人工智能导论（理论）
Introduction to Artificial Intelligence (Theory)
课程基本信息
- 课程代码：PSYC2119
- 课程性质：专业必修
- 学分 / 学时：2 学分 / 36 学时（课堂教学 32 学时）
- 开课单位：心理与认知科学学院
- 适用专业：2025 心理学耀翔班
- 先修课程：概率论与随机过程
- 授课语言：中文
上课安排
- 时间：第 1–8 周，每周一 + 每周三 11–12 节
- 地点：普陀校区 · 教书院 120
- 开课时间：2026 年春季学期
课程说明
本课程以”心智即推断机器”为主线，系统梳理人工智能经典算法与人类认知过程之间的深层对应关系。以 Russell & Norvig《人工智能：一种现代方法》（第 4 版）为主干，结合认知科学、神经科学和计算精神病学的前沿文献，按搜索与推理 → 逻辑与知识 → 规划与决策 → 学习与语言 → 感知与行动五大模块展开。每章在介绍 AI 算法的数学形式之后，系统呈现其心理学起源、神经科学对应以及临床意义。
课程时间表（Course Schedule）
| 次课 | 主题 | 内容要点 | 作业节点 |
|---|---|---|---|
| 第 1 次 | 搜索与启发式推理 | 状态空间五元组；BFS / DFS / UCS；A* 算法；可采纳性与一致性；IDA*；问题空间假说；海马前向预演。 | |
| 第 2 次 | 复杂环境中的搜索 | 优化景观；爬山法；模拟退火；遗传算法；AND-OR 搜索；信念状态搜索；探索/利用与 ACC。 | |
| 第 3 次 | 约束满足问题 | CSP 三元组；弧一致性（AC-3）；回溯搜索；MRV / LCV 启发式；MIN-CONFLICTS；语言句法解析作为 CSP。 | |
| 第 4 次 | 博弈与对抗搜索 | 零和博弈；Minimax 算法；α-β 剪枝；MCTS（UCB1）；Theory of Mind 与多层次 Minimax；双系统理论。 | 📍 作业 1（模块一） |
| 第 5 次 | 命题逻辑智能体 | 命题逻辑语法与语义；分辨法（Resolution）；DPLL；WalkSAT；KB 智能体；人类演绎推理偏差。 | |
| 第 6 次 | 一阶逻辑与推断 | FOL 语法与语义；合一算法；前向 / 后向链接；FOL 分辨法；Skolem 化；词义习得的逻辑推断。 | |
| 第 7 次 | 知识表征与本体 | 语义网络与框架；描述逻辑（TBox / ABox）；OWL；非单调推理；图式理论；语义记忆层次网络。 | 📍 作业 2（模块二） |
| 第 8 次 | 自动规划 | STRIPS 形式化；前向 / 后向搜索；规划图（GraphPlan）；偏序规划（POP）；目标导向 vs. 习惯性行为；前额叶—纹状体与规划深度。 | |
| 第 9 次 | 简单抉择：效用与偏好 | 期望效用公理（vNM）；风险态度；多属性效用（MAUT）；决策树；前景理论；损失厌恶；信息价值（VoI）。 | |
| 第 10 次 | 复杂抉择：MDP 与价值迭代 | MDP 五元组；贝尔曼方程；价值迭代；策略迭代；POMDP 简介；Model-Free vs. Model-Based 神经机制；双系统切换。 | |
| 第 11 次 | 多智能体决策与博弈均衡 | 策略式博弈；纳什均衡；Shapley 值；VCG 机制；信任博弈与 Theory of Mind；Level-k 推理；社会偏好。 | 📍 作业 3（模块三） |
| 第 12 次 | 概率编程：思维程序 | 概率编程语言（Church / WebPPL）；生成模型；后验推断；BPL 与 One-shot Learning；思维语言假说（LoT）；主动推断简介。 | |
| 第 13 次 | 强化学习：从试错到多巴胺 | TD 学习；Q-learning；DQN；策略梯度（REINFORCE / PPO）；TD 误差与多巴胺 RPE；计算精神病学含义。 | 📍 作业 4（模块四） |
| 第 14 次 | 自然语言处理与大模型 | N-gram → RNN → Transformer → LLM；Self-Attention；BERT / GPT；Surprisal 与阅读时间；LLM 与认知科学争议。 | |
| 第 15 次 | 感知与行动 | 机器人感知—规划—行动循环；SLAM；运动规划（PRM / RRT）；CNN 与腹侧视觉流；预测编码；视觉工作记忆。 | 📍 作业 5（模块五） |
| 第 16 次 | 期末项目汇报 | 分组汇报：每组 12 分钟展示 + 3 分钟 Q&A。 | 📍 提交 PPT、代码包与项目报告（PDF） |
课程作业说明
本课程设 5 次模块作业，采用统一 LaTeX 模板提交，每次不超过 8 页，每模块结束后提交。
每次作业的核心结构：
- 科学问题：从本模块 AI 算法中选一种为框架，提出一个具体的心理学或认知神经科学问题——需足够聚焦，能与算法结构直接对应。
- 重要性：说明该问题的科学价值，以及它为什么需要用本章算法来分析。
- 方法：二选一——A. 行为实验设计（参与者、任务、自变量、因变量、模型预测）；B. 数学推导 / 算例（公式推导、证明大纲或仿真实现思路）。
- 讨论：总结问题与方案，联系教材（AIMA）及心理学文献（至少 1—2 篇），讨论模型假设与局限。
为什么这样设计：AI 算法与人类认知之间存在深层的形式对应——搜索对应问题求解，贝尔曼方程对应多巴胺信号，Transformer 对应语言加工。作业要求学生从现象出发提问，而非复述算法，目的是培养”用算法语言分析心理现象”的跨学科建模能力，这与认知科学研究的实际工作流程一致。
评分维度：问题清晰度（15）、动机与重要性（10）、与课程内容的联系（20）、建模质量（25）、推理深度（20）、原创性（10）。
期末项目说明
主题：选择一个认知/行为科学问题，运用课程中至少一种 AI 算法框架进行建模与分析。
- 形式：分组研究（3—4 人 / 组）
- 汇报：第 16 次课，每组 12 分钟展示 + 3 分钟 Q&A
- 提交内容：汇报 PPT + 完整代码包（或数学推导文档）+ 项目报告（LaTeX，4—8 页）
评分维度：建模质量（40%）· 汇报展示（30%）· 创新点（30%）。
考核方式
| 项目 | 占比 |
|---|---|
| 课堂表现（讨论参与、作业分享、算法—认知映射展示） | 30% |
| 课后作业（5 次，每次 100 分） | 40% |
| 期末项目汇报 | 30% |
推荐教材与参考资料
主教材：Russell & Norvig，《人工智能：一种现代方法》（第 4 版），清华大学出版社。
参考书目：Goodman & Tenenbaum，Probabilistic Models of Cognition（probmods.org）；Gershman，What Makes Us Smart；Parr, Pezzulo & Friston，Active Inference，MIT Press, 2022；Koller & Friedman，《概率图模型》，清华大学出版社。
精选前沿论文：Newell & Simon (1972)；Schultz et al. (1997) Science；Lake et al. (2017) BBS；van Opheusden et al. (2023) Nature；Huys et al. (2012) PLOS CB；Yamins & DiCarlo (2016) Nature Neuroscience。