第一章：千年之问——机器能理解语言吗？
1950年，一份仅有26页的论文在哲学期刊《心灵》上悄然发表。作者艾伦·图灵以一种近乎游戏的口吻，抛出了一个石破天惊的问题：“机器能思考吗？”为了将这个问题从玄学拉入可实证的轨道，他设计了一场想象的游戏：一位人类裁判通过文字与一个隐藏的机器和一个人交流，如果裁判在多次尝试后无法可靠区分二者，那么这台机器便通过了测试。这就是后来名震天下的“图灵测试”。它像一把钥匙，瞬间打开了人类百年来的一个执念——让机器理解语言，成为“懂”我们的存在。这个看似简单的问答游戏，实则是人类对自身智能本质的一次大胆外推，也将“语言理解”正式推上了人工智能的圣坛，成为衡量机器智能的终极标尺。然而，在掌声与期待尚未落定时，一个更根本的追问已悄然浮现：当我们说“理解”时，我们究竟在说什么？语言的海洋如此深邃、灵活且充满歧义，而机器，这台由硅与电构成的冰冷造物，真的能泅渡其中吗？
这个问题，远非始于图灵。它是人类数千年来与语言本身角力的回响。从试图为《圣经》故事编写自动演算的神学家，到梦想制造“会说话的机器”的炼金术士，对“人造语言能力”的渴望早已嵌入文明叙事。但真正将其变为一门严肃科学尝试的，是20世纪中叶计算机科学的曙光。1956年，在美国达特茅斯学院的一个夏日，一群年轻而狂妄的学者——约翰·麦卡锡、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特——聚在一起，用“人工智能”这个耀眼的名字，为一场豪赌命名。他们乐观地预言：“如果精心挑选一批科学家，让他们在夏天共同研究，就能在机器上实现人类学习的所有方面，或者至少实现其中关键部分。”语言的创造与理解，正是这“关键部分”中最诱人、也最险峻的峰峦。他们相信，智能的核心是符号操作，而语言不过是更复杂的符号游戏。只要给机器装上足够多的规则——语法规则、语义规则、逻辑规则——它就能像解数学题一样，破解语言的奥秘。
这种信念催生了第一批“语言游戏”的工匠。他们的工具，是一本厚重的字典和一套严密的规则手册。其核心思路朴素得近乎天真：把语言拆解成零件（词），给每个零件贴上标签（词性、义项），再按照语法书拼装成合法的句子，最后用预设的语义映射表将句子转化为内部逻辑表示。听起来像极了学生学习外语：背单词，抠语法，套模板。1964年，麻省理工学院的约瑟夫·魏岑鲍姆教授，一位本意研究人机交互的学者，意外地造出了AI史上第一个“网红”程序——ELIZA。
ELIZA的名字来源于萧伯纳戏剧《卖花女》中语音教授希金斯训练街头卖花女 Eliza Doolittle 的故事，寓意着机器也能“教化”人类。它的第一个版本名为DOCTOR，模拟的是罗杰斯式心理治疗师。这个程序简单得令人发笑：它主要依赖一种名为“模式-响应”的匹配技术。程序内部预置了几十个模式，比如当用户输入“我感到很悲伤”时，模式`我感到*`被触发，ELIZA便将其中的`*`（即“悲伤”）提取出来，套入一个预设的回应模板，比如“为什么您会感到`*`？”，生成“为什么您会感到悲伤？”。它甚至能通过简单的关键词（如“父亲”、“母亲”、“梦”）引导对话，并永远用反问句把话题球踢回给用户。它没有记忆，没有真正的理解，所有“共情”都来自一句万能回应“请多告诉我一些”。
然而，历史的吊诡之处正在于此。当魏岑鲍姆让他的秘书与ELIZA聊天几分钟后，秘书竟要求单独与程序相处，并私密地向它倾诉自己的烦恼。魏岑鲍姆震惊地意识到，人们如此渴望被倾听，以至于会主动为机器的空洞填补意义。ELIZA的“成功”像一面扭曲的镜子，照出了两个残酷真相：第一，人类语言的对话，其表面之下涌动着对理解、关注和确认的深切渴望，这种需求如此强烈，以至于可以被极其简单的、甚至毫无理解的符号操作所“欺骗”。第二，也是更重要的，语言的表面规则，与它承载的深层意图、情感和语境，之间存在一条无法用简单模式填平的鸿沟。ELIZA能处理“我感到悲伤”的句法结构，但它能理解“悲伤”背后是失恋、失业还是对生命意义的虚无吗？它捕捉不到说这句话时颤抖的语调、湿润的眼眶，以及整个下午阴郁的光线。它只是把“悲伤”这个词，从一个空框填到另一个空框里。
ELIZA的“欺骗性成功”非但没有证明机器理解了语言，反而以最尖锐的方式揭示了基于规则的方法内在的、无法克服的核心矛盾：语言的灵活性与规则的僵化。
语言是一种活的、流动的、不断自我创新的社会协议。它的规则永远在灰色地带游走。诗人可以打破语法创造意象，情人可以用反语表达深情，律师可以用冗长条款规避风险，程序员可以用简洁代码表达复杂逻辑。同一个词在不同语境下意义天差地别：“银行”可以指金融机构，也可以指河岸；“打”可以是击打，也可以是打电话、打酱油、打官司。这种歧义性（Ambiguity） 渗透在语言的每一个层级：语音（同音词）、词汇（一词多义）、句法（结构歧义）、语义（指代不明）、语用（言外之意）。而规则系统，本质上是一种对现实的刚性简化。为了覆盖语言的“所有可能”，规则的数量会呈指数爆炸。更致命的是，规则永远追不上语言的“意外”。一个新造词、一个网络梗、一种方言变体、一个语法创新，就能让精心编写的规则网瞬间漏成筛网。
这种困境在更复杂的任务中暴露得更加惨烈。机器翻译，这个让早期AI研究者热血沸腾的领域，成了规则方法的“滑铁卢”。1964年，美国启动“自动语言处理咨询委员会”项目，雄心勃勃地要攻克俄英翻译。研究者们呕心沥血，为两种语言构建了庞大的语法词典、语义映射表和转换规则。结果呢？系统将俄语句子“The spirit is willing, but the flesh is weak.”（心有余而力不足）逐词翻译后，输出的是“The vodka is good, but the meat is rotten.”（伏特加不错，但肉烂了）。这个经典的错误案例（其真实性或有争议，但寓意深刻）之所以可能发生，是因为规则系统机械地处理了“spirit”（既可指精神，也可指酒精）、“willing”（乐意）、“flesh”（肉体）、“weak”（虚弱）的多义，完全无法把握整个成语的文化隐喻和整体语义。它像一个精通所有字母却不懂阅读的孩童，在词汇的迷宫中盲目穿行，每一步都可能踏入歧义的深渊。
同样，早期的语义理解项目，如“Scripts理论”（试图用“脚本”描述常见场景，如去餐厅的步骤）和“框架理论”（用固定框架填充信息），都遇到了“常识”这座无法逾越的大山。要让机器理解“约翰把咖啡洒了，他很生气”，它需要知道：咖啡是液体、洒了会弄脏东西、弄脏东西通常令人懊恼、约翰是动作发出者且很可能在场……这些对人类而言不假思索的常识，对机器而言却是需要百万条规则的汪洋大海。而更微妙的是，常识本身充满例外和矛盾。规则可以写“如果A则B”，但人类世界充满了“虽然A，但B”和“因为C，所以即使A也D”。语言的活力，正在于它能在规则的边界上跳舞，在例外中创造新意。
达特茅斯会议后，以规则和逻辑为核心的“符号主义AI”一度占据主流。研究者们像中世纪的抄经僧一样，试图用人工方式将人类语言的所有知识——语法、语义、语用、常识——编码成机器可执行的符号系统。他们构建了庞大的知识库，如WordNet（词汇数据库）、Cyc（常识知识库），试图为机器打造一个“语言百科全书”。然而，随着系统规模膨胀，其脆弱性也暴露无遗：知识无法完备，规则无法穷尽，维护成本高得令人绝望。任何超出预设边界的输入，都能让精心构建的空中楼阁轰然倒塌。到了1980年代，基于规则的机器翻译和语音识别系统在实验室外遭遇了普遍的挫败，AI陷入了第一次“寒冬”。人们开始反思：或许，智能——尤其是语言智能——并非源于精密的规则演绎，而是源于对海量数据的“感知”与“统计”？或许，理解语言，不是先懂得语法再填充意义，而是从无数语言的实例中，自己“悟”出模式和关联？
这一追问，为下一场革命埋下了火种。但此刻，在达特茅斯会议那个阳光灿烂的夏天，乐观者们还在憧憬。他们相信，只要算力足够，规则足够精细，机器终将学会人类的语言。他们未曾想到，真正解开语言之谜的钥匙，并非来自更繁复的规则设计，而是来自对“规则”本身的一次彻底颠覆——从“人定规则”转向“数据中涌现规律”。而在此之前，人类必须先在“字典+规则”的迷宫中撞得头破血流，深刻体认到：语言，这门最古老、最鲜活的人类技艺，其核心魅力恰恰在于对僵化框架的无情超越。机器若想理解它，首先必须学会的不是 obey the rules，而是 feel the flow。
---
侧边栏：ELIZA 的“魔法”是如何工作的？ > DOCTOR 程序的核心是“模式-响应”映射。它首先对用户输入进行预处理（如将字母转为小写、删除标点），然后扫描其模式列表。每个模式由两部分组成：键模式（如`我感到*`，`*`是通配符）和响应列表（如`为什么您会感到*？`、`您能多谈谈*吗？`）。当用户输入匹配某个键模式时，程序将通配符捕获的内容（如“悲伤”）填入响应模板的`*`位置，随机选择一个响应输出。它还会处理一些特殊关键词（如“我”），将主语替换，制造“共情”假象。整个过程中，没有语义分析，没有记忆，没有状态更新。它的“智能”，完全是用户心理投射的结果。
---
📖 纸书排版提示： > 本章为全书开篇，旨在奠定历史与哲学基调。排版时，侧边栏内容可设计为页边注释或独立文本框，以区分叙事与补充说明。关键人名、术语（如“图灵测试”、“ELIZA”、“符号主义”）可考虑首次出现时加粗。时间线（1950图灵论文、1956达特茅斯、1964 ELIZA）是本章骨架，建议在纸书末尾或章节末以“本章时间线”形式清晰列出，帮助读者建立历史坐标。
---
🤖 Markdown 结构化元数据（仅供机器处理，读者不可见）： ```yaml chapter_number: 1 chapter_title: 千年之问——机器能理解语言吗？ key_concepts:
- Turing Test
- ELIZA
- Rule-based NLP
- Symbolic AI
- Language Ambiguity
- Dartmouth Conference
historical_figures:
- Alan Turing
- Joseph Weizenbaum
- John McCarthy
- Marvin Minsky
themes:
- History of AI
- Philosophy of Language
- Symbol Grounding Problem
transition_to_next: 从规则方法的困境，自然引出对统计方法和神经网络的需求，为第二章“数据的觉醒：从统计到深度学习”做铺垫。 ```
千年之问：机器能理解语言吗？—— 从达特茅斯的幻梦到ELIZA的镜子
1956年的夏天，在美国新罕布什尔州达特茅斯学院的宁静校园里，一场后来被公认为“人工智能诞生标志”的会议悄然召开。组织者约翰·麦卡锡（当时还是普林斯顿大学的年轻数学家）给项目命名为“人工智能”，他后来回忆道：“我选择这个名字主要是为了避开‘自动机理论’或‘复杂信息处理’这类过于技术化的术语，想让它听起来既激进又包容。”受邀者包括来自哈佛的神经科学家沃尔特·伦茨、IBM的数学家纳撒尼尔·罗切斯特，以及后来成为AI符号主义旗手的马文·明斯基。他们带着各自的野心而来：明斯基想解决“感知”问题，罗切斯特专注“模式识别”，而麦卡锡的目标直指核心——“让机器使用语言”。
会议提案中有一段如今看来既天真又充满历史穿透力的描述：“我们提议，今年夏天在达特茅斯学院开展一项为期两个月、十人规模的研究，以探索这样一个假设：学习的每一个方面或智能的任何其他特征，原则上都可以被精确描述，从而可以用机器来模拟它。” 他们尤其相信，“语言”这一人类最复杂的符号系统，不过是更高级的“逻辑推理”的前奏。只要让机器掌握一套完备的语法规则和逻辑公理，它就能像解几何题一样“理解”句子。这种信念根植于当时的哲学与认知科学背景：乔姆斯基在1957年出版的《句法结构》虽尚未完全传播，但其“转换生成语法”思想已暗流涌动——语言存在一套深层的、数学化的普遍规则。如果人类能发现它，机器为何不能执行？
然而，在达特茅斯会议召开前四年，远在英国的剑桥，一位名叫艾伦·图灵的年轻数学家已在《心灵》杂志上发表了那篇划时代的论文《计算机器与智能》。他提出的“模仿游戏”（即图灵测试）并非一个技术方案，而是一个操作性哲学定义：如果一台机器在文本对话中能持续让人类裁判误以为它是人，那么我们就应该承认它具有“智能”。这个定义的巧妙之处在于，它规避了“机器能否思考”这个无解的玄学问题，转而聚焦于可观察的行为表现。图灵在论文中乐观预测：“到2000年，人们可以说‘机器思考’而不被质疑。” 他甚至设想了可能的测试问题，比如“请写一首诗关于提灯之人的主题”，或者“1246657311是质数吗？”。他低估了语言的复杂，却高估了人类裁判的警惕性。
达特茅斯会议后，符号主义AI如野火般蔓延。研究者们相信，智能的本质是符号操作（symbol manipulation），而语言正是最纯粹的符号系统。他们的工程路径清晰得像一条流水线：输入 → 解析 → 语义表示 → 推理 → 输出。第一步，词法分析（tokenization）：把句子拆成词。第二步，句法分析（parsing）：用上下文无关文法（CFG）或更复杂的规则给句子画语法树，确定主谓宾。第三步，语义分析（semantic interpretation）：将语法树映射到逻辑形式（如一阶谓词逻辑），例如“John loves Mary”变成`love(John, Mary)`。第四步，推理（inference）：基于逻辑规则推导新结论。第五步，生成（generation）：将逻辑形式转回自然语言。
这个框架听起来无懈可击，仿佛只要在每个环节塞入足够多的规则，机器就能通晓人类语言。但魔鬼藏在细节里，而语言的细节，是魔鬼的盛宴。
一、歧义：规则的滑铁卢
语言的第一道关卡是歧义（ambiguity），它像地雷般遍布词汇、句法、语义、语用各个层面。
词汇歧义最直观。英文单词`bank`至少有“银行”和“河岸”两个常见义项。中文更甚：“打”可表示击打（打人）、拨打（打电话）、购买（打酱油）、从事（打官司）、编织（打毛衣）…… 一个简单的句子“他打了一个电话”，机器需要根据上下文判断“打”的义项。但早期系统没有“上下文”的概念，只能依赖一个静态的义项列表，并试图用规则（如“如果宾语是‘电话’，则选择义项3”）来硬编码。问题在于，语言永远在创造新搭配。“打酱油”这个2008年流行的网络梗，其“酱油”本无“购买”义，但通过隐喻扩散，整个短语获得了“敷衍了事、路过”的新含义。规则系统永远慢半拍。
句法歧义更狡猾。经典例子是英语句子： > `I saw the man with the telescope.`
这句可以有至少两种解析： 1. 我用望远镜看见了那个人。（`with the telescope`修饰`I saw`） 2. 我看见了那个拿着望远镜的人。（`with the telescope`修饰`the man`）
人类依靠常识和语境瞬间消歧：如果对话发生在天文台，第一种可能更大；如果是在描述一个可疑人物，第二种更合理。但规则系统呢？它只能生成两棵语法树，然后试图用语义规则（如“望远镜通常被用来观察”）来打分。然而，语义规则本身又需要歧义处理，陷入死循环。
中文的句法歧义更隐蔽。比如“进口彩电”可以理解为“进口的彩电”（偏正结构），也可以理解为“进口彩电”（动宾结构，即“进口”这个动作作用于“彩电”）。没有上下文，人也会困惑。而机器，它甚至不知道“进口”可以是动词还是形容词。
语义与语用歧义则直达语言的灵魂。考虑： > `Can you pass the salt?`
字面意思是“你能递盐吗？”，但实际是间接请求。规则系统若只做字面转换，可能会回答“Yes, I can.”然后不动，或者更蠢地回答“No, I cannot.”，从而错过真正的交际意图。而人类之所以能理解，是因为我们共享一套合作原则（Gricean maxims）和脚本知识（script）：在餐桌上，当某人说“你能递X吗？”，通常意味着“请递X”。这种基于场景的推理，是常识的冰山一角。
二、常识：无底深渊
如果说歧义是语言的迷宫，那么常识（common sense）就是迷宫的地基，且地基本身就是流沙。要让机器真正“理解”一句话，它需要调用海量的、通常不被言明的背景知识。
试看一个对人类而言 trivial 的句子： > `John put the coffee on the table and then drank it.`
理解这句话，机器需要知道：
- `coffee` 是一种**液体**，通常盛在**杯子**里。
- `put on the table` 意味着杯子现在在桌子上。
- `drank it` 中的`it`指代`coffee`，而不是`table`。这需要**指代消解**（coreference resolution），而消解依赖常识：人通常喝咖啡，不喝桌子。
- 喝咖啡的动作涉及**将液体从容器导入嘴**。
- 咖啡是**可饮用的**，桌子不是。
- 动作有**时序**：先放，后喝。
这些知识，人类在童年通过观察、体验、社会互动无意识地习得，从不 explicit 陈述。但机器必须被显式地告知。早期研究者尝试构建“脚本”来编码常见场景。例如，“去餐厅脚本”可能包含步骤：进门→找座位→看菜单→点餐→等待→吃→付款→离开。但脚本极其脆弱。如果用户说“我在餐厅里打电话叫了个披萨”，脚本就崩溃了——点餐方式变了。如果用户说“餐厅着火了”，脚本更毫无用处。现实世界充满脚本的例外，而语言恰恰擅长描述例外、意外和新奇。
更棘手的是，常识包含大量反直觉的物理知识和社会规范。例如：
- 如果你把杯子倒置，里面的水会流出来（重力常识）。
- 如果你把信撕了，信的内容就没了（物理-信息常识）。
- 如果你对某人说“你真聪明”，可能是在讽刺（语用常识）。
- 在大多数文化，晚上敲门通常不礼貌（社会规范常识）。
试图为机器编写所有这些规则，是一个不可能完成的任务。常识不是一套封闭的公理系统，而是一个开放的、概率性的、文化依赖的知识网络。Cyc项目（始于1984年）试图人工构建一个包含数百万条常识事实的数据库，至今仍在进行，但其规模与人类常识的浩瀚相比，不过沧海一粟。而且，如何用形式逻辑表示“通常”“一般”“可能”这类概率性常识，本身就是逻辑学的难题。
三、中文房间：理解真的存在吗？
1970年代，哲学家约翰·塞尔提出了著名的“中文房间”思想实验，从哲学层面彻底动摇了“符号操作=理解”的符号主义根基。
想象一个不懂中文的人（比如塞尔自己）被关在一个封闭房间里。他有