溯源：从自动机之梦到人工神经元

第一块真正称得上科学的里程碑，由19世纪的两位英国人物奠定。查尔斯·巴贝奇（Charles Babbage）设计了“分析机”，这是一台可编程的机械计算装置，在他生前始终未能完成，却已经包含了计算机的概念要素。数学家阿达·洛夫莱斯（Ada Lovelace）于1843年写下了通常被视为第一个供机器执行的算法。洛夫莱斯还提出了一个著名的异议：她的大意是，机器只能做人们命令它做的事，它不可能创造出任何原创的东西。这一“洛夫莱斯异议”被讨论了一个半世纪，而2026年生成式 AI 表面上的创造力又赋予了它新的意味。

图灵意识到这个问题本身提得不好，因为我们并不知道该如何定义“思考”。于是他用一个具体的测试取而代之，即模仿游戏，后来以图灵测试之名广为人知：如果一个人在看不见对方的情况下通过文字与机器对话，却无法把它和另一个人区分开来，那么出于诚实，就应当承认它具有某种形式的智能。图灵由此把争论从“什么是思考？”（无解）转向了“我们愿意把哪种可观察的行为当作证据？”（可检验）。

最初的成功似乎证明他们是对的。早在1956年，艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）的程序 Logic Theorist 就证明了一些逻辑定理。1958年，心理学家弗兰克·罗森布拉特（Frank Rosenblatt）造出了感知机（Perceptron），一台受生物神经元启发、能够学会识别简单图形的机器。媒体为之沸腾：人们宣称机器将会行走、说话，并拥有意识。这种过度乐观在人工智能的历史上反复出现，也为随后的跌落埋下了伏笔。

几项标志性的成功：DENDRAL（20世纪60年代）能识别化学结构；MYCIN（20世纪70年代）能诊断血液感染并推荐抗生素，有时比初出茅庐的医生做得还好。到了20世纪80年代，企业对这项技术进行了大规模投资。

以蛮力进行推理的这一理念，在1997年达到顶峰：IBM 的计算机 Deep Blue（深蓝）击败了国际象棋世界冠军加里·卡斯帕罗夫。但要注意：Deep Blue 什么也没有“学习”。它依靠人类编写的规则，每秒搜索数百万个局面。这是一项工程壮举，而不是通用智能：不经彻底重新编程，它连国际跳棋都不会下。

但这个想法来得太早：在20世纪80和90年代，两种不可或缺的燃料都极度匮乏：数据（互联网尚未大规模普及）和算力（计算机太慢）。加拿大的杰弗里·辛顿、杨立昆（Yann LeCun，一位把神经网络用于识读银行支票的法国人）以及约书亚·本吉奥（Yoshua Bengio）等先驱，耕耘着一片要到几十年后才会结出果实的土地。很久以后，人们把他们称为“深度学习（deep learning）教父”。

这三者在2010年代初的汇合，将引发一场爆发，下一章会详细讲述。

---

本章要点（第1章）

• 人工智能是一个千年梦想的继承者，1956年在达特茅斯成为一门科学。
• 两种哲学相互交锋：符号主义 AI（显式规则）与联结主义 AI（通过神经网络学习）。
• 符号主义方法一直主导到20世纪80年代，取得过成功（专家系统、1997年的 Deep Blue），但也有致命的局限：脆弱，以及手工编码知识的成本。
• “AI 寒冬”提醒我们，承诺与现实之间的差距终究要付出代价。
• 联结主义随着反向传播（1986年）而重生，但要等到2010年代的数据和算力才得以胜出。

在下一章，我们将揭开这种联结主义方法的内部构造：一台机器究竟是如何从样例中“学习”的？

---