TL;DR Lecture 26–28 用核監測、AI safety 與課程回顧收尾；校外結業不該只算 autograder 分數，而要為 P1–P5 各留下模型假設、測試證據與失敗分析。
CS188 Spring 2026最後三講分別處理 AI for Global Nuclear Monitoring、AI Safety 與 Further Thoughts。它們不是突然插入的新聞單元，而是在問：前面學到的 search、decision、uncertainty 與 learning，放進真實制度後還缺什麼？
校外結業的標準
沒有 Berkeley 成績單時，可以用一份可稽核的作品集取代模糊的「修完」。P1–P5 每個 project 留下四樣東西：問題模型、核心演算法、測試證據、一個失敗案例。P0 只負責確認環境，不必硬包成作品。
依官方課程政策，公開作品時不要上傳 solution 或可直接提交答案。較好的呈現方式是寫設計筆記、畫 state／belief／update 流程、展示自己新增的非評分測試，再連回官方 project 規格。這既能證明理解，也不破壞課程作業。
五個專案各自要證明什麼
- P1 Search：能解釋 state representation 與 heuristic 為何正確。
- P2 Multi-Agent：能說清楚 minimax 和 expectimax 對 ghost 的假設。
- P3 RL：能區分已知模型的 planning 與從經驗 learning。
- P4 Ghostbusters：能畫出 observation update 與 time update 的差異。
- P5 ML：能用 loss curve 與失敗案例說明模型，而非只報 accuracy。
最後一次重跑
關掉舊輸出，從乾淨環境依序重跑 local autograder；每份 project 選一個曾經失敗的 case，寫下原因與修正。接著挑最後三講的一個應用，列出它的 objective、可觀察資訊、行動、風險與無法由單一分數表示的利害關係人。這一步把課程中的 agent model 接回真實世界。
完成後再選下一門課：偏數學型 ML 可接 CS189，偏深度 RL 可接 CS285，偏 NLP 可先補入門 NLP 再讀 CS288。CS188 的角色不是涵蓋所有 AI，而是提供一套可重複使用的問題表示語言。
系列導航：上一篇：決策與機器學習｜回到課程總覽
參考資料
Glossary
Loading...