AI发展史（一）：起源——从图灵到达特茅斯

引子

1950年，图灵在论文《计算机器与智能》中写下了一个问题：“机器能思考吗？”

他大概不会想到，这个问题会在七十年后牵动全球数万亿美元资本、数亿台设备、数十亿人的日常生活。他也不会想到，人类为了回答这个问题，会经历两次寒冬、三次浪潮、无数次的希望与幻灭。

七十年间，AI从达特茅斯会议上的十人研讨会，变成了全球科技竞争的核心战场。从符号主义的辉煌到连接主义的蛰伏，从AlexNet的突破到Transformer的统治，从GPT-1的1亿参数到GPT-4的1.8万亿参数，从实验室的玩具到千行百业的工具。

这十篇文章，试图讲述这个故事。

不是技术论文，不是产品手册，不是投资指南。它是一份关于人类如何试图理解智能、复制智能、超越智能的叙事。有成功，有失败，有远见，有误判。有坚持了四十年终于等到春天的辛顿，有在寒冬中离开的研究者，有从零起步追赶的中国公司，有在安全和速度之间挣扎的AI巨头。

这不是一个已经结束的故事。AI仍然在进化，边界仍然在扩张，问题仍然比答案多。但七十年积累的线索，已经足够勾勒出一条清晰的脉络。

从图灵到达特茅斯，从符号主义到连接主义，从深度学习到大模型，从数字世界到物理世界。每一段历史，都是下一段历史的起点。

一

1950年，伦敦。

一位38岁的英国数学家在一本哲学杂志上发表了一篇论文，标题是《计算机器与智能》。论文开篇提出了一个后来被无数人引用、也被无数人误读的问题：“机器能思考吗？”

艾伦·图灵没有直接回答这个问题。他认为“机器能思考吗”这个问法本身就有问题——因为没有人能准确定义“思考”。于是他提出了一个替代方案：如果一台机器能在对话中让人类无法分辨它是人还是机器，那就可以认为它具有智能。

这就是“图灵测试”。

图灵在论文中还预言，到2000年，计算机将能在五分钟的对话中骗过30%的人类评判者。这个预言至今没有被完全验证，但图灵测试本身成了人工智能领域最著名的思想实验之一。

图灵没有活到看见AI诞生的那一天。1954年，他因同性恋身份被英国政府强制接受化学阉割，两年后去世，年仅41岁。直到2013年，英国女王才正式赦免了他的“罪行”。

但图灵留下的问题，成了此后七十年无数科学家前赴后继的起点。

二

1956年夏天，美国新罕布什尔州汉诺威镇。

达特茅斯学院的校园里，十位科学家聚在一起，参加一场为期两个月的研讨会。研讨会的正式名称是“达特茅斯夏季人工智能研究项目”。组织者是四位年轻的数学家：约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农。

麦卡锡在研讨会 proposal 中写下了这样一段话：“我们将尝试找到如何让机器使用语言、形成抽象和概念、解决现在只有人类才能解决的问题，并改进自身的方法。我们认为，如果一群经过精心挑选的科学家共同研究一个夏天，就能在这些问题上取得重大进展。”

这段话里有一个关键判断：“一个夏天”。

麦卡锡和他的同事们相信，人工智能的核心问题可以在两个月内取得突破性进展。这个判断在今天看来近乎天真，但在1956年，它代表了一种真实的乐观。当时数字计算机刚刚诞生十年，图灵测试刚刚发表六年，整个领域还是一张白纸。没有人知道AI到底有多难。

这场研讨会上，麦卡锡第一次使用了“人工智能”这个词。他后来解释说，选择这个词是为了避免与“控制论”混淆，也为了区别于当时流行的“自动机理论”。这个词后来被全世界接受，成了这个领域的正式名称。

达特茅斯会议没有产生任何具体的成果。它没有提出新理论，没有开发新程序，没有发表突破性论文。但它确立了一件事：人工智能是一个独立的研究领域。从这一天起，AI不再是控制论、信息论或数学的一个分支，它有了自己的名字、自己的问题和自己的社群。

三

达特茅斯会议之后的十年，是AI的第一个黄金时代。

1957年，赫伯特·西蒙和艾伦·纽厄尔开发了“通用问题求解器”。这个程序能解决一些简单的逻辑问题，比如证明数学定理。西蒙当时说了一句后来被广泛引用的话：“在二十年之内，机器将能完成一个人所能做的任何工作。”

1958年，麦卡锡离开达特茅斯，去了MIT。在那里，他发明了Lisp语言——一种专门用于AI研究的编程语言。Lisp在接下来的三十年里成了AI研究的通用语言，直到今天仍在一些领域被使用。

1961年，明斯基发表了论文《走向人工智能的步骤》。他在论文中提出了“语义信息处理”的概念，主张AI系统需要理解符号的含义，而不仅仅是操作符号。

1965年，爱德华·费根鲍姆在斯坦福大学开始了第一个专家系统的研究。这个叫DENDRAL的系统能根据质谱数据推断有机分子的结构，在化学领域达到了专家水平。

那十年的关键词是：符号主义。

符号主义的核心假设是：智能的本质是对符号的操作。人类思考的过程，就是用符号表示世界、用规则操作符号的过程。如果能把人类的知识编码成符号和规则，机器就能表现出智能。

这个假设在逻辑上很有吸引力。人类的语言是符号，数学公式是符号，逻辑推理是符号操作。如果把这些都交给计算机，计算机不就智能了吗？

在达特茅斯会议之后的十年里，这个假设似乎被不断验证。程序能证明数学定理、能下棋、能回答问题、能做化学推断。每一次成功都被解读为符号主义的胜利。

但符号主义有一个根本性的问题：它需要人类把知识“喂”给机器。

一个下棋程序需要人类棋手把棋谱和策略写成规则；一个医学诊断系统需要医生把症状和疾病的对应关系写成规则；一个翻译系统需要语言学家把语法和词汇写成规则。每一条规则都需要人工编写，每一个领域都需要从头开始。

这条路能走多远？当时没有人知道答案。但很快，现实给出了回应。

四

1969年，明斯基和西摩·帕佩特出版了《感知机》一书。

这本书的核心论点是：感知机——一种早期的神经网络模型——存在根本性的局限，无法解决非线性可分的问题。明斯基用数学证明了单层感知机的局限性，并断言多层网络同样无法突破。

这本书对神经网络研究造成了毁灭性打击。当时神经网络的主要资助来源——美国国防部高级研究计划局——大幅削减了相关经费。神经网络研究进入了长达十年的低谷。

与此同时，符号主义继续高歌猛进。1970年代，专家系统成为AI研究的主流。斯坦福大学的MYCIN系统能诊断血液感染，准确率超过初级医生。DEC公司的XCON系统能根据客户需求配置计算机系统，每年为公司节省数千万美元。

但专家系统的局限性也逐渐暴露。知识获取瓶颈——把人类专家的知识编码成规则需要大量人工——让专家系统的开发成本高企。一个中等规模的专家系统可能需要数百人年的开发时间，而一旦领域知识发生变化，规则库就需要重新编写。

更根本的问题是：符号主义无法处理不确定性。

人类的很多判断是在信息不完整、不精确的情况下做出的。医生诊断时面对的是模糊的症状描述，司机驾驶时面对的是变化的路况，投资者决策时面对的是不确定的市场。符号系统只能处理精确的符号和确定的规则，无法模拟这种“模糊推理”。

1980年代，符号主义的困境开始显现。专家系统的热潮退去，AI再次进入低谷。日本的“第五代计算机”计划——一个旨在制造能像人类一样对话和推理的计算机的十年计划——最终没有达到预期目标。美国的战略计算计划同样没有产生突破性成果。

AI的第一次寒冬，来了。

五

回看从图灵到达特茅斯的这段历史，有一个问题值得反复追问：为什么早期的AI先驱们如此乐观？

答案可能在于，他们把“智能”理解得太简单了。

在他们看来，智能的核心是逻辑推理。如果能把世界的知识编码成逻辑命题，把推理过程编码成逻辑规则，机器就能表现出智能。这个思路在数学和逻辑学的范畴内是成立的——但人类的智能远不止逻辑推理。

人类能识别面孔、理解语言、感知情绪、做出直觉判断——这些能力在逻辑框架内很难被形式化。一个三岁小孩能轻松认出妈妈的脸，但当时的计算机做不到。下棋程序能击败人类大师，但机器人无法在房间里找到一扇门。

这种“莫拉维克悖论”——高级推理只需要很少的计算，而低级感知和运动需要巨大的计算——在早期AI研究中被严重低估了。

但这并不意味着早期AI先驱们的工作没有价值。他们建立了这个领域的基础设施：Lisp语言、符号逻辑、搜索算法、知识表示方法。他们提出了AI的核心问题：知识如何表示？推理如何进行？学习如何实现？

这些问题至今没有被完全解决。而他们的乐观，虽然被现实击碎，却为后来的研究者留下了值得反复追问的命题。

图灵在1950年的论文结尾写道：“我们只能看到前方很短的距离，但我们可以看到那里有很多需要做的事情。”

七十年后，这句话依然成立。AI的历史，才刚刚开始。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～