前言

在修完 CS7641 那堂被虐到不行的 ML 之後，我本來以為接下來的 AI 課應該都差不多。但 CS 7637 - Knowledge-Based AI 完全顛覆了我的想像。這堂課教的不是機器學習，而是更「古典」的 AI：用符號推理、知識表示、和邏輯結構來解決問題。

其實這才是 AI 最初的樣子。在 Deep Learning 席捲一切之前，AI 研究者們花了幾十年在研究怎麼讓電腦「理解」和「推理」，而不只是從數據中找 Pattern。這堂課就是帶你回到那個時代。

我是 2026 Spring 的學生。課程內容和作業可能每學期有所不同。

課程內容

這堂課涵蓋的主題非常廣，從最基本的知識表示方法一路到複雜的推理策略：

• Semantic Networks（語意網絡）：用圖結構表示概念之間的關係
• Frames（框架）：結構化的知識表示，類似 Object-Oriented 的概念
• Planning（規劃）：Means-Ends Analysis、目標分解
• Analogical Reasoning（類比推理）：從已知案例推導新問題
• Case-Based Reasoning（案例推理）：用過去的經驗解決新問題
• Classification & Diagnosis（分類與診斷）：基於知識的分類和問題診斷

課程影片很好消化，每個主題都有清楚的講解和範例。而且和 CS7641 不同的是，上課內容和作業的關聯性非常高。看完課就能開始寫作業，不需要額外去查一堆東西。

作業與專案

這堂課的一大特色是：幾乎所有作業都要寫報告。 不管是書面作業、Mini Project、還是學期專案，每一份都需要正式的文字說明你的設計邏輯和推理過程。再加上每份作業都有 Peer Review，整個學期的文字輸出量其實不比 CS7641 少。

書面作業

3 份 Homework，主題圍繞語意網絡和類比推理。每份都附帶報告和 Peer Review。

Mini Projects

5 個 Python Agent，每個都附帶一份正式報告。不只是寫 Code 讓 Test Case 通過，還要解釋你的設計邏輯和推理過程：

1. Semantic Nets Agent：建構語意網絡來表示知識
2. BlockWorld Agent：用 Planning 策略搬積木
3. Sentence Reading Agent：用 Frame 結構來理解句子
4. Monster Classification Agent：基於 KBAI 方法做分類
5. Monster Diagnosis Agent：實作診斷推理

每個 Mini Project 本身都蠻 Straightforward 的，只要有看課、理解概念，程式的部分大概幾天就能完成。但加上報告和 Peer Review 的時間，整體工作量就不算輕了。

ARC-AGI 學期專案

這才是這堂課的重頭戲。

ARC-AGI^[1] 是一個視覺智力測驗，每道題給你幾組 Input/Output 的彩色網格範例，你的 Agent 需要推理出轉換規則並應用到新的 Input 上。聽起來簡單，但每道題的規則都不一樣，而且不能用 ML。

專案分成四個 Milestone（B、C、D + Final），每個 Set 有 16 道題，難度遞增。每個 Milestone 都需要提交正式報告和做 Peer Review。你需要設計一個 Symbolic Rule-Based Agent，用 Pattern Matching 和 Rule Schema 來解題。

我的策略是：為每道題分析轉換模式，然後設計可重用的 Rule Schema。每加一條新規則都要跑回歸測試，確保不會破壞之前已解的題目。最後的成績是 Set B、C、D 全部 16/16。

說實話，這個專案讓我花了最多時間，但也是最有成就感的部分。從 0/16 一路做到 16/16，每解出一道新題的感覺都很爽。

其他

還有一個 Gaming AI 的部分（Connect 4 / Tic-Tac-Toe），以及大量的課堂參與（Ed 論壇討論）。

考試

2 次考試，難度中等。不是 Open Book，但可以上傳自己整理的筆記作為參考。只要有認真看課程影片並做筆記，應該都能應付。比 CS7641 的考試稍微有挑戰性一些，但不至於讓人焦慮。

工作量

以一堂所謂的「傳統」課來說，工作量其實不輕。

Mini Projects 的程式部分加起來還好，但每份都要寫報告這件事讓整體時間大幅增加。而 ARC-AGI 專案需要持續投入整個學期，每個 Milestone 都包含：分析未解題目的 Pattern、設計和實作新規則、跑回歸測試、寫正式報告、然後還要做 Peer Review。

如果你和我一樣同時修兩門課，建議合理分配時間。ARC-AGI 不是那種可以最後一週爆肝趕完的專案。

建議

• ARC-AGI 盡早開始：每個 Milestone 都需要反覆迭代，越早開始越從容。
• 規則要設計成通用的 Schema：不要針對單一題目 Hardcode，這樣回歸測試才不會是噩夢。
• 用 Python 3.12+ 的 Virtual Environment：Starter Code 用了比較新的語法。
• 課程影片認真看：和 Mini Project 的關聯性很高，看完就能動手。
• 做筆記：記錄你加了什麼規則、解了哪些題。Milestone 報告需要詳細說明你的方法。考試也能用自己的筆記。

總結

這堂課讓我看到了 AI 的另一面。當全世界都在追 LLM 和 Deep Learning 的時候，KBAI 提醒我們：符號推理、知識表示、和結構化的問題解決，依然有它不可取代的價值。

ARC-AGI 專案尤其讓我體會到，有些問題靠 Pattern Matching 和 Statistical Learning 是解不了的。你需要真正「理解」問題的結構，然後設計精確的規則去處理它。這種思維方式和寫 ML Pipeline 完全不同，但同樣重要。

如果你在 OMSCS 裡想找一堂和 ML 系列不一樣的 AI 課，這堂值得一修。工作量不算輕鬆，但也不會像 CS7641 那樣把你逼到極限。

Reference

• OMSCS官方網站 - OMSCS Program Information
• ARC-AGI - Abstraction and Reasoning Corpus