资源简介

(共36张PPT)
第四单元 第1课
人工智能与游戏
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
(1)了解人工智能在棋类和电子游戏中的发展历程及重要突破。
(2)理解人工智能在游戏中展现的学习能力与策略优化方法。
(3)探讨人工智能通过游戏推动技术进步的逻辑及其影响。
02
新知导入
你玩过哪些人工智能类游戏？
举手回答
其实70年前就有这样的机器——
1959年第一个战胜人类的AI（跳棋）
历史上的游戏对战
微视频：达特茅斯会议讨论了哪些事情？
03
新知讲解
历史上的游戏对战
03
新知讲解
达特茅斯会议标志着人工智能正式登上历史舞台,当时的两位主要组织者,约翰·麦卡锡和克劳德·香农,都对机器对弈有深入思考。
深蓝与国际象棋
03
新知讲解
微视频：超越人类智慧的巅峰之战：深蓝终结卡斯帕罗夫的国际象棋王朝！
深蓝与国际象棋
03
新知讲解
8×8棋盘=规则明确战场 → 深蓝靠 暴力计算 制胜
深蓝与国际象棋
03
新知讲解
深蓝背后的算法是Minimax算法与Alpha-Beta剪枝。
Minimax算法假设对手会用最优方式来走棋,然后基于此来决定应对策略，绝不轻视对手。在实际走棋时,深蓝会往前模拟走若干步,看哪种走法会让已方获得更大的优势。
Alpha-Beta剪枝在此基础上对不必要的模拟路径进行删减,以提高算法的效率。
深蓝与国际象棋背后的原理
AlphaGo与围棋
03
新知讲解
深蓝战胜卡斯帕罗夫以后,很多人工智能研究者看到了希望，致力于研究机器围棋,希望有朝一日机器可以战胜人类顶尖棋手。然而，这个愿望迟迟未能实现，因为围棋相对象棋特别复杂。
AlphaGo与围棋
03
新知讲解
国际象棋：8×8
国际围棋：19×19
AlphaGo与围棋
03
新知讲解
微视频：2017年经典的AlphaGo对战围棋选手胜利
AlphaGo与围棋
03
新知讲解
2016年AlphaGo首次战胜人类围棋世界冠军，证明深度学习能模拟人类直觉决策，颠覆传统AI逻辑框架，引发全球人工智能发展新浪潮。
AlphaGo与围棋
03
新知讲解
AlphaGo在围棋上的技术突破：
融合深度卷积神经网络与蒙特卡洛树搜索，通过自我博弈强化学习超越人类经验，在19×19复杂棋盘实现精准局势判断与落子决策，颠覆传统AI围棋范式。
游戏霸主
03
新知讲解
人工智能特别适合国际象棋、围棋这种确定规则下的棋类游戏。对那些规则不明确的游戏比较困难,比如闯古墓、打怪兽等。
《古墓丽影:暗影》游戏
《打怪兽》游戏
游戏霸主
03
新知讲解
不过,在AlphaGo对战李世石的前一年DeepMind就训练了一个会打街机游戏的AI,在Atari 2600对战中达到了人类玩家的水平。
游戏霸主
03
新知讲解
学会了Atari游戏对战之后,机器打游戏的能力越来越强。
2017年CMU的Libratus系统在德州扑克游戏中战胜了人类玩家 现场图片
游戏霸主
03
新知讲解
学会了Atari游戏对战之后,机器打游戏的能力越来越强。
2019年4月 Dota2 OpenAI人工智能对战OG战队全程
现场图片
游戏霸主
03
新知讲解
学会了Atari游戏对战之后,机器打游戏的能力越来越强。
同年 DeepMind的AlphaStar在《星际争霸Ⅱ》中战胜99.8%的人类玩家
游戏霸主
03
新知讲解
分组解读教材原文（下图部分）：“找出AlphaStar在《星际争霸》中比下棋AI多用的三种能力”
合作与交流
观察
资源决策
实时应变
游戏霸主
03
新知讲解
思考一下,为什么人工智能学者们对游戏,特别是棋牌对弈游戏如此钟爱
合作与交流
人工智能在游戏中发展的作用
03
新知讲解
游戏在人工智能发展过程中起到了重要的推动作用。直到今天,很多时候人们仍然借助类似游戏的方式来推动人工智能的进步,例如各种航天飞行器的驾驶模拟和类似游戏的军事对战演习。
人工智能在游戏中发展的作用
03
新知讲解
技术迁移：
特斯拉用《侠盗猎车手》训练自动驾驶
小小辩论赛
03
新知讲解
游戏真是ai的试金石吗？
正方：是
反方：不是
04
课堂练习
一、判断题。
1、艾伦·图灵在1948年设计的国际象棋程序已能在计算机上运行。
2、围棋长期未被AI攻克的主要原因是缺乏算法支持。
3、AlphaStar在《星际争霸II》中胜率超过99%!，说明AI已完全掌握即时策略游戏的随机性。
× 他只能通过手工计算模拟
√ 课件中明确给出胜率数据
× 核心难点是“围棋复杂到人类都靠直觉判断”
04
课堂练习
二、选择题
人工智能研究者偏爱用棋类游戏测试AI的原因是？
A. 游戏成本低廉且规则简单 B. 棋类胜负结果容易量化评估
C. 游戏能模拟现实决策的复杂性 D. 人类棋手容易配合测试
2.AlphaGo相比深蓝的技术突破主要体现在？
A. 计算速度更快 B. 使用卷积神经网络模拟人类直觉
C. 采用暴力穷举所有棋路 D. 依赖专家编写的围棋规则库
答案： B 强调“规则明确、胜负清晰”
答案：B AlphaGo“综合局部模式和全局情况判断棋局”
04
课堂练习
三、填空题
1.根据教材内容，AlphaGo在年首次击败围棋世界冠军李世石九段，其中第四局李世石的逆转一手被称为“____”。
2.国际象棋的棋盘规格是____方格，而围棋的棋盘规格是____方格。
3.深蓝计算机战胜卡斯帕罗夫的核心算法是（假设对手最优）与（删除无效计算路径）的组合。
（答案：2016，神之一手）
（答案：8×8，19×19）
（答案：Minimax算法，Alpha-Beta剪枝）
05
拓展延伸
1、当AI棋手“作弊”（技术揭秘）
AlphaGo的隐藏技能 ：
李世石用“神之一手”击败AlphaGo的第四局，后来被AI自我复盘证明是 程序BUG ！
真相：AlphaGo误判该步棋概率仅万分之一（人类直觉完胜算法漏洞）
→ 思考：为何人类妙手能突破AI计算？引出“直觉是高级模式识别”的本质。
05
拓展延伸
2、游戏AI的跨界打工（应用奇闻）
《侠盗猎车手》的隐藏使命 ：
特斯拉用游戏场景训练自动驾驶AI：
为什么选GTA？→ 内含16万公里虚拟道路、14种天气系统、行人突发行为库！
→ 类比：就像用《塞尔达传说》练习荒野求生
05
拓展延伸
3、电子游戏里的AI幽灵（游戏探秘）
《星际争霸》AI的致命弱点 ：
AlphaStar尽管胜率99.8%!，(MISSING)但会被人类用“自杀式蟑螂”战术击败！（教材图4-7）
原因：AI无法理解“无意义送死”背后的心理威慑
→ 引申：情感计算是AI下一站。
06
课堂总结
从棋盘到星际 ：70年AI游戏进化史
起点（1948） ：
图灵手工模拟国际象棋→验证机器智能可能性
里程碑突破 深蓝（1997）：Minimax算法征服国际象棋 AlphaGo（2016）：CNN神经网络颠覆围棋"直觉判断"
终极试炼场 ：星际争霸（2019）中AI实现 实时观察-决策-应变

核心启示 ：
游戏为AI提供 规则明确、复杂度可控 的训练场，锤炼出的决策能力正迁移至自动驾驶、军事推演等现实领域——"游戏中成长的本领，终将改变世界"
07
板书设计
1
人工智能游戏界初相识：跳棋
2
再接再厉：深蓝与国际围棋
3
人工智能里程碑：AlphaGo 与围棋
4
百花齐放：游戏霸主
5
拓展延伸、课堂练习及总结
1
2
3
4
5
人工智能与游戏
08
课后作业
基础任务：（必做：二选一）
1、分析《王者荣耀》AI机器人行为模式，撰写《三招识破AI队友》指南
2、设计给阿尔兹海默症患者的记忆训练小游戏，说明其中需要的AI技术
08
课后作业
进阶任务：（可选）
深蓝战胜卡斯帕罗夫所采用的基础算法是Alpha-Beta剪枝,这是一个对弈游戏中的经典算法。查找资料,理解这一算法的基本思想。让ChatGLM生成一个基于Alpha-Beta剪枝的五子棋程序,理解代码的内容,并检查生成的代码是否正确。
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑