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。一群年轻的研究者聚在达特茅斯学院，带着战后科学时代特有的乐观。他们不是来讨论一门已经成熟的学科，而是来给一个尚未成形的梦想命名。

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"，常被视为人工智能作为一个研究领域正式诞生的时刻。

但真正重要的，不只是几位科学家开了一场会。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，相关想法散落在数学、逻辑、神经科学、控制论、心理学和工程学之中。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——

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。当时计算机笨重、昂贵、缓慢，没有互联网，没有海量数据，没有 GPU。但早期 AI 研究者缺少的是机器，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，而是很多条件终于凑到了一起。

第一，计算机已经出现。但这不只是"有了一台更快的算盘"。关键在于图灵那一代人已经看到了计算机的本质：它不只是算数工具，而是一种可以按照规则操作符号的机器。数字是一种符号，文字可以变成符号，逻辑命题、棋盘状态也可以变成符号。如果一切都能被表示为符号，而机器又能按照规则操作符号，那么机器处理的就不只是数字，而是信息。这一步想象非常大——一旦机器可以处理信息，它就不再只是计算工具，而有可能成为推理工具、语言工具，甚至智能工具。这也是后来符号主义人工智能的基础信念。

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。他没有死磕"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，可以通过数学和工程变成现实。

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，那它为什么不能帮助人类思考？ 达特茅斯会议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惊人。他们想研究的不是一个小工具或某个窄任务。他们关心的是：机器如何使用语言，如何形成抽象概念，如何解决问题，如何自我改进，如何学习，如何模拟人类智能的不同方面。

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。

但这就带来了一个尴尬。如果你写一个工资计算程序，问题很清楚。如果你说"我要制造智能"，问题马上变得模糊。什么是智能？下棋算吗？证明定理算吗？翻译语言算吗？学习新概念算吗？

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 第一种信仰：智能可以被形式化

达特茅斯会议之后，早期 AI 很快形成了一种强大的信念：智能可以被形式化。

换个说法：如果人类解决问题时遵循某些规则，那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。机器搜索可能的走法，选择最好的一步，就能表现出"会下棋"的能力。再比如证明数学定理——公理写成符号，推理规则写成步骤，结论从前提中推导出来。

这种思路非常自然。因为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 研究者容易相信：只要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。它并不愚蠢——相反，它非常优雅。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。

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。这些问题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 第二种信仰：智能可以被分解

除了"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。

如果"制造一个完整智能体"太难，那就先拆开——让机器下棋、证明定理、解决代数题、理解简单句子、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、机翼、发动机。最后，飞机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，才能表现出智能。

这条思路很重要，因为它让 AI 从"模拟人类"转向"实现功能"。大语言模型也是如此——它不需要像人脑一样存储知识和产生回答，它用神经网络、参数、向量和概率分布，走出一条完全不同的路。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，研究者们很快做出了一些看起来很聪明的程序——有的可以证明逻辑定理，有的可以下棋，有的可以在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，积木世界也是小世界。在小世界里，机器非常适合发挥——对象可以被枚举，规则可以写清楚，成功和失败可以判断。

真实世界不是小世界。物体有模糊边界，语言充满歧义，常识很难穷尽，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"，孩子大概明白各种情境下的意思。但如果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"？如果是在擦桌子呢？如果这是个魔术表演呢？

现实世界总能找到规则没有覆盖到的缝隙。早期 AI 的成功很多发生在小世界里，后来的困难则来自把这些方法推广到大世界。从"演示成功"到"普遍可靠"，中间隔着一条很深的峡谷。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。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 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——一个领域一旦诞生，就会吸引资金、人才、争论、实验、失败和新的想象。

"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，这让它从诞生就充满争议。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。

人工智能从一开始就带着巨大的乐观主义。这种乐观推动了研究，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，然后又被几乎判了死刑。

下一章，我们讲它的诞生。

问题：人工智能为什么会成为一个独立研究领域？方法：达特茅斯会议把分散在计算、逻辑、控制论、神经科学和心理学中的问题聚合到"人工智能"这个名字下。突破：机器不再只是计算工具，而被想象成可以学习、推理、使用语言和解决问题的智能系统。局限：早期研究者低估了真实世界、常识、感知和语言的复杂性——小世界方法难以推广到大世界。今天：大模型继承了早期 AI 对通用智能的野心，只是从规则和符号路线转向了数据、神经网络和规模化路线。