单元一 · 走进人工智能
第3课 人工智能的实现方式
一、学习目标
- 了解人工智能的三种主要实现方式。
- 认识不同技术路线的优点与局限。
- 了解人工神经网络的主要作用，知道训练、模型、推理等相关概念的含义。
二、情境导入
为什么语音助手能听懂说话？扫地机器人能避开桌椅？围棋 AI 能选择落子位置？
这些能力背后，对应着不同的人工智能实现方式。今天就来认识三条主要技术路线。
三、核心讲解
本课学习路径：
1通过模拟功能实现
2通过模拟结构实现
3通过模拟行为实现
1．通过模拟功能实现
许多科研人员主张用规则和逻辑模拟人类认知，这被称为符号主义，典型代表是知识图谱。
符号主义：用明确的符号、规则与逻辑推导来模拟思维；事件链清晰，但面对复杂多变的现实问题时往往不够灵活。
人工智能三种实现方式（示意）
① 模拟结构 → 神经网络等
② 模拟行为 → 强化学习等
③ 模拟功能 / 符号主义 → 知识图谱、规则推理
- 示例事件链：公交车爆胎 → 晚点 → 小明迟到 → 老师批评小明
- 术语图谱可直观呈现概念之间的关联
- 局限：规则要人手编写，难覆盖开放、模糊的场景
想一想：符号主义适合解决哪类「规则清楚」的问题？
2．通过模拟结构实现
模仿人脑神经元连接方式构建人工神经网络，这被称为连接主义。
训练 · 模型 · 推理：训练：从大量数据中学习并调整内部参数；训练完成后得到可用模型；用模型处理新输入并输出结果，称为推理。
- 网络由输入层、隐藏层、输出层等层层连接
- 深度神经网络可达几十上百层、海量参数，是当前图像、语音与语言理解的核心技术之一
- 下方 MixAI「神经网络试验场」可增减层数，观察结构变化
想一想：训练与推理分别发生在什么时候？输入输出各是什么？
3．通过模拟行为实现
从试错与反馈出发实现智能，这被称为行为主义，典型代表是强化学习。
强化学习：通过尝试、获得奖励或惩罚，不断改进行为；可在没有逐步指令的情况下，与环境交互学会复杂技能。
- 例如机器人学走路：根据姿态与地面反馈调整步态和重心
- 对比围棋程序：规则型（如 Fuego）与强化学习+神经网络型（如 KaTrain）思路不同
- 三条路线可取长补短、互相融合
想一想：强化学习里的「奖励」和「惩罚」分别鼓励什么行为？
弄清以上要点后，再进入下方动手体验，用实际操作验证。
四、动手体验 · MixAI 组件
请在下列组件中完成操作，至少体验一个并记录现象。
组件 model_neural_network_playground — 在框内完成操作
组件 model_connection_parameters — 在框内完成操作
五、课堂总结
- 模拟人类认知功能实现智能，称为符号主义。
- 模仿神经元连接方式实现智能，称为连接主义。
- 模拟学习行为方式实现智能，称为行为主义。
- 不同实现方式可以取长补短、互相融合。
六、拓展提升
- 了解什么是群体智能，它与个体智能有何不同。
- 举例说明自然界中的群体智能行为，并思考现实应用价值（如交通协同调度）。
测评
对照本课学习目标作答（客观题练习）；选出后点「检查」。答错会显示简短说明。
符号主义的典型代表是：
人工神经网络从数据中学习并调整参数的过程称为：
判断：强化学习通过试错与反馈不断改进行为，属于行为主义路线。
本节小结
回顾本课要点，完成动手体验与测评。记住：人工智能的实现方式。