一、简介
在计算机科学中，理想的“智能”机器是一种灵活的理性主体，可以感知其环境并采取能够最大程度地实现目标的行动。基本上，即使当前神经科学的进步和计算能力的进步，我们也不了解我们的大脑如何工作。 我们不知道大脑如何运作并做出决定。我们对大脑了解的唯一很酷的事情是，要做出正确的决策，我们需要记忆和模拟。
二、人工智能
中央AI问题包含有：推理、知识、计划、学习、知觉、自然语言处理（NLP）等内容。
代理商：
这是一个系统（即软件程序），可通过传感器观察世界并使用执行器对环境产生作用。 它将其活动导向实现目标。 智能代理也可以学习或使用知识来实现其目标。
代理商类型：
代理类型很多，但是这里我们将它们分为两类：
1）反射代理：不在乎它的动作的未来影响（只需使用if表）
2）计划代理人：使用世界模型模拟行动后果，然后再付诸行动。
反射主体和计划主体都可以是理性的，我们只关心结果动作，如果动作最大化了它的预期效用，那么它就是理性的。我们需要确定具有理性行为所需的代理类型。反射或计划代理可能不是最佳选择，但是通常要遵循计划。
搜索问题：
搜索问题找到了一种解决方案，该解决方案是将开始状态转换为目标状态的一系列动作（计划）。
搜索类型：
1）不知情的搜索：一直在各处搜索，直到找到解决方案为止
2）明智的搜索：带有某种“信息”，表明我们是否接近解决方案（启发式）
搜索问题包括以下内容：
1）状态空间：具有进行规划所需的状态
2）后继函数：对于任何状态x，通过一个操作返回从x可达的一组状态
3）起始状态和目标测试：给出初始点以及计划结束时如何检查
例如，我们的目标是从阿拉德旅行到布加勒斯特：
在具有世界状态的上方，我们不需要太多的细节，我们只需要城市，连接方式和距离：
在此搜索问题上，我们检测到以下属性：
1）状态空间：城市（与该搜索问题有关的唯一变量）
2）起始状态：阿拉德
3）后继功能：以成本作为距离去邻近的城市。
将上面的地图视为一个图形，它包含不重复的节点以及它们的连接方式以及连接成本。
做规划的方法是将状态空间图转换为搜索树，然后使用一些算法在树上搜索目标状态。 在这里，我们观察到以下几点：
1）开始状态将是树的根节点
2）节点子代表每种状态的可能结果。
问题在于“搜索树”或“状态空间图”都可能很大以适合计算机内部，例如，以下状态空间图具有无限的搜索树。
在这些情况下该怎么办，基本上，不会在树上或图上保留所有可能的解决方案，而是在树上导航有限的深度。
例如，查看罗马尼亚的州图，我们从阿拉德（Start state）开始，阿拉德（Arad）有3个可能的子节点：锡比乌，蒂米什瓦拉和泽林德，我们选择最左边的子节点Sibiu，然后我们选择最左边的子节点Arad，这很糟糕，因此我们尝试使用Fagaras，然后尝试Oradea，等等。问题是，如果其中一个分支是无限的，或者很大，并且没有解决方案，我们将一直在寻找它的分支，直到最后。
在第一步选择Sibiu的时候，我们需要保留其他可能的节点（Timisoara和Zerind），这被称为树条纹。
在树搜索中要记住的重要思想：
1）首先，树搜索是用于计划的机制
2）规划意味着您拥有一个世界模型，如果模型不好，您的解决方案也将是不好的
3）边缘：或缓存其他可能的解决方案
4）如何探索当前分支