AI发展史（二）：第一次幻灭——符号主义的黄金时代与AI寒冬

一

1974年，英国布莱顿。

一份名为《人工智能：通用方法》的报告被递交给了英国科学研究委员会。报告的撰写者是詹姆斯·莱特希尔，一位应用数学家，此前从未涉足AI领域。他在报告中给出了一个在当时看来极为尖锐的判断：AI研究没有产生任何重大成果，不值得继续资助。

莱特希尔的报告并非孤例。在大西洋对岸，美国国防部高级研究计划局也开始重新审视AI项目的投入产出比。此前十年，DARPA在AI上投入了数千万美元，但交付的成果——能证明数学定理的程序、能下跳棋的机器人、能回答简单问题的聊天机器人——与投入严重不成比例。

1969年，DARPA资助的“语音理解研究”项目被叫停。项目的目标是开发能理解连续英语语音的系统，但六年后，系统只能识别几百个单词，而且需要说话者口齿清晰、环境安静。项目负责人无奈承认：“我们低估了问题的难度。”

资金在收缩，预期在破灭，人才在流失。AI的第一次寒冬，从1974年开始，持续了将近十年。

二

但寒冬之前，符号主义曾经有过一段辉煌的黄金时代。

1965年，爱德华·费根鲍姆在斯坦福大学开始了DENDRAL项目。这个系统的目标是：根据质谱数据推断有机分子的结构。在传统化学中，这项任务需要专家手动分析质谱图，耗时且容易出错。DENDRAL把化学家的经验规则编码成程序，能自动完成推断。

到1970年，DENDRAL已经能处理数千种化合物，准确率达到专家水平。这是AI历史上第一个真正实用的专家系统。

1972年，费根鲍姆又启动了MYCIN项目。MYCIN的目标是诊断血液感染并推荐抗生素。它包含了约600条规则，每条规则都是从传染病专家那里“采访”来的。在测试中，MYCIN的诊断准确率达到69%，超过了初级医生，接近专家水平。

MYCIN的开发用了约20人年，但费根鲍姆认为这笔投入是值得的。他提出了一个后来被广泛引用的观点：“知识就是力量。”在他看来，AI系统的能力不取决于推理机制有多精巧，而取决于知识库有多丰富。

这个观点把AI研究的重心从“通用推理”转向了“领域知识”。在接下来的十年里，专家系统成为AI研究的绝对主流。到1980年代中期，全球已有数百个专家系统投入商业使用。

DEC公司的XCON系统是最成功的案例之一。这个系统能根据客户需求配置VAX计算机系统，包含数千条规则，每年为公司节省数千万美元。DEC后来成立了专门的AI部门，把XCON商业化，年收入超过1亿美元。

1980年代初期，专家系统市场快速膨胀。市场研究机构预测，到1990年，AI产业将达到数十亿美元规模。各大公司纷纷成立AI部门，初创公司如雨后春笋般涌现。AI似乎终于走出了实验室，进入了商业世界。

三

但专家系统的繁荣背后，藏着一个无法解决的结构性问题。

第一个问题是知识获取。专家系统需要人类专家把知识写成规则，但专家往往说不清自己是怎么做出判断的。一个经验丰富的医生能准确诊断疾病，但很难把诊断过程分解成明确的规则。这种现象被称为“波兰尼悖论”——我们知道的比我们能说出来的多。

费根鲍姆本人也承认：“知识获取是专家系统开发的瓶颈。”在他的估计中，知识获取占专家系统开发总时间的70%以上。

第二个问题是脆弱性。专家系统只能在有限的领域内工作，一旦超出领域范围，系统就会崩溃。MYCIN能诊断血液感染，但面对普通感冒就完全无能为力。XCON能配置VAX系统，但面对其他计算机品牌就毫无用处。

第三个问题是维护成本。领域知识会变化——新药出现、新疾病被发现、新硬件型号发布——规则库需要持续更新。一个大型专家系统的维护成本可能达到每年数百万美元。

第四个问题是硬件依赖。1980年代的专家系统主要运行在专用的Lisp工作站上，这些工作站价格昂贵、体积庞大、运行缓慢。当通用计算机性能快速提升、价格持续下降时，Lisp工作站的性价比劣势越来越明显。

这些问题的根源，可以追溯到符号主义的一个核心假设：智能是对符号的操作，知识可以被明确编码成符号和规则。

这个假设在有限领域内成立，但在更广泛、更复杂的场景中失效。人类的大部分知识是隐性的、直觉的、难以言说的。骑自行车、识别面孔、理解笑话——这些能力无法用规则描述，但它们是智能的核心部分。

四

1982年，日本启动了一个野心勃勃的计划。

通产省宣布投入570亿日元，启动“第五代计算机”项目。目标是制造一种能进行逻辑推理、能理解自然语言、能像人类一样对话的计算机。这个项目计划为期十年，吸引了全球AI界的关注。

美国和欧洲迅速跟进。美国国防部成立了战略计算计划，投入超过10亿美元。英国启动了Alvey计划，投入3.5亿英镑。欧洲共同体启动了ESPRIT计划，投入数十亿欧元。

这是一场全球性的AI军备竞赛。但竞赛的结果让所有人失望。

第五代计算机项目没有达到预期目标。项目结束时，日本没有造出能像人类一样对话的计算机，也没有造出能理解自然语言的机器。项目产出了一批学术论文和专利，但没有产生商业突破。

更根本的问题是，当日本在1980年代押注符号主义时，学术界和工业界的研究重心正在悄然转向。

五

1986年，两位心理学家——杰弗里·辛顿和戴维·鲁梅尔哈特——发表了一篇论文，提出了“反向传播”算法。这个算法能让多层神经网络进行有效训练，解决了困扰神经网络研究二十年的核心难题。

反向传播不是新概念。早在1960年代，就有研究者提出过类似的想法。但辛顿和鲁梅尔哈特的工作让这个算法变得实用。通过反向传播，神经网络可以自动调整内部参数，从数据中学习规律，而不需要人类手动编写规则。

这篇论文点燃了连接主义的复兴。与符号主义不同，连接主义不试图把知识编码成规则，而是让机器从数据中自己学习。神经网络不是被编程的，是被训练的。

在接下来的几年里，连接主义快速发展。1989年，杨立昆在贝尔实验室开发了卷积神经网络LeNet，成功识别手写数字。1990年代，循环神经网络被用于语音识别和时间序列预测。1997年，霍赫赖特和施密德胡伯提出了长短期记忆网络，解决了循环神经网络中的梯度消失问题。

符号主义的黄金时代结束了。但这并不意味着符号主义完全失败。符号主义的遗产——知识表示、逻辑推理、搜索算法——仍然是AI研究的重要组成部分。后来的AI系统往往结合了符号主义和连接主义的方法，取长补短。

六

第一次AI寒冬的教训是什么？

最直接的教训是：AI比任何人想象的都难。

达特茅斯的先驱们认为一个夏天就能解决的问题，七十年后仍然没有完全解决。图灵测试仍然没有被通过，通用人工智能仍然没有实现。

更深层的教训是：不要把智能简化成一种机制。

符号主义把智能简化成符号操作，连接主义把智能简化成数值计算。两者都取得了一定的成功，但都没有完全解释智能的本质。人类的智能是多层次的——包括逻辑推理、模式识别、直觉判断、情感体验、社会认知——很难用单一的框架来理解。

第一次寒冬之后，AI研究从“通用智能”转向了“专用系统”。研究者不再追求制造能解决所有问题的通用机器，而是专注于解决具体问题——下棋、翻译、识别、推荐。这种转变带来了实用成果，也让AI在1990年代重新赢得了尊重。

但“通用智能”的梦想从未消失。它只是暂时蛰伏，等待下一次浪潮的来临。

七

寒冬之中，仍然有人在做梦。

1980年代中期，一个叫马文·明斯基的AI先驱在MIT的办公室里写下了一本书，叫《心智社会》。他在书中提出了一个观点：智能不是来自单一的、统一的推理机制，而是来自大量简单的、各自独立的“智能体”的协作。这些智能体互相竞争、互相协调，最终涌现出复杂的行为。

这个观点在当时没有被广泛接受。符号主义者认为它太模糊，连接主义者认为它不够数学化。但明斯基的直觉后来被证明是对的——现代神经网络确实是由大量简单的计算单元协作涌现出智能的。

明斯基在《心智社会》的结尾写道：“智能的奥秘不在于单个智能体的复杂性，而在于它们之间的相互作用。”这句话，在三十年后的Transformer架构中得到了回响。

寒冬里的梦，不一定都会被冻死。有些梦，只是在等待一个足够暖和的春天。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～