当机器开始思考：人工智能的认知革命

1956年夏天，美国新罕布什尔州汉诺威小镇上的达特茅斯学院迎来了一批特殊的访客。他们来自数学、计算机科学、神经科学、心理学等多个领域，年龄从二十多岁到四十多岁不等。这些人中有后来被称为“人工智能之父”的约翰·麦卡锡，有控制论奠基人诺伯特·维纳，有信息论创始人克劳德·香农，还有年轻的马文·明斯基。他们聚在一起的目的只有一个：用整整一个夏天的时间，让计算机学会像人一样思考。

这场为期两个月的研讨会后来被公认为人工智能作为一门独立学科的起点。尽管两个月的讨论并没有产生任何突破性的成果，但“人工智能”（Artificial Intelligence）这个术语正是在这次会议上被正式提出的。麦卡锡在他提交给洛克菲勒基金会的申请报告中写道，这是一门“基于‘智能'可以被如此精确地描述，以至于我们可以制造一台机器来模拟它”的学科。这一愿景既雄心勃勃，又带有那个时代特有的乐观主义色彩。在战后科技大发展的背景下，许多科学家相信人类已经掌握了宇宙的基本规律，智能的本质也不过是另一种可以被破解的密码。

然而，人工智能的发展道路远比它的创始人们所预期的更为曲折。在接下来的近七十年里，这门学科经历了数次高潮与低谷的交替循环，曾两度陷入被称为“冬天”的停滞期，也在21世纪迎来了前所未有的爆发式增长。要理解今天人工智能为何能够引发如此广泛的关注和讨论，我们有必要回顾这条蜿蜒曲折的技术演进之路。

人工智能的第一个主流范式被称为符号主义（Symbolicism），或称其为“古典人工智能”。符号主义的核心假设是：智能行为可以通过对符号的操作来实现。这里的“符号”可以是文字、概念、规则或者逻辑命题，就像人类使用语言和概念来思考问题一样。早期的人工智能研究者们开发了各种“专家系统”，试图将某一领域内人类专家的知识和推理规则编码成计算机程序。1970年代MYCIN系统的问世就是这一思路的典型代表——它能够根据患者的症状和检验结果，诊断细菌感染性疾病，并推荐抗生素治疗方案。MYCIN在测试中的表现甚至优于一些人类医生的判断。

然而，符号主义的局限性很快暴露出来。人类的大部分知识和技能并不能被轻易地简化为明确的规则。你知道什么是“猫”，但你能用几条规则来定义它吗？那些我们习以为常的能力——识别一张面孔、理解一段对话、在拥挤的街道上行走——似乎都依赖于某种难以言说的“直觉”，而不是显性的逻辑规则。符号主义在处理这类“模糊”问题上显得力不从心。更根本的困难在于知识获取：让专家系统变得“聪明”，需要人工输入海量的规则和例外情况，这项工作既耗时又昂贵，而且永远无法覆盖所有的边界情形。

正是在对符号主义的反思中，连接主义（Connectionism）的思想逐渐浮出水面。连接主义的灵感来源于对大脑工作方式的粗浅模仿：人脑中约有860亿个神经元，它们通过突触相互连接，形成了一个庞大而复杂的网络。当我们“看见”一只猫时，大量视觉神经元的激活模式组合在一起，最终在更高层次的认知区域产生了“这是猫”的判断。连接主义者认为，如果能够构建一个人工神经网络，让它通过学习来调整内部连接的权重，或许就能让机器自动地从数据中提取模式和规律。

人工神经网络的概念最早可以追溯到1943年沃伦·麦卡洛克和沃尔特·皮茨的工作，但真正让它焕发生机的是心理学家唐纳德·赫布提出的“赫布规则”——用进废退的神经连接原理。1957年，弗兰克·罗森布拉特设计的“感知机”（Perceptron）成为了第一个能够“学习”的神经网络模型。感知机可以根据输入样本自动调整权重，从而完成简单的模式识别任务。罗森布拉特充满热情地宣称，感知机能够学会任何你能告诉它的东西。这一乐观宣言后来被证明是过于轻率的——1969年，明斯基和西蒙·派珀特在《感知机》一书中严格证明了感知机的局限性：它连最简单的异或（XOR）逻辑运算都无法完成。

这场学术论战几乎扼杀了神经网络研究的第一个黄金期。直到1986年，戴维·鲁梅尔哈特、杰弗里·辛顿和罗纳德·威廉姆斯发表了著名的反向传播算法，神经网络才得以复苏。反向传播算法解决了多层网络的学习问题，使得构建更深层的网络成为可能。此后，联结主义学派迎来了一段繁荣时期，文字识别、语音识别等实用技术开始从实验室走向市场。然而，这一波浪潮也没能持续太久——当研究者们试图构建更深的网络来解决更复杂的问题时，却发现训练变得越来越困难，而且容易陷入局部最优解。与此同时，互联网泡沫破裂带来的资金紧缩更是雪上加霜，人工智能再次陷入了寒冷的“冬天”。

转机出现在2010年代初期。一个名为深度学习（Deep Learning）的新范式横空出世，它本质上是对神经网络的深度扩展，但结合了多项关键的技术突破。首先是大规模标注数据的可获得性——互联网的普及使得收集和标注海量训练数据成为可能。其次是GPU（图形处理器）并行计算能力的提升为深度学习提供了算力基础。2012年，杰弗里·辛顿领导的多伦多大学团队设计的深度卷积神经网络AlexNet在ImageNet图像识别挑战赛中将错误率从上一年的26%一举降低到15%，震惊了学术界。此后，深度学习在各个领域摧枯拉朽：围棋、语音合成、机器翻译、自动驾驶……人工智能一次次地突破了人们曾经认为机器无法企及的边界。

说到深度学习带来的突破，不得不提2016年那场举世瞩目的人机对弈。由谷歌旗下DeepMind团队开发的AlphaGo以4比1的比分战胜了韩国围棋九段选手李世石。这场比赛之所以具有里程碑意义，不仅因为围棋一直被认为是人类智力的最后堡垒之一——它的搜索空间之巨大、策略之微妙，远非国际象棋所能比拟——更因为AlphaGo的制胜之道与1997年深蓝击败卡斯帕罗夫截然不同。深蓝依靠的是暴力搜索加人工编码的残局库，它的胜利是计算能力的胜利；而AlphaGo则通过深度强化学习，从数百万盘人类棋局和自我对弈中自主发现了围棋的奥秘。它的很多走法超出了人类棋手的经验和直觉，以至于李世石在第四局中那一手被称为“ 神之一手”的挖，需要整整二十多分钟才被人类棋手们理解。这场比赛让人们意识到，机器不仅能够执行人类编写的程序，还能够发现人类尚未知晓的规律。

如果说AlphaGo还只是专业人士关注的焦点，那么2022年末ChatGPT的问世则真正将人工智能推向了大众的视野。这个基于大语言模型的对话系统能够以惊人的流畅度与用户进行文字交流，回答问题、写文章、编写代码、创作诗歌，几乎无所不能。ChatGPT发布后仅两个月，用户数就突破了一亿，成为人类历史上增长最快的消费级应用。2024年发布的GPT-4更是通过了律师资格考试、美国医疗执照考试等多项专业测试，展现出通用性更强的大模型能力。人们开始讨论大语言模型是否已经展现出某种“涌现”（emergence）能力——当模型的规模超过某个临界点时，会突然获得一些在小模型上不曾出现的新能力。

在大语言模型引发的热潮中，一个古老的问题重新浮出水面：机器是否真的在“思考”？这个问题与1950年阿兰·图灵提出的著名“模仿游戏”（后来被称为图灵测试）密切相关。图灵设想了一个场景：一个人类和一台机器分别藏在一道幕布后面，审判者通过打字与两者交流。如果审判者无法根据对话内容判断哪个是人、哪个是机器，那么就可以说机器通过了测试。在图灵看来，这是一个“操作性的、关于行为的定义”——我们不需要追问机器的内部是否真的在思考，只需要看它的行为是否与思考者无法区分。

然而，哲学家约翰·塞尔在1980年发表的论文《心、脑与程序》中对图灵测试提出了著名的批评。塞尔用“中文房间”思想实验来阐明他的观点：假设你被关在一个房间里，收到从门缝塞进来的中文纸条。你不懂中文，但房间里有一本厚厚的规则手册，详细说明了各种中文符号组合应该如何回应。你按照规则找到对应的回应符号，把它们抄写在纸条上塞回门外。对于门外的人来说，他们的输入和输出与一个懂中文的人是完全一致的——但你真的理解中文吗？塞尔认为，机器无论多么复杂，它只是在操作符号的形式，而没有真正的“意义”。就像那个房间里的人，你可以通过规则处理符号，却完全不理解符号所代表的内容。

这一争论至今仍是人工智能哲学中最具争议的话题之一。批评者指出，大语言模型可能比塞尔设想的“中文房间”复杂得多——当模型在数十亿文本上训练之后，它所产生的回应已经不仅仅是形式上的符号操作，而是体现出某种对世界的理解。但支持塞尔的人也认为，当前的大模型只是在模仿人类使用语言的方式，并不意味着它们真正拥有意识、意图或理解。

为了更精确地讨论这些问题，人工智能研究者区分了两种不同层次的人工智能。弱人工智能（Narrow AI）或称专用人工智能，是指那些在特定任务上表现出与人类相当或超越人类能力的系统，但它们的能力范围是有限的，无法泛化到其他领域。AlphaGo就是典型的弱人工智能——它能击败世界冠军，却不知道围棋是什么，更无法完成任何与围棋无关的任务。强人工智能（Strong AI）或称通用人工智能（AGI），则是指那种在所有认知任务上都与人类相当或超越人类的系统，包括抽象思维、创造力、常识推理、自主学习等等。强人工智能至今仍然是科幻小说和学术讨论中的概念，没有哪个现存的系统接近这一目标。

然而，这种区分也并非泾渭分明。近年来，研究者开始讨论“人工通用智能”的渐进式实现——AI系统正在从单一任务向多任务、从专用向通用的方向演化。大语言模型展现出的惊人泛化能力——比如能够将一种语言中习得的推理能力迁移到另一种语言，将编程技能迁移到解决数学问题——似乎暗示着某种更通用的智能正在浮现。尽管如此，绝大多数学者认为，当前的AI系统仍然缺乏真正理解世界的内在模型，没有持续学习的能力，也没有真正的目标导向行为——它们只是在统计意义上“预测”下一个最可能出现的词。

在技术的狂飙突进中，一个根本性的问题摆在了每个普通人面前：为什么我们也需要理解人工智能？这并非只是技术专家或政策制定者需要考虑的事情。原因至少有以下几方面。

首先，人工智能正在深刻地重塑我们的日常生活。从推荐算法决定你在短视频平台上看到什么内容，到智能音箱响应你的语音指令，从自动驾驶辅助系统介入你的方向盘操作，到AI面试官评估你的求职申请——技术的影响已经渗透到日常的每一个角落。理解这些系统如何工作，有助于我们做出更明智的选择，保护自己的隐私和权益，在必要时对不合理的自动化决策提出质疑。

其次，人工智能正在改变劳动力市场的结构。麦肯锡全球研究院的报告预测，到2030年全球可能有3.75亿到8.75亿工人需要转换职业类别或学习新技能。这不是一个小群体可以单独应对的转变，而是需要整个社会群体的认知升级和政策支持。理解AI的能力边界和局限，是规划个人职业发展和参与公共讨论的基础。

最后，人工智能带来了前所未有的伦理和治理挑战。当一个AI系统做出错误的医疗诊断、生成虚假新闻、或者在招聘中产生歧视性偏见时，责任应该由谁来承担？当AI系统的决策过程像一个黑箱一样无法解释时，我们如何在效率与透明度之间取得平衡？这些问题没有简单的答案，但它们关涉到社会的公平、正义与未来走向。每一个公民都有参与讨论和决策的权利，而参与的前提是对相关议题有基本的理解。

本书将带你深入探索人工智能的历史、现状与未来。我们会追溯那些塑造了这门学科的关键思想，审视它在各行各业的实际应用，探讨它引发的社会、伦理与哲学问题，最终帮助你在智能时代的浪潮中找到自己的立足之地。这是一场关于技术的深度对话，也是一次面向未来的理性准备。当你合上这本书的时候，希望你能够带着更清晰的认知、更敏锐的批判意识和更充分的知识储备，去面对那个正在被人工智能重新定义的世界的到来。