第四節
人工智能的七個發展階段
誠如Bruce所言，“人工智能應當尋跡到哲學、科幻作品和想象之中”[29]，但是最早的對人工智能的想象現在尚存爭議[30]，哲學家很早就開始追尋智能的機器成為“自由的”（liberty）主體的條件、場景和應對。Descartes強調“機器的人”是一種“暗喻”而非一種可能[31]，這仍停留在古典哲學對于人本質的追尋；Leibniz從另一個角度看到了機器理性的另外一種可能：運用邏輯規則解決矛盾[32]；與他相似的是，Pascal也設計出了機械算數，并將人類和機械均稱為“算數者”[33]；Bonnot和Condillac則運用宣示性的隱喻來探討在什么程度上能夠稱機械為“有智慧的”。[34]
科幻小說作家也極大地促進了具有智能的機械的發展，同時也促使我們思考人類自身的特性。19世紀的Verne和20世紀的Asi-mov是其中最著名的佼佼者，但是也不乏其他的科幻小說先驅，例如Frank Baum，他在1907年創造了一個機械人叫作TIktok，其能夠即時反應、創造思想、完美演講，除了必要的像人一樣生存之外，它能夠思考、說話、行為并且能夠進行一切工作。這些作家也極大地啟發了AI的研究人員。
在當時，也出現了很多社會整體觀念意義上的“機械”樣式的人類，例如猶太傳統中的Golem，[35]他們普遍認為機器能夠實施人類的行為，并且這種行為完全無須擔心。由此可見，在早期的哲學、科幻和想象階段，人工智能并沒有形成物理性的、實踐性的實體，并且體現出兩重分野：第一重是結果意義上的，社會觀念普遍將機器人與人類等同，類似于以前的“神”，它們像人一樣，只是地位上成為人所創造的、服從于人的；第二重是始源意義上的，哲學家先驗性地規定了人工智能發展的三種路徑：（1）人工智能只能模仿人所發現的人的特征和行為，（2）人工智能的運算能力和邏輯能力可以實質上等同于人，（3）人工智能的“智慧”形成應當有一定的自主性。令人遺憾的是，我國并沒有在同時期出現這種傾向。
毫無疑問，社會觀念意義上的人工智能發展路徑缺少與科學和實業溝通的話語，因此人工智能的誕生大部分是遵從Lebniz、Hobbes、Descates這些哲學家、數學家、思想家的路徑，其中，對數理邏輯（mathematical logic）的研究實質上促進了人工智能的產生。Boole的《思考的法則》（The Laws of Thought）[36]和Frege的《表意文字》（Begriffsschrift）等一系列作品奠定了數學進步的基礎，Russell和Whitehead則在1913年的《數學原理》（Pricipia Mathematica）中將其形式化。受前人影響，Hilbert提出了這樣一個基礎性問題：“是否所有的數學原理都能夠被形式化？”該問題被后來的G?del的非完整性證明、Turing的機器和Church的Lambda計算器所回答。以上發展過程說明了兩點：第一，事實上，數學原理的形式化、外部化是可行的，不能實現的限制只來源于數學本身；第二，在數學原理的框架內，任何數學原理都能夠被機械化。
除了數學原理的變遷之外，人工智能的誕生還受益于計算機科學的發展。計算機科學也受到數學原理發展的影響，在19世紀早期，Charles Babbage設計了一個計算機程序，其雖然沒有被創造出來，但是已經起到了先導性的作用；Ada Lvoelace推測機器“可能估測和科學化地結構任何復雜性、任何層次的問題”。[37]在以上猜想和嘗試的推動下，二戰之后，首批現代計算機井噴而出，例如Z3、ENIAC、Colossus，使得計算機科學不斷發展。
1943-1956年，大量的科學家從不同的領域探討創設人工大腦的可能性，他們分布于數學、哲學、工程學、經濟學、政治學等不同的學科。在各個學科的交叉和相互作用之下，人工智能這一學科于1956年成為學術意義上的分野所在。其表現為：第一，網絡和早期的神經網絡，Norbert Wiener創設了網絡，將其作為一種運用電子網絡控制和穩定的對象，Claude Shannon的信息理論描述了電子信號的基礎（例如all-or-nothing信號），Turing的計算理論展現了任何形式的計算都能夠數字化；第二，用于游戲的人工智能（Game AI），曼徹斯特大學的研究人員Strachey和Prinz基于Ferra-nti Mark 1編寫了一段可以進行棋類游戲的程序，在1960年左右，游戲AI已經能夠挑戰業余選手；第三，Turing測試；第四，符號理論和“邏輯學家”，Allen Newell和Herbert Simon創造出“邏輯學家”，證明了《數學原理》中52條公理中的38條，認為機械“具備了人腦的實質性特征”。經歷了上述三個階段的發展，1956年達特茅斯大會上，McCarthy勸說參與會議的學界同行接受“人工智能”這一概念，人工智能正式誕生。但很遺憾的是，中國仍舊缺席了本階段的人工智能發展。
在已經具備了相應的學術基礎和實踐嘗試的情況下，人工智能得到肯定，并且在達特茅斯大會之后產生了雖然簡單但是震撼人的成果，正式進入了人工智能發展的“黃金時代”，其具體表現如下：
（1）論證研究。論證是指為了驗證某些目標或者假設，回溯性地考察每一種道路是否會走向適當的終局。這就是一個論證過程，其主要的困難點在于，一般有很多種論證路徑能夠實現同一個目標，將其剔除較為困難，因此，論證似乎并不可能為一個問題提出解決方案。Simon和Newell努力去創設一種叫作“普遍問題解決者”的算法，其他的這種研究成果包括SAINT、STRIPS和Shakey等。
（2）自然語言。人工智能研究的一個重要目標是讓計算機之間能夠運用自然語言交流，就像英語一樣。早期成功的標志是Bobrow的STUDENT，其能夠解決高中的幾何學問題。此后又發展出了語義學網絡，其將概念視為節點、語句視為節點之間的關系。Quillian進行了第一個用于AI的語義學網絡，Schank發展出了概念性依賴理論，而最為成功的則是ELIZA，如圖1.1所示。
（3）微世界（Micro-Worlds）。Minsky和Papert主張人工智能應當聚焦于簡單的情形，即所謂的微世界。他們從學術的角度出發，認為人工智能應當像成功的物理學一樣，基于簡單的、完美的、理想的例證得以發展，即所謂“阻斷的世界”。后來發展出程序SHRDLU，其能夠用簡單的英語進行日常的交流、計劃工作并且加以執行。
圖1.1 一個語義學示例圖[38]
這一階段被稱為人工智能的黃金時代，諸多學者都作出了預測，認為10年、20年甚至80年以內，完全與人類智力水平一樣的機械就能夠被發明出來。而這一領域獲得的投資也日益增多、相關的比賽相繼舉辦。中國也很遺憾地錯過了這一黃金時代。
這個階段人工智能遇到了“瓶頸”和批判，實際上有很多人工智能研究人員并不能解決他們面臨的困難問題，在被寄予厚望的同時，他們過分樂觀的承諾一再落空，大量的投資也被撤回。同時，連接主義的范疇被叫停接近10年，因為Minsky對其毀滅性的批判。盡管如此，仍舊有邏輯程序、普遍感知論證和其他領域的新觀點被提出：
（1）人工智能“寒冬”面臨的問題：計算機能力不足。當時，人工智能的困難大多是因為計算機自身能力的弱勢，計算機計算次數、內存大小、計算速度以及高額成本等問題阻礙了人工智能的發展。
（2）可質疑論證和組合性論證。Karp指出某些問題只能在很多種語義鍵入之時才能夠得以解決，因此，尋找出一種可行的出路對于當時的計算機計算能力而言是不可能的，這也就造成了當時計算機提出的方案仿佛是玩具提出的方案一般的現象。
（3）常識性知識及其論證。許多重要的人工智能應用于視覺或者自然語言，這要求運用世界上大量的數據，并且要有大量的類似的案例。研究人員后來發現了這是一種極大規模的數據，當時并沒有能力建設這一龐大的數據庫。
此外，人工智能還面臨著其他的問題，諸如莫拉維克悖論和一些框架性的問題。結合人工智能領域的投資日益減少，人工智能領域的項目已經很少在繼續進行。其他領域的專家也對人工智能進行了強有力的批判，如哲學上的批判、人類學上的批判、傳播學上的批判等，但是這些批判被人工智能專家認為是不重要的，因為與他們的學術領域相差還是太遠，不同學科之間的對話“溝壑”日益擴大。
20世紀80年代，人工智能領域聚焦“專家系統”（expert system），這也被大量的企業、單位所采用，同時連接主義也開始復興，這主要歸功于Hopfield和Rumelhart的作品，人工智能又一次取得了成功。
“專家系統”早期由Edward Feigenbaum所創設，于1965年為Dendral所定義。1972年，MYCIN被制造，用于識別血液傳染病，從此這種路徑被認為是可行的。早期的專家系統嚴格限制于具體的、小的領域，因此這些程序建立起來相對容易，并且被證明是確實起到效用的。20世紀80年代，專家系統XCON誕生，它自1986年開始每年為CMU公司節省了40萬美元的開支，這惹得其他企業的眼紅，并且開始在人工智能領域注入資金。1981年，日本政府注入大量資金開創第五代計算機項目，英國政府、美國政府也投入其中，人工智能的發展逐步走上正軌。
“專家系統”的成功也產生了知識層面的轉型，越來越多的人工智能開始走向“預測性的”，而不是再一味地進行模仿人類的工作。另外，用于支撐人工智能領域的計算機科學、數據庫知識等也開始不斷發展。這種知識轉型使人工智能在學術領域上逐步扎根。
連接主義此時也開始復興，運用反向傳播理論，一種新的訓練學習的方式被提出，其最早的嘗試是Hopfield網絡完成的，后來Rumelhart和McClelland主編的論文集《平行分布式處理》（Parallel Distributed Processing）使神經網絡這個概念在20世紀90年代取得了極大的成功，這也催生了特征識別和語音識別技術的發展。
就像是第一次人工智能“寒冬”的“幸存者”一樣，他們口中的“寒冬”是指資金的撤出，在1987年又出現了大規模的人工智能的撤資：首先，人工智能硬件市場的突然“崩塌”，蘋果公司和IBM在1987年以前平穩發展，但是由于過分樂觀，他們設計出雖然更加有力但是十分昂貴的硬件設施，在市場上卻失敗了。其次，早期的專家系統一方面使企業不斷節省資金，但另一方面企業也要花費大量的資金進行維護和更新，尤其是專家系統不能像人一樣學習，從而無法適應時代的變化和發展。但是，在另外一個層面，人工智能尋求突破的呼聲日益加強，又回歸到人工智能第一次“寒冬”之前的狀況，即人工智能一定要具有人形并且能夠像人一樣。
當前的人工智能已經遠遠超出以前的范疇，并且已經實現了早期的大量的目標，其在科技領域的運用日益增多。值得一提的，是我國也加入了這一過程，并且在特定領域，人工智能的運用和發展水平已經處于國際前列。