第 2 章：达特茅斯之夏：人工智能的诞生
本章问题：人工智能为什么会成为一个独立研究领域？
2.1 一个夏天，一个新名字
1956 年夏天，美国新罕布什尔州汉诺威小镇。
达特茅斯学院的校园安静、明亮、带着典型的新英格兰气息。树影落在草地上，年轻的研究者们带着一股战后科学时代特有的乐观聚在一起。他们不是来讨论一门已经成熟的学科，而是来给一个尚未真正成形的梦想命名。
他们相信，机器不应该只会计算数字。
机器也许可以学习。
可以推理。
可以使用语言。
可以形成概念。
可以解决那些过去被认为只有人类才能解决的问题。
这次会议后来被称为“达特茅斯会议”。它经常被视为人工智能作为一个研究领域正式诞生的时刻。
但这件事真正重要的地方，不只是几位科学家在一个夏天开了一场会。
真正重要的是，他们给一个野心勃勃的想法起了一个名字：
Artificial Intelligence。
人工智能。
名字很重要。
在一个领域被命名之前，相关想法可能散落在数学、逻辑、神经科学、控制论、心理学、语言学和工程学之中。有人研究自动机，有人研究神经元模型，有人研究博弈，有人研究逻辑证明，有人研究计算机程序。
它们像许多尚未连成星座的星星。
而“人工智能”这个名字，把这些星星连在了一起。
从此以后，人们可以说：我们研究的是同一个大问题。
这个大问题就是：
能不能让机器表现出通常需要人类智能才能完成的能力？
这是一个极其大胆的问题。
大胆到今天回看，仍然能感觉到那种近乎冒险的气味。
因为当时的计算机还非常原始。它们笨重、昂贵、缓慢，远没有今天手机里的芯片强大。没有互联网，没有海量数据，没有 GPU，也没有深度学习框架。
但早期人工智能研究者并不缺少信心。
他们缺少的是机器。
不缺的是想象力。
2.2 为什么是 1956 年？
一个领域的诞生，通常不是因为某一天突然出现了一个全新的想法。
更多时候，是很多条件终于凑到了一起。
人工智能也是如此。
在 1956 年之前，几个关键思想已经准备好了。
第一，计算机已经出现。
这让“机器执行复杂规则”不再只是哲学幻想，而变成了工程现实。早期计算机首先用于数值计算，但它们的本质并不只是算数。只要把信息编码成符号，机器就可以按照规则操作这些符号。
第二，图灵已经把“机器能否思考”变成了一个可以讨论的问题。
上一章我们说过，图灵没有死磕“思考”的本质定义，而是把问题转向可观察的行为。这个转向很关键：它让研究者可以暂时绕开哲学争论，先制造能表现出智能行为的系统。
第三，神经科学、控制论和信息论正在改变人们对大脑和机器的看法。
如果大脑可以被看作一个信息处理系统，那么机器是否也能以某种方式处理信息、学习模式、产生判断？
第四，战后科学共同体充满了技术乐观主义。
雷达、密码破译、原子能、早期计算机都在证明：那些曾经看起来不可思议的事情，可以通过数学、工程和组织化科研变成现实。
于是，一个时代性的信念出现了：
既然机器可以帮助人类计算，那么它为什么不能帮助人类思考？
达特茅斯会议就是在这样的背景中发生的。
它不是凭空出现的闪电。
它更像一场聚焦。
许多分散的光线，被一个新名字聚到了一起。
2.3 他们到底想做什么？
达特茅斯会议的野心，放到今天读起来仍然很惊人。
他们想研究的不是一个小工具，也不是某个窄任务。
他们关心的是：
- 机器如何使用语言；
- 机器如何形成抽象概念；
- 机器如何解决问题；
- 机器如何自我改进；
- 机器如何进行学习；
- 机器如何模拟人类智能的不同方面。
也就是说，从一开始，人工智能就不是一个“小学科”。
它的胃口非常大。
它试图把人类最骄傲的能力变成工程对象。
这就是人工智能和许多普通软件工程任务的区别。
如果你写一个工资计算程序，问题很清楚：输入员工工时、薪资规则、税率，输出工资单。
如果你写一个排序程序，问题也很清楚：给定一组数据，按某种规则排列。
但如果你说：我要制造智能。
问题马上变得模糊。
什么是智能？
下棋算智能吗？
证明定理算智能吗？
翻译语言算智能吗？
学习新概念算智能吗？
人工智能从诞生开始，就带着这种尴尬：它研究的是一个人人都觉得存在、但很难精确定义的东西。
这也是为什么 AI 史会反复出现“乐观—失望—再乐观—再失望”的循环。
因为每当机器完成了一个过去被认为需要智能的任务，人们就会重新调整对智能的定义。
机器会下棋了？
那可能只是搜索。
机器会识别图片了？
那可能只是统计模式。
机器会聊天了？
那可能只是预测下一个词。
这有时被称为“AI 效应”：一旦某个任务被机器解决，人们就不再把它看作真正的智能。
这并不一定是坏事。
它说明“智能”这个词本身就像地平线。你朝它走，它也跟着后退。
达特茅斯会议最重要的贡献，不是一次性定义了智能，而是让一群人开始系统地追逐这条地平线。
2.4 早期 AI 的第一种信仰：智能可以被形式化
达特茅斯会议之后，早期人工智能很快形成了一种强大的信念：
智能可以被形式化。
这句话听起来有点抽象，我们换个说法：
如果人类解决问题时遵循某些规则，那么机器也可以执行这些规则。
比如下棋。
棋盘状态可以表示成符号。
合法走法可以写成规则。
胜负条件可以明确判断。
如果机器能够搜索未来可能的走法，并选择看起来最好的那一步，它就能表现出某种“会下棋”的能力。
再比如证明数学定理。
公理可以写成符号。
推理规则可以写成步骤。
结论可以从前提中推导出来。
如果机器能按照逻辑规则一步步推导，它就能表现出某种“会推理”的能力。
这种思路非常自然。
因为早期计算机最擅长的事情，就是按照明确规则操作符号。
于是早期 AI 研究者很容易相信：
只要我们找到足够好的表示方式和推理规则，智能就可以被编程出来。
这条路线后来被称为符号主义人工智能。
符号主义并不是愚蠢的旧路。
相反，它非常聪明，也非常优雅。
它抓住了人类智能中很重要的一部分：我们确实会使用符号，会讲逻辑，会做计划，会把世界切分成概念，会用规则进行推理。
当你说“所有人都会死，苏格拉底是人，所以苏格拉底会死”时，你就在进行符号推理。
当你说“如果下雨，我就带伞；现在下雨了，所以我要带伞”时，你也在进行规则推理。
问题在于，人类智能不只有这一部分。
现实世界不像棋盘那么干净。
语言不像数学公理那么稳定。
常识不像逻辑规则那么容易写清楚。
而这些问题，要到后面才会真正暴露出来。
在 1950s 和 1960s，空气里更多的是乐观。
2.5 早期 AI 的第二种信仰：智能可以被分解
除了“智能可以被形式化”，早期 AI 还有另一种信念：
智能可以被分解成许多较小的能力。
这同样很自然。
如果“制造一个完整智能体”太难，那就先拆开。
让机器下棋。
让机器证明定理。
让机器玩井字棋。
让机器解决代数题。
让机器理解简单句子。
让机器规划积木世界里的动作。
每一个任务，都是智能的一小块切片。
这种做法有点像研究飞行。
你不一定一开始就造出一只真正的鸟。你可以先研究空气动力学，研究机翼，研究发动机，研究控制系统。最后，飞机并不需要像鸟一样扇翅膀，也能飞起来。
人工智能也可能如此。
机器不一定要像人脑一样工作，才可以表现出智能。
这条思路很重要，因为它让 AI 从“模拟人类”转向“实现功能”。
也就是说，人工智能未必需要复制人脑。
它可以用完全不同的方法，完成某些需要智能的任务。
这也是今天理解大模型时必须记住的一点。
大语言模型不需要像人脑一样存储知识、理解语言和产生回答。它可以用神经网络、参数、向量、概率分布和预测目标，走出一条完全不同的路线。
结果可能很像人类语言。
机制却不一定像人类心智。
这个差异，会贯穿整本书。
2.6 早期成功：机器开始解决“小世界”问题
早期 AI 并不是一开始就失败。
恰恰相反，它曾经非常令人兴奋。
研究者们很快做出了一些看起来很聪明的程序。
有的程序可以证明逻辑定理。
有的程序可以下棋。
有的程序可以解决代数问题。
有的程序可以在一个简化的积木世界里理解命令并规划动作。
这些成果让人相信：智能也许真的可以被逐步拆解、编程和扩展。
但这里有一个关键词：
小世界。
所谓小世界，是指那些边界清晰、规则明确、对象有限的环境。
棋盘是小世界。
形式逻辑是小世界。
简单代数题是小世界。
积木世界也是小世界。
在小世界里，机器非常适合发挥。
因为对象可以被枚举，规则可以被写清楚，目标可以被定义，成功和失败可以被判断。
但真实世界不是小世界。
真实世界里，物体有模糊边界。
语言充满歧义。
人的意图会变化。
常识很难穷尽。
信息经常不完整。
规则之间会互相冲突。
例外比规则还多。
你可以告诉一个孩子：“不要把牛奶倒在桌子上。”
孩子大概明白这句话在各种情境中的意思。
但如果你要把这条常识写成机器规则，你会很快陷入麻烦。
什么是倒？
什么是桌子？
如果桌子上有杯子呢？
如果是在擦桌子呢？
如果牛奶已经坏了呢？
如果这是一个魔术表演呢？
现实世界的麻烦就在这里：它总能找到规则没有覆盖到的缝隙。
早期 AI 的成功，很多都发生在小世界里。后来的困难，则来自把这些方法推广到大世界。
但从“演示成功”到“普遍可靠”，中间隔着一条很深的峡谷。人工智能的早期历史，就是不断发现这条峡谷的历史。
这对今天的大模型也有警示意义：当我们看到一个模型写诗、写代码、通过考试，很容易感到通用智能近在眼前。也许是。但也可能还有很多峡谷没有跨过去。
历史不会简单重复，但它经常押韵。
2.7 名字的遗产
“人工智能”不是一个谦虚的名字。它直接把机器和人类最珍视的能力放在一起，这让它从诞生开始就充满争议——有人兴奋，有人反感，有人担心。
但也正因为它不谦虚，才吸引了一代又一代研究者进入这个领域。有时候，一个领域需要一个足够大的名字，才能容纳足够大的野心。
而这个名字也解释了为什么 AI 从来不只是技术话题——一个排序算法不会让大众讨论”人类还剩下什么”，但一个能写文章、编程、对话的系统会。这个特点，从命名那一刻就已经埋下了。
2.8 本章地图
2.9 本章结语：乐观主义的第一束火
达特茅斯会议没有制造出智能机器。
它制造出的是一个领域。
这件事也许更重要。
因为一个领域一旦诞生，就会吸引资金、人才、论文、争论、实验、失败和新的想象。它会形成自己的问题清单，自己的英雄故事，自己的路线之争，也会形成自己的神话和幻觉。
人工智能从一开始就带着巨大的乐观主义。
这种乐观主义推动了研究，也制造了后来的失望。
接下来，我们会看到另一条路线登场。
如果符号主义者相信智能可以被写成规则，那么另一群人则相信：机器也许可以像大脑一样，从经验中学习。
这条路线最早的明星，叫做感知机。
它曾让媒体相信，机器可能很快会走路、说话、看见、写作，甚至意识到自己的存在。
然后，它又几乎被判了死刑。
下一章，我们讲它的诞生。
Discussion
留言区 · GitHub-powered comments via Giscus