🏠 总目录 不靠数据的 AI · 搜索、约束与经典推理

不靠数据的 AI · 阅读入口

你要找路径、应对对手,还是满足约束?

同样是“做决定”,状态空间、博弈树、约束满足与不确定性推理的建模方式不同。先认清问题,再沿原目录完整学习。

选中路线后,能说清状态、可选动作或变量,以及何时需要考虑对手或不确定性。

按问题形式选择原章节找一条路径对应状态空间与搜索;对手会反制对应博弈树;给变量分配值对应约束满足;事实不确定对应概率推理。分支说明建模入口,不代表算法已求解。要找一条路径状态空间 / 搜索对手会反制博弈树要给变量排值约束满足事实仍不确定概率推理
先辨认问题的形式,再进入对应原章;这是选路示意,不是算法运行结果。

不靠数据的 AI

其他讲建模的板块都在教「从数据里学」,这一套讲「在空间里搜」。

深度学习之前,AI 已经会下棋、会规划路线、会解数独、会自动排课 —— 靠的不是数据,是搜索、约束和推理。 这些方法今天一点没过时:地图导航是 A*、排班排考是 CSP、 棋类引擎的底座仍然是 α-β 剪枝。而且它们全都能用纯 Python 手写出来。

🕹️ 从 Wumpus 世界开始 🎯 直接看 A*
0%
你的进度(在每章末尾点「打卡」,保存在本浏览器里)

🧩 它和其他几套的分工

同样是「让机器做决定」,四套教程走的是完全不同的路:

从数据里学
给一堆样本,拟合出一个函数
从奖励里学
环境给反馈,试错着学出策略
算别人会怎么做
对面也在最大化,找均衡
这一套
在空间里搜
规则已知、不需要训练数据,把答案「找」出来

阶段 0 · 准备9 分钟,告诉你哪几章可以跳

阶段 1 · 先玩起来一个小世界,把整门课的问题先撞一遍

阶段 2 · Agent 是什么⭐ 这里的 Agent 和 LLM Agent 不是一回事,第 4 章讲清分界

阶段 3 · 搜索:在空间里找答案⭐⭐ 第 7 章 A* 是整套的枢纽

阶段 4 · 对抗搜索:有人跟你作对⭐ 第 11 章 α-β 剪枝:同样的答案,少看一半的树

阶段 5 · 约束满足换个问法:不搜路径,直接给每个变量填值

阶段 6 · 不确定性世界不告诉你真相时怎么推理

阶段 7 · 感知与语言的老办法⚠️ 深度学习之前人们怎么做视觉和 NLP,以及为什么被取代

阶段 8 · 动手全部能用纯 Python 写出来,不需要 GPU

随时查算法步骤、复杂度表、做题套路