百年求索：人工智能的诞生与演变

在人类文明的漫长历程中，“机器能否思考”这一追问如同一道深邃的哲学命题，困扰着一代又一代的思想家。从古希腊神话中皮格马利翁的雕塑获得生命，到19世纪捷克作家卡雷尔·恰佩克在科幻小说中创造出“机器人”这一术语，人类对机械智能的想象与追求从未停歇。然而，将这一古老梦想转化为现代科学研究的核心议题，却是20世纪中叶才发生的事情。1956年夏天，在美国新英格兰地区一所名为达特茅斯的文理学院里，八位年轻学者齐聚一堂，准备开启一个全新的研究领域——他们甚至自信地认为，用一个夏天的时间就能取得重大突破。虽然这个乐观的预言最终被证明是过于天真的，但这次会议却以“达特茅斯会议”之名永载史册，被公认为人工智能作为独立学科诞生的标志性事件。

要理解人工智能为何会在那个特定时代诞生，我们首先需要将目光投向更早的学术积累。20世纪初，数理逻辑领域取得了一系列重要进展。伯特兰·罗素和阿尔弗雷德·怀特海德合作完成了《数学原理》，试图将全部数学建立在严密的逻辑基础之上。库尔特·哥德尔不完备性定理虽然揭示了形式系统的内在局限性，但其证明过程却展示了形式化方法处理复杂逻辑问题的强大能力。这些工作为后来人工智能研究提供了重要的理论工具——人们开始相信，思维过程或许可以被完全形式化为符号操作。

真正为人工智能研究奠定科学基础的是英国数学家阿兰·图灵。1936年，年仅24岁的图灵在一篇名为《论可计算数及其在判定问题中的应用》的论文中，提出了通用计算机的数学模型，这就是后来被称为“图灵机”的理论构造。在图灵的设想中，这种抽象的计算装置能够模拟任何可计算的数学过程，只要该过程可以被分解为有限数量的明确步骤。图灵的工作不仅为数理逻辑学提供了新的研究工具，更为计算机的设计原理提供了理论依据。从某种意义上说，现代数字计算机的诞生正是图灵这一理论构想的物质实现。

图灵的贡献远不止于此。1950年，他在著名期刊《Mind》上发表了《计算机械与智能》一文，这篇论文首次系统性地探讨了机器是否能够思维的哲学与技术问题。在论文中，图灵提出了一个至今仍被广泛引用的实验设计：如果一台机器能够与人类进行文字对话，并且在长时间交谈后让人类无法区分对方是机器还是真人，那么这台机器就可以被认为具有智能。这就是著名的“图灵测试”，它将一个深奥的哲学问题转化为一个具体的可操作标准，从而为人工智能研究提供了明确的目标与评判依据。尽管图灵测试自提出以来便争议不断——批评者指出它过于关注模仿能力而忽视了真正的认知功能——但它作为人工智能领域的试金石，其影响力持续至今。

在图灵设想的智能机器蓝图中，学习能力被置于核心位置。他在论文中建议，与其试图编写包含所有知识的程序，不如尝试构建一种能够从经验中学习的机器。这一洞见在数十年后成为深度学习革命的理论先声，但在图灵时代，由于硬件条件的限制，这一愿景难以付诸实践。早期计算机体积庞大、能耗惊人、运算速度缓慢且可靠性极差，存储容量更是极其有限。在这样的条件下，研究者们不得不将精力集中在相对简单的算法设计上。

1956年达特茅斯会议的筹备过程本身就充满了理想主义色彩。会议的发起人约翰·麦卡锡当时年仅28岁，是达特茅斯学院的一名数学助理教授。麦卡锡出生于纽约的一个犹太移民家庭，自幼便展现出非凡的数学天赋，青年时期广泛涉猎控制论、信息论、逻辑学等多个领域。在一次针对脑科学研究者的研讨会上，他首次产生了将智能的机制研究从生理层面独立出来的想法。麦卡锡认为，既然飞机不是通过模仿鸟类飞行而是通过理解空气动力学原理实现的，那么人工智能或许也可以绕开对大脑复杂机制的微观还原，通过符号逻辑和自动推理来实现。在他的积极联络下，IBM的克劳德·香农、哈佛的马文·明斯基、贝尔实验室的奥利弗·塞尔弗里奇以及兰德公司的艾伦·纽厄尔和司马贺等人欣然应允，共同发起了这一历史性会议。

1956年7月，会议正式开幕。麦卡锡提交了一份名为“人工智能研究提案”的文件，首次正式使用了“人工智能”（Artificial Intelligence）这一术语来命名他们正在开创的新学科。会议的正式名称——“人工智能夏季研讨会”（Summer Research Project on Artificial Intelligence）——则暗示着这群年轻学者对这一领域前景的无限憧憬。在为期六周的时间里，与会者围绕自动计算机、改进的编程语言、神经网络、机器自我改进、抽象概念与符号处理、随机性与创造性等议题展开了热烈讨论。虽然会议的实质性成果相当有限——正如后来明斯基所承认的，与会者在大多数议题上都未能达成共识——但它作为学科创始事件的象征意义却是无可替代的。

达特茅斯会议的参与者们代表了那个时代最具创新活力的跨学科人才。纽厄尔和司马贺来自兰德公司，他们在会议期间展示了他们正在开发的“逻辑理论家”程序，这是世界上最早的程序之一，能够证明《数学原理》中的部分定理。当这台程序成功证明定理时，司马贺激动地宣称他们发明了一种能够从事智力活动的机器。尽管今天的学者可能会觉得这种表述过于夸张，但它准确反映了那一代研究者对人工智能可能性的狂热想象。

然而，期望越高，失望往往也越沉重。达特茅斯会议之后的十年是人工智能研究的第一个黄金期，符号主义范式主导了整个领域。所谓符号主义，又称逻辑主义或心理学派，其核心假设是：智能行为可以通过显式的符号操作来模拟，知识和推理规则可以被编码为符号结构，通过搜索和逻辑推导就能实现智能。遵循这一思路的研究者相信，只要能够将人类的知识形式化，并编写成机器可执行的规则，人工智能就能实现。他们致力于构建“专家系统”——这种系统试图将某一领域内人类专家的知识和经验转化为大量的if-then规则，希望通过规则匹配来模拟专家的决策过程。

早期符号主义研究确实取得了一些令人瞩目的成果。1958年，司马贺和纽厄尔开发了“通用问题求解器”，这是一种不依赖于特定领域知识的通用推理程序。1961年，杰拉德·德意钦斯提出了“分层索引”技术，为后来的知识表示方法奠定了基础。麻省理工学院的丹尼斯·威诺格拉德在1970年代开发的SHRDLU系统能够在受限的“积木世界”中理解自然语言指令，并操控虚拟环境中的物体。这些成果让研究者们看到了符号方法解决复杂问题的潜力，乐观情绪一度弥漫整个领域。

但技术的瓶颈很快暴露出来。早期的专家系统虽然在特定领域表现出色，但面临严重的“知识获取瓶颈”——将人类专家的知识转化为规则是一项极其耗时的工作，而且规则的数量增长后，系统的维护变得异常困难。此外，规则系统缺乏处理模糊性、不确定性和常识知识的能力，而这些恰恰是人类日常推理的常态。更根本的问题在于，符号主义的信奉者们过于自信地认为，通过手工编码规则就能捕捉智能的本质，但他们很快发现，人类知识中有相当大的一部分是隐性的、难以形式化的。

20世纪70年代中期，人工智能领域的第一次严重危机来临。1973年，英国数学家詹姆斯·莱特希尔受英国科学研究委员会之托，对整个人工智能领域进行了系统性评估。他后来发表的“莱特希尔报告”毫不留情地指出，人工智能的进步远未达到其支持者们的承诺水平，特别是机器翻译和神经网络方面的研究遭遇了严重困难。报告的结论是，该领域没有产生任何重大影响，建议大幅削减资助。影响迅速波及大西洋两岸——美国国防高级研究计划局大幅裁撤人工智能相关项目，英国多个研究机构被关闭，整个领域陷入资金枯竭、研究停滞的困境。学术界对人工智能的态度从狂热转为冷淡，这一时期被后来的研究者称为“人工智能寒冬”。

第一次寒冬虽然沉重，却未能阻止少数执着者的坚持。神经网络研究在这段低谷期仍然延续着自己的发展脉络。神经网络的核心思想与符号主义截然不同：它不是通过显式规则来模拟智能，而是试图模拟大脑神经元的工作方式，通过学习来自动发现数据中的模式和规律。这一思想的源头可以追溯到1943年麦卡洛克和皮茨的开创性工作，但真正让神经网络研究重获生机的，是心理学家唐纳德·赫布在1949年提出的“赫布法则”——神经元之间的连接强度会随着它们同步活动的频率而增强，这一学习规则后来成为神经网络训练算法的理论基础。

1982年，物理学家约翰·霍普菲尔德提出了以他名字命名的Hopfield网络，这是一种能够存储和检索模式的递归神经网络，在优化问题求解方面展现出令人惊喜的能力。1986年，戴维·鲁梅尔哈特、杰弗里·辛顿和罗纳德·威廉姆斯发表了关于反向传播算法的论文，展示了如何训练多层神经网络来解决学习问题。反向传播算法的核心是通过计算损失函数相对于网络参数的梯度，并沿梯度相反的方向调整参数，从而逐步减少预测误差。这一技术突破使得构建具有多个隐藏层的“深度”网络成为可能，为后来的深度学习革命埋下了伏笔。

然而，神经网络研究在20世纪90年代再次遭遇瓶颈。支持向量机、决策树、随机森林等传统机器学习算法在大多数任务上表现优于神经网络，而神经网络的训练面临梯度消失和计算复杂度高的问题。此外，1995年前后，由杨立昆、约舒阿·本吉奥等人提出的卷积神经网络在图像识别领域取得了一定成功，但受限于标注数据和计算资源，深度学习的主流应用仍然遥远。这一时期被称为“人工智能的第二个寒冬”，虽然不如第一次那样严酷，但神经网络研究在学术界处于边缘地位，许多研究者转投其他领域。

真正的转折点出现在21世纪的第一个十年。互联网的蓬勃发展带来了前所未有的数据资源，而摩尔定律的持续生效使得计算硬件的成本持续下降、性能不断提升。2006年，杰弗里·辛顿在《科学》杂志上发表了一篇里程碑式的论文，提出了“深度置信网络”的训练方法，通过逐层预训练策略有效解决了深层网络训练困难的问题。这篇文章标志着“深度学习”作为独立研究领域的正式登场。尽管这一术语在此之前已被偶尔使用，但辛顿的工作赋予了它新的内涵——利用多层神经网络学习数据的分层表示，通过逐层抽象来实现复杂模式的识别。

深度学习的突破并非单一因素所致，而是算法创新、数据积累和硬件进步三者协同作用的结果。在算法层面，除了辛顿的深度信念网络，2010年代还出现了其他重要进展：莱昂·博托等人提出的dropout技术通过在训练过程中随机丢弃部分神经元来防止过拟合；塞尔欣·索尔坎普等人提出的残差网络通过引入跳跃连接解决了深层网络的优化困难；以及生成对抗网络、自注意力机制等创新不断拓展着深度学习的能力边界。在数据层面，ImageNet等大规模标注数据集的出现为训练高性能模型提供了必要条件。在硬件层面，GPU和TPU等专用加速器的使用大幅缩短了训练时间，使得过去需要数月才能完成的实验现在可以在数天内完成。

2012年，辛顿团队利用深度卷积神经网络参加ImageNet大规模视觉识别挑战赛，以压倒性优势夺得冠军，将图像识别的错误率从之前的约26%降低到约15%，这一成就震惊了整个计算机视觉界。此后，深度学习在语音识别、自然语言处理、机器翻译、棋类博弈等领域持续取得突破。2016年和2017年，AlphaGo先后击败韩国围棋九段李世石和中国围棋等级分第一人柯洁，展示了深度强化学习在复杂策略游戏中的强大能力。2017年，谷歌团队提出的Transformer架构彻底改变了自然语言处理领域，基于这一架构的大型语言模型在2020年代展现出惊人的语言理解和生成能力。

回顾人工智能七十余年的发展历程，我们可以看到一条清晰的主线：从符号主义的规则编码到连接主义的学习范式，从专家系统到神经网络，从浅层模型到深度架构。这条演进之路并非线性前进，而是充满了起伏跌宕、范式转换甚至路线之争。每一次技术突破都建立在前期积累之上，而每一次危机也迫使研究者重新审视问题本质、调整研究方向。

符号主义的核心贡献在于揭示了知识表示和逻辑推理在智能系统中的重要地位，这一洞见至今仍然指导着知识图谱、因果推理等研究领域。连接主义则让我们认识到，从数据中自动学习表示可能是实现通用智能的关键途径。深度学习的成功很大程度上得益于对这两个传统的融合——它既利用了层次化表示的优势，又通过端到端学习避免了手工特征工程的繁琐。神经符号人工智能作为一个新兴研究方向，正试图结合两者的优势，构建既具备可解释性又具有强大学习能力的混合系统。

人工智能的发展历史还告诉我们，技术进步从来不是在真空中发生的。从达特茅斯会议到今天的深度学习革命，每一个阶段都深深地嵌入在更广阔的社会、经济和文化语境中。冷战期间军方的资助推动了早期计算技术的进步，互联网时代的海量数据为机器学习提供了前所未有的训练素材，商业资本的涌入加速了研究成果向产品和服务的转化，而伦理关切则促使人们思考人工智能的社会影响和责任边界。

站在当下回望过去，我们可以更清晰地认识到人工智能作为一场漫长探索的历史定位。这不是一条笔直的上升曲线，而是一系列螺旋式上升的循环：每一代研究者都在前人的基础上提出新的问题、尝试新的方法、取得新的突破，同时也不得不面对新的困难和局限。人工智能的未来发展将走向何方？这个问题没有确定的答案，但有一点是肯定的：理解历史是我们把握未来的必要前提。当我们今天谈论大语言模型、谈论通用人工智能的可能性、谈论人工智能对人类社会的深远影响时，我们实际上是在延续一个始于20世纪中叶的未完成的故事。这个故事远未结束，而它的下一章，正在我们手中书写。