应用领域

替代低端劳动，解决危险、高体力精力损耗领域

什么是智能制造？数字孪生？边缘计算？

边缘计算是数字孪生的 “感官和神经末梢”，负责采集本地实时数据和即时反应。琐碎数据不上传总服务器，实时进行局部的决策和处理。

数字孪生是智能制造的 “大脑和决策中心”，负责监控、仿真模拟和优化、数据流动。

智能制造是目标和平台，边缘计算和数字孪生是实现这一目标的核心关键技术。

简单，易用，可以加大普及，降低学习使用门槛，提高中低端生产效率，便于跨领域、管理者掌握信息
要给用户选择题，不是问答题

发展现状

功能上进行黑盒模拟，结构上做不到。
无法实现人类的灵感、创新？类比、抽象的能力。
让机器学哲学会怎么样？能否根据相关问题，抽象类比给出类似的解决方案

机器无法进行形象思维，而是靠大数据训练检索
如果可以仿照联想：就无需大数据，完全推翻当前的深度学习

人脑是多元的，可以干很多事，但机器都是单一的功能，针对特定需求进行特定数据训练

伦理问题

机器的理性，对人可能是不理性的

复习概率论

基本理论和公式

机器学习

掌握思想
要求会优化
传统算法对于特定问题有很大的优化空间

深度学习的突破在于解决特征提取，目前的网络复杂的侧重基本也在于对特征的处理

搜索

传统搜索算法每一步都要求是确定的
在人工智能中，部分信息不可知，所以无法进行搜索（可以获取全部信息用回归）

A*、Min-max搜索、遗传算法

A*（A-Star）搜索算法

核心思想：启发式路径搜索，寻找单一代理者的最短路径。
它是一种在图形或网格中寻找从起点到终点的最低成本路径的算法。它之所以“智能”，是因为它不会像无头苍蝇一样盲目搜索，而是会利用线索（启发式函数）来指引方向。

它是如何工作的？
A*算法为每个可能的下一步位置计算一个分数：f(n) = g(n) + h(n)
g(n)：从起点到当前节点 n 的实际成本（已经走过的距离）。
h(n)：从当前节点 n 到终点的预估成本（启发式函数，例如直线距离）。这个预估必须乐观，不能高估实际成本。
f(n)：总预估成本。算法总是优先探索 f(n) 值最小的节点，因为它认为这条路径最有希望最快到达终点。

简单比喻：
你在一个巨大的迷宫里，要去往另一个出口。
g(n) 是你已经走了多少步。
h(n) 是你凭感觉估算的离出口还有多远（比如看地图的直线距离）。
你总会选择（已走步数 + 感觉剩余距离）总和最小的方向前进。这种感觉（启发函数）越准，你找到出口的路径就越快、越优。

主要应用：地图导航（GPS）、游戏中的AI寻路、机器人运动规划。

Min-max搜索算法

核心思想：对抗性决策，在两个对抗者之间寻找最优策略。
它假设对手是理性的，总是会采取对你最不利的行动。算法通过在游戏状态树中轮流模拟自己和对手的决策，来选择一条最大化自己最小收益的路径。

它是如何工作的？
将游戏构建成一棵决策树，层与层交替代表自己（Max玩家）和对手（Min玩家）的回合。
从终端状态（游戏结束）开始，回溯评估每个节点的价值。
Max层（你的回合）：选择子节点中价值最大的操作，因为你希望最大化自己的优势。
Min层（对手的回合）：选择子节点中价值最小的操作，因为对手希望最小化你的优势（最大化他自己的优势）。
通过这种交替的“最大-最小”回溯，最终为当前局面选择一个最稳妥的、能抵抗对手最优策略的着法。

简单比喻：
下棋时，你会想：“如果我走这里，那么对手最狠的反击是走那里，然后我最好的回应是……这样走下去，最终结果对我有利吗？” Min-max算法就是把这种思考过程系统化、程序化。

主要应用：回合制策略游戏AI（国际象棋、围棋、五子棋）、任何需要对抗决策的场景。

注意：完整搜索整个游戏树通常不可行，因此会配合Alpha-Beta剪枝等优化技术，并在一定深度后使用评估函数来估算局面价值。

Alpha-Beta剪枝
α (Alpha):代表 Max玩家在当前路径上至少能保证获得的收益（下界）。
β (Beta):代表 Min玩家在当前路径上至多允许付出的代价（上界）。
当在任何节点处出现 α ≥ β 时，就可以停止（剪枝）该节点剩余子节点的搜索。

遗传算法

核心思想：模拟生物进化论来解决优化问题。它是一种通过模拟“自然选择”和“遗传变异”来在复杂空间中寻找近似最优解的启发式算法。

它是如何工作的？
算法维护一个包含多个候选解（称为“染色体”）的种群，并通过迭代以下步骤来让种群进化：
初始化：随机生成一组初始解。
选择：用一个适应度函数（评估解的好坏）来评估每个个体。适应度高的个体更有可能被选中作为“父母”来繁殖下一代。
交叉：模仿基因重组，将两个“父母”解的一部分进行交换组合，产生新的“后代”解。
变异：以较低的概率随机改变后代解中的某些部分，引入新的基因，保持种群的多样性，避免过早陷入局部最优。
迭代：用新生成的后代替换掉适应度差的老个体，形成新的种群。重复步骤2-5，直到满足终止条件（如找到足够好的解或达到迭代次数）。

简单比喻：
你想造一辆最快的自行车。
先随机造100辆不同形状的自行车（初始化）。
让它们比赛，排名前20名的就是好的（选择）。
把这些好自行车拆了，用它们的零件（车把、轮子、座椅）互相拼装，组成50辆新车（交叉）。
在拼装过程中，偶尔给某个轮子换个新尺寸或把车把掰弯一点（变异）。
让这50辆新车再比赛，重复这个过程。一代一代下去，自行车就会越来越快。

主要应用：机器学习参数调优、调度问题（如排班）、工程设计优化、艺术创作等复杂且没有标准解法的问题。