“人工智能导论”这门课，我在湖南科技大学大三下学期选的时候，本以为就是一门背概念的“通识选修”，结果期中考前一周翻开教材和老师的PPT才发现，里面既有大量需要辨析记忆的定义和流派，又有必须老老实实动手算的搜索题，还有需要组织语言写满一整页的简答论述。把那些零零散散的知识点重新理成一份属于自己的复习笔记，是我当时提分最快的一步。这篇笔记就是把那份整理过程从头复现一遍，把我踩过的坑、背了容易混的知识点、计算题的套路都拆开讲清楚。不管是正在准备这门期中考试的HNUST同学，还是想快速建立人工智能知识框架的入门者，这份内容应该都能直接用上。
1. 人工智能导论期中的真实考情：先搞清楚这门课考什么再复习
1.1 课程前半段的知识范围
人工智能导论这门课，各大高校前半学期的内容框架其实高度相似。湖南科技大学这版课程也不例外，大致会覆盖下面几块：
- 绪论：人工智能的定义、发展简史、主要研究目标、强AI与弱AI、图灵测试、中文房间思想实验。
- 智能的层次与AI流派：生物智能、人工智能、计算智能的关系，以及符号主义、连接主义、行为主义三大流派。
- 知识表示：谓词逻辑、产生式系统、语义网络、框架、脚本、本体等。
- 经典搜索策略：盲目搜索（深度优先、广度优先）、启发式搜索（贪婪最佳优先、A*算法）、博弈搜索（极大极小、α-β剪枝）。
- 智能Agent：Agent的概念、结构类型、多Agent系统等。
- 机器学习与神经网络基础：学习类型、监督/无监督/强化学习、感知机、前馈网络、过拟合等基础概念。
期中考的范围一般会截到“机器学习”“Agent”附近，后面的深度学习、自然语言处理、机器人等内容通常会放到期末。但这只是一般情况，具体以你们老师课上划的范围为准。所以拿到考纲的第一件事，是把自己PPT的章节目录对应到上面六块里，看看哪些章节在期中之前讲完了，这些大概率就是考点。
1.2 题型与分值结构的复盘
从我这一届的考试体验来看，期中题型大致分为五类：选择填空、名词解释、简答、计算题、论述题。选择填空主要考察死记硬背型的知识点，比如“人工智能之父是谁”“哪种搜索算法使用了启发函数”，这类题就是送分题，但前提是你对概念足够熟。名词解释主要出一些短小的定义性术语，比如“Agent”“启发式搜索”“知识表示”“过拟合”等。
真正拉开差距的是计算题和论述题。计算题几乎每年都围绕搜索策略出，图搜索的展开过程、A*算法的open表和closed表演变、极大极小值树的求解都是高概率考点。论述题则喜欢结合AI应用场景，比如“结合猫狗识别问题描述机器学习流程”“如何理解AI偏见”“智能体在推荐系统中的应用”，这类题没有唯一答案，但答题结构是否完整、是否踩中关键词，直接决定分值高低。
1.3 教材与PPT怎么配合
如果你只抱着PPT复习，你会发现PPT上只有结论没有推导过程，特别是搜索算法那一章，PPT上那个A*伪代码如果不结合例子走两遍，根本记不住。如果你只抱着教材看，又容易陷进大段论述里抓不住重点。我的建议是：以PPT目录为骨架，以教材对应章节为补充。
像蔡自兴《人工智能及其应用》这类常见教材，前几章的结构和课程PPT基本能对应上。但要注意，不同教材对“ABC理论”这类知识点的定义方式略有区别，后面我会专门讲。复习时每看完一章PPT，就去教材里找到对应小节，把里面大一号加粗的术语和定义单独划出来，这些术语往往是名词解释和简答题的题库来源。
2. 概念题拿分要点：定义、图灵测试与ABC层次关系
2.1 人工智能的定义与图灵测试
“什么是人工智能”这个题目几乎每次都会以某种形态出现。它不是简单背一句话就行，而是要知道不同维度下的定义方式。常见表述至少有三种：一种是从“智能行为模拟”的角度，说人工智能是让机器完成那些需要人类智能才能完成的任务；一种是从“理性Agent”的角度，说人工智能研究的是如何构造能够感知环境并采取行动以最大化目标达成概率的Agent；还有一种是从“学科交叉”的角度，说人工智能是计算机科学、控制论、神经科学、语言学等多学科融合的产物。
图灵测试是必考中的必考。1950年图灵在《计算机器与智能》里提出“机器能思考吗”这个问题的替代方案：如果一台机器能够在文字对话中让人类裁判分不清它是人还是机器，就可以说这台机器具有智能。这里要注意两个高频考点：一是图灵测试考的是“行为表现”而非“内心意识”，二是一个经典的反驳——约翰·塞尔的中文房间思想实验，它说明即使机器能完美处理符号，也未必真正“理解”语义。
答题的时候最好把“图灵测试是什么+中文房间对它的反驳+由此引出强AI与弱AI之分”这三点串成一个小段落，这样比零散地背三个名词解释更容易拿满分。
2.2 生物智能、人工智能、计算智能的层次关系（ABC理论）
“ABC理论”是很多人工智能导论老师爱讲的一个考点，也是复习时最容易让人懵的地方。这里的A、B、C分别对应Artificial Intelligence（人工智能）、Biological Intelligence（生物智能）、Computational Intelligence（计算智能）。不同教材对三者的定义顺序略有差异，我采用一种最通用的理解框架：
- 计算智能是最底层的能力，强调通过数值计算、模式匹配、优化搜索等计算手段来实现智能行为，比如模糊计算、进化计算、人工神经网络都属于计算智能的范畴。
- 生物智能是人类和生物经过亿万年进化形成的高级智能，它以生物神经系统为物质基础，不仅包含逻辑推理，还包含情感、记忆、直觉、创造力等复杂能力。
- 人工智能则是人类用机器去模拟、延伸和扩展智能，它的实现可以依赖计算智能方法，也可以借鉴生物智能的机制。
三者之间不是简单并列，而是呈现一种层次递进的关系：计算智能为人工智能提供底层工具和算法支撑，生物智能是人工智能模仿和学习的对象，人工智能又反过来帮助人类理解生物智能的运作机制。答题时建议先分别写出三者的定义，再点明“递进关系”这四个字，最后说一句“人工智能的发展可以从计算智能和生物智能中汲取方法论”，基本就能覆盖得分点。
这里有个坑：有些PPT会把ABC表示成“A是人工智能、B是生物智能、C是计算智能”，有些则把顺序打乱。万一考填空题，一定先看清楚题目顺序再作答。复习时最好把那张PPT的原文截图单独存一下，考前再看一眼。
2.3 符号主义、连接主义与行为主义三大流派
三大流派是绪论里的常客，而且选择题、填空题、简答题都爱出。符号主义的核心观点是智能行为可以通过符号的逻辑推理来实现，代表人物有纽厄尔、西蒙和麦卡锡，典型成果是专家系统和早期的“逻辑理论家”程序。连接主义主张智能来源于大量简单单元之间的连接和并行计算，典型代表就是人工神经网络，今天深度学习的大爆发就是连接主义路线的胜利。行为主义则认为智能不需要显式的知识表示和推理，智能行为可以在Agent与环境的交互反馈中涌现，典型应用包括机器人和强化学习。
如果考简答，不要只写一句话。可以加一句对比：符号主义重点模拟人的逻辑思维，连接主义模拟大脑的神经元结构，而行为主义强调“感知-行动”闭环。这三个流派没有绝对的优劣，现代AI系统往往是混合路线。
2.4 常考名词解释清单
按我当时的整理，期中名词解释如果从下面这些里面出，命中率极高：
- 人工智能、智能Agent、理性Agent
- 知识表示、产生式规则、语义网络、框架
- 搜索、盲目搜索、启发式搜索、启发函数、A*算法
- 机器学习、监督学习、无监督学习、强化学习
- 过拟合、泛化、训练集、测试集
- 感知机、激活函数、神经网络
- 图灵测试、中文房间、强人工智能、弱人工智能
- 本体（Ontology）
名词解释题有个技巧，就是“定义+一句话说明作用或特点”。比如问到“知识表示”，只答“对知识的符号化描述”只能算一半分，最好补一句“好的知识表示应具备表示能力、推理能力和可维护性，是构建智能系统的基础”。这种附加句能让你的答案看起来更完整。
3. 搜索策略手算题：DFS/BFS、A*与α-β剪枝的套路化解法
3.1 状态空间搜索的基本框架
搜索这一章是整个期中的计算题主场，也是最值得花时间的一章。它本质上是把问题建模成“状态空间图”，然后用算法在状态节点之间移动，找到从初始状态到目标状态的路径。状态空间图里的节点是状态，边是状态转移动作，边上标注的代价是执行动作的代价。
复习的第一步是先搞清楚两种盲目搜索是“怎么走的”。深度优先搜索（DFS）沿着一条分支一直往下走，走不通再回退到最近的分叉点，数据结构上是栈；广度优先搜索（BFS）一层一层往外扩展，先访问离起点近的所有节点，再访问更远的节点，数据结构上是队列。
手算时一定要养成维护访问表和待扩展表的习惯。深度优先回退时要注意哪些节点还能重新访问，广度优先扩展时则要保证同一层内按从左到右的顺序处理。老师说很多同学失分不是因为不知道算法原理，而是表格画得乱，导致阅卷老师找不到扩展顺序，所以草稿纸上先画好两列表格再答题。
3.2 A*算法的open表与closed表演算
A算法是启发式搜索的核心，也是计算题中的“压轴常客”。它引入了一个评估函数f(n) = g(n) + h(n)，其中g(n)是从初始节点到当前节点n已经花费的实际代价，h(n)是从n到目标节点的估计代价（启发函数）。A每次从open表中取出f值最小的节点进行扩展，直到目标节点被取出，此时得到的路径就是最优路径。
我拿一个极简例子走一遍，这个例子的数据我当年自己推过，用来理解A*足够：
假设状态空间图里，起点是S，目标是G，中间有节点A、B、C、D。各边代价为：S到A是1，S到B是4，A到C是2，A到D是5，B到D是3，C到G是3，D到G是2。启发函数h的值分别为：S=5，A=4，B=5，C=2，D=1，G=0。
A*的手算过程可以列成这个表：
| 轮次 | 当前扩展节点 | open表中的节点（f值） | closed表 | 说明 |
|---|---|---|---|---|
| 1 | S | A(1+4=5)，B(4+5=9) | S | 扩展S，生成A、B |
| 2 | A | C(3+2=5)，D(6+1=7)，B(9) | S，A | f值最小的A先扩展 |
| 3 | C | G(6+0=6)，D(7)，B(9) | S，A，C | 扩展C，生成G |
| 4 | G | D(7)，B(9) | S，A，C，G | 目标节点G被取出，算法结束 |
从这个表能看出几个容易扣分的点：第一，f值要拆开写，最好写成g+h的形式，这样阅卷老师能看清你的计算过程；第二，open表里已经存在的节点如果被一个新的扩展路径找到了更小的g值，要更新它的f值，不过这个例子没出现这种情况；第三，只有目标节点被“取出扩展”时才能停止，如果目标节点只是刚被生成但还没有被取出，不能马上宣布最优路径。这些细节正是A*和贪心搜索的本质区别——它在选择下一步时同时考虑了“已经付出的代价”和“估计还要付出的代价”，所以不会因为眼前的目标近就被骗走。
顺便提一句，期中如果出A概念题，很可能会问“什么样的启发函数是可采纳的”。答案很简单：h(n)永远不大于从n到目标的真实最小代价，也就是说h(n)不会高估真实代价，此时A一定能找到最优解。h(n)越接近真实代价，搜索的效率越高；h(n)如果严重低估，搜索会扩展很多多余的节点。
3.3 博弈搜索：极大极小分析与α-β剪枝的手算写法
博弈搜索考点通常围绕“一字棋”“井字棋”这类二人零和博弈展开。核心机制是：假设双方都足够聪明，MAX方最大化自己的收益，MIN方最小化MAX方的收益。搜索树从当前状态出发，逐层交替标注轮到MAX还是MIN行动，叶子节点用评估函数给出收益值，然后自底向上回传数值——MAX层取子节点的最大值，MIN层取子节点的最小值，根节点得到的数值就是当前局面对MAX方的判断。
如果树规模很大，直接用极大极小分析会很慢，所以引出了α-β剪枝。剪枝的基本原则是：在MAX节点维护一个下界α，在MIN节点维护一个上界β。一旦某个节点对当前决策已经没有影响力，就停止搜索它下面的分支。用一个经典场景说明：当前是MAX节点，下面已经搜索了第一个子节点，返回值为3，代表MAX方至少能得到3分。接着搜索第二个子节点，如果第二个子节点是MIN节点，并且它的第一个叶节点值为2，那么MIN节点最终结果最多不会超过2。既然2已经小于已知的3，第二个子节点之后的剩余分支就可以直接剪掉，因为没有必要再去验证一个“注定不会更好”的分支了。
手算这类题，我先在草稿纸上画出完整博弈树，再按照从左到右的顺序依次标注剪枝位置。要注意的是，剪枝只影响搜索效率，不会改变最终决策结果，这个结论有时候会单独出一个判断题。去年期中我印象里就有一道判断题，问“α-β剪枝可能会剪掉最优策略”，正确答案是错误。这个点如果理解不透就很容易丢分。
3.4 搜索计算题的常见失分点
我在考场外听身边同学对答案时，发现搜索题失分主要集中在三类情况：
一是把启发式搜索的h(n)和实际代价g(n)搞混，导致f值全部算错。建议每次写f值前都先在草稿上标明“g来自走过的真实路径，h来自启发函数估计值”。二是深度优先搜索的回退过程不完整，少写了某条分支或者提前结束搜索。三是答题时只给了结果没给过程，搜索题的评分往往是步骤分，每一步扩展、每一次剪枝都有分值，即使最后答案算错了，只要扩展顺序合理也能拿到一半以上分数。
4. 知识表示对比记忆：谓词逻辑、产生式、语义网络与框架
4.1 一阶谓词逻辑：翻译题的固定套路
谓词逻辑是知识表示中最数学化的一种，期中的翻译题几乎一定会出现。它把知识表达为个体、谓词、函数、量词和连接词的组合。复习时不用把数理逻辑的全部内容都捡起来，只要掌握几个固定套路即可。
第一类是“刘老师喜欢计算机”这类简单句翻译。先定义谓词，比如Teacher(x)表示x是老师，ComputerCourse(x)表示x是计算机课程，Like(x, y)表示x喜欢y；然后用存在量词连接：∃x∃y(Teacher(x) ∧ ComputerCourse(y) ∧ Like(x, y))。第二类是“所有学生都学过Python”这类全称句，用蕴含式：Student(x) → LearnedPython(x)。第三类是“没有完全相同的两个人”这类否定句，处理时要用到全称量词和否定连接词。做题时最重要的规范性动作是：先写清每个谓词和常量的含义，再写公式，最后用一句中文解释公式含义。这样即使公式有语法瑕疵，阅卷老师也能看出你的思路是对的。
4.2 产生式系统与推理方向
产生式系统是一个特别容易被低估的考点，因为它看起来简单，但期中和期末都可能以“综合大题”的形式出现。它的核心结构有三个部分：规则库、综合数据库和推理机。规则库就是一堆IF-THEN规则，比如“IF 有高烧 AND 咳嗽 THEN 疑似流感”；综合数据库存放当前已知的事实；推理机负责决定下一步使用哪条规则，并更新事实集合。
正向推理从已知事实出发，不断匹配规则前提并添加新结论，直到目标出现；反向推理则从目标出发，看看哪条规则的结论能推出这个目标，再反向验证前提是否成立。两种推理在规则数少的时候都容易手工模拟，但期中往往只是考概念对比，不会真让你推很长的链。我复习时感觉最实用的方法是把“综合数据库的变化”列成一张表，每应用一条规则就在表里加一行，这样既可以看清推理过程，又能避免反复读题。
4.3 语义网络、框架、脚本与本体的区别
这四个概念容易混，我总结了一张对比表，考前反复瞄几遍就不会写岔：
| 表示方法 | 核心思想 | 优点 | 缺点 | 典型应用 |
|---|---|---|---|---|
| 语义网络 | 用节点表示对象/概念，带标号的边表示关系 | 直观自然，适合表达继承关系 | 无严格语义约束，推理容易歧义 | 知识图谱早期模型、自然语言理解 |
| 框架 | 用“槽”（slot）和“槽值”描述对象或事件 | 结构化程度高，适合描述典型对象 | 表达灵活但知识填充繁琐 | 专家系统、对象建模 |
| 脚本 | 描述特定场景下的事件序列，含进入条件、角色、道具和场景步骤 | 适合刻画固定流程 | 缺乏灵活性，突发事件难以表达 | 自然语言故事的阅读理解 |
| 本体 | 对共享概念模型进行形式化的明确规范，描述类、属性、关系及约束 | 语义明确、可共享、可推理 | 构建成本高、维护困难 | 语义网、知识图谱、智能信息系统 |
其中“本体（Ontology）”这个词如果单独考名词解释，可以答：本体是对某个领域内共享概念模型的形式化规范说明，它明确了类、属性、关系以及约束条件，让不同系统之间可以共享和复用领域知识。它与语义网络的最大区别在于本体强调逻辑约束和形式化，语义网络则更多是一种便于人理解的图式表示。
4.4 知识表示与搜索章节的联系
知识表示和搜索算法在期中通常被分成两章考，但它们其实是联动的。同一个问题可以选择不同的知识表示方式，不同的表示方式直接影响搜索空间的规模。比如用产生式系统表示专家知识后，推理过程本质上就是在一个规则状态空间里搜索；用状态空间图表示问题后，A*等搜索算法才有施展的空间。
我的复习建议是不要孤立地背知识点，而是用“一个医疗诊断专家系统”的例子把两章串起来：知识库里存放产生式规则，综合数据库存放病人的症状事实，推理机用正向或反向推理得到疾病结论，其中搜索策略可以选择深度优先或启发式搜索，优先级高的规则优先尝试。这样把知识表示里的规则和搜索里的策略放在同一个场景里理解，比分别背十遍更牢靠。
5. 机器学习与神经网络：期中后半段不容错过的考点
5.1 监督学习、无监督学习与强化学习的对比
期中如果考到机器学习，最高频的题目就是“比较监督学习、无监督学习、强化学习的区别”。复习这个考点最好的方式不是背长篇大论，而是抓三个维度：数据是否有标签、学习目标是什么、典型任务有哪些。
- 监督学习使用有标签数据，目标是学到一个从输入到输出的映射，典型任务是分类和回归，比如猫狗识别、房价预测。
- 无监督学习使用无标签数据，目标是发现数据内在的结构或分布，典型任务是聚类和降维，比如用户分群、数据可视化。
- 强化学习不使用现成的标签或类别，而是让Agent在环境中通过试错获得奖励信号，目标是学到一个能最大化长期奖励的策略，典型应用包括围棋程序、游戏AI、机器人控制。
有一年简答题的考法换了个角度，直接问“如果你想做一个猫狗识别系统，应该选择哪种学习方法”。答案是监督学习，因为要区分猫和狗的图片必须有大量标注了“猫”或“狗”的图片作为训练数据。这个例子说明机器学习的考点非常喜欢和具体应用场景结合，复习时要把每个学习方式和至少一个现实案例绑定记忆。
5.2 感知机与神经网络基础怎么算
感知机是神经网络基础的必考概念。它的计算流程可以拆成四步：接收多个输入，每个输入乘上对应权重，把所有乘积相加得到加权和，再通过一个激活函数决定是否输出。如果激活函数是阈值函数，那加权和超过阈值就输出1，否则输出0。
我给自己编过一道手算题：输入x1=1，x2=1，权重w1=0.5，w2=0.5，阈值θ=0.8，那么加权和为0.5×1+0.5×1=1.0，1.0大于0.8，所以输出为1。如果换一个输入x1=1，x2=0，加权和只有0.5，小于0.8，输出为0。这个过程看起来简单，但手算的好处是能真正理解为什么感知机本质上是“一个线性分类器”——它只能划分那些能被一条直线分开的数据，这就是后来多层神经网络和引入非线性激活函数的动机。
关于激活函数，期中至少要知道阶跃函数、Sigmoid函数、ReLU函数这三个。选择题可能问“哪个激活函数引入了非线性”“哪个函数的输出范围是0到1”“哪个函数在反向传播时不容易梯度饱和”。ReLU在正区间导数恒为1，计算简单且缓解梯度消失问题，所以现在深度学习里用得最多。
5.3 过拟合、训练集/验证集/测试集这些易混概念
这类概念题看起来不难，但失分率一直很高，原因是大家只背了定义，没有理解它们之间的因果关系。过拟合指的是模型在训练数据上表现很好，但在新数据上表现很差，泛化能力弱。产生过拟合的常见原因包括训练数据太少、模型参数太多、训练轮次太久等。
缓解过拟合的方法要能说出至少三四种：增加训练数据、使用正则化限制权重幅度、采用dropout随机丢弃部分神经元、使用早停法在验证集误差开始增大时停止训练。回答“验证集和测试集有什么区别”时，要先说验证集用于在训练过程中调整超参数和选择模型，测试集用于在模型确定后评估最终泛化能力；再补一句“测试集绝不能参与训练过程，否则评估结果就没有意义”。这种“能讲清楚为什么”的答案，比列出十个概念的零散背诵更得阅卷老师喜欢。
5.4 生成式AI与学习场景：一个值得写进论述题的素材
近两年期中论述题有越来越“跟时事”的趋势，比如给一段关于ChatGPT或大语言模型的材料，让你从人工智能原理或伦理角度发表看法。网上有个热词叫“认知债务”，说的是用人工智能助手完成论文写作时，虽然效率提高了，但人对知识的深度加工和批判性思考变少了，欠下了“思维的债”。
这种素材用在论述题里可以这样组织：先承认生成式AI在信息检索、初稿生成、翻译润色等方面有明显帮助；再指出依赖风险，包括认知能力退化、信息准确性难以保证、学术诚信问题；最后给出建设性使用方式，比如把AI当成“思路顾问”而不是“代笔”。这样的三段式结构，既有客观分析又有个人立场，是论述题拿高分的稳定套路。同理，“AI偏见问题”也能套这个结构：来源是什么（训练数据偏差、算法目标设定偏差）、影响是什么（社会刻板印象加剧、特定群体被不公平对待）、怎么缓解（数据多样化、公平性指标、模型审计）。
6. 智能Agent与AI应用论述题：答题素材与组织方法
6.1 Agent的基本定义与结构类型
“智能Agent”这个概念贯穿整个现代AI，期中喜欢考它的定义和结构分类。一个Agent就是能通过传感器感知环境并通过执行器作用于环境的自主实体。比如扫机器人通过传感器感知障碍物位置，通过轮子驱动改变位置，就是一个典型的物理Agent；一个推荐系统感知用户的点击行为并输出推荐列表，则是软件Agent。
Agent的结构按复杂程度从低到高可以分为五类，这个对比表值得花时间记：
| Agent类型 | 工作方式 | 适用场景 | 局限 |
|---|---|---|---|
| 简单反应式Agent | 直接根据当前感知选择动作，不保存历史信息 | 简单规则控制，如自动门 | 无法处理部分可观察环境 |
| 基于模型的反应式Agent | 保存内部模型来补全当前感知不到的信息 | 环境部分可观察的系统 | 模型更新有计算开销 |
| 基于目标的Agent | 不仅考虑当前状态，还会考虑哪个动作能达到目标 | 路径规划等目标明确的问题 | 需要目标描述和搜索能力 |
| 基于效用的Agent | 对状态进行效用评价，选择综合效用最高的动作 | 多个目标冲突时做权衡 | 效用函数不好设计 |
| 学习型Agent | 能根据经验不断改进自身行为 | 需要长期自适应能力的系统 | 训练周期长，需要大量数据 |
如果论述题问“设计一个扫地机器人Agent”，你完全可以把这些结构类型当作答题的辅助工具：先说明它需要感知模块、执行模块，再指出它适合采用“基于模型的反应式”加“基于目标”的混合结构，因为房间环境在动态变化，Agent既要维护地图模型，又要规划清扫路径。
6.2 AI应用论述题：一个可复用的答题模板
“结合例子说明人工智能在XX领域的应用”是论述题的常客。最稳妥的答题结构是“总体概述+具体流程+技术难点+发展趋势”。如果题目给的是猫狗识别这类经典图像分类任务，可以用下面这个流程展开：
第一步收集并标注大量猫狗图片数据，数据质量直接影响模型上限；第二步对图片做预处理，比如调整尺寸、归一化像素值；第三步构建模型，传统方法会用特征提取加分类器，现代方法则直接用卷积神经网络；第四步用训练集训练模型，用验证集调整超参数；第五步在测试集评估准确率、精确率、召回率等指标；第六步部署到实际应用中，并持续迭代。展开时每一句都可以补充“为什么”，比如“为什么要归一化？因为不同图片亮度差异大，归一化能加速模型收敛并提高稳定性”。
很多同学答题时只写两三句话就没了，这是论述题的大忌。我建议每道论述题至少写出一个“应用背景→核心流程→技术挑战→解决思路”四段论的完整回答，每段写两三行，就能轻松凑够篇幅，而且结构清楚、踩点准确。如果有余力，还可以加上对该应用未来方向的判断，比如“结合大模型实现零样本分类，降低对海量标注数据的依赖”，这是加分项。
6.3 人工智能伦理与偏见的论述素材
AI伦理不是随便看看就行的，期中论述题很可能给出“AI在招聘中存在性别偏见”之类的材料，让你分析原因和解决措施。复习时要准备三个层面的素材。
第一层是数据层面：训练数据本身如果包含历史偏见，比如某类岗位过去主要是男性做，模型学习该数据后就会把性别和社会地位错误关联。第二层是算法层面：模型追求的是整体准确率，可能会牺牲少数群体的利益，导致公平性不足。第三层是应用层面：模型输出被人类错误解读，会反过来加剧偏见的社会影响。“AI偏见”来源和影响理清楚后，解决措施可以从“数据审计”“算法公平性约束”“人工审核”“公开透明机制”四个方向答。
近几年还有个热点是把“可解释性”和伦理一起考。AI模型往往是个黑箱，在金融风控、医疗诊断等高风险场景里，人们不只是要一个结果，还要知道为什么是这个结果。所以复习时可以把“可解释AI”和“可信AI”作为两个术语积累起来，只要是涉及伦理、偏见、安全类的论述题，这两个概念几乎都能用上。
7. 考前一周的复习路线与我的踩坑记录
7.1 七天时间怎么分配给各章
如果离期中还有一周，我建议把时间分成三段来安排。前两天做“地毯式扫荡”，把绪论、知识表示、搜索、机器学习、Agent这五块内容的所有PPT和教材重点过一遍，目标是能把每一章的标题下面有什么内容默写出来。中间三天集中攻克计算题和简答题，搜索算法每天至少手算两遍，一遍跟着笔记走，一遍合上笔记独立算；简答题则用“看题目→口头作答→看一眼标准答案→补漏”的方式快速过，不必全写长句。最后两天进入模拟状态，把自己当考官，把重点章节的题目组合成一套卷子限时完成，重点练习做题速度和答题排版。
这个时间表的逻辑是：先搭框架，再攻难点，最后练输出。如果你时间更紧，至少保证搜索计算题每天都要碰，因为概念题背一背能临时应付，计算题不会的话在考场上花再多时间也写不出正确的扩展表。
7.2 我踩过的坑与常见丢分点
第一个坑是把太多时间花在追前沿热点上。考前我花了一个晚上去查各种大模型的最新动态，结果考到的全是PPT上最基础的东西。前沿内容最多用来作为论述题的补充素材，切忌作为主要复习方向，那叫“自我感动式复习”。
第二个坑是搜索算法只看不练。A算法看笔记时觉得每一步都合理，自己上手一算才发现g值算错、节点重复扩展、open表排序乱掉等问题全出来了。所以复习A时一定要在草稿纸上完整走一遍那个带例子的表格，并且不看任何提示地默写一遍过程。
第三个坑是名词解释写得过于简略。我通常只写一句定义，结果被扣了不少过程分。后来我给自己定了一个硬标准：名词解释至少写两句话，第一句给定义，第二句给特点、作用或举例。比如“启发式搜索是一种利用问题自身信息（启发函数）指导搜索方向的搜索策略，它能够减少搜索空间，提高搜索效率，但不一定能保证全局最优。”这样既显得知识扎实，又能把分值挣全。
第四个坑是讨厌写论述题，觉得字太多、没标准答案。事实上论述题都是有采分点的，你写出的专业术语越多，采中关键词的概率越大。所以论述题不要只凭感觉写两句，要多写几个角度，用分点的方式组织答案。
7.3 考前再巩固一遍复习清单
为了让最后冲刺阶段有抓手，我把检查清单列在这里，考前对着它过一遍，哪一项觉得卡壳就回去翻笔记：
- 能说出人工智能的至少三种定义，并能解释图灵测试和中文房间的区别。
- 能画出生物智能、人工智能、计算智能的层次关系，并说明为什么计算智能是底层工具。
- 能快速区分三大AI流派，并各举一个典型成果。
- 能默写出A*算法的完整手算过程，解释h(n)可采纳性的含义。
- 能用一句话说明α-β剪枝为什么不会解丢最优解。
- 能把“刘老师喜欢计算机”翻译成一阶谓词逻辑公式。
- 能说出产生式系统三个组成部分，以及正向推理与反向推理的区别。
- 能区分语义网络、框架、脚本和本体。
- 能举出监督、无监督、强化学习各一个应用场景。
- 能算出简单感知机的输出，并说明为什么感知机只能解决线性可分问题。
- 能列出过拟合的至少三个缓解方法。
- 能把猫狗识别项目的机器学习流程完整说下来。
- 能答出AI偏见的主要来源和解决措施。
这份清单其实也是整份笔记的浓缩版。把每一项都做到“能向别人讲明白”的程度，而不是仅仅“看着眼熟”，考场上基本就不会慌了。
7.4 最后分享一个好用的小技巧
复习到后期，我习惯把容易混淆的成对概念抄在便利贴上，贴在书桌正前方。比如“深度优先vs广度优先”“正向推理vs反向推理”“过拟合vs欠拟合”“训练集vs验证集”，每当走神或者换科目学习的间隙，就盯着便利贴在心里默念它们的区别。这个方法看似笨，但对付人工智能导论这种概念密集型课程特别有效，因为考试丢分往往不是输在难题，而是输在这些轻松能混过去的易混点上。
人工智能导论是一门信息密度很大的入门课，但只要抓住考情范围、概念定义、搜索手算、知识表示、机器学习基础、Agent应用论述这几条主线，有层次地复习，期中拿个理想的分数并没有想象中那么难。希望这份复习笔记能给你一些具体的抓手，帮你少走些我当时走过的弯路。
