人工智能（一）—AI的起源和发展

一、什么是智能

1、智能概念

智能本质上就是针对不同情境，给出针对性的输出反应；这种输出可以是语言，也可以是一种判断和预测；

比如：狗狗可以根据人类的指令，做相关的动作；或是生物的趋利避害，都可以算是智能；

还有人脸识别，可以根据不同的人脸，针对性的反馈出不同人的身份信息；

AlphaGo，可以对于各种不同的复杂棋局的情况，给出最佳的下法，争取胜利；

GPT，可以根据上文，不同的问题和任务的要求，针对性的跟你说话并解决问题；

这些都可以称得上是智能；

但是如果人脸识别将所有人都认成张三，AlphaGo在棋盘上乱下，GPT的回答牛头不对马嘴，那这个AI的全称应该叫：Artificial Idiot----人工智障；

2、智能与函数

到这里，有没有发现，智能跟我们日常的数学函数有点相似了，都是遵循一套规律，然后给出输出，而不是乱来；

从数学的角度来说，智能的本质是：找到情境信息的输入，和我们想要的聪明的行为输出，之间的函数对应关系；

二、人工智能起源与发展史

2.1、符号主义

2.1.1、符号主义起源

根据上面提到的智能，那么问题来了，我们人类该如何，制作出一个具有智能的黑箱呢？

为此有人从数学的形式化推理体系中得到灵感，主张智能可以用符号的逻辑推理来模拟，这就是符号主义symbolism；

例如

A：是阴天，B：湿度>70% ，T：将要下雨；如果A和B是真的，那么T就是真的（A&B=>T）；
因此符号主义相信，智能正是一套像这样处理符号和规则的计算系统；

最成功的典范就是当时的专家系统，一度在疾病诊断和金融咨询领域，获得了很大的成功；但随着时间的推移，也暴露出了致命的缺陷：

1、很多时候，现实时间中没有那么多清晰的规则；

2、这套系统完全是在复制人类的经验，它能力的上限就是专家水平，无法做的比人更好；

3、从设计完这套系统开始，它就永远是静止不变的水平；

2.1.2、深入理解符号主义

符号主义的整个实现路径，正是从最上层的"规则"出发，去指导和解释下层的"实体"；

主张"自上而下"，认为智能的核心是符号处理和逻辑推理（写明规则）；

这里的"上"可以理解为人类高层的抽象智慧、逻辑和规则，"下"可以理解为底层的具体数据和物理世界；

推理的方式：演绎法

符号主义的核心引擎是逻辑推理，通常采用的是演绎法；演绎法的特点是从一般到个别，也就是"从上而下"：

大前提（最上层规则）：所有人都会死；
小前提（中间层事实）：苏格拉底是人；
结论（最底层应用）：苏格拉底会死；

2.2、机器学习

2.2.1、机器学习起源

正因为符号主义的缺陷，另一个人工智能流派开始发扬光大，他不追求一开始就有一个完美的黑箱 ，但允许这个黑箱不断地变化，通过不断地引导和学习，让他在某一个任务上表现的越来越好，这就是机器学习；

这种思路，就好像训练狗狗；

当你发出坐的指令，如果它做对了，你给他奖励，做错了，给它一个大逼斗；长此以往，狗狗这个黑箱，就知道坐这个指令和它动作之间的关系，类似条件反射；于是一只会听指令的聪明小狗，就训练完成了；

向上面这样，把在学习的对象从狗狗变成了机器，通过给机器以奖励或者惩罚的方式，让机器自主调整，不断学习，从而学会解决某一种任务的智能，这种任务可以是下围棋或者与人对话等；

2.2.2、机器学习流程

如果想要一个识别图片中数字的黑箱；

准备

只需要准备一个具有学习能力的机器，然后收集很多数字的图片，人工标注出每张图片里的数字是什么；

过程

接下来你只需要像训练狗狗一样，把一张张图片展示在这个机器面前，让它预测里面的数字到底是什么？如果它预测对了，就给它奖励，预测错了，就给它惩罚；让这个机器不断地自我调整，当它见过的图片越来越多之后，就能够神奇的做到识别图片里的数字是什么了；

看到这里，聪明的小伙伴可能要问了：

1、哪来这种神奇黑箱？

2、怎么奖励一个机器？

3、机器怎么建立条件反射？

其实这三个问题分别对应的是机器学的：模型结构、损失函数、训练过程；

2.3、联结主义

2.3.1、联结主义起源

我们先看机器学习 的第一个问题，如何搭建起一个有学习能力的黑箱机器呢，有没有一种万能的超级强大的黑盒，无论什么样的对应关系，它都能表示和学会呢？

此时就不得不提到，另一实现人工智能的流派：联结主义；

联结主义认为，大自然已经给出了实现智能的标准答案，那就是人类精妙的大脑，只需要通过仿生的方式，模拟单个神经元的复杂功能，以及神经元之间复杂的连接，那么我们只需要，像运行一台精密的钟表一样，运行这个人工搭建的神经网络，人类就可以实现不可思议的智慧，这一派思想被称作为联结主义 Connectionism；

2.2.2、深入理解联结主义

如果说符号主义是"拿着现成的法律条文去审判案件"，那么联结主义就是"摸着石头过河，在无数次摸爬滚打中自己总结规律"；

主张"自下而上"，认为智能源于模拟人脑神经元网络（自主联想）；

"自下而上"，"下"指的是底层的、零碎的原始数据或围观的简单元件（神经元）；"上"指的是高层的、宏观的抽象概念和智能行为；

推理方式：归纳法

联结主义的的核心引擎是归纳法；

输入（最底层）：给系统看100万张猫的图片，以及100万张不是猫的图片；
调整（中间层）：系统不断尝试，根据报错调整内部数亿个参数（权重）；
规律（最顶层）：最终，系统自己总结出了一套区分猫的特征模型；

2.4、史前萌芽期（1950年代前）：科学种子的播撒

在 AI 正式建组之前，两大流派的科学种子就已经分别由不同的科学巨匠种下：

符号主义的种子： 1950年，艾伦·图灵提出图灵测试，探讨用机器模拟人类逻辑运算的可能性。他提出的通用计算机概念，成为了符号主义的物理载体。
联结主义的种子： 1943年，麦卡洛克和皮茨建立了人类历史上第一个人工神经元数学模型------M-P模型，试图从微观结构上复制人类大脑的思考方式。

2.5、人工智能发展的六大阶段：两大流派的六大生死周期

人工智能的发展，本质上是符号主义（逻辑学派）与联结主义（仿生学派）两条技术路线交替执掌大印的史诗。

阶段一：黄金时代（1956---1974年）

流派局势： 符号主义初战告捷，联结主义惨遭重创。
历史实况： 1956年达特茅斯会议宣告 AI 诞生。由于早期解决的都是纯逻辑问题（如证明数学定理、下跳棋），符号主义展现出恐怖的统治力，科学家们乐观地认为通用 AI 几十年内就能实现。
流派冲突： 1958年联结主义推出了感知机（单层神经网络） ，风光一时。但在1969年，符号主义泰斗马文·明斯基出版《感知机》一书，从数学上严谨地证明了"单层感知机连简单的'异或'逻辑问题都无法解决"。这一致命一击，直接把连接主义拍进谷底。（就像给你伸出大拇指的人，不一定是夸你，还有可能是拿炮打你；明斯基算是把联结主义的棺材板给定死了）；

阶段二：第一次AI寒冬（1974---1980年）

流派局势： 符号主义撞墙，联结主义冰封。
历史实况： 把联结主义打败后，符号主义很快也迎来了自己的极限。当时的计算机算力极度匮乏，根本无法应对现实世界中庞大规则带来的"组合爆炸"问题。英美政府由于看不到实际应用，大幅削减科研资助，AI 迎来第一次大寒冬。

阶段三：专家系统繁荣期（1980---1987年）

流派局势： 符号主义重回巅峰（商业化），联结主义绝地反击。
历史实况： 符号主义 改变了策略，不再试图让 AI 解决所有问题，而是把符号规则局限在特定领域（如医疗诊断、地质勘探），这就是专家系统 。通过输入成千上万条专家的 IF-THEN 规则，AI 开始真正为企业省钱和赚钱。
流派冲突： 1986年，联结主义泰斗杰弗里·辛顿等人重新推广了反向传播算法（BP算法）。BP 算法完美解决了多层神经网络的训练问题，打破了明斯基当年的"魔咒"，联结主义在地下悄悄复苏。

阶段四：第二次AI寒冬（1987---1993年）

流派局势： 符号主义商业幻灭，联结主义因算力受限再次冬眠。
历史实况： 符号主义的专家系统暴露出致命弱点：维护成本高昂（需要人工不断更新规则）、系统极度脆弱（碰上规则之外的情况直接崩溃），且毫无人类常识。随着专用 AI 硬件市场的崩溃，符号主义再次跌落神坛。而刚复苏的联结主义也因为当时硬件算力依然跟不上神经网络的庞大计算，一同进入冬眠。

阶段五：统计机器学习时代（1993---2011年）

流派局势： 符号主义退居幕后，联结主义改头换面，统计学派异军突起。
历史实况： 这一时期，AI 界放弃了虚无缥缈的"复刻人类逻辑"，转而走向务实的统计学。支持向量机（SVM）、随机森林等传统机器学习算法大行其道，IBM"深蓝"击败国际象棋世界冠军。
联结主义的蓄力： 2006年，辛顿发表论文解决了深层神经网络训练难的方法，并首次将这种多层神经网络命名为"深度学习（Deep Learning）"。联结主义换上新马甲，在暗中积蓄算力和数据。

阶段六：大模型与生成式AI时代（2011年至今）

流派局势： 联结主义全面统治，两派在最高峰走向融合。
历史实况： 大数据、互联网和 GPU 算力的全面爆发，彻底解开了深度学习的封印。
- 2012年，AlexNet 碾压夺冠，联结主义彻底统治图像领域。
- 2016年，基于深度神经网络的 AlphaGo 击败人类围棋冠军。
- 2017年，谷歌提出 Transformer 架构，联结主义的战火烧向自然语言处理，并催生了今天的 ChatGPT、Claude、Gemini 等大语言模型。
流派的终极融合： 现代的大模型底层虽然是纯粹的联结主义（神经网络参数），但当它们被应用于 AI Agent（智能体）时，它们会自主调用符号主义的产物（如编写运行 Python 代码、利用知识图谱进行精确检索、调用结构化 API）。

3、总结：流派兴衰速查表

发展阶段	主导流派	代表性技术/事件	符号主义的表现	联结主义的表现
1. 黄金时代 (1956---1974)	符号主义	达特茅斯会议、逻辑理论家、感知机诞生	绝对统治：垄断大部分科研资金和赞助。	受挫：感知机因无法解决"异或问题"被明斯基批判，陷入低谷。
2. 第一寒冬 (1974---1980)	无	理论停滞、资金断供	撞墙：遭遇算力瓶颈与规则组合爆炸。	冰封：几乎没有声音。
3. 专家系统期 (1980---1987)	符号主义	专家系统商业化、BP算法重新提出	重回巅峰： `IF-THEN` 专家系统风靡商业界。	破局： BP算法打破魔咒，多层神经网络在暗中复苏。
4. 第二寒冬 (1987---1993)	无	专用AI硬件（Lisp机）市场崩溃	商业幻灭：专家系统因维护成本高、无常识而崩溃。	冬眠：虽然有BP算法，但当时硬件算力依然带不动。
5. 机器学习期 (1993---2011)	统计学派	深蓝击败象棋冠军、SVM、深度学习概念提出	退居幕后：主要用于一些特定领域的知识检索。	蓄力： 2006年辛顿提出"深度学习"，等待数据和算力爆发。
6. 大模型时代 (2011至今)	联结主义	AlexNet、AlphaGo、Transformer、GPT/Gemini	作为工具融入：成为大模型和 Agent 调用的外部代码和规则工具。	全面统治：深度神经网络大爆发，大语言模型涌现出逻辑推理能力。