影片狀態：已查核：官方公開頁未列對應錄影。 影片來源與說明
這是 CMU 07-280 Spring 2026 Lecture 1：Introduction。它不是一堂把 AI 名詞排成時間線的暖身課。整份投影片反覆追問：當輸入太複雜，不能直接手寫規則時，系統如何建立可用的表示，再據此做預測或行動？
承上問題：為什麼搜尋與 GPT-2 能放在同一門課
07-280 後面會先教搜尋、CSP，再教迴歸、神經網路、語言模型與強化學習。Lecture 1 並未用「它們都很熱門」來連接，而是把 AI 畫成較大的問題空間。Search、planning、logic 與 optimization 都在不確定下完成任務。Probabilistic graphical models、machine learning 與 reinforcement learning 也在這張圖裡；deep learning 只是 ML 的一部分。
這個分類很重要。若把 AI 等同深度學習，A* 或 CSP 看起來像歷史包袱。若把 AI 理解成「如何讓系統在限制與不確定下表現良好」，後續每種方法就是對不同資訊條件的解法。
完整概念脈絡：先有表示，才有學習
投影片先用 alien autoencoder 活動處理「表示」：人把外星人圖畫放到二維座標，再讓另一個人只看座標重畫。座標若保留了形狀、大小或肢體等重要變化，重建就比較接近原圖；座標選得不好，資訊會在壓縮時消失。
Autoencoder 把同一問題改成可學習系統：輸入影像經 encoder 壓成低維向量 z，decoder 再從 z 重建輸入。投影片的數字示例把 28 × 28 = 784 個像素壓到兩個 latent coordinates，再展開回 784 維。兩維不是「真正的外星人意義」，而是一個受重建目標約束的表示空間。
接著課程區分四種任務語言：
- search：在初始狀態到目標狀態之間找路徑；
- optimization：在限制下找最大或最小值；
- machine learning：從例子辨識規律；
- reinforcement learning：從獎勵與懲罰學會行動。
它們共享的前置工作，是決定什麼資訊要成為 state、feature、objective 或 reward。Lecture 1 因而不是先教模型，而是先讓讀者對表示方式保持警覺。
可重做的小例子：兩維 bottleneck 保留了什麼
假設每張外星人圖只有三個可觀察因素：眼睛數 e ∈ {1,2,3}、身高 h ∈ [0,1]、有無觸角 a ∈ {0,1}。你硬要只用兩個座標：
z1 = h
z2 = e這是本站設計的表示練習。身高與眼睛數可由兩個座標還原，觸角則完全沒被編碼：(e,h,a)=(2,0.5,0) 與 (2,0.5,1) 都變成 z=(0.5,2)，decoder 無法區分。先猜它會漏掉哪個特徵，再拿這兩筆輸入核對；答案必須指出觸角不同但座標相同。這個碰撞來自我們選的編碼，不是「兩維必然存不下三種因素」的定理；改用 z2=e+0.25a，在這組限定值域內就能保留觸角。
今晚重做時，不必訓練網路。拿十個日常物件，先自行定義兩個座標，再請另一個人只看座標猜物件特徵；猜不回來的部分就是表示丟掉的資訊。
Recitation／HW 對應
Lecture 1 的 HW0 是 Gradescope online-only，校外無法匿名讀到題面或評分回饋。公開材料仍能支援兩項準備。先用 Notation Guide 統一向量、集合、機率與微分記號，再用 Math Background notes 檢查線代、微積分與機率是否足以支撐後續推導。
Recitation 1已經轉向 search formulation。這個安排延續本講的核心：先決定狀態如何表示，再談演算法。若 Tower of Hanoi 的 state、action、cost 與 goal test 寫不清楚，搜尋演算法再快也不知道自己在搜什麼。
延伸對照：AI 冬夏不是單一模型勝負
投影片把 AI 發展整理成多次「夏天／冬天」。路徑經過早期神經模型與 perceptron、承諾落空、expert systems、backpropagation 復興、SVM 與深度網路低潮，再到 2010 年代。這段不是要背年份，而是提醒讀者：方法能否成功，同時受表示、最佳化、資料與運算條件影響。
因此後面讀到 closed-form linear regression 或 CSP 時，不要用「是不是最新模型」評價它。先問：它假設你知道什麼、輸出什麼、如何計算好壞？這才是 07-280 的共同語言。
今晚可以做的動作
- 讀 Notation Guide，把不熟的五個符號抄成自己的速查表。
- 用「輸入、表示、輸出、好壞標準」四欄重寫一個熟悉的 AI 應用。
- 打開 Recitation 1，只做 Tower of Hanoi 的 state 與 action 定義；不要先看 solution。
課程影片來源
已核對 Spring 2026 官方課表：對應講次公開列出投影片、講義與練習，未列本課講次的公開錄影連結，因此本文提供教材入口，沒有對應講次播放器。課表中的 Géron／Karpathy 影片是延伸閱讀，CMU-Qatar NumPy 錄影是另列的 Recitation 0，均不能當成本文講次錄影。
官方來源：
查核日期：2026-10-10。
官方材料與讀取範圍
本文完整讀取 Lecture 1 slides、Notation Guide與Math Background notes。官方課表未列這一講的公開錄影或逐字稿連結，因此本文只解讀文件，不會補寫講者口述、現場活動結果或問答。
Spring 2026 的題名只有 Introduction。Fall 2026 首頁後來加入 alignment 與 safety，不屬於本篇版本。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時回官方課程頁與公開影音來源查證，仍未找到該講公開錄影，狀態維持不變。
參考資料
Loading...