第6期丨AI第一次路线之争

摘要：你知道AI从诞生起，就有两条截然不同的路吗？一条路想给机器一本无所不包的“规则大全”（符号主义），另一条路则想模仿我们的大脑（连接主义）。

本期视频，我们回到AI的第一次黄金年代，看看史上第一个聊天机器人ELIZA如何“欺骗”了人类，也见证曾经的主流为何撞上南墙，最终导致了长达十年的“AI寒冬”。

这场60年前的路线之争，深刻影响了今天的AI。了解过去，才能看懂未来。

✦开始之前✦

你好，欢迎来到AI科普系列《白话大模型》的第6期。在正片开始之前，想和大家同步两个消息。

关于书稿的写作进度

第一个是关于书稿的写作进度。我在本系列视频的第0期里介绍过，从5月份开始，我正在写一本面向非AI专业的科技爱好者的科普书，名字就叫《白话大模型》。

写一本言之有物、深入浅出的科普书很不容易，很有可能用大半年憋出一个大招，结果写出来的东西并不是大家需要的。所以到了7月中，我开启了现在这个系列视频节目，基于书稿的内容，提前和大家做一些分享，也收集一些反馈。

到现在，视频已经做了7期，我最近也刚写完书稿的第四章，也就是关于循环神经网络（RNN）的介绍。趁这个机会，和大家阶段性地汇报一下书稿前四章的内容：

第一章：溯源之旅。 我们将一起回顾AI黎明前，那些伟大的先驱为“会思考的机器”所做的思想和理论准备。目前这7集视频内容，全部来自于第一章，大约占了该章节50%的篇幅。

第二章：介绍神经网络。 我们会从最基础的MP神经元模型讲起，一步步来看单个的神经元是如何组成一张神经网络的。

第三章：探讨深度学习的崛起。 从卷积神经网络（CNN）开始，看看科学家们是如何巧妙地解决网络加深时遇到的各种难题，并最终迎来AI的革命性爆发。

第四章：聚焦于循环神经网络（RNN）。 我们将探讨AI研究者们如何通过精巧的结构设计，让机器拥有了处理序列数据的能力，也就是赋予了机器初步的记忆功能。

第四章特别不好写，主要是因为涉及到的技术比前三章大幅复杂了。如何向非AI专业的科技爱好者去讲述和呈现，非常伤脑筋。要把这些复杂的概念用“白话”讲清楚，同时又不失准确性，每一部分都花了很多心思去查证、构思和打磨。有好几次我都确信肯定是写不下去了，但反复尝试之后，我觉得还是找到了写好这一章的方法。现在完成的这一章，我个人认为是自己看到的最好的RNN介绍文章——嗯，算是吹个小牛吧，到时候欢迎大家拍砖。

关于节目的内容形式

第二个要聊的话题是，有些朋友很疑惑，说你这个AI科普系列怎么到现在还没出现什么公式？一上来不是讲ChatGPT、DeepSeek，而是讲古希腊神话、历史故事。

你说的没错。因为我想写的这本书，就是故事性和技术双线并重。AI的技术迭代非常快，但它背后的那些奠基性的思想却能够穿越周期，历久弥新。所以咱们这个视频系列，也是故事跟技术穿插着介绍。

到目前为止，我们从历史和故事开始，去认识那些塑造了AI的人。接下来，我们会层层深入，去探究那些最根本、最硬核的一些技术。但是请大家放心，我的初心不变，依然是做小白也能看懂的AI科普。我们会从关键的人物跟故事出发，去探究这些技术为什么会出现，解决了什么关键问题，而不是罗列一些公式，绝不是要难住大家。

好，以上就是今天想和大家同步的两个信息，算是一个小小的承前启后。

本期正题

现在，就让我们正式进入本期的主题，一起见证AI发展史上的第一次路线之争。

上集节目我们讲到，1956年的达特茅斯会议正式确立了人工智能这门学科。然而，会议本身并没有给出一个统一的答案：通往智能的道路究竟该怎么走？

这个选择就像是要造飞机，我们是应该去研究空气动力学、材料力学，自上而下设计一套完美的飞行规则呢？还是应该去研究真实鸟类的翅膀结构、神经系统，自下而上模仿一个能够自主飞行的生物？

AI的先驱们也是在达特茅斯会议之后，走向了三条截然不同的技术路线：

符号主义 (Symbolism): 这条路线的研究者认为，人类的智能行为（如问题求解、逻辑推理、语言理解等）其本质都在于对符号的有效操作和处理。

连接主义 (Connectionism): 典型代表是机器学习，尤其是包括现在大语言模型在内的神经网络，都属于这个范式。

行为主义 (Actionism): 也有人认为“行动主义AI”更贴切。这一派主要源自于维纳的控制论和动物行为学，主张把智能体放到真实或模拟的环境中，通过“感知-行动”的持续反馈，以试错、强化和进化搜索，自发涌现出满足目标的适应性行为。

在这三条技术路径中，前两条——也就是符号主义与连接主义之间，曾经爆发过激烈的路线之争。

符号主义的黄金年代

达特茅斯会议之后的近20年，是AI历史上的“第一次黄金年代”，而在这个时期占据绝对主流的，是符号主义AI。

它的核心思想非常直观：人类的智能，尤其是逻辑推理，本质就是对符号的操纵。就像我在第一期节目中介绍的，用布尔代数就可以将“所有人都会死，苏格拉底是人，所以苏格拉底会死”这个思辨的哲学问题，转化成对0和1的机械运算。

符号主义的研究者相信，只要我们能够将人类专家的各种知识跟经验都编码成一套非常庞大的“if-then”规则库，再配上一个强大的推理引擎，就能够建造出一个会思考的“专家系统”。

其中最具有代表性的，当属纽威尔（Newell）跟西蒙（Simon）开发的通用问题求解器 (General Problem Solver, GPS)。它的野心非常之大，试图模仿人类解决所有问题的通用策略，也就是不断比较“现状”跟“目标”的差距，然后寻找缩小差距的方法。GPS在解决逻辑推理题、汉诺塔这类可以被清晰形式化的问题上表现非常出色，这极大地鼓舞了当时的研究者。

另一个有趣的尝试，是1966年MIT的约瑟夫·魏岑鲍姆（Joseph Weizenbaum）开发的ELIZA——世界上第一个聊天机器人。它通过非常简单的关键词匹配和句式替换规则，来模拟一位心理治疗师与人对话。比如，你对它说“我感觉很悲伤”，它的词库里有“悲伤”这个关键字，所以它会回复你：“你为什么会感到悲伤？”

ELIZA本身并不理解任何语言的含义，但在当时，它依然让很多与之交流的人都产生了“机器能够理解我”的错觉。这个现象后来被称之为“ELIZA效应”。

GPS和ELIZA这些成功的案例，让整个AI领域都弥漫着高昂的乐观主义精神，很多顶尖学者都相信，具有通用智能的机器在20年之内就将出现。

AGI的梦想与现实的瓶颈

说到通用智能，也就是AGI (Artificial General Intelligence)，很多人认为这是近两年才出现的热词。但事实上，这个术语早在1997年就由物理学家马克·古布鲁德（Mark Gubrud）在一篇论文中明确提出。

回到上个世纪五六十年代，当时并没有AGI这个提法，但AI这个术语本身的核心思想，就是要创造出与人类一样能全面思考和学习的机器，其实也就是AGI。只是因为在70年代之后，AI的发展遇到了瓶颈，宏大的目标难以实现，研究方向才逐渐转向更加专门的领域，如专家系统、数据挖掘等，这些系统被称为弱AI或窄AI。近些年，为了将最初那个宏伟的梦想与这些成功的窄AI应用区分开来，研究者们才重新普及了AGI这个术语，以回归AI的初心。

然而，当符号主义这个基于规则的系统，试图从纯粹的逻辑游戏走向模糊、复杂、充满了不确定性的现实世界时，很快就撞上了3座难以逾越的高山：

组合爆炸 (Combinatorial Explosion): 现实世界问题的可能性，会随着问题规模的扩大而成指数级增长。以下棋为例，想要靠暴力搜索计算所有可能性，即使当时最强大的计算机也无法承受。

常识的缺失 (Lack of Common Sense): 符号主义的知识库需要人类专家一条条编写，但我们人类拥有海量的、无法被精确描述的常识。比如，我们都知道鸟会飞，但我们也知道关在笼子里的鸟、死了的鸟、企鹅都不会飞。这些常识机器并不知道。

符号接地问题 (Symbol Grounding Problem): 这是一个更深的哲学问题。对于计算机来说，“苹果”只是一个字符串，它没法像我们一样，把这个符号跟现实世界中苹果的形状、颜色、味道跟触感联系起来。符号始终无法“接地”到真实的感知经验。

第一次AI寒冬

这些难以克服的瓶颈，再加上早期过于乐观的承诺迟迟未能兑现，逐渐消磨了资助机构的耐心。1973年，英国政府发表了一份措辞严厉的调查报告，也就是著名的莱特希尔报告 (Lighthill Report)，报告认为AI的进展令人失望，并建议大幅削减资助。

这引发了连锁反应，大洋彼岸的DARPA（美国国防部高级研究计划局）等主要资助方也大幅撤资。经费的枯竭，如同给整个AI领域泼了一盆刺骨的冰水。人工智能迅速降温，从70年代中期开始，进入了长达10年的第一次AI寒冬。

连接主义的坚持

就在符号主义由盛转衰的同时，连接主义这个流派，始终像一股潜流，在时代边缘顽强生长。

它的思想与符号主义完全相反，不相信智能源于顶层的精密规则，而是受到生物神经元的启发，主张智能是从大量简单的、相互连接的处理单元的集体活动当中“涌现”出来的。它不依赖人类专家编写知识，而是强调算法应该能够从数据当中自主学习。

这个思想火花其实比达特茅斯会议还要早。1943年，科学家麦卡洛克（McCulloch）和皮茨（Pitts）首次提出了MP神经元模型。1957年，在MP模型的基础上，罗森布拉特（Rosenblatt）开发出了感知机 (Perceptron)，这是世界上第一个神经网络模型，第一次真正引入了学习机制。

然而，连接主义的发展并非一帆风顺。1969年，AI领域的泰斗、符号主义的领军人物马文·明斯基（Marvin Minsky）出版了一本名为《感知机》的书。在书里，明斯基用严谨的数学证明了当时感知机存在的根本性局限。这本书的巨大影响力，几乎给刚刚萌芽的连接主义判了死刑，让这个流派在接下来的AI寒冬中更是雪上加霜，几乎被主流学界彻底遗忘。

失败的终点？还是必要的校准？

现在，我们把这两条路线的故事放在一起看。在AI的第一次路线之争中，不论是主流的符号主义，还是作为潜流的连接主义，似乎都走到了一个失败的终点：一个跌入了寒冬，一个几乎被遗忘。

但这真的是失败吗？

符号主义的探索，为我们理清了逻辑推理、知识表示和问题求解的边界，让我们深刻认识到智能的复杂性远超想象。

连接主义的星星之火，虽然一度被压制，但它“从数据中学习”的核心思想从未熄灭，它在寒冬中蛰伏，等待着海量的数据、强大的算力、完善的算法这“三驾马车”的到来。

可以说，第一次AI寒冬是一次痛苦但必要的校准。针对宏伟AGI目标的资助几乎完全枯竭，但研究活动并没有完全停止，只是重心从不切实际的幻想，转向了更有可能在当时技术条件下取得进展的切实问题。

正是在这个深刻的反思当中，一个更加务实、也更加强大的思想逐渐走向了舞台中央。它继承了连接主义的精神内核，并最终将彻底改变人工智能的技术版图。

这个思想，就是机器学习。

下一期，我们将正式揭开机器学习的神秘面纱。欢迎关注“星科技”，收藏“白话大模型”系列，我们下周见。

-- THE END --