高中信息技术·人工智能初步：博弈树评估与极值极小算法深度教学

高中信息技术·人工智能初步：博弈树评估与极值极小算法深度教学

一、教材与教学内容分析

本节内容选自高中信息技术选择性必修模块“人工智能初步”（粤教版/教科版）中“搜索与博弈”专题。该内容位于“监督学习”与“聚类分析”章节之间，是学生从经典机器学习算法过渡至具备前瞻性与交互性的智能决策系统的关键枢纽。

（一）教材地位与育人价值

博弈树评估并非孤立算法，它是人工智能学科中“启发式搜索”思想的具象化载体。从学科大概念的视角审视，本节内容向上承接状态空间搜索、递归数据结构，向下为强化学习中的蒙特卡洛树搜索奠定思维基础【非常重要】。它不仅呈现了“极值极小化”这一经典数学决策模型，更隐含着在信息不对称条件下如何通过分层推演达成最优策略的元认知方法论。对于高中二年级学生而言，从“井字棋”这一完全信息、零和、确定性的封闭博弈切入，能够在不被复杂物理引擎干扰的前提下，纯粹聚焦于“推理”这一智能内核。这不仅是对编程能力的进阶训练，更是对理性决策素养的系统性启蒙。

（二）跨学科整合视点

从博弈论的视角审视，本节内容涉及纳什均衡的朴素前身；从运筹学的视角审视，它是序贯决策分析的缩微呈现；从逻辑学的视角审视，它完整演绎了“假设-推演-归谬-选优”的推理闭环。通过将数学中的树形结构、信息技术中的递归算法、心理学中的前瞻控制进行有机统整，本节课旨在塑造学生“像计算机科学家一样思考”的底层能力【热点】。

二、学情诊断与教学起点

授课对象为高中二年级选修人工智能方向的学生。此前，学生已完成Python编程基础（分支、循环、函数、列表操作），具备基础的递归思维（如阶乘、斐波那契数列），并已初步接触状态空间图的概念。然而，多数学生仍存在三重认知壁垒：

1.将“递归”仅理解为自我调用的语法现象，未能将其升维为“问题分解”的思维工具；

2.缺乏对“对抗性环境”的形式化建模经验，不习惯站在对手立场进行逆向思考；

3.面对海量分支的局面树时，难以将直觉性的“这一步好不好”转化为可量化的数值评估函数【难点】。

基于此，本设计采用“具身体验→符号抽象→代码验证→迁移创造”的认知阶梯，力求将隐性棋感显性化为可编程的评估逻辑。

三、教学目标与核心素养对应

（一）信息意识

能够在人机对抗或程序对抗的情境中，主动识别“决策节点”与“终局收益”，形成将模糊胜负感转化为结构化评估指标的习惯。

（二）计算思维

1.能够将完整的博弈进程抽象为递归定义的博弈树模型，并清晰区分MAX层与MIN层的决策主体【核心】；

2.能够针对井字棋等简化博弈环境，设计具有可操作性的局面评估函数，理解特征选取对评估准确性的影响；

3.能够跟踪极值极小算法在博弈树上的反向传播过程，形成“深层收益逐层归因”的系统性推理能力。

（三）数字化学习与创新

能够基于Python原生数据结构（二维列表、字典、元组）实现博弈树遍历及简单评估，不依赖现成的AI框架，在“从零构建”的过程中深度内化算法灵魂。

（四）信息社会责任

辩证看待博弈算法在体育竞技、商业竞标、军事推演等领域的应用边界，理解“理性决策模型”与“人类伦理直觉”之间的必要张力，形成对强人工智能决策权限的审慎态度。

四、核心概念与术语谱系

为确保后续教学实施过程中术语使用的精准性与一致性，现对本课涉及的核心概念进行前置界定并标注认知负荷等级：

1.博弈树：以初始局面为根节点，以合法落子为边，以终局或达到预设深度为叶子节点的树形状态空间。【基础】

2.完全信息：所有参与者均知晓当前全局状态，无隐藏信息。【基础】

3.零和博弈：一方收益等于另一方损失，收益函数之和为零。【基础】

4.评估函数：针对非终局局面，依据若干启发式特征（如中心控制度、威胁数）计算出的实数值，用以预估该局面对MAX方的有利程度。【核心·非常重要】

5.极值极小算法：在博弈树上采用深度优先遍历，MAX层选取子节点最大值，MIN层选取子节点最小值，将终局收益逐层回传至根节点的决策机制。【核心·高频考点】

6.剪枝：在不影响最终决策精度的前提下，通过α-β界限舍弃劣势分支的优化策略。【拓展·难点】

五、教学实施过程（全流程深度解析）

【总用时】90分钟（两课时连排，含20分钟编程实践与10分钟路演复盘）

（一）锚点激发：从“直觉猜图”到“形式化推演”（8分钟）

【情境创设】教师并未直接呈现代码或树形图，而是邀请两名学生（甲、乙）进行“超级20问”对抗赛。大屏幕上呈现一张被高斯模糊至无法辨认的动物图片，规则如下：甲每轮可提一个“是否类”问题，乙如实回答；若甲在6个问题内猜出动物名称，甲胜，否则乙胜。

【具身冲突】第一轮体验中，学生甲往往提出“是哺乳动物吗？”“生活在水中吗？”等具有高信息增益的问题。教师随机叫停，追问：“你凭什么认为这个问题比另一个问题更好？”学生通常会回答“感觉这个特征更关键”。此时教师点明本质：你所依赖的‘棋感’或‘直觉’，在人工智能系统中必须转化为可编程的数值——这就是评估函数的雏形。

【概念锚定】教师将活动抽象化：将当前模糊图片定义为“根局面”，每一个提问是“走法”，回答是“对手回应”，最终猜中是“终局胜/负”。至此，博弈树的三要素（初始态、合法行动、收益）已完成无痛植入。【非常重要】

（二）建模定格：博弈树的形式化定义与图式构建（12分钟）

【思维可视化】教师逐层呈现井字棋前三层的局面展开图，并非一次性展示整棵树，而是采用“递归生成”的动态演示：从空棋盘开始，点击根节点，伸展出MAX方（假设为先手方，用圆圈表示）落子于九宫格任一空位的9个分支；点击任意一个第一层子节点，伸展出MIN方（后手方，用叉号表示）的8个应招。此过程慢速播放，并引导学生同步观察两个规律：

1.随着层数加深，棋盘上棋子密度递增；

2.每一层的决策主体交替切换。

【命名与封装】教师正式引出术语：我们将这个逐层展开的树状结构称为博弈树；节点存储棋盘状态；边存储落子坐标；树的深度对应回合数。【基础】随即给出递归定义式：

一个局面节点=(棋盘数据,当前轮到谁,该局面的子节点列表)

其中，子节点列表=对每一个合法落子执行“落子后产生的新局面”所生成的节点。

【诊断性追问】教师展示一个中间局面（棋盘上有4枚棋子），询问：“如果我用这个局面作为根节点向下构建一层，应该生成几个子节点？轮到谁下？”此问题旨在检测学生是否混淆了“棋盘上已有棋子数”与“回合数”以及决策主体切换逻辑。正确答案为：生成空位数个子节点，轮到对方下。【高频易错点】

（三）评估函数：从“定性描述”到“定量标定”（18分钟）【核心·重中之重】

1.终局收益的绝对赋值

教师首先处理最简单的情况：叶子节点。在井字棋中，叶子节点对应三种状态——MAX方获胜、MIN方获胜、和棋（棋盘下满且无人成线）。师生共同约定：

MAX胜=+1.0

和棋=0.0

MIN胜=-1.0

【强调】此处的正负号并非情感偏好，而是严格服务于极值极小算法的符号运算规则。

2.非终局局面的特征工程

这是本课最具挑战性也最具启发性的一环。教师呈现三个不同的非终局井字棋局面（局面A：MAX占据中心，无直接威胁；局面B：MAX占据两角，形成双线威胁；局面C：MAX边子，MIN已连成两子且无阻挡），组织学生进行小组研讨：“请用一句人话描述这个局面好在哪/差在哪”，然后将其翻译成数值规则。

【研讨成果汇总】

1.特征1：己方潜在连线数。即存在多少个“两子成线且第三个点位为空”的威胁。【权重高】

2.特征2：中心控制度。是否占据中心格（位置4），或者退而求其次的角/边权重差异。【权重中】

3.特征3：防守紧迫性。对方存在多少个可直接成线的威胁；若有，必须赋大负分。【权重极高】

教师引导，将以上直觉映射为线性加权函数：

评估值=w1·(我方威胁数)-w2·(敌方威胁数)+w3·(中心奖励)+常数偏移

【非常重要】教师明确指出：评估函数没有绝对正确的表达式，只有拟合度高低之分。高中阶段不必追求完美估值，核心是建立“将局面特征量化并加权求和”的思维范式。

1.评估函数的编程接口设计

为降低认知负荷，教师提供半成品代码框架，学生仅需填充calc_features(board)函数，返回一个浮点数。该函数接收3×3二维列表，遍历行、列、对角线，累计特征值。此环节不仅巩固了嵌套循环与条件判断，更让学生切身感受到：评估函数的质量直接决定了AI的棋力水平——倘若程序只懂得数棋子数量，便会成为毫无战术眼光的“盲目贪吃鬼”。【热点·与机器学习特征工程呼应】

（四）极值极小决策：递归回溯的价值传播（20分钟）【高频考点·思维峰点】

1.手工推演“深度2”决策树

教师给出一个仅剩4个空格的残局（轮到MAX走）。不让学生立刻写代码，而是要求在纸上画出完整的深度2博弈树（MAX走一步，MIN走一步）。针对每一个深度2的局面（即MAX落子、MIN应招后的新棋盘），利用刚刚在（三）中设计的评估函数计算估值。然后反向传播：

1.在MIN层（深度2的父节点，深度1），MIN方会选择对自己最有利（即对MAX最不利）的子节点，因此该节点的值=其所有子节点中的最小值。

2.在MAX层（根节点，深度0），MAX方会选择对自己最有利的子节点，因此根节点的值=其所有子节点（即第一层各节点）中的最大值。

【思维外显技术】教师邀请三位学生扮演“递归代理”，分别站在树根、第一层枝干、第二层叶子位置，用举数字牌的方式演示值如何从叶子向上汇聚。此活动有效破除学生对递归“自动完成”的神秘感，还原其机械式、确定性的计算本质。

1.形式化伪代码与递归三要素

在具身体验基础上，教师与学生协同建构极值极小算法的伪代码：

functionminimax(node,depth,is_maximizing_player):

若node是终局或depth==0:

返回evaluate(node)#叶子评估

若is_maximizing_player:

最优值=-∞

对node的每一个子节点child:

估值=minimax(child,depth-1,False)

最优值=max(最优值,估值)

返回最优值

否则:

最优值=+∞

对node的每一个子节点child:

估值=minimax(child,depth-1,True)

最优值=min(最优值,估值)

返回最优值

【拆解】教师逐行对应递归三要素：

1.终止条件：终局或达到搜索深度上限（防止无限递归）；

2.递归前进：每层深度减1，决策角色翻转；

3.返回值处理：根据当前层是MAX还是MIN，分别取max或min。

【难点澄清】大量学生在此处混淆：为什么MAX要用负无穷初始化？因为MAX层要在所有子节点估值中找最大值，初始值必须小于任何可能估值，故设为负无穷；反之MIN层初始化为正无穷。

（五）代码实现：从“纸上算法”到“可运行引擎”（25分钟）【核心·技能落地】

1.工程架构分层

教师引导学生采用“模块化”思想构建井字棋AI引擎，分为三层：

1.层1：棋盘表示与规则层——维护board列表，实现get_legal_moves(board)、make_move(board,move,player)、check_winner(board)等纯函数。【基础】

2.层2：评估层——实现evaluate(board)函数，返回当前棋盘对MAX方的估值。复用（三）中成果。【承上】

3.层3：决策层——实现minimax(board,depth,is_max)函数，返回最佳估值及对应走法。【启下】

1.递归实现与调试

教师提供脚手架代码，学生分组（每组2人）在JupyterNotebook环境下完成核心递归逻辑。教师巡回指导，聚焦典型bug：

【Bug1】递归基准条件遗漏：未处理棋盘已满但无胜者的和棋情况，导致递归无法返回。

【Bug2】决策主体判断失误：误将depth奇偶性与当前执棋方绑定，而非通过is_max参数显式传递。

【Bug3】估值方向反号：忘记极值极小算法的前提是评估函数始终从MAX方视角定义，在MIN层直接返回原始估值而未意识到MIN层是在“最小化MAX的收益”。【高频踩坑点·非常重要】

2.实时可视化反馈

学生每完成一轮迭代，即可运行“人机对战”简易脚本。当学生看到自己定义的简单特征（如只数己方棋子数）导致AI在胜势局面下走出昏招时，惊呼与笑声往往同时发生——这种认知冲突比教师直接讲授“特征工程很重要”要深刻十倍。教师趁势追问：如何改进评估函数让AI识别出“即将获胜”？自然引出威胁数、双线杀等高阶特征。【热点】

（六）算法优化窥探：α-β剪枝思想（选讲·10分钟）

本环节为学有余力者设置，不要求全体掌握，但为后续竞赛或强基计划学生打开一扇窗。

【问题驱动】当学生运行深度为5的极值极小搜索时，明显感知到计算延迟（井字棋深度5约有数万节点）。教师提问：我们是否必须遍历所有分支才能做出正确决策？

【逻辑演示】教师通过动画展示：在MAX层搜索第一个子节点返回估值为0.3后，搜索第二个子节点时发现其某个MIN层子节点估值仅为-0.1。由于MIN层会选择最小值，这意味着第二个子节点的最终估值必然≤-0.1。而根节点MAX想要的是最大值，0.3已经优于-0.1，因此第二个子节点剩余分支无须探索。

【命名】这一跳过不可能影响最终决策的分支探索过程，称为剪枝；记录当前MAX层已找到的最佳下界（α）与MIN层已找到的最佳上界（β）进行动态更新的算法，称为α-β剪枝。【拓展·难点】

教师演示将剪枝集成到极值极小递归中的代码微调，学生惊叹于搜索效率的几何级提升。这一环节虽浅，但成功种下了“启发式搜索”的种子。

（七）思辨升华：博弈评估的伦理疆界（7分钟）

【案例投射】教师展示三段简短纪实材料：其一是算法在德州扑克中持续剥削新手玩家的公平性质疑；其二是某外卖平台利用博弈算法动态优化骑手路径导致事故率攀升的报道；其三是在棋类AI教学中，学生开发的“永不犯错”的AI让陪练对手产生习得性无助。

【议题】我们是否有责任在AI决策系统中主动植入“伦理权重”？评估函数是否应该仅仅追求胜负？

【生成性讨论】学生观点多元：有的认为纯粹博弈环境（棋类）应追求极致的理性最优；有的认为凡是涉及人类福祉的决策（如交通调度、医疗资源分配），评估函数必须纳入安全冗余与公平性指标。教师不寻求统一答案，而是升华认知：算法从来不是价值中立的；定义评估函数的权值，本身就是一种价值判断。这是本节课从技术课堂走向育人课堂的最后一公里。【非常重要】

六、板书与思维留白

板书采用“左-中-右”三分区架构：

左区：核心概念图谱（博弈树-节点-边-深度；评估函数-特征-权重-量化）

中区：极值极小递归伪代码，用彩色粉笔标注MAX取大、MIN取小及正负无穷初始化

右区：课堂生成区——记录各小组设计的评估特征（如“占角分”“活二数”），以及典型Bug复盘

【设计意图】板书不是PPT的复刻，而是思维流动的化石。右区的动态生成内容使每节课都具有不可性，强化了学生“我们在共同建构知识”的在场感。

七、作业与持续性评价

（一）基础