AI科普｜从图灵测试到神经网络：AI七十年黎明史

本文节选自交互式科普电子书《AI是如何思考的》👉 在线阅读

当机器开始"思考"

1950年，阿兰·图灵在《心智》杂志上发表了一篇划时代的论文《计算机器与智能》。他提出了一个看似简单的问题：机器能思考吗？为了方便讨论，他把问题转化为"图灵测试"——如果一台机器在文本对话中让人类裁判无法区分它与真人，我们是否应该说这台机器具有智能？

六年后的1956年夏天，达特茅斯学院的数学楼里，约翰·麦卡锡、马文·明斯基、克劳德·香农等十位年轻学者聚在一起。他们充满信心地宣称："学习的每一个方面或智能的任何特征，原则上都可以被精确描述，以至于可以制造一台机器来模拟它。"这是"人工智能"这个词第一次正式被使用。

但接下来七十年，AI经历了一场不折不扣的过山车之旅。

两次AI寒冬

1960年代的乐观很快破灭。早期AI系统使用符号主义——用逻辑规则模拟推理，但它们无法处理模糊、不确定的现实世界。英国政府在1973年发布的《莱特希尔报告》严厉批评AI研究"未能在任何实际领域取得进展"，直接导致英国AI研究经费被腰斩。第一次AI寒冬降临。

1987年，AI产业再次崩塌。这次的原因更有戏剧性：日本在1981年雄心勃勃启动了"第五代计算机"计划，美国立即跟进巨资投入。但当日本在1992年悄悄放弃这个项目时，整个西方AI产业随之崩溃。原因很简单——过度承诺，交付不足。

冰层下的火种

在两次寒冬中，有一些人在坚持。Geoffrey Hinton、Yann LeCun、Yoshua Bengio——后来被称为"深度学习三巨头"的他们，在整个1990年代和2000年代，在学术会议上几乎是被孤立的。LeCun后来回忆说，“如果论文提到神经网络，审稿人几乎会自动拒绝。”

但他们没有放弃。回头看，有三个里程碑奠定了当代AI的基础：

• 1997年，IBM的深蓝击败国际象棋世界冠军卡斯帕罗夫。这是专用AI的胜利——深蓝不能下围棋，不能写诗，但它证明了机器在特定任务上可以超越人类。
  • 2012年，Hinton的学生Alex Krizhevsky用两块游戏显卡（GTX 580）训练了一个名叫AlexNet的神经网络，在ImageNet图像识别竞赛中以碾压级优势夺冠。深度学习时代正式开启。
  • 2016年，DeepMind的AlphaGo击败围棋世界冠军李世石。这一步的意义远超深蓝——围棋的复杂度远超国际象棋，AlphaGo展示了"直觉"可以通过大量自我对弈来学习。

ChatGPT与Agent元年

2022年11月30日，OpenAI发布了ChatGPT。五天后用户突破100万；两个月后月活超过1亿——这是人类历史上增长速度最快的消费级应用。

到了2026年，AI Agent已经从概念变成了产品。从回答问题到自主决策，AI正在学会"做事"。微软的Copilot、各种浏览器Agent、企业自动化工具——AI正在嵌入我们使用的每一个软件。

中文房间：你不能不面对的问题

在序章的最后，有一个思想实验值得每个人认真思考。1980年，哲学家约翰·塞尔提出了著名的"中文房间论证"：

想象你被关在一个房间里，你不懂中文。房间里有一本英文写成的规则手册，告诉你如何将收到的中文字符转换成另一些中文字符。一个懂中文的人在门外通过小窗递入问题，你按照手册操作，给出回答。门外的人认为你完全理解中文——但实际上你只是在机械地操作符号。

塞尔的核心论点是：计算机程序正是如此——它们根据句法规则操作符号，但符号操作本身不产生语义理解。无论神经网络建得多大、训练数据多丰富，只要它本质上还在进行统计模式匹配（句法操作），它就永远不会真正"理解"任何东西。

这个论证至今没有定论，但它提出了一个根本问题：当我们说AI"思考"时，我们到底在说什么？

神经网络：用数学模仿大脑

一个神经元的价值

大脑大约有860亿个神经元，每个神经元通过树突接收电信号，当信号积累超过阈值时，神经元"放电"，通过轴突将信号传递给下游神经元。

1943年，Warren McCulloch和Walter Pitts用一个极其简单的数学模型模拟了这一过程：多个输入信号的加权求和，经过一个阈值函数产生输出。这就是人工神经元的起点。

1957年，康奈尔大学的心理学家弗兰克·罗森布拉特将这个想法具体化为感知机——最早的神经网络雏形。罗森布拉特甚至造出了Mark I感知机，用400个光电管作为"视网膜"，连接到一个20×20的传感器阵列，能够识别简单的字母图案。

XOR问题：一个逻辑门如何击垮了整个领域

1969年，马文·明斯基和西摩·佩珀特出版了《感知机》一书，书中提出了一个毁灭性的问题：单层感知机无法解决XOR（异或）问题。

XOR是一个逻辑运算：0 XOR 0 = 0，0 XOR 1 = 1，1 XOR 0 = 1，1 XOR 1 = 0。感知机只能在线性可分的问题上工作——即可以在平面上画一条直线将两种结果分开的问题。XOR不满足这个条件。

这个发现直接导致了连接主义研究的冰冻期。明斯基的权威让整整一代研究者远离了神经网络。

反向传播：1986年的圣诞礼物

问题的解决方案其实在1970年代就出现了。年轻的芬兰学生Seppo Linnainmaa在硕士论文中提出了反向模式自动微分——这正是反向传播的数学核心。但他不是AI领域的研究者，他的工作被完全忽视了。

1986年，David Rumelhart、Geoffrey Hinton和Ronald Williams独立重新发现了这一算法，并发表了里程碑式的论文。他们向世界证明：通过把误差从输出层逐层反向传播到输入层，多层神经网络是可以训练的。XOR问题迎刃而解。

一个神经元的数学本质

现代人工神经元的运算逻辑非常直观：

输出 = g(w1*x1 + w2*x2 + ... + wn*xn + b)

其中x是输入，w是权重（决定信号强度），b是偏置（决定神经元容易激发的程度），g是激活函数（引入非线性）。

把成千上万个这样的神经元组织起来，就得到了多层感知机（MLP）：输入层 → 隐藏层（可以有多层） → 输出层。这就是"深度学习"中"深"的来源。

激活函数的进化

激活函数经历了三代进化：

时代	函数	特点
1950s-2000s	Sigmoid	输出在(0,1)之间，平滑但导致梯度消失
2012年后	ReLU（修正线性单元）	f(x)=max(0,x)，简单暴力地解决了梯度消失
2020年后	GELU（高斯误差线性单元）	更平滑的非线性，成为Transformer标配

ReLU的成功有一个极其朴素的原因：它在x>0时的导数是恒定的1，不会像Sigmoid那样衰减。AlexNet的成功在很大程度上归功于使用ReLU而不是Sigmoid。

损失函数与梯度下降

网络如何"学习"？核心是三个步骤：

1. 前向传播：输入数据通过网络，得到预测值
   2. 计算损失：用损失函数衡量预测值偏离真实值的程度
   3. 反向传播 + 梯度下降：沿着损失下降最快的方向，微调每一个权重

用Hinton最喜欢的比喻：你蒙着眼睛站在山上，想走到山谷最低点。每一步，你感受脚底的地形，找到最陡的下坡方向，迈出一小步。重复这个过程，你最终会走到一个低洼处。这个"感受地形"就是计算梯度，"迈一小步"就是更新参数。

学习率 η 决定了每一步的大小：太小，训练太慢；太大，可能在最小值附近来回跳跃，永远无法收敛。

从1943到2026：八十年一条线

时间	里程碑
1943	McCulloch-Pitts 神经元模型
1957	罗森布拉特提出感知机、《纽约时报》预测AI将"走路、说话、写诗"
1969	明斯基《感知机》指出XOR问题，连接主义进入寒冬
1986	反向传播论文发表，多层网络重新燃起希望
2012	AlexNet在ImageNet大胜，ReLU + GPU + 大数据范式确立
2018	Hinton、LeCun、Bengio共享图灵奖

这群在"神经网络寒冬"中坚守的研究者，用四十年证明了一个朴素的真理：在科学中，正确的东西最终会胜出——只是有时候胜利来得比预期晚得多。

---

标签建议：#AI #神经网络 #深度学习 #图灵测试 #感知机 #反向传播 #AI历史 #科普