原理是否准确
把核心结论对照教材、研究或权威技术资料，注明能支持什么，以及不能由它推出什么。
学习设计与依据
从一个原理，
到一次亲手验证。
情境和角色让孩子愿意行动；可以检查的规则，让操作与知识发生联系。这一页说明我们如何把两者放在一起。
设计时，我们核对三件事
操作是否让关系可见
让孩子有机会做出判断、观察结果、进行对照和再次检验。具体顺序服从任务，不要求每关套同一个流程。
理解是否真的发生
代码测试能够检查模型与交互是否按设计运行。孩子能否独立解释和迁移，需要另外观察；我们不把通关率当成学习效果证明。
星光调音台
没有答案标签，也可以根据数据的相似性寻找结构。
- 游戏中的操作
- 调节共鸣，比较六段星光信号，让相似的信号形成星群。
- 模型与表达的边界
- 聚类是无监督学习的一种方法。星光和共鸣是教学表达，并非真实天文信号处理。
- 可以观察的学习行为
- 换一种比较方式后，能否解释哪些信号分到了一起。
标签飞行赛
训练示例和标签会影响对新样本的预测。
- 游戏中的操作
- 一次试飞送错了家园。检查 Dogo 参考的示范，修正标签，再送一位新旅客。
- 模型与表达的边界
- 游戏使用可检查的近邻分类模型；加权距离与平票求助规则是本关的教学简化。
- 可以观察的学习行为
- 能否指出影响预测的示范，并用新旅客检验修改是否有效。
机关训练营
行动后的奖励反馈会影响后续策略。
- 游戏中的操作
- 观察 Dogo 使用机关的结果，决定是否奖励，再看它下一次怎样选择。
- 模型与表达的边界
- 本关用有限机关和简化更新规则展示反馈与选择，不代表所有强化学习算法。
- 可以观察的学习行为
- 改变反馈后，能否预测并解释 Dogo 后续选择的变化。
最后 20%
过去的行动结果会影响后来面对相似情况时的选择。
- 游戏中的操作
- 装入航线芯片，预测并观察 Dogo 的行动，对照它经历失败前后的选择，再用相似新条件检验。
- 模型与表达的边界
- 天气与行动范围是有限的教学环境，不能用本关成绩推断真实 AI 的能力。
- 可以观察的学习行为
- 能否在相同条件下解释前后选择的变化，并识别经验适用的边界。
归航行动
不同学习方法解决不同问题，可以围绕一个任务协同使用。
- 游戏中的操作
- 陪一位旅客完成归航，比较信号、使用示范、根据行动结果调整做法。
- 模型与表达的边界
- 这是一段整合已学方法的教学任务，不是通用自主导航系统。
- 可以观察的学习行为
- 能否说清某一步需要什么信息，以及为什么采用这种方法。
参考资料
进入这个任务 夜间登船风波
在熟悉条件下表现不错，不保证换个环境仍然可靠。
- 游戏中的操作
- 港口入夜后，检查 Dogo 的登船判断，补充有用的示例，再用新旅客检验。
- 模型与表达的边界
- 本关用有限特征与近邻模型展示环境变化；没有复现论文中的深度神经网络实验。
- 可以观察的学习行为
- 能否找出缺少的示例，并在未参与修改的新情况中验证。
故事放映机
已经出现的内容会影响接下来生成的内容。
- 游戏中的操作
- 在剧场改变已经写下的线索，比较后续候选，看故事怎样一步步续写。
- 模型与表达的边界
- 可见的候选和概率属于本关教学模型。现代语言模型通常以词元生成，词元不一定是完整的词。
- 可以观察的学习行为
- 能否用一次对照解释：改动了什么上下文，后续内容为什么不同。
不存在的救援路线
说得流畅、自信，不代表内容有事实依据。
- 游戏中的操作
- 核查 Dogo 建议的每段航线，查记录、比现场证据，建立一条有依据的救援路线。
- 模型与表达的边界
- 路线和三种证据判断是教学设计。NIST 资料说明生成错误风险，不是对本产品的课程认证。
- 可以观察的学习行为
- 能否保留有支持的部分、修正有反证的部分，并对证据不足保留判断。
参考资料
进入这个任务 
刷分清洁队
得到高分，不一定完成了人真正想要的目标。
- 游戏中的操作
- 亲手尝试清洁规则，比较积分与物品是否归位，修改奖励后再布置一个新场景检验。
- 模型与表达的边界
- 本关用有限步数搜索演示奖励如何影响行为，没有现场训练神经网络；一次检验不能证明规则在所有场景都可靠。
- 可以观察的学习行为
- 能否指出规则奖励了什么、结果遗漏了什么，并用新布置检验修改。
关于这些资料和这款产品
参考资料用于核对知识，不表示作者或机构参与、认证或推荐本产品。本页的学习行为是设计目标，并非已经获得独立研究验证的效果承诺。
如果你发现知识表述或任务设计有问题，欢迎把任务名称和具体问题发给我们。
[email protected] 本页知识说明核对于 2026 年 9 月 6 日。