从基础理论开始学习人工智能（二）：应用和方法------从拼图游戏到神经网络
系列 ：AI 学习笔记 · 从零开始读教材
教材：《人工智能》（第 3 版）第 1 章「绪论」1.5 节「应用和方法」
一、引言：AI 不仅能"想"，还能"做"
上一篇博客我们学习了 1.3 节「启发式方法」：面对复杂问题时，聪明的计算机如何通过"先解简单相关问题""反向倒推"等经验法则高效逼近答案。那一节回答的是单个问题如何求解 ；而 1.5 节「应用和方法」则把视野拉高到整个学科：人工智能究竟被应用在哪些领域？解决这些领域的问题，又依赖哪些基本方法？
如果说 1.3 节是"种子"，那么 1.5 节就是"地图"。教材在这一节系统性地列出了 AI 研究的十个典型方向：从搜索算法、二人博弈，到自动推理、产生式系统，再到细胞自动机、神经计算、遗传算法、知识表示与不确定性推理。它们看似各自独立，实则共享同一套底层骨架------状态、表示、搜索与推理。
本篇博客将逐一概述并讲解这十项内容，每项配一张用 Python/matplotlib 绘制的示意图，希望能像上一篇一样，把抽象的概念变成看得见的图景。
二、1.5 节概览：一张方法地图
教材 1.5 节「应用和方法」包含十个分项，可以用下面的表格先建立一个整体印象：
| 序号 | 分项 | 一句话概括 | 核心关键词 |
|---|---|---|---|
| 1 | 人工智能研究领域的一些应用 | AI 能做什么 | 应用领域总览 |
| 2 | 搜索算法和拼图问题 | 如何在状态空间中找路径 | 状态空间、DFS/BFS、组合爆炸 |
| 3 | 二人博弈 | 如何在对抗中做决策 | MINIMAX、博弈树 |
| 4 | 自动推理 | 如何从已知推未知 | 逻辑、归结、推理链 |
| 5 | 产生式系统和专家系统 | 如何用规则模拟专家 | IF-THEN 规则、推理机 |
| 6 | 细胞自动机 | 简单规则如何涌现复杂 | 元胞、邻域、演化规则 |
| 7 | 神经计算 | 如何模拟大脑的联结 | 神经元、MLP、前向传播 |
| 8 | 遗传算法 | 如何用进化思想优化 | 选择、交叉、变异 |
| 9 | 知识表示 | 如何把知识放进计算机 | 语义网络、框架、逻辑 |
| 10 | 不确定性推理 | 如何在不确定中下结论 | 贝叶斯网络、概率 |
下面逐项展开。
三、分项讲解
3.1 人工智能研究领域的一些应用（概述）
人工智能不是一个单一的"魔法技术"，而是一个问题域极广、方法极多 的学科集群。教材指出，AI 的研究与应用几乎渗透到人类智力活动的方方面面。这里列出的典型应用领域包括：机器学习与数据挖掘、自然语言处理、计算机视觉、专家系统、机器人、自动定理证明、博弈与游戏、知识工程等。
图 3 人工智能研究的典型应用领域。不同领域看似分散，但底层共享搜索、表示、推理、学习等通用方法。
值得注意的是，这些领域并非彼此割裂：一个自动驾驶系统，既要用到计算机视觉感知环境（感知），又要用规划与搜索决定行驶路径（决策），还可能用机器学习持续优化策略（学习）。理解 1.5 节的方法清单，等于握住了打开所有这些应用之门的钥匙。
3.2 搜索算法和拼图问题
搜索（Search） 是 AI 最古老也最基础的问题求解方法。教材在 1.5 节之前已经铺垫了状态空间图与搜索树的概念：把问题的每个可能状态看作图中的一个节点，把状态的合法变化看作边，问题求解就转化为在状态空间图上寻找从初始状态到目标状态的路径。
拼图问题（如八数码、十五数码） 是搜索算法的经典测试床。以八数码为例：3×3 棋盘上 8 个数字方块加一个空格，每次移动空格旁的一个方块，目标是达到指定的排列。这个问题的状态空间有 9! = 362880 种排列，规模不大不小，非常适合检验不同搜索策略的效率。
图 4 在状态空间树中，深度优先搜索（DFS）沿一条分支"尽可能深入"（红色路径 A→B→D→E→C→F→G），广度优先搜索（BFS）按层"逐层展开"（A→B→C→D→E→F→G）。
两种最基本的盲目搜索策略（第 1 章前文已详述）对比鲜明：
-
深度优先搜索（DFS
Depth First Search）：从初始状态出发，沿着一条分支一直深入，走不通再回溯。优点：内存占用小；缺点：可能钻进很深的"死胡同"。 -
广度优先搜索（BFS
Breadth First Search）：逐层扩展所有节点，先探索距离初始状态近的所有状态。优点：一定能找到最短路径；缺点：内存爆炸，随着层数增加节点数指数增长。
盲目搜索面对的真实困境是组合爆炸（combinatorial explosion） ：状态数量随问题规模指数增长。八数码还算"温和"，而 15 数码的状态数高达 16! / 2 ≈ 1.05×10¹³，穷举完全不可行。这正好呼应上一篇 1.3 节的结论：必须引入启发式方法（如 A* 搜索），用启发函数引导搜索方向，才能在大状态空间中高效找到解。
3.3 二人博弈
博弈是 AI 最"好看"的应用：国际象棋、围棋、井字棋......二人博弈问题的特点是：有两个对抗的玩家轮流行动，一方的收益就是另一方的损失（零和博弈）。这类问题不能用普通搜索直接求解，因为对手会"反着走"。
MINIMAX MINIMIZE+MAXIMIZE 算法 是二人博弈的经典决策方法，核心思想是：在博弈树中，轮到 MAX（我方）时选择使收益最大 的走法；轮到 MIN（对手）时选择使我方收益最小的走法。通过把叶子节点的收益值自底向上逐层回传，MAX 就能选择"对手最优应对下仍对自己最有利"的走法。
图 5 MINIMAX 博弈树。叶子节点给出局面的收益值；MIN 层取子节点最小值（min(3,12,8)=3，min(2,4,6)=2，min(14,5,2)=2），MAX 层（根）取子节点最大值（max(3,2,2)=3），因此根节点的最佳收益为 3。
以图 5 为例逐步验证：
| 节点 | 计算 | 结果 |
|---|---|---|
| M1（MIN 层） | min(3, 12, 8) | 3 |
| M2（MIN 层） | min(2, 4, 6) | 2 |
| M3（MIN 层） | min(14, 5, 2) | 2 |
| R（MAX 层，根） | max(3, 2, 2) | 3 |
MINIMAX 的局限是博弈树太大：国际象棋的分支因子约 35、对局深度约 80，全树节点数天文数字。因此实际系统还会使用 α-β 剪枝 （剪掉不可能影响最终决策的分支）和评估函数（对非叶子节点快速打分），这也是 AlphaGo 等现代博弈系统的基本思想雏形。
3.4 自动推理
自动推理（Automated Reasoning） 让计算机像数学家一样"证明"和"推导"：从已知的事实和规则出发，通过逻辑规则机械地推出新结论，而不只是查表。它的理论基础是数理逻辑 ------命题逻辑、谓词逻辑（一阶逻辑），以及著名的归结原理（Resolution）。
自动推理的两种基本执行方向是：
- 前向推理（Forward Chaining，数据驱动）：从已知事实出发，反复应用规则产生新事实，直到目标被推出或没有新事实产生。
- 后向推理（Backward Chaining，目标驱动）：从待证目标出发，反向寻找能推出目标的规则，再递归地证明规则的前提。
图 6 前向推理链示意：事实库中的初始事实通过规则库逐条匹配，一步步推导出新的结论（如"奇奇会飞"）。
自动推理的意义在于：它把"思考"本身变成了可计算、可验证的过程。著名的自动定理证明（如罗宾逊的归结原理）曾证明出数学家难以手工完成的定理；今天的程序验证、形式化方法也都是自动推理思想在工程中的延伸。
3.5 产生式系统和专家系统
产生式系统（Production System） 是自动推理最成功的一种工程化形态，其核心是产生式规则------形如"IF（条件）THEN（动作/结论）"的知识单元。一个典型的产生式系统由三部分组成：
- 事实库（Working Memory）：存放当前已知的事实；
- 规则库（Rule Base）：存放所有 IF-THEN 规则；
- 推理机（Inference Engine）：负责匹配规则、决定先执行哪条（冲突消解）、执行动作。
图 6 展示的正是这样一个前向链推理过程：事实库里有"麻雀""小鸟"等初始事实，规则库中有"麻雀是一种鸟""鸟会飞"等规则，推理机不断匹配并推导出"奇奇会飞"。
专家系统（Expert System） 是把产生式系统用于特定专业领域的经典应用：把领域专家的经验编码为规则，让计算机在诊断、设计、咨询等任务中达到专家水平。其典型结构包括知识库（规则）、推理机、解释机制（向用户说明"为什么得出这个结论"）和人机界面。历史上著名的专家系统有医学诊断系统 MYCIN 、化学分析系统 DENDRAL 等，它们证明了"知识 + 推理"路线的可行性，也直接推动了知识工程学科的诞生。
3.6 细胞自动机
细胞自动机（Cellular Automaton，CA） 是一个极具启发性的"从简单到复杂"模型。它由以下要素构成：
- 格点（Cells）：一维或二维网格上的一个个"细胞"；
- 状态（States）：每个细胞可取有限种状态（如一维细胞自动机中通常为 0/1）；
- 邻域（Neighborhood）：每个细胞的下一步状态只取决于它自身与相邻细胞；
- 演化规则（Rule）：根据邻域状态确定下一步状态的确定性规则。
一维细胞自动机最著名的分类来自沃尔夫勒姆（Stephen Wolfram） ：规则 0~255 中，绝大多数产生平凡、周期或混沌行为，但规则 110 被证明是图灵完备的------仅凭一条简单规则，就能模拟任何可计算过程！
图 7 从单个活跃细胞出发，规则 90 演化出规整的谢尔宾斯基式分形图案，规则 110 则演化出复杂的混沌模式。简单局部规则能涌现出惊人的全局复杂性。
二维细胞自动机中最广为人知的是康威的生命游戏（Game of Life） ：只有"出生/存活/死亡"三条简单规则，却能演化出滑翔机、振荡器等复杂结构。细胞自动机给 AI 的重要启示是：智能与复杂行为不一定需要复杂的中心化程序，简单的局部规则通过大规模并行交互，同样可以涌现出复杂全局行为------这与神经计算、遗传算法的思想一脉相承。
3.7 神经计算
神经计算（Neural Computation） 是模拟大脑工作方式的计算范式。大脑由约 860 亿个神经元通过突触连接而成，每个神经元接收其他神经元的输入信号，经过加权求和与非线性激活后决定是否输出。人工神经网络（Artificial Neural Network） 把这一过程数学化：神经元就是一个"加权求和 + 激活函数"的函数单元。
最简单的神经网络单元是 感知机（Perceptron） （源自 1943 年麦卡洛克-皮茨的 MP 神经元模型），它可以完成线性分类；但单个感知机无法解决异或等线性不可分问题，于是出现了多层前馈网络（MLP）：输入层接收数据，一个或多个隐藏层做非线性变换，输出层给出结果。
图 8 多层前馈神经网络：信息从输入层流入隐藏层，每个神经元先对输入加权求和、再经激活函数非线性变换，最终在输出层产生结果（前向传播）。
图 8 展示的正是这种结构。训练 MLP 时，先通过前向传播计算输出与真实值的误差，再用**反向传播（Backpropagation）**算法把误差沿网络逐层回传、更新连接权重，使误差逐步减小。神经计算的联结主义思想------"知识分布存储在大量连接权重中"------与符号主义（逻辑、规则）形成了 AI 的两大传统流派，今天的深度学习正是神经计算在算力与数据红利下的现代复兴。
3.8 遗传算法
遗传算法（Genetic Algorithm，GA） 由霍兰德（John Holland）在 20 世纪 70 年代提出，核心思想是模拟达尔文自然选择与遗传变异来求解优化问题。算法维护一个"种群"（一组候选解），通过不断"优胜劣汰、繁衍生息"逼近最优解。基本流程如下：
- 种群初始化：随机生成一组候选解（每个解编码为"染色体"）；
- 适应度评估：用目标函数给每个个体打分；
- 选择：按适应度高低选择优秀个体（适应度越高越可能被选中）；
- 交叉：两个父代个体交换部分基因，产生子代；
- 变异：以很小概率随机改变某些基因，维持种群多样性；
- 终止判断：若达到最大代数或找到满意解，输出最优解；否则回到第 2 步循环。
图 9 遗传算法的基本流程：初始化 → 适应度评估 → 选择 → 交叉 → 变异 → 终止判断，不满足终止条件则循环迭代。
遗传算法特别适合搜索空间巨大、目标函数不光滑甚至没有解析形式的优化问题（如组合优化、超参数调优、电路布局），它不需要梯度信息，只靠"评估 + 随机搜索 + 选择压力"就能在复杂空间中找出高质量解。图 9 的循环结构直观体现了"进化"的本质：一代代个体在适应度压力下不断改进。
3.9 知识表示
计算机要"智能"地处理知识，首先得把知识表示 成机器可处理的形式，这就是知识表示（Knowledge Representation） 要解决的问题。教材 1.5 节介绍了几种经典表示方法，其中语义网络（Semantic Network） 非常直观：用节点 表示概念或对象，用带标签的边表示它们之间的关系。
图 10 语义网络：节点代表概念（鸟、动物、金丝雀......），边代表关系（"是"表示继承关系，"有羽毛""有翅膀"表示属性）。子类可继承父类的属性，特殊个体可通过例外属性（如"不会飞"）覆盖继承。
图 10 中，"鸟是动物""鸟有羽毛、有翅膀"等关系构成知识骨架；"金丝雀、鸵鸟、企鹅是鸟"建立继承关系，于是它们默认继承鸟的属性（有羽毛、有翅膀）；但"鸵鸟不会飞""企鹅会游泳"等例外属性说明：继承可以被局部覆盖，知识表示必须能表达"一般 + 例外"的复杂结构。
除了语义网络，经典的知识表示方法还包括：
| 表示方法 | 基本单元 | 特点 |
|---|---|---|
| 产生式规则 | IF-THEN 规则 | 直观、模块化，适合专家系统 |
| 语义网络 | 节点 + 关系边 | 直观表达概念间关系与继承 |
| 框架（Frame） | 槽 + 填充值 | 适合描述对象及其属性、默认值 |
| 一阶逻辑 | 谓词公式 | 表达力强、可严格推理 |
| 本体（Ontology） | 概念 + 公理 | 适合大规模知识共享与推理 |
知识表示的选择深刻影响后续推理的效率与表达能力------表示决定计算的复杂度，这也是知识工程反复强调的原则。
3.10 不确定性推理
现实世界充满不确定性：症状与疾病之间不是确定的因果关系，天气预报只能说"明天下雨概率 70%"。因此 AI 需要不确定性推理（Reasoning under Uncertainty），而概率论是最坚实的数学工具。
贝叶斯网络（Bayesian Network） 是目前最常用的不确定性推理模型之一，它是一个有向无环图（DAG） ：节点表示随机变量，边表示变量间的因果关系（父节点影响子节点），每个节点带一张条件概率表（CPT），描述其在父节点各种取值下的概率分布。
图 11 经典 WetGrass 模型：根节点"阴天"影响"下雨"和"洒水器"两个原因节点，二者共同影响结果节点"草地湿"；每条边上标注条件概率，支持由父节点联合推理子节点的不确定性。
图 11 是教科书级的 WetGrass 模型：如果观察到"阴天"，可以推出"下雨"和"洒水器"的概率上升；如果已知"草地湿"，通过贝叶斯推理 可以反向诊断"更可能是下雨还是洒水器造成的"。贝叶斯网络的价值在于：它把庞大的联合概率分布分解为局部条件概率，使不确定性推理在计算上可行，被广泛应用于诊断系统、风险评估、垃圾邮件过滤等场景。此外，模糊逻辑 （处理"温度较高"这类模糊概念）和 Dempster-Shafer 证据理论（处理证据冲突与不确定）也是不确定性推理家族的重要成员。
四、十项内容总览与总结
| 分项 | 要解决的根本问题 | 核心机制 | 代表方法/应用 |
|---|---|---|---|
| 应用概述 | AI 能做什么 | 领域 × 方法交叉 | 机器学习、NLP、视觉、机器人 |
| 搜索算法和拼图问题 | 如何在状态空间中找解 | 状态空间 + 搜索树 | DFS/BFS、八数码、组合爆炸 |
| 二人博弈 | 对抗环境下如何决策 | MINIMAX、剪枝 | 国际象棋、围棋程序 |
| 自动推理 | 如何机械地推出新事实 | 逻辑 + 归结 + 推理链 | 自动定理证明、程序验证 |
| 产生式系统和专家系统 | 如何用规则编码专家知识 | IF-THEN 规则 + 推理机 | MYCIN、DENDRAL |
| 细胞自动机 | 简单规则如何涌现复杂 | 局部规则 + 并行演化 | 规则 110、生命游戏 |
| 神经计算 | 如何模拟大脑联结 | 加权求和 + 激活 + 传播 | MLP、反向传播、深度学习 |
| 遗传算法 | 无梯度信息时如何优化 | 选择 + 交叉 + 变异 | 组合优化、超参搜索 |
| 知识表示 | 如何把知识放进计算机 | 节点/规则/逻辑等形式 | 语义网络、框架、本体 |
| 不确定性推理 | 信息不完备时如何下结论 | 概率 + 因果图 | 贝叶斯网络、模糊逻辑 |
纵览这十项，可以提炼出三条贯穿始终的主线：
- 表示（Representation）：一切智能处理的前提是把问题、知识、不确定性"表示"成机器可计算的形式------状态空间、规则、语义网络、贝叶斯网络都是不同侧面的表示；
- 搜索（Search）：有了表示，求解就是搜索------状态空间中的盲目搜索与启发式搜索、博弈树上的 MINIMAX、遗传算法的随机搜索，都是"搜索"思想的变体；
- 推理与学习（Reasoning & Learning）：确定性知识用逻辑推理，不确定性知识用概率推理，而无法显式建模的复杂规律则靠神经计算与遗传算法从数据/进化中"学习"出来。
搜索是通用骨架，表示决定效率，学习应对复杂。 这就是 1.5 节「应用和方法」给 AI 学习者绘制的地图。
五、学习心得与下一篇预告
5.1 学习心得
- 1.5 节让我第一次看清了 AI 的"全家福"。1.3 节解决"单个问题怎么想"，1.5 节回答"整个学科怎么布局"。十项内容看似庞杂，实则围绕"表示---搜索---推理---学习"四大支柱展开，学科一下就立体了。
- "组合爆炸"是理解 AI 方法的钥匙 。八数码的 36 万状态、15 数码的 10¹³ 状态、国际象棋的分支因子......一旦意识到"穷举必死"，就自然理解了为什么要启发式、要剪枝、要概率、要进化计算------所有聪明方法本质上都是对抗状态空间膨胀的策略。
- 符号主义与连接主义并不对立。产生式系统、语义网络代表符号主义（显式规则与知识），神经网络代表连接主义（分布式权重）；细胞自动机与遗传算法又展示了"涌现"的第三条路。今天的 AI 往往综合运用多种范式------理解它们各自的长处与边界，比站队更有价值。
- 每个方法背后都有一个漂亮的数学故事。MINIMAX 是最优化，贝叶斯网络是概率图模型，遗传算法是随机优化，神经网络是函数逼近。这提醒我：学 AI 不能只背名词，要能推公式、画流程、验数值（本文所有 MINIMAX 数值已逐步验证）。
参考资料与说明
- 教材内容与引文出处：《人工智能》（第 3 版）第 1 章「绪论」1.5 节「应用和方法」（应用概述、搜索算法和拼图问题、二人博弈、自动推理、产生式系统和专家系统、细胞自动机、神经计算、遗传算法、知识表示、不确定性推理）。
- 本文承上启下：结合教材第 1 章前文（1.3 节启发式方法、状态空间图、盲目搜索 DFS/BFS、组合爆炸）展开讲解。
- 本文所有示意图均由 Python 3 + matplotlib 绘制，无任何 AI 生成水印；中文文字均已检查，清晰无乱码。
- 本文所有数值（MINIMAX 博弈树回传值、八数码状态数 9! = 362880 等）均已人工验证。
- 经典背景知识参考：Russell & Norvig《Artificial Intelligence: A Modern Approach》中关于搜索、博弈、概率推理、遗传算法与神经网络的经典论述，用于对照理解教材原文。