第一次繁荣与第一次寒冬（1957–1974）
达特茅斯会议之后，人工智能研究进入了第一个高速发展期。研究者充满乐观，相信在一代人内就能创造出具有人类水平智能的机器。然而，技术瓶颈和资金断裂很快将这种乐观击碎。本章详细梳理 AI 从狂热到幻灭的第一个完整周期。
达特茅斯会议之后，人工智能研究进入了第一个高速发展期。研究者充满乐观，相信在一代人内就能创造出具有人类水平智能的机器。然而，技术瓶颈和资金断裂很快将这种乐观击碎。本章详细梳理 AI 从狂热到幻灭的第一个完整周期。
无需技术基础
第一次繁荣：黄金年代（1957–1966）、第一次 AI 寒冬（1967–1974）、寒冬中的暗流
历史坐标 · AI 发展简史
文章导航
点击图中节点可定位到对应正文。
引言
达特茅斯会议之后，人工智能研究进入了第一个高速发展期。研究者充满乐观，相信在一代人内就能创造出具有人类水平智能的机器。然而，技术瓶颈和资金断裂很快将这种乐观击碎。本章详细梳理 AI 从狂热到幻灭的第一个完整周期。
1. 第一次繁荣：黄金年代（1957–1966）
1.1 感知机（Perceptron）的诞生与轰动
1957 年，美国心理学家弗兰克·罗森布拉特（Frank Rosenblatt）在康奈尔大学提出了感知机（Perceptron）——第一个可以从数据中"学习"的人工神经网络模型。
感知机模型结构：
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) + b ── 阶跃函数 ──→ 输出 (0 或 1)
输入 x₃ ──w₃──┘
↑
偏置 b (bias)工作原理：
- 输入向量经过加权求和后，通过一个阶跃激活函数（step function）输出二分类结果
- 学习规则：如果预测正确，权重不变；如果预测错误，按误差方向调整权重
- 收敛定理：如果数据线性可分，感知机学习算法保证在有限步内收敛
感知机可以解决的问题：
- AND 门：两个输入都为 1 时输出 1
- OR 门：任一输入为 1 时输出 1
- 简单的二分类问题（如判断邮件是否为垃圾邮件的极简版本）
轰动效应：
- 1958 年《纽约时报》报道："海军揭示电子计算机的胚胎，期望它能走路、说话、看见、书写、自我复制并感知自身存在"
- 美国海军研究办公室（ONR）投入大量资金支持感知机研究
- Rosenblatt 预言感知机最终能够识别人、呼唤其名字、即时翻译语言
1.2 Logic Theorist 与 GPS
Logic Theorist（1956–1957）
Allen Newell 和 Herbert Simon 开发的 Logic Theorist 是历史上第一个 AI 程序：
- 能够自动证明怀特海和罗素《数学原理》中的数学定理
- 在 52 个定理中成功证明了 38 个，其中一些证明比原书更简洁
- 被投稿到《Journal of Symbolic Logic》，但因作者包含"机器"而被拒——讽刺地反映了当时学术界对 AI 的态度
General Problem Solver（GPS, 1959）
Newell 和 Simon 进一步开发了 GPS（通用问题求解器）：
- 基于"手段-目的分析"（Means-Ends Analysis）：识别当前状态与目标状态的差异，选择能缩小差异的操作
- 试图成为一个可以解决任意问题的通用框架
- 局限：只能处理高度结构化的问题，现实世界的复杂性远超其处理能力
1.3 LISP 语言与早期 NLP
LISP（1958）
McCarthy 在 MIT 发明了 LISP（LISt Processing），这是一种专门为 AI 研究设计的编程语言：
| 创新特性 | 说明 | 对 AI 的意义 |
|---|---|---|
| 递归 | 函数可以调用自身 | 自然表达搜索和推理过程 |
| 符号处理 | 原生支持符号（而非数字）运算 | 适合知识表示和逻辑推理 |
| 垃圾回收 | 自动内存管理 | 让研究者专注于算法而非内存管理 |
| 高阶函数 | 函数可以作为参数传递 | 支持灵活的元编程 |
| 宏系统 | 代码即数据，数据即代码 | 允许程序自我修改 |
LISP 统治了 AI 编程长达 30 年，衍生出 Scheme、Common Lisp 等方言，至今仍在某些领域使用。
早期自然语言处理
- ELIZA（1966）：Joseph Weizenbaum 在 MIT 开发的对话程序，通过简单的模式匹配模拟心理治疗师。尽管极其简单，许多用户却对其产生了情感依赖（Weizenbaum 称之为"ELIZA 效应"），这预示了后来 AI 交互中的核心问题
- SHRDLU（1970）：Terry Winograd 开发的系统，能在"积木世界"（blocks world）微环境中理解自然语言指令并执行操作，展示了受限领域内 NLP 的可能性
1.4 乐观预言
这一时期的研究者对未来充满了极大信心。以下是几个著名的乐观预测：
| 年份 | 预测者 | 预测内容 |
|---|---|---|
| 1958 | H.A. Simon | "十年内，数字计算机将成为国际象棋世界冠军" |
| 1960 | H.A. Simon | "二十年内，机器将能做到任何人能做到的事" |
| 1965 | H.A. Simon | "二十年内，机器将能够完成人类能完成的任何工作" |
| 1967 | M. Minsky | "在一代人之内，'人工智能'问题将被基本解决" |
| 1970 | M. Minsky | "在三到八年内，我们将拥有具备普通人类智能的机器" |
反思： 这些预测的过度乐观后来成为 AI 遭受资金削减的重要把柄。Minsky 后来承认："我们当时太天真了。"这种"炒作-幻灭"的周期在 AI 历史上反复出现（后见 Gartner Hype Cycle），在大模型时代仍然值得警惕。
2. 第一次 AI 寒冬（1967–1974）
2.1 Minsky 和 Papert 的致命打击：《Perceptrons》（1969）
1969 年，Minsky 和 Seymour Papert 出版了《Perceptrons》一书，对感知机进行了严格的数学分析，揭示了其根本性局限：
核心发现——XOR 问题：
感知机无法解决"异或"（XOR）问题。XOR 的真值表如下：
| 输入 A | 输入 B | XOR 输出 |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
XOR 问题在二维平面上是线性不可分的——不存在一条直线能将 (0,1) 和 (1,0) 与 (0,0) 和 (1,1) 分开。
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
B
1 │ ●(0,1) ○(1,1)
│
0 │ ○(0,0) ●(1,0)
└────────────────── A
0 1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
● = 输出1 ○ = 输出0
→ 无法用一条直线分开 ● 和 ○Minsky & Papert 的结论：
- 单层感知机只能处理线性可分问题
- 虽然多层感知机理论上可以解决 XOR，但当时没有有效的多层网络训练算法
- 他们悲观地推断：神经网络的扩展"不太可能"产生有意义的结果
影响：
- 这本书几乎摧毁了整个神经网络研究领域
- 政府和企业大幅削减了对神经网络研究的资金
- 神经网络研究者花费了近 20 年才从这次打击中恢复
- Rosenblatt 本人也在 1971 年的一场船难中去世，未能看到神经网络的复兴
历史讽刺： Minsky 本人是连接主义的早期贡献者（SNARC 的创造者），但他对感知机的批评反而扼杀了这个领域。他后来表示，他并不想"杀死"神经网络，只是想指出其局限性。
2.2 Lighthill 报告（1973）
1973 年，英国数学家 James Lighthill 受英国政府委托，对 AI 研究进行了全面评估，发表了著名的《Lighthill Report》：
主要批评：
- AI 研究在 25 年中未能在其"宏大目标"上取得实质性进展
- 组合爆炸（Combinatorial Explosion）问题：许多 AI 算法的计算复杂度随问题规模指数增长，在实际应用中不可行
- AI 研究分为三个独立子领域（高级自动化、机器人学、认知科学），彼此缺乏协同
直接后果：
- 英国政府几乎完全停止了对 AI 研究的资助
- 仅保留爱丁堡大学等少数几个研究中心
- 其他国家纷纷效仿，全球 AI 研究经费急剧下降
2.3 DARPA 的资金削减
在美国，国防高级研究计划局（DARPA）也开始重新评估 AI 的投资回报：
- 1969 年的 Mansfield Amendment 要求 DARPA 只资助与军事任务直接相关的项目
- AI 的基础研究项目（如自然语言理解、视觉识别）被认为距离实用太过遥远
- 1970 年代初期，DARPA 对 AI 的资助大幅削减
2.4 技术瓶颈的本质
第一次 AI 寒冬的根本原因是技术瓶颈，而非仅仅是资金或政治问题：
| 瓶颈 | 说明 | 为什么当时无法解决 |
|---|---|---|
| 计算能力 | 计算机的内存和速度极其有限 | 1970 年代最强的计算机仅有几 MB 内存 |
| 数据匮乏 | 没有大规模数字化数据集 | 互联网尚未诞生，数据存储成本极高 |
| 算法局限 | 缺乏有效的多层网络训练方法 | 反向传播算法要到 1986 年才被广泛认知 |
| 组合爆炸 | 搜索空间随问题规模指数增长 | 理论问题，至今仍需要启发式方法应对 |
| 知识表示 | 如何让机器"理解"世界知识 | 符号 AI 的知识获取瓶颈（Knowledge Acquisition Bottleneck） |
3. 寒冬中的暗流
尽管表面上 AI 研究陷入低谷，但一些关键工作在寒冬中悄然推进：
3.1 反向传播算法的早期形式
- 1970 年，Seppo Linnainmaa 在芬兰发表了关于自动微分的反向模式（reverse mode of automatic differentiation）的论文
- 1974 年，Paul Werbos 在博士论文中首次提出将反向传播应用于神经网络训练
- 这些工作当时几乎被忽视，直到 1986 年被 Rumelhart、Hinton 和 Williams 重新发现和推广
3.2 知识工程的萌芽
- 1960s 末至 1970s 初，研究者开始探索将专家知识编码为规则系统
- DENDRAL（1965–1970s）：由 Edward Feigenbaum 等人开发，能够根据质谱数据推断分子结构，是第一个成功的专家系统
- 这些工作为下一次 AI 繁荣（专家系统时代）埋下了种子
3.3 Prolog 与逻辑编程
- 1972 年，Alain Colmerauer 在法国开发了 Prolog（Programming in Logic）语言
- 与 LISP 不同，Prolog 基于形式逻辑的推理机制（归结原理），更适合知识表示和推理
- 后来成为日本"第五代计算机"计划的核心语言
4. 本章小结
| 阶段 | 时间 | 特征 |
|---|---|---|
| 黄金年代 | 1957–1966 | 感知机轰动、LISP 诞生、乐观预测层出不穷 |
| 寒冬降临 | 1967–1974 | 《Perceptrons》打击、Lighthill 报告、资金断崖 |
关键教训：
- 过度承诺的代价：1960s 的乐观预测设定了无法达到的期望，当承诺未兑现时，整个领域遭受了信任危机
- 理论瓶颈的持续性：Minsky 指出的线性可分限制确实存在，但解决方案（多层网络 + 反向传播）在 15 年后出现——技术突破往往需要等待配套条件的成熟
- 寒冬不等于死亡：即使在资金最匮乏的时期，关键的理论突破仍在继续。AI 的寒冬淘汰了浮躁，留下了真正有价值的研究
相关章节
- 思想起源与理论奠基（1940s–1956） — 前情：达特茅斯会议与感知机之前的理论奠基
- 专家系统与第二次寒冬（1975–1993） — 后续：AI 的第二个繁荣与寒冬周期
延伸阅读
- Rosenblatt, F. (1958). "The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain". Psychological Review, 65(6), 386-408
- Minsky, M. & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press
- Lighthill, J. (1973). "Artificial Intelligence: A General Survey". In Artificial Intelligence: A Paper Symposium. Science Research Council
- Werbos, P. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. PhD thesis, Harvard University