應用領域

替代低端勞動，解決危險、高體力精力損耗領域

什么是智能制造？數字孿生？邊緣計算？

邊緣計算 是 數字孿生 的 “感官和神經末梢”，負責采集本地實時數據和即時反應。瑣碎數據不上傳總服務器，實時進行局部的決策和處理。

數字孿生 是 智能制造 的 “大腦和決策中心”，負責監控、仿真模擬和優化、數據流動。

智能制造 是 目標和平臺，邊緣計算和數字孿生是實現這一目標的核心關鍵技術。

簡單，易用，可以加大普及，降低學習使用門檻，提高中低端生產效率，便于跨領域、管理者掌握信息
要給用戶選擇題，不是問答題

發展現狀

功能上進行黑盒模擬，結構上做不到。
無法實現人類的靈感、創新？類比、抽象的能力。
讓機器學哲學會怎么樣？能否根據相關問題，抽象類比給出類似的解決方案

機器無法進行形象思維，而是靠大數據訓練檢索
如果可以仿照聯想：就無需大數據，完全推翻當前的深度學習

人腦是多元的，可以干很多事，但機器都是單一的功能，針對特定需求進行特定數據訓練

倫理問題

機器的理性，對人可能是不理性的

復習概率論

基本理論和公式

機器學習

掌握思想
要求會優化
傳統算法對于特定問題有很大的優化空間

深度學習的突破在于解決特征提取，目前的網絡復雜的側重基本也在于對特征的處理

搜索

傳統搜索算法每一步都要求是確定的
在人工智能中，部分信息不可知，所以無法進行搜索（可以獲取全部信息用回歸）

A*、Min-max搜索、遺傳算法

A*（A-Star）搜索算法

核心思想： 啟發式路徑搜索，尋找單一代理者的最短路徑。
它是一種在圖形或網格中尋找從起點到終點的最低成本路徑的算法。它之所以“智能”，是因為它不會像無頭蒼蠅一樣盲目搜索，而是會利用線索（啟發式函數）來指引方向。

它是如何工作的？
A*算法為每個可能的下一步位置計算一個分數：f(n) = g(n) + h(n)
g(n)： 從起點到當前節點 n 的實際成本（已經走過的距離）。
h(n)： 從當前節點 n 到終點的預估成本（啟發式函數，例如直線距離）。這個預估必須樂觀，不能高估實際成本。
f(n)： 總預估成本。算法總是優先探索 f(n) 值最小的節點，因為它認為這條路徑最有希望最快到達終點。

簡單比喻：
你在一個巨大的迷宮里，要去往另一個出口。
g(n) 是你已經走了多少步。
h(n) 是你憑感覺估算的離出口還有多遠（比如看地圖的直線距離）。
你總會選擇 （已走步數 + 感覺剩余距離） 總和最小的方向前進。這種感覺（啟發函數）越準，你找到出口的路徑就越快、越優。

主要應用： 地圖導航（GPS）、游戲中的AI尋路、機器人運動規劃。

Min-max搜索算法

核心思想：對抗性決策，在兩個對抗者之間尋找最優策略。
它假設對手是理性的，總是會采取對你最不利的行動。算法通過在游戲狀態樹中輪流模擬自己和對手的決策，來選擇一條最大化自己最小收益的路徑。

它是如何工作的？
將游戲構建成一棵決策樹，層與層交替代表自己（Max玩家）和對手（Min玩家）的回合。
從終端狀態（游戲結束）開始，回溯評估每個節點的價值。
Max層（你的回合）： 選擇子節點中價值最大的操作，因為你希望最大化自己的優勢。
Min層（對手的回合）： 選擇子節點中價值最小的操作，因為對手希望最小化你的優勢（最大化他自己的優勢）。
通過這種交替的“最大-最小”回溯，最終為當前局面選擇一個最穩妥的、能抵抗對手最優策略的著法。

簡單比喻：
下棋時，你會想：“如果我走這里，那么對手最狠的反擊是走那里，然后我最好的回應是……這樣走下去，最終結果對我有利嗎？” Min-max算法就是把這種思考過程系統化、程序化。

主要應用： 回合制策略游戲AI（國際象棋、圍棋、五子棋）、任何需要對抗決策的場景。

注意： 完整搜索整個游戲樹通常不可行，因此會配合Alpha-Beta剪枝等優化技術，并在一定深度后使用評估函數來估算局面價值。

Alpha-Beta剪枝
α (Alpha):代表 Max玩家 在當前路徑上至少能保證獲得的收益（下界）。
β (Beta):代表 Min玩家 在當前路徑上至多允許付出的代價（上界）。
當在任何節點處出現 α ≥ β 時，就可以停止（剪枝）該節點剩余子節點的搜索。

遺傳算法

核心思想： 模擬生物進化論來解決優化問題。它是一種通過模擬“自然選擇”和“遺傳變異”來在復雜空間中尋找近似最優解的啟發式算法。

它是如何工作的？
算法維護一個包含多個候選解（稱為“染色體”）的種群，并通過迭代以下步驟來讓種群進化：
初始化： 隨機生成一組初始解。
選擇： 用一個適應度函數（評估解的好壞）來評估每個個體。適應度高的個體更有可能被選中作為“父母”來繁殖下一代。
交叉： 模仿基因重組，將兩個“父母”解的一部分進行交換組合，產生新的“后代”解。
變異： 以較低的概率隨機改變后代解中的某些部分，引入新的基因，保持種群的多樣性，避免過早陷入局部最優。
迭代： 用新生成的后代替換掉適應度差的老個體，形成新的種群。重復步驟2-5，直到滿足終止條件（如找到足夠好的解或達到迭代次數）。

簡單比喻：
你想造一輛最快的自行車。
先隨機造100輛不同形狀的自行車（初始化）。
讓它們比賽，排名前20名的就是好的（選擇）。
把這些好自行車拆了，用它們的零件（車把、輪子、座椅）互相拼裝，組成50輛新車（交叉）。
在拼裝過程中，偶爾給某個輪子換個新尺寸或把車把掰彎一點（變異）。
讓這50輛新車再比賽，重復這個過程。一代一代下去，自行車就會越來越快。

主要應用： 機器學習參數調優、調度問題（如排班）、工程設計優化、藝術創作等復雜且沒有標準解法的問題。

博弈

蒙特卡洛樹搜索
隨機搜索

計算機視覺

早期用傅里葉變換，然后算子

最優化、搜索

分支界限法