👁
01 · PERCEIVE
感知现实
机器人通过传感器理解外部环境，并形成行动基础。
AI-NATIVE TALENT TRAINING · DAY 4
从机器感知
从机器感知
到人机协作
机器人闭环、游戏智能、AI产品设计、协同工作与推荐系统反向实验
真实实验
产品思维
人机协作
何臻琳 HE ZHENLIN · TCL华中研究院 AI原生人才培训
SCROLL TO EXPLORE
AI
感知PERCEIVE
决策DECIDE
协作COLLAB
推荐RECOMMEND
LEARNING MAP
五项作业，本质上是一条完整的 AI 能力链
从“感知世界”，到“学习模式”，再到“与人共同完成工作”，最后“影响内容推荐”。
00
🎮
02 · LEARN
学习模式
分类任务与游戏规则，为AI提供清晰动作和反馈。
📊
03 · OPTIMIZE
优化业务
AI把行为数据转化为运营洞察、风险识别与平衡建议。
🤝
04 · COLLAB
协同工作
人定义目标与责任，AI提升速度、规模和信息整合能力。
▶
05 · RECOMMEND
预测兴趣
推荐系统根据短期行为与长期画像推测用户下一步偏好。
整篇汇报都围绕同一个框架：业务目标 → 数据输入 → AI能力 → 人工判断 → 效果反馈。
01 · ROBOTICS
机器人“三件套”，真正厉害的是闭环而不是单点技术
以扫地机器人为例，真正的智能并不是“撞墙转弯”，而是感知、识别、决策、控制和反馈的连续协作。
01
1
环境输入墙壁 / 家具 / 电线
→
2
传感器LiDAR / Camera
→
3
算法大脑CNN / SLAM / Path Planning
→
4
执行控制PID / Motor / Encoder
↺
5
反馈闭环重新检测环境
墙
感知
LiDAR + Camera
激光雷达测量距离，摄像头采集画面，先知道“前方有什么”。
识别
CNN
判断障碍物是否不可通行。这里的CNN属于算法，不是传感器。
决策
SLAM + Path Planning
先确定自己在地图中的位置，再决定向哪一侧绕行。
执行
PID + Motor + Encoder
修正轮速误差，驱动左右轮完成平稳转向，并把结果重新反馈给系统。
我的理解：机器人真正的智能，不是“有了一个算法就够了”，而是所有环节连成 感知—决策—执行—反馈 的持续闭环。
02 · AI PLAYING GAMES
Quick Draw：AI什么时候赢，什么时候输？
我实际完成了6幅涂鸦，借此观察神经网络面对“典型特征”和“模糊特征”时的判断差异。
02
6
总涂鸦数
5
成功识别
1
识别失败
83.3%
本次体验识别率
当图形足够“像典型样本”时，AI更容易赢
蝴蝶、猴子、地球、肉排和气球都被正确识别。它们都拥有比较清晰的轮廓或局部结构，例如蝴蝶的对称翅膀、气球的圆球和细线。
当多个对象共享相似外形时，AI更容易输
“电视”没有被识别出来，模型最接近的猜测是照相机、眼镜和冷藏柜。它们共享矩形主体与突出结构，因此更容易被模型混淆。
结论：Quick Draw并不是像人一样理解“这是什么东西”，而是在比较线条、轮廓和局部结构与历史样本的相似度。输入越接近典型画法，越容易识别；越个性化，越容易误判。
03 · AI FOR GAME BUSINESS
如果我是游戏公司老板，我会让AI做这三件事
重点不是让AI替代策划，而是让它帮助团队更快发现问题、降低筛查成本，并辅助做出更稳的版本决策。
03
🛡
USE CASE 01
外挂与异常玩家识别
通过命中率、反应时间、操作频率、移动轨迹和交易行为筛选高风险账号。
行为数据风险评分人工复核维护公平
🎯
USE CASE 02
新手难度动态调整
根据失败次数、停留时间、操作熟练度和教程完成情况，自动微调难度与提示节奏。
玩家行为能力判断动态调节提升留存
⚖
USE CASE 03
角色与装备平衡分析
通过胜率、出场率、段位、地图与组合效果识别过强角色、弱势装备和版本异常。
版本数据异常识别数值建议健康生态
“如果我是游戏公司老板，我最看重的不是让AI替代策划，而是让它帮助团队更快发现问题，同时把公平性、趣味性和最终处罚决定保留给人。”
04 · HUMAN–AI COLLABORATION
把这次作业本身，沉淀成一套可复用的人机协作流程
这次Day 4不只是完成作业，更是一次真实的“人负责判断，AI负责加速与可视化”的协作案例。
04
01 我定义目标
提供原始作业、优秀案例，以及“只做HTML、但要高质量汇报”的明确要求。
02 AI拆解任务
建立5W1H、收缩为最小可行实验，并规划最终页面结构和视觉方向。
03 我完成真实实验
亲自完成Quick Draw与B站推荐实验，生成所有原始截图与观察。
04 AI分析与可视化
将实验结果结构化，补足机器人流程、业务案例，并统一为交互式HTML。
05 我审核最终结果
确认真实性、阅读体验和最终汇报质量。
传统方式
6–8h
自行查资料、设计实验、写内容并制作网页。
AI协作
1.5–2h
人工保留真实操作，AI负责拆解、整理与可视化。
时间节省
4.5–6h
按对应区间估算的绝对节省时间。
效率提升
≈75%
整体制作效率约提升到原来的4倍。
这不是“AI替我做作业”，而是：我负责目标、实验、判断和责任；AI负责拆解、整理、表达和视觉实现。
| 阶段 | 我做了什么 | AI做了什么 | 产生的价值 |
|---|---|---|---|
| 需求分析 | 提供任务、优秀案例和交付标准 | 拆解5W1H并规划整体执行路径 | 减少规划盲区 |
| 实验执行 | 完成Quick Draw、B站搜索、观察与截图 | 给出最小可行实验方案 | 降低试错成本 |
| 结果分析 | 确认真实现象与个人观察 | 提炼“什么时候赢/输”“多快/多准/多深” | 提高分析效率 |
| 最终交付 | 审核内容、风格与最终效果 | 生成自包含HTML与汇报模式 | 提升可读性与展示力 |
05 · RECOMMENDATION SYSTEM
推荐系统记得很快，但改得很谨慎
我故意搜索并短时观看三个原本不感兴趣的主题：盆景修剪、芭蕾舞教学、深海鱼类科普，再观察30分钟后的首页变化。
05
BASELINE · 实验前原始兴趣画像
实验前：推荐流以科技、汽车、旅行、生活内容为主
T+30 MIN · 实验后短期行为影响
30分钟后：首页出现“深海鱼类/海洋生物”直接相关内容
反向兴趣操作证据3个陌生主题
30分钟内出现明显变化
短时搜索与观看之后，首页已经开始出现“深海鱼类/海洋生物”相关内容。
只吸收了部分新兴趣
三个陌生主题中，首页明显吸收的是“深海鱼”方向；芭蕾和盆景没有明显进入首页。
从关键词扩展到相邻主题
系统并没有机械复读“深海鱼类科普”，而是推荐“深海里的鱼”“海洋生物”等相近内容。
结论：推荐系统能够较快响应短期行为，但不会因为一次异常搜索就完全改写长期画像。它更像是在试探性加入新兴趣，再等待后续行为确认。
说明：这是一项单账号、单时段的观察性实验，用于理解推荐机制现象，不等同于对平台内部算法权重的因果证明。
FINAL INSIGHTS
最终沉淀：AI产品不是“一个模型”，而是一套完整系统
五项任务从不同角度共同说明：只有把目标、数据、算法、人和反馈连接起来，AI才真正产生业务价值。
01
AI需要闭环
机器人只有持续感知、决策、执行和反馈，才会稳定行动。
02
数据决定边界
Quick Draw的成功与误判，都能追溯到输入特征与训练样本分布。
03
AI应增强人
在游戏运营和工作协作中，AI适合筛查和建议，最终责任仍在人。
04
行为不等于意图
推荐系统能快速记忆，但一次短期行为不能代表长期兴趣。
对TCL场景的迁移价值：真正值得沉淀的不是“会不会用某个模型”，而是能否建立
业务目标—数据输入—AI能力—人工决策—效果反馈
的协作闭环。