一部并非直线进步的历史

导读：历史不是一条性能曲线

人工智能史常被压成一条上升曲线：某位天才提出想法，机器一次次击败人类，今天的大模型于是显得像终点。这样的故事好记，却解释不了三个事实：许多“新”方法有几十年前的前身；同一时期，一条路线遇冷，另一条路线可能仍在推进；一次漂亮演示也可能没有成为可维护的产品。

本章用三条线重看这段历史。第一条是问题线：研究者究竟想让机器证明定理、识别模式、理解语言，还是在环境中行动？第二条是资源线：数据、算力、硬件和人才何时足以支撑一种方法？第三条是制度线：谁提供资助、建立数据集和比赛，又是谁用“成功”或“失败”来重写过去？三条线交叉，才会出现繁荣、瓶颈与重组。

读史原则　本章避免无条件使用“第一次”“发明者”和两次边界整齐的“全球寒冬”。提案、开发、论文、公开演示和商业部署是不同事件；机构档案能证明该机构怎样记录自身，却不能单独裁定全球首创。

2.1 名称出现以前：逻辑、神经与反馈

1943 年，McCulloch 与 Pitts 用形式化神经元把神经活动和逻辑计算联系起来。[1, pp. 115–118] 它不是现代神经网络的完整起点，更不能说明大脑就是一台数字计算机；它提供的是一种可以分析的模型，把生物启发转成了数学对象。

1948 年，Norbert Wiener 出版《控制论》，系统整理动物与机器中的控制、通信和反馈问题。[2, Introduction, chs. III–IV] 控制论（cybernetics）是一条研究系统怎样利用反馈调节行为的跨学科传统。恒温器根据温度偏差开关加热，是它的直观例子；反馈能稳定系统，也可能引起振荡。控制论后来影响了自动控制、机器人和认知研究，却不是 Wiener 一人“发明 AI”的故事。参见控制论词条。

1950 年，Turing 没有替“思考”给出终极定义，而是以文字交谈中的模仿游戏改写问题，并在论文末讨论“学习机器”。[3, §§1,7] 数理逻辑、战时计算、神经生理、信息论和控制研究在这里并不是一条流水线；它们对“机器能做什么”给出了不同操作方式。后来的 AI 从中择取工具，也舍弃了不少问题。

2.2 达特茅斯：一个名称与研究网络

在落款为 1955 年 8 月 31 日的《达特茅斯人工智能夏季研究项目提案》中，McCarthy、Minsky、Rochester 和 Shannon 计划于 1956 年夏季开展约两个月的研究。[4] 达特茅斯夏季研究项目（Dartmouth Summer Research Project on Artificial Intelligence）是一次以“artificial intelligence”为名组织研究议题的计划。提案列出语言、神经网络、抽象、随机性和自我改进等问题；这些是计划文本中的研究议程，不能直接当作后来每位参与者的到场记录或共同结论。它为领域提供了影响深远的名称和联系网络，却不是某一天“智能机器突然诞生”。参见达特茅斯项目词条。

同一时期，Newell、Simon 与 Shaw 的 Logic Theory Machine（也常称 Logic Theorist）用启发式搜索处理《数学原理》中的定理，其正式论文发表于 1956 年。[5, pp. 61–64] 它是已知较早且影响深远的运行中符号推理程序之一；写成“世界第一个 AI 程序”会忽略更早的博弈、神经模拟和自动推理工作，也把“AI”这个后设标签倒灌给不同传统。

符号人工智能（symbolic AI）把对象、关系和规则表示为可操作符号，并通过搜索或推理得到结果。它为何吸引早期研究者并不神秘：逻辑、棋局和规划任务能写成清楚的状态与操作，当时的数据和算力又不足以支持今天的大规模学习。符号方法能给出定理证明和计划，也会遇到状态空间爆炸、常识难以穷举的问题。

另一条路线从可训练网络出发。Rosenblatt 1958 年论文把感知机（perceptron）描述为信息存储与组织的概率模型。[6, pp. 386–390] 感知机根据样本调整连接权重，可以学习某些线性分类边界；它不是“第一神经网络”，也不等于今天的深层网络。1957 年技术报告、1958 年论文、媒体展示和后来的 Mark I 硬件应分开记。参见感知机词条。

2.3 案例：ELIZA 怎样变成一面镜子

Joseph Weizenbaum 的 ELIZA 论文发表于 1966 年 1 月。程序把对话机制与“脚本”分开：著名的 DOCTOR 脚本会寻找关键词、变换代词、套用回复模板，把用户的话变成问题。[7, pp. 36–38] 这套机制能维持短暂文字交谈，却没有建立对用户生活、医学或句子含义的完整模型。

ELIZA 常被称为“第一个聊天机器人”。更稳妥的说法是：它是最早且影响最深远的文本对话程序之一；“chatbot”是后来普及的分类。ELIZA 是程序框架，DOCTOR 只是其中最著名的脚本，也不能把它写成实际提供心理治疗的临床系统。

后来的研究与历史叙述把一种归因倾向称为 ELIZA 效应（ELIZA effect）：人们仅凭系统生成了合乎对话习惯的回应，便把理解、同理心或意图投射给它。[8, ch. 3] 例如，模板把“我很难过”改写成“你为什么很难过？”时，读者可能感到被倾听；但表面贴切不是内部理解的证据。这个词不表示所有用户都会被欺骗。参见ELIZA 效应词条。

后世常用 ELIZA 预演今天的聊天助手争论。这个类比有启发，也有边界：现代生成模型的训练、规模和输出机制不同；共同点是语言形式容易诱发心智归因。把两者说成“本质完全一样”或“规模自然带来理解”，都超出了历史证据。

2.4 从通用解题到知识工程

早期项目常期待一套通用方法跨越许多任务。现实很快显示，搜索算法若没有领域知识，会在可能性空间中迅速膨胀。1960 年代中期起，DENDRAL 把化学知识与启发式搜索结合，用于解释质谱和推断候选分子结构；1970 年代的 MYCIN 则以规则和置信因子处理感染诊断与用药建议的研究问题。Feigenbaum 在 1977 年以这些案例讨论“知识工程”。[9, Abstract and case sections]

专家系统（expert system）是一类把特定领域专家知识写入知识库，并由推理机制给出结论或建议的系统。规则“若条件成立，则考虑某结论”提供了直观机制；系统能在限定领域辅助解释和决策，却难以覆盖开放世界的例外。知识从哪里来、规则冲突怎样处理、环境变化后谁维护，往往比演示本身更难。参见专家系统词条与第 8 章。

1980 年代，一些专家系统进入企业流程，也形成专用工具和“Lisp machine”等市场；学术史在“Boomtimes”章记录企业采用与专用工作站，在后续章节讨论规模瓶颈和市场收缩。[10, chs. 21 and 24] 商业繁荣并非所有项目都成功：系统部署程度、维护成本和组织收益差异很大。把这一时期写成“知识取代算法”同样不准确；知识表示、搜索、推理和软件工程一直共同工作。这里的知识工程（knowledge engineering），是获取、组织、验证并维护可供系统推理使用的领域知识的实践；访谈专家、把诊断经验写成规则再用反例检查，是一种典型过程。它能让限定领域的推理更可审查，却不能消除隐性知识、冲突与环境变化。参见知识工程词条。

欧洲大陆也不只是英美故事的旁注。约 1972 年，法国 Aix-Marseille II 大学的人工智能小组在法语问答与自动推理项目中形成 Prolog；Colmerauer 与 Roussel 的学术史回顾把名称、Marseille 团队和项目演化逐项记录。[11, §§1–2] Prolog 后来成为逻辑程序设计与第五代计算讨论的重要工具，但这个法国节点既不是欧洲大陆 AI 的唯一源头，也不能代表欧洲所有研究传统。

2.5 寒冬不是全球统一停机

1972 年 7 月，James Lighthill 完成面向英国 Science Research Council 的 AI 调查；该材料于 1973 年进入更广泛的政策讨论，因此常被简称为“1973 Lighthill report”。报告把领域分为 A、B、C 三类，并严厉批评组合爆炸、通用机器人和过往承诺。[12, §§2–4] 1973 年 6 月 20 日，英国下院也讨论了 AI 研究资助。[13]

报告是英国大学通用 AI 资助收缩的重要政策节点之一，学术史也把它放在英国研究资助变化的脉络中讨论；却不能因此说“它一篇报告造成全球第一次寒冬”。[10, ch. 16] 项目表现、评审结构、预算和经济环境共同作用；英国的模式识别、自动化与特定工程研究也没有在同一天归零。英国政府在 1983 年启动 Alvey 先进信息技术计划，以落实前一年委员会报告的建议。[10, §22.2.2] 这一后续投入本身就说明“开关式寒冬”不够准确。

人工智能寒冬（AI winter）是后世用来概括某些地区、资助体系或产业部门中预期下降、资金收缩和组织调整的比喻。常见教材会概括出约 1970 年代中期和 1980 年代末至 1990 年代初两段，但起止年份并无全球统一标准。使用这个词时，应说明“谁的冬天”：美国国防项目、英国大学资助、Lisp 机器市场，还是专家系统投资？参见AI 寒冬词条。

日本案例能纠正英美单线史，却仍不足以代表全球。日本通产省支持的第五代计算机系统计划于 1982 年启动，启动文件提出逻辑程序设计、并行推理机器与知识信息处理等方向。[14] 后续学术史通常把它作为一个延续到 1990 年代初的重要计划来讨论。[10, ch. 22] 它与所谓“西方寒冬”并不同步；同期英国、美国和欧洲也把先进计算纳入战略计划，但不能把各地投入都归结为日本项目的单一刺激。部分预期没有按最初设想实现，并不等于项目毫无研究产出，更不能用它的结束单独解释全球市场降温。

同一时期，印度电子部与联合国开发计划署合作推进 Knowledge-Based Computer Systems（KBCS）发展项目。1991 年的《AI Magazine》项目回顾把它记为一个五年计划，目标包括连接多个研究中心、建设教学训练并把知识系统用于选定的社会经济问题。[15, pp. 33–36] 这个制度节点说明，所谓“寒冬”期间南亚仍有国家级能力建设；它不证明印度所有 AI 研究由一个计划开始，也不代表非欧美地区的共同路线。

本章选取法国、日本和印度，是为了展示不同机构节奏，而不是制作全球名录。苏联及东欧、拉丁美洲、非洲、中东、东亚其他地区和跨国公司的历史都需要各自的档案与语言材料；本章未展开不等于当地没有研究、工程与劳动。

窄屏提示：时间线可横向滚动，按年代查看；滚动区域可用键盘聚焦。

见图 2-1：上层放方法与运行系统，下层同时放跨学科研究传统及塑造研究的组织、评测与传播节点；因此控制论位于下层，不是把它误作政策，而是标出它跨越工程、生物与社会研究共同体的历史位置。如果只画技术“突破”，Lighthill 报告、第五代计划、ImageNet 评测制度和 ChatGPT 的产品传播都会消失；如果只写政策，又会误以为研究完全随预算开关。双层图刻意保留两种节奏。

2.6 统计方法、连接主义与专用系统并行

1980—1990 年代不是符号 AI 一夜让位给统计学习。学术史按不同研究共同体分别追踪语音中的概率方法、机器学习、神经网络与符号系统，而不是把它们排成单一路线。[10, chs. 17 and 25–30] 隐马尔可夫模型、概率图方法、决策树、支持向量机和神经网络在不同共同体中并行发展，符号表示仍用于规划、验证和业务规则。Rumelhart、Hinton 与 Williams 1986 年论文展示了用反向传播调整多层网络表示的方法。[16] 反向模式自动微分与网络训练有更早前史；历史综述可见 [17, §§5.5–5.6]。这篇论文的重要性在于清楚展示并传播了一种有效训练方式，而不是凭空“发明深度学习”。

资源条件也不是一句“算力变强”就能概括：专用 Lisp 机器与通用工作站的竞争改变了成本结构，[10, ch. 21] ImageNet 论文记录了众包标注和数据库构建，[18, §§1 and 3.2] ILSVRC 建立年度共享任务与评测，[19, §§1–2] AlexNet 论文则明确记录 GPU、数据增强与训练实现。[20, §§2–5] 统计方法把“知识怎样由专家写入”部分改成“规律怎样由样本估计”，却没有消除目标选择、数据偏差和部署判断。这里的统计革命（statistical turn / statistical revolution）是历史叙述中对研究重心变化的概括：更多系统从样本估计规律，并以共同数据与量化指标比较；它不是某一年所有符号方法突然退出。参见统计革命词条。

现实对照：Deep Blue 的胜利说明了什么

1996 年，IBM Deep Blue 在六局赛中赢下对 Kasparov 的一局，但整场以 2∶4 告负；1997 年 5 月重赛，它以 3.5∶2.5 赢得整场，第六局在 5 月 11 日结束。项目方档案与计算机历史博物馆的独立历史页可相互核对。[21][22] 这里的精确“首次”必须带限定：IBM 将其记为首个在标准比赛时限的整场比赛中击败当时在位国际象棋世界冠军的计算机系统。该来源是项目方历史页，适合核对其档案叙述，不能单独证明一切影响。

把 Deep Blue 简化成“暴力穷举，所以不是 AI”也有误导。系统组合大规模搜索、专用硬件、人工设计的局面评价、开局/残局知识和棋手协助。它展示了在规则封闭的任务中，算法、硬件与领域知识怎样共同形成专用能力；它没有因此获得日常常识或跨任务学习能力。

2.7 数据集、GPU 与公开竞赛改变证据方式

2009 年的 ImageNet 论文报告了一个按 WordNet 层级组织、包含 5,247 个 synset 和 320 万张图像的当时版本。[18, Abstract] ImageNet是大规模标注图像数据库的项目名；与之关联的 ImageNet Large Scale Visual Recognition Challenge（ILSVRC）从 2010 年起逐年举办。[19, Abstract] 数据库、某一版本和年度比赛不是同一个东西；它们共同改变了视觉研究的规模与比较方式。参见ImageNet 词条。

2012 年，Krizhevsky、Sutskever 与 Hinton 的 AlexNet 在 ImageNet 相关竞赛中取得标志性优势。论文所用深层卷积网络、GPU、ReLU、dropout 与数据增强都有各自前史；转折来自这些方法、数据规模、工程实现和公开基准的组合。[20] 因此不能写“AlexNet 发明了深度学习”。论文分别报告 ILSVRC-2010 测试集上的 17.0% top-5 error，以及参加 ILSVRC-2012 时模型集成的 15.3% top-5 error；两者对应不同竞赛版本与配置，本章不把它们拼成同一次排名比较。

这段历史还改变了“证据”的外观：统一测试集让结果更容易比较，也诱发对单一榜单的过拟合。数据集中的类别、标注劳动与采样偏差，会成为能力边界的一部分。更好的分数是特定评测事实，不自动等于在新医院、新道路或新文化环境中可靠。

2.8 AlphaGo：旧思想在新组合中得到新结果

2015 年 10 月，AlphaGo 在五局赛中以 5∶0 击败欧洲冠军樊麾；论文于 2016 年 1 月在线发表，报告了策略网络、价值网络与蒙特卡洛树搜索的组合。[23, Abstract and fig. 6] 2016 年 3 月与李世石的比赛是另一个事件，不能把 2016 说成它首次击败职业棋手的年份。

AlphaGo 适合用来拆穿“单项发明史”。树搜索、神经网络、强化学习和自我对弈都有前史；变化在于数据、算力、训练技巧与系统工程把它们组合到围棋规模。胜利证明的是特定版本在特定规则和比赛设置下的能力，不是机器获得了所有规划能力，也不是“直觉”或意识的直接证据。

它与 Deep Blue 的对照也很有信息量。两者都在封闭规则中调用搜索和领域结构，但知识进入系统的方式、硬件和学习环节不同。历史不是从“蛮力”必然进化到“学习”，而是不同资源约束下的工程重组。

2.9 Transformer、基础模型与产品传播

2017 年 6 月提交的 “Attention Is All You Need” 提出 Transformer：在该架构中，以多头自注意力和前馈网络作为主要序列变换机制，不再依赖循环或卷积主干。[24, Abstract and §3] Transformer是一类用自注意力在序列位置间交换信息的神经网络架构。机器翻译是原论文的主要实验场景；它后来成为语言、视觉和多模态模型的重要构件，却没有“发明 attention”，也不证明所有任务只需要注意力。参见Transformer 词条。

2021 年，Stanford CRFM 报告明确提出并推广当前意义上的基础模型（foundation model）框架：在广泛数据上大规模训练，并可适配多种下游任务的模型。[25, Abstract and §1] 这是一种统摄性术语和研究议程，不是 2021 年才突然出现的单一架构；BERT、GPT-3 等对象在先，基础模型也不限于语言。参见基础模型词条。

2022 年 11 月 30 日，OpenAI 发布 ChatGPT 研究预览。首发页面把它称为用于对话的模型，并明确说发布目的包括收集反馈、了解优缺点。[26] 这是企业一手记录：它可靠地证明发布日期和发布方怎样描述产品，却不能单独证明社会影响、用户体验或“第一个”地位。

ChatGPT 是生成式 AI 大众传播的重要产品节点，不是生成模型、对话系统或强化学习的技术起点。发布三个月后的 2023 年 3 月，Pew 调查中 58% 的美国成年人表示至少听说过 ChatGPT、14% 表示用过；这是美国抽样调查，不能外推为全球采用率，却能为“大众传播节点”提供一个明确口径。[27, March 2023 survey] 产品界面、免费研究预览、媒体传播和用户反馈让模型能力进入日常体验，也放大了虚构信息、偏见与劳动来源等问题。技术史到这里已经不能只写论文：产品设计和传播制度同样决定人们看见什么。

2.10 历史怎样被重写

胜利者容易把前史压成“旧方法失败，新方法取代”。但符号规则仍在软件和组织中运行，统计模型也借助人工标签、知识库和检索；神经网络的复兴依赖公开数据、GPU、优化技巧和长期研究共同体。所谓路线更替，往往是研究重心、资金与评价方式改变，而不是旧思想全部消失。

见图 2-2：本章把多次兴衰压缩成“繁荣—瓶颈—重组”的反馈框架，而不是固定周期。可见演示与投入会扩大承诺；规模、维护、成本和部署暴露瓶颈；研究者随后可能收窄任务、保留旧方法并组合新数据、硬件或评测制度。重组可能形成新能力，也可能只是把瓶颈移到数据与劳动环节。

窄屏提示：因果图可横向滚动；箭头表示可能的反馈，不表示必然周期。

英雄叙事还会把团队、基础设施和标注劳动藏到名字背后。达特茅斯不是四个人凭空创造领域；AlexNet 不只是一种网络结构；ChatGPT 也不只是模型权重。对 ImageNet 的批判性学术史显示，搜索引擎、WordNet、众包平台、标注者与实验室组织共同构成数据基础设施。[28] 论文署名值得准确记录，却不能替代对数据贡献者、工程团队、公共资助和平台分发的说明；劳动者所在地域、平台合同与可见性也会改变“谁贡献了突破”的答案，不能只凭总部所在地概括。

最后，地区标签会制造盲点。“两次 AI 寒冬”主要从美国与英国的资助和产业故事抽象而来；日本第五代计划、欧洲战略计算项目，以及其他地区在模式识别、机器人和语言技术中的研究节奏并不相同。面对下一次“AI 时代开始了”的说法，最好追问：对哪个问题、哪类机构、哪些劳动者而言，发生了什么变化？

核心概念

• 控制论：研究系统怎样通过反馈、通信与控制调节行为的跨学科传统。
• 达特茅斯项目：1955 年提案、1956 年夏季开展的研究组织节点；不是一天内完成的“AI 诞生”。
• 感知机：可从样本调整连接权重的早期神经网络模型。
• 专家系统：把特定领域知识写入知识库并由推理机制给出结论或建议的系统。
• 知识工程：获取、组织、验证并维护系统所用领域知识的工程实践。
• 人工智能寒冬：对某些地区、资助或市场中预期与投入收缩的回顾性比喻。
• 统计革命：从样本估计与共同评测逐渐成为重要证据方式的历史概括。
• ImageNet：大规模标注图像数据库项目；数据库版本与 ILSVRC 竞赛须区分。
• Transformer：以自注意力组织序列信息的一类神经网络架构。
• 基础模型：在广泛数据上大规模训练、可适配多种下游任务的模型类别与研究框架。
• ELIZA 效应：从合乎交互习惯的输出推断系统具有理解或意图的归因倾向。

本章小结

• AI 没有一个孤立起点。逻辑、神经、控制、信息与计算传统在不同问题上汇合，1955 提案和 1956 项目提供了重要名称与网络，而非“诞生时刻”。
• 方法能否产生现实效果，取决于表示、数据、算力、硬件、评价制度和组织维护；单个算法不能解释整次浪潮。
• ELIZA、Deep Blue、AlexNet、AlphaGo 与 ChatGPT 各自证明的是限定条件下的结果。后世叙事常把行为证据扩大成理解、通用性或必然趋势。
• “AI 寒冬”应指明地区、资助者和产业部门。英国政策、美国项目、日本第五代计划与欧洲投入并不同步。
• 历史突破常是旧思想在新资源和制度中重新组合。顺着论文名单读史，会漏掉数据集、评测、工程团队、标注劳动与产品传播。

相关词条与继续阅读

McCulloch–Pitts 神经元 · 图灵测试 · 专家系统 · 第五代计算机 · 反向传播 · 深蓝 · AlphaGo · 基础模型

上一章：人工智能是什么，又不是什么；下一章：智能、心智与机器：哲学和认知基础。关于技术路线的工作机制，分别见搜索、专家系统、深度学习和生成式 AI。

资料截止说明　本章资料核查至 2026-08-26。历史事件按可核验的提案、论文、报告、议会记录和发布存档注明日期；对参与者名单、首创权和“寒冬”边界无法穷尽的地方，采用“重要节点”“已知较早之一”或限定主体的表述，不把后世概括写成当时共识。