关于人工智能有很多误解，特别是关于让计算机像人类一样“思考”、模拟大脑、科幻机器人接管世界、围绕大脑作为机器的所有哲学讨论等想法。实践/现实人工智能是关于“使用计算解决问题”，这基本上意味着您将任何问题表示为计算问题，然后设计算法来解决导致解决原始问题的计算问题。这些搜索算法是通用计算问题的通用算法，即任何现实世界的问题都可以用这些通用计算问题来表示，然后这些算法可以用来解决它们。

请记住，它是关于解决问题的，它是关于可以代表任何现实世界问题的通用计算问题。

归根结底，大多数人工智能问题都可以归结为搜索问题。让我们看一些例子：

• 对象识别和场景构建（例如，获取周围环境的视听输入并在 3D 和上下文意义上理解它的过程）可以被视为在输入中搜索已知对象。
• 数学问题的解决可以被视为寻找解决方案。
• 玩视频游戏可以被视为搜索对给定游戏状态的正确响应。

即使是基本的聊天机器人也可以被描述为找到对给定输入短语的“正确”响应以模仿人类语言！

由于搜索的这种概括，搜索算法是最早被认为是“人工智能”的算法之一，并且通常构成许多人工智能教学课程的基础。最重要的是，搜索算法是直观且非数学的，这使得人工智能这个有点可怕的领域变得容易理解。这听起来可能有点夸张，但我保证，如果你的讲师以 Manifold Learning Techniques 开场，那么当他们提到“协方差矩阵的特征值”时，你班上的一半学生会跑到门外。

现在搜索算法并不是解决这些问题的唯一方法。我建议每个 AI 从业者都熟悉数据科学和机器学习算法的概念。ML 通常与搜索算法有关，但它们使用的技术可能与分类器/回归的迭代构建（例如 C4.5 构建决策树）、您提到的元启发式算法以及静态生成的分类器/回归有很大不同训练数据的分析（例如，朴素贝叶斯实际上是一个基于给定数据的贝叶斯分析的分类器，假设输入字段是独立的——这是它得名的“朴素”）。ML 算法通常是在 AI 研究小组中开发的，有时可以针对特定问题进行设计，而不是通用形式的算法。

为什么一位教授只会在 AI 课程中教授搜索算法？有什么优点/缺点？

我对这个问题的回答是，有很多问题可以通过搜索找到解决方案。以井字游戏为例。如果你正在为此设计一个智能电脑播放器，那么你要做的就是形成一个搜索空间，然后你将搜索可以做出的最优化的移动来结束游戏。在这些情况下，您必须了解最佳搜索策略。让我们再举一个例子，假设您正在开车并想去一个陌生人的房子。它离你的地方很远，你决定使用 GPS。您的 GPS 将使用搜索算法找到您可以到达目的地的最佳路线（当然会有很多因素需要考虑，例如交通等，但这是基本思想）。

缺点仅在于处理和存储方面。对于慢速算法，您也会浪费大量 CPU 时间和存储空间，但对于良好高效的算法，您可以节省大量空间并快速执行任务。当然，仅仅学习搜索并不是人工智能。还有很多。

除了可以在入门课程中教授的 AI 中的“搜索”之外，还有什么？

除了搜索之外，人工智能还有很多东西。例如，学习技术（有监督的、无监督的、强化的），当一个人想要设计一个能够独立和智能地执行某些操作的系统时进行规划，知识的表示（已知和未知）和代理中的推理，包括命题逻辑和一阶逻辑等

人工智能背后是否有可以在此类课程中教授的理论？

可以教授一些主题，例如不同类型的代理（简单反射、基于模型、基于目标、基于效用和学习代理）、代理工作的不同类型环境、代理评估。可能会有一些额外的介绍性主题，如自然语言处理、专家系统等。