行计算任务的实体（如计算机、智能设备），是人工智能算法落地运行的物理或逻辑基础。

5. 形式化

将现实问题转化为形式化语言/数学模型的过程（如用数理逻辑符号描述问题），是人工智能中知识表示与推理的前提。

6. 机械化

早期人工智能探索中，尝试通过机械装置或自动化流程模拟人类智能行为（如早期机械计算器对逻辑运算的尝试）。

7. 智能计算方法

人工智能中用于解决问题的智能算法/计算范式（如遗传算法、蚁群算法），侧重模拟生物或群体智能的求解逻辑。

二、推理

8. 逻辑推理

基于逻辑规则（如命题逻辑、谓词逻辑）从已知命题推导新结论的思维过程，是人工智能实现"理性决策"的核心方法之一。

9. 归纳推理

从具体案例中归纳普遍规律的推理方式（如从"多只天鹅是白色"推出"所有天鹅是白色"），属于非单调推理的典型形式。

10. 演绎推理

从一般性前提推导特殊结论的推理（如"所有人都会死，苏格拉底是人 → 苏格拉底会死"），是数理逻辑的核心推理范式。

11. 因果推理

分析事件间因果关系（而非相关性）的推理方法，用于解释现象、预测干预效果（如医疗诊断中"症状→病因"的推导）。

12. 探寻搜索

人工智能中在解空间内寻找最优解的算法策略，涵盖盲目搜索、启发式搜索、博弈搜索等分支。

13. 机器学习

让计算机系统从数据中自动学习规律并优化性能的学科，是人工智能的核心分支（如通过数据训练模型实现预测）。

14. 监督学习

机器学习的典型范式，训练数据含明确标签（如"猫/狗"分类标签），模型学习输入与标签的映射关系（如回归、分类）。

15. 无监督学习

机器学习范式之一，训练数据无标签，模型自主发现数据结构（如聚类、降维），侧重"探索性分析"。

16. 深度学习

基于多层神经网络的机器学习方法，通过复杂结构提取数据的高层特征（如图像、语音识别中的特征分层抽象）。

17. 强化学习

机器学习分支，智能体通过与环境交互试错（"行动→奖励/惩罚"循环）学习最优策略（如AlphaGo的决策训练）。

18. 决策智能

聚焦智能决策支持的领域，结合数据分析、模型推理辅助复杂决策（如商业策略、医疗方案的智能推荐）。

三、逻辑

19. 逻辑与推理

人工智能的基础理论模块，涵盖数理逻辑（命题/谓词逻辑）与推理方法（归纳、演绎、因果推理），为智能系统提供"理性思维"工具。

20. 数理逻辑

用数学方法研究逻辑推理的学科，人工智能中用于形式化知识表示与自动推理（如谓词逻辑描述规则）。

21. 命题逻辑

数理逻辑的子领域，研究命题（可判断真假的陈述句）间的逻辑关系（如"与、或、非"运算），是知识表示的基础工具。

22. 谓词逻辑

数理逻辑的进阶形式，引入量词（∀、∃）和谓词（描述对象属性/关系），能更精细表示复杂知识（如"所有人都是会死的"形式化为 ∀x(人(x)→会死(x))）。

23. 知识图谱

结构化的语义网络，以"实体-关系-属性"三元组形式存储知识（如"爱因斯坦-出生地-德国"），支撑智能搜索、问答等应用。

24. FOIL归纳推理

一种一阶逻辑归纳推理算法，通过"自底向上"泛化规则（从具体实例归纳逻辑表达式），用于知识发现与机器学习。

25. 路径排序推理

知识图谱推理方法，基于实体间路径的语义相似性进行推理（如"若A→B→C，B→D→E，则A与E可能存在关联"）。

26. 其他知识推理

除上述方法外的知识推理技术（如基于规则、案例、概率的推理），灵活适配不同场景的知识推导需求。

28. 搜索求解

人工智能中通过搜索策略解决复杂问题的方法论，涵盖从基础搜索到博弈搜索的全流程技术。

29. 搜索算法基础

搜索方法的核心理论，包括树/图结构的搜索原理（如状态空间表示、节点扩展规则），是后续搜索算法的基础。

30. 树 | 图

搜索问题的结构化表示："树"表示层次化的状态空间（无环）；"图"表示更通用的状态网络（允许环路）。

搜索

31. 无信息搜索 | 盲目搜索

仅依赖搜索策略本身（无额外启发信息）的搜索方法，如BFS（广度优先）、DFS（深度优先）。

32. BFS（广度优先搜索）

盲目搜索算法，从初始节点开始逐层扩展所有相邻节点，确保找到最短路径（若存在），但空间复杂度高。

33. DFS（深度优先搜索）

盲目搜索算法，沿单一路径纵深探索，直到无法扩展再回溯，空间复杂度低但可能陷入无限分支。

34. 有信息搜索 | 启发式搜索

利用启发式信息（如"当前节点到目标的估计代价"）指导搜索方向的算法，典型如A*搜索。

35. 贪婪最佳优先搜索

启发式搜索的一种，每一步选择启发函数值最小的节点扩展（只看"眼前最优"），速度快但不一定找到全局最优解。

36. A*搜索

经典启发式搜索算法，结合路径代价g(n)（已走距离）与启发代价h(n)（估计剩余距离），满足条件时能保证找到最短路径。

37. 对抗搜索 | 博弈搜索

多智能体竞争场景下的搜索方法（如棋类游戏），需考虑对手的最优反应，典型算法如"最小最大搜索"。

38.最小最大搜索算法基础

最小最大搜索（Minimax Search）是博弈论中用于零和游戏的经典算法，适用于双方轮流行动且目标完全对立的场景（如象棋、围棋）。其核心假设是对手始终采取最优策略，算法通过递归评估所有可能的行动路径，选择对自身最有利的决策。

---

算法核心思想

1. 最大化自身收益：在己方回合，选择能最大化评估函数值的行动。

2. 最小化对手收益：在对手回合，假设对手会选择最小化己方评估函数值的行动（即对己方最不利的决策）。

通过交替进行"最大化"和"最小化"步骤，算法模拟双方最优策略下的对抗过程。

---

递归实现步骤

评估函数（Utility Function）

定义叶节点（终局或深度限制）的评估值，例如：

• 正数表示己方优势，负数表示对手优势。

• 零表示平局。

递归伪代码

def minimax(node, depth, maximizing_player):
    if depth == 0 or node.is_terminal():
        return evaluate(node)
    
    if maximizing_player:
        value = -∞
        for child in node.children():
            value = max(value, minimax(child, depth-1, False))
        return value
    else:
        value = +∞
        for child in node.children():
            value = min(value, minimax(child, depth-1, True))
        return value

---

关键特性

1. 完全信息假设：双方对游戏状态完全透明。

2. 最优对抗：对手行为始终以最小化己方收益为目标。

3. 深度限制：实际应用中需限制递归深度以避免计算爆炸。

---

优化方法

Alpha-Beta剪枝

通过记录当前路径的上下界（α和β），提前终止对无效分支的搜索，大幅减少计算量。伪代码如下：

def alphabeta(node, depth, α, β, maximizing_player):
    if depth == 0 or node.is_terminal():
        return evaluate(node)
    
    if maximizing_player:
        value = -∞
        for child in node.children():
            value = max(value, alphabeta(child, depth-1, α, β, False))
            α = max(α, value)
            if α >= β:
                break  # β剪枝
        return value
    else:
        value = +∞
        for child in node.children():
            value = min(value, alphabeta(child, depth-1, α, β, True))
            β = min(β, value)
            if β <= α:
                break  # α剪枝
        return value

复杂度分析

• 时间复杂度：O(b\^d)，其中b为分支因子，d为搜索深度。

• 空间复杂度：O(b \\cdot d)（递归栈空间）。

Alpha-Beta剪枝可将时间复杂度优化至O(b\^{d/2})（最佳情况下）。

---

应用场景

1. 完全信息博弈：如国际象棋、五子棋。

2. 有限决策深度：需权衡计算资源与搜索深度。

3. 确定性环境：无随机因素干扰（如骰子）。

4. Alpha - Beta剪枝

最小最大搜索的优化算法，通过"剪枝"排除不可能影响决策的分支，大幅减少计算量（如棋类程序的深度搜索优化）。

40. 蒙特卡洛树搜索 （MCTS）

蒙特卡洛树搜索是一种结合随机模拟与树搜索的博弈算法，通过迭代构建搜索树来优化决策。其核心思想是通过大量随机模拟（蒙特卡洛方法）评估动作价值，同时利用树结构高效探索状态空间，典型应用包括AlphaGo等博弈AI。

核心四阶段循环

选择（Selection）

从根节点出发，根据树策略（如UCT算法）递归选择子节点，直至到达未完全展开的节点。UCT平衡探索与利用：

UCT(v_i) = \\bar{X}_i + c \\sqrt{\\frac{\\ln N}{n_i}}

其中\\bar{X}_i为节点平均收益，N为父节点访问次数，n_i为当前节点访问次数，c为探索参数。

扩展（Expansion）

当选择阶段到达未完全展开的节点时，扩展一个或多个合法动作作为新子节点。新节点初始化为未访问状态（访问次数n=0，收益Q=0）。

模拟（Simulation）

从新扩展的节点出发，使用默认策略（如随机动作）进行快速模拟至终局，生成胜负结果R（如1表示胜，0表示负）。

回溯（Backpropagation）

将模拟结果R沿路径回溯至根节点，更新路径上所有节点的访问次数n和累计收益Q：

Q \\leftarrow Q + R, \\quad n \\leftarrow n + 1

平衡探索与利用的关键

• UCT算法：通过公式中的探索项（第二项）鼓励访问次数少的节点，避免陷入局部最优。

• 渐进精确性：随着模拟次数增加，节点价值估计逐渐收敛至真实期望，最终选择访问次数最多的动作。

实际应用优化

并行化 ：通过虚拟损失（Virtual Loss）实现多线程同步搜索，避免线程冲突。

领域知识 ：在模拟阶段引入启发式策略（如AlphaGo的Rollout Policy）替代纯随机模拟，提升评估质量。

内存管理：限制树深度或节点数量，结合置换表（Transposition Table）处理重复状态。

代码示例（Python伪代码）

def MCTS(root_state, iterations):
    root_node = Node(root_state)
    for _ in range(iterations):
        node = root_node
        state = root_state.copy()
        
        # Selection
        while node.is_fully_expanded():
            node = node.select_child()
            state.apply_action(node.action)
        
        # Expansion
        if not state.is_terminal():
            action = random.choice(state.legal_actions())
            state.apply_action(action)
            node = node.expand(action)
        
        # Simulation
        result = simulate(state)
        
        # Backpropagation
        while node is not None:
            node.update(result)
            node = node.parent
    return root_node.best_action()

与其他算法的对比

• 与Minimax的区别：MCTS无需完整状态空间，适用于高分支因子问题；Minimax依赖精确评估函数。

• 与Q学习的区别：MCTS在线构建搜索树，Q学习依赖离线训练的Q表，但两者可结合（如AlphaZero）。

蒙特卡洛树搜索的灵活性使其成为复杂决策问题的通用框架，尤其在信息不完全或随机性强的场景中表现突出。

41. 多臂赌博机

强化学习的经典探索-利用 dilemma 模型：多个"老虎机臂"对应不同奖励概率，需在"探索新臂"和"利用已知高奖励臂"间权衡。

42. 贪心算法

多臂赌博机的策略之一，始终选择当前平均奖励最高的臂（"利用"优先），但可能错过潜在更优臂（缺乏"探索"）。

43. ε - 贪心算法

贪心算法的改进，以ε概率随机探索新臂，(1 - ε)概率选择当前最优臂，平衡探索与利用（ε为超参数）。

44. 上限置信区间算法

多臂赌博机的智能策略，选择"平均奖励 + 置信区间上界"最大的臂，既优先高奖励臂，又对不确定性高的臂进行探索。

47. 回归分析

监督学习的任务类型，预测连续数值型目标（如房价预测、销量预估），典型算法如线性回归、决策树回归。

48. 决策树

监督学习算法，通过"树状结构"（节点为特征判断，叶节点为预测结果）实现分类或回归，逻辑直观、可解释性强。

49. 线性判别分析

有监督的降维/分类方法，通过线性变换最大化类间距离、最小化类内距离，常用于数据预处理与分类任务。

50. Ada Boosting

集成学习的Boosting类算法，通过"串行训练弱分类器"，逐步聚焦错误样本，最终加权组合为强分类器。

51. 支持向量机

监督学习的经典算法，寻找最大间隔超平面分隔不同类别样本，核技巧使其能处理非线性分类问题。

53. K均值聚类

无监督学习的聚类算法，将数据划分为K个簇，使簇内样本相似、簇间差异大，通过"迭代优化簇中心"实现聚类。

54. 特征降维 PCA

无监督的降维方法，通过线性变换将高维数据映射到低维空间，保留主要信息（如图像、文本数据的维度压缩）。

55. 特征人脸方法

基于PCA的人脸识别技术，将人脸图像转换为"特征脸"（主成分），通过低维特征表示实现人脸的高效识别与分类。

56. 潜在语义分析

自然语言处理的无监督方法，通过降维发现文本中"词-文档"的潜在语义关联，解决词汇多样性（如同义词、多义词）问题。

57. 期望最大 EM

迭代优化算法，用于含隐变量的概率模型参数估计（如高斯混合模型），通过"E步（期望）- M步（最大化）"循环逼近最优参数。

58. 半监督学习

机器学习范式，训练数据含少量标签样本 + 大量无标签样本，结合监督与无监督思想，降低数据标注成本。

神经网络

59. 人工神经网络

模拟生物神经网络的计算模型，由大量"神经元"节点互联而成，是深度学习的基础架构。

60. 单层神经网络：感知机

最简单的神经网络，仅含输入层 + 输出层，可解决线性可分问题（如与、或逻辑运算），是神经网络的奠基性模型。

61. 输入层

神经网络的第一层，负责接收原始输入数据（如图像像素、文本向量），将数据传递至后续层处理。

62. 输出层

神经网络的最后一层，输出最终预测结果（如分类概率、回归数值），结构与任务类型（分类/回归）强相关。

63. 两层神经网络：多层感知机

含输入层、隐藏层、输出层的神经网络（隐藏层≥1），可解决非线性可分问题，是"深度学习"的入门级结构。

64. 隐藏层

神经网络中输入层与输出层之间的层级，通过非线性激活函数提取数据的抽象特征（隐藏层数量决定网络"深度"）。

65. 多层神经网络：深度学习

含多个隐藏层的神经网络，通过分层特征提取实现"从低层到高层"的语义抽象（如图像识别中"边缘→纹理→物体"的逐层学习）。

66. 前馈神经网络

最基础的神经网络结构，信息单向传递（输入层→隐藏层→输出层），无反馈连接，是深度学习的"骨架"模型。

67. 梯度下降

优化算法，通过迭代更新参数（沿损失函数梯度负方向）最小化目标函数，是神经网络训练的核心方法。

68. BP算法（反向传播算法）

神经网络的训练算法，通过"链式求导"计算损失函数对各层参数的梯度，结合梯度下降更新权重，实现多层网络的学习。

69. 卷积神经网络 CNN

专为处理网格结构数据（如图像）设计的神经网络，通过"卷积层（提取局部特征）+ 池化层（降维）"实现高效特征学习。

70. 循环神经网络 RNN

专为序列数据（如文本、语音）设计的神经网络，通过"循环连接"保留历史信息，但存在梯度消失/爆炸问题。

71. 长短期记忆网络

RNN的改进版本，引入门控机制（输入门、遗忘门、输出门），有效解决长期依赖问题（如长文本的语义理解）。

72. 生成对抗网络 GAN

由生成器（造伪数据） + 判别器（辨真伪）组成的对抗训练模型，通过博弈学习数据分布，可生成逼真图像、文本等。

强化学习

74. 马尔可夫决策过程

强化学习的数学框架，描述智能体在环境中"状态→动作→奖励"的序列决策过程，假设"未来仅依赖当前状态"（马尔可夫性）。

75. 基于价值的强化学习

强化学习范式，通过学习状态/动作的价值函数（如Q - learning）间接得到最优策略，核心是"评估每个决策的好坏"。

76. 基于策略的强化学习

强化学习范式，直接学习策略函数（从状态到动作的映射，如Policy Gradient），适合连续动作空间或复杂策略场景。

77. 深度强化学习

结合深度学习与强化学习的方法，用神经网络近似价值函数或策略（如DQN、PPO），突破传统强化学习的规模限制。

78. 人工智能博弈

研究智能体在竞争/合作场景（如棋类、多智能体系统）中决策的领域，核心是"对抗搜索"与"策略优化"。