[科普]人工智能的前世今生（1）– 70年前便预言了如今AI的发展方向

个人能力有限，如有错误或者遗漏欢迎批评指正！

引言：机器能思考吗？[1, 2]

从人类工业革命后，无数人反复问过这个问题，并创作了许多天马行空的科幻小说。直到1950 年，图灵在《Mind》提出了检验机器是否具有人类的智能水平的方法，把“机器能思考吗？”从形而上之争推进为可操作的科学问题 。此前，麦卡洛克与皮茨以阈值逻辑元神经元网络，证明“输入求和—阈值激活”网络能够实现命题逻辑，也为后来的“神经网络”提供了抽象的数学雏形 。

1. 达特茅斯会议：预言了如今AI的发展方向[3, 4, 5]

1955 年 8 月 31 日，约翰·麦卡锡、马文·闵斯基、内森尼尔·罗切斯特与克劳德·香农联合提交《达特茅斯夏季人工智能研究计划》建议书，此建议书首次系统使用“Artificial Intelligence”一词；1956 年夏天，研讨会在新罕布什尔州汉诺威的达特茅斯学院举行。这份建议书和这次研讨会通常被视为 AI 作为独立学科的奠基事件。

“该研究将基于如下猜想而展开：学习的每一个方面，或智能的任何其他特征，原则上都可以如此精确地描述，以至于可以由一台机器加以模拟。”——《达特茅斯建议书》（1955）

在当时，计算机发展刚处于起步阶段。但众位大佬们就已经提出了通过机器来模拟人脑智能行为的设想。

建议书的七个研究议题

1. Automatic Computers（自动计算机）：主要障碍并非机器算力或容量，而是我们尚不能编写充分利用现有能力的程序。
2. How Can a Computer be Programmed to Use a Language（如何让计算机使用语言）：人类思维在相当程度上以依据推理与猜测的规则操纵词语为特征。
3. Neuron Nets（神经元网络）：探究如何排列（假设的）神经元以形成概念，延续麦卡洛克—皮茨等早期工作。
4. Theory of the Size of a Calculation（计算规模理论）：需要关于计算规模/复杂度的理论，以避免“穷举尝试”的低效求解。
5. Self-Improvement（自我改进）：真正智能的机器可能执行可描述为自我改进的活动。
6. Abstractions（抽象）：使机器从感官或其他数据中形成抽象概念的方法值得重点研究。
7. Randomness and Creativity（随机性与创造力）：创造性思维与平庸思维的差别，或许在于引入受直觉引导的随机性。

上述七项议题几乎预言了此后 AI 的发展方向：语言（NLP/LLM）、学习与表示（神经网络与表示学习）、算法与复杂性（搜索/约束/优化）、以及自适应/自改进与创造性等。

会后数年，MIT 与斯坦福迅速形成研究据点：1959 年，闵斯基与麦卡锡在 MIT 发起“AI Project”（后发展为 CSAIL）；1963 年，麦卡锡在斯坦福创立 SAIL；与此同时，麦卡锡设计的 LISP成为 AI 研究的支柱语言。

2. AI的工程实现方法：符号主义与联结主义[3, 4, 5]

智能是什么？简单来说，智能系统可以理解为1个极其复杂的函数。给它一个输入，经过智能系统的处理，它总会输出一个让人满意的输出。

听着是不是有点熟悉？没错，人脑就是一个搞机的智能系统。所以人类的本质就是一个工具，大概。

那么，怎么用机器来模拟智能系统呢？根据智能系统的原理，最简单的方法就是直接构造一个函数。而这个函数的参数决定了智能系统是人工智能还是人工智障。

如何获得这些参数呢？科学家总结了两种方法：

1. 直接把人类现有的经验写死进参数里，这就是所谓的符号主义。举个例子：

现在某论坛严查灌水行为，我需要一个AI管理自动扣鸭腿和禁言。那么我可以对AI写入以下规则：

凌晨12点后，10分钟内连发4贴，被视为水贴，直接执行处罚。

2. 前面提到，人脑也是一个智能系统。那么，如果模拟人脑，增加一些定量判断甚至对错误吸取教训的能力。然后把这些能力想办法写入进参数，让AI更加圆滑，这就是联结主义。再以之前的论坛管理AI为例：

如果一个论坛用户是事先写好的4个精华贴，然后在12后一股脑发出，那么原版AI也会直接禁言。这显然不合理，那么如何改善呢？

定量判断： 灵活修改判定的条件同时增加条件的个数，处罚规则改为：10分钟内连发4贴&字数小于100字；5分钟内连发4贴&字数小于300字；1分钟内连发4贴&字数小于1000字…

对错误吸取教训： 不把参数写死，让AI跟据人类的反馈自动调节参数。即反馈一次错误的处罚后，处罚规则改为：11分钟内连发4贴。如果犯错再次反馈后，处罚规则改为：12分钟内连发4贴。

因此可以发现，符号主义和联结主义的本质是一样的。只是解释不同和参数获取方法有区别而已。

以下是wiki和论文中关于二者的解释：

符号主义（Symbolic AI）

• 表征：用可读的符号、谓词与规则来表示世界（如 父亲(x,y)、推理规则等）。
• 推理方式：以演绎/归纳推理 + 搜索/规划为核心（如状态空间搜索、启发式、约束求解）。
• 学习观：早期重“知识工程”（由专家把知识编码进系统），再由系统执行形式化推理。
• 优点：结构清晰、可解释性强、适合明确规则和证明类问题。
• 短板：面向噪声/连续感知数据较弱，复杂组合空间易发生搜索爆炸。

联结主义（Connectionism）

• 表征：以大量简单“类神经元”的分布式权重与激活来编码知识。
• 学习方式：从数据出发，依据误差信号自动调整权重（早期有感知机/ADALINE，后续发展出多层网络与梯度下降家族）。
• 优点：善于模式识别与噪声容忍，可直接利用感知类数据（图像/语音）。
• 短板：早期可解释性不足；在欠缺层数/算法/算力时，表达能力受限。

3. 首次成功的工程实践：感知机[6, 7, 8, 9, 10]

基于符号主义和联结主义，人类开始了对建造“会思考的机器”的探索。Newell和Simon的通用问题求解器(GPS)，能够初步实现部分智能的功能。直至感知机的问世，开始了历史上第一次对AI研究的热潮。

理论基础

1958年，心理学家弗兰克·罗森布拉特发表的论文中，把“输入特征加权求和—阈值判定”的神经元视作可学习的分类器，提出了感知机与“神经动力学”的理论体系，同时解释了感知机的基本工作原理和训练方式。1962年诺维科夫给出了著名的感知机收敛定理：若数据线性可分，算法在有限步内必然找到分离超平面。

原型机问世

1959年，罗森布拉特基于IBM 704与光敏阵列等部件构建“Mark I 感知机”，能在训练后区分左右、识别简单图形。美国海军与媒体把它称作“会学习的电子大脑”，其中《纽约时报》更是发表了篇文章报道：“New Navy Device Learns by Doing”。

当时的感知机已经能够实现简单的图像识别，极大影响了后续AI的发展。

4. 第一波AI低潮：原理局限与硬件限制[11, 12, 13]

底层原理的局限

单层感知机的决策边界是线性的，因此对非线性可分的模式无能为力（如异或逻辑、棋盘格）。简单来说，就是参数之间的逻辑还是太简单了，（1, 0）和（0, 1）在这种结构下被当作一回事。

1969年，图灵奖得主闵斯基在《Perceptrons》中彻底否定了联结主义，同时指出：若要突破，需要多层结构与合适的训练算法/非线性。

其它因素

研究热度的回落并非只因一本书：受限于当时的算力与数据、学术圈内部的研究路径分歧，以及资助机构偏好的变化，神经网络方向的资源显著收缩。英国的莱特希尔报告（1973）对当时 AI 的可行性提出严厉质疑，直接影响科研经费与学术氛围；社会学研究也把“感知机之争”界定为一个AI行业的标志性事件。

5. 总结（1955-1973） [3, 4, 5, 6, 11]

AI概念提出后的十余年间。从达特茅斯的建议书到神经网络被骂为骗子，人们认识到实现真正AI的道阻且长。

然而一些研究者没有放弃。与感知机几乎同时，维德罗与霍夫提出 ADALINE/MADALINE 与 LMS（最小均方） 自适应算法，在信号处理与自适应滤波中取得成功。

这个理论后来与反向传播、梯度下降等统一到更广义的机器学习框架之中 。为后来新的AI发展道路埋下伏笔。

推荐资料

• Meditation Math, https://www.youtube.com/watch?v=LF9sd-2jCoY. 本文很多内容来源此大佬的视频。

• Nilsson, N. J. The Quest for Artificial Intelligence。

• 闵斯基与帕佩特《Perceptrons》，宣判感知机死刑的著作。

参考文献

1. Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460
2. McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics.
3. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955/2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
4. John McCarthy’s AI history page（Stanford）：Dartmouth proposal & early
5. Dartmouth College. Artificial Intelligence Coined at Dartmouth
6. Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychologic
7. Rosenblatt, F. (1962). Principles of Neurodynamics.
8. Novikoff, A. (1962/1963). On Convergence Proofs for Perceptrons.
9. National Museum of American History（Smithsonian）. *Electronic Neural Network, Mark I Perceptron
10. The New York Times (1958). *New Navy Device Learns by Doing
11. Minsky, M., & Papert, S. (1969/1988). Perceptrons.
12. Lighthill, J. (1973). Artificial Intelligence: A General Survey
13. Olazaran, M. (1996). A Sociological Study of the Official History of the Perceptrons Controversy.