Pacman AI project 血統：Berkeley CS188 與 CMU 15-281 怎麼重組同一套教材

TL;DR CMU 15-281 的 Search and Games 明確標示源自 Berkeley Pacman AI projects；官方課站另列一份零分 P0 tutorial，以及 P1–P5 五份 programming assignments。

#berkeley #cmu #artificial-intelligence #pacman #course-guide

Berkeley：用 Pacman 把不同 AI 單元拆成獨立專案
CMU：把搜尋與多代理人合成第一份主作業
同一套框架，評量邊界各自成立
課程位置不同，Pacman 承擔的責任也不同
怎麼選一份開始
參考資料

🌏 English version

Berkeley CS188 與 CMU 15-281 都讓 Pacman 在迷宮裡搜尋、躲鬼、吃豆子，但「兩校剛好用了相似遊戲」不是最精確的說法。CMU 的 Search and Games assignment直接寫明，這份作業以 UC Berkeley 開發的 Pacman AI projects 為基礎。血統是官方明載的；至於 CMU 為什麼這樣改、哪位教師決定合併，公開規格沒有回答，本文不推測。

本文比較的是 2026 年可匿名讀取的兩份課程結構：Berkeley CS188 Spring 2026 的六個 projects，以及 CMU 15-281 Spring 2026 的 programming assignment 序列。

Berkeley：用 Pacman 把不同 AI 單元拆成獨立專案

Berkeley CS188 Spring 2026列出 P0–P5。P0 是 Python 與 autograder 教學；之後依課程單元切開：

Project	官方主題	主要環境
P0	Python tutorial	基礎函式與 local autograder
P1	Search	Pacman 迷宮、搜尋問題與 heuristic
P2	Multi-Agent Search	Pacman、鬼、minimax／alpha-beta／expectimax
P3	Reinforcement Learning	Gridworld、Crawler 與 Pacman
P4	Ghostbusters	Bayes net 與粒子過濾追蹤
P5	Machine Learning	神經網路模型

這種拆法讓每個 project 緊跟一組 lecture 主題。每份規格提供可下載程式碼、指定要改的檔案、命令列測試方式與 local autograder。校外讀者拿不到 Ed、正式成績或人工協助，仍能執行核心練習。

CMU：把搜尋與多代理人合成第一份主作業

CMU 的 Search and Games 不只是換 logo。它在同一個壓縮檔與 autograder 裡，先要求 iterative deepening、A*、Corners／Food heuristic，再轉進 reflex agent、minimax 與 expectimax。規格指定修改 search.py、searchAgents.py 與 multiAgents.py，並公開 test cases 與 local autograder。

最明顯的結構差異是合併：Berkeley 把 Search 與 Multi-Agent Search 放在 P1、P2；CMU 把兩塊放進同一份 Search and Games。CMU 題目也不是 Berkeley 當期題目的逐字鏡像，例如 CMU 搜尋部分以 iterative deepening 與 A* 起步，而 Berkeley P1 的當期題序包含 DFS、BFS、UCS 與 A*。能確認的是共同框架與明載來源，不能因此宣稱兩份作業完全相同。

同一套框架，評量邊界各自成立

兩校都保留 Pacman 的幾個核心設計：

GameState 表示遊戲狀態，agent 透過合法動作產生後繼狀態。
搜尋題把演算法與 maze problem 分開，讓同一演算法能換不同問題。
multi-agent 題用 Pacman 當 max agent、ghost 當其他 agent。
local autograder 檢查函式介面、展開節點或產生後繼狀態的行為。

但 autograder 是各課程版本的一部分。CMU 規格甚至提醒某些標準 alpha-beta 寫法會因呼叫 generateSuccessor 次數不同而不符合該版 grader。這不是演算法理論改變，而是「正確實作」與「符合指定評測介面」同時存在。

自學時最實際的做法，是只用你正在讀的那一版 starter 與 grader。不要混用 Berkeley 與 CMU 的 starter、grader 或已完成檔案，也不要拿不同學期的 node-count 閾值互相判分。

課程位置不同，Pacman 承擔的責任也不同

在 Berkeley，Pacman 貫穿搜尋、多代理人、強化學習與機率推理等單元。在 CMU 15-281 Spring 2026中，Search and Games 是 P1；後續依序為 P2 Optimization、P3 Planning、P4 Reinforcement Learning、P5 Ghostbusters。兩校都用 Pacman，但 project 邊界與後續作業序列不同。

2026 年還多一層制度背景：07-280 FAQ說明 15-281 與 10-315 將退休，BSAI curriculum則把 07-280／07-380 列入現行 AI core。這不會抹去作業來源，也不表示 Berkeley CS188 同步改制；它只改變 CMU 這份 Pacman archive 在今天的角色——從現行主幹作業變成仍可執行的歷史教材。

怎麼選一份開始

想按單元逐步走完整廣義 AI 路線，直接採 Berkeley Spring 2026，從 P0 跑通環境，再依 P1–P5 前進。想比較題目如何被另一校重組，先完成 Berkeley P1、P2 的一小題，再打開 CMU Search and Games 對照函式介面與題序。

今晚的最小動作：下載其中一版 starter，執行該版 python3 autograder.py，確認環境能啟動；接著只做第一個未通過的 test。先固定版本，比先找「最佳答案」重要。