会思考的机器：AI 的四次夏天

1955 年，28 岁的数学家 约翰·麦卡锡（John McCarthy）为申请洛克菲勒基金会资助，起草了一份提案。他要为这个新领域取一个中性的名字，以避开 Norbert Wiener 已占据的「控制论」——他选了 Artificial Intelligence。提案里写下那句日后被反复引用的断言：智能的每一个方面，原则上都能精确到让机器去模拟。共同发起者还有 Marvin Minsky、信息论之父 Claude Shannon。

1956 年夏，十位研究者聚在达特茅斯学院，计划用两个月「取得实质进展」。真正的明星不是空谈者：Allen Newell 与 Herbert Simon 带来了已能运行的 逻辑理论家（Logic Theorist），它自动证明了《数学原理》里的定理，有一条证明甚至比原书更简洁。会议没解决任何大问题，却确立了此后三十年的主流路线——符号主义：智能＝对符号进行逻辑操作。神经网络那一支，被推到了边缘。

今天关于 AGI 何时到来的时间表之争，几乎是达特茅斯乐观主义的复刻：同样把当下的局部突破，外推成对通用智能的承诺。

承诺落空，代价随之而来。1969 年，Minsky 与 Papert 出版《感知机》（Perceptrons），用数学证明单层神经网络连「异或」都学不会——神经网络研究的经费几乎瞬间枯竭。1973 年英国的 Lighthill 报告又给欧洲的 AI 拨款判了缓刑。第一次寒冬降临。

1980 年代，AI 靠专家系统回暖：把某领域专家的判断编成成千上万条「如果…就…」规则。DEC 公司的 XCON 帮它配置 VAX 小型机订单，据称每年省下数千万美元；医疗诊断系统 MYCIN 也一度惊艳。产业界砸钱买 LISP 专用机。但泡沫脆弱：规则一多就互相打架，遇到规则外的情形便崩溃，且需要专家手工喂知识——「知识获取瓶颈」。1987 年 LISP 机市场崩盘，第二次寒冬到来。

专家系统的「知识获取瓶颈」，正是今天大模型试图绕过的老问题：与其让人把规则一条条写下，不如让机器从海量数据里自己长出规则。手写规则 vs 数据涌现，是同一道题的两代答案。

围棋曾被视为 AI 的珠峰。棋盘有 10¹⁷⁰ 种局面，远超宇宙原子数，纯靠穷举无解——1997 年击败卡斯帕罗夫的「深蓝」那套暴力搜索在此失灵，高手靠的是说不清的「棋感」。DeepMind 的 Demis Hassabis 偏要碰它：把深度神经网络（评估局面）与蒙特卡洛树搜索结合，再让程序自我对弈数百万局，从胜负中反向学习。

2016 年 3 月 9—15 日，AlphaGo 对阵世界顶尖棋手李世石，五番棋。第二局第 37 手，AlphaGo 在一个人类几乎不会考虑的位置落子——解说席一片错愕，职业棋手称「这不是人会下的棋」，事后却证明是妙手。最终 AlphaGo 以 4:1 取胜。李世石在第四局祭出神来一笔「第 78 手」扳回一城，成了人类对顶级 AI 的最后一胜之一。

「机器给出人类想不到、却被验证更优的方案」正在扩散：AlphaFold 预测蛋白质结构、AI 设计新芯片布局。人机协同的真正价值，不是替代，而是拓展人类的搜索空间——让你看见自己视野之外的那一手。

2017 年，Google 团队发表《Attention Is All You Need》，提出 Transformer 架构——它让模型能并行处理长文本，是此后一切大模型的地基。OpenAI 沿此路线放大参数，2020 年造出 GPT-3。但原始 GPT-3 难以驾驭，答非所问。关键一步是 RLHF（基于人类反馈的强化学习）：用人类的偏好去校准模型，教它「听懂指令、好好说话」。

2022 年 11 月 30 日，OpenAI 把这套能力包成一个对话框，作为「低调的研究预览」放出，内部原本预期反响平平。结果 5 天破百万用户，两个月破一亿——史上增长最快的消费级应用。普通人第一次能用自然语言直接调用 AI。技术早已存在数年，真正引爆的是那层「谁都会用」的界面。

这正是「AI 超级个体」的起点：当调用顶尖模型的门槛降到一个对话框，杠杆从组织下沉到了个人。历史上每一次通用工具平民化——印刷术、个人电脑、互联网——都重新分配了谁能创造。