人工智能簡史

《人工智能簡史》核心拆解 作者：尼克 一句話概括 人工智能不是一條由落後走向先進的直線，而是一部由符號主義、連接主義、統計學習、進化計算等路線反覆競爭，在理論、數據、算力、工程和社會期待共同作用下不斷興衰重組的歷史。 核心邏輯 全書不是按今天常見的“機器學習知識體系”來寫，而是沿着人工智能試圖解決的核心問題展開： 機器能否推理 → 能否擁有知識 → 能否學習 → 能否理解語言 → 能否在複雜環境中決策 → 是否真正理解 → 是否可能超過人類 對應的技術演變大致是： 形式邏輯與符號推理 → 自動定理證明 → 專家系統和知識表示 → 神經網絡 → 統計學習 → 深度學習 → 強化學習 → 超級智能與意識問題 作者真正關心的不是哪種算法暫時領先，而是一項人工智能技術爲什麼會在某個時代興起、它爲什麼經常從宏大承諾走向低潮，以及一個系統表現得像人是否意味着它真的擁有理解和智能。 核心內容 1. 達特茅斯會議不是憑空創造了人工智能 1956年的達特茅斯會議通常被稱爲人工智能的誕生地，但在此之前，數理邏輯、控制論、信息論、神經科學、心理學和計算機科學已經爲它準備了思想基礎。 麥卡錫、明斯基、香農、紐厄爾和司馬賀等人代表的也不是完全相同的方向：一部分人希望模擬神經系統，一部分人希望用邏輯描述理性，一部分人研究問題求解、搜索和人的認知過程，還有一部分人關心機器能否學習和自我調整。 因此，人工智能從誕生之初就不是一個理論統一的學科，而是多個研究傳統臨時匯合形成的共同體。這也解釋了後來的長期爭論：符號還是連續、邏輯還是心理、規則還是學習、模擬大腦還是直接實現智能行爲。 2. 自動定理證明代表了符號主義最純粹的理想 自動定理證明希望把邏輯演算和數學證明轉化爲機器可以執行的形式過程。機器不需要像人一樣產生直覺，只要能夠根據規則，把前提不斷歸約爲結論。 羅賓遜的歸結原理與合一算法極大地簡化了一階邏輯的自動證明，項重寫則把證明理解爲按照規則不斷變換公式。 這條路線取得了真實成果，但也很快遇到幾個問題：搜索空間會發生組合爆炸；證明器通常只能回答“是否成立”，難以提供豐富解釋；形式化知識成本很高；很多證明雖然機器可以驗證，人卻無法閱讀和理解；獨立證明系統很少與其他數學工具和實際工作流程結合。 自動定理證明的興衰說明：理論上的可計算，不等於工程上的可行；機器能夠找到證明，也不等於人能夠理解這個證明。 3. 專家系統把“通用智能”轉向“領域知識” 早期研究者逐漸發現，僅靠通用搜索和推理無法解決現實問題。真正產生價值的，往往是某個領域中大量具體、隱性的專業知識。 DENDRAL根據質譜數據推斷化學結構，MYCIN幫助診斷細菌感染，XCON用於配置計算機系統。這些項目推動了專家系統的黃金時代。 專家系統的基本方法是： 知識獲取 → 知識表示 → 規則推理 → 給出建議或結論 它的貢獻是證明了“知識本身就是生產力”，但侷限也很明顯：專家的隱性經驗很難完整表達；規則數量增加後，維護和衝突處理越來越困難；系統通常只能在邊界清晰的狹窄領域工作；知識更新依賴人工，缺少自動學習能力。 後來的Cyc、語義網和知識圖譜，都是對大規模知識組織的繼續探索。知識圖譜取得了實際應用，但並沒有實現早期研究者設想的“把全部人類常識編碼後自然產生智能”。 4. 日本第五代計算機說明宏大工程不能替代真實需求 日本第五代計算機計劃希望以邏輯程序設計、Prolog和並行計算爲基礎，建立新一代智能計算機，由此引發美國和歐洲的戰略回應。 但計劃最終沒有證明自己能夠完成傳統計算機無法完成的任務。其問題不只是技術路線選錯，還包括：過早把尚未成熟的理論指定爲統一技術路線；由國家規劃替代市場和真實應用的反饋；把“新體系結構”誤認爲“新能力”；項目目標宏大，但缺少能夠持續創造價值的具體場景。 這段歷史說明，政府投入可以集中資源，卻不能通過行政規劃跳過技術驗證、工程迭代和用戶需求。 5. 神經網絡經歷了被追捧、被否定和重新崛起 神經網絡的思想可以追溯到麥卡洛克—皮茨神經元、Hebb學習規則和羅森布拉特的感知機。 早期感知機受到高度關注，但單層感知機無法解決某些非線性問題，加上算力和數據不足，神經網絡研究迅速進入低潮。 隨後，多層網絡、反向傳播、霍普菲爾德網絡以及並行分佈式處理重新推動連接主義發展。2006年以後，辛頓等人的工作，加上大規模數據、GPU算力和工程平臺，使深度學習再次成爲主流。 這段歷史最值得注意的地方是：許多後來被稱爲“革命”的思想並不新。真正改變結果的，往往是舊思想終於同時獲得了足夠的數據、算力、訓練方法和應用場景。 6. 計算機下棋是人工智能路線變化的縮影 從圖靈、香農研究計算機下棋，到IBM“深藍”擊敗卡斯帕羅夫，再到AlphaGo擊敗頂尖圍棋選手，棋類長期被視爲人工智能能力的試驗場。 “深藍”主要依賴大規模博弈樹搜索、α-β剪枝、人類棋譜和領域知識，以及專用硬件與強大算力。 AlphaGo則把監督學習、強化學習、價值網絡、策略網絡和蒙特卡洛樹搜索結合起來，並通過自我對弈持續改進。 兩者的差異體現了人工智能範式的變化：機器從依賴人工編寫大量評價規則，逐漸轉向從數據和反饋中學習策略。但棋類勝利仍是邊界清晰、規則穩定、反饋明確的任務成就，不能直接等同於機器已經獲得了人類意義上的通用智能。 7. 自然語言處理反覆擺動於規則、統計與神經網絡之間 早期機器翻譯曾因喬治敦實驗而引發巨大期待，但實際效果無法兌現，隨後遭遇資金削減。 喬姆斯基的句法理論推動了形式語言與句法分析；ELIZA和PARRY證明，簡單規則也能製造“似乎理解”的錯覺；SHRDLU在積木世界裏整合語言、知識表示和規劃，卻難以擴展到開放世界。 隨着語料和算力增加，統計機器翻譯重新崛起。其基本思想是不再完整描述語言規則，而是從大量雙語數據中學習對應關係。之後，神經機器翻譯進一步提升了流暢度和整體效果。 自然語言處理的發展反覆提出同一個問題：系統能夠生成正確答案，是因爲理解了語言，還是因爲掌握了足夠有效的模式？性能的提升沒有自動消除語義、常識、指稱和可解釋性問題。 8. 遺傳算法和強化學習都在向自然界借鑑 遺傳算法模擬種羣進化，通過選擇、交叉和變異尋找較優解；遺傳編程則把程序本身作爲進化對象。 強化學習模擬生物在環境中通過獎勵和懲罰調整行爲。其理論基礎包括馬爾可夫決策過程和動態規劃，關鍵矛盾是探索未知行動可能帶來的新機會，以及利用當前已知的最好策略獲得收益。 這些方法並不是複製自然界的全部機制，而是抽取某些可以計算的原則。它們證明自然能夠爲算法提供啓發，但“像自然”並不能自動保證方法有效，仍需明確問題結構、目標函數和計算代價。 9. 哲學批評揭示了“表現”和“理解”的區別 德雷弗斯批評人工智能忽略身體經驗、情境和日常世界；塞爾通過“中文屋”追問：僅僅按照規則正確處理符號，是否就等於理解語言；普特南的“缸中腦”則把問題擴展到指稱、經驗和外部世界。 這些思想實驗提醒我們：通過圖靈測試不一定意味着擁有意識；語法操作不一定產生語義理解；智能可能依賴身體、環境和社會互動；外在表現不能直接證明內在體驗。 但作者也反對哲學家僅憑模糊概念否定技術可能性。哲學批評如果想真正影響人工智能，也需要把問題整理成可交流、可分析甚至可檢驗的形式。 10. 丘奇—圖靈論題構成了現代人工智能的計算信念 圖靈機的意義不在於它像現實計算機，而在於它用極其簡單的結構刻畫了“什麼是計算”。 丘奇—圖靈論題認爲，所有有效的機械計算過程原則上都可以由圖靈機模擬。不同合理計算裝置之間通常也可以用多項式成本互相模擬。 如果人的智能完全來自物理過程，並且這些過程屬於可計算範圍，那麼原則上機器可能模擬人的智能。 但這裏仍有未解決的問題：可計算不等於能在可接受時間內計算；模擬人的行爲是否等於擁有人的體驗；量子計算或其他超計算模型是否會改變智能的理論邊界；人腦究竟只是經典計算裝置，還是包含尚未理解的機制。 現代人工智能基本建立在“智能可以被計算實現”這一前提上，但這個前提並沒有徹底解決意識和主體性問題。 11. 人工智能浪潮的動力是思想、算力、數據和資本共同作用 作者嘗試把智能放入更長的文明演化視角：人腦的進化與能源獲取有關，現代社會的信息處理能力則取決於計算設備數量、單機性能、數據和知識積累。 人工智能每次高潮都不只是學術事件，也受到計算能力提高、數據規模增加、工程基礎設施成熟、資本和國家戰略投入、媒體想象及標誌性事件共同推動。 問題在於，每輪高潮都容易產生過度承諾。當現實進展無法兌現承諾時，資金和關注便迅速撤退，形成所謂“人工智能寒冬”。 12. 超級智能問題不能脫離技術歷史討論 AlphaGo等系統在單項任務上超越人類，重新引發了對超級智能的想象。 樂觀者認爲，不同領域的單項能力會逐步連接成通用智能；懷疑者則認爲，狹窄任務中的高性能並不能自然產生常識、自主目標和統一認知能力。 作者沒有簡單給出“超級智能必然到來”或“不可能到來”的結論，而是提醒：人工智能歷史上充滿了錯誤預測，每一次熱潮都容易把局部突破解釋成總體突破。 判斷未來不能只看系統現在會做什麼，還要看它的能力能否跨任務遷移、能否在開放環境中持續學習，以及能否形成穩定的常識和目標體系。 反對的觀念 1. 反對“人工智能始於某一次會議” 達特茅斯會議賦予了研究共同體一個名稱，但人工智能的思想來源遠早於會議，並且來自多個不同學科。 2. 反對“人工智能沿着一條路線持續進步” 人工智能史更像多條路線之間的競爭與循環。被淘汰的路線可能在新條件下復興，今天的主流也可能再次進入低潮。 3. 反對“提出正確思想就等於解決了問題” 神經網絡、邏輯推理和強化學習的核心思想都出現得很早，但缺少數據、算力、工程和應用環境時，思想無法轉化爲可靠能力。 4. 反對“在封閉任務中獲勝就代表通用智能” 下棋、翻譯、問答和定理證明分別驗證了某種能力，但邊界清晰的任務成功，不能直接證明機器具備常識、意識和開放世界理解。 5. 反對“輸出正確就一定表示真正理解” ELIZA、中文屋和現代語言系統共同提出了這個問題：外部表現與內部理解之間，不能未經論證直接畫等號。 6. 反對“規模擴大可以解決所有問題” 更多數據和算力確實能夠提高性能，但不可計算性、計算複雜性、因果理解、常識和目標對齊未必能夠單靠規模解決。 7. 反對“技術高潮時期的預言必然兌現” 人工智能歷史中的很多十年預測最終落空。重大突破值得重視，但不能把能力增長曲線簡單外推成通用智能或超級智能的確定時間表。 8. 反對“哲學可以脫離技術細節指導人工智能” 哲學可以澄清概念、提出邊界問題，但如果不瞭解計算理論、算法和工程條件，批評也容易停留在語言層面。 本書最值得關注的核心觀點 1. 人工智能史本質上是路線競爭史 符號主義、連接主義、統計學習和進化計算並非簡單的前後替代關係。它們分別抓住了智能的某個側面，也分別受到自身假設的限制。 2. 技術突破常常是舊思想與新條件的重新組合 深度學習和強化學習並非突然出現。它們的爆發來自理論、數據、算力、算法改進和工程平臺在特定時點同時成熟。 3. 人工智能最危險的循環是“局部突破—宏大承諾—預期落空—資金退潮” 理解人工智能寒冬，不能只看技術是否進步，還要看技術承諾和現實能力之間的距離。 4. 智能表現、真正理解和主觀意識是三個不同問題 一個系統可以在任務上表現優秀，卻未必擁有語義理解；即使擁有某種理解，也不能由此證明它具有人類式的主觀體驗。 5. 可計算性與可實現性之間隔着計算複雜性 原則上可以計算的問題，如果需要難以承受的時間、能源和存儲資源，在現實中仍然不可用。人工智能的極限不僅由邏輯決定，也由資源約束決定。 6. 人工智能的成功從來不只是算法成功 數據、硬件、軟件、知識、資金、人才、應用場景和社會接受度共同決定一項技術能否真正產生影響。 個人啓示 1. 面對新一輪技術熱潮，先尋找它的歷史前身 很多“全新範式”其實是舊問題在新條件下的重現。瞭解它曾經爲什麼失敗，比只研究當前的成功案例更有價值。 2. 區分演示、產品和通用能力 一次驚豔演示只能說明任務能夠被完成；穩定產品還需要成本、可靠性、安全性和可維護性；通用能力則需要遷移、常識和開放環境適應能力。 3. 不要把模型能力等同於主體能力 模型可以生成語言、完成推理或模擬情感，但對“理解”“意識”“意圖”等判斷，需要先說明概念和證據標準。 4. 技術路線選擇要同時考慮理論與生態條件 理論漂亮但缺少場景，或者效果突出但成本不可接受，都難以形成可持續技術。判斷一條路線，應同時檢查數據、算力、反饋、工程和商業閉環。 5. 對預測保持開放，但降低時間表的自信 未來並非不能預測，但人工智能史證明，研究者經常高估短期變化、低估長期積累。與其猜測超級智能出現的年份，不如識別能力增長仍缺少哪些關鍵條件。 觀點評價 這本書最大的優點，是沒有把人工智能簡化成深度學習簡史，而是把自動定理證明、專家系統、知識表示、第五代計算機、神經網絡、計算機下棋、自然語言處理、遺傳算法、強化學習、計算理論和哲學爭論放進同一幅歷史圖景。 作者熟悉大量人物、論文和學術共同體，書中的人物關係、軼事與路線爭論，使人工智能史不再只是技術名詞的排列。尤其是對自動定理證明、專家系統和第五代計算機的討論，補充了很多大衆人工智能讀物經常忽略的歷史。 它的侷限同樣明顯。作者的語言鮮明，判斷有時帶有較強的個人立場，對部分人物和路線的評價略顯刻薄或武斷；章節之間的篇幅不均衡，自動定理證明部分非常深入，其他方向則相對簡略。最後關於智能進化、生死和永生的討論，與前面的技術史銜接較弱。 更重要的是，本書出版於2017年，沒有覆蓋Transformer、大語言模型、擴散模型、指令微調、RLHF、多模態和生成式AI浪潮。因此，它適合用來理解人工智能爲什麼會形成今天的格局，但不能單獨作爲了解當前人工智能技術狀態的資料。 一段話總結 《人工智能簡史》通過達特茅斯會議、自動定理證明、專家系統、第五代計算機、神經網絡、計算機下棋、自然語言處理、遺傳算法、強化學習以及人工智能哲學，呈現了一部多條技術路線反覆競爭、興盛和衰落的歷史。全書最重要的啓示是，人工智能從來不是某一種算法的直線勝利：邏輯提供了推理規則，專家系統凸顯知識的價值，神經網絡和統計學習展示了數據驅動能力，強化學習解決了反饋中的決策問題，而哲學和計算理論不斷追問機器表現、真正理解與主觀意識之間的差異。每一次人工智能高潮，都是舊思想與新算力、新數據、新工程條件的重新結合；每一次低潮，則往往源於宏大承諾超過了實際能力。理解人工智能的最好方式，不是追逐最新名詞或預測超級智能的具體年份，而是同時考察理論邊界、計算資源、工程條件、應用價值和社會影響，並始終區分任務上的成功、通用智能和真正意識。

作者不是大家但很專業，本書叫《人工智能簡史》有點太嚴肅，看完本書後，根據作者語言特點和全書內容，本書可以叫《大話人工智能》，及幽默又寬廣，嗯，符合尼克的特點。可您叫《人工智能簡史》一點都不好玩了，就不怕把您看成在學校裏沒事幹的老師？：） 輕鬆活潑，不失嚴謹，信息豐富，表述風趣，專深淺白，文理通透。這纔是好書！ 因爲名字太嚴肅，扣一個星。

Beauty is truth, truth beauty, — that is all Ye know on earth,and all ye need to know. ——John Keats（濟慈） 花了好長時間，終於磕磕絆絆地看完了這本書。 很多很長的人名，看過去就想不起來了，短短70年的時間，怎麼會有這麼多這麼厲害的人啊，愈發覺得自己的渺小與無知。 不知道作者到底是不是一個愛八卦的人，總之，在嚴肅的專業語句中間，穿插一些大佬們的奇聞軼事，還是起到很大的舒緩作用，不然我就真的棄療了。 總之和李開復的《人工智能》相比，好太多了★★★★★。

人工智能簡史，讀起來還是有點晦澀難懂，畢竟不是計算機專業，從哲學、生物學、計算機、數學、物理學、心理學等等，認識了圖靈、王浩、吳文俊等一代名家，哈佛、劍橋培養的人才不計其數，而我國大學卻沒有幾所書上有名，國人教育實在堪憂呀！希望將來，人工智能史上有更多的中國人的名字，爲人類歷史做出更大的貢獻！！！

較爲詳細的論述了人工智能的起源和發展過程，本質是研究大腦和智能，但涉及到諸如邏輯學、控制論、生物科學、認知科學、哲學等許多學科。涉及到各領域的大神，其觀點思路的分歧和鬥爭、影響和傳承，爲今天理解人工智能的發展和未來具有積極意義。

實話說，不是看得太懂，這和作者所說的外行人也能看個熱鬧的初衷差距太大。其一是因爲內容參雜了太多無用的八卦和作者自己的私念，比如大量八卦科學家之間的口角，甚而還有隱晦言語攻擊的嫌疑；其二是對關鍵理論壓根沒有進行通俗解釋，大量理論都是一筆帶過，完全不知所云，需要參考的閱讀量巨大，不知是不能通俗化？還是作者認爲講了讀者也看不懂呢？基於以上兩點，讓我有種讀高中歷史書的感覺，知道一些人工智能的歷史事件，然並卵！對想稍微深入地瞭解下理論知識的外行人來說沒多大幫助。 另一方面，當然如果從作者的角度，以稍微宏觀的視角來審視本書，那麼至少回溯了人工智能發展中的關鍵事件與人物，其實對於有相關基礎知識的人來說應該是不錯的。作爲門外漢，也至少知道了圖靈不僅僅是個密碼專家，而且也是現代計算機理論的奠基人，他那篇論可計算的數的開創性論文倒是勾起了很大閱讀興趣，中文版有本相關科普書籍《論可計算數：圖靈與現代計算的誕生》，大致瀏覽了下，應該是本不錯的科普書籍，需要了解相關知識的可以先閱讀該書。還有諸如邏輯與實現的衝突，數字與計算的分離，計算理論的探索，神經網絡和深度學習不是一條路子，現在大火的深度學習不過是人工智能領域裏的一個小分支等等信息對了解人工智能發展的全貌還是很有幫助的！ 所以該書不是一本好科普書籍，卻可以算作一本好歷史書，當作主題閱讀的引導讀物尚可，想從中瞭解進一步的理論知識則無用，沒精讀的必要。[發抖]

對這本書的感受就是一堆長的記不住的人名在battle，好像有發展路徑，但也不甚清晰。 實難認同作者說這本書對於非本專業的人也很好理解，通篇下來我也不知道看了個啥🌚

這本書跳出相對枯燥的技術語言，通過人物，故事較生動的闡述了人工智能發展史，人工智能並非一時興起，而是從1956年就開始探討和研究了。

22年的第45本書。 驚訝於今年已經看了45本書的同時，驚訝於今年纔看45本書。 言歸正傳。 《人工智能簡史》雖說能夠幫助我整體地瞭解人工智能的發展歷程，但是淺顯不足，深度也不足。所以說我認爲這本書可讀性不強，去豆瓣評了三星。 整體看下來，特別是最開始很容易勸退，專有名詞過多。如果對人工智能有些許興趣的讀者，建議不要以本書作爲啓蒙讀物，你可能會對它沒有興趣了。 ps：我發現頂尖的計算機學者多少有些哲學、生物學等多學科背景。 ◆“計算機科學關注人比關注計算機更多。” 正如書中雷納特所言：學習只在已知事物的邊緣發生，所以人們只可能學到與自己已知相似的新東西。如果你試圖學習的東西與你已知的東西距離不遠，那麼你就能學會。這個邊緣範圍越大（你已知的東西越多），就越可能發現新的東西。

首先翻譯的比較幽默讀起來會有醍醐灌頂一樣莫名的會笑。這本書是不單聊人工智能起源、也包含了計算機的部分起源信息、AI入門的朋友作爲了解這門學科的大起大落歷史背景是有一定幫助的、但如果沒有較深的邏輯思維和專業知識對於部分敘說讀起來會有些困惑、總結就是、作爲歷史過一遍、裏面的語句大多有文獻支持寫論文的朋友可參考。