智慧之问 · 开篇 AI的诞生与演进
人工智能三杰
在前文论述中，得出这样一个结论：人类被束缚在符号的枷锁里。无论是将世界强行定义为B=B的逻辑闭环，还是凭经验去衡量那只“弹性容器”，都无法触及其本质——名与实之间，总是隔着一道难以消弭的鸿沟。
面对这种深层次的“名实隔阂”，存在这样一类思路：既然无法参透，那就造一个看似“更超然”的存在——它无需承受感知带来的波动，无需被情感所困扰，无需在语言的漂移中反复跌倒；只要依托结构，便能推导；只要进行运算，便能给出结论。
这并非人工智能出现的全部根由，却可能是其中最隐匿的一类渴望：寻觅一种途径，替我们承担思索的艰辛。
人工智能的叙事，首先源自一个古老的念想：能否摒弃纷繁的感知，将世界转化为一套纯粹的符号，让因果在符号内部完整呈现？
人类很早就尝试以结构摆脱经验的朦胧。《周易》的八卦便提供了一种原始的启示：阴与阳，断与连，有限的基本形态，透过排列组合，去阐释无尽的变化。它聚焦的不是“事物在现实中的感知方式”，而是“事物能否被纳入一套可运作的对应体系”。
这虽非人工智能的历史起点，却在形态上近似某种原始的萌芽：输入形态，获得判断；沿袭结构，推出演变。
近代，这种理念被形式化为更宏大的愿景：莱布尼茨曾构思一种“ Universal Characteristic”，期望将人类知识转化为可计算的符号体系。若此成真，辩论便无需辩驳——“让我们直接运算。”
二十世纪中叶，图灵测试被提出，达特茅斯会议宣告“人工智能”作为一门学科诞生。符号主义迎来鼎盛时期。它的核心假设近乎悖论：智能的本质就是符号操作。人类思维可以被转化为逻辑规则，而机器恰是践行规则的完美载体。从初始的定理证明程序到后来盛行的专家系统（将知识转化为 IF–ELSE），符号主义仿佛在宣言：只要规则足够繁复，机器就能将人类抛诸身后。
然而，它迅速碰壁——并非因为“符号无效”，而是因其默认了一个近乎苛刻的前提：世界是可穷尽、可封闭、可一次性书写的。
常识难题率先浮现：人类那些“显而易见”的背景知识无穷无尽，无法逐一编码。
框架问题接踵而至：在动态演变的领域里，一张静态地图（规则库）很难判定此刻应调用哪一条信息。
最关键的是符号落地难题：符号的含义从何而来？若符号仅指向符号，系统宛若一座自我指涉的迷宫——水界定水，词诠释词，逻辑推演逻辑。它虽可在内部无限循环，却仍可能悬浮于现实世界之外。
符号主义的退败，本质上宛若一种古老痼疾的重演：它企图以一张完美且静止的地图覆盖一个动态且弹性的宇宙，最终仍亡于“名实分离”。
当符号主义在“如何使机器具备内在知识”这一难题上束手无策时，另一批人转变了思路：谁说智能必须具备内在知识？
由此引出人工智能的第二大流派：行为主义。它的哲学底色极为冷酷——不必探究黑盒内里是什么，不必在乎机器是否存在“观察者”的意识，智能仅表现为在特定环境中的恰当反应。
这种行为主义的降维冲击，直接绕过了符号主义苦斗的“常识”与“框架”难题。机器无需理解“水是什么”（无需符号落地），它只需在遭遇“火”时，做出“回避”的行为输出，便足以被称为“智能”。
早期最具代表性的当属控制论，以及后续布鲁克斯提出的“subsumption architecture”。他研制了一种爬行机器人，缺乏中央处理器，没有知识库，仅有底层简易的“遭遇障碍物即后退”的电路（类似于生物的反射弧）。但这种看似毫无智能的机器，却能在真实环境中灵活穿行，比当时那些装载庞大知识库却无法移动的符号系统“聪慧”得多。
行为主义看似务实，但它实质上是认知层面的绥靖策略。它透过降低“智能”的标准，掩盖了问题的本质。它让人类暂时忘却了现实的困惑，转而沉醉于制造看似聪明的“机器蟑螂”。然而，当面对需要复杂规划、语言理解的高级任务时，单单依靠“刺激-反应”的行为主义迅速触及了瓶颈。
当显式规则被证实难以承受现实世界的繁复，另一条路径便悄然浮现：既然无法书写世界，能否让机器自行归纳出规律？
这就是联结主义。它减少了自上而下的逻辑灌输，转而依赖自下而上的统计逼近。它的灵感源自神经网络：单个神经元几乎“不明白”什么，但亿万个连接的整体却能孕育出惊人的能力。
从麦卡洛克—皮茨模型到感知器，联结主义一路跌宕。它曾在“异或（XOR）”这类简单问题前栽跟头，迎来短暂寒冬；直至反向传播算法的出现，让“深层结构”成为可能。反向传播的本质并非“编写真理”，而是“修正偏差”：将输出端的误差层层回传，微调每一次连接的权重，让结构在无数次试错中契合数据的形态。
这是一种更实际的折中：不再保证“我理解”，只保证“我能做对”。它把认知从宣告式的逻辑，转化为持续的校准——在误差中逼近，在偏差中收敛。
迈入二十一世纪，算力与数据汇聚，深度学习被彻底点燃。从图像识别到生成模型，深度学习的表现宛若某种奇迹：它似乎无需明确规则，也能在海量样本中“涌现”出能力。
但若以审视的目光审视，这伴随着一种荒诞：确实造出了能运作的系统，却并不真正知晓它为何运作。深度学习并未让符号“落地”，它更像是以暴力的统计压缩将问题暂时遮蔽——它并不理解问题，仅是找到了结构上的近似。
哲学家约翰·塞尔曾提出“中文房间”思想实验：若一个人在房间内，根据一本厚重的规则手册，将输入的中文符号完美地转换为输出的中文符号，他真的理解中文吗？他仅是知晓了某种结构、规范或流程，而理解仍旧发生在系统之外，发生在赋予它任务、选取数据、诠释结果的人身上。
符号主义企图以逻辑束缚世界，失败了；行为主义试图以反应伪装智能，妥协了；联结主义在拟合中获得成功，却留下一个巨大的黑箱。
那么，这个内部不自明、意义不自证、只在结构中运作的黑箱——真的就是我们孜孜寻觅的智能吗？后续章节，我们将深入LLM模型的内部，探究它究竟是化腐朽为神奇，还是同一故事的另一种演绎。