AI-For-Beginners Game Jam 作业实战指南：以 AI 演进为线索撰写游戏过去、现在与未来论文
AI-For-Beginners Game Jam 作业实战指南：以 AI 演进为线索撰写游戏过去、现在与未来论文
本指南围绕 AI-For-Beginners 课程第 1 课（Introduction to AI）的配套作业 Game Jam 展开，为你系统拆解"写一篇关于某款游戏被 AI/ML 发展影响的短文"这一任务。文章将结合课程仓库中的历史资料与后续课程内容，帮助你选定合适的游戏、搭好论文框架，并在"过去—现在—未来"三段时间轴上用真实的 AI 技术演进证据（符号推理、专家系统、遗传算法、神经网络与强化学习）支撑论证。
作业要求解读：Game Jam 到底要写什么
在课程仓库的 lessons/1-Intro/assignment.md 中，第 1 课布置的作业原文（捷克语翻译版见 translations/cs/lessons/1-Intro/assignment.md）非常简短，核心要求可拆解为四点：
- 写作体裁：写一篇"短文"（short paper / esej），即一篇有观点、有论证、有结构的小论文，而不是流水账介绍。
- 主题选择：选一款"你喜欢的、受到 AI 发展影响的游戏"。
- 时间跨度要求：这款游戏必须"足够古老"，古老到在其生命周期中先后受到多种不同类型的计算机处理系统的影响——这意味着你不能选一款只吃到"神经网络红利"的新游戏，而要选能横跨多个 AI 技术时代的经典作品。
- 结构要求：论文需要分别讨论这款游戏的过去（past）、现在（present）以及 AI 视角下的未来（future）。
作业还给出了两条选题线索：经典棋类如国际象棋（Chess）与围棋（Go），以及电子游戏如乒乓（Pong）或吃豆人（Pac-Man）。这两类游戏恰好对应了课程中两条并行的技术主线，是选题与论证的"安全区"。
为什么要写"足够古老"的游戏：课程给出的三条技术演进证据
第 1 课 lessons/1-Intro/README.md 中专门用国际象棋程序说明"AI 的技术路线如何随时代更替"，这段历史正是你论文"过去—现在"部分最现成的论据骨架。课程原文梳理了棋类 AI 的三代演进：
- 第一代：搜索与剪枝（Alpha-Beta 剪枝）。早期国际象棋程序基于搜索——程序显式地估算对手在未来若干步内的可能走法，再选择能在一系列走法后达成最优局面的着法。搜索空间在残局阶段有限，效果良好，并推动了 alpha-beta 剪枝搜索算法的发展。
- 第二代：基于案例的推理（Case-Based Reasoning）。开局阶段搜索空间巨大，于是研究者引入"从人类棋手的实战棋谱中学习"的思路，即所谓基于案例的推理：程序在知识库中寻找与当前局面高度相似的案例。
- 第三代：神经网络 + 强化学习。现代战胜人类棋手的程序基于神经网络与强化学习：程序通过长时间自我对弈、从自身错误中学习来掌握棋艺——这与人类学棋的方式相似，但计算机能在更短时间内下出多得多的对局，因而学得更快。
课程还以同样的三段式讲述了"对话程序"（可能通过图灵测试的聊天程序）的演进：早期如 Eliza 依靠非常简单的语法规则和将输入句子改写为问句；现代助手（Cortana、Siri、Google Assistant）是混合系统，用神经网络完成语音转文字与意图识别，再辅以推理或显式算法执行动作；未来则可能由纯神经模型独立完成对话，BERT、GPT 与 Turing-NLG 家族已经展现出巨大潜力。
结论：你在论文中完全可以复用这套"搜索/专家系统 → 学习/数据驱动 → 神经网络"的叙事模板，套用到你选定的游戏上。课程中的 history-of-ai.png 与 turing-test-evol.png 两张图直观呈现了这两条演进脉络，可作为论文配图素材或写作时的参考坐标。
如何选游戏：用"多种处理系统影响"标准筛选
要满足"被多种类型的计算机处理系统影响"这一硬性条件，可以按以下清单为候选游戏做一次"体检"：
| 候选游戏 | 是否够古老 | 是否经历多种 AI/计算范式 | 可论证的技术主线 |
|---|---|---|---|
| 国际象棋 | ✅（数百年历史，1950 年代即有棋类 AI 研究） | ✅ 搜索剪枝 → 案例推理 → 神经网络+强化学习 | 第 1 课官方示例，证据最全 |
| 围棋 | ✅（古老棋类） | ✅ 早期程序强度有限 → AlphaGo 深度网络 + 蒙特卡洛树搜索 → AlphaZero 纯自我对弈 | 深度强化学习主线 |
| Pong（乒乓） | ✅（1972 年街机） | ✅ 从简单规则/有限状态机 → 神经网络 + 强化学习智能体 | 游戏 AI 智能体主线 |
| Pac-Man（吃豆人） | ✅（1980 年街机） | ✅ 早期基于预设行为脚本/搜索 → 现代用遗传算法、神经网络与强化学习训练 | 多范式对比空间大 |
| 俄罗斯方块 | ✅ | ✅ 早期规则策略 → 现代遗传算法/RL 优化 | 遗传算法主线 |
选定游戏后，建议在论文开头用 2～3 句话交代：这款游戏诞生于哪一年、其"足够古老"体现在哪里、你准备从哪几个技术时代切入。这既是选题依据，也是论文的立论基础。
论文结构模板：围绕"过去—现在—未来"三幕展开
作业要求讨论游戏的过去、现在与未来，据此可设计如下章节骨架：
1. 引言（约 200 字）
一句话说明游戏是什么、诞生年代；一句话点明 AI/ML 对该游戏的三个影响阶段；一句话给出论文结论（例如：该游戏从"人定规则"走向"机器自学习"）。
2. 过去：AI 如何一步步进入这款游戏
按时间顺序梳理技术代际。以国际象棋为例，可依次展开：
- 手工规则与搜索时代：阐述基于搜索、alpha-beta 剪枝的第一代程序（对应 lessons/1-Intro/README.md 中"Early chess programs were based on search"一段）；
- 知识时代：专家系统与基于案例的推理如何利用人类棋谱知识库。
这里可以与课程第 2 课 符号 AI 与专家系统 形成呼应：专家系统由从人类专家提取的知识库与执行推理的推理引擎组成，支持前向推理与后向推理两种模式。如果你选的游戏（如早期 Pac-Man 的寻路、早期棋类程序）历史上用过规则引擎或搜索树，可以在论文中引用这类系统作为"过去"的代表，并说明其局限性（课程明确指出：从专家提取知识、维护知识库成本极高，最终引发了 1970 年代的 AI 寒冬）。
3. 现在：机器学习与神经网络如何改写游戏
这一部分重点写"当下"的技术状态，可引用以下课程内容作为论证弹药：
- 感知机与神经网络：第 3 课 感知机 从 1957 年 Mark-1 硬件感知机讲起，展示了最朴素的"权重学习"思路；现代游戏 AI 则普遍使用多层神经网络。
- 强化学习：第 6 部分 深度强化学习 是游戏 AI 论文的核心论据来源。该课明确说明：RL 是"在行动中学习"，只需要环境/模拟器与奖励函数即可训练智能体；以 CartPole 为例展示了用几行 Python 代码驱动 Gym 环境的完整流程（
env.reset()开始新试验、env.step(action)执行一步并返回观测/奖励/结束标志）。课程还指出 Atari 游戏、国际象棋与围棋（如从零训练、自我对弈互搏并逐步提升的 AlphaZero 式程序）都是 RL 的典型应用——这句话可以直接作为你论文"现在"章节的论据。 - 生成式对抗网络（GAN）：如果你的游戏涉及程序化生成内容（关卡、地图、艺术风格），可补充第 4 课 GAN 的内容：生成器与判别器相互对抗、交替训练，直至生成越来越逼真的图像。这也是"现在"时代游戏美术与内容生成领域的热门技术。
可顺带体验仓库中的两个入门示例，直观感受"可编程规则"与"学习型"两种范式的差异：examples/01-hello-ai-world.py 与 examples/02-simple-neural-network.py。
4. 未来：AI 视角下的下一代游戏
这部分是开放式论证，建议从三个方向展开：
- 更强的自学习智能体：课程 深度强化学习 展望了"从零开始自我对弈、每一步都在进步"的 AlphaZero 路线，可据此推演：未来游戏 NPC 可能不再依赖人工脚本，而是通过自我博弈获得超人级策略。
- 进化与涌现式智能：第 6 部分 遗传算法 展示了"进化式"AI——用基因编码方案、适应度函数、交叉与变异机制求解优化问题，课程明确其典型任务包括调度优化、最优装箱、最优切割、加速穷举搜索，并介绍了用遗传算法训练神经网络玩 Super Mario 的例子。这为"未来游戏内容由算法进化生成"提供了技术依据。
- 大模型驱动的叙事与对话：第 1 课展望了"未来可能出现完全基于神经网络的对话系统"，BERT、GPT 与 Turing-NLG 家族是重要证据。可据此论证：未来游戏的角色对话、动态叙事可能由大语言模型实时生成。
5. 结论
回扣引言中的三阶段叙事，总结"规则 → 知识 → 学习"这一贯穿课程的技术主线，并给出你对这款游戏未来形态的判断。
写作要点与评分自检清单
为了让论文既有事实支撑又有个人观点，写作时请对照以下清单自查：
- 时间轴完整：论文是否明确覆盖过去、现在、未来三个时态？每个时态是否至少对应一种"计算机处理系统"（搜索/规则、专家系统/知识库、神经网络/RL/GA）？
- 证据可追溯：每个技术判断是否能在课程中找到出处？例如"早期棋类程序基于搜索"对应 lessons/1-Intro/README.md 的棋类演进段落；"RL 由奖励函数驱动、智能体在模拟器中反复试验"对应 lessons/6-Other/22-DeepRL/README.md 的 OpenAI Gym 与 CartPole 部分。
- 观点与事实结合：作业要求的是"论文（essay）"而非资料堆砌，务必在每个阶段加入你自己的评价——例如你认为某代技术为何成功/失败、未来哪种路线最可能落地。
- 篇幅与深度匹配：既然作业点名要求"被多种类型的计算机处理系统影响"，论文中至少应出现三种不同的技术范式，否则论证不完整。
配套资源速查
写作过程中可随时查阅以下仓库资源，按需引用：
- 第 1 课全文（含 AI 定义、弱/强 AI、图灵测试、不同 AI 方法、AI 简史、近期研究里程碑）：lessons/1-Intro/README.md
- 符号推理与专家系统（知识表示、前向/后向推理、语义网与本体）：lessons/2-Symbolic/README.md
- 感知机与神经网络入门（含训练代码示例）：lessons/3-NeuralNetworks/03-Perceptron/README.md
- 深度强化学习（OpenAI Gym、CartPole、Policy Gradients、Actor-Critic、Atari/棋类应用）：lessons/6-Other/22-DeepRL/README.md
- 遗传算法（基因/适应度/交叉/变异四要素、典型任务、Diophantine 方程作业）：lessons/6-Other/21-GeneticAlgorithms/README.md
- 生成对抗网络（GAN 结构、训练两阶段、模式坍缩等训练问题、风格迁移）：lessons/4-ComputerVision/10-GANs/README.md
- 课程总览（sketchnote 索引）：lessons/README.md
最后提醒：本作业是第 1 课（Introduction to AI）的收尾任务，课程共包含 12 周、24 课，从 1-Intro 出发，后续还会深入神经网络、计算机视觉、NLP、强化学习等主题。写论文时不必拘泥于第 1 课内容，完全可以"剧透"式引用后面课程的技术结论——这正是"AI 的未来"部分最有说服力的论据来源。