谁发明了人工智能

人工智能（AI）的概念深深植根于人类历史，可以追溯到古代神话和传说，其中人造生物拥有智慧或意识。然而，人工智能的现代之旅始于20世纪中叶，并在1956年的**达特茅斯研讨会**上达到了一个重要的里程碑。在本文中，我们将探讨人工智能的发明历程、里程碑以及对没有科学背景的读者都易于理解的关键人物。

人工智能的关键人物

几位先驱在人工智能的发展中发挥了重要作用。

• **艾伦·图灵（Alan Turing）**：图灵被誉为计算机科学之父，他对计算的研究以及著名的图灵测试为人工智能奠定了基础。
• **约翰·麦卡锡（John McCarthy）**：他创造了“人工智能”一词，并组织了达特茅斯研讨会。他开发了LISP编程语言，该语言成为人工智能研究的重要工具。
• **马文·明斯基（Marvin Minsky）**：麻省理工学院人工智能实验室的联合创始人。明斯基在神经网络、机器人学和认知心理学方面的工作极大地推动了该领域的发展。
• **赫伯特·A·西蒙（Herbert A. Simon）和艾伦·纽厄尔（Allen Newell）**：他们合作开发的逻辑理论家（Logic Theorist）及后续的人工智能程序，展示了机器进行复杂推理的潜力。
• **杰弗里·辛顿（Geoffrey Hinton）、约书亚·本吉奥（Yoshua Bengio）和扬·勒昆（Yann LeCun）**：深度学习的先驱，他们的研究对于人工智能的复兴至关重要，并带来了神经网络的突破。

艾伦·图灵，人工智能的发明者

***艾伦·马蒂森·图灵（Alan Mathison Turing, 1912-1954）*** 通常被认为是人工智能（AI）的关键先驱之一。他的工作奠定了最终导致人工智能成为一门正式研究领域的概念基础。

早年生活与教育

艾伦·图灵于***1912年6月23日***出生在伦敦的梅达韦尔（Maida Vale），父母是朱利叶斯·马蒂森·图灵（Julius Mathison Turing）和埃塞尔·萨拉·图灵（Ethel Sara Turing）。他的父亲在印度 civil service 工作，家庭频繁在英格兰和印度之间迁徙，这影响了图灵的早期生活。图灵从小就表现出对数学和科学的深刻天赋。他曾就读于谢伯恩学校（Sherborne School），在那里他独立的思考和非传统的方法有时会与学校的传统教学方式发生冲突。尽管如此，他在自己感兴趣的科目上表现出色，尤其是在数学方面。

学术生涯

图灵于***1931年***进入**剑桥大学国王学院（King's College, Cambridge）**学习数学。1935年，他因在概率论方面做出的杰出工作而被选为国王学院的院士。在剑桥期间，图灵开始形成他关于计算的想法。

图灵机

1936年，图灵发表了一篇开创性论文，题为***《论可计算数及其在判定问题上的应用》（On Computable Numbers, with an Application to the Entscheidungsproblem）***。在这篇论文中，他提出了一个理论机器的概念，即图灵机，该机器可以模拟任何计算机算法的逻辑。这个概念成为计算机科学的基石，形式化了计算和算法的概念。

第二次世界大战与密码破译

第二次世界大战期间，图灵在英国政府的密码破译中心布莱切利园（Bletchley Park）工作。他最重要的贡献是破译了德国的恩尼格玛密码（Enigma code），这对盟军的战争努力至关重要。图灵还开发了Bombe，一种机电装置，帮助破译恩尼格玛加密信息。他在密码学方面的工作不仅缩短了战争，还挽救了无数生命。

战后贡献

战后，图灵在国家物理实验室（NPL）工作，在那里他开发了最早的存储程序计算机之一——自动计算引擎（ACE）的设计。后来他转到曼彻斯特大学，继续他的计算机科学研究，并为最早的计算机之一——曼彻斯特马克一号（Manchester Mark I）开发软件。

图灵测试与人工智能

1950年，图灵在《Mind》杂志上发表了一篇题为“计算机器与智能”（Computing Machinery and Intelligence）的突破性论文。在这篇论文中，他提出了“机器能否思考？”的问题，并提出了如今被称为图灵测试的概念。该测试旨在评估机器展现智能行为的能力，使其等同于或无法与人类区分。这一思想已成为人工智能哲学和发展中的一个基本概念。

个人生活与遗产

图灵的生活因其同性恋（当时在英国是违法的）而遭受迫害。1952年，他因“严重猥亵罪”被定罪，并选择接受化学阉割以代替监禁。这种治疗对他的健康和福祉产生了深远影响。1954年6月7日，图灵死于氰化物中毒，官方裁定为自杀。他死亡的确切情况仍然是猜测和争论的主题。

尽管结局悲惨，图灵的遗产得以传承。他被誉为计算机科学和人工智能的奠基人之一。2009年，英国首相戈登·布朗代表英国政府就图灵生前所受待遇发表正式道歉。2013年，女王伊丽莎白二世追授他皇家赦免。图灵的工作继续影响着计算、人工智能和密码学领域。他的远见卓识为现代计算机科学奠定了基础，并激励了一代又一代的研究人员和创新者。

神话和虚构的先驱

对人造生物的迷恋可以追溯到古代神话和传说。在希腊神话中，塔罗斯（Talos）是一个巨大的青铜巨人，守护着克里特岛；皮格马利翁（Pygmalion）是一位雕塑家，他爱上了自己雕刻的一尊雕像，雕像被维纳斯（Venus）赋予了生命。在中世纪，被称为“傀儡”（Golem）的粘土人偶，通过神秘的仪式被赋予生命，象征着人类人造生命的努力。这些早期故事反映了人类创造类人机器的愿望，为人工智能的发展奠定了文化基础。它们激发了人们的想象，并暗示了拥有类人智能的人造生物的可能性。

形式推理与早期计算思想

推理和逻辑的形式化是迈向人工智能的关键一步。古希腊的亚里士多德（Aristotle）等哲学家发展了形式演绎的结构化方法。17世纪，笛卡尔（Descartes）和莱布尼茨（Gottfried Wilhelm Leibniz）等思想家推测，所有理性思维都可以像数学一样系统化。莱布尼茨设想了一种普遍的推理语言，他认为这种语言可以将论证简化为单纯的计算。这一概念具有基础性，表明人类推理可以被机械化——这是人工智能的一个核心思想。

计算的诞生

20世纪40年代可编程数字计算机的发明是关键。艾伦·图灵奠定了理论基础，他的图灵机工作表明，任何形式的计算都可以用数字来描述。图灵的远见卓识起到了关键作用，他提出机器可以模拟任何可想象的数学演绎过程。像第二次世界大战期间开发的ENIAC这样的早期计算机，展示了机器快速进行复杂计算的潜力。这些机器基于数字计算的原理，而这些原理后来支撑了人工智能的研究。

达特茅斯研讨会：人工智能的正式诞生

人工智能研究的正式领域确立于1956年夏天在达特茅斯学院（Dartmouth College）举行的一次研讨会。这次由约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、纳撒尼尔·罗切斯特（Nathaniel Rochester）和克劳德·香农（Claude Shannon）组织的活动，被认为是人工智能作为一门学术学科的诞生。研讨会提案指出：“学习的任何方面或智能的任何其他特征，原则上都可以被精确地描述，以至于可以制造出模仿它的机器。”关键参与者包括艾伦·纽厄尔（Allen Newell）和赫伯特·A·西蒙（Herbert A. Simon），他们展示了能够证明数学定理的逻辑理论家程序。这次研讨会标志着一种有针对性和系统性的人工智能方法开始。

微世界

20世纪60年代末，**麻省理工学院人工智能实验室的马文·明斯基（Marvin Minsky）和西摩尔·帕珀特（Seymour Papert）**提出了一种利用人造简单情境（称为微世界）进行人工智能研究的聚焦方法。他们认为，正如物理学中用无摩擦平面和完美刚体来简化理解一样，人工智能也可以受益于类似简化的复杂性。这种方法聚焦于“积木世界”（blocks world），这是一个由各种形状和大小的彩色积木在平坦表面上排列组成的简单环境。

这一范式激发了机器视觉方面的重大进步。杰拉尔德·苏斯曼（Gerald Sussman）领导了一个团队，其中包括为形状识别做出贡献的阿道弗·古兹曼（Adolfo Guzman），以及开发约束传播技术的大卫·沃尔兹（David Waltz）。帕特里克·温斯顿（Patrick Winston）在该领域也做出了重要贡献。明斯基和帕珀特用一个能够堆叠积木的机械臂使积木世界栩栩如生。最终的成就是特里·温诺格拉德（Terry Winograd）的SHRDLU，它是一个能够理解和响应普通英语指令、规划任务并有效执行的人工智能。

早期人工智能程序和方法

达特茅斯研讨会之后的几年里，人工智能取得了快速发展。研究人员开发出了能够解决代数问题、证明定理以及玩国际象棋和跳棋等游戏的程序。这些早期成功激发了人们对人工智能潜力的乐观情绪。

• **将推理视为搜索：** 许多早期的人工智能程序将问题解决视为在可能性迷宫中进行搜索。艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）的通用问题求解器（General Problem Solver）就是这样的程序，它旨在通过逐步探索可能的解决方案来模仿人类解决问题的方式。
• **神经网络：** 受人脑启发，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）等研究人员探索了人工神经元的想法。弗兰克·罗森布拉特（Frank Rosenblatt）的感知器（Perceptron）机器是创造能够学习的神经网络的早期尝试。然而，这些早期网络受限于当时的技术。
• **自然语言处理：** 丹尼尔·鲍勃罗（Daniel Bobrow）的STUDENT程序能够解决代数应用题，约瑟夫·魏曾鲍姆（Joseph Weizenbaum）的ELIZA模拟了一位心理治疗师，以模仿人类对话的方式回应用户的输入。ELIZA简单而有效的回复突显了机器处理和响应自然语言的潜力。

挑战与人工智能寒冬

尽管早期取得了成功，人工智能研究还是面临着巨大的挑战。到20世纪70年代中期，人们清楚地认识到，创造具有人类智能的机器比预期的要困难得多。詹姆斯·莱特希尔（James Lighthill）的报告批评了研究进展的缺乏，导致了资金和兴趣的下降——这段时期被称为“人工智能寒冬”。政府和投资者因进展缓慢和过度炒作的期望而感到失望，撤回了支持。这一挫折迫使研究人员重新评估他们的方法，并将重点放在更可行的目标上。

问题

20世纪70年代初的人工智能程序只能处理它们旨在解决的问题的琐碎版本。研究人员遇到了几个重大挑战。

• **有限的计算机能力：** 计算机缺乏必要的内存和处理速度。例如，由于内存限制，罗斯·奎利安（Ross Quillian）在自然语言方面的工作仅限于20个单词的词汇量。
• **难解性与组合爆炸：** 许多问题需要指数级时间才能找到解决方案，使得实际解决方案不可行。
• **常识知识与推理：** 有效的人工智能应用需要丰富的世界知识，而这些知识很难编码和存储。
• **莫拉维克悖论（Moravec's Paradox）：** 对于人工智能来说，看似简单的任务，如物体识别，却非常困难，而像定理证明这样复杂的任务却相对容易处理。
• **框架问题与资格问题：** 基于逻辑的人工智能在不改变逻辑结构本身的情况下，难以表示日常推理和规划。

复苏与现代人工智能

随着专家系统（旨在模仿人类专家决策能力的程序）的出现，人工智能在20世纪80年代和90年代经历了复苏。这些系统在医疗诊断到金融分析等各个领域都有应用。真正的突破出现在21世纪10年代，随着机器学习，尤其是深度学习的兴起。计算能力的提高、大型数据集的可用性以及新算法的出现，使人工智能在图像和语音识别、自然语言处理和游戏方面取得了卓越的成果。

• **机器学习与大数据：** 机器学习是人工智能的一个子集，它涉及训练算法处理大量数据集以识别模式和进行预测。深度学习是一种机器学习技术，它使用具有多层的神经网络来处理复杂数据。这些技术推动了最近的人工智能进步，使机器在图像识别和游戏等任务上超越人类。
• **行业与学术界的人工智能：** 人工智能已转型医疗、金融、交通和娱乐等各个行业。谷歌（Google）、亚马逊（Amazon）和特斯拉（Tesla）等公司已将人工智能融入其产品和服务中，提高了效率并创造了新的可能性。在学术界，人工智能研究不断突破界限，探索强化学习、生成模型和伦理人工智能等领域。

人工智能的未来

人工智能的未来既令人兴奋又充满不确定性。尽管人工智能已经取得了显着的里程碑，但仍然存在重大挑战。诸如算法偏差、隐私问题以及人工智能对就业的影响等伦理考量，都需要仔细关注。

• **伦理人工智能：** 确保人工智能系统公平、透明和负责任至关重要。研究人员和政策制定者正在努力制定指南和框架来解决这些问题，以促进伦理人工智能的发展。
• **人工智能与社会：** 人工智能有潜力彻底改变医疗保健、教育和环境保护。然而，它也带来了风险，例如失业和人工智能技术的滥用。平衡人工智能的益处和风险，对于其融入社会至关重要。
• **持续研究与创新：** 人工智能研究正在进行中，在量子计算、神经形态工程和通用人工智能等领域取得了令人兴奋的进展。这些进步可能会解锁新的可能性，并进一步增强人工智能系统的能力。

自动机

1967年，日本早稻田大学启动了WABOT项目，并于1972年成功研制出WABOT-1，这是第一台全尺寸智能人形机器人。WABOT-1配备了用于行走和操纵物体的肢体控制系统、用于测量距离和方向的视觉系统，以及用于日语交流的对话系统。这台机器人代表了将多种感官和运动功能集成到一个人形实体中的重大进步。

乐观

第一代人工智能研究人员对人工智能的未来能力持高度乐观态度。

• 1958年，H. A. Simon和Allen Newell预测，十年内，一台数字计算机将成为世界国际象棋冠军，并发现重要的数学定理。
• 1965年，H. A. Simon声称，机器将在二十年内能够胜任人类所能做的任何工作。
• 1967年，Marvin Minsky相信，创造人工智能的问题将在一代人以内解决。
• 1970年，Marvin Minsky（在Life杂志上）估计，在三到八年内将开发出具有人类水平通用智能的机器。

资助

1963年6月，麻省理工学院（MIT）获得了由新成立的高级研究计划局（Advanced Research Projects Agency，后来的DARPA）提供的220万美元拨款。这笔拨款资助了MAC项目，其中包括由明斯基和麦卡锡创立的人工智能小组。DARPA在20世纪70年代之前每年提供三百万美元的持续资助，同时也支持卡内基梅隆大学（CMU）、斯坦福人工智能项目（Stanford AI Project）和爱丁堡大学（Edinburgh University）的人工智能项目。这些机构成为人工智能研究和开发的主要中心。当时ARPA的负责人J. C. R. Licklider倡导一种资助个人而非项目的理念，在MIT营造了一种富有创造性和自由奔放的氛围。这种方法催生了黑客文化，但随着DARPA后来将重点转移到具有明确目标的任务导向型项目，也面临着挑战。

资金终止

资助机构对进展缓慢感到失望，开始削减对人工智能研究的支持。这种模式始于1966年的ALPAC报告，导致机器翻译资金的停止。1973年的莱特希尔报告（Lighthill report）批评了人工智能未能实现其宏伟目标，导致英国的资金减少。DARPA也缩减了支持，将重点放在具体的任务导向型项目上，而不是基础研究。象征性人工智能（symbolic AI）和神经网络研究之间的竞争加剧了资金危机，最终象征性人工智能因更好的资金和更清晰的短期结果而占据了主导地位。

来自全校的批评

几位哲学家批评了人工智能的论断。约翰·卢卡斯（John Lucas）认为，哥德尔不完备定理（Gödel's incompleteness theorem）表明了形式系统（如计算机程序）能够达到的极限。休伯特·德雷福斯（Hubert Dreyfus）认为，人类推理不仅仅是符号处理，它还涉及体现的、直观的知识。约翰·塞尔（John Searle）的中文房间论证（Chinese Room argument）表明，程序缺乏真正的理解或意向性，因为它们在不理解意义的情况下操纵符号。尽管有这些批评，人工智能研究人员在很大程度上忽略了它们，而是专注于更直接的技术挑战。然而，约瑟夫·魏曾鲍姆（Joseph Weizenbaum）等人认真对待这些伦理和哲学上的担忧，尤其是在目睹了人工智能在心理治疗等领域的潜在滥用之后。

感知器与反对联结主义

由弗兰克·罗森布拉特（Frank Rosenblatt）提出的一种神经网络形式——感知器，最初显示出希望，但随着明斯基和帕珀特1969年出版的《感知器》一书强调了它们的局限性，它遭到了重大挫折。这实际上使联结主义（connectionism）研究停滞了十年，大部分资金和努力转向了象征性人工智能方法。

斯坦福、CMU和爱丁堡的逻辑研究

基于逻辑的人工智能研究始于20世纪60年代，但面临着计算难解性的挑战。然而，逻辑编程语言Prolog的发展提供了一种更实用的方法。Prolog使用Horn子句，能够进行更易于处理的计算，并影响了专家系统和认知统一理论的发展。

MIT的“反逻辑”方法

麻省理工学院的研究人员，如**马文·明斯基（Marvin Minsky）、西摩尔·帕珀特（Seymour Papert）和罗杰·尚克（Roger Schank）**，专注于解决需要更接近人类方法的问题，如故事理解和物体识别。他们采用“粗糙”（scruffy）的方法，使用明斯基的“框架”（frames）和尚克的“脚本”（scripts）等框架来捕捉常识性假设。这些方法承认人类概念的不精确性，并试图在人工智能系统中复制这一点。方法论上的这种分歧凸显了人工智能研究中“精细”（neat）逻辑方法与“粗糙”（scruffy）类人方法之间持续的争论，反映了在机器中复制人类智能方面的普遍挑战。

结论

人工智能的发明是一个关于人类好奇心、毅力和创造力的故事。从古代神话到现代机器学习，人工智能的旅程充满了重要的里程碑和富有远见的个人的贡献。尽管挑战依然存在，人工智能改变我们世界的潜力是不可否认的。在我们应对未来时，确保人工智能得到合乎伦理和负责任的发展，将是充分发挥其全部潜力、造福人类的关键。