人工智能简史

《人工智能简史》核心拆解 作者：尼克 一句话概括 人工智能不是一条由落后走向先进的直线，而是一部由符号主义、连接主义、统计学习、进化计算等路线反复竞争，在理论、数据、算力、工程和社会期待共同作用下不断兴衰重组的历史。 核心逻辑 全书不是按今天常见的“机器学习知识体系”来写，而是沿着人工智能试图解决的核心问题展开： 机器能否推理 → 能否拥有知识 → 能否学习 → 能否理解语言 → 能否在复杂环境中决策 → 是否真正理解 → 是否可能超过人类 对应的技术演变大致是： 形式逻辑与符号推理 → 自动定理证明 → 专家系统和知识表示 → 神经网络 → 统计学习 → 深度学习 → 强化学习 → 超级智能与意识问题 作者真正关心的不是哪种算法暂时领先，而是一项人工智能技术为什么会在某个时代兴起、它为什么经常从宏大承诺走向低潮，以及一个系统表现得像人是否意味着它真的拥有理解和智能。 核心内容 1. 达特茅斯会议不是凭空创造了人工智能 1956年的达特茅斯会议通常被称为人工智能的诞生地，但在此之前，数理逻辑、控制论、信息论、神经科学、心理学和计算机科学已经为它准备了思想基础。 麦卡锡、明斯基、香农、纽厄尔和司马贺等人代表的也不是完全相同的方向：一部分人希望模拟神经系统，一部分人希望用逻辑描述理性，一部分人研究问题求解、搜索和人的认知过程，还有一部分人关心机器能否学习和自我调整。 因此，人工智能从诞生之初就不是一个理论统一的学科，而是多个研究传统临时汇合形成的共同体。这也解释了后来的长期争论：符号还是连续、逻辑还是心理、规则还是学习、模拟大脑还是直接实现智能行为。 2. 自动定理证明代表了符号主义最纯粹的理想 自动定理证明希望把逻辑演算和数学证明转化为机器可以执行的形式过程。机器不需要像人一样产生直觉，只要能够根据规则，把前提不断归约为结论。 罗宾逊的归结原理与合一算法极大地简化了一阶逻辑的自动证明，项重写则把证明理解为按照规则不断变换公式。 这条路线取得了真实成果，但也很快遇到几个问题：搜索空间会发生组合爆炸；证明器通常只能回答“是否成立”，难以提供丰富解释；形式化知识成本很高；很多证明虽然机器可以验证，人却无法阅读和理解；独立证明系统很少与其他数学工具和实际工作流程结合。 自动定理证明的兴衰说明：理论上的可计算，不等于工程上的可行；机器能够找到证明，也不等于人能够理解这个证明。 3. 专家系统把“通用智能”转向“领域知识” 早期研究者逐渐发现，仅靠通用搜索和推理无法解决现实问题。真正产生价值的，往往是某个领域中大量具体、隐性的专业知识。 DENDRAL根据质谱数据推断化学结构，MYCIN帮助诊断细菌感染，XCON用于配置计算机系统。这些项目推动了专家系统的黄金时代。 专家系统的基本方法是： 知识获取 → 知识表示 → 规则推理 → 给出建议或结论 它的贡献是证明了“知识本身就是生产力”，但局限也很明显：专家的隐性经验很难完整表达；规则数量增加后，维护和冲突处理越来越困难；系统通常只能在边界清晰的狭窄领域工作；知识更新依赖人工，缺少自动学习能力。 后来的Cyc、语义网和知识图谱，都是对大规模知识组织的继续探索。知识图谱取得了实际应用，但并没有实现早期研究者设想的“把全部人类常识编码后自然产生智能”。 4. 日本第五代计算机说明宏大工程不能替代真实需求 日本第五代计算机计划希望以逻辑程序设计、Prolog和并行计算为基础，建立新一代智能计算机，由此引发美国和欧洲的战略回应。 但计划最终没有证明自己能够完成传统计算机无法完成的任务。其问题不只是技术路线选错，还包括：过早把尚未成熟的理论指定为统一技术路线；由国家规划替代市场和真实应用的反馈；把“新体系结构”误认为“新能力”；项目目标宏大，但缺少能够持续创造价值的具体场景。 这段历史说明，政府投入可以集中资源，却不能通过行政规划跳过技术验证、工程迭代和用户需求。 5. 神经网络经历了被追捧、被否定和重新崛起 神经网络的思想可以追溯到麦卡洛克—皮茨神经元、Hebb学习规则和罗森布拉特的感知机。 早期感知机受到高度关注，但单层感知机无法解决某些非线性问题，加上算力和数据不足，神经网络研究迅速进入低潮。 随后，多层网络、反向传播、霍普菲尔德网络以及并行分布式处理重新推动连接主义发展。2006年以后，辛顿等人的工作，加上大规模数据、GPU算力和工程平台，使深度学习再次成为主流。 这段历史最值得注意的地方是：许多后来被称为“革命”的思想并不新。真正改变结果的，往往是旧思想终于同时获得了足够的数据、算力、训练方法和应用场景。 6. 计算机下棋是人工智能路线变化的缩影 从图灵、香农研究计算机下棋，到IBM“深蓝”击败卡斯帕罗夫，再到AlphaGo击败顶尖围棋选手，棋类长期被视为人工智能能力的试验场。 “深蓝”主要依赖大规模博弈树搜索、α-β剪枝、人类棋谱和领域知识，以及专用硬件与强大算力。 AlphaGo则把监督学习、强化学习、价值网络、策略网络和蒙特卡洛树搜索结合起来，并通过自我对弈持续改进。 两者的差异体现了人工智能范式的变化：机器从依赖人工编写大量评价规则，逐渐转向从数据和反馈中学习策略。但棋类胜利仍是边界清晰、规则稳定、反馈明确的任务成就，不能直接等同于机器已经获得了人类意义上的通用智能。 7. 自然语言处理反复摆动于规则、统计与神经网络之间 早期机器翻译曾因乔治敦实验而引发巨大期待，但实际效果无法兑现，随后遭遇资金削减。 乔姆斯基的句法理论推动了形式语言与句法分析；ELIZA和PARRY证明，简单规则也能制造“似乎理解”的错觉；SHRDLU在积木世界里整合语言、知识表示和规划，却难以扩展到开放世界。 随着语料和算力增加，统计机器翻译重新崛起。其基本思想是不再完整描述语言规则，而是从大量双语数据中学习对应关系。之后，神经机器翻译进一步提升了流畅度和整体效果。 自然语言处理的发展反复提出同一个问题：系统能够生成正确答案，是因为理解了语言，还是因为掌握了足够有效的模式？性能的提升没有自动消除语义、常识、指称和可解释性问题。 8. 遗传算法和强化学习都在向自然界借鉴 遗传算法模拟种群进化，通过选择、交叉和变异寻找较优解；遗传编程则把程序本身作为进化对象。 强化学习模拟生物在环境中通过奖励和惩罚调整行为。其理论基础包括马尔可夫决策过程和动态规划，关键矛盾是探索未知行动可能带来的新机会，以及利用当前已知的最好策略获得收益。 这些方法并不是复制自然界的全部机制，而是抽取某些可以计算的原则。它们证明自然能够为算法提供启发，但“像自然”并不能自动保证方法有效，仍需明确问题结构、目标函数和计算代价。 9. 哲学批评揭示了“表现”和“理解”的区别 德雷弗斯批评人工智能忽略身体经验、情境和日常世界；塞尔通过“中文屋”追问：仅仅按照规则正确处理符号，是否就等于理解语言；普特南的“缸中脑”则把问题扩展到指称、经验和外部世界。 这些思想实验提醒我们：通过图灵测试不一定意味着拥有意识；语法操作不一定产生语义理解；智能可能依赖身体、环境和社会互动；外在表现不能直接证明内在体验。 但作者也反对哲学家仅凭模糊概念否定技术可能性。哲学批评如果想真正影响人工智能，也需要把问题整理成可交流、可分析甚至可检验的形式。 10. 丘奇—图灵论题构成了现代人工智能的计算信念 图灵机的意义不在于它像现实计算机，而在于它用极其简单的结构刻画了“什么是计算”。 丘奇—图灵论题认为，所有有效的机械计算过程原则上都可以由图灵机模拟。不同合理计算装置之间通常也可以用多项式成本互相模拟。 如果人的智能完全来自物理过程，并且这些过程属于可计算范围，那么原则上机器可能模拟人的智能。 但这里仍有未解决的问题：可计算不等于能在可接受时间内计算；模拟人的行为是否等于拥有人的体验；量子计算或其他超计算模型是否会改变智能的理论边界；人脑究竟只是经典计算装置，还是包含尚未理解的机制。 现代人工智能基本建立在“智能可以被计算实现”这一前提上，但这个前提并没有彻底解决意识和主体性问题。 11. 人工智能浪潮的动力是思想、算力、数据和资本共同作用 作者尝试把智能放入更长的文明演化视角：人脑的进化与能源获取有关，现代社会的信息处理能力则取决于计算设备数量、单机性能、数据和知识积累。 人工智能每次高潮都不只是学术事件，也受到计算能力提高、数据规模增加、工程基础设施成熟、资本和国家战略投入、媒体想象及标志性事件共同推动。 问题在于，每轮高潮都容易产生过度承诺。当现实进展无法兑现承诺时，资金和关注便迅速撤退，形成所谓“人工智能寒冬”。 12. 超级智能问题不能脱离技术历史讨论 AlphaGo等系统在单项任务上超越人类，重新引发了对超级智能的想象。 乐观者认为，不同领域的单项能力会逐步连接成通用智能；怀疑者则认为，狭窄任务中的高性能并不能自然产生常识、自主目标和统一认知能力。 作者没有简单给出“超级智能必然到来”或“不可能到来”的结论，而是提醒：人工智能历史上充满了错误预测，每一次热潮都容易把局部突破解释成总体突破。 判断未来不能只看系统现在会做什么，还要看它的能力能否跨任务迁移、能否在开放环境中持续学习，以及能否形成稳定的常识和目标体系。 反对的观念 1. 反对“人工智能始于某一次会议” 达特茅斯会议赋予了研究共同体一个名称，但人工智能的思想来源远早于会议，并且来自多个不同学科。 2. 反对“人工智能沿着一条路线持续进步” 人工智能史更像多条路线之间的竞争与循环。被淘汰的路线可能在新条件下复兴，今天的主流也可能再次进入低潮。 3. 反对“提出正确思想就等于解决了问题” 神经网络、逻辑推理和强化学习的核心思想都出现得很早，但缺少数据、算力、工程和应用环境时，思想无法转化为可靠能力。 4. 反对“在封闭任务中获胜就代表通用智能” 下棋、翻译、问答和定理证明分别验证了某种能力，但边界清晰的任务成功，不能直接证明机器具备常识、意识和开放世界理解。 5. 反对“输出正确就一定表示真正理解” ELIZA、中文屋和现代语言系统共同提出了这个问题：外部表现与内部理解之间，不能未经论证直接画等号。 6. 反对“规模扩大可以解决所有问题” 更多数据和算力确实能够提高性能，但不可计算性、计算复杂性、因果理解、常识和目标对齐未必能够单靠规模解决。 7. 反对“技术高潮时期的预言必然兑现” 人工智能历史中的很多十年预测最终落空。重大突破值得重视，但不能把能力增长曲线简单外推成通用智能或超级智能的确定时间表。 8. 反对“哲学可以脱离技术细节指导人工智能” 哲学可以澄清概念、提出边界问题，但如果不了解计算理论、算法和工程条件，批评也容易停留在语言层面。 本书最值得关注的核心观点 1. 人工智能史本质上是路线竞争史 符号主义、连接主义、统计学习和进化计算并非简单的前后替代关系。它们分别抓住了智能的某个侧面，也分别受到自身假设的限制。 2. 技术突破常常是旧思想与新条件的重新组合 深度学习和强化学习并非突然出现。它们的爆发来自理论、数据、算力、算法改进和工程平台在特定时点同时成熟。 3. 人工智能最危险的循环是“局部突破—宏大承诺—预期落空—资金退潮” 理解人工智能寒冬，不能只看技术是否进步，还要看技术承诺和现实能力之间的距离。 4. 智能表现、真正理解和主观意识是三个不同问题 一个系统可以在任务上表现优秀，却未必拥有语义理解；即使拥有某种理解，也不能由此证明它具有人类式的主观体验。 5. 可计算性与可实现性之间隔着计算复杂性 原则上可以计算的问题，如果需要难以承受的时间、能源和存储资源，在现实中仍然不可用。人工智能的极限不仅由逻辑决定，也由资源约束决定。 6. 人工智能的成功从来不只是算法成功 数据、硬件、软件、知识、资金、人才、应用场景和社会接受度共同决定一项技术能否真正产生影响。 个人启示 1. 面对新一轮技术热潮，先寻找它的历史前身 很多“全新范式”其实是旧问题在新条件下的重现。了解它曾经为什么失败，比只研究当前的成功案例更有价值。 2. 区分演示、产品和通用能力 一次惊艳演示只能说明任务能够被完成；稳定产品还需要成本、可靠性、安全性和可维护性；通用能力则需要迁移、常识和开放环境适应能力。 3. 不要把模型能力等同于主体能力 模型可以生成语言、完成推理或模拟情感，但对“理解”“意识”“意图”等判断，需要先说明概念和证据标准。 4. 技术路线选择要同时考虑理论与生态条件 理论漂亮但缺少场景，或者效果突出但成本不可接受，都难以形成可持续技术。判断一条路线，应同时检查数据、算力、反馈、工程和商业闭环。 5. 对预测保持开放，但降低时间表的自信 未来并非不能预测，但人工智能史证明，研究者经常高估短期变化、低估长期积累。与其猜测超级智能出现的年份，不如识别能力增长仍缺少哪些关键条件。 观点评价 这本书最大的优点，是没有把人工智能简化成深度学习简史，而是把自动定理证明、专家系统、知识表示、第五代计算机、神经网络、计算机下棋、自然语言处理、遗传算法、强化学习、计算理论和哲学争论放进同一幅历史图景。 作者熟悉大量人物、论文和学术共同体，书中的人物关系、轶事与路线争论，使人工智能史不再只是技术名词的排列。尤其是对自动定理证明、专家系统和第五代计算机的讨论，补充了很多大众人工智能读物经常忽略的历史。 它的局限同样明显。作者的语言鲜明，判断有时带有较强的个人立场，对部分人物和路线的评价略显刻薄或武断；章节之间的篇幅不均衡，自动定理证明部分非常深入，其他方向则相对简略。最后关于智能进化、生死和永生的讨论，与前面的技术史衔接较弱。 更重要的是，本书出版于2017年，没有覆盖Transformer、大语言模型、扩散模型、指令微调、RLHF、多模态和生成式AI浪潮。因此，它适合用来理解人工智能为什么会形成今天的格局，但不能单独作为了解当前人工智能技术状态的资料。 一段话总结 《人工智能简史》通过达特茅斯会议、自动定理证明、专家系统、第五代计算机、神经网络、计算机下棋、自然语言处理、遗传算法、强化学习以及人工智能哲学，呈现了一部多条技术路线反复竞争、兴盛和衰落的历史。全书最重要的启示是，人工智能从来不是某一种算法的直线胜利：逻辑提供了推理规则，专家系统凸显知识的价值，神经网络和统计学习展示了数据驱动能力，强化学习解决了反馈中的决策问题，而哲学和计算理论不断追问机器表现、真正理解与主观意识之间的差异。每一次人工智能高潮，都是旧思想与新算力、新数据、新工程条件的重新结合；每一次低潮，则往往源于宏大承诺超过了实际能力。理解人工智能的最好方式，不是追逐最新名词或预测超级智能的具体年份，而是同时考察理论边界、计算资源、工程条件、应用价值和社会影响，并始终区分任务上的成功、通用智能和真正意识。

作者不是大家但很专业，本书叫《人工智能简史》有点太严肃，看完本书后，根据作者语言特点和全书内容，本书可以叫《大话人工智能》，及幽默又宽广，嗯，符合尼克的特点。可您叫《人工智能简史》一点都不好玩了，就不怕把您看成在学校里没事干的老师？：） 轻松活泼，不失严谨，信息丰富，表述风趣，专深浅白，文理通透。这才是好书！ 因为名字太严肃，扣一个星。

Beauty is truth, truth beauty, — that is all Ye know on earth,and all ye need to know. ——John Keats（济慈） 花了好长时间，终于磕磕绊绊地看完了这本书。 很多很长的人名，看过去就想不起来了，短短70年的时间，怎么会有这么多这么厉害的人啊，愈发觉得自己的渺小与无知。 不知道作者到底是不是一个爱八卦的人，总之，在严肃的专业语句中间，穿插一些大佬们的奇闻轶事，还是起到很大的舒缓作用，不然我就真的弃疗了。 总之和李开复的《人工智能》相比，好太多了★★★★★。

人工智能简史，读起来还是有点晦涩难懂，毕竟不是计算机专业，从哲学、生物学、计算机、数学、物理学、心理学等等，认识了图灵、王浩、吴文俊等一代名家，哈佛、剑桥培养的人才不计其数，而我国大学却没有几所书上有名，国人教育实在堪忧呀！希望将来，人工智能史上有更多的中国人的名字，为人类历史做出更大的贡献！！！

较为详细的论述了人工智能的起源和发展过程，本质是研究大脑和智能，但涉及到诸如逻辑学、控制论、生物科学、认知科学、哲学等许多学科。涉及到各领域的大神，其观点思路的分歧和斗争、影响和传承，为今天理解人工智能的发展和未来具有积极意义。

实话说，不是看得太懂，这和作者所说的外行人也能看个热闹的初衷差距太大。其一是因为内容参杂了太多无用的八卦和作者自己的私念，比如大量八卦科学家之间的口角，甚而还有隐晦言语攻击的嫌疑；其二是对关键理论压根没有进行通俗解释，大量理论都是一笔带过，完全不知所云，需要参考的阅读量巨大，不知是不能通俗化？还是作者认为讲了读者也看不懂呢？基于以上两点，让我有种读高中历史书的感觉，知道一些人工智能的历史事件，然并卵！对想稍微深入地了解下理论知识的外行人来说没多大帮助。 另一方面，当然如果从作者的角度，以稍微宏观的视角来审视本书，那么至少回溯了人工智能发展中的关键事件与人物，其实对于有相关基础知识的人来说应该是不错的。作为门外汉，也至少知道了图灵不仅仅是个密码专家，而且也是现代计算机理论的奠基人，他那篇论可计算的数的开创性论文倒是勾起了很大阅读兴趣，中文版有本相关科普书籍《论可计算数：图灵与现代计算的诞生》，大致浏览了下，应该是本不错的科普书籍，需要了解相关知识的可以先阅读该书。还有诸如逻辑与实现的冲突，数字与计算的分离，计算理论的探索，神经网络和深度学习不是一条路子，现在大火的深度学习不过是人工智能领域里的一个小分支等等信息对了解人工智能发展的全貌还是很有帮助的！ 所以该书不是一本好科普书籍，却可以算作一本好历史书，当作主题阅读的引导读物尚可，想从中了解进一步的理论知识则无用，没精读的必要。[发抖]

对这本书的感受就是一堆长的记不住的人名在battle，好像有发展路径，但也不甚清晰。 实难认同作者说这本书对于非本专业的人也很好理解，通篇下来我也不知道看了个啥🌚

这本书跳出相对枯燥的技术语言，通过人物，故事较生动的阐述了人工智能发展史，人工智能并非一时兴起，而是从1956年就开始探讨和研究了。

22年的第45本书。 惊讶于今年已经看了45本书的同时，惊讶于今年才看45本书。 言归正传。 《人工智能简史》虽说能够帮助我整体地了解人工智能的发展历程，但是浅显不足，深度也不足。所以说我认为这本书可读性不强，去豆瓣评了三星。 整体看下来，特别是最开始很容易劝退，专有名词过多。如果对人工智能有些许兴趣的读者，建议不要以本书作为启蒙读物，你可能会对它没有兴趣了。 ps：我发现顶尖的计算机学者多少有些哲学、生物学等多学科背景。 ◆“计算机科学关注人比关注计算机更多。” 正如书中雷纳特所言：学习只在已知事物的边缘发生，所以人们只可能学到与自己已知相似的新东西。如果你试图学习的东西与你已知的东西距离不远，那么你就能学会。这个边缘范围越大（你已知的东西越多），就越可能发现新的东西。

首先翻译的比较幽默读起来会有醍醐灌顶一样莫名的会笑。这本书是不单聊人工智能起源、也包含了计算机的部分起源信息、AI入门的朋友作为了解这门学科的大起大落历史背景是有一定帮助的、但如果没有较深的逻辑思维和专业知识对于部分叙说读起来会有些困惑、总结就是、作为历史过一遍、里面的语句大多有文献支持写论文的朋友可参考。