📖 历史背景
二战后的科技浪潮
20世纪40-50年代，世界刚刚经历第二次世界大战。战争催生了许多突破性技术： 雷达、密码破译、原子弹、早期计算机（如ENIAC）。这些技术进步让科学家们开始思考 一个深刻的问题："机器能否思考？"
尤其是阿兰·图灵（Alan Turing）在破译德国Enigma密码中的贡献，展示了 机器的"智能"潜力。图灵不仅是数学家、逻辑学家，还是计算机科学的奠基人之一。 他在1940年代设计的"炸弹机"（Bombe）能够自动破译德军密码，这被认为是早期"智能机器"的雏形。
💡 关键洞察：二战期间，图灵和同事们已经意识到：机器的价值不仅在于 快速计算，更在于能够执行"需要智能的任务"。破译密码需要的不仅仅是暴力枚举， 还需要模式识别、推理、甚至"直觉"——这些都被图灵机以某种形式实现了。
学科交叉的萌芽
1950年代初，多个学科开始汇聚：
- 数学与逻辑学 - 图灵、丘奇（Alonzo Church）等人的可计算性理论
- 神经科学 - 麦卡洛赫（Warren McCulloch）和皮茨（Walter Pitts）的神经网络模型（1943）
- 控制论（Cybernetics） - 维纳（Norbert Wiener）研究"动物与机器中的控制与通信"
- 信息论 - 香农（Claude Shannon）提出信息熵的概念（1948）
- 心理学 - 行为主义与认知心理学的争论
这些学科的交叉，为"人工智能"这一新领域的诞生提供了理论基础。 科学家们开始相信：智能（无论是人类还是机器）可以被形式化描述， 并通过算法实现。
🧠 图灵测试（1950）
《计算机器与智能》
1950年，阿兰·图灵在哲学期刊《心智》（Mind）上发表了题为 《计算机器与智能》（Computing Machinery and Intelligence）的论文。 这篇论文被认为是人工智能哲学的开山之作。
图灵在论文开头直接提出："我能思考吗？"（Can machines think?） 但他认为这个问题过于模糊，无法给出明确的"是"或"否"答案。于是，他提出了一个 可操作的问题：机器能否通过模仿游戏来欺骗人类？
模仿游戏（The Imitation Game）
图灵设计了著名的"模仿游戏"（后被称为"图灵测试"）：
📋 图灵测试的规则
游戏有三名参与者：
1. 询问者（Interrogator） - 人类，通过文本与另外两人对话
2. 人类 - 试图让询问者相信自己是人类
3. 机器 - 试图让询问者相信自己是人类
询问者不知道谁是机器、谁是人类。如果询问者无法可靠地区分机器和人类，
那么就可以说"机器在思考"。
图灵预测：到2000年，计算机将在5分钟的对话中， 让普通询问者做出正确判断的概率不超过70%。
事实上，这一预测在2014年被部分实现：英国雷丁大学宣布， 俄罗斯开发的聊天机器人"Eugene Goostman"在测试中让33%的评委认为它是13岁男孩。 但这仍存在争议（因为它利用了"非英语母语者"的身份来掩盖语言缺陷）。
对图灵测试的批评
图灵测试自提出以来，一直伴随着争议：
- 中文房间论证（John Searle, 1980） - 即使机器能通过图灵测试， 也不代表它真的"理解"，只是模拟智能（就像房间里的翻译员，不懂中文却能翻译）
- 行为主义局限 - 图灵测试只关注外在行为，不关心内在机制
- 欺骗性 - 机器可能通过"装傻"或"转移话题"来蒙混过关
- 人类中心主义 - 为什么智能一定要像人类？
💡 图灵的辩护：图灵在论文中预见到了这些批评，并逐一回应。 他认为：与其争论"机器能否真正思考"这种哲学问题，不如问"机器能否表现出智能行为"。 图灵测试的价值在于提供了一个可操作的、经验性的标准。
图灵测试的现代意义
虽然图灵测试不是完美的智能定义，但它催生了整个AI领域。现代AI研究的目标， 已经从"通过图灵测试"转向"解决具体问题"（如图像识别、机器翻译、游戏等）。 但图灵测试仍然是AI能力的终极挑战之一。
🏛️ 达特茅斯会议（1956）
会议的缘起
1955年8月31日，约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、 克劳德·香农（Claude Shannon）和纳撒尼尔·罗切斯特（Nathaniel Rochester） 共同提交了一份提案，申请在达特茅斯学院举办一次夏季研讨会。
这份提案中，首次出现了"人工智能"（Artificial Intelligence）这一术语。 提案写道：
📄 原话：
"We propose that a 2 month, 10 man study of artificial intelligence be carried out
during the summer of 1956 at Dartmouth College in Hanover, New Hampshire.
The study is to proceed on the basis of the conjecture that every aspect of learning
or any other feature of intelligence can in principle be so precisely described
that a machine can be made to simulate it."
（我们提议，在1956年夏季于新罕布什尔州汉诺威的达特茅斯学院，开展一项为期2个月、
10人参与的人工智能研究。该研究基于以下猜想：学习的每个方面或智能的任何其他特征，
原则上都可以被如此精确地描述，以至于可以制造出模拟它的机器。）
参会人员
1956年夏天的达特茅斯会议，虽然规模不大（约10人），但汇聚了AI领域的奠基人：
- 约翰·麦卡锡（John McCarthy） - 会议组织者，后发明LISP语言
- 马文·明斯基（Marvin Minsky） - 神经网络早期研究者，后成为AI符号派的领袖
- 克劳德·香农（Claude Shannon） - 信息论之父
- 纳撒尼尔·罗切斯特（Nathaniel Rochester） - IBM程序员，早期神经网络模拟者
- 赫伯特·西蒙（Herbert Simon） - 诺贝尔经济学奖得主，AI逻辑理论家开发者
- 艾伦·纽厄尔（Allen Newell） - 与西蒙合作开发第一个AI程序
- 亚瑟·塞缪尔（Arthur Samuel） - 机器学习先驱
- 雷·所罗门诺夫（Ray Solomonoff） - 算法概率论创始人
- 奥利弗·塞弗里奇（Oliver Selfridge） - 模式识别研究者
- 特雷弗·普劳蒂（Trevor Evett） - 达特茅斯学院本地参与者
会议成果与影响
达特茅斯会议本身并没有产生突破性的技术成果（它更像是一个"务虚会"）， 但它的重要意义在于：
- 正式确立AI为一门学科 - 在此之前，相关研究分散在数学、神经科学、控制论等领域
- 统一了研究目标 - "让机器表现出智能行为"成为共同目标
- 建立了研究者网络 - 参会者后来成为AI领域的主导力量
- 确立了乐观主义基调 - 麦卡锡等人相信，AI问题"在一代人之内"就能解决
⚠️ 过度乐观的代价
达特茅斯会议的乐观主义，后来被认为是导致第一次AI寒冬的原因之一。 麦卡锡等人低估了AI问题的难度。他们在1950年代预测："20年内，机器将能做任何人能做的工作。" 这种过度承诺（overpromise）在1970年代被现实打破，导致资金和信心的崩溃。
💻 早期AI程序（1955-1960s）
达特茅斯会议后，AI研究迅速展开。1950年代末期到1960年代，出现了一批 具有里程碑意义的AI程序。这些程序虽然简单，但展示了机器"智能"的可能性。
功能：证明数学定理（如《数学原理》中的定理）
意义：
- 被认为是第一个AI程序
- 使用启发式搜索（heuristic search），而非暴力枚举
- 在1956年达特茅斯会议上展示，引起轰动
- 证明了"机器可以模拟人类解决问题的思维过程"
功能：解决各类问题（如逻辑谜题、定理证明、游戏等）
核心思想：
- 手段-目的分析（Means-Ends Analysis） - 比较当前状态与目标状态， 找出差异，然后选择操作来缩小差异
- 问题空间（Problem Space） - 将问题表示为状态空间，通过搜索找到路径
特点：
- 基于λ演算（Lambda Calculus）
- 使用S表达式（S-expressions）表示代码和数据
- 支持递归、垃圾回收（GC）
- 宏系统（macro）非常强大
- 成为AI研究的主流语言（直到1980年代被Prolog、C接续）
- 催生了函数式编程范式
- 至今仍在使用的LISP方言：Common Lisp、Scheme、Clojure
背景：塞缪尔开发了第一个跳棋程序（Checkers Program）， 该程序能够通过与自己对弈来改进性能。
定义：塞缪尔给出了机器学习的最早定义：
"A field of study that gives computers the ability to learn without being explicitly programmed." （赋予计算机无需明确编程就能学习的能力的研究领域。）
意义：这是AI从"手工编码知识"向"从数据中学习"转变的开始。
功能：模拟心理治疗师的对话
工作原理：
- 模式匹配：识别用户输入中的关键词（如"难过"、"母亲"）
- 模板回复：根据关键词选择预设的回复模板
- 反射技巧：将用户的话反过来问用户（如用户说"我难过"，ELIZA回复"你为什么难过？"）
- 展示了图灵测试的局限性 - 人们容易对简单的对话程序产生情感依恋
- 维森鲍姆后来成为AI批评者，认为AI威胁人类价值
- 现代聊天机器人（如Cleverbot、Replika）的祖先
🧠 感知机（Perceptron，1957）
弗兰克·罗森布拉特的突破
1957年，康奈尔航空实验室的弗兰克·罗森布拉特（Frank Rosenblatt） 提出了感知机（Perceptron）模型。这是第一个能够从数据中学习的神经网络模型。
感知机的灵感来自大脑神经元的工作方式：
🔬 感知机的工作原理
结构：
- 输入层 - 接收外部信号（如图像像素）
- 权重（Weights） - 每个输入都有一个权重，表示其重要性
- 求和 - 计算加权输入的总和
- 激活函数 - 如果总和超过阈值，则输出1（激活），否则输出0（未激活）
- 如果预测正确，权重不变
- 如果预测错误，调整权重（增大正确类别的权重，减小错误类别的权重）
- 通过多次迭代，感知机能够"学会"分类任务
早期成功与过度宣传
1950年代末，感知机取得了一些令人振奋的成果：
- 能够识别简单的几何形状
- 能够学习字母识别（如区分"A"和"B"）
- 罗森布拉特宣称："感知机是第一个能够自主形成概念的机器"
媒体对感知机进行了过度宣传。《纽约客》甚至写道： "感知机将成为第一个真正的智能机器，能够看、听、说、写、复制自己……"
⚠️ 警告：罗森布拉特本人也承认感知机的局限性（如只能处理线性可分问题）， 但媒体的夸大宣传为后来的"感知机冬天"埋下了伏笔。
《感知机》一书（1969）
1969年，马文·明斯基和西摩·帕普特（Seymour Papert）出版了《感知机》一书， 系统地分析了感知机的局限性。其中最致命的批评是：
❌ 异或（XOR）问题
异或（XOR）函数：
- 0 XOR 0 = 0
- 0 XOR 1 = 1
- 1 XOR 0 = 1
- 1 XOR 1 = 0
影响：这一发现导致神经网络研究陷入低谷，持续了将近20年（直到1986年 反向传播算法被重新发明）。
争议：明斯基后来解释，他并没有说"神经网络永远不行"， 而是指出单层感知机的局限。但外界误读为"神经网络已死"， 导致资金和兴趣大量流失。
🔣 符号AI的兴起（1960s）
在感知机陷入低谷的同时，另一条AI研究路线——符号AI（Symbolic AI） 开始占据主导地位。符号AI的核心思想是：智能可以通过操作和推理符号来实现。
符号AI的基本假设
- 物理符号系统假设（Physical Symbol System Hypothesis） - 纽厄尔和西蒙提出：任何物理符号系统（如人类大脑或计算机）都可以通过 操作符号来表现出智能行为
- 知识与推理分离 - 将"知识"（用符号表示）与"推理"（用算法操作符号）分开
- 显式表示 - 知识应该被明确地编码（如逻辑规则、语义网络）
代表性成果
功能：自动进行符号数学运算（如求导、积分、化简方程）
意义：展示了AI在"形式化知识领域"的强大能力。
功能：理解自然语言描述的代数问题，并自动生成求解程序
示例：输入"如果汤姆有5个苹果，他吃掉2个，还剩几个？"， Studenbt能理解并求解。
意义：早期自然语言理解（NLU）的尝试。
功能：根据质谱数据推断有机分子的结构
方法：
- 将化学家的知识编码为产生式规则（If-Then规则）
- 使用推理引擎（inference engine）应用这些规则
功能：理解自然语言命令，并在虚拟积木世界中执行操作
示例对话： 用户："把红色的方块放在绿色的方块上。"
SHRDLU：（执行操作）
用户："你做了什么？"
SHRDLU："我把红色方块放在绿色方块上。"
意义：展示了AI在受限领域（blocks world）的强大能力。 但也暴露了符号AI的局限：无法处理歧义、上下文依赖等真实语言现象。
符号AI的局限
到1960年代末，符号AI的局限性逐渐显现：
- 知识获取瓶颈 - 手工编码规则耗时耗力，且难以覆盖所有情况
- 脆弱性 - 符号系统无法处理规则外的情况（稍微超出定义域就失败）
- 常识推理困难 - 人类习以为常的"常识"，难以用符号表示
- 计算复杂性 - 符号推理的搜索空间呈指数增长（组合爆炸）
💡 教训：符号AI的失败，并不是因为"符号方法本身错误"， 而是因为真实世界的复杂性远超预期。这可能也是为什么后来 连接主义（神经网络）和数据驱动方法能够成功的原因：它们不需要手工编码所有知识。
📊 萌芽期总结
主要成就
- 确立了AI的基本问题 - 图灵测试、推理、学习、感知
- 建立了研究社区 - 达特茅斯会议、MIT、斯坦福、卡内基梅隆等中心
- 开发了第一批AI程序 - Logic Theorist、GPS、ELIZA等
- 提出了两种范式 - 符号AI（逻辑推理）vs 连接主义（神经网络）
- 创造了重要工具 - LISP语言、推理引擎、知识表示方法
遗留问题
- 感知机的局限 - 单层无法解决非线性问题
- 符号AI的脆弱性 - 无法处理真实世界的复杂性
- 过度乐观 - 研究者低估了问题难度，导致后续的资金削减
- 计算能力不足 - 当时的计算机内存仅为几KB，无法支持大规模AI应用
向下一个时期过渡
1960年代末到1970年代初，AI研究进入了一个困难时期：
- 感知机被证明有局限，神经网络研究陷入低谷
- 符号AI遇到知识获取和组合爆炸问题
- 政府和企业的资助开始减少（见下一章：第一次AI寒冬）
然而，正是在这个"低谷"中，新的思想在孕育：
- 专家系统 - 将符号AI应用于实际领域（如医疗诊断）
- 机器学习 - 从"手工编码"转向"从数据中学习"
- 连接主义的复兴 - 1980年代中期，反向传播算法重新被发现
➡️ 下一章：第一次AI寒冬（1970s-1980s）