第四节
人工智能的七个发展阶段
诚如Bruce所言，“人工智能应当寻迹到哲学、科幻作品和想象之中”[29]，但是最早的对人工智能的想象现在尚存争议[30]，哲学家很早就开始追寻智能的机器成为“自由的”（liberty）主体的条件、场景和应对。Descartes强调“机器的人”是一种“暗喻”而非一种可能[31]，这仍停留在古典哲学对于人本质的追寻；Leibniz从另一个角度看到了机器理性的另外一种可能：运用逻辑规则解决矛盾[32]；与他相似的是，Pascal也设计出了机械算数，并将人类和机械均称为“算数者”[33]；Bonnot和Condillac则运用宣示性的隐喻来探讨在什么程度上能够称机械为“有智慧的”。[34]
科幻小说作家也极大地促进了具有智能的机械的发展，同时也促使我们思考人类自身的特性。19世纪的Verne和20世纪的Asi-mov是其中最著名的佼佼者，但是也不乏其他的科幻小说先驱，例如Frank Baum，他在1907年创造了一个机械人叫作TIktok，其能够即时反应、创造思想、完美演讲，除了必要的像人一样生存之外，它能够思考、说话、行为并且能够进行一切工作。这些作家也极大地启发了AI的研究人员。
在当时，也出现了很多社会整体观念意义上的“机械”样式的人类，例如犹太传统中的Golem，[35]他们普遍认为机器能够实施人类的行为，并且这种行为完全无须担心。由此可见，在早期的哲学、科幻和想象阶段，人工智能并没有形成物理性的、实践性的实体，并且体现出两重分野：第一重是结果意义上的，社会观念普遍将机器人与人类等同，类似于以前的“神”，它们像人一样，只是地位上成为人所创造的、服从于人的；第二重是始源意义上的，哲学家先验性地规定了人工智能发展的三种路径：（1）人工智能只能模仿人所发现的人的特征和行为，（2）人工智能的运算能力和逻辑能力可以实质上等同于人，（3）人工智能的“智慧”形成应当有一定的自主性。令人遗憾的是，我国并没有在同时期出现这种倾向。
毫无疑问，社会观念意义上的人工智能发展路径缺少与科学和实业沟通的话语，因此人工智能的诞生大部分是遵从Lebniz、Hobbes、Descates这些哲学家、数学家、思想家的路径，其中，对数理逻辑（mathematical logic）的研究实质上促进了人工智能的产生。Boole的《思考的法则》（The Laws of Thought）[36]和Frege的《表意文字》（Begriffsschrift）等一系列作品奠定了数学进步的基础，Russell和Whitehead则在1913年的《数学原理》（Pricipia Mathematica）中将其形式化。受前人影响，Hilbert提出了这样一个基础性问题：“是否所有的数学原理都能够被形式化？”该问题被后来的Gödel的非完整性证明、Turing的机器和Church的Lambda计算器所回答。以上发展过程说明了两点：第一，事实上，数学原理的形式化、外部化是可行的，不能实现的限制只来源于数学本身；第二，在数学原理的框架内，任何数学原理都能够被机械化。
除了数学原理的变迁之外，人工智能的诞生还受益于计算机科学的发展。计算机科学也受到数学原理发展的影响，在19世纪早期，Charles Babbage设计了一个计算机程序，其虽然没有被创造出来，但是已经起到了先导性的作用；Ada Lvoelace推测机器“可能估测和科学化地结构任何复杂性、任何层次的问题”。[37]在以上猜想和尝试的推动下，二战之后，首批现代计算机井喷而出，例如Z3、ENIAC、Colossus，使得计算机科学不断发展。
1943-1956年，大量的科学家从不同的领域探讨创设人工大脑的可能性，他们分布于数学、哲学、工程学、经济学、政治学等不同的学科。在各个学科的交叉和相互作用之下，人工智能这一学科于1956年成为学术意义上的分野所在。其表现为：第一，网络和早期的神经网络，Norbert Wiener创设了网络，将其作为一种运用电子网络控制和稳定的对象，Claude Shannon的信息理论描述了电子信号的基础（例如all-or-nothing信号），Turing的计算理论展现了任何形式的计算都能够数字化；第二，用于游戏的人工智能（Game AI），曼彻斯特大学的研究人员Strachey和Prinz基于Ferra-nti Mark 1编写了一段可以进行棋类游戏的程序，在1960年左右，游戏AI已经能够挑战业余选手；第三，Turing测试；第四，符号理论和“逻辑学家”，Allen Newell和Herbert Simon创造出“逻辑学家”，证明了《数学原理》中52条公理中的38条，认为机械“具备了人脑的实质性特征”。经历了上述三个阶段的发展，1956年达特茅斯大会上，McCarthy劝说参与会议的学界同行接受“人工智能”这一概念，人工智能正式诞生。但很遗憾的是，中国仍旧缺席了本阶段的人工智能发展。
在已经具备了相应的学术基础和实践尝试的情况下，人工智能得到肯定，并且在达特茅斯大会之后产生了虽然简单但是震撼人的成果，正式进入了人工智能发展的“黄金时代”，其具体表现如下：
（1）论证研究。论证是指为了验证某些目标或者假设，回溯性地考察每一种道路是否会走向适当的终局。这就是一个论证过程，其主要的困难点在于，一般有很多种论证路径能够实现同一个目标，将其剔除较为困难，因此，论证似乎并不可能为一个问题提出解决方案。Simon和Newell努力去创设一种叫作“普遍问题解决者”的算法，其他的这种研究成果包括SAINT、STRIPS和Shakey等。
（2）自然语言。人工智能研究的一个重要目标是让计算机之间能够运用自然语言交流，就像英语一样。早期成功的标志是Bobrow的STUDENT，其能够解决高中的几何学问题。此后又发展出了语义学网络，其将概念视为节点、语句视为节点之间的关系。Quillian进行了第一个用于AI的语义学网络，Schank发展出了概念性依赖理论，而最为成功的则是ELIZA，如图1.1所示。
（3）微世界（Micro-Worlds）。Minsky和Papert主张人工智能应当聚焦于简单的情形，即所谓的微世界。他们从学术的角度出发，认为人工智能应当像成功的物理学一样，基于简单的、完美的、理想的例证得以发展，即所谓“阻断的世界”。后来发展出程序SHRDLU，其能够用简单的英语进行日常的交流、计划工作并且加以执行。
图1.1 一个语义学示例图[38]
这一阶段被称为人工智能的黄金时代，诸多学者都作出了预测，认为10年、20年甚至80年以内，完全与人类智力水平一样的机械就能够被发明出来。而这一领域获得的投资也日益增多、相关的比赛相继举办。中国也很遗憾地错过了这一黄金时代。
这个阶段人工智能遇到了“瓶颈”和批判，实际上有很多人工智能研究人员并不能解决他们面临的困难问题，在被寄予厚望的同时，他们过分乐观的承诺一再落空，大量的投资也被撤回。同时，连接主义的范畴被叫停接近10年，因为Minsky对其毁灭性的批判。尽管如此，仍旧有逻辑程序、普遍感知论证和其他领域的新观点被提出：
（1）人工智能“寒冬”面临的问题：计算机能力不足。当时，人工智能的困难大多是因为计算机自身能力的弱势，计算机计算次数、内存大小、计算速度以及高额成本等问题阻碍了人工智能的发展。
（2）可质疑论证和组合性论证。Karp指出某些问题只能在很多种语义键入之时才能够得以解决，因此，寻找出一种可行的出路对于当时的计算机计算能力而言是不可能的，这也就造成了当时计算机提出的方案仿佛是玩具提出的方案一般的现象。
（3）常识性知识及其论证。许多重要的人工智能应用于视觉或者自然语言，这要求运用世界上大量的数据，并且要有大量的类似的案例。研究人员后来发现了这是一种极大规模的数据，当时并没有能力建设这一庞大的数据库。
此外，人工智能还面临着其他的问题，诸如莫拉维克悖论和一些框架性的问题。结合人工智能领域的投资日益减少，人工智能领域的项目已经很少在继续进行。其他领域的专家也对人工智能进行了强有力的批判，如哲学上的批判、人类学上的批判、传播学上的批判等，但是这些批判被人工智能专家认为是不重要的，因为与他们的学术领域相差还是太远，不同学科之间的对话“沟壑”日益扩大。
20世纪80年代，人工智能领域聚焦“专家系统”（expert system），这也被大量的企业、单位所采用，同时连接主义也开始复兴，这主要归功于Hopfield和Rumelhart的作品，人工智能又一次取得了成功。
“专家系统”早期由Edward Feigenbaum所创设，于1965年为Dendral所定义。1972年，MYCIN被制造，用于识别血液传染病，从此这种路径被认为是可行的。早期的专家系统严格限制于具体的、小的领域，因此这些程序建立起来相对容易，并且被证明是确实起到效用的。20世纪80年代，专家系统XCON诞生，它自1986年开始每年为CMU公司节省了40万美元的开支，这惹得其他企业的眼红，并且开始在人工智能领域注入资金。1981年，日本政府注入大量资金开创第五代计算机项目，英国政府、美国政府也投入其中，人工智能的发展逐步走上正轨。
“专家系统”的成功也产生了知识层面的转型，越来越多的人工智能开始走向“预测性的”，而不是再一味地进行模仿人类的工作。另外，用于支撑人工智能领域的计算机科学、数据库知识等也开始不断发展。这种知识转型使人工智能在学术领域上逐步扎根。
连接主义此时也开始复兴，运用反向传播理论，一种新的训练学习的方式被提出，其最早的尝试是Hopfield网络完成的，后来Rumelhart和McClelland主编的论文集《平行分布式处理》（Parallel Distributed Processing）使神经网络这个概念在20世纪90年代取得了极大的成功，这也催生了特征识别和语音识别技术的发展。
就像是第一次人工智能“寒冬”的“幸存者”一样，他们口中的“寒冬”是指资金的撤出，在1987年又出现了大规模的人工智能的撤资：首先，人工智能硬件市场的突然“崩塌”，苹果公司和IBM在1987年以前平稳发展，但是由于过分乐观，他们设计出虽然更加有力但是十分昂贵的硬件设施，在市场上却失败了。其次，早期的专家系统一方面使企业不断节省资金，但另一方面企业也要花费大量的资金进行维护和更新，尤其是专家系统不能像人一样学习，从而无法适应时代的变化和发展。但是，在另外一个层面，人工智能寻求突破的呼声日益加强，又回归到人工智能第一次“寒冬”之前的状况，即人工智能一定要具有人形并且能够像人一样。
当前的人工智能已经远远超出以前的范畴，并且已经实现了早期的大量的目标，其在科技领域的运用日益增多。值得一提的，是我国也加入了这一过程，并且在特定领域，人工智能的运用和发展水平已经处于国际前列。