AI-For-Beginners 第 1 课作业实战：从 Game Jam 短文写作梳理游戏中的 AI 演进史

本文是微软开源课程 AI-For-Beginners 第 1 课（Introduction to AI）配套作业 Game Jam 的完整写作指南。作业要求你选择一款足够古老、能体现多种计算机处理系统先后影响的游戏，撰写一篇讨论其过去、现在与 AI 未来的短文。本文在完整复述作业要求的基础上，结合课程第 1 课中关于 AI 历史、图灵测试与不同 AI 方法的核心论述，以及仓库内符号推理、感知机、卷积神经网络等后续章节的线索，为你提供可复用的分析框架、案例素材与论文结构，帮助你写出一篇论据扎实、脉络清晰的技术短文。

作业全貌：一篇关于"游戏 x AI"的短文

作业原文（英文版与德语版内容一致）提出了如下明确要求：

• 选题：游戏是深受 AI 与机器学习发展影响的领域。选择一款你喜欢的、且受到 AI 演进影响的游戏。
• 时间跨度：该游戏应当足够古老，以便能观察到多种类型的计算机处理系统先后施加的影响——这正是文章"纵深"的来源。
• 推荐候选：经典棋类如国际象棋（Chess）或围棋（Go），视频游戏如 Pong 或 Pac-Man。
• 产出：撰写一篇短文（essay），依次讨论这款游戏的过去、现在与 AI 未来。

德语版本还特别强调了题旨："游戏是深受 AI 和机器学习发展影响的领域"，因此选游戏时不必局限于棋类——街机、家用机与 PC 游戏中的 NPC 行为、关卡生成、对手 AI 等同样是很好的观察对象。

为什么游戏是观察 AI 演进的理想窗口

课程第 1 课 lessons/1-Intro/README.md 给出了核心论述：AI 是研究"如何让计算机表现出智能行为"的科学，而棋类游戏恰好提供了一个规则明确、状态可枚举、胜负可判定的封闭世界，是检验智能程序的天然试验场。

同时，该课将实现智能的路径划分为两大方向，这也正是你在文章"过去"章节可以引用的理论框架：

• 自上而下（符号推理）：从人类专家身上提取知识并表示为机器可读形式，再在计算机中建模推理过程。医生依据规则集诊断病情就是典型例子。其短板也很明显——像"从照片判断年龄"这类任务根本无法还原为知识操作。
• 自下而上（神经网络）：模拟人脑中大量简单单元（神经元）构成的网络，通过提供训练数据来教会网络解决问题，类似婴儿通过观察认识世界。

课程指出，20 世纪中叶 AI 创立之初，符号推理占据主流并催生了专家系统等成功应用，但由于知识提取、表示与维护的成本过高，导致 20 世纪 70 年代的"AI 寒冬"。此后算力变便宜、数据变丰富，神经网络在计算机视觉、语音理解等领域逐步展现出与人类竞争的性能。你在短文"过去"章节描述游戏 AI 的技术背景时，这条主线是现成的论据。

核心素材一：国际象棋程序的三次范式转移

课程第 1 课用国际象棋程序的发展，完整演示了 AI 主流方法的三次变迁（lessons/1-Intro/README.md），这是写"过去"章节最扎实的素材：

1. 基于搜索：早期国际象棋程序显式估计对手未来若干步的可能走法，并依据数步后可达的最优局面选择当前走法，由此催生了 alpha-beta 剪枝 搜索算法。这类策略在残局阶段（可选走法少、搜索空间有限）效果良好。
2. 基于案例推理：开局阶段搜索空间巨大，纯搜索难以为继。程序改为从人类棋手的历史对局中学习——在知识库中查找与当前局面高度相似的案例，即 基于案例的推理（case-based reasoning）。
3. 神经网络与强化学习：现代击败人类棋手的程序基于神经网络与强化学习——程序只通过与自身长时间对弈、从自身错误中学习，这与人类学棋的方式类似，但程序能在远少于人类的时间中对弈海量棋局，因而学得更快。

这条演进链在仓库中有更细的落点：感知机是最早的神经网络尝试（lessons/3-NeuralNetworks/03-Perceptron/README.md，1957 年 Rosenblatt 的 Mark-1 硬件），而专家系统、AND-OR 树与正/反向推理是符号 AI 的代表实现（lessons/2-Symbolic/README.md）。你在文中讨论"过去"时，可以直接引用这条从符号到神经的范式转移链。

核心素材二：Pong 与 Pac-Man 的写作切入点

作业建议除了棋类，也考察 Pong、Pac-Man 这类视频游戏。写作时你可以围绕以下问题展开（这些是课程提示引导的方向，具体事实请自行查证后落笔）：

• Pong：作为最早的电子游戏之一，它见证了游戏对手从"简单规则"到"可学习智能体"的演变。可以思考：早期的乒乓对手只是机械的挡板移动，而今天的游戏 AI 已经能学习玩家的操作风格——这种变化背后正是从确定性程序到机器学习模型的转变。
• Pac-Man：从"过去"看，它是规则驱动行为设计的代表；从"现在"看，街机 AI 与强化学习智能体（如以深度强化学习通关该类游戏的尝试）形成了鲜明对比，非常适合用来讨论"人工设计的启发式行为"与"学习得到的行为"之间的差异。

这两款游戏的优势在于足够老，可以容纳搜索、启发式规则、神经网络等多种技术路线的对比，正好满足作业对"多种计算机处理系统影响"的要求。

论文结构指南：过去、现在与 AI 未来

建议按作业要求的三段式组织短文，每段都可以挂钩课程知识点：

过去（符号 AI 与规则时代）

• 用图灵测试（lessons/1-Intro/README.md）说明"智能"的度量标准——图灵提出通过文本对话让人类询问者无法区分真人与系统，2014 年的聊天机器人 Eugene Goostman 曾以"13 岁乌克兰男孩"的人设技巧接近通过测试，但课程的结论是：这更多是创作者欺骗了人类，而非系统真正智能。
• 引用专家系统（lessons/2-Symbolic/README.md）：基于知识库与推理引擎的架构，对应早期游戏 AI 中"手写规则 + 状态查询"的实现思路。

现在（神经网络与学习时代）

• 引用近期 AI 研究里程碑（lessons/1-Intro/README.md）：2012 年卷积神经网络首次用于图像分类，将分类错误率从近 30% 降到 16.4%；2015 年 ResNet 达到人类水平；2016 年对话语音识别、2018 年自动机器翻译、2020 年图像字幕相继达到人类水平。游戏 AI 中对手建模、行为预测、内容生成等能力正是受益于这一波技术红利。
• 对应课程后续的卷积神经网络（CNN 通过可训练的卷积滤波器自动提取层级化特征）与深度强化学习章节，说明"学习型游戏智能体"的技术底座。

AI 未来（大模型与通用智能展望）

• 引用课程关于大语言模型的论述（lessons/1-Intro/README.md）：BERT、GPT-3 等模型受益于海量通用文本数据，可先在大规模语料上预训练、再针对特定任务微调。这为游戏中的自然语言交互 NPC、动态剧情生成、程序化内容生成等方向提供了想象空间。
• 结合负责任的 AI 课程中的公平性、可靠性与透明度等原则，讨论游戏 AI 在伦理层面的未来议题——这会让文章的"未来"部分更有深度。

写作时可调用的课程概念清单

• 弱 AI 与强 AI：弱 AI 只擅长预定义任务，强 AI（AGI）具备人类水平的通用智能，目前仍是理论概念（lessons/1-Intro/README.md）。判断你的游戏对手属于哪一类，是很好的分析落点。
• AI 的历史周期：符号 AI 的黄金期 → AI 寒冬 → 神经网络复兴（同上）。
• 对话程序的演进：从基于简单语法规则的 ELIZA，到 Cortana、Siri 等混合系统（神经网络转写语音 + 推理执行动作），再到纯神经对话模型（同上）。可类比游戏 NPC 对话系统的代际变化。
• 可解释性：符号系统（专家系统）的决策可以精确解释，而神经网络是概率输出——lessons/2-Symbolic/README.md 与 lessons/7-Ethics/README.md 都强调这一点，可用来分析两种游戏 AI 的优劣。

作业交付与提交方式

课程面向教师的使用说明（lessons/0-course-setup/for-teachers.md）给出了两种典型的作业流转方式，可供你参考：

• 公开协作：将作业答案以 Issue 形式提交到课程仓库，便于在线上课堂中公开讨论与互评。
• 私有完成：逐课 fork 仓库到自己的私有仓库，完成后通过 Issue 提交给教师。

如果希望动手验证文中提到的 AI 能力，可以按照 lessons/0-course-setup/how-to-run.md 配置本地运行环境：安装 miniconda 后，用仓库根目录的 environment.yml 创建课程虚拟环境（包含 Jupyter、NumPy、scikit-learn、PyTorch 及 requirements.txt 中列出的依赖），再配合仓库 examples 目录下的入门示例（如 02-simple-neural-network.py）建立直观感受，为你的短文提供一手体验支撑。