Artificial Intelligence — 用中文阅读

故事标题目前仍是英文，正文是中文。

数千年来，“思想”这一概念一直被认为是人类独有的，是我们将自己与所有其他生命区分开来的独特火花。然而，随着工业时代发展到电子时代，一个深刻的问题浮现出来：人类能否自行创造智能？这一疑问为二十世纪最雄心勃勃的智力追求之一奠定了基础，旨在复制、增强并最终超越人类的认知能力。 杰出的英国数学家艾伦·图灵博士在二十世纪四十年代奠定了关键基础，他设想了能够模拟智能对话的机器。他曾说过：“我们只能看到前方很短的距离，但那里有许多需要完成的事情。”他承认了机器认知这一广阔而未知的领域。他的远见卓识为新领域铺平了道路，致力于创建能够推理、学习和适应的系统。

在人工智能出现之前，需要逻辑推理或模式识别的复杂任务完全是人类专家的领域。从数学到军事战略等领域都依赖于大量、通常缓慢的人工计算和判断。局限性显而易见：人工处理容易出错、耗时，并且无法应对新兴科学和物流挑战日益增长的复杂性。 诺伯特·维纳等先驱观察到计算机器日益增长的能力，意识到它们的潜力远不止于简单的算术。“对巨大新动力源的自动控制，”他沉思道，“既可以带来善，也可以带来恶，科学家有责任意识到这一事实的道德含义。”这种远见强调了能够处理信息和做出决策的机器所带来的深远影响，从而引发了对一门新科学学科的迫切需求。

二十世纪五十年代中期是一个关键时刻。一小群有远见的科学家对传统计算的局限性感到沮丧，他们试图将一个新领域正式化。他们相信机器可以被编程来模拟更高层次的认知功能，从而超越简单的计算，实现真正的解决问题和学习。这项雄心勃勃的提议旨在汇集顶尖人才，以界定这一新兴学科的范围和方法。 一九五五年，当时还是达特茅斯大学助理教授的约翰·麦卡锡起草了一份夏季研究项目提案，其中著名地阐述了其目标：“寻找如何让机器使用语言、形成抽象和概念、解决目前仅限于人类解决的问题，并自我改进。”这一基础性的“知识”确立了后来被正式命名为人工智能的指导原则和宏伟抱负，为未来几十年的研究设定了一个大胆的议程。

一九五六年夏天，历史性的达特茅斯人工智能夏季研究项目拉开帷幕。这个为期两个月的研讨会汇集了最杰出的思想家，共同探讨计算、自动机理论和神经系统。正是在这里，在密集的讨论中，“人工智能”一词由约翰·麦卡锡正式提出，为这项创造能够思考的机器的宏伟事业命名。 麦卡锡为了寻找一个中立、描述性的术语，选择了“人工智能”以区别于控制论。他阐明了其核心目标：构建能够进行“符号推理”的系统。“最终目标，”他可能向他的同事们解释道，“是创造能够操纵代表概念的符号的机器，使它们能够在抽象层面进行逻辑推理和问题解决，就像人类使用语言和思想一样。”这标志着人工智能作为一个独立学术学科的正式诞生。

达特茅斯会议的参与者们迅速将他们的理论抱负转化为实际系统。最早且最重要的成功之一是艾伦·纽厄尔、赫伯特·A·西蒙和J·C·肖开发的“逻辑理论家”。这个程序被认为是第一个人工智能程序，展示了机器进行非数值推理的能力。 纽厄尔和西蒙自豪地宣称，或许是在展示他们的程序时：“逻辑理论家的设计旨在模仿人类解决问题，而不仅仅是计算。它使用启发式方法，即经验法则，来寻找解决方案，就像数学家一样。”该程序成功证明了罗素和怀特海的《数学原理》第二章中五十二个定理中的三十八个，通过选择公理并应用推理规则来得出结论。这展示了“符号人工智能”的力量，其中抽象符号代表概念，规则指导它们的操纵，这是机器能力上的一次深刻飞跃。

当符号人工智能追求逻辑和显式规则时，另一条受人脑结构启发的途径出现了。弗兰克·罗森布拉特于一九五七年推出了“感知器”，这是一种旨在模拟生物神经元如何学习的新方法。这标志着人工神经网络的诞生，它超越了预定义的规则，迈向了可以从数据中学习的系统。 罗森布拉特观察到其潜力，可能会向一位同事解释说：“感知器不是用规则编程的；它学习规则。它接收输入，为它们分配权重，如果加权和超过阈值，它就会‘触发’一个输出。”他强调，通过反复试验，根据正确或不正确的分类调整权重，感知器可以“学习”识别模式。这种机制虽然简单，但引入了机器无需显式重新编程即可适应和改进其性能的革命性概念，这是迈向达特茅斯会议所设想的“自我改进”的关键一步。

尽管最初充满兴奋，但早期人工智能的局限性很快就显现出来。二十世纪六十年代末和七十年代的“人工智能寒冬”导致资金和研究大幅减少，这主要是由于未能兑现的承诺以及扩展早期模型的实际困难。例如，感知器被发现无法解决简单的非线性问题，马文·明斯基和西摩·帕普特在他们一九六九年颇具影响力的著作《感知器》中强调了这一关键缺陷。 明斯基，一位实用主义者，可能会这样阐述这一批判：“虽然感知器可以学习线性模式，但它在需要非线性分离的问题上完全失败，比如异或函数。我们过分夸大了这种方法的简单性。”这一发现揭示了一个基本的数学限制，使得人们对神经网络的热情消退了近二十年。该领域转向寻求更稳健的、基于规则的方法，但对这些局限性的“了解”迫使人们对人工智能的核心范式进行了关键的重新评估。

在“人工智能寒冬”之后，该领域在二十世纪八十年代以“专家系统”为重点重新焕发活力。这些系统将人类专家的知识编纂成庞大的“如果-那么”规则数据库，使计算机能够模仿特定领域专家的决策过程。像 DENDRAL（用于化学分析）和 MYCIN（用于医学诊断）这样的项目展示了实际应用。 MYCIN 的一位开发者可能会向医学专业人士解释说：“这个系统通过捕捉医生的诊断逻辑来工作。它提出问题，根据症状输入应用规则，然后提出诊断和治疗方案，并附带置信度分数。”这种“知识工程”方法在狭窄、明确定义的问题中取得了成功，在机器实用性方面实现了重大飞跃，并表明人工智能可以提供切实的价值。这是实现达特茅斯最初愿景——即机器解决“目前由人类解决的问题”——的关键一步。

二十世纪末和二十一世纪初，随着计算能力的提升、海量数据集的出现以及反向传播算法等理论突破，神经网络迎来了戏剧性的复兴。这个时代常被称为“深度学习革命”，它使多层网络能够学习极其复杂的模式，实现了达特茅斯会议最初愿景的更多方面。 深度学习的先驱杰弗里·辛顿回顾这一时期时说：“高效训练深度网络的能力，加上现在可用的海量数据，已经彻底改变了人工智能。我们看到机器能够自动学习特征，而不是靠人工设计。”早期设置的这一“回报”是巨大的。例如，DeepMind 的 AlphaGo 通过学习复杂的围棋游戏击败了人类冠军，展示了远超最初预期的抽象战略学习和自我提升的深刻能力。

如今，人工智能已融入现代生活的方方面面，它正在改变各行各业，并挑战我们对智能本身的理解。从为搜索引擎和个人助理提供动力，到彻底改变医疗保健和交通运输，人工智能的能力持续扩展，重塑着人类与科技和世界的互动方式。 “其影响远不止计算；它关乎增强、发现和新领域。研究人员和伦理学家不断追问：‘我们如何确保这些强大的系统能服务于人类的最佳利益？’持续的对话反映了那些能够学习、预测和创造的系统所带来的深刻而深远的影响。人工智能不仅仅是一项发明，它是一个不断发展的领域，持续推动着机器所能实现成就的边界。”