设想你正在给一个五子棋程序编写落子策略。规则已经讲清，棋盘也能正确显示，接下来似乎只要让它挑出最好的一步。可一旦开始推演，对手的每种回应又会引出更多变化。棋还没下，计算的时间先不够了。
这个小小的困境，把人工智能中一个重要问题摆到了眼前：信息、时间与计算资源都有边界，系统怎样作出有依据的选择？对已经习惯使用 AI 工具的人来说，动手处理这样一个问题，也是走近技术内部的机会。
香港理工大学 COMP5511《Artificial Intelligence Concepts》（人工智能概念）围绕搜索、知识表示、推理与机器学习展开。在 EvoClass 当前的课程材料中，学习路径进一步延伸到 Transformer、大语言模型和智能体。从棋盘出发，沿途会遇到不同的任务，也会不断重新审视“作出选择”这件事。
第一步棋之前，先学会取舍
如果所有可能都值得计算，程序很快就会陷入庞大的搜索空间。要在有限时间内落子，就需要决定哪些局面优先考虑、用什么标准评价，以及搜索到什么程度可以停止。
一个看似只是“速度不够”的问题，就这样变成了方法的选择。
在 搜索策略：无信息搜索与启发式搜索 中，学习者可以比较不同的探索方式；到了 对抗搜索与约束满足，还要把对手的选择放进自己的判断。多看几步、怎样评价局面、如何减少不必要的计算，都有了具体含义。
课程中的五子棋实验提供了一个观察窗口。可以改动一项策略，运行程序，再比较落子和用时。眼前看起来有利的一步，可能留下后续破绽；搜索得更深，也需要付出更多计算成本。
当代码真正运行起来，算法名称背后的取舍才变得可见。学习也有了一个清楚的抓手：解释这次选择，并找到可以检验解释的方法。
换一张手写图片，难题变了
五子棋的落子规则可以明确写出，手写数字的样子却很难逐一规定。同一个“3”，有人写得圆，有人写得扁，还有人的笔画几乎连在一起。
继续补充规则，可能解决眼前几个样本，却仍会遇到新的写法。任务由此转向了另一个方向：给模型提供数据，让它学习可用于识别的规律。
但学过一批样本，并不等于能够处理所有新情况。
COMP5511 在 EvoClass 上的实验材料包含手写数字分类，讲授内容则由传统机器学习进入神经网络与计算机视觉。对于学习者，一个值得做的小练习是保留几次错误分类，观察模型把什么认成了什么，再回到数据与方法中寻找原因。
沿着这条路径进入 序列建模与 Transformer，关注点进一步转向序列与上下文。随后学习大语言模型时，熟悉的聊天界面背后，也就有了可以继续探究的技术线索。
接下来，课程把问题推向了屏幕之外：如果答案需要通过一次实际操作才能完成，系统该怎样继续？
答案之后，还有一次行动
查找一条资料、运行一段代码、根据返回的信息继续处理任务，都要求系统与外部工具发生联系。生成计划之后，还需要发出请求、读取结果，并判断下一步是否仍然合理。
Lab 11 的智能体与工具调用实践 将学习者带到这一环节：把语言模型与外部工具连接起来，观察思考、行动和反馈怎样组成一个连续过程。
此时可以把注意力放在容易被忽略的一步——工具已经返回结果之后，系统究竟如何使用它。返回内容可能不完整，操作也可能失败；重试、换方法或停止，需要有相应的依据。
开头棋盘上的问题，又以另一种形式出现了。一次选择改变了眼前的情况，接下来的判断必须考虑这个变化。
搜索程序和语言模型的机制不同。把它们放在同一条学习路径里，可以练习一种贯穿始终的观察方式：先明确任务，再看系统如何行动，最后用结果检查原来的判断。
把一次实验，变成自己的判断
当系统开始影响真实任务，运行成功还需要与可靠性、偏差和使用边界一起考虑。AI 伦理、安全与对齐 将这些问题纳入课程，让技术实现与人的责任处在同一幅图景中。
学习这门课，可以给自己留一个很小的任务：运行实验前，写下预期；看到结果后，记录一处与预期不同的地方；随后回到相关讲授单元，尝试解释差异。
那处差异可能是一枚意外的落子、一张被认错的图片，也可能是智能体忽略的一条工具反馈。它为下一次学习提供了方向，让章节里的概念和自己的观察发生联系。
在 EvoClass 的 COMP5511 课程页面，可以沿讲授单元建立知识脉络，再进入实验，把问题带回来；也可以先选一个自己感兴趣的主题，结合模拟练习检查理解。
重新回到那盘棋，程序依然需要在有限时间内选择下一步。此时，你已经有了更多办法去检查它：看搜索怎样展开，看评价依据是什么，也看结果是否支持原先的设计。
理解 AI，可以从这样一枚棋子开始。
课程基本信息参照 PolyU 官方课程说明，具体章节与实验介绍依据 EvoClass 当前课程内容。文中课时链接指向英文学习材料。