4.人工智能

从1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”(Summer Research Project on Artificial Intelligence)算起，人工智能概念登上历史舞台已经60年了。

这次历史性会议如今已成经典，但它的主要发起人当时都是刚入道的“青椒”（青年教师）。

主推手约翰•麦卡锡(John McCarthy, 1927-2011)是位数学天才，冯•诺伊曼的一次报告给他种下计算机专业的种子，他1951年从普林斯顿大学数学专业博士毕业，辗转斯坦福大学，1955年到达特茅斯学院数学系任助理教授。

另一位组织者马文•明斯基(Marvin Lee Minsky, 1927-2016)算是麦卡锡在普林斯顿大学数学专业的学弟，1954年获得博士学位，当时任哈佛大学初级研究员。

1953年夏，他俩在贝尔实验室遇到克劳德•艾尔伍德•香农(Claude Elwood Shannon, 1916-2001)。1955年夏，麦卡锡在IBM学术访问时，又遇到IBM第一代通用计算机701主设计师纳撒尼尔•罗彻斯特(Nathaniel Rochester, 1919-2001)。

罗彻斯特一直对神经网络感兴趣，于是两人商定邀请香农和明斯基一起，联名向洛克菲勒基金委提交申请，计划邀请10位专家，来年夏天在达特茅斯学院举行为期两个月的“人工智能夏季研讨会”。

麦卡锡等4人的申请书列出了计划研讨的7个话题。

(1)自动计算机(automatic computer)：“自动”指可编程，并无超出“计算机”这个概念的新含义；

(2)编程语言(how can a computer be programmed to use a language)：没有超出软件编程的其他含义；

(3)神经网络(neuron nets)：研究“一群神经元如何形成概念”；

(4)计算规模理论(theory of size of a calculation)：即计算复杂性理论；

(5)自我改进(self-improvement)：真正的智能应能自我提升；

(6)抽象(abstractions)：对感知及其他数据进行抽象；

(7)随机性和创造性(randomness and creativity)：创造性思维可能来自受控于直觉的随机性。

今天来看，(1)、(2)和(4)都是计算机科学的基本内容，虽未完全解决，至少问题十分清晰，(3)是神经网络，(5)和(6)可以归入机器学习，(7)属于强人工智能，这4个问题尚未解决，甚至问题本身都还没界定清楚。

再回过来看看这个申请书的基本思想。开宗明义，申请书把这次研讨会的基础建立在 “学习——以及智能的其他所有特征的方方面面，原则上都可以精确描述，从而可以制造出仿真它的机器(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)”。

这个基本思想实际上蕴含了一个前提假设，或者说预设了实现人工智能的技术路线：先精确描述智能。有些智能的确可以精确描述，经典人工智能的符号主义和知识工程进行了成功的尝试。有些智能却不能形式化地描述，例如会议第七个话题涉及的直觉和创造性。经典人工智能的兴与衰，正是这个基本思想的结果。

关于人工智能和计算机的关系，第一个研讨话题“自动计算机”说得很直接：“目前计算机的速度和存储能力还不足以模拟大多数人脑功能，但这并不是主要障碍，问题在于我们写不出能充分发挥既有潜力的程序”。

1953年IBM发布了第一台电子计算机产品IBM701，1954年贝尔实验室组装出第一台晶体管计算机TRADIC，会议的4名提案人中，既有701的主设计师，又有贝尔实验室的香农，他们推测“计算机的速度和存储能力不是障碍”基本靠谱。

问题在于，到底能否靠写程序“模拟大多数人脑智能”？如果是冯•诺伊曼、维纳、麦卡洛克或皮茨评审这个申请，盯上这句话，八成会否定这个项目。

可惜的是，那个夏天冯•诺伊曼被查出癌症，维纳和麦卡洛克及皮茨的关系3年前就已经分崩离析，没机会和这些年轻人争论计算机和形式逻辑的局限性。

不过洛克菲勒基金会倒也没手软：把麦卡锡预算的13500美元砍到7500美元。

达特茅斯会议给人留下深刻印象的是，艾伦•纽厄尔(Alan Newell, 1927-1992)和赫伯特•西蒙（Herbert A. Simon，中文名：司马贺，1916-2001） 报告的“逻辑理论家(the Logic Theorist)”程序，能够证明《数学原理》中命题逻辑的大部分。

之后，两人合作开发“通用问题求解器(General Problem Solver)”，提出“物理符号系统学说”，开创了人工智能符号主义学派。

要“精确描述智能”，除了逻辑，还需要知识。20世纪70年代，知识工程和专家系统成为经典人工智能的研究主流。

1984年，道格拉斯•莱纳特(Doug Lenat)发起Cyc工程，试图将各个领域的本体及常识综合集成，以此为基础实现知识推理。Cyc被称为“人工智能历史上最有争议的项目”之一，最主要的反对意见来自对“人工”构造智能这个技术路线的质疑。

这种质疑实质上是对经典人工智能基本思想的质疑：决定智能的规则是人工设计的，人是人工智能的造物主。经典人工智能的兴衰，根源就在“人工”二字，正应了“成也萧何败也萧何”。

本页Url