1.一个提案和一次会议
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），联合另外三位重量级学者：
- 马文·明斯基（认知与神经网络先驱）
- 克劳德·香农（信息论之父）
- 纳撒尼尔·罗切斯特（IBM 首席设计师）
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 on Artificial 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。
在这份文件里，他们第一次正式使用了 "Artificial Intelligence（人工智能）" 这个词，并提出一个大胆假设：
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开了两个月的研讨会。今天人们普遍把这次会议（达特茅斯会议），视为 人工智能学科的诞生原点。
💡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
2.进一步理解
人工智能（Artificial Intelligence， AI）官方的定义 ：
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。
它不是一个单一技术，而是一个技术集合，包含：
- 机器学习
- 自然语言处理
- 计算机视觉
- 知识图谱
- 人机交互
- 生物特征识别
- ...
通俗来说，人工智能就是让机器变得"聪明"：
- 会看
- 会听
- 会说
- 会学
- 会想
你在用的这些功能都是 AI：
- 人脸解锁
- 拍照识字
- 语音助手
- 导航
- 辅助驾驶
- ...
3.三大门派
为了让机器变聪明，走了三条不同的路：
- 符号主义：书本派，靠死记规则讲道理
- 连接主义：仿生派，模仿人脑脑细胞学习
- 行为主义：实干派，在实践摸爬滚打练本领
符号主义，AI界最早的"老大哥"
核心思想： 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。
这个门派认为：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。
他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，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。
连接主义，当今AI的绝对主力
核心思想： 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"）。
行为主义
核心思想： 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
三次"潮起潮落"
- 第一次：符号逻辑浪潮（1956--1974，符号主义）
- 第二次：专家系统 + 统计机器学习浪潮（1980--2005，知识工程）
- 第三次：深度学习 & 大模型浪潮（2006 至今，连接主义）
关键起点： 2006 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 AlexNet 图像竞赛碾压传统算法，引爆深度学习
里程碑： 2016 AlphaGo 战胜李世石、2022 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