什么是 AI
人工智能的定义通常可以分为以下四个维度：
- Make machine think correctly
- To think like people
- To act like people
- To act optimally
The core of the course： Maximize your expected utility（最大化期望效用）
如何做出好的决策
做出好的决策实际上依赖于两个关键因素：
一 记忆（数据）：记住过去的经验。
二 模拟（计算）：根据模型推演行动的可能后果。
课程结构与目标
CS188 主要分为两大板块：
一 智能行为源于算法和计算。
二 基于数据和统计做出明智决策（机器学习）。
课程目标：编写决策程序，将感知到的信息映射为具体的行动。我们将从高层次上理解一些直觉，以及我们感兴趣的问题类型，然后展示一个形式化的过程。
智能体的分类
1. 反射智能体 (Reflex Agents)
- 基于当前感知信息（可能还包括一些记忆）作出反应，但不会考虑行为的后果。
- 例子：当苍蝇飞向你时，你直接闭上眼，而不会去推演“闭上眼会怎样，不闭上眼会怎样”。
- 注意：你通过何种方式得出行动，与该行为是否是理性的（Rational）无关。
2. 规划智能体 (Planning Agents)
- 需要了解世界运作的模型，以此来推理行动可能带来的后果。
- 还必须具备目标，智能体会根据行动是否能达成目标来评估这些行动。
搜索问题
一个形式化的搜索问题必须包含以下部分：
- 状态空间 (State Space)
- 后继函数 (Successor Function)
- 起始状态 (Start State)
- 目标测试 (Goal Test)
搜索树
- 包含了所有可能的计划（即所有可能的动作序列）以及所有可能的结果。
- 注意：搜索树通常比状态空间图大得多（因为同一状态可以通过不同的路径被多次访问）。
General Tree Search
通用树搜索的核心逻辑是一层层地进行搜索。根据策略的不同，衍生出以下经典算法：
- 深度优先搜索 (DFS - Depth-First Search)
- 广度优先搜索 (BFS - Breadth-First Search)
- 迭代加深搜索 (Iterative Deepening)
- 结合了 DFS（省空间）和 BFS（找最优）的优势。
- 策略：不断运行 DFS，但是设置一个深度限制。
- 一致代价搜索 (UCS - Uniform Cost Search)
- 受广度优先启发，优先搜索成本最低的节点。
**小结 **： 上述这些搜索算法，唯一的不同点就在于：从边缘 (Fringe) 选出下一个节点的策略不同。底层框架完全是一致的。