設想你正在給一個五子棋程式編寫落子策略。規則已經講清，棋盤也能正確顯示，接下來似乎只要讓它挑出最好的一步。可一旦開始推演，對手的每種回應又會引出更多變化。棋還沒下，計算的時間先不夠了。
這個小小的困境，把人工智能中一個重要問題擺到了眼前：資訊、時間與計算資源都有邊界，系統怎樣作出有依據的選擇？對已經習慣使用 AI 工具的人來說，動手處理這樣一個問題，也是走近技術內部的機會。
香港理工大學 COMP5511《Artificial Intelligence Concepts》（人工智能概念）圍繞搜尋、知識表示、推理與機器學習展開。在 EvoClass 當前的課程材料中，學習路徑進一步延伸到 Transformer、大語言模型和智能體。從棋盤出發，沿途會遇到不同的任務，也會不斷重新審視「作出選擇」這件事。
第一步棋之前，先學會取捨
如果所有可能都值得計算，程式很快就會陷入龐大的搜尋空間。要在有限時間內落子，就需要決定哪些局面優先考慮、用什麼標準評價，以及搜尋到什麼程度可以停止。
一個看似只是「速度不夠」的問題，就這樣變成了方法的選擇。
在 搜尋策略：無資訊搜尋與啟發式搜尋 中，學習者可以比較不同的探索方式；到了 對抗搜尋與約束滿足，還要把對手的選擇放進自己的判斷。多看幾步、怎樣評價局面、如何減少不必要的計算，都有了具體含義。
課程中的五子棋實驗提供了一個觀察窗口。可以改動一項策略，運行程序，再比較落子和用時。眼前看起來有利的一步，可能留下後續破綻；搜尋得更深，也需要付出更多計算成本。
當程式碼真正運行起來，演算法名稱背後的取捨才變得可見。學習也有了一個清楚的抓手：解釋這次選擇，並找到可以檢驗解釋的方法。
換一張手寫圖片，難題變了
五子棋的落子規則可以明確寫出，手寫數字的样子卻很難逐一規定。同一個「3」，有人寫得圓，有人寫得扁，還有人的筆畫幾乎連在一起。
繼續補充規則，可能解決眼前幾個樣本，卻仍會遇到新的寫法。任務由此轉向了另一個方向：給模型提供數據，讓它學習可用於識別的規律。
但學過一批樣本，並不等於能夠處理所有新情況。
COMP5511 在 EvoClass 上的實驗材料包含手寫數字分類，講授內容則由傳統機器學習進入神經網絡與電腦視覺。對於學習者，一個值得做的小練習是保留幾次錯誤分類，觀察模型把什麼認成了什麼，再回到數據與方法中尋找原因。
沿著這條路徑進入 序列建模與 Transformer，關注點進一步轉向序列與上下文。隨後學習大語言模型時，熟悉的聊天介面背後，也就有了可以繼續探究的技術線索。
接下來，課程把問題推向了螢幕之外：如果答案需要通過一次實際操作才能完成，系統該怎樣繼續？
答案之後，還有一次行動
查找一條資料、運行一段程式碼、根據返回的資訊繼續處理任務，都要求系統與外部工具發生聯繫。生成計劃之後，還需要發出請求、讀取結果，並判斷下一步是否仍然合理。
Lab 11 的智能體與工具調用實踐 將學習者帶到這一環節：把語言模型與外部工具連接起來，觀察思考、行動和回饋怎樣組成一個連續過程。
此時可以把注意力放在容易被忽略的一步——工具已經返回結果之後，系統究竟如何使用它。返回內容可能不完整，操作也可能失敗；重試、換方法或停止，需要有相應的依據。
開頭棋盤上的問題，又以另一種形式出現了。一次選擇改變了眼前的情況，接下來的判斷必須考慮這個變化。
搜尋程式和語言模型的機制不同。把它們放在同一條學習路徑裡，可以練習一種貫穿始終的觀察方式：先明確任務，再看系統如何行動，最後用結果檢查原來的判斷。
把一次實驗，變成自己的判斷
當系統開始影響真實任務，運行成功還需要與可靠性、偏差和使用邊界一起考慮。AI 倫理、安全與對齊 將這些問題納入課程，讓技術實現與人的責任處在同一幅圖景中。
學習這門課，可以給自己留一個很小的任務：運行實驗前，寫下預期；看到結果後，記錄一處與預期不同的地方；隨後回到相關講授單元，嘗試解釋差異。
那處差異可能是一枚意外的落子、一張被認錯的圖片，也可能是智能體忽略的一條工具回饋。它為下一次學習提供了方向，讓章節裡的概念和自己的觀察發生聯繫。
在 EvoClass 的 COMP5511 課程頁面，可以沿講授單元建立知識脈絡，再進入實驗，把問題帶回來；也可以先選一個自己感興趣的主題，結合模擬練習檢查理解。
重新回到那盤棋，程式依然需要在有限時間內選擇下一步。此時，你已經有了更多辦法去檢查它：看搜尋怎樣展開，看評價依據是什麼，也看結果是否支持原先的設計。
理解 AI，可以從這樣一枚棋子開始。
課程基本資訊參照 PolyU 官方課程說明，具體章節與實驗介紹依據 EvoClass 當前課程內容。文中課時連結指向英文學習材料。