AI 与游戏进化史：基于 AI-For-Beginners 课程的 Game Jam 写作指南

导读：本文是 AI-For-Beginners 课程第一课（Introduction to AI）配套作业“Game Jam”的深度指南。你将学会如何挑选一款“足够老、经历过多种 AI 技术浪潮”的游戏，并从过去、现在、未来三个时间维度撰写一篇关于 AI 如何改变游戏的技术短文。文章将以课程仓库中的 AI 历史主线、强化学习与遗传算法章节为证据，帮你把一篇作业写成一篇有史实、有原理、有展望的硬核科普。

一、作业原文与核心要求

在 lessons/1-Intro/assignment.md 中，作业要求如下：

Games are an area that have been heavily influenced by developments in AI and ML. In this assignment, write a short paper on a game that you like that has been influenced by the evolution of AI. It should be an old enough game to have been influenced by several types of computer processing systems. A good example is Chess or Go, but also take a look at video games like pong or Pac-Man. Write an essay that discusses the game's past, present, and AI future.

拆解一下，这篇短文必须满足四个硬性条件：

1. 选一款你喜欢的游戏，且它必须足够“老”；
2. 这款游戏要被多种计算机处理系统（多种 AI 技术路线）影响过；
3. 推荐的例子：国际象棋（Chess）、围棋（Go），或者 Pong、Pac-Man 等视频游戏；
4. 文章必须分三个时间维度展开：游戏的过去（past）、现在（present）、AI 未来（future）。

这门课的设计意图很明确：第一课 lessons/1-Intro/README.md 讲的是 AI 的两种主流技术路线——自上而下的符号推理与自下而上的神经网络，以及 AI 发展的历史。而游戏恰好是这两种路线交替登场的绝佳观察窗口。

二、为什么选游戏：AI 技术的天然试验场

游戏之所以适合观察 AI 进化，是因为 AI 的每一种主流技术路线都在游戏里留下过实证。课程仓库里几乎每个章节都能在游戏场景中找到呼应：

• 符号推理 / 专家系统：早期棋类程序；
• 搜索算法（α-β 剪枝）：国际象棋程序的搜索式下法；
• 案例推理（case-based reasoning）：基于棋谱数据库匹配局面；
• 神经网络与强化学习：现代自对弈式棋类 AI 与 Atari 游戏 AI；
• 遗传算法（进化计算）：用进化思想训练游戏 AI（课程中有 Super Mario 的例子）；
• 计算机视觉（CNN）：让 AI 看懂游戏截图（Atari 问题）。

三、游戏 AI 的“过去”：从搜索到知识表示

课程 lessons/1-Intro/README.md 的 “A Brief History of AI” 一节，直接以国际象棋为例演示了 AI 技术路线的变迁，这正是你写“过去”部分的骨架：

1. 搜索式下法：早期的国际象棋程序显式地枚举对手未来若干步的可能走法，并在几步内能达成的最优局面中选择一步棋。这催生了著名的 α-β 剪枝（alpha-beta pruning） 搜索算法。搜索策略在残局阶段表现良好，因为此时可行走法数量少、搜索空间小。
2. 案例推理：开局阶段搜索空间巨大，于是程序改为从人类棋手的历史对局中学习，在知识库中寻找与当前局面高度相似的棋局案例来决策——这就是 案例推理（case-based reasoning）。
3. 向神经网络的过渡：与此同时，课程还提到早期“会说话的程序”如 Eliza 仅靠简单语法规则和句式改写就能伪装智能，这与早期游戏 AI 的“规则堆砌”异曲同工——两者都很快暴露出不扩展（does not scale well）的问题，并共同触发了 1970 年代的 AI 寒冬（AI Winter）。

这一段你可以这样写：以国际象棋为例，说明“过去”的 AI 是自上而下的符号派，靠人把知识编码进程序，能力边界取决于知识的完备程度。

课程也提供了图示素材：lessons/1-Intro/images/history-of-ai.png 展示了 AI 的完整历史脉络（图片由 Dmitry Soshnikov 绘制），可以作为文章配图，直观说明技术路线从符号推理到神经网络的时代切换。

四、游戏 AI 的“现在”：神经网络与强化学习

4.1 自对弈式棋类 AI

README 中明确指出：现代击败人类棋手的程序基于神经网络和强化学习（reinforcement learning）。它们不依赖任何人类棋谱，纯粹通过与自身长时间对弈、从自己的失误中学习来学会下棋——这与人类学棋的方式相似，但程序能在极短时间内进行多得多的对局，因而学得更快。

仓库中的 lessons/6-Other/22-DeepRL/README.md 进一步给出实证：近年最先进的棋类程序（如 Alpha Zero 这类模型）由两个智能体互相博弈、逐步提升，从零开始训练而成。这一章还系统讲解了强化学习的核心概念，正是你“现在”部分的原理弹药：

• 环境/模拟器（environment）：设定游戏规则，供程序反复实验并观察结果；
• 奖励函数（reward function）：衡量实验成败——在游戏中就是最终得分；
• 探索与利用（exploration vs. exploitation）：在“沿用已知最优策略”和“尝试未知状态”之间保持平衡；
• 策略梯度（Policy Gradients）：用神经网络把状态映射为动作概率，配合累积奖励与折扣系数 γ=0.99 训练；
• Actor-Critic 算法：神经网络同时输出“行动策略（actor）”和“对总奖励的估计（critic）”，架构上类似课程 lessons/4-ComputerVision/10-GANs/README.md 中两个网络互相博弈的 GAN。

4.2 Atari 与视频游戏 AI

对于写 Pong、Pac-Man 这类视频游戏的同学，DeepRL 章节专门提到：

教计算机玩 Atari 游戏的难点在于状态不再是向量，而是一张截图——需要用 CNN 把屏幕图像转换为特征向量并提取奖励信息。

这一条把“现在”的两个关键点串起来了：视频游戏 AI 需要视觉理解（CNN）与决策学习（RL）的协作。Pong 和 Pac-Man 的像素画面、离散动作、即时得分，正是 RL 教科书级的测试环境。课程配套的可执行 Notebook CartPole-RL-TF.ipynb 和 CartPole-RL-PyTorch.ipynb 也演示了如何用几行 gym.make("CartPole-v1") 代码跑起一个游戏环境，让你可以亲手体验 RL 从随机乱跳到学会平衡的全过程。

4.3 遗传算法路线

如果选 Pong/Pac-Man，还可以补充第三条技术路线：课程 lessons/6-Other/21-GeneticAlgorithms/README.md 介绍的遗传算法，其核心思想是把候选方案编码为“基因”，通过**交叉（crossover）、选择（selection，依据适应度函数 fitness function）和变异（mutation）**迭代进化出更优解。README 中提到可以用遗传算法训练的神经网络让计算机学会玩 Super Mario——这展示了“现在”游戏 AI 的另一种进化路径，也让你的文章更有层次。

五、游戏 AI 的“未来”：可以写什么

“未来”部分要基于课程已有的研究趋势做有依据的展望，不要凭空编造。课程 README 提供了几个可靠的方向：

1. 端到端神经网络：README 指出未来可能出现完全基于神经网络的对话模型（GPT、Turing-NLG 系列已展现巨大潜力）。对应到游戏，就是“看屏幕 → 直接输出操作”的端到端智能体，不再依赖人工设计的特征或规则。
2. 更强的视觉理解：随着课程 lessons/4-ComputerVision/README.md 中 CNN 在图像分类（2015 年达人类水平）、图像描述（2020 年达人类水平）等任务上不断突破，AI 读懂复杂游戏画面的能力只会更强。
3. 更复杂的多智能体协同：课程 lessons/6-Other/23-MultiagentSystems/README.md 提到的多智能体系统，对应着未来多人游戏、团队竞技类游戏里 AI 队友与 AI 对手的协作与博弈。

一个稳妥的写法是：以你选的游戏为例，先复述它目前最强的 AI 方案（如棋类用自对弈 RL、街机游戏用 CNN+RL），再指出“未来”方向是更强的端到端模型、多模态输入（结合课程 lessons/X-Extras/X1-MultiModal/README.md 的 CLIP 等多模态网络），以及更自然的 NPC 行为。

六、写作结构模板（可直接套用）

根据课程作业要求与上述素材，推荐一篇 600–900 词的短文结构：

章节	核心内容	可引用的仓库证据
引言	选中的游戏是什么，为什么它见证了多种 AI 技术	课程第一课主题
过去	搜索、α-β 剪枝、案例推理、专家系统、AI 寒冬	lessons/1-Intro/README.md
现在	神经网络 + 强化学习、自对弈、CNN 看屏幕、遗传算法	lessons/6-Other/22-DeepRL/README.md、lessons/6-Other/21-GeneticAlgorithms/README.md
未来	端到端模型、多模态、多智能体、更自然的 NPC	lessons/4-ComputerVision/README.md、lessons/6-Other/23-MultiagentSystems/README.md
结语	用一两句话总结技术路线如何随算力与数据迁移	AI 历史主线

七、评分要点与常见误区

• 选材要“够老”：选 1980 年代以前的游戏（国际象棋、围棋、Pong、Pac-Man），才能覆盖“搜索时代 → 知识时代 → 神经网络时代”多个技术浪潮；太新的游戏缺乏“过去”可写。
• 三段时间缺一不可：过去、现在、未来要各自成段，且每段都要落到具体技术上，不要写成单纯的产品史。
• 用证据支撑论断：例如写“现代棋类 AI 靠自对弈强化学习”，可引用课程中 Alpha Zero 的表述；写“视频游戏 AI 需要 CNN 处理截图”，可引用 DeepRL 章节的 Atari 论述。
• 避免编造：不要虚构具体的胜率数字、训练耗时或未验证的成果，仓库未提供的信息不要写成事实。

完成这篇短文后，你可以回到 lessons/1-Intro/README.md 的课后测验和 Challenge（调研你认为 AI 应用最有效的领域）继续巩固本课知识。整个课程的 24 节课会依次展开符号 AI、神经网络、计算机视觉、NLP、深度强化学习与多智能体系统，届时你会发现，这篇游戏短文里提到的每一种技术，都将在后续课程中找到完整的实现与实验。