智慧之问 第一章 AI的起源与演变
人工智能三幻神
在上一章中，推导出来这样一个结论：人类被禁锢在符号的牢笼里。无论是将世界强行规范为A=A的逻辑闭环，还是凭借经验去衡量那只“弹性瓶子”，都难以触及起源与存在——名与实之间，始终隔着一道难以跨越的鸿沟。
面对这种深层的“名实分离”，存在着另一种解决思路：既然无法参透，那就塑造一个看似“更为稳定”的存在——它无需承受感受的波动，不必被情绪所困扰，也不必在语言的漂移中反复跌倒；只要遵循模式，便能推演；只要运算，便能给出结论。
这并非人工智能诞生的全部缘由，却可能是其中最隐匿的一种渴望：寻得一种途径，替我们承担思索的艰辛。
人工智能的故事，首先从一个古老的梦想发端：能否摒弃繁杂的感受，将世界转化为一套纯粹的符号，并且让因果在符号内部获得完整推导？
人类很早就尝试用结构逃离经验的蒙昧。《周易》的八卦便提供了一种原始的指引：阴与阳，断与连，有限的基本形态，通过排列组合，去诠释无尽的变化。它关注的并非“事物在现实中如何被感知”，而是“事物能否被纳入一套可运转的对应体系”。
这并非人工智能的历史起点，却在形态上近似于某种原始的雏形：输入形式，得到判断；沿着结构，推演变化。
近代，这种思考被形式化为更明确的追求：莱布尼茨曾构想一种“通用表意文字”，期望将人类知识编码为可计算的符号系统。若此事成真，争议便无需争议——“让我们直接测算。”
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。符号主义迎来黄金时代。它的核心假设近乎挑衅：智能的本质就是符号操作。人类思维可以被写成逻辑规则，而机器恰是执行规则的理想工具。从早期的定理证明程序到后来风靡一时的专家系统（把知识写成 IF–ELSE），符号主义仿佛在宣告：只要规则足够多，机器就能把人类甩在身后。
然而，它很快撞上现实的铜墙铁壁——并非因为“符号无用”，而是因为它预设了一个近乎不可能的前提：世界是可穷举、可封闭、可一次性写完的。
常识问题率先显现：人类那些“不言自明”的背景知识无穷无尽，无法穷举编码。
框架问题接踵而至：在动态变化的领域里，一张静态地图（规则库）很难判断此刻该调用哪一条信息。
最致命的是符号接地问题：符号的意义从何而来？如果符号只指向符号，系统就像一座自指的迷宫——水定义水，词解释词，逻辑推演逻辑。它可以在内部无限运转，却仍可能悬浮在真实世界之外。
符号主义的败退，本质上像一次古老疾病的复发：它企图用一张完美而静止的地图覆盖一个动态而弹性的宇宙，最终仍死于“名实分离”。
当符号主义在“如何让机器拥有内在知识”这个问题上焦头烂额时，另一批人换了一个角度：谁说智能必须要有内在知识？
这就引出了人工智能的第二个流派：行为主义。它的哲学底色极其冷酷——不要去管黑盒里面装的是什么，不要去管机器有没有“观察者”的意识，智能仅仅表现为在特定环境中的正确反应。
这种行为主义的降维打击，直接绕过了符号主义死磕的“常识”和“框架”问题。机器不需要懂得“水是什么”（不需要符号接地），它只需要在看到“火”的时候，做出“躲避”的动作输出，这就足够被称为“智能”了。
早期最著名的体现是控制论，以及后来布鲁克斯提出的“包容架构”。他制造了一种爬行机器人，没有中央逻辑处理器，没有知识库，只有底层简单的“碰到障碍物就后退”的电路（类似于生物的反射弧）。但这种看似毫无智商的机器，却能在真实的房间里灵活走动，比当时那些装满庞大知识库却动弹不得的符号系统“聪明”得多。
行为主义看似实用，但它实质上是一种认知上的绥靖政策。它通过降低“智能”的标准，掩盖了问题的核心。它让人类暂时忘却了现实的困惑，转而沉迷于制造看似聪明的“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，仅仅依靠“刺激-反应”的行为主义很快触及了天花板。
当显式规则被证明难以承受真实世界的复杂，另一条道路便悄然浮现：既然写不出世界，能否让机器自己总结出规律？
这就是联结主义。它减少了自上而下的逻辑赋予，转而依赖自下而上的统计逼近。它的灵感来自神经网络：单个神经元几乎不“懂”什么，但亿万联结的整体却能生成惊人的能力。
从麦卡洛克—皮茨模型到感知器，联结主义一路起伏。它曾在“异或（XOR）”这样的简单问题前跌倒，引来短暂寒冬；直到反向传播算法的出现，让“深层结构”成为可能。反向传播的本质并不是“编写真理”，而是“纠正误差”：把输出端的偏差一层层传回去，微调每一次联结的权重，让结构在无数次试错中贴合数据的形状。
这是一种更务实的折中：不再保证“我理解”，只保证“我能做对”。它把认知从断言式的逻辑，改成了持续的调校——在错误中逼近，在偏差中收敛。
进入二十一世纪，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，深度学习的表现像某种奇迹：它似乎不需要明确规则，也能在海量样本里“涌现”出能力。
但若带着审视的目光看，这伴随着一种荒诞：确实造出了能工作的系统，却并不真正知道它为何工作。深度学习并没有让符号“接地”，它更像用强力的统计压缩把问题暂时盖住——它并不理解问题，只是找到结构上的近似。
哲学家约翰·塞尔曾提出“中文房间”思想实验：如果一个人在房间里，根据一本厚厚的规则手册，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？他只是知道了某种结构、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、选择数据、解释结果的人身上。
符号主义想用逻辑框住世界，失败了；行为主义试图用反应伪装智能，妥协了；联结主义在拟合中获得成功，却留下一个巨大的黑盒。
那么，这个内部不自明、意义不自证、只在结构中运转的黑盒——真的就是我们苦苦寻找的智能吗？下一章，我们将深入到 LLM 模型的内部，看看它到底是化腐朽为神奇，还是同一个故事的另外版本。