當大家都在聊GenAI, LLM，作為一位老工程師，聊著11年前「人工智慧」的課程內容，不知道會不會太落伍......XD
🌟 古早味AI：模仿人類思維的演算法
以前學校談的 AI 不像現在仰賴大量數據與神經網路，有些 AI 是透過人工設計的演算法，在特定情境下讓電腦模擬人類的行為。例如遊戲中的電腦對手，就是一種簡單卻經典的 AI 應用。
即使在 Deep Learning、CNN、Transformer 尚未問世之前，工程師就能藉由邏輯設計出一套套精彩的 AI 程式。它們並不會「學習」，但可以依據事先設計的規則與策略，展現出類似人類的決策行為。🌟 五子棋：從各種可能性中找到最佳解
以五子棋為例，設計一個電腦玩家，主要可以分為以下幾個步驟：
1.落子限制
電腦首先要能判斷「棋子可以下在哪些位置」，也就是盤面上的所有合法走法。
一代宗師「藤原佐為」
2.情境評分機制
每一個位置都有可能影響勝負，因此需要為每個可能的落子給予「評分」。這種評分依據盤面的情勢來定，例如：
- 是否形成連三、連四？
- 是否封鎖對方連線？
- 是否留下破綻？
由於每種情境帶來的影響不同，透過權重設定可以讓電腦了解盤勢的危急程度。
謹慎的進藤光
3.未來模擬與決策搜尋
接著，電腦會嘗試「往未來推演數步」，例如：
- 電腦下第一手
- 對手下第二手
- 電腦再下第三手
- ……以此類推
這就是所謂的搜尋樹（Search Tree）：電腦會列舉未來所有可能的對弈路徑，並從中找出對自己最有利的發展方向。
為了避免電腦想太久，演算法設計師通常會設定一個固定的常數，決定電腦要預判到多遠的未來。（往後看到第幾手）
因為電腦具備高速的運算能力與大量記憶體，可以在短時間內分析眾多可能性，判斷哪些走法會在幾步之後產生優勢。因此電腦玩家通常比人類玩家占優勢。
🌟 加速決策的關鍵：Alpha-Beta Pruning
上述的說明可以用Minimax演算法來解釋，這是一種雙人對弈遊戲的經典演算法，其核心概念是：電腦希望最大化自己的得分（MAX）、同時預測對手會最小化電腦的得分（MIN），也就是電腦會模擬你我交替下棋的各種情況，再從中選擇最終得分最高的那條路徑。
終於出現演算法圖片
不過，當棋局深度變大，搜尋路徑可能成千上萬，這時候就要用到優化技巧 Alpha-Beta Pruning。
這個技巧的核心概念是：如果某一條路線已經不可能產出更好的結果，那就直接跳過它，將時間花在其他有更高可能性的路徑上。
這有點像是高手下棋時，看到某個盤面就知道「這條路沒搞頭」，因此不會浪費時間嘗試。電腦也能用相同邏輯，大幅加速決策。
🌟 古早味AI別有一番風味
當今的 AI 大多建立在深度學習、類神經網路、Transformer，但在這些技術興起之前，像五子棋這樣的「傳統 AI」，就已經展現出驚人的智慧與策略能力。
這些演算法雖然不懂「學習」，卻證明了演算法配合權重設定，就能重現人類思考方式，不只是在五子棋，在其他場域也能做出高水準的決策！
------------------------------------------------------------------------
✨ 喜歡我的文章，歡迎繼續閱讀其他【AI 系列免費文章】！
------------------------------------------------------------------------
