回望人工智能原点：达特茅斯会议

如果说古希腊哲学家毕达哥拉斯学派提出的“万物皆数”这一思想寓意“数字化时代”的来临，“图灵机模型”的提出吹响了人类迈向“自动化生产”的号角，那么1956年美国达特茅斯会议则是人类迈向“智能化时代”声声号角中的最强音。

费孝通先生在《乡土中国》中曾写道：“人的‘当前’中包含着从‘过去’拔萃出来的投影，即时间的选择累积。”人工智能所经历的曲折历史何尝不是在时间画卷中不断进行选择的累积过程。

1956年6月到8月之间，在美国达特茅斯学院(Dartmouth College)举行的人工智能暑期研讨会在人工智能发展历史上具有重要意义，本文描述了这次会议中的重要事件，以期体现此次会议在人工智能发展史上的重要作用。

“人工智能”一词首次提出

1955年8月，时任达特茅斯学院数学系助理教授、1971年图灵奖获得者麦卡锡(J. McCarthy)，时任哈佛大学数学系和神经学系青年研究员、1969年图灵奖获得者明斯基(M. L. Minsky)，时任贝尔实验室数学家、 “信息论之父”香农(C. Shannon)和时任国际商业机器公司(International Business Machines Corporation, IBM)信息研究主管、IBM第一代商用计算机IBM 701的主设计师罗切斯特(N. Rochester)4位学者向美国洛克菲勒基金会递交了一份题为《关于举办达特茅斯人工智能暑期研讨会的提议》(A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence)的建议书，希望基金会资助拟于1956年夏天在达特茅斯学院举办的人工智能研讨会，研究“让机器能像人那样认知、思考和学习，即用计算机模拟人的智能”的科学[1]。

在这份建议书中，“人工智能”(artificial intelligence, AI)这一术语被首次提出，用来表示“人工所制造的智能”。该建议书对能够实现“人造智能”的原因进行了如下描述：学习的每个方面或智能的大多数特性原则上都可以被精确描述，从而可以用机器来模拟。

大多数学科都有必须遵守的最基本的命题或假设，这些命题或假设不能被省略和违反，即学科发展的第一性原理。比如，牛顿经典力学中“引力和惯性”以及达尔文进化论中“物竞天择，适者生存”，都是需要遵守的第一性原理。在AI研究中，对智能行为过程的精确描述或许可以作为类似于第一性原理需要遵守的原则，也就是说以机器为载体来展示人类智能或生物智能，需要对智能行为发生过程予以清晰描述，从而通过程序设计语言被机器按序执行。1965年诺贝尔物理学奖获得者费曼(R. Feynman)曾经说过：不可造者，未能知也(What I cannot create, I do not understand)，这一说法与AI“第一性原理”异曲同工。

比较有趣的是，在收到这份建议书3个月后(即1955年11月)，洛克菲勒基金会主管这一领域研究的生物与医学部门主任莫里森(R. S. Morison)博士回复了对这一建议书的评议结果。莫里森在回复中没有使用“人工智能”这一单词来描述建议书中陈述的研究内容，而是使用了“思维的数学模型”(mathematical models for thought)。基金会认为虽然申请书所提及研究内容“难以让人彻悟”(difficult to grasp very clearly)，但是鉴于这一研究所具有的长期挑战性特点，基金会愿意资助其申请经费的一半，即批准7500美元来支持这个研讨会。在回函中莫里森写道：希望你们不会觉得我们过于谨慎(overcautious)。但总体而言，对思维的数学模型研究是一个新领域，从长远来看非常具有挑战性。这意味着探索一种新方法是一场适度的赌博，因此在现阶段冒任何大风险会令人犹豫重重。

拓荒者的身影

1956年6月18日至8月17日，30多位学者如期来到达特茅斯学院，参加持续8周左右的人工智能暑期研讨会，AI从此正式登上了人类历史舞台。其中麦卡锡、明斯基和所罗门诺夫(R. Solomonoff)3位学者全程参与了会议。

参加会议的还有1975年图灵奖得主纽厄尔(A. Newell)、1975年图灵奖和1978年诺贝尔经济学奖得主西蒙(H. A. Simon)、1977年图灵奖得主巴克斯(J. Backus)、“机器学习”(machine learning)一词的创立者塞缪尔(A. Samuel)等，他们在信息论、逻辑和计算理论、控制论、机器学习、神经网络等领域都做出过奠基性的工作。

与会的大多数学者已经作古，但“老兵永远不会死，只会悄然隐去”，他们所参与的AI事业将永远辉煌，这些学者在各自从事的领域留下了很多脍炙人口的佳话，如：神经科学家麦卡洛克和数学家皮茨在一篇永载史册的文章《神经活动内在性的逻辑计算》(A Logical Calculus of Ideas Immanent in Nervous Activity)中提出了由两人命名的M—P模型，开辟了现代神经网络研究的开端，麦卡洛克激动地宣布：我们在科学史上第一次知道了“我们是怎么知道的” (For the first time in the history of science, we know “how we know”)。

AI三大学派的萌芽

AI在其70年发展过程中形成了符号主义(symbolistic)、连接主义(connectionist)和行为主义(actionism)三大学派，这在达特茅斯会议中已初现端倪。

符号主义AI

推理是进行思维模拟的基本形式之一，是从一个或几个已知的判断(前提)推出新判断(结论)的过程。因此，只要前提正确，推理所得出的结论往往是正确的。符号主义AI认为只要将人类所有知识符号化，把包罗万象、囊括万物的符号化知识组织起来，构建“知识水晶球”，形成如笛卡儿所言的“人类思想字母表”，就可以对所有未知问题进行推理，形成答案，应用于不同领域。著名的苏格拉底三段论“所有人都是要死的”“苏格拉底是人”和“所以苏格拉底是要死的”是符号主义AI推理的一个著名例子。在这个例子中，从“所有人都是要死的”这个大前提及“苏格拉底是人”这个小前提，可以推理得到“所以苏格拉底是要死的”这个结论。

实际上试图通过构建“知识水晶球”而将人类所有知识完整收集且形式化描述的任务根本无法完成。比如，如果认为“所有的鸟都会飞”和“鸵鸟是鸟”这两条知识是正确的，于是将其放入“知识水晶球”，就会推导出“鸵鸟会飞”这一错误知识。之所以会出现这一结果，其原因在于“所有的鸟都会飞”这一知识表述欠精确。将一条一条知识孤立出来，使其脱离于深根的丰厚土壤，则知识的精确性和严密性就会丧失。

与会的麦卡锡、明斯基和纽厄尔等都是符号主义AI的先驱和推动者。

连接主义AI

当前大行其道的深度神经网络就是连接主义AI的代表。所谓连接主义AI就是通过一种刻画人类大脑中神经元之间相互连接的机制，来模拟人类行为。这一方法的基本思想就是对海量数据进行归纳式学习，从数据中挖掘概念模式(即“用数据学”)，从而“化繁为简”。

首个棋类AI程序开发者、同时首次提出“机器学习”这一单词的塞缪尔参加了达特茅斯会议，并在这次会议上演示了其开发的国际跳棋程序。1959年7月，在一篇名为《通过国际跳棋进行机器学习的研究》(Some Studies in Machine Learning Using the Game of Checkers)的论文中，塞缪尔第一次使用了“机器学习”这一术语[3]。塞缪尔在文章中写道：足够多的研究表明，可以给一台计算机编程，使其能通过学习来提高玩国际跳棋的能力。这种学习能力可在令人吃惊的短时间(8或10小时)内形成，只要给算法一些游戏规则和搜索方向，以及给定未赋值或赋值不足够好的参数，机器学习可按照预定目标进行学习探索，学会下棋。

研究表明，国际跳棋有5万亿亿(5×1020)个跳棋位置[4]。对于如此庞大的搜索空间，塞缪尔通过如下两种方法让机器算法进行学习。

一是对每一个合法落子的价值进行评估，寻找最优落子。塞缪尔发现，对手棋子移动空间越少、对手棋子因为被吃掉而变得越少，以及己方“王”越多，则己方获胜的可能性就越大。因此，需要训练一个机器学习算法，使其能够从众多潜在合法落子中选择一个最佳落子，以便能显著减少对手棋子的移动空间，或吃掉对手棋子，或让己方棋子由“兵”变成“王”。基于上述原则让机器算法从经验中不断学习，不断被训练，具备“我赢彼输”能力，就能从合法落子中按照上述原则选择一个最佳落子。

二是具备强大的搜索能力，从潜在合法落子空间中迅速排除对本次操作毫无意义、不用评估的落子，这一机制被称为“剪枝”。搜索算法通过合适的剪枝机制不断减少被搜索空间，再从被减少的搜索空间中评估哪个落子是最佳落子，从而提升算法效率。

行为主义AI

机器学习刚刚登上历史舞台时，被定义为让机器具有 “不需要明确编程就能学习的能力”(The ability to learn without being explicitly programmed)的研究，目标是构造一种“学习机器”(learning machine)，使之像人一样具有自我学习能力，而非按部就班完成预设任务。

在真实环境中，AI模型在与其所处环境不断交互中进行学习，通过“尝试与试错”和“探索与利用”等机制在所处状态采取行动，不断与环境交互，直至进入终止状态，根据在终止状态所获得的奖惩来改进行动策略，序贯完成决策任务。这一学习方法被称为行为主义AI，其代表实现路线有强化学习等。例如“遇山挖洞、天冷加衣”就是行为主义学习的结果，即遇到了山峰则采取挖洞动作、遭遇了冷空气则采取加衣动作。在行为主义AI中，学习信号以奖励形式出现，AI算法在与环境交互中去取得最大化收益，这种学习方式既不是从已有数据出发，也不依赖于已有知识，而是从“授之以鱼”迈向“授之以渔”。

图灵奖和诺贝尔经济学奖获得者西蒙于1980年发表了一篇题为《计算机：非数值计算》(Computers—Non-numerical Computation)的文章[5]，指出：人工智能和认知仿真是计算机被发明后意义最为重大的必然后续，而不只是简单增加了人类计算能力，相反地是让我们对智能本质和思维活动有深刻理解。在计算机帮助下，人类可以朝着“认识自己”(know thyself)的宏伟目标不断前进。

应该说，现有AI不同模型集成在一起才能解决真实问题，如阿尔法狗(AlphaGo)统一使用了深度学习(连接主义AI)、强化学习(行为主义AI)和蒙特卡洛树搜索(符号主义AI早期的一种努力)三大法宝。

相对于其他棋类竞智游戏而言，围棋需要克服的挑战在于对弈走法的可选择空间非常庞大，所包含的可能走法比宇宙中所有原子总和还多。谷歌公司为了训练阿尔法狗，收集了5段至9段人类选手对弈完成的16万盘棋局(约3000多万局面)，然后进一步利用算法自我博弈，产生数以千万计的海量“机器棋局”，训练得到的AI围棋程序于2016年3月战胜李世石，该程序可分别完成“决策下一步落子”“评估当前棋面胜负概率”和“仿真棋局未来走子”等任务。

阿尔法狗中的三大法宝 深度学习进行棋面感知、强化学习从落子序贯中形成决策、蒙特卡洛树搜索则从浩瀚答案空间中搜索得到最佳落子。

东汉马融在《围棋赋》说：“三尺之局兮为战斗场”。围棋包含19×19构成的361个方格，黑白棋子在这361个方格中的落子构成了一张张的棋谱，深度学习可以对黑白棋子的布局进行感知，即看懂棋面，知晓某个方格是黑子或白子，以及这些黑白棋子构成的棋面;围棋对决中要对黑白棋子交错落子所形成的系列进行分析，来判断黑白每一次落子的优劣，这一AI学习方法叫强化学习。强化学习根据围棋比赛最终胜败来反推对每一步落子是奖励还是惩罚，从而改进落子策略，向“学会学习”(learning to learn)这一能力塑造目标而努力;在围棋比赛中，可供选择的落子比宇宙的原子还多。蒙特卡洛树搜索提供了一种机制，即从浩渺搜索空间中快速寻找一个“不差”的落子，且寻找过程不用遍历所有可能性。

展 望

1955年，4位学者在一份申请召开人工智能研讨会的建议书中首次提出了“人工智能”这一术语，提出了如何用计算机来模拟AI的宏伟目标。从历史发展来看，可计算思想、图灵机模型、达特茅斯会议以及AI 60多年来几起几落的发展，绘就了人类对智能行为模拟和构造的壮美接力画卷[2]。

AI是类似于内燃机或电力的一种“使能”技术，天然具备推动学科交叉的潜力。AI与脑科学研究交叉，在攻克重大脑疾病诊治难题同时，也在人类大脑和机器大脑之间架构桥梁而向混合增强智能迈进;AI与数学、物理、化学等结合，重塑科学发现范式，如AI预测蛋白质三维空间结构，为探秘“生命之舞”提供全新视角，是一项改变“游戏规则”的技术，就像费马定理的最终证明或引力波的发现一样，它解决了一个在“待办清单”上已经存在了50年的科学问题;AI这一“非凡工具”帮助数学家找到单独依靠人类思维不容易发现的内在联系，“进军”数学领域，辅助数学家发现新的数学猜想和证明新的数学定理;AI具有技术属性和社会属性相互融合特点，正推动人机共存社会形态出现，算法向善、社会实验和AI伦理规范等新的研究不断涌现，树立“边发展，边治理”理念，突破“科林格里奇困境”(Collingridge’s Dilemma)，防止类似“红旗法案”阻碍新技术革命对社会进步的推动作用，让马克思所言“普遍智能”更好地惠及社会和大众。

“不辨积微之为量，讵晓百亿与大千”，我们今天在享受语音聊天、在线支付、地图导航和拍照识别等APP带来的巨大便利时，是否会想到这些都是AI先驱者在一次次尝试、失败和奋斗后所产生的胜利果实呢?

[1]McCarthy J, Minsky M, Rochester N, et al. A proposal for the dartmouth summer research project on artificial intelligence, August, 31, 1955. AI Magazine, 2006, 27(4): 12-14.

[2]吴飞. 走进人工智能. 北京: 高等教育出版社, 2022.

[3]Samuel A. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 1959, 3(3): 210-229.

[4]Schaeffer J, Burch N, Björnsson Y, et al. Checkers is solved. Science, 2007, 317(5844): 1518-1522.

[5]Simon H. Computers—non-numerical computation. Proceedings of the National Academy of Sciences of the United States of America, 1980, 77(11): 6264-6268.

关键词：达特茅斯会议    AI起源    符号主义AI    行为主义AI   连接主义AI■

本文刊载于2023年第75卷第4期《科学》杂志（P49-P52）