思想起源与理论奠基（1940s–1956）

引言

人工智能（Artificial Intelligence, AI）作为一个正式学科诞生于 1956 年的达特茅斯会议，但其思想根基可以追溯到古代对"自动机"的幻想，以及 20 世纪上半叶数理逻辑和计算理论的突破。本章聚焦于 AI 从哲学思辨走向科学实证的关键十年——1940s 至 1956 年，梳理那些奠定人工智能理论基石的核心人物、思想与事件。

1. 可计算理论：机器的数学边界

1.1 图灵机（Turing Machine, 1936）

艾伦·图灵（Alan Turing）在 1936 年发表的论文《On Computable Numbers》中提出了"图灵机"的概念——一种抽象的计算模型，由一条无限长的纸带、一个读写头和一组状态转移规则组成。

核心意义：

证明了"可计算性"存在精确的数学定义
任何可被算法描述的过程，都可以被一台通用图灵机模拟
这为后来"大脑是否可以被机器模拟"的讨论提供了数学框架

对 AI 的深远影响： 图灵机暗示了一个革命性的观点——如果人类的思维过程可以被形式化为一系列规则，那么原则上它可以被机器执行。这成为了符号主义 AI 的哲学根基。

1.2 丘奇-图灵论题（Church-Turing Thesis）

阿隆佐·丘奇（Alonzo Church）用 λ 演算独立定义了"可计算函数"，与图灵机的定义在数学上等价。丘奇-图灵论题断言：任何"直觉上可计算"的函数都可以被图灵机计算。

这个论题至今未被证明（因为它涉及"直觉"这个非形式化概念），但从未被推翻。它为 AI 提供了一个核心假设：人类智能中的推理部分，原则上是可计算的。

2. 图灵测试：AI 的第一个可操作定义

2.1 "机器能思考吗？"

1950 年，图灵在论文《Computing Machinery and Intelligence》开篇提出了一个划时代的问题："Can machines think?"（机器能思考吗？）

图灵意识到"思考"这个词在哲学上难以精确定义，因此他巧妙地将其转化为一个可操作的行为测试——模仿游戏（Imitation Game）：

2.2 图灵测试的设计

语义 SVG 重绘思想起源与理论奠基（1940s–1956）

根据原图的箭头、并列、分层与循环关系选择对应图形；可展开核对原文结构。

查看原文结构

测试场景：
┌─────────────────────────────────┐
│  人类评判者（通过文字对话）       │
│         ↕ 文字通信               │
│  ┌──────────┐  ┌──────────┐    │
│  │ 人类参与者 │  │ 机器参与者 │    │
│  └──────────┘  └──────────┘    │
└─────────────────────────────────┘

一个人类评判者通过文字与两个对象（一个人、一台机器）对话
如果评判者无法可靠地区分哪个是人类、哪个是机器，则机器"通过"测试
图灵预测：到 2000 年，机器可以在 5 分钟的对话中以 70% 的概率骗过评判者

2.3 图灵测试的深远意义与争议

意义：

首次将"智能"从哲学讨论转化为可验证的工程目标
定义了行为主义的智能评判标准——不看内部机制，只看外部表现
直接激发了后续数十年的 AI 研究方向

争议与批评：

中文房间论证（Searle, 1980）：哲学家约翰·塞尔提出，即使机器能通过图灵测试，它可能只是在"模拟"理解而非真正"理解"。一个不懂中文的人在房间里按规则手册处理中文符号，从外部看像是在理解中文，但内部并无真正的语义理解。
行为 ≠ 思维：通过图灵测试只说明机器"表现"得像人类，不说明机器在"思考"
人类中心偏见：为什么智能的标准必须以人类为参照？

专家洞察： 图灵测试的真正价值不在于它是否是一个完美的智能定义，而在于它为 AI 研究提供了一个可量化、可争论、可迭代的目标框架。直到今天，ChatGPT 等产品是否在"通过图灵测试"仍然是学术界和公众讨论的热点话题。

3. 早期神经网络：从生物到数学

3.1 McCulloch-Pitts 神经元模型（1943）

神经科学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts）在 1943 年发表了开创性论文《A Logical Calculus of the Ideas Immanent in Nervous Activity》。

核心贡献：

将生物神经元抽象为一个简单的数学模型：接收多个输入 → 加权求和 → 超过阈值则激活（输出 1），否则不激活（输出 0）
证明了这种简单的"人工神经元"可以组合起来实现所有逻辑运算（AND、OR、NOT）
这意味着理论上，人工神经网络可以计算任何可计算的函数

MCP 神经元模型示意：

语义 SVG 重绘思想起源与理论奠基（1940s–1956）

根据原图的箭头、并列、分层与循环关系选择对应图形；可展开核对原文结构。

查看原文结构

输入 x₁ ──w₁──┐
输入 x₂ ──w₂──┼── Σ(wᵢxᵢ) ── 阈值判断 ──→ 输出 y (0 或 1)
输入 x₃ ──w₃──┘

3.2 Hebb 学习规则（1949）

心理学家唐纳德·赫布（Donald Hebb）在《The Organization of Behavior》中提出了一个关于学习如何发生的假说：

"当细胞 A 的轴突反复或持续地参与激发细胞 B 时，某个生长过程或代谢变化会发生在其中一个或两个细胞上，使得 A 对 B 的激发效率增加。"

简化为："一起放电的神经元会连接在一起"（Neurons that fire together, wire together）。

对 AI 的影响：

这是第一个关于"神经网络如何学习"的数学化描述
后来成为许多学习算法（包括感知机、反向传播）的理论基础
赫布学习至今仍在无监督学习和联想记忆研究中扮演重要角色

3.3 SNARC：第一台神经网络机器（1951）

马文·明斯基（Marvin Minsky）和迪恩·埃德蒙兹（Dean Edmonds）在 1951 年建造了 SNARC（Stochastic Neural-Analog Reinforcement Calculator），这是世界上第一台基于神经网络原理的硬件机器。

包含 40 个人工神经元
能够模拟一只老鼠在迷宫中学习寻找食物的过程
使用强化学习（奖励信号加强连接权重）的早期形式

虽然功能简单，但 SNARC 证明了神经网络可以在物理硬件上实现并展现学习行为。

4. 达特茅斯会议：AI 的正式诞生（1956）

4.1 会议背景

1955 年，约翰·麦卡锡（John McCarthy）、马文·明斯基、纳撒尼尔·罗切斯特（Nathaniel Rochester, IBM）和克劳德·香农（Claude Shannon, 贝尔实验室）联合提交了一份研究提案，题为《A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence》。

4.2 提案中的关键段落

"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."
（本研究的出发点是如下猜想：学习的每一个方面，或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它。）

这段话确立了 AI 研究的核心信条，至今仍是整个领域的哲学基础。

4.3 会议参与者与贡献

人物	身份	主要贡献方向
John McCarthy	斯坦福/达特茅斯	发明了 LISP 语言，提出"AI"术语，符号主义 AI 领袖
Marvin Minsky	MIT	感知机、框架理论、《心智社会》
Claude Shannon	贝尔实验室	信息论创始人，为 AI 提供了信息度量的数学工具
Allen Newell	卡内基梅隆	与 Simon 合作开发了 Logic Theorist
Herbert Simon	卡内基梅隆	有限理性理论、通用问题求解器（GPS）
Donald Hebb	麦吉尔大学	Hebb 学习规则

4.4 会议成果

达特茅斯会议持续了约 8 周（1956 年夏季），虽然并未达成统一的研究纲领，但它：

确立了"人工智能"这个学科名称
形成了 AI 研究的核心社群——上述参与者在接下来 30 年主导了 AI 领域的发展方向
催生了两个关键成果：

Logic Theorist（Newell & Simon）：第一个 AI 程序，能够自动证明数学定理，成功证明了《数学原理》中 52 个定理中的 38 个
LISP 语言（McCarthy, 1958）：专为 AI 研究设计的编程语言，引入了递归、垃圾回收等创新概念，统治 AI 编程长达 30 年

5. 早期 AI 研究路线的分野

在达特茅斯会议前后，AI 研究已经形成了几条不同的技术路线，这些路线的分野和争论贯穿了 AI 的整个发展史：

5.1 符号主义（Symbolism）

核心主张：智能 = 符号操纵。通过逻辑规则和知识表示可以实现通用智能
代表人物：McCarthy、Newell、Simon
代表成果：Logic Theorist、GPS（通用问题求解器）
哲学根基：理性主义——人类思维本质上是逻辑推理

5.2 连接主义（Connectionism）

核心主张：智能涌现自大量简单单元（神经元）的连接与交互
代表人物：McCulloch、Pitts、Hebb、后来的 Rumelhart & McClelland
代表成果：McCulloch-Pitts 神经元、感知机
哲学根基：经验主义——知识来自感官经验，通过神经元连接编码

5.3 行为主义（Actionism / Behavior-based AI）

核心主张：智能体现在与环境的交互行为中，而非内部推理
代表人物：后来由 Rodney Brooks（MIT）在 1990s 推广
代表成果：基于行为的机器人
哲学根基：实用主义——智能的价值在于解决实际问题

关键洞察： 这三条路线并非彼此对立，而是互为补充。今天的大模型本质上是连接主义的胜利，但其对齐（Alignment）过程大量使用了符号主义的逻辑规则，而智能体（Agent）则是行为主义的典型体现。理解这三条路线的演进，是理解当代 AI 架构的关键。

6. 本章小结

时间	事件	对 AI 的贡献
1936	图灵机	定义了"可计算性"的数学边界
1943	McCulloch-Pitts 神经元	将生物神经网络数学化，证明人工神经元可实现逻辑运算
1949	Hebb 学习规则	提出神经网络学习的生物学基础
1950	图灵测试	为"机器智能"提供了第一个可操作的定义
1951	SNARC	第一台神经网络硬件实现
1956	达特茅斯会议	AI 作为独立学科正式诞生

核心启示： AI 的诞生并非单一突破的结果，而是数理逻辑、神经科学、信息论和计算机科学多条线索汇聚的产物。图灵提供了理论框架，McCulloch-Pitts 提供了神经元模型，Hebb 提供了学习机制，McCarthy 提供了学科命名和研究纲领。这些奠基性工作设定了 AI 此后 70 年的研究方向，而今天的大模型和智能体，正是这些早期思想在算力与数据量爆炸条件下的全面绽放。