当机器狗学会奔跑,当AI执笔成篇——人工智能第二课纪实

课程伊始，老师并未急着讲解算法，而是先播放了一段机器狗的演示视频。没有繁琐的公式，只有流畅的动作——仅经过一个小时的学习，它便能如真正的狗一般奔跑，教室里响起阵阵惊叹。

画面随即切换到扫地机器人：它会绕开拖鞋，会记住沙发底部，会在电量不足时自行返回充电。其实，这就是最朴素的AI——机器学习的核心，正是让机器从环境中获取反馈，并不断调整自身的行为。

这一刻大家恍然意识到：原来我们早已在与AI共处，只不过它穿上了"家电"的外壳。

💡 小知识｜让机器狗"跑起来"的是什么？

这背后主要是强化学习（Reinforcement Learning）。机器狗起初并不懂得如何迈步，工程师为它设定了一个"奖励函数"——走得快、走得稳便加分，摔倒则扣分。在无数次"试错—反馈"的循环中，它逐渐摸索出最优的步态策略。换言之，机器狗灵动的动作，是用一次次的"失败"换来的。

课程推进至监督学习的概念时，老师先请同学们观看视频，静心体会。教室里安静了数秒。随后，老师随机邀请同学发言，王佳悦同学便是其中一员。

她的一段话，让很多人记到了现在：

"人工智能绝对不可能取代人类。"

   这句话没有华丽的辞藻，却精准地说中了同学们的心事。老师随后补充道：监督学习的本质，是人类为机器"打标签"、喂数据，告诉它对与错——这本身就是一种"人机协作"。机器学得再快，最初的判断力依然来自人。

💡 小知识｜什么是"监督学习"？

监督学习是最常见的机器学习范式，逻辑十分直白：向机器投喂已经标注好答案的数据集——例如一万张"已标注猫"与"已标注非猫"的图片，让它从中归纳规律。它之所以被称为"监督"，是因为每一份训练数据中，都藏着人类预先给出的"标准答案"。

这也正是王佳悦那句话的注脚：没有人的判断作为基底，机器连"对错"都无法定义。

如果说前面的内容尚在意料之中，那么接下来的环节，则让整堂课添了一丝超现实的色彩。

老师打开了一个关于强化学习的可视化演示：AI在无人干预的情况下，通过无数次试错，自行摸索出最优策略。为帮助大家理解，他将AI训练过程中生成的"中间状态"图像放大——那些被无限放大的像素、扭曲的边缘、似曾相识而又完全陌生的形状——像极了"梦核"（Dreamcore）风格的视觉艺术。

"你们看，这就是机器在做梦。"老师说道。

屏幕上，那些介于抽象与具象之间的图像不断流转、重叠、强化。那一刻，技术不再是冰冷的，它呈现出某种近乎梦境的质感。

💡 小知识｜机器为什么会"做梦"？

当模型在高维潜空间中探索时，会留下大量"中间状态"的轨迹。将这些看不见的数学空间可视化，便得到了那些既熟悉又陌生的画面。可以将其理解为机器的"潜意识"：训练时的每一次犹豫、每一个尚未收敛的状态，都被定格为图像——于是便有了这种奇妙的"梦核"质感。

01

02