图灵为何未亲自设计AI?

2024年初，中美AI行业发生了两件大事，进一步推动了1993年启动的第三次人工智能浪潮：OpenAI上线GPT商店，AI商业化进程加速；1月16日，中国智谱AI推出了比肩GPT-4的GLM-4大模型，为中国在全球AI领域的竞争增添砝码。

人工智能历经70余载，起伏不定，哪些故事值得铭记，哪些教训又需审视？

跨越七十年的华丽篇章

只为把“智能”装进机器

阿兰·图灵是一位传奇人物，他不仅是当代程序员的“祖师爷”，还是一名世界级长跑运动员，马拉松成绩为2小时46分03秒，仅比1948年奥运会金牌成绩慢11分钟。二战期间，他领导“Hut 8”小组破译德军密码，成为盟军在大西洋战役中击败轴心国海军的关键因素。

图灵也是个马拉松运动员｜midjourney

当然，我们今天要说的还是“人工智能”。

图灵被誉为计算机科学与人工智能之父，1950年，图灵首次提出“机器智能（Machine Intelligence）”的概念：“人类利用可用信息和推理来解决问题并做出决策，那么为什么机器不能做同样的事情呢？”

自那时起，无数科学家、科技企业为之奋斗——赋予机器以“智能”的革命悄然展开。70多年过去，“三次浪潮，两次低谷”，人工智能终于冲破层层阻碍，进入大众日常生活。

纵观三次人工智能浪潮，我们会发现一个有趣的现象：理论总是比现实更超前。不是科学家设计不出更好的人工智能，而是受限于当时的计算机技术，无法实现。

人工智能发展大事年表｜哈佛大学官网

图灵在1950年的论文《计算机器与智能》中提出了机器思维的概念和著名的图灵测试，是什么阻止了图灵开始工作？有两个原因。首先，在那个年代，计算机缺乏智能的一个关键先决条件：它们无法存储命令，只能执行命令。这意味着，计算机只能被告知要做什么，但不记得自己做了什么。第二，计算成本在上世纪50年代太昂贵了，租赁一台电脑每个月需要20万美元，笔者根据通货膨胀率做了换算，这相当于现在每月租金254万美元，名副其实的“有钱人的游戏”。

名副其实的“有钱人的游戏”｜midjourney

科学家之所以称之为科学家，是因为他们的研究总是着眼于未来，即使当下缺乏变成现实的条件。

图灵发表那篇著名的论文后仅两年，计算机科学家阿瑟·萨缪尔（Arthur Lee Samuel）开发出一款跳棋程序，并提出了“机器学习”这个概念。1956年的达特茅斯会议上，约翰·麦卡锡（John McCarthy）正式提出了“人工智能”这个词，1956年也就成为了实际意义上的人工智能元年。

至此，“人工智能”跨越了混沌初开的早期阶段，进入高速发展时期。多年后，当大众回看那个时代，称之为人工智能的“第一次浪潮”。

计算机科学与人工智能之父——阿兰·图灵

我们先来看看“第一次浪潮”给我们今天的生活留下了哪些遗产吧。说出来可能有些惊讶，我们今天使用的大多数软件追根溯源都是“第一次浪潮”的产物，或者说，基于一种叫“手动编码知识（Handcrafted Knowledge）”的人工智能。比如我们的Windows系统，智能手机应用程序，人行道上按下按钮等待红灯变绿的交通灯。这些都是人工智能（此处采用第一次浪潮中对人工智能的定义）。

这真算“人工智能”？

算。

人们对人工智能的理解一直在变化。30年前，如果你问路人，谷歌地图算不算人工智能，得到的答案是肯定的。这个软件能帮你规划最佳路线，还能用清晰的语言告诉你如何行驶，为什么不算？（谷歌地图应用确实是第一波人工智能的典型案例）

第一次人工智能浪潮主要基于清晰且逻辑的规则。系统会检查需要解决的每种情况下最重要的参数，并就每种情况下采取最适当的行动得出结论。每种情况的参数均由人类专家提前确定。因此，这种系统很难应对新的情况。他们也很难进行抽象——从某些情况中获取知识和见解，并将其应用于新问题。

总而言之，第一波人工智能系统能够为明确定义的问题实现简单的逻辑规则，但无法学习，并且很难处理不确定性。

1957年，罗森布拉特发明感知机，这是机器学习人工神经网络理论中神经元的最早模型，这一模型也使得人工神经网络理论得到了巨大的突破。乐观的情绪在科学界蔓延，第一次人工智能浪潮逐渐被推向高潮——挫败要来了。

感知器原理图｜加利福尼亚州立大学

1966年，人们发现好像人工智能的路走歪了。逻辑证明器、感知器、强化学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。为了更好地理解，我们建议读者脑补使用Windows系统的体验：一切功能都是提前设计好的，你无法教会这个系统做什么事，它也无法自己学习额外的知识。

另一方面，当时的计算机面临内存有限和处理速度不足的挑战，解决实际的人工智能问题变得十分困难。研究者们迅速认识到，要求程序具备儿童般的世界认知水平是一个过高的期望。在那个时候，没有人能够构建出满足人工智能需求的庞大数据库，也没有人知道如何让程序获取如此丰富的信息。与此同时，许多计算任务的复杂度呈指数级增加，使得完成这些任务变得几乎不可能。

科学家进入了死胡同，人工智能发展也进入了“蛰伏期”。

这一等，就是十多年。

当时间来到了20世纪80年代，两个关键突破重新点燃了“第二次人工智能浪潮”：深度学习和专家系统。

约翰·霍普菲尔德 (John Hopfield) 和大卫·鲁梅尔哈特 (David Rumelhart) 推广了“深度学习”技术，使计算机能够利用经验进行学习。这意味着人工智能可以处理那些“没有提前设定”的问题，它具备了学习能力。另一方面，爱德华·费根鲍姆（Edward Feigenbaum）引入了专家系统，它模仿了人类专家的决策过程。

总的来说，第二次人工智能浪潮改变了人工智能的发展方向。科学家放弃了符号学派思路，改用统计学的思路来研究人工智能。深度学习和专家系统的引入让机器能够根据领域内的专业知识，推理出专业问题的答案。

因此，第二次人工智能浪潮也叫“统计学习（Statistical Learning）”时代。

关于这一次浪潮，笔者想要强调两点，第一，为何它如此重要？第二，它无法克服的弊端是什么？

第二次浪潮时间很短，但通过引入“统计学习系统”，工程师和程序员不会费心去教授系统要遵循的精确规则（第一次浪潮的理念）。相反，他们为某些类型的问题开发统计模型，然后在许多不同的样本上“训练”这些模型，使它们更加精确和高效。

此外，第二波系统还引入了人工神经网络的概念。在人工神经网络中，数据经过计算层，每个计算层以不同的方式处理数据并将其传输到下一个级别。通过训练每一层以及整个网络，它们可以产生最准确的结果。

神经网络示意图｜Pixabay

这些都为第三次人工智能浪潮奠定了基础，而且留下了庞大的遗产，我们今天依然在使用。比如人脸识别、语音转录、图片识别，以及自主汽车和无人机的部分功能，都来自于这次浪潮的成果。

但是，这套系统有一个巨大的弊端。根据美国国防高级研究计划局（DARPA）指出，我们尚不清楚人工神经网络背后的实际运行规则，也就是说，这套系统运行良好，但是我们不知道为什么运行得这么好。这就好比人可以把球抛到空中，并且能大概判断球会落在哪里，如果你问他，你是如何做出判断的，是根据牛顿力学定律计算的吗？他无法回答，但他就是知道。

这暴露了一种因果关系挑战，因为“看不到因果”。第二套系统依赖数据输入，数据输出做决策，缺乏因果会导致严重后果：这个系统容易学坏。

微软曾经设计了一个机器人叫“Tai”，他可以顺畅地和人聊天，但如果有越来越多的人告诉他“希特勒是个好人”，它就会逐渐接受这个结论。

这些难题，留给了第三次人工智能浪潮来解决。

这次浪潮也是目前我们所正在经历的，也称之为“情景适应（Contextual Adaptation）”。如果非要确定一个时间节点，应该是1993年之后。摩尔定律让计算机算力急速提升，大数据的发展让海量数据存储和分析成为可能。