人工智能史

一、达特茅斯：给机器起名

1950 年 10 月，图灵在《心灵》杂志发表《计算机器与智能》，开篇第一句就是：“我提议考虑这个问题——机器能思考吗？“为避免纠缠"思考"的定义，他设计了"模仿游戏”：询问者隔着文字与看不见的对象问答，如果分辨不出对方是人还是机器，就没有理由否认机器在思考。这就是图灵测试，人工智能的哲学原点。同年，香农发表论文《为计算机编程下国际象棋》，第一次为机器下棋画出完整的路线图——博弈从此成为 AI 的试金石，从深蓝一直排到 AlphaGo。

思想的燃料早已备好：1943 年，麦卡洛克与皮茨提出人工神经元的数学模型，证明神经元网络可以计算任何逻辑函数；1948 年维纳出版《控制论》，把机器的反馈与动物的神经放进同一套数学语言；1949 年赫布提出"一起放电的神经元会连在一起"的学习法则；1951 年，还是研究生的明斯基造出 SNARC——用 3000 只真空管和一台 B-24 轰炸机自动驾驶仪的部件拼成的神经网络学习机。只差一个学科的名字和一场会议。

1955 年 8 月，约翰·麦卡锡（John McCarthy，1927—2011）、马文·明斯基（Marvin Minsky，1927—2016）、信息论之父克劳德·香农和 IBM 的纳撒尼尔·罗切斯特联名向洛克菲勒基金会申请 7500 美元，提议次年夏天在达特茅斯学院举办一场两个月的研讨会。申请书里第一次出现了"人工智能”（Artificial Intelligence）这个词——麦卡锡后来承认，他选这个词就是为了避开"控制论"的既有阵营，另立门户。

1956 年 6 至 8 月，会议如期举行，正式参加者约十人。纽厄尔与西蒙带来了"逻辑理论家"程序：它独立证明了怀特海与罗素《数学原理》第二章 52 条定理中的 38 条，其中一条证明比原作者的更简洁——西蒙写信告知罗素，年逾八旬的罗素回信表示欣慰。这场会议没有发表任何联合论文，却产出了一个学科：此后三十年，美国的人工智能研究几乎由与会者主宰——麦卡锡创立斯坦福人工智能实验室，明斯基执掌 MIT 人工智能实验室，纽厄尔与西蒙在卡内基梅隆大学奠基（西蒙还顺手拿了 1978 年诺贝尔经济学奖）。

二、黄金年代与第一次寒冬

最初的十几年是乐观主义的年代。1957 年，康奈尔大学的罗森布拉特发明感知机，用硬件模拟神经元学习；1958 年《纽约时报》报道海军的感知机项目时写道，这种机器"未来将能行走、说话、看见、书写、自我复制并意识到自己的存在"。纽厄尔与西蒙的"通用问题求解器"（GPS）试图用一套启发式规则解决所有逻辑问题；麦卡锡 1958 年发明 LISP 语言，成为 AI 研究的官方语言；1959 年阿瑟·塞缪尔的跳棋程序战胜了人类高手，“机器学习"一词就此诞生；1966 年，维森鲍姆的 ELIZA 用几十条规则模仿心理治疗师，竟让许多测试者对着程序倾诉隐私——维森鲍姆本人因此深感不安，后半生转而激烈批判 AI。

1966 至 1972 年，斯坦福研究院的移动机器人 Shakey 成为这个时代的图腾：它能看懂"把盒子推下平台"这样的指令，自己规划路径、绕过障碍——著名的 A* 寻路算法（1968 年）就诞生于这个项目。

寒冬骤然而至。1966 年，ALPAC 报告判定机器翻译"短期内没有捷径”，相关经费被砍；1969 年，明斯基与派珀特出版《感知机》，用严格的数学证明单层感知机连最简单的"异或"函数都学不会——神经网络研究应声冻结，一冻就是十几年；1973 年，英国的莱特希尔报告断言 AI 的重大承诺全部落空，英美两国相继大幅削减经费，DARPA 对学界 AI 项目的资助几乎腰斩。第一次 AI 寒冬降临。当初的承诺有多满，此刻的反弹就有多狠——这是 AI 史上一再重演的节奏。

三、专家系统：知识工程的兴衰

1970 年代的绝地反击来自一个新思路：通用智能太难，那就把某个狭窄领域的专家知识装进机器。1965 年，费根鲍姆在斯坦福启动 DENDRAL，用化学规则库从质谱图推断分子结构——第一个专家系统，它的分析结果 1960 年代末登上了《美国化学会志》，机器生成的知识第一次进入正规学术期刊；1972 年起，肖特利夫开发 MYCIN：约 600 条"如果—那么"产生式规则，配合逆向推理和"确定性因子"处理不确定性，诊断血液感染并开具抗生素处方。评估显示它的表现与资深医生相当——但因为法律责任无法界定，MYCIN 从未真正用于临床。

商业化的里程碑是 DEC 公司的 XCON：1980 年上线，自动为 VAX 小型机订单配置成千上万个零部件，规则库后来膨胀到上万条，每年为公司节省约 2500 万美元。同类系统遍地开花：PROSPECTOR 帮助地质学家评估矿藏，CADUCEUS 试图覆盖整个内科诊断。一时之间，财富 500 强纷纷设立"知识工程"部门，“知识工程师"成为热门职业，LISP 专用机公司估值飙升，1980 年代中期专家系统产业年收入一度达到十亿美元量级。1981 年，日本通产省宣布"第五代计算机"计划，举国押注逻辑推理与 Prolog 语言，预算数亿美元——欧美各国惊起跟进，生怕错过下一班车。

崩塌来得同样快。知识获取的瓶颈无法突破：专家说不清自己的经验，规则库越庞大越脆弱，领域稍有变化就大面积失效；1987 年后，廉价的通用工作站性能碾过了昂贵的 LISP 专用机，整个专家系统产业随之崩盘，日本五代机计划 1992 年收场时也未能兑现当初的承诺。1987 至 1993 年的第二次寒冬比第一次更冷——AI 一词在商业界几乎成了骗子的代名词，研究者纷纷改称自己的方向为"机器学习"或"数据挖掘"以避嫌。

四、联结主义复兴与深蓝

被《感知机》冻结的神经网络，在地下悄悄复活。1986 年，鲁梅尔哈特、杰弗里·辛顿（Geoffrey Hinton）与威廉姆斯在《自然》发表论文，系统推广了反向传播算法——多层神经网络第一次有了高效的训练方法（这一思想最早由韦伯斯 1974 年在博士论文中提出，当时无人问津）。1989 年，杨立昆（Yann LeCun）在贝尔实验室用卷积神经网络识别手写邮政编码，反向传播第一次解决真实世界的工程问题。

同一时期，统计学派全面接管 AI：支持向量机（1995）、IBM 的统计机器翻译模型（1993）、随机森林与集成学习先后登场。IBM 研究员贾利尼克的名言成为时代注脚：“我每解雇一个语言学家，语音识别系统的性能就提高一点。“规则让位于数据，手工知识让位于统计学习——范式悄然转换。1992 年，特绍罗的 TD-Gammon 用时序差分学习自我对弈数百万局，把西洋双陆棋玩到接近人类顶尖水平——自我对弈加神经网络，这个组合将在二十四年后的围棋棋盘上震动世界。

1997 年 5 月 11 日，IBM 的"深蓝”（Deep Blue）在纽约以 3.5 比 2.5 击败国际象棋世界冠军卡斯帕罗夫。这台 RS/6000 SP 超级计算机搭载 480 颗专用国际象棋芯片，每秒评估 2 亿个局面——一年前它刚以 2 比 4 输给同一位对手。决胜局中卡斯帕罗夫仅 19 步便告崩盘，赛后公开质疑机器背后有人类干预。这是人工智能第一次在主流智力项目上战胜在位人类世界冠军，全球媒体头条连登数日。这场胜利的意义与局限同样明显：暴力搜索在规则明确的封闭领域超越了人类，但深蓝不会下第二种棋，更不会理解棋。

五、深度学习革命：ImageNet 与 AlexNet

新范式需要两样东西：大数据和强算力。2006 年起，普林斯顿助理教授李飞飞顶着同行的质疑构建大规模图像数据库——当时的主流看法是"算法才是科学，数据只是体力活”。借助 WordNet 词网和亚马逊的众包平台，2009 年 ImageNet 发布，最终收录 1419 万张人工标注图片、涵盖 2.18 万个类别。2010 年起，基于它的 ILSVRC 挑战赛开赛（1000 个类别、120 万张训练图）——头两年冠军的错误率仅从 28.2% 降到 25.8%，传统方法摸到了天花板。

2012 年 9 月 30 日，结果公布，整个领域为之一震：多伦多大学辛顿教授带着学生亚历克斯·克里热夫斯基和伊利亚·苏茨克维提交的 AlexNet，以 top-5 错误率 15.3% 夺冠——第二名是 26.2%。这不是改良，是断层。AlexNet 用 5 层卷积加 3 层全连接、6000 万个参数，在两块英伟达 GTX 580 显卡上训练了五六天：ReLU 激活函数解决梯度消失，Dropout 抑制过拟合，GPU 并行把训练时间压缩到可行——深度学习的三板斧就此定型，“大数据 + 大算力 + 深网络"的公式沿用至今。

雪崩随之而来：2014 年 VGG 与 GoogLeNet 把错误率压到 7% 以下；2015 年何恺明团队的 ResNet 以 152 层残差网络跑出 3.57%，首次低于人类标注员的 5.1% 水平——同年竞赛宣布视觉识别"基本解决”。深度学习迅速外溢：2013 年 Word2Vec 让词语第一次有了可计算的向量语义；2014 年古德费洛发明生成对抗网络（GAN），机器开始学会"创作"以假乱真的图像；2016 年谷歌翻译切换为神经机器翻译，长句错误率骤降约六成。语音识别与机器翻译在几年内全面倒向神经网络，错误率成段下降。GPU 厂商英伟达坐上算力王座，2023 年市值突破万亿美元。2018 年，辛顿、杨立昆与本吉奥因深度学习获图灵奖——三十年冷板凳终成王座。

六、AlphaGo：征服围棋

围棋被视为人类智慧最后的堡垒：19×19 的棋盘，合法局面超过宇宙中的原子总数，暴力搜索无路可走，人类棋手靠的是直觉与"棋感”。DeepMind 公司 2010 年在伦敦成立，创始人戴密斯·哈萨比斯是神童棋手出身的神经科学家，2014 年 1 月公司被谷歌以约 5 亿美元收购。

2015 年 10 月，AlphaGo 以 5 比 0 横扫欧洲冠军樊麾二段——这是计算机首次在不让子的情况下战胜职业棋手；2016 年 1 月，论文登上《自然》封面。2016 年 3 月 9 至 15 日，首尔四季酒店，AlphaGo 对阵拥有 18 个世界冠军头衔的李世石九段，全球数亿人观看直播。第二局第 37 手，AlphaGo 在高位五路肩冲——观战的人类高手第一反应是"失误"“违反棋理”，十几分钟后集体改口赞叹这是百年难遇的好棋；第四局李世石第 78 手祭出绝处逢生的"挖"，为人类扳回尊严的一局。最终比分 4 比 1。

进化没有停止。2017 年 5 月乌镇，AlphaGo 以 3 比 0 完胜当时排名世界第一的柯洁——赛后柯洁红着眼眶说，“它太完美了，看不到任何胜利的希望”；中国围棋队随后把 AlphaGo 的棋谱列为训练教材。2017 年 10 月，AlphaGo Zero 不读一张人类棋谱、纯靠自我对弈，40 天后以 100 比 0 碾压战胜李世石的版本——它抛弃人类三千年棋谱的经验，反而更强；同年 12 月，通用的 AlphaZero 用数小时自学国际象棋，即以 28 胜 72 平的不败战绩击败最强程序 Stockfish。

DeepMind 把同一套范式投向科学：2020 年，AlphaFold 2 在国际蛋白质结构预测竞赛（CASP14）中达到接近实验手段的精度，解决了悬置五十年的蛋白质折叠难题；2022 年，它与欧洲生物信息研究所合作公开超过 2 亿个蛋白质的结构预测。游戏与科学的边界继续消融：2019 年 AlphaStar 在《星际争霸 II》中达到宗师段位，2022 年 AlphaTensor 甚至发现了比人类更快的矩阵乘法算法。哈萨比斯与江珀因 AlphaFold 的工作分享了 2024 年诺贝尔化学奖——AI 第一次以科学发现的主角身份站上诺奖领奖台。

七、大模型时代

2017 年 6 月，谷歌的 8 位研究者发表论文《Attention Is All You Need》，提出 Transformer 架构：抛弃循环与卷积，全靠"自注意力"机制建模序列中任意两个位置的关系。它的真正杀手锏是可大规模并行训练——从此，模型的大小只受限于你愿意烧掉多少算力。Transformer 成为此后一切大模型的地基。

规模竞赛随即展开：2018 年 OpenAI 的 GPT-1（1.17 亿参数）与谷歌的 BERT（3.4 亿参数）确立"预训练 + 微调"范式；2020 年 GPT-3 把参数规模推到 1750 亿，展示出惊人的"少样本学习"能力——不给例子、只给指令就能完成任务，这种"涌现"现象让研究者们又惊又疑。OpenAI 的一份统计显示，2012 至 2018 年间顶尖模型的训练算力需求每 3.4 个月翻一番，六年增长 30 万倍——远超摩尔定律的节奏。资本随之涌入：斯坦福大学《AI 指数报告》统计，2023 年全球对生成式 AI 的私人投资已达 252 亿美元，是 2022 年的近 8 倍。

2022 年 11 月 30 日，基于 GPT-3.5、用人类反馈强化学习（RLHF）对齐的 ChatGPT 上线：5 天收获 100 万用户，两个月月活破亿——史上增长最快的消费级应用（此前纪录保持者 TikTok 用了 9 个月）。2023 年 3 月 14 日 GPT-4 发布，在美国律师资格考试中进入前 10%；2024 年，以"思维链"显式推理为特征的 o1 模型登场。开源阵营同步爆发：Meta 的 LLaMA 让大模型跑出实验室，全球研究者在自己的显卡上微调出成千上万的变体。大模型的能力边界至今仍在快速外移，关于它是否"理解"、如何对齐、能耗与就业冲击的争论也同步升温——2023 年 3 月，包括辛顿在内的上千名科技界人士联名呼吁暂停训练更强模型，AI 治理第一次成为全球性的公共议题。

1956 年达特茅斯的申请书里，麦卡锡等人乐观地预计"一个夏天就能取得显著进展"。近七十年过去，那个夏天仍未结束——AI 在两次寒冬中学到了谦卑，在数据与算力的春天里狂奔，而它最终将把人类带向何方，仍是这个时代最大的开放问题。唯一可以确定的是：下一次浪潮的名字，今天还没有人知道，但它一定正在某个实验室里悄悄发芽。