高中信息技术选修3人工智能初步《智能模拟人机博弈》教案

高中信息技术选修3人工智能初步《智能模拟人机博弈》教案一、教学定位与学情研判本课选自浙教版2019版高中信息技术选修3《人工智能初步》第四章第三节，是学生在完成数据与编码、算法与程序实现等必修模块学习之后，对人工智能核心思想进行深度体验的关键一课。前承"模拟人类智能"的基本概念，后启人工智能伦理与未来展望，处于从"知道AI"走向"理解AI如何思考"的转折点。授课对象为高二选修本模块的学生。他们普遍具备基础编程能力，能使用Python完成简单的数据处理任务，对游戏有天然兴趣，部分学生有过与五子棋、井字棋程序对弈的经历。但这一兴奋点背后存在明显认知断层：学生往往把机器对弈的胜利归结为"程序快""算力强"，对背后决策机制的抽象化、数学化理解近乎空白。教学中必须打破"AI等于会下棋的魔法"这一朴素观念，引导学生透过现象看到搜索与估值的工程本质。本课学科核心素养指向如下：信息意识层面，能识别博弈问题中状态、行动、收益等建模要素；计算思维层面，能将真实博弈情境抽象为状态空间与博弈树，理解极大极小搜索的递归结构；数字化学习与创新层面，能借助剪枝思想改造算法、借助可视化工具观察决策过程；信息社会责任层面，能对人工智能在博弈领域战胜人类这一事件形成理性、辩证的判断。二、教学目标设定知识与技能目标：学生能用自己的语言描述博弈树的基本构成；能复述极大极小算法的执行逻辑，并在简化的井字棋局面图中手工推演两步以内的搜索过程；能解释αβ剪枝为何在不改变决策结果的前提下压缩搜索空间；能初步理解评估函数在无法穷尽搜索时的替代作用。过程与方法目标：通过"三堆石子"取子游戏的徒手推演，学生完整经历"定义状态—生成后继—回溯取值—确定行动"的建模流程；通过修改Python示例代码中的搜索深度与评估参数，观察程序棋力变化，获得算法性能问题的直观体验。情感态度与价值观目标：学生认识到机器博弈的智能并非模仿人脑直觉，而是建立在穷尽与估计之上的计算优势，从而对"人工智能超越人类"形成既不神化也不贬低的理性态度，并愿意探究中国围棋文化与机器博弈交汇的深层意义。三、教学重点与难点教学重点是博弈树建模与极大极小算法的执行机制。这一内容之所以重要，在于它是学生理解后续强化学习、深度学习决策机制的铺垫。教学难点体现在两处。其一，极大极小算法中双方视角交替转换，学生极易混淆"我方取大、对方取小"的层级逻辑；其二，αβ剪枝的理解需要学生在头脑中同时维护若干分支的界限值，抽象程度高。突破策略是：以两人对抗游戏的真实体验为载体建立直觉，再配合逐层上色的手工图示法，让回溯求值过程"看得见、摸得着"，将抽象递归拆解为可操作的步骤序列。四、教学方法与资源准备本课采用任务驱动法、游戏体验法、小组协作探究与讲授演示相结合的混合教学方式。教学资源包括：教师自制的井字棋与取子游戏交互程序（Python+turtle实现）、博弈树推演学习单、αβ剪枝动画演示素材、教室网络环境与学生终端。课前在网络平台发布预习任务：观看机器围棋发展史短片，思考"深蓝战胜卡斯帕罗夫依靠的是什么"。五、教学过程设计环节一：情境导入，制造认知冲突（约8分钟）课始，教师在大屏播放一段录屏：本地运行的五子棋程序在数秒内战胜一名班级"高手"。教师抛出问题链：这个不到两百行的程序，凭什么赢过有多年棋感的人？它在落子前一瞬间到底"想"了什么？学生自由发言，典型回答集中于"算得快""存储了所有棋谱"。教师暂不评判，顺势板书学生答案中的关键词：计算、枚举、比较，并追问"枚举到什么程度算够？比的是什么？"悬念由此建立。教师随即明确本课核心任务：像工程师一样解剖一个博弈程序，先学会机器的"思考语法"，再亲手制造一个足够聪明的对手。环节二：微游戏热身，建立博弈模型（约10分钟）教师发布第一组游戏任务：桌上摆放10枚棋子，两名学生轮流取1至2枚，取到最后一枚者获胜。学生两人一组对弈五局，记录每步取法与胜负。教师巡视，悄悄提示感到困惑的学生："输到第8枚的时候就只剩被动了，你能不能倒推一步？"集中交流环节，出现典型的学生发现：当剩余4枚、5枚时，轮到的一方必输；再往前倒推，7枚、8枚时轮到的一方必赢。教师趁势引出"状态—行动—后继状态"三元组，将学生倒推的口头推理转译为状态图：圆圈表示局面，箭头表示行动，叶子节点标注+1（胜）或1（负）。学生第一次直观看到"博弈树"雏形，教师强调两个要点：一是树的每个分支对应一种合法选择，二是叶子分值必须站在"己方"立场定义，这为后续极大极小算法埋下价值判断的锚点。环节三：极大极小算法精讲与手工推演（约15分钟）教师以刚才的状态图为载体，提出算法思想：假设双方都绝顶聪明，我方行动时选择让自己收益最大的分支，对方行动时必然选择让我方收益最小的分支。配合板书逐步演示：从叶子节点向上回溯，奇数层（对方层）取所有子节点中的最小值，偶数层（己方层）取最大值，根节点最终取值即为"双方都最优发挥时"己方的预期收益。为对抗混淆，教师设计"双色填格"学习单：每个内部节点画两个相邻方格，要求学生用红笔在对方层写入"子节点中最小的数"，用蓝笔在己方层写"最大的数"。学生以小组为单位，对一棵深度为3、含8个叶子的预设博弈树完成回填，教师巡回抽检，重点排查把两层规则弄反的典型错误。抽查反馈时，教师不直接指出对错，而是追问出错组："假设这是对方回合，对方会留情吗？"引导其自我修正。此环节结束前，师生共同将算法浓缩为一句口诀："我方贪心，对方拆台；叶子上报，层层裁决。"并要求学生在笔记本上用伪代码写出：max对局（状态）→若终局则返回估值，否则在所有后继中取极小者之最大；min对局（状态）→若终局则返回估值，否则在所有后继中取极大者之最小。环节四：代码解剖与实验探究（约15分钟）教师打开井字棋Python程序，屏蔽已实现的极大极小函数，仅展示主循环。学生先运行残缺程序，发现机器随机落子、不堪一击。教师在结构上引导学生定位"缺失的大脑"，随后展示完整代码并逐行解读递归调用关系，强调深度参数depth控制着"看多步还是少看一步"。小组实验任务单包含三个递进任务：任务一，将搜索深度分别设为1、2、9，与程序对弈并记录观感；任务二，统计不同深度下每步决策耗时（代码中已预留计时语句），填写表格；任务三，把井字棋换成规则说明中的"Nim游戏"，尝试复用同一算法框架，只修改合法行动生成与终局判定两个函数。实验期间教师重点观察学生是否意识到：深度增加带来棋力提升的同时，节点数呈指数膨胀——这正是引出剪枝的现实痛点。环节五：αβ剪枝与评估函数（约10分钟）教师展示实测数据：深度为9时单步决策耗时陡增，学生直观感受"算不动"。教师提问："有没有一些分支，我们明明不用算完就知道它不可能被选？"借助动画演示：当某分支的局部结果已经劣于已确定的最优选择时，后续子孙节点全部"剪掉"，决策结论不变。为降低理解门槛，教师用生活类比辅助："你在三家店铺比价，第一家给出最低价20元后，第二家刚报出25元，它的其余报价就不必听了。"学生据此在动画截图上手工标出可被剪除的子树，并用一句话解释剪枝条件：在对方层发现比己方已有保障值更小的结果时，停止展开。随后教师抛出更深一层的问题：真正的围棋不可能搜索到终局，机器怎么办？学生经过简短讨论得出结论：在中途"估个价"。教师正式引出评估函数概念，说明其本质是以经验公式代替穷尽搜索，AlphaGo之前的人工程序靠人工设计特征权重，AlphaGo之后则由深度网络学习局面价值。此处的知识延伸点到为止，不要求掌握实现细节，重在建立"搜索+估值"的整体图景。环节六：总结提升与价值辨析（约7分钟）师生共同回顾本课知识链条：博弈问题建模为树，极大极小算法提供决策法则，剪枝提升效率，评估函数突破深度极限。四者环环相扣，构成传统博弈AI的完整技术栈。价值辨析环节，教师呈现两个观点供学生辩论：其一，"机器赢下围棋冠军，说明人类智力已经不及机器"；其二，"机器的胜利本质上是人类设计的算法与工程的胜利"。学生结合本课对算法机制的理解阐述立场。教师总结时强调：理解了机器如何"思考"，就不会盲目崇拜算法，也不会轻视工程智慧；博弈AI的每一步落子，都是人类将决策问题数学化之后的回响。环节七：分层作业设计基础层：补全学习单中另一棵预设博弈树的回溯求值，并标注最优行动路径。提高层：修改课堂程序，为井字棋加入简单评估函数（如"己方二连数量×3减去对方二连数量"），限制搜索深度为2，观察棋力变化并撰写150字实验说明。拓展层（选做）：查阅资料，比较AlphaGo所使用的蒙特卡洛树搜索与本课极大极小搜索在思想上的异同，下节课课前用三分钟向同学分享。六、板书设计主板书采用三栏结构。左栏"建模"：状态、行动、后继、叶子估值；中栏"决策"：极大极小算法口诀与双色填格示意；右栏"优化"：αβ剪枝条件与评估函数定位。三栏之间以箭头勾连，形成"问题—方法—改进"的逻辑闭环，使学生下课前一眼回望即可复原整课脉络。七、教学评价设计过程性评价依托三种证据：学习单上博弈树回填的正确率、实验任务单中深度与耗时数据的完整性、小组汇报中概念使用的准确性。教师对能主动指出"剪枝不改变结果只节省时间"这一细节的小组给予即时肯定。终结性评价结合分层作业，重点关注学生是否真正区分了"搜索"与"评估"两个概念、是否能将取子游戏的倒推经验迁移到代码阅读。评价量规从"建模准确性、算法理解深度、迁移应用能力、表达规范性"四个维度各设三档，供学生自评与互评对照。八、