人工智能的起源与核心概念

1955年8月，达特茅斯学院（Dartmouth College）里的一位28岁的年轻数学家——约翰·麦卡锡（John McCarthy），联合另外三位重要学者：

向洛克菲勒基金会提交了一份名为《达特茅斯人工智能夏季研究项目提案》

（A Proposal for the Dartmouth Summer Research Project onArtificial Intelligence）的6页计划书，申请13,500美元用于举办为期2个月的人工智能研讨会。

在这份文件中，他们首次正式提出了“Artificial Intelligence（人工智能）”这一术语，并提出一个重大假设：

学习的各个方面或智能的其他任何特征，原则上都能被精确描述，进而使机器可被设计成模拟这些特征。

提案获批后（批了7,500美元），1956年夏天，他们在达特茅斯学院举办了为期两个月的研讨会。今天人们普遍认为这次会议（达特茅斯会议），是人工智能学科的诞生起点。

💡有兴趣的读者可以查阅：达特茅斯会议、主要参与人员相关信息

人工智能（Artificial Intelligence，AI）官方定义：利用计算机或受控机器模拟、延伸、扩展人的智能，感知环境、获取知识、运用知识实现最优结果的理论、方法、技术与应用系统。

它不是一个独立技术，而是一个技术集合，包含：

通俗来说，人工智能就是让机器变得"聪明"：

你在使用的这些功能都是AI：

为了让机器变聪明，走了三条不同的路径：

核心理念：智能就是逻辑推理。只要把规则写清楚，机器就能像人一样思考。

这个学派认为：人类的智能本质上就是对符号的逻辑运算。就像解数学题，只要掌握了公式和定理，一步步推导就能得出答案。

它会严格按照你给的规则去执行。

典型代表：早期的"专家系统"（医疗专家系统）、早期国际象棋程序（深蓝前身）、早期翻译机器。弱点：现实问题千变万化，规则写不完，遇到没收录的情况就束手无策，这也是第一次AI寒冬的原因。比如描述："猫长什么样"，需要写多少规则。

核心理念：智慧来自大脑无数神经元的联动，智能不需要死记硬背规则，只要看足够多的例子，机器就能自己总结出规律。通俗比喻：好比有一个小朋友，家长拿出几百张照片：橘猫、黑猫、幼猫、胖猫、躺着的猫。家长只需一遍遍指：这是猫。小朋友看多样本，大脑神经元慢慢记住猫整体特征，自己总结规律。哪怕从没见过的新品种小猫，一眼也能认出是猫。不靠人为编写判定规则，依靠大量样本自主提炼特征，就是连接主义的精髓。典型代表：AlphaGo、ChatGPT等大语言模型。弱点："黑盒不可解释"，说不清为啥判断是猫。需要海量数据和算力，遇到没见过的，可能会一本正经地胡说八道（也就是AI的"幻觉"）。

核心理念：智慧是和环境互动试错练出来的。不用复杂思考、不用海量书本知识，遵循：感知环境→做出动作→收到反馈→优化行为。典型代表：扫地机器人、机器狗。弱点：训练周期极长，试错成本高，只会临场应变，没知识、难通用

关键起点：2006年辛顿提出深度信念网络，解决深层神经网络梯度消失难题；2012年AlexNet图像竞赛碾压传统算法，引爆深度学习。里程碑：2016年AlphaGo战胜李世石、2022年ChatGPT，进化到通用生成式大模型。驱动三要素：大数据、算力、深度学习算法