早期AI研究

早期研究概览

乐观的时代

达特茅斯会议后，AI研究者充满乐观：

"在一代人的时间内...创造'人工智能'的问题将基本解决。" —— 赫伯特·西蒙，1965年

这种乐观源于几个早期成功案例，但也导致了对AI能力的过度高估。

研究范式

这一时期的主流方法是符号主义（Symbolic AI）：

• 智能的本质是符号操作
• 知识可以用规则表示
• 推理是规则的符号演绎
• 问题求解是状态空间搜索

时间线

符号主义方法

基本假设

符号主义的核心假设是物理符号系统假设：

一个物理符号系统具有产生智能行为的充分必要条件。

这意味着智能本质上是符号操作，只要能实现符号系统，就能实现智能。

关键技术

Lisp语言

约翰·麦卡锡在1958年发明了Lisp语言，成为AI研究的标准语言：

• 列表作为基本数据结构
• 函数式编程范式
• 代码即数据的元编程能力
• 交互式开发环境

早期程序

逻辑理论家（Logic Theorist）

1956年，纽厄尔和西蒙创造了第一个AI程序：

• 能够证明《数学原理》中的定理
• 使用启发式搜索寻找证明
• 某些证明比原书更简洁
• 证明了机器可以进行推理

通用问题求解器（GPS）

1961年，纽厄尔和西蒙开发了GPS：

• 将问题求解抽象为手段-目的分析
• 尝试建立通用的问题求解框架
• 能够解决河内塔、逻辑问题等
• 但局限于形式化良好的问题

ELIZA

1966年，约瑟夫·魏泽鲍姆创建了ELIZA：

• 模拟心理治疗师的对话程序
• 使用模式匹配和替换规则
• 著名脚本DOCTOR能够进行看似智能的对话
• 引发了关于机器理解的讨论

SHRDLU

1969年，特里·维诺格拉德开发了SHRDLU：

• 自然语言理解程序
• 在"积木世界"中执行命令
• 能够理解复杂的指令和问题
• 展示了语言与行动的结合

专家系统

概念起源

1970年代早期，研究者意识到通用AI太过困难，转向特定领域的专家系统：

• 在狭窄领域模拟专家的知识
• 知识库与推理引擎分离
• 通过专家访谈获取规则

DENDRAL

第一个成功的专家系统（1965-1975）：

• 由费根鲍姆和莱德伯格开发
• 帮助化学家推断分子结构
• 从质谱数据推断化合物结构
• 在特定领域表现接近专家

MYCIN

1972年，斯坦福开发的医疗诊断系统：

• 诊断血液感染并推荐抗生素
• 包含约600条规则
• 诊断准确率与专家相当
• 但从未实际临床使用

专家系统架构

局限性

理论局限

• 常识问题：难以编码日常生活的背景知识
• 组合爆炸：搜索空间随问题规模指数增长
• 脆弱性：遇到规则外情况就崩溃
• 知识获取瓶颈：从专家提取知识困难且昂贵

Lighthill报告

1973年，英国科学家James Lighthill发表报告批评AI研究：

• AI未能实现早期承诺
• "玩具"问题与现实应用脱节
• 组合爆炸限制了实用化

这导致英国停止了大部分AI资助，美国也紧随其后。

明斯基的批评

1969年，明斯基和Papert出版《Perceptrons》，证明单层感知机有根本局限：

• 无法解决异或问题
• 导致神经网络研究停滞近20年
• 后来的多层网络可以解决这些问题

经验教训

成功的经验

• 明确的问题定义是成功的关键
• 狭窄领域更容易取得成果
• 知识的表示和利用至关重要
• 好的工具（如Lisp）加速研究

失败的教训

• 不要过度承诺和炒作
• 通用智能比想象中困难
• 单一方法无法解决所有问题
• 需要重视数据和学习的价值

对现代AI的启示

• 数据和知识都很重要
• 端到端学习与符号推理可以结合
• 需要可解释的AI
• 实际应用比理论完美更重要