本科人工智能专业三年级《人工智能导论》期末考核要点教案

本科人工智能专业三年级《人工智能导论》期末考核要点教案

一、课程基本信息

（一）课程名称：《人工智能导论》

（二）适用学段：大学本科人工智能专业三年级

（三）课时安排：2学时（90分钟）

（四）教学类型：期末考核要点专题复习课

二、教学目标

（一）知识与技能目标：学生能够准确复述人工智能学科知识体系的六大模块及其内在逻辑关联，精准界定至少二十个核心术语的内涵与外延；能够独立完成A*算法在典型图搜索问题中的完整推演并证明启发函数的可采纳性；能够运用谓词逻辑、语义网络、框架三种形式化工具对中等复杂度的命题进行知识表示与推理；能够从数学原理层面完整推导线性回归闭式解、逻辑斯蒂回归交叉熵损失对参数的梯度以及全连接神经网络中单隐层权重的反向传播更新量；能够熟练计算卷积神经网络中特征图尺寸、感受野范围及可训练参数量。以上目标覆盖【基础】【核心】【高频考点】。

（二）过程与方法目标：通过宏观知识图谱的协作重构，学生习得“体系化对抗碎片化”的高阶复习策略；通过算法伪代码、板书手推与代码短演示的三阶递进，深化对抽象模型内部机制的元认知；通过真题限时训练与错误集群分析，提升信息提取速度、审题精度及学术语言表达的规范性。此目标对应【重要】【素养】。

（三）情感态度与价值观目标：在解析算法偏见、深度伪造、责任归属等真实伦理困境时，学生能够自发形成“技术向善”的价值承诺，理解工程师作为“人机接口”的伦理负荷，树立严谨求实、精益求精的职业精神，【热点】【伦理】。

三、教学重难点

（一）教学重点：搜索策略框架下的A*算法完备性证明与博弈树alpha-beta剪枝实现机理；机器学习任务类型辨析、模型泛化能力评估以及偏差-方差困境；神经网络前向传播的矩阵化表达与反向传播算法中链式法则的递归应用。此三项在近五年国内高水平大学人工智能期末试卷中分值占比稳定在65%至72%之间，且常以综合计算题与辨析论述题形态呈现，【非常重要】【高频考点】。

（二）教学难点：启发式搜索中启发函数的可采纳性与一致性证明，以及估价函数对搜索效率与最优性的耦合影响；反向传播算法中梯度在跨层传播时的连乘效应及梯度消失/爆炸的数学根源；卷积神经网络中卷积核参数共享、池化平移不变性与感受野扩张三者之间的几何映射关系。这些概念具有高度的抽象叠层特征，需借助多模态表征、手算实践与具身模拟进行认知攻坚，【难点】【深度】。

四、教学方法与手段

（一）教学方法：采用系统讲授与自主建构交替驱动。教师以“问题链”串联知识点，以“认知冲突”制造反思契机；学生在板书演练、同桌互评、错例改写的循环中完成知识的内化与外显。具体包含启发式讲授、关键案例解剖、小组协作探究、即时诊断反馈四种形态。

（二）教学手段：PPT集成动画时序、伪代码分层出现、真题链接跳转；板书专用于数学公式渐进式推导与算法状态跟踪；在线投票系统实现群体认知状态的可视化；自制博弈树磁贴教具供空间想象薄弱学生在纸面推演时获得触觉锚点。

五、教学准备

（一）教师课前准备：1.定量分析近五年八所“双一流”高校及两所特色行业院校人工智能课程期末试卷，构建高频考点分布热图；2.制作覆盖六大模块、二十一个子主题的知识卡片库；3.编写五道具有分层诊断功能的真题，并为每道题配备详细的评分量规；4.调试三段Python代码片段，分别用于演示线性回归拟合动态、逻辑斯蒂回归决策边界演化、极简网络反向传播数值验证。

（二）学生课前准备：1.提交本课程全部章节的思维导图文件至教学平台，并完成互评打分；2.复习主教材第七章（搜索策略）、第九章（人工神经网络）的课后编程题及思考题；3.携带预装Python解释器及scikit-learn库的笔记本电脑。

六、教学实施过程

【导入环节】——情境嵌入，问题激活（约5分钟）

教师以“2024-2025人工智能年度技术突破”新闻短集锦开场，内容涵盖AlphaFold3预测蛋白质-配体复合物结构、扩散模型在机器人轨迹规划中的应用、世界模型在自动驾驶仿真中的初步尝试。播放结束后，教师发问：“这些令人目眩的前沿突破，是否完全脱离了本学期我们反复研习的基础理论？请从你们绘制的思维导图中找到与这些应用关联最紧密的三个核心概念。”学生迅速翻阅笔记或回忆，陆续答出“搜索”、“神经网络”、“强化学习”。教师顺势亮出本节课的任务拼图：将散落于各章节的考核要点重新串联为具有高检中性的知识网络，并通过真题演练完成从“懂”到“会”的关键一跃。此环节【基础】【热点】。

【知识框架整体建构】——系统梳理，知识成网（约10分钟）

教师投映基于本体论构建的人工智能学科知识全景图谱，该图谱以横向的符号主义、联结主义、行为主义为认知流派坐标，纵向从数学基础（线性代数、概率论、最优化）向上延伸至模型与算法，再至任务与场景。教师要求学生将自己课前绘制的思维导图与之对照，并立即用红色水笔在遗漏处补记。教师巡回观察，发现大量学生忽略了“多智能体系统”与“博弈论”之间的关联边，遂即席补充：纳什均衡与alpha-beta剪枝共享对抗性搜索的底层逻辑，但前者关注策略稳态，后者关注动作选择。教师随后强调模块二（问题求解与搜索）与模块四（机器学习与神经网络）构成课程内容双峰，历年试卷中仅这两大模块的直接分值占比之和即超过百分之六十，且常以“大题套小题”的形式进行综合考察，【非常重要】【高频考点】。学生在思维导图对应区域加绘五角星标记。

【模块一：人工智能基础与哲学】——源流辨析，术语过关（约8分钟）

该模块虽位于认知金字塔底层，却是试卷开篇选择题、填空题、名词解释题的高发地带，失分往往源于概念边界模糊。教师放弃平铺直叙，改用“快问快答—反向质疑”模式。教师说“一个机器若能通过自然语言对话让人类无法分辨其身份”，学生抢答“图灵测试”。教师立刻追问：“那么中文屋论证是否成功驳斥了图灵测试作为智能判据的有效性？”片刻沉默后，有学生回答：中文屋表明符号操作可以模拟对话但无理解，因此图灵测试是行为主义的，不是心智主义的充分判据。教师归纳：考试中若遇到此类辨析题，应首先承认图灵测试的历史地位，再指出其操作主义局限，最后可简要提及交叉学科对智能的新定义。教师随即展示三流派对比填空题，要求学生30秒内给出流派名称、核心主张、代表作及年代。学生在草稿纸上快速书写，教师抽样展示并纠正“联结主义早期代表是Rosenblatt而非Rumelhart”这一常见张冠李戴，【基础】【高频】。

【模块二：问题求解与搜索策略】——算法深耕，一题多解（约22分钟）

此模块历来是期末考试的拉分重地，【非常重要】【高频考点】【难点】。教师首先板书“搜索问题五元组”：状态空间、初始状态、动作集合、转移模型、目标测试。以经典的罗马尼亚城市间旅行问题为叙述锚点，区分树搜索与图搜索的根本分野：图搜索配备closed表以侦测并杜绝状态重复扩展，这是考试中程序填空和算法改错题的常见设陷点。

进入A算法核心地带，教师遵循“形式定义—可采纳性—算法流程—手算实践”四阶推进。第一阶，板书估价函数标准形式f(n)=g(n)+h(n)，强调g(n)是从起点到节点n的实际代价，具有后向确定性；h(n)是从节点n到目标的估计代价，具有前向预测性。教师点明：将A

简化为“f=g+h”只是入门，考试的高区分度体现在对h函数性质的把控。第二阶，给出可采纳性定义：对任意节点n，要求h(n)≤h(n)，其中h

(n)为真实最小代价。以八数码问题为例，对比曼哈顿距离与错位棋子数两种启发函数：曼哈顿距离总是小于等于实际移动步数，是可采纳的；而错位数有时会高估（如一个棋子仅差一格但需迂回），可能破坏最优性。教师在黑板右侧画出反例状态图，学生发出顿悟之声。第三阶，算法流程演示。PPT逐帧推进，展示open表与closed表在每一次迭代中的内容变化。当出现两个节点f值相等时，教师故意停住，询问：“此时如何抉择？”有学生答“按节点编号升序”，有学生答“任意选”。教师明确：标准A算法对此无硬性规定，但考试中若未作说明，通常默认选择后进入open表的节点（即按FIFO次序）或按某种人为约定，建议考生在答题时标注自己的处理策略以示严谨。学生将这一提示以红笔批注在教材算法伪代码旁。

第四阶，手算实战。教师给出一个高度简化的带权有向图，包含6个节点，并直接给定各节点的启发函数值。要求学生以S为起点，G为目标，完整写出A

算法搜索过程，包括每一步open表、closed表的状态及每个节点f、g、h值的更新。学生分四组演算，每组派代表将结果书写于白板区域。教师发现三个小组在节点扩展后未及时将已在closed表中的邻居节点进行g值重新审视，导致最终路径非最优。教师将典型错误拍照投屏，组织全班“找茬”，最终提炼出核心警示：A*算法允许在特殊情况下对已关闭节点重新开放——若经由当前扩展节点到达该邻居的g值比其旧g值更小，则需将其从closed表移回open表并更新父节点。这一细节曾连续三年出现在本校期末考试计算题第二问，【高频考点】。

搜索策略后半程转向博弈与对抗。教师以井字棋为母题，回顾极大极小算法的递归估值本质。为克服抽象性，教师邀请一名学生扮演MAX，另一名学生扮演MIN，在黑板上构建深度为2的部分博弈树，现场计算倒推值。随即引入alpha-beta剪枝，教师用对比实验展示剪枝的威力：未剪枝时完整井字棋博弈树复杂度约为9!，加入剪枝后实际评估节点锐减。教师提供一个三层二叉博弈树，叶节点估值已标出，但访问顺序按最左优先，要求学生在图上标出哪些内部节点及其分支可以被剪除。学生独立标注，教师选取两份典型作业投影展示，一份遗漏了发生在MIN节点处的β剪枝，一份正确。教师对比讲解，指出剪枝条件的高度对称性：MAX节点处若某分支当前值≥当前β，则剪掉后续分支；MIN节点处若某分支当前值≤当前α，则剪掉后续分支。学生齐读一遍强化记忆。

【模块三：知识与推理】——符号落地，逻辑建模（约12分钟）

从动态搜索切换至静态知识表征，教学节奏由动入静。教师以苏格拉底三段论为经典案例，板书一阶谓词逻辑公式：∀x(Human(x)→Mortal(x)),Human(Socrates)⊢Mortal(Socrates)。要求学生独立翻译“每个计算机专业学生都至少学习过一种函数式编程语言”。学生在纸上写出两种量词序版本：∀x(CSStudent(x)→∃y(FPLang(y)∧Learn(x,y)))与∃y∀x(CSStudent(x)→FPLang(y)∧Learn(x,y))。教师引导学生体会前者表示“每人各学一门，可能不同”，后者表示“存在一门语言被所有人学”，语义迥异。教师强调，期末考试中此类选择题常常将存在量词与全称量词顺序互换作为迷惑项，【难点】【高频考点】。

语义网络教学采用“找茬改错”策略。教师呈现一个存在继承冲突的语义网络片段：“鸟”节点拥有“会飞”属性，“企鹅”节点以is‑a弧连接至“鸟”，却未对“会飞”进行否定修饰。学生立刻发现矛盾，并提议在“企鹅”与“会飞”之间添加一个带有“否”标记的属性弧。教师肯定该修正，并延伸阐释语义网络中的属性继承具有默认性，可被更具体的子类覆盖，这是非单调逻辑在知识工程中的朴素体现。教师随即呈现一道往年真题：“用语义网络表示‘张老师昨天送给李同学一本关于人工智能的英文书’”。学生绘图过程中普遍遗漏事件节点，直接将“送”作为关系弧连接人与物。教师展示标准答案，强调当谓语动词涉及时间、地点、受赠物等多个侧面时，应显式建立事件节点（如“赠送事件”），再将各参与要素通过施动、受动、对象等关系弧与该节点关联，【重要】【易错】。

框架表示法以“校园餐厅就餐”脚本为案例，教师引导学生抽取出框架名、槽名、侧面、默认值、附加过程等要素。学生将餐桌上的活动分解为“进入—点餐—取餐—用餐—离开”五个槽，教师提示可以给“取餐”槽附加一个等待时间默认值。虽然近年来纯框架表示题出现频率降低，但其蕴含的面向对象思想是后续智能体建模的重要认知预备，【基础】。

【模块四：机器学习与神经网络】——数学内核，范式迭代（约28分钟）

这是本节复习课的战略制高点，【非常重要】【高频考点】【热点】。教师以“机器学习三要素”为叙事主线：模型、策略、算法。

针对线性回归，教师从单变量情形切入，推广至矩阵形式。黑板左侧完整展开正规方程推导：损失函数L(θ)=½(Xθ-y)ᵀ(Xθ-y)，求梯度▽L=Xᵀ(Xθ-y)，令梯度为零得XᵀXθ=Xᵀy，若XᵀX可逆则θ=(XᵀX)⁻¹Xᵀy。教师每一步均在黑板右侧标注对应矩阵维度，例如X为m×n，θ为n×1，y为m×1，确保线性代数基础薄弱的学生也能跟踪。教师指出，考试中若要求“推导”而非“写出”，必须展示从损失函数到梯度为零方程的完整微积分过程，跳步者将按评分细则扣减关键步骤分，【高频考点】。

转入分类问题，逻辑斯蒂回归登场。教师首先破除名词迷障：“逻辑斯蒂回归”虽冠以“回归”之名，实为二分类基干模型。其核心变换sigmoid函数σ(z)=1/(1+e⁻ᶻ)将线性输出z=wᵀx+b压缩至(0,1)区间，赋予概率解释。教师现场运行一段约15行Python代码，初始决策边界随机摆动，随后在梯度下降驱动下逐渐分离红蓝样本点，迭代100次后边界稳定。学生直观感受参数从混沌到有序的演化。教师随即提出经典辨析题：“逻辑斯蒂回归为何不选用均方误差（MSE）作为损失函数？”学生分组讨论，两分钟后各组代表发言，逐步汇聚至核心共识：MSE配合sigmoid函数在误差较大时梯度反而趋近于零（饱和区），造成参数更新极度缓慢；而交叉熵损失在对数域与梯度中引入预测误差项，有效缓解了梯度弥散。教师将交叉熵损失函数对权重w的求导结果板书：∂J/∂wⱼ=(σ(z)-y)·xⱼ，形式简洁且物理意义清晰——预测与真值之差乘以输入特征。学生一致认定这一结论应列入“必背公式库”，【非常重要】【深度】。

神经网络模块是本节课的心理攻坚段。教师提出“从感知机到多层网络”的历史飞跃在于解决非线性可分问题，而多层网络的学习引擎是反向传播。为祛魅，教师选择了一个极简拓扑结构：2个输入节点、2个隐层节点、1个输出节点，所有激活函数均为sigmoid，所有初始权重、偏置均预设为具体小数值（例如0.15,0.20,0.25…），目标输出设为0.5。教师带领学生执行第一次前向传播，逐一计算各层净输入与激活值，最终获得输出值0.535。教师用红色粉笔圈出该值与目标值的误差E=½(0.535-0.5)²。

随后，从输出层开始，应用链式法则反向计算每一个权重的偏导数。教师将求导过程拆分为三步：先求∂E/∂out，再求∂out/∂net（即sigmoid函数的导数），最后求∂net/∂w。每一步都用已算出的具体数值代入，得到输出层权重的梯度约为0.008。按照相同范式逐层回推至隐层，学生亦步亦趋，笔记本上记满了红色批注。当所有权重梯度均计算完毕，教师展示用Python自动求导库（JAX）对同一网络、同一数据的计算结果，数值与板书毫厘不爽。学生长舒一口气，纷纷表示“反向传播原来不是黑魔法，就是链式法则一层层扒开”。教师抓住时机强调：期末试卷中反向传播题目有两种常见形态，一是给出网络结构与数值，要求手算某次迭代的参数更新量；二是让考生用表达式推导某一中间层权重的梯度通式。前者考察细心与计算稳定性，后者考察对链式法则的本质把握，【难点】【高频考点】。

卷积神经网络部分，教师从全连接网络的参数量爆炸引出局部连接与权值共享的救赎意义。板书核心公式：输出特征图尺寸N_out=floor((N_in-F+2P)/S)+1。教师要求学生闭目10秒在脑海中成像，然后立即给出四道变式训练：输入7×7，卷积核3×3，步长1，无填充，输出？学生齐答5×5。步长改为2，填充1，输出？多数学生答4×4，教师确认。接着讲解感受野概念，并以LeNet-5的经典结构为例，串联卷积、激活、池化、全连接的标准流水线。学生意识到，虽然本学期不要求实现完整的CNN训练，但卷积核尺寸、特征图尺寸、参数数量的简单计算是考试中的“保分题”，必须零失误，【基础】。

【模块五：感知与认知计算】——领域延伸，应用落地（约6分钟）

该模块定位为算法到场景的映射桥梁。自然语言处理部分，教师以影评情感二分类为驱动任务，阐述词袋模型构建流程：分词、去停用词、统计词频、构建向量空间。教师用PPT展示CountVectorizer输出的稀疏矩阵，学生观察到“维度”随语料库规模膨胀的现象。教师顺势引出分布式词嵌入的直觉动机——将高维稀疏的独热编码压缩至低维稠密的实数向量，并维持语义相似性。虽然word2vec的具体训练算法不在期末笔试核心范围，但“独热编码的缺陷”与“分布式表示的优势”是简答题常考辨析点，【重要】【高频】。

计算机视觉板块，教师展示三组卷积核可视化热图：浅层网络对边缘、颜色斑块敏感；中层网络对纹理、局部形状敏感；深层网络对物体部件甚至完整物体敏感。学生顿悟：卷积神经网络通过层次化抽象自动完成了传统计算机视觉中由人工设计的SIFT、HOG等特征提取步骤。教师点明，这恰是简答题“为何深度学习在视觉任务中取代传统方法”的标准答案核心得分点。学生在教材扉页补充记录。

【模块六：伦理与未来】——价值引领，思辨升华（约4分钟）

近年试卷几乎固定设置一道10至15分的开放性论述题，【热点】。教师以“某电商智能招聘系统因历史数据偏见而筛选掉女性求职者”与“深度伪造视频导致社会信任危机”两则真实案例导入，要求相邻座位的两名学生快速讨论并归纳技术问题背后的伦理失范类型。教师随后呈现在考试中高效得分的主观题应答框架：第一段，现象定性（属于算法偏见/隐私侵害/责任主体缺失等）；第二段，技术归因（训练数据偏差、模型黑箱、反馈循环等）；第三段，社会影响（公平、民主、人格尊严等）；第四段，治理对策（技术公平性指标、外部审计、公众素养、立法滞后等）。学生将框架模板记录于笔记末尾，以备临场调用。

【真题实战与即时反馈】——学以致用，校准偏差（约15分钟）

教师通过课堂互动系统推送五道梯度化真题。题1（概念辨析）：深度神经网络参数越多，模型的泛化能力一定越强。判断并说明理由。题2（算法推演）：给定状态空间图及各节点启发值，写出A*搜索过程中第3次扩展节点后的open表与closed表内容。题3（知识表示）：用语义网络描述“华为公司发布了一款搭载自研麒麟芯片的新型智能手机”。题4（梯度推导）：写出图示三层前馈网络（输入-隐层-输出）中隐层到输出层某权重wⱼₖ在反向传播时的梯度表达式。题5（开放论述）：从技术与社会双重视角分析人工智能对当今劳动力市场可能产生的结构性影响。每道题独立计时，学生作答后系统立即呈现全班正确率分布。题2与题4正确率低于65%，教师针对这两个题进行即时微讲解。题2错误多集中在open表排序混乱及父节点追溯遗漏，教师再次以板书简图示警；题4错误集中在链式求导路径中漏乘激活函数的导数项，教师用“信号流图反向染色法”帮助学生避免路径遗漏。

【