AI 学科 70 年：从达特茅斯提案到英伟达财报会
以 1955 年达特茅斯提案为起点，回顾人工智能学科 70 年的起伏、两轮寒冬与复兴。
2026 年 8 月 26 日的英伟达财报电话会上，当被问及如何看待通用人工智能（AGI），黄仁勋的回答是：「对于很多任务来说，我们可以说已经实现了 AGI。」这个极具争议的说法，足以佐证当下 AI 能力之强。把时钟拨回 1955 年 8 月 31 日，四位年轻人把一份提案寄给了洛克菲勒基金会，由此奠定了人工智能这门学科的起点。七十年来，AI 走的是一条反复冲高、反复摔落的锯齿线，而每一次摔落的原因都惊人地相似。
一个为避开维纳而生造的词
在「人工智能」这个词出现之前，相关研究叫控制论（Cybernetics），由诺伯特·维纳在 1948 年的同名著作奠定。达特茅斯学院的约翰·麦卡锡既不愿认维纳当老大，也不想跟香农的信息论混在一起，他想自立门户做计算机实现智能这件事，于是需要造一个新词。Artificial Intelligence 就是这样诞生的——它并非精确的技术定义，而是一次学术政治操作的产物。
1956 年 6 月到 8 月，达特茅斯会议开了八周。会上最耀眼的工作来自未在提案上署名的艾伦·纽厄尔和赫伯特·西蒙：他们的「逻辑理论家」程序证明了《数学原理》第二章 52 条定理中的 38 条，且其中一条比罗素的原版证明更简洁。两人兴奋地把论文投给《符号逻辑杂志》，作者栏郑重署上程序的名字，结果被拒稿——这是历史上第一次，一个 AI 系统被拒绝署名权。
黄金十年与第一次寒冬
达特茅斯之后十几年是 AI 最快乐的时期。1958 年弗兰克·罗森布拉特造出感知机 Mark I，用 400 个光电管当「视网膜」；《纽约时报》报道说它未来将能行走、说话、看见、书写、自我复制。同一年麦卡锡发明 LISP 语言，此后在 30 年里都是 AI 研究的通用语言。1959 年阿瑟·塞缪尔的跳棋程序第一次让「机器学习」有了实物对应；1966 年约瑟夫·维森鲍姆写了 ELIZA，一个 200 多行代码的模式匹配聊天程序。1970 年特里·维诺格拉德的 SHRDLU 已经能在虚拟积木世界里理解并解释指令。
乐观情绪失控的同时，危机也在累积。1969 年明斯基和帕普特用《感知机》一书证明单层感知机连 XOR 都无法表达，神经网络方向的经费在此后十几年基本断流。1971 年 7 月 11 日，罗森布拉特在 43 岁生日当天划船时遇难。1973 年英国的莱特希尔报告直接判定：AI 方法在玩具问题上尚可，一旦面对真实规模问题，就会因组合爆炸彻底失效。美国 DARPA 的资助随后也大幅收缩。第一次寒冬持续到 1980 年前后。
专家系统的十年与第二次寒冬
解冻靠战略收缩：既然通用智能做不到，就先做一个只懂一件事的专家。DENDRAL（1965 年起）和 MYCIN（1972 年起）展示了专家系统在专业领域的潜力。真正引爆商业化的是 1980 年卡内基梅隆为 DEC 开发的 XCON，每年为公司节省约 4000 万美元。1982 年日本启动「第五代计算机」计划，试图跳过冯·诺依曼架构造逻辑编程机器。
然而塌得比第一次还快。1987 年通用工作站性能超过专用 LISP 机，Symbolics 等公司的市场在几个月内蒸发；专家系统知识编码慢、维护成本超线性增长，无法自己学习。日本第五代计划 1992 年结束，未达目标。到 1990 年代初，「人工智能」四个字在企业采购和风投圈里几乎成了污点，第二次寒冬到来。
改名求生与深度学习复兴
研究者不再自称做 AI，改说机器学习、数据挖掘、模式识别、信息检索。但学科本身反而更健康了：支持向量机、贝叶斯网络、隐马尔可夫模型、因果推断等方法开始用严格统计指标说话。1997 年 5 月 11 日 IBM 深蓝以 3.5 比 2.5 战胜卡斯帕罗夫，但这是每秒搜索两亿个棋局的暴力算力胜利，几乎不包含学习。同一年 LSTM 论文发表，二十年后它撑起了整个语音识别和机器翻译产业。
神经网络火种靠杰弗里·辛顿、杨立昆、约书亚·本吉奥三人坚持，被戏称「加拿大黑手党」。2006 年辛顿等人关于深度置信网络的论文给这个方向重新起了名字——深度学习。李飞飞同期推动的 ImageNet 数据集（约 1500 万张标注图片、2 万多类别）赌的是「算法不行是因为数据太少」。
2012 年 9 月，克里泽夫斯基、苏茨克维和辛顿用两块英伟达 GTX 580 显卡训练八层卷积神经网络 AlexNet，以 15.3% 的 top-5 错误率拿下 ImageNet 冠军，第二名是 26.2%——在成熟领域，年度提升一两个百分点已是常态，十个百分点意味着质变。算法并不新（卷积网络 1989 年、反向传播 1986 年），真正新的是算力和数据规模。
七十年的启示
1955 年提案里的目标清单——让机器使用语言、形成抽象与概念、解决只有人类能解决的问题、自我改进——恰好构成了 2026 年整个 AI 行业的产品路线图。两次寒冬的成因如出一辙：AI 承诺的东西和能交付的东西之间出现鸿沟。每一次走出寒冬，靠的都是战略收缩、技术换代或新燃料出现。把七十年的故事讲完，或许能让我们对下一次起落多一分心理准备。