1.1 AI 的三次浪潮

人工智能并非一夜之间横空出世，而是经历了近七十年的曲折发展。了解这段历史，你就能理解今天的 AI 为何如此强大，也能对它的局限保持清醒。本节将带你穿越三个时代，看看 AI 是如何从实验室走进你的手机的。

一、什么是人工智能

在展开历史之前，我们先回答一个最基本的问题：什么是人工智能？

简单来说，人工智能（Artificial Intelligence, AI）是指由人类设计的、能够模拟人类智能行为的计算机系统。这里的"智能行为"包括四种核心能力：

• 感知：看懂图片、听懂语音；
• 推理：分析信息、做出判断；
• 学习：从经验中不断改进；
• 决策：在多个选项中选择最优方案。

需要特别强调的是：AI 是一种工具，不是一种生命。它没有意识、没有情感、没有自主意愿。当我们说 AI"思考"或"理解"时，使用的是比喻性说法——它实际上是在执行数学运算。你可以把它想象成一个极其高效的计算器：它能处理的问题远比普通计算器复杂，但本质上仍然是在"算"，而不是在"想"。

二、第一次浪潮：符号主义与逻辑推理（1956—1970s）

1. 前史：图灵与"模仿游戏"

在 AI 正式诞生之前，英国数学家艾伦·图灵（Alan Turing）已经为它奠定了思想基础。1950 年，图灵发表了著名论文《计算机与智能》，提出了"模仿游戏"——后来被称为"图灵测试"。有趣的是，这个测试的原始版本并非人与机器对话，而是需要三个参与者：一个男人（A）、一个女人（B）和一个提问者（C）。C 需要通过打字机提问来判断哪个是男人、哪个是女人。图灵进而提出：如果用机器替换 A 的角色，提问者还能分辨吗？这才是"图灵测试"的原型。

更早在 1948 年，图灵就为英国国家物理实验室撰写了一份名为《智能机器》的内部报告，首次提出了神经网络和进化的概念。这篇报告直到 1969 年才发表，但被现代机器人专家罗德尼·布鲁克斯认为是 AI 两条路线分歧的原点。

延伸阅读：1951 年，马文·明斯基与邓恩·埃德蒙建造了世界上第一台神经网络计算机 SNARC（随机神经模拟强化计算器），这比 AI 正式命名还早了五年。

2. 达特茅斯会议：AI 的"出生证明"

1955 年，约翰·麦卡锡（John McCarthy）联合马文·明斯基、纳撒尼尔·罗切斯特（IBM）和克劳德·香农（贝尔实验室），向洛克菲勒基金会提交了一份研究建议书。麦卡锡的原始预算是 13,500 美元，但基金会最终只批了 7,500 美元。

1956 年夏天，10 位核心科学家齐聚达特茅斯学院，召开了这场载入史册的研讨会。除了四位发起人，还包括艾伦·纽厄尔、赫伯特·西蒙、亚瑟·塞缪尔等人。会上，麦卡锡提出了"人工智能"（Artificial Intelligence）这一术语——尽管他晚年承认这个词可能是从别人那里听来的，纽厄尔和西蒙当时更喜欢用"复杂信息处理"这个说法。

趣闻：这次会议上给所有人留下最深印象的，是纽厄尔和西蒙带来的程序"逻辑理论家"（Logic Theorist）。它成功证明了《数学原理》中 38 条定理。但当他们把论文投给《符号逻辑杂志》时，却被退稿，理由是"把一本过时的逻辑书里的定理用机器重证一遍没啥意思"。

📷 【截图位置】：达特茅斯会议参与者合影或 AI 发展时间线信息图（建议尺寸：宽度占满页面）

2. 核心理念：用符号模拟思维

这一时期的主流思想是符号主义（Symbolism）。研究者认为，人类的思维本质上是对符号的逻辑运算——就像数学家用公式推导定理一样。因此，只要把知识编码为符号，再编写推理规则，计算机就能"思考"。

基于这一理念，科学家们开发出了一系列令人兴奋的成果：

• 逻辑理论家（Logic Theorist, 1956）：能够自动证明数学定理，被称为"第一个 AI 程序"；
• 通用问题解决器（GPS, 1957）：试图用统一的方法解决各类问题；
• ELIZA（1966）：第一个聊天机器人，能通过简单的模式匹配与人对话。

3. 感知机之争与第一次 AI 寒冬（1974—1980）

在符号主义蓬勃发展的同时，另一条路线也在悄然生长。1957 年，弗兰克·罗森布拉特（Frank Rosenblatt）提出了"感知机"（Perceptron）模型——一种模仿神经元的简单网络，能够学习识别简单的图案。这一成果引发了巨大的热潮。

然而，1969 年，明斯基和佩珀特出版了《感知机》一书，从数学上证明了单层感知机无法解决"异或"（XOR）问题——即无法处理非线性分类。这本书直接导致神经网络研究进入了长达 20 年的"大饥荒"时期。

趣闻：明斯基和罗森布拉特其实是布朗克斯科学高中的同学（明斯基高一级），两人彼此认识且互相竞争。罗森布拉特后来在 1971 年 43 岁生日当天划船溺水身亡。

与此同时，符号主义也遭遇了致命缺陷：机器缺乏常识。人类看到"他把冰淇淋放在口袋里，到家后发现口袋湿了"这句话，立刻能理解冰淇淋融化了。但符号主义 AI 需要有人事先把"冰淇淋在体温下会融化""融化的液体会弄湿布料"等无数条常识逐一编写为规则，否则无法做出推断。

现实世界的常识几乎是无穷的，不可能全部手工编码。加之当时计算机算力严重不足，各国政府纷纷削减 AI 研究经费，人工智能进入了第一个"寒冬"。

知识拓展：莫拉维克悖论 20 世纪 80 年代，研究者发现了一个反直觉的现象：人类觉得"困难"的事情（如数学推理、下棋），对计算机来说反而容易；而人类觉得"简单"的事情（如走路、识别人脸、理解笑话），对计算机来说却极其困难。这就是"莫拉维克悖论"——困难的问题容易解决，简单的问题很难解决。

□ 术语卡片

符号主义（Symbolism）：人工智能早期的主流学派，主张用逻辑符号和推理规则来模拟人类思维。优点是推理过程透明可解释，缺点是难以处理模糊、不确定的现实问题。

三、第二次浪潮：专家系统与知识工程（1980—1987）

1. 从"通用智能"到"专业知识"

经历了第一次寒冬后，研究者意识到：与其追求"什么都懂"的通用智能，不如先让机器成为某个领域的"专家"。这一思路催生了专家系统（Expert Systems）——一种将特定领域专家的知识编码为规则库，再配合推理引擎进行决策的程序。

2. 代表性成果

• DENDRAL（1968）：斯坦福大学的费根鲍姆与遗传学家李德伯格、化学家翟若适合作开发，用于分析质谱仪数据以确定物质的分子结构，是第一款真正意义上的专家系统；
• XCON 系统：卡内基梅隆大学为 DEC 公司（数字设备公司）开发的计算机配置专家系统，用于自动配置 VAX 系列计算机的零部件，据称每年为 DEC 节省约 4000 万美元，是专家系统商业化的巅峰；
• MYCIN：用于细菌感染诊断的医疗专家系统，诊断准确率甚至超过了部分人类医生。

爱德华·费根鲍姆（Edward Feigenbaum）因在这一领域的开创性贡献，被誉为"专家系统之父"。

3. 日本的教训与第二次 AI 寒冬（1987—1993）

专家系统虽然在特定领域表现出色，但暴露出三个严重问题：

• 维护成本高昂：知识库需要人工持续更新，一旦领域知识发生变化，整个系统可能需要重写；
• 缺乏学习能力：专家系统不能从新数据中自动学习，无法"举一反三"；
• 脆弱性：一旦遇到规则库未覆盖的情况，系统就会束手无策。

1982 年，日本通产省投入约 8.5 亿美元启动"第五代计算机"计划，旨在制造能像人一样推理、对话的机器。该计划主要押注于 Prolog 语言和逻辑编程，但最终因未能交付具有实际商业价值的成果而失败，加速了第二次 AI 寒冬的到来。

随着个人电脑性能超越昂贵的专用 AI 硬件，AI 硬件市场崩盘，人工智能再次进入寒冬。

□ 术语卡片

专家系统（Expert System）：一种模拟人类专家决策能力的计算机程序，由知识库（存储领域知识）和推理引擎（执行逻辑推理）两部分组成。它是 AI 第二次浪潮的代表性技术。

四、第三次浪潮：深度学习与大模型时代（2006—至今）

1. 连接主义的全面回归

与符号主义不同，连接主义（Connectionism） 主张模仿人脑的神经元结构，通过大量数据训练让神经网络自动学习特征，而非人工编写规则。这一思想早在 1943 年就已萌芽，但受限于算力和数据，长期未能实现突破。

转折点出现在 2006 年。杰弗里·辛顿（Geoffrey Hinton）在《科学》杂志发表论文，提出了"深度信念网络"和逐层预训练方法，解决了深层神经网络难以训练的技术瓶颈，深度学习（Deep Learning） 时代由此开启。

2. 关键里程碑

趣闻：AlphaGo 的后续版本 AlphaGo Zero 仅通过自我对弈（完全不依赖人类棋谱），就以 100:0 的战绩击败了之前的版本。这说明在某些领域，AI 通过自我学习能超越人类经验的上限。

3. 为什么这次不一样？

第三次浪潮之所以持续至今且不断加速，得益于三个条件的同时成熟：

• 算力爆发：GPU（图形处理器）的并行计算能力为训练大规模神经网络提供了硬件基础；
• 数据洪流：互联网产生的海量文本、图像、视频数据为模型训练提供了充足的"养料"；
• 算法突破：Transformer 架构的提出，使模型能够高效处理长序列数据，大幅提升了语言理解和生成能力。

4. 深度学习三巨头

杰弗里·辛顿（Geoffrey Hinton）、杨立昆（Yann LeCun）和约书亚·本希奥（Yoshua Bengio）因在深度学习领域的奠基性贡献，共同获得了 2018 年图灵奖——这是计算机科学的最高荣誉。

□ 术语卡片

深度学习（Deep Learning）：机器学习的一个分支，使用多层人工神经网络从数据中自动学习特征。"深度"指的是网络的层数多，而非理解的深度。它是当前 AI 技术的核心驱动力。

本节小结

人工智能的发展并非一帆风顺，而是经历了"热潮—寒冬—再热潮"的螺旋式上升。下表概括了三次浪潮的核心特征：

理解这段历史，我们就能明白一个关键事实：AI 的每一次进步，都不是因为机器变得"更聪明"了，而是因为人类找到了更好的方法来利用数据和算力。 AI 始终是工具，而非智慧本身。

？ 思辨时刻："中文屋"实验——机器真的在"理解"吗？

1980 年，哲学家约翰·塞尔提出了著名的"中文屋"思想实验：假设一个完全不懂中文的人被关在一间屋子里，屋里有一本详尽的规则手册。外面的人用中文写纸条递进来，屋里的人按照手册查找对应的规则，写出中文回答递出去。从外面看，这间屋子"懂中文"；但屋里的人其实一个字都不理解。

塞尔认为，计算机就像这个屋子里的人——它能按规则处理符号并给出正确回答，但并不真正"理解"符号的含义。这个实验至今仍是 AI 哲学中最重要的争论之一：AI 的"智能"是真正的理解，还是精巧的模拟？

思考与讨论

1. 回顾 AI 的两次"寒冬"，你认为第三次浪潮是否也会遭遇类似的低谷？为什么？
2. 符号主义强调"规则"，连接主义强调"数据"，你认为未来的 AI 更可能走哪条路线？
3. 你如何看待"中文屋"实验？当 AI 能流畅地与你对话时，它是在"理解"还是在"模拟"？