朱嘉明 | AI:从思想实验到理论体系——纪念图灵机诞生90周年与达特茅斯会议70周年

2026年，是图灵机诞生90周年与达特茅斯会议70周年。至此AI历史的重要时刻，朱嘉明教授于2026年春撰文《AI：从思想实验到理论体系——纪念图灵机诞生90周年与达特茅斯会议70周年》。之后该文为香港中文大学《二十一世纪》采用，刊载于2026年6月号（总第215期），另拟题为《AI历史的重要里程碑——纪念图灵机诞生九十周年与达特茅斯会议七十周年》。本公众号借此机会，将朱嘉明教授的第一文本全文发表，主标题是《AI：从思想实验到理论体系》。该文本比较《二十一世纪》文本，文字和内容都略有丰富。

AI：从思想实验到理论体系

——纪念图灵机诞生90周年与达特茅斯会议70周年

自文艺复兴以来，近现代科学的历史，是一场没有尽头的漫长革命。其中，最为深刻，充满戏剧化，对人类文明轨迹已经和继续产生影响的莫过于人工智能的思想和实践。

1. 引言：人工智能历史的两个伟大时刻

1936年与1956年，这两个看似平凡的年份，创造了人工智能历史中最为重要的两个事件，在人类文明史上镌刻下不可磨灭的印记。前者见证了年轻的艾伦·图灵提出图灵机理论，为现代计算奠定了理论基石；后者则诞生了“人工智能”这一术语，开启了人类对机器智能的系统性探索。2026年，当我们站在这两个里程碑事件的90周年和70周年节点回望历史，其意义愈发深远：我们正处于人工智能发展的关键转折点，通用人工智能（artificial general intelligence，AGI）的实现被广泛预测将在未来数年内到来。站在技术奇点的边缘，回望历史的火种，既是对先驱的致敬，也是对未来的审视。

2. 人工智能探索的千年历程：1936年与1956年之前的思想奠基

正如人工智能历史学家帕梅拉·麦考达克（Pamela Ann McCorduck，1940—2021）在其经典著作《会思考的机器》（Machines Who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence）中所言：“人工智能始于锻造神灵的古老愿望”。[1]从古代诗人和先知的梦想，到20世纪的科学发现，人类对创造会思考的造物的迷恋贯穿了整个文明史。1936年图灵机理论的提出和1956年达特茅斯会议的召开，并非凭空而来，而是数百年乃至数千年思想积累的自然结晶。

2.1．古典时期：形式推理的奠基（公元前4世纪-中世纪）

第一，亚里士多德的（Aristotle，公元前384-322）三段论：逻辑的诞生。公元前4世纪，亚里士多德创立了形式逻辑，其中最重要的贡献是三段论（syllogism）。

三段论遵循这样的形式：如果A则B；如果B则C；因此，如果A则C。这种推理模式对亚里士多德至关重要，因为它允许我们通过“中项”（相当于上述的B项）来推导出不能立即观察到的关系。亚里士多德将三段论分为完美三段论（perfect syllogisms）和不完美三段论（imperfect syllogisms）。在完美三段论的情况下，一看到术语的排列，就能立即理解结论必然从前提中得出；而不完美三段论则需要通过仔细重新排列术语，逐步转化为完美三段论来证明。[2]

亚里士多德的逻辑学为后来所有形式推理系统奠定了基础。它证明了一个革命性的观点：推理可以被形式化，可以脱离具体内容而独立存在。这一洞见直到19世纪布尔和弗雷格的工作才真正被超越。

第二，拉蒙·卢尔（Ramon Llull，约1232-1316）的机械推理实验。13世纪的加泰罗尼亚哲学家拉蒙·卢尔创造了《大术》（Ars magna）。这是一个组合逻辑系统，试图通过机械化的方法发现真理。卢尔的系统使用旋转的圆盘和字母符号来生成论证和证明。虽然他的主要目的是为基督教神学提供理性基础并用于转化异教徒，但他的方法开创了用形式化系统进行推理的先河。[3]

拉蒙·卢尔油画肖像，西班牙画家弗朗西斯科·里巴尔塔（Francisco Ribaltá，1565—1628）绘

来源：Google Arts & Culture

卢尔的系统结合了归纳和演绎思维，他将其视为一个阶梯，连接着上升和下降的思维过程。这种将复杂推理分解为可操作步骤的思想，在600年后被莱布尼茨重新发现和发展，最终成为计算机科学的核心理念。[4]

2.2．早期现代时期：机械论与符号推理（17世纪）

第一，笛卡尔（René Descartes，1596-1650）的动物机器：物质与心灵的二元论。勒内·笛卡尔在其自然哲学中提出了“动物机器”（animal machine）理论，将动物视为如同液压自动机一样的复杂物理机制。他描述动物的身体时，将神经比作管道，肌肉比作弹簧，动物精神比作驱动机器的水。[5]笛卡尔认为，所有动物行为，包括感官反应和运动行为，都可以通过纯粹的物理机制来解释，无需诉诸意识或理性。然而，他坚持认为人类拥有不可简化的理性灵魂，这使人类与动物根本不同。[6]这种机械论观点虽然在当时引发了激烈争议，但为后来关于人工智能、动物认知和意识的哲学讨论奠定了基础。

第二，霍布斯（Thomas Hobbes，1588-1679）：思维即符号推理。托马斯·霍布斯被描述为“AI的祖父”。[7]他提出的核心观点是：思维就是符号推理，就像大声说话或用纸笔计算答案一样。这一观点是革命性的，因为它将思维从神秘的精神活动降格为可以用符号操作来描述的过程。如果思维只是符号的机械操作，那么原则上机器也能进行思维。[8]

第三，莱布尼茨（Gottfried Wilhelm Leibniz，1646-1716）的普遍特征：理性演算的梦想。戈特弗里德·威廉·莱布尼茨对人工智能思想的贡献是革命性的。他在1679年前后发展了“普遍特征”（characteristica universalis）和“理性演算”（calculus ratiocinator）的构想。

莱布尼茨写道：“我认为，一些精选的人可以在五年内完成这件事”。[9]他的目标是创造一种“人类思想的字母表”，一种用于科学、数学和形而上学的通用符号语言。[10]他设想通过将论证和思想重新表述为普遍特征的术语，可以像进行计算一样得出理性真理。莱布尼茨本人的表述：“正如我有幸大大完善了发明的艺术或数学分析，我开始有了某些全新的想法，将所有人类推理归约为一种演算...”[11]他还设计了机械计算器，并从中国的《易经》中重新发现了二进制，他认为这将创造他的普遍特征所需的联系。[12]莱布尼茨的思想最终为符号逻辑和现代哲学，特别是基于谓词的分析哲学和布尔逻辑奠定了基础。他的梦想在200多年后通过图灵机得到了理论上的实现。

2.3． 19世纪：逻辑革命与机械计算（1800-1900）

第一，布尔代数：逻辑的数学化。乔治·布尔（George Boole，1815-1864）在1847年发表了小册子《逻辑的数学分析》（The Mathematical Analysis of Logic），这是他对布尔代数的第一次阐述。[13]七年后的1854年，他出版了更长的专著《思维规律研究——数学逻辑和概率理论的基础》（An Investigation of the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities）。[14]

《思维规律研究》

来源：Internet Archive

布尔的第一个目标是展示他的代数系统能够处理传统的亚里士多德逻辑。他对著名的亚里士多德范畴命题的翻译如下[15]：所有A是B：AB = A 或 A(1-B) = 0。布尔相信他有权完全采用他那个时代的普通代数，他说“普通代数的所有过程都适用于当前系统”。他超越了格雷戈里（Duncan Farquharson Gregory，1813—1844）在1840年使用的符号代数基础，添加了德摩根（Augustus De Morgan，1806—1871）1841年的单一推理规则：对等价主体执行的等价操作产生等价结果。[16]布尔代数使用真值0和1，而不是通常的数字代数，或者等价地说是给定集合的子集的代数。这个看似抽象的系统，在一个世纪后成为所有数字电路和计算机的理论基础。[17]

第二，弗雷格（Gottlob Frege，1848-1925）的概念文字：现代逻辑的诞生。戈特洛布·弗雷格在1879年出版了《概念文字，一种模仿算术的纯思维公式语言》（Begriffsschrift, eine der arithmetischen nachgebildete Formelsprache des reinen Denkens）。[18]这本书引入了重要的创新：他用函数和参数（function and argument）的区分取代了主语和谓语（subject and predicate）的区分。这个区分借鉴自数学但适应了逻辑的需要。弗雷格指出，一个命题可以被分析为一个论元（argument）和一个函数（function），而不是传统的唯一主语和谓语。[19]这标志着逻辑学的一次重要创新：弗雷格取代了自亚里士多德以来大多数逻辑工作中嵌入的将命题分析为唯一主语和谓语的方法，代之以更灵活的分析理念。《概念文字》官方包含九个公理和一条规则，它创立了现代谓词逻辑，为后来罗素和怀特海的《数学原理》（Principia Mathematica）奠定了基础。这一逻辑系统最终成为人工智能符号推理的数学工具。

弗雷格

来源：Wikipedia

第三，巴贝奇（Charles Babbage，1791-1871）与洛夫莱斯（Augusta Ada King, Countess of Lovelace，1815-1852）：机械计算的先驱。查尔斯·巴贝奇着手设计和制造机械计算引擎，以消除人工计算制表中的人为错误风险。机器的准确无误将解决人类易错性的问题。他的工作将他从机械化算术引向了全新的自动计算领域。巴贝奇受到雅卡尔织机的打孔卡编程启发，为分析机开发了自己的卡片编程系统。这个系统根据卡片上的孔洞模式来控制引擎的各种齿轮。虽然分析机从未建成，但它的设计包含了现代计算机的所有基本要素：存储器、处理器、条件分支、循环等。[20]

艾达·洛夫莱斯对分析机的理解超越了巴贝奇本人。1843年，她在翻译路易吉·梅纳布雷亚关于分析机的论文时，附加了七份详细注释。[21]洛夫莱斯在注释中写道：“分析机是运算科学的具体体现，特别着眼于将抽象数作为这些运算的对象...差分机在本质上严格来说是算术性的，它能达到的结果处于一个非常明确和受限的范围内，而没有有限的界限可以限制分析机的能力。这些能力与我们对分析法则本身的知识是同等广泛的，只受我们对这些法则的熟悉程度的限制。”洛夫莱斯的注释G包含了计算伯努利数的算法，是第一个计算机程序。更重要的是，她预见了计算机不仅能进行数值计算，还能操作符号，甚至可能创作音乐。[22]这一洞见在一个世纪后被图灵的通用计算理论所证实。

3. 1936年：图灵与计算的理论基石

3.1．时代背景与问题挑战

20世纪30年代，数学界正经历一场深刻的基础危机。德国数学家大卫·希尔伯特提出的数学基础纲领试图将所有数学建立在完备且一致的公理系统之上，其中“判定性问题”（Entscheidungsproblem）成为核心挑战：是否存在一个算法，能够判定任何数学命题的真假。这个问题不仅关乎数学的完备性，更触及了“计算”本质的哲学思考。1931年，哥德尔的不完备性定理已经动摇了希尔伯特纲领的根基，但对“可计算性”的精确定义仍然悬而未决。

在这样的时代背景下，一位年仅23岁的英国青年数学家艾伦·图灵登上了历史舞台。1936年5月28日，图灵向伦敦数学学会提交了题为《论可计算数及其在判定性问题上的应用》（On Computable Numbers, with an Application to the Entscheidungsproblem）的论文，该论文于1936年11月12日正式宣读。[23]90年之后再看这篇在当时人们不能意识到其深远意义的文章，可以毫不夸张地说，这也是普罗米修斯（Prometheus）的思想之火。

3.2．《论可计算数》的革命性贡献

在这篇开创性论文的开头，图灵给出了“可计算数”的定义：“‘可计算数’可以简要描述为那些其十进制表达式可以通过有限手段计算出来的实数”。他写道：“根据我的定义，如果一个数的十进制表达可以被机器写下来，那么这个数就是可计算的”。[24]

图灵的天才之处在于，他没有试图直接回答希尔伯特的判定性问题，而是退后一步，首先定义了“可计算”的精确含义。他构想了一个极其简洁的抽象机器模型：一条无限长的纸带被划分为若干格子，每个格子可以写入符号；一个读写头可以在纸带上移动，根据当前状态和读取的符号，按照预设的规则改写符号、移动位置或改变状态。[25]

图灵在论文中详细描述了这一模型：“我们可以把正在计算实数的人比作一台只能具有有限个状态q₁, q₂, ..., qᵣ的机器，这些状态将被称为‘m-配置’（m-configurations）。这台机器配备有一条‘纸带’（相当于纸），纸带穿过机器并被分成若干段（称为‘方格’），每个方格可以承载一个‘符号’”。他进一步解释：“机器在任何时刻的可能行为由m-配置qₙ和被扫描的符号决定”。[26]

更重要的是，图灵提出了“通用图灵机”的概念：一台可以模拟任何其他图灵机的机器。在论文第6节“通用计算机器”中，他写道：“可以发明一台单一的机器，它可以被用来计算任何可计算序列。如果向这台机器𝕌提供一条纸带，纸带的开头写有某台计算机器𝕄的标准描述，那么𝕌将计算出与𝕄相同的序列”。[27]这一洞见本质上预见了现代通用计算机的核心思想：硬件可以保持不变，通过改变软件（程序）来执行不同的任务。

对图灵机概念的具象化机械设计示意

来源：wvbailey

“图灵是构想与其他人的区别在于，他是通过一台抽象机器来表示的。其特性的惊人之处在于他表明了只要有无限的数据存储能力，就算用非常有限的基础操作也足够实现所有算法。进而，他展示了无论是什么算法，都可以设计出一台称为‘通用机器’的机器来实现。这些远见在现代多用途计算机的发展中扮演着至关重要的角色。”[28]或者可以说，图灵机理论的革命性还在于它明确划定了可计算性的边界。通过构造“停机问题”，图灵在论文第8节证明：“如果存在这样一个通用过程，那么就会有一台机器来计算β'...这导致矛盾”。[29]这证明存在某些问题是任何算法都无法解决的，为计算理论设定了根本性的限制。

3.3．丘奇-图灵论题的形成

值得注意的是，几乎在同一时期，美国数学家阿隆佐·丘奇（Alonzo Church，1903—1995）用完全不同的方法——λ演算（Lambda calculus）——独立地解决了判定性问题。图灵在论文中提到，丘奇的“有效可计算性‘概念’与我的‘可计算性’等价，但定义方式非常不同”。[30]

两种完全独立的形式化系统最终被证明等价，这一事实极大地增强了理论的可信度。这种收敛性促成了后来被称为“丘奇-图灵论题”的基本原理：所有直觉上可计算的函数都是图灵可计算的。这一论题虽然无法被严格证明（因为“直觉上可计算”无法被形式化定义），却成为计算理论和计算机科学的基石，至今没有反例被发现。

荷兰计算机先驱威廉·范德波尔（Willem Louis van der Poel，1926—2024）是少数真正在早期计算机设计中应用图灵1936年通用机器概念的人。[31]事实上，在计算机科学早期发展中，许多先驱在不了解图灵工作的情况下也取得了伟大成就。[32]这说明伟大思想的传播和被理解需要时间，但最终它们的价值会被历史充分认可。

3.4．超越时代的洞见与战时贡献

图灵在论文第9节对“可计算数的范围”进行了深入论述。他坦诚地写道：“试图证明‘可计算’数包含所有自然被认为是可计算的数的所有论证，从根本上说都是对直觉的诉求，因此在数学上相当不令人满意”。[33]然而，他提供了一个令人信服的论证。

他将人类计算过程进行了深刻的分析：“计算通常是通过在纸上写某些符号来完成的...我假设计算是在一维纸上进行的，即在被分成方格的纸带上进行的”。[34]图灵进一步指出：“计算者在任何时刻的行为由他正在观察的符号和他当时的‘心智状态’决定...我们还假设需要考虑的心智状态的数量是有限的”。[35]通过这种分析，图灵论证了他的机器模型可以捕捉所有人类可执行的计算过程。

图灵的理论天赋很快在实践中得到验证。1939年第二次世界大战爆发后，图灵被招募到英国政府密码学校，在布莱切利园（Bletchley Park）从事破译德军密码的工作。他设计并改进了用于破译恩尼格玛（Enigma）密码机的电子机械装置“炸弹机”（Bombe），还开发了称为“班布里斯姆斯”（Banburismus）的统计技术。

图灵的工作对盟军战争努力产生了决定性影响。破译德军海军密码对赢得大西洋战役至关重要：这场战役关系到英国的生存命脉，因为德国U型潜艇严重威胁着运送物资的船队。历史学家估计，布莱切利园的密码破译工作可能将战争缩短了两年以上，挽救了数百万人的生命。[36]

然而，这位为人类文明做出巨大贡献的天才，却未能在生前得到应有的尊重。1952年，图灵因同性恋行为被起诉，当时英国法律将其定为刑事犯罪。为了避免监禁，他接受了化学阉割治疗。1954年6月7日，年仅41岁的图灵在家中去世，官方判定为氰化物中毒自杀。这一悲剧结局在很长时间内蒙上了图灵成就的光辉，直到2013年英国女王伊丽莎白二世才正式赦免了他。

图灵的工作为整个现代计算机科学奠定了理论基础。更深远的是，图灵机理论蕴含着一个哲学命题：如果智能可以被算法化描述，那么机器也能实现智能。1950年，图灵在《心灵》（Mind）期刊上发表了另一篇影响深远的论文《计算机器与智能》（Computing Machinery and Intelligence），明确提出了“机器能思考吗？”这一问题。他在文中写道：“由于‘思考’和‘机器’这两个词无法清晰定义，我们应该用另一个与之密切相关且用相对明确的词语表达的问题来替代这个问题”。这就是著名的“图灵测试”：如果一台机器在对话中无法被人类区分出来，那么就可以认为它具有智能。[37]

图灵在1950年的论文中对机器学习也有先见之明的论述。他在第7节“学习机器”中写道：“与其试图编写一个程序来模拟成人的心智，为什么不试图编写一个模拟儿童心智的程序呢？”[38]这一洞见预见了现代深度学习的核心思想：通过训练来获得智能，而非手工编码规则。这个思想实验成为连接计算与智能的桥梁，直接启发了六年后达特茅斯会议的召开。

1954年6月7日夜里，图灵结束了自己的生命。“图灵研究思维，可思维却是那样神秘，这位解密大师，最终败给了自己内心的谜”。[39]图灵不会想到两年之后，在美国召开了他所开启的人工智能会议。如果他还活着，他是否被邀请参加这个会议，如果参加，他又会有怎样的影响和贡献？这一切只能留给后人想象。

4. 1956年：达特茅斯与人工智能的命名

4.1. 会议的酝酿与召开

自1936年图灵机理论提出后的20年间，世界经历了第二次世界大战。在惨烈的战争中，电子计算机从理论走向现实。1945年，冯·诺依曼（John von Neumann，1903—1957）提出存储程序计算机概念和架构。1946年2月，世界上第一台通用计算机“ENIAC”公开发布于美国宾夕法尼亚大学。

1953年夏天，在贝尔实验室为克劳德·香农（Claude Elwood Shannon，1916—2001）工作的约翰·麦卡锡（John McCarthy，1927—2011）和马文·明斯基（Marvin Lee Minsky，1927—2016），受香农影响，开始将兴趣转移到图灵机以及是否可用图灵机作为智能活动的理论基础。

1955年初，麦卡锡向洛克菲勒基金会申请资金，计划在达特茅斯举办一个为期约10人参加的夏季研讨会。1955年6月，他和香农与生物医学研究主任罗伯特·莫里森（Robert Swain Morison，1906—1986）会面讨论这一想法和可能的资金支持。

1955年8月31日，麦卡锡和明斯基，还有IBM公司的纳撒尼尔·罗切斯特（Nathaniel Rochester，1919 – 2001），以及贝尔实验室香农联合签署了正式提案《达特茅斯人工智能夏季研究项目提案》（A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence）。这次会议，使得“人工智能”（artificial intelligence）这一术语得以首次正式使用。这份历史性文件的开头写道：“我们建议在1956年夏天于新罕布什尔州汉诺威的达特茅斯学院进行为期2个月、10人参加的人工智能研究。研究将基于这样的假设进行：学习的每一个方面或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它。”[40]这份提案继续阐述：“我们将尝试找到如何使机器使用语言、形成抽象和概念、解决现在保留给人类的各种问题，以及改进它们自己。我们认为，如果一群精心挑选的科学家在一起工作一个夏天，就可以在这些问题中的一个或多个方面取得重大进展。”[41]历史应该注意到，1955年的麦卡锡和明斯基都是28岁，纳撒尼尔·罗切斯特（Nathaniel Rochester，1919 – 2001）36岁，香农不过39岁。

4.2. 会议的时间、地点和实际参与者

这个人工智能会议于1956年6月18日开幕，历时六到八周。会议实际参加者的规模超过了预期。麦卡锡后来列出了多达47位的名单，包括多次访问或短期参与的研究者，并非名单上的所有人都实际参加了达特茅斯会议。[42]核心参与者包括雷·所罗门诺夫（Ray Solomonoff，1926—2009）、艾伦·纽厄尔（Allen Newell，1927—1992）、赫伯特·西蒙（Herbert Alexander Simon，1916—2001）、阿瑟·塞缪尔（Arthur Lee Samuel，1901—1990）、奥利弗·塞尔弗里奇（Oliver Gordon Selfridge，1926—2008）等人，他们中的许多人后来成为人工智能领域的奠基人物。[43]

参与者在不同时间到达，多数只停留较短时间。索罗门诺夫和明斯基住在教授公寓，大多数人则住在汉诺威旅馆（Hanover Inn）。[44]这种松散而灵活的组织方式，反而营造了一种自由探讨的学术氛围，让不同背景的研究者可以深入交流各自的想法。

因为此次会议，这个创建于1769年，位于美国新罕布什尔州汉诺威镇的达特茅斯学院，成为了人工智能策源地。

达特茅斯学院

来源：Billy Wilson

4.3. 参会者发言与核心讨论

达特茅斯会议没有正式的演讲议程，采用完全开放的头脑风暴形式——参与者聚集在达特茅斯数学系顶楼的主教室，各人轮流主导讨论，分享自己的研究方向。这种非正式的氛围被认为极具创造力，尽管由于各人观点迥异、凑不成统一方向，会议并未产出集体性的研究成果。

第一，纽厄尔与西蒙：逻辑理论家程序。会议上令所有人印象最深的报告来自艾伦·纽厄尔和赫伯特·西蒙：他们展示了“逻辑理论家”（Logic Theorist）程序，这是第一个能自动证明《数学原理》（Principia Mathematica）中命题逻辑定理的人工智能程序。[45]西蒙在回忆录中称1955和1956年是自己学术生涯最重要的两年。[46]这篇论文早先投稿《符号逻辑杂志》遭退稿，原因是编辑拒绝接受一篇由计算机程序署名的论文，认为“一个初等数学定理的新证明并无值得关注之处”。西蒙曾将程序所证明的一条定理展示给罗素本人——该证明甚至比罗素与怀特海手工推导的版本更为优雅——罗素对此回应颇为欣喜。然而在达特茅斯会议现场，几乎没有人意识到这一成果的深远意义，整体反应相当冷淡。会后，纽厄尔对麦卡锡仅凭“口头总结”就代表会议发言颇为不满，认为“达特茅斯会议唯一有干货的成果”正是他们的逻辑理论家程序。[47]

第二，明斯基：几何定理证明器。明斯基在会议期间在纸上设计了一个几何定理证明器，并提出了以等腰三角形为例的设想，思路是让机器通过画图来提示各子目标定理。[48]罗切斯特在会场与明斯基详谈了这一想法，回去后立即将其介绍给IBM的格兰特（Herbert Leo Gelernter，1929—2015），后者在1959年正式实现并发表了几何定理证明机器的论文。[49]

第三，塞缪尔：跳棋学习程序。 8月6日，塞缪尔讲述了他的跳棋程序研究，重点探讨“如何引入中间目标”以及“如何对不同类型的棋步评分”。索罗门诺夫在笔记中记录：“塞缪尔完全感兴趣的是学习问题，而不是跳棋本身。”此外，伯恩斯坦（Alex Bernstein，1930—1999）于8月8日讲述国际象棋，探讨如何调整权重使机器偏向赢家的走法。[50]

第四，索罗门诺夫：归纳推理机。全程参与八周的共有三人：索罗门诺夫、麦卡锡和明斯基。索罗门诺夫在会议期间撰写了175页笔记，提出了“归纳推理机”（Inductive Inference Machine）的概念，思路是用符号矩阵表示程序代码，以此预测未来的符号序列。明斯基后来承认，正是索罗门诺夫关于符号归纳推理的早期工作，推动了他放弃神经网络建模，转向符号人工智能方向。[51]

第五，阿什比：同态调节器。 7月23日，阿什比（William Ross Ashby，1903 – 1972）主导了一次关于同态调节器（Homeostat）的讨论——这是一种能适应环境变化的机电装置。他强调，一台构造简单的机器，若将其内部机制遮蔽，从心理学角度看会显得极为神奇。麦卡锡对此呼应，坚持认为唯一真正的问题是搜索问题——如何加速它。索罗门诺夫则在笔记中指出该机器的两个缺陷：一是没有对先前解法的记忆，二是求解时间随机器组件数量呈指数增长。[52]

索罗门诺夫在事后对会议的评价相当严峻，他在笔记中写道：“这个研究项目没什么启发性……收获最大的是：写了报告，认识了一些有趣的人，发现这个领域大多数人的思维水平之低，以及一些想法：搜索问题可能很重要。”[53]这也提醒我们：历史里程碑的意义，往往是在后来者的回望中才得以彰显的。

4.4. 会议中浮现的三条发展路线

达特茅斯会议虽未能形成统一的研究纲领，却在自由讨论中孕育了人工智能此后70年发展的三条根本路线：符号主义（symbolicism）、连接主义（connectionism）与行为主义（actionism）。

第一，符号主义路线的确立。以麦卡锡、纽厄尔和西蒙为代表，符号主义认为智能的本质是对符号的操作与推理，即思维就是符号运算。纽厄尔与西蒙在会议上展示的“逻辑理论家”程序是这一路线的第一个具体成果，直接体现了“用符号规则模拟人类推理”的核心理念。会议结束后，两人沿着这一方向持续深耕，最终在1976年发表的论文《作为经验探索的计算机科学：符号与搜索》（Computer Science as Empirical Inquiry: Symbols and Search）中，正式提出“物理符号系统假说”（Physical Symbol System Hypothesis）：智能行为的充要条件是一个物理符号系统的运作。符号主义此后长期主导人工智能研究，催生了启发式算法、专家系统与知识工程，在1980年代达到顶峰。

第二，连接主义路线的萌发与转向。连接主义的根源可追溯至1943年麦卡洛克（Warren Sturgis McCulloch，1898—1969）和皮茨（Walter Harry Pitts Jr.，1923—1969）建立的神经元模型（MP模型），其核心思路是通过模拟大脑神经元之间的连接机制来实现智能。值得注意的是，达特茅斯会议本身见证了这一路线的关键转折：索罗门诺夫关于符号归纳推理的研究深刻影响了明斯基，后者在会议期间的深度交流中逐渐形成了转向符号人工智能的思想倾向。这一倾向在此后十余年间持续演化，最终在1969年出版的《感知机》（Perceptrons）一书中以公开的学术批判形式付诸于世，对连接主义研究造成了决定性的打击，导致神经网络研究几乎完全停滞长达十余年。[54]尽管如此，连接主义路线并未消亡，而是经由1980年代反向传播（backpropagation）算法的重新发现，最终在21世纪以深度学习的形式成为当今最主流的人工智能范式。

第三，行为主义路线的雏形。行为主义（又称控制论学派）的哲学基础是“感知—行动”循环：智能不需要内部符号表征，而是在与环境的持续交互与反馈中涌现。达特茅斯会议上，阿什比关于同态调节器的讨论正是这一路线的早期代表——这种能够自适应环境变化的机电装置，体现了无内部模型、依靠反馈调节实现适应性行为的核心理念。塞缪尔的跳棋程序也蕴含行为主义的元素：程序并不依赖对棋局的完整符号化描述，而是在与对手的博弈中通过评分机制不断调整策略。

三条路线的深层分歧。从认知机制角度看，三条路线的本质差异在于：符号主义研究抽象推理，注重逻辑可解释性；连接主义研究形象感知，依赖数据驱动的自动学习；行为主义研究感知—动作，强调与环境的具身交互。达特茅斯会议上，这三条路线的代表人物共处一室，却因视角迥异而未能融合。这既是会议没有统一成果的原因，也恰恰是其历史价值所在：它为人工智能的多元发展埋下了种子。索罗门诺夫在事后的记录中也指出了这一隐性分歧的走向：会议促成了一个微妙的转变，从神经网络和数值方法逐渐偏向符号方法，从追求通用学习系统转向解决特定问题的系统，同时也初步显现了演绎逻辑系统与归纳概率系统之间的路线冲突。[55]而这一张力，在此后数十年的人工智能发展历程中将反复浮现。

进入21世纪尤其是2020年代以来，三条路线的消长格局已发生根本性重组，呈现出明显的非均衡态势。

连接主义凭借深度学习的崛起，已全面确立其主导地位。以Transformer架构为核心的大语言模型（如GPT、Gemini、Claude等）在语言理解、代码生成、多模态推理等任务上不断突破人类水平。2025年的关键转折在于：大模型的智能提升路径发生根本转变，不再仅依赖训练阶段的参数扩展，而是更多地通过推理时方法优化——即基于强化学习的“思考”过程——来实现能力的跃升。这标志着连接主义与行为主义路线的深度融合已初步成形。

符号主义路线虽不再居于主流，却以新的形式实现了再生。在大模型可解释性需求的推动下，神经符号人工智能（neuro-symbolic AI）作为融合方向快速兴起：通过将神经网络的感知学习能力与符号系统的逻辑推理能力相结合，试图同时解决深度学习“不可解释”与符号人工智能“知识获取瓶颈”两大痼疾。在医疗、金融等对可解释性有刚性要求的垂直领域，专家系统与知识工程的思路仍不可替代。

行为主义路线则以强化学习为核心载体持续演进。从AlphaGo到具身智能机器人，强化学习所体现的“感知—行动—反馈”循环正在从游戏环境向真实物理世界延伸。尤其值得关注的是，强化学习从人类反馈（reinforcement learning with human feedback，RLHF）已成为训练大语言模型使其符合人类意图的关键技术，这使得行为主义的核心机制深度嵌入了当代最主流的人工智能训练范式之中。

三条路线由此完成了一次历史性的融合：连接主义提供感知与生成的基础能力，符号主义提供推理与可解释性的约束框架，行为主义提供与环境交互及目标对齐的优化机制。这一融合趋势，或许正是达特茅斯会议七十年后，那颗多元发展的种子所结出的果实。

4.5. 参会者的学术荣誉

达特茅斯会议的参与者中，有多人荣获图灵奖及其他顶级奖项，堪称计算机科学史上最密集的获奖群体之一。图灵奖（ACM A.M. Turing Award）被誉为“计算机科学的诺贝尔奖”，与该项目相关的早期AI先驱中，明斯基、麦卡锡、纽厄尔、西蒙后来获得图灵奖。马文·明斯基（1969年）：表彰其对人工智能的奠基性贡献，以及创立MIT人工智能实验室的开创性工作。约翰·麦卡锡（1971年）：表彰其创造“人工智能”术语、发展LISP语言及形式化推理框架的贡献。艾伦·纽厄尔与赫伯特·西蒙（1975年，共同获奖）：表彰二人历时二十年共同研究，对人工智能、人类认知心理学及列表处理语言做出的基础性贡献。

在更广泛的学术荣誉方面，赫伯特·西蒙于1978年荣获诺贝尔经济学奖，表彰其对组织决策过程的研究，成为极少数横跨计算机科学与经济学两个领域均获最高荣誉的学者。麦卡锡与纽厄尔亦先后获得美国国家科学奖章。四位图灵奖得主恰好涵盖了人工智能早期最核心的两条研究路线：麦卡锡与明斯基代表符号人工智能与知识表示，纽厄尔与西蒙代表认知模拟与问题求解，他们的获奖年份集中于1969至1975年，某种程度上也是对达特茅斯精神的迟来认可。

4.6. 从辉煌到寒冬：人工智能发展的曲折道路

会议之后的十多年间，研究者在符号推理、问题求解、博弈等领域取得了一系列突破。纽厄尔和西蒙随后开发的“通用问题求解器”（General Problem Solver，GPS）试图用统一的方法解决各类问题。[56]塞缪尔开发的跳棋程序在1962年击败了后来成为康涅狄格州跳棋冠军的罗伯特·尼利（Robert Nealey，?—?）。这些成就似乎验证了达特茅斯会议的乐观预期。

然而，好景不长。到1960年代末，人工智能研究遇到了严重瓶颈。1969年，明斯基和帕珀特（Seymour Aubrey Papert，1928—2016）出版了《感知机》一书。[57]这本书详细分析了单层感知机的数学局限性，证明它无法解决某些简单问题（如XOR问题）。虽然书中只研究单层感知机，并指出多层网络可能克服这些限制，但这一细微差别被忽略了。该书被广泛误解为对整个神经网络方法的否定，导致连接主义研究几乎完全停滞。感知机的发明者弗兰克·罗森布拉特（Frank Rosenblatt,1928—1971）于1971年去世，更为这一研究方向蒙上了阴影。

《感知机》封面

来源：MIT Press

更大的打击来自1972年。英国数学家詹姆斯·莱特希尔（James Lighthill，1924—1998）受英国科学研究委员会委托，对人工智能研究进行评估。他的报告极为严厉，将人工智能研究分为三类：A类（高级自动化）、B类（构建通用智能机器）、C类（计算机模拟神经系统）。莱特希尔认为，B类研究，也就是达特茅斯会议的核心目标，基本上是失败的，大部分承诺都未能兑现。[58]

这份报告的影响是灾难性的。英国科学研究委员会大幅削减人工智能研究资金，许多实验室被迫关闭，研究人员转向其他领域。这一影响迅速蔓延到美国，引发了第一次“人工智能寒冬”（1974-1980）。大学停止开设人工智能课程，学生避免选择这一研究方向，风险投资也远离了人工智能领域。

正是在这样的背景下，艾伦·纽厄尔和赫伯特·西蒙于1976年发表了人工智能思想史的重要文章“作为经验探索的计算机科学：符号与搜索”（Computer Science as Empirical Inquiry: Symbols and Search）。[59]文章将计算机科学定性为一门经验科学，而非纯粹的数学或工程学科。他们认为，现实世界中的对象和过程都可以用符号来描述和解释，而各种问题都可以通过启发式搜索来获取答案。也就是说，计算机程序不仅是工具，更是可供观察和检验的科学实验对象；智能行为的本质是对符号的操纵与搜索过程；科学发现本身也是一种可被程序化的问题求解类型。文章最重要的贡献是正式提出了“物理符号系统假说”（Physical Symbol System Hypothesis, PSSH）：一个物理符号系统，具备实现通用智能行为的充分且必要的手段。这一假说奠定了“符号主义人工智能”（Symbolic AI）学派的理论基础，认为人类思维与计算机程序在本质上是同构的，都是对符号的处理。

1980年代中期，专家系统的商业应用一度重新点燃了对人工智能的热情。然而到1987年，由于专家系统维护成本高昂、灵活性差，这一泡沫迅速破裂，引发了第二次人工智能寒冬（1987-1993）。

这两次寒冬给人工智能研究留下了深刻教训：过度承诺和未能兑现会导致严重的信任危机。当今AGI讨论中，这段历史仍然具有警示意义：技术突破需要扎实的研究积累，而非空洞的宣传。

但达特茅斯会议点燃的火种从未真正熄灭。在寒冬中，一些研究者默默坚持。1986年，鲁梅尔哈特（David Everett Rumelhart，1942—2011）、辛顿（Geoffrey Everest Hinton，1947—）和威廉姆斯（Ronald James Williams，1945—2024）重新发现并推广了反向传播算法，让多层神经网络训练成为可能。1990年代，统计学习方法兴起，人工智能研究从追求人类般的推理转向从数据中学习。这些转变并非对达特茅斯愿景的背叛，而是通向同一目标的不同路径探索。正是在挫折与坚持中，人工智能逐渐走向成熟。

5. 两个事件的内在纽带

5.1. 理论与实践的接力

图灵机理论与达特茅斯会议并非孤立的历史事件，而是智能探索道路上的两个关键节点，构成了从理论到实践的完美接力。图灵在1936年的论文中证明了通用计算的可能性，表明任何可以被明确描述的过程都可以被机器执行。如果没有这一理论基石，达特茅斯提案中关于“智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它”的信念将缺乏坚实的根基。

达特茅斯会议则将图灵的理论洞见推向工程实现。从某种意义上说，达特茅斯会议是对图灵1950年论文的呼应：既然图灵在《计算机器与智能》中提出了判断机器智能的标准，那么就应该着手实现它。这种从理论到应用的跨越，正是科学进步的典型模式。值得注意的是，1952年麦卡锡和明斯基在贝尔实验室为香农工作时，香农支持了他们对于图灵机的研究，清晰地展现了从图灵到达特茅斯的思想传承脉络。[60]

5.2. 共同的哲学信念

两个事件的深层联系在于它们共享同一个哲学信念：计算主义。图灵在1936年论文第9节的论证隐含地宣称，思维过程本质上是一种计算过程：“计算者在任何时刻的行为由他正在观察的符号和他当时的‘心智状态’决定”。达特茅斯提案则明确提出，“学习的每一个方面或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它”。这两个论断共同构成了强人工智能的理论基础。

这种计算主义哲学具有深刻的颠覆性。它挑战了人类智能的独特性，主张心智与身体可以分离，思维可以脱离生物基质在硅基介质上实现。图灵在1950年的论文中专门讨论了这一点，反驳了“神学异议”，即认为思考是不朽灵魂的功能，上帝赋予了人类灵魂但没有赋予动物或机器。[61]无论这一观点是否完全正确，它都极大地拓展了我们对智能本质的理解，并激发了几代科学家的探索热情。

5.3. 历史的双重馈赠

图灵机和达特茅斯会议为后世留下了丰厚的理论遗产。图灵机不仅是计算理论的基础，也是算法设计、编程语言、操作系统等一切计算技术的源头。图灵在论文中建立的“标准描述”（Standard Description）和“描述数”（Description Number）系统，实际上已经包含了现代编程和存储程序计算机的基本思想。

达特茅斯会议则开启了认知科学、神经科学、语言学、哲学等多学科交叉的新领域，推动了人类对自身智能的科学认识。提案中列出的七个研究方向，即自动计算机、神经网络、计算规模理论、自我改进、抽象、随机性和创造性、学习，至今仍是人工智能研究的核心议题。事实上，当我们审视今天的人工智能研究前沿，会惊讶地发现这七个方向几乎涵盖了所有主要领域。

更重要的是，这两个事件激励了一代代研究者的精神火种。当人工智能研究在寒冬中徘徊时，正是对达特茅斯愿景的信念支撑着研究者继续前行；当算法遇到理论瓶颈时，回到图灵机的基本原理往往能带来新的启发。历史的价值不仅在于它曾经发生，更在于它持续照亮未来的道路。

6. 历史的验证：90年与70年后的现实

6.1 图灵机理论的现实映照

90年后的今天，图灵机从抽象的数学模型已经演化为无处不在的现实。全球数十亿台计算设备，从智能手机到超级计算机，本质上都是通用图灵机的物理实现。每一次程序运行，都是对图灵“状态-符号-规则”框架的演绎；每一个操作系统，都体现着通用图灵机“一机模拟万机”的思想。

在人工智能领域，图灵机理论的意义更加深远。现代人工智能芯片，无论是GPU、TPU还是NPU，其底层计算架构都遵循着图灵机的基本原理。大语言模型的训练和推理过程，本质上是在庞大的参数空间中执行复杂的符号变换，这正是图灵机计算范式的扩展。可计算性理论也在提醒我们：即使AGI实现，也必然存在某些问题超出其能力范围：图灵90年前在论文第8节证明的停机问题，至今仍是智能的根本边界。

图灵在1950年的论文中对机器学习也有先见之明的论述。他在第7节“学习机器”所叙述的关于编写一个模拟儿童心智的程序的想法预见了现代深度学习的核心思想：通过训练来获得智能，而非手工编码规则。今天，神经网络从随机初始化开始，通过大量数据的训练逐步“成长”为强大的智能系统，正是对图灵这一思想的完美诠释。

6.2. 达特茅斯愿景的实现轨迹

70年后，达特茅斯会议的愿景正在以惊人的速度成为现实。2012年深度学习在图像识别领域的突破，2016年AlphaGo战胜人类围棋冠军，2020年代大语言模型展现出的涌现智能，这些里程碑事件一步步验证着早期人工智能研究者的信念。

让我们逐一审视达特茅斯提案中的七个研究方向在今天的实现情况：

（1）自动计算机与语言使用：大语言模型如GPT、Claude已经能够流畅使用自然语言，进行对话、写作、翻译等复杂任务。（2）神经网络与概念形成：深度学习证明了多层神经网络确实能够从数据中自动形成抽象概念。（3）计算规模理论：复杂性理论和算法分析已经发展成熟，P vs NP问题成为计算机科学的核心挑战。（4）自我改进：强化学习和元学习展现了机器自我优化的能力，这正是通向AGI的关键路径。（5）抽象能力：现代人工智能能够进行类比推理、迁移学习，展现出抽象思维的萌芽。

（6）随机性和创造性：生成式人工智能在图像、音乐、文本创作中展现出惊人的创造力。（7）学习的本质：深度学习、强化学习、自监督学习等方法正在揭示智能学习的机制。

更令人震撼的是AGI时间线的急剧压缩。根据对人工智能研究者的大规模调查，分析了9,800个预测后发现，50%的专家认为AGI将在2040-2050年间实现。而企业界的预测更为激进：埃隆·马斯克预测2026年将达到AGI，2030年人工智能将超越全人类智能的总和。当前的技术进展似乎支持这些预测：最先进的人工智能系统已经在编程、写作、数学推理等领域接近甚至超越人类精英水平。[62]

6.3 奇点：两个事件共同孕育的未来

技术奇点（technological singularity），这个由数学家约翰·冯·诺依曼提出、科幻作家弗诺·文奇（Vernor Steffen Vinge，1944—2024）推广的概念，如今已是可触及的未来。[63]奇点理论认为，当人工智能的能力超越人类，并能够自我改进时，技术进步将进入失控的指数增长阶段，人类文明将发生根本性的、不可逆转的变革。[64]

弗诺·文奇

来源：Wikipedia

发明家雷·库兹韦尔（Raymond Kurzweil，1948—）基于“加速回报定律”预测，奇点将在2045年到来。他的计算表明，技术进步并非线性而是指数级的，每一次突破都为下一次突破提供更强大的工具。[65]从这个角度看，图灵机理论和达特茅斯会议正是奇点到来的必要准备。前者确立了通用计算的理论可能性，后者开启了智能工程化的实践探索，二者共同构成了通向奇点的90年铺路历程。

关于奇点的形态存在不同观点。库兹韦尔倾向于“渐进攀升”的观点，认为技术奇点将是一个逐步演化的过程。[66]而弗诺·文奇则强调“快速自我改进”的可能性，认为一旦人工智能获得自我优化能力，进展速度将呈指数级爆炸。[67]还有一些专家认为，奇点可能像电力一样悄然到来，不平衡地扩散：某些领域率先实现超人类智能，而其他领域仍需时日。[68]

马斯克的预测更具冲击力：如果2026年实现AGI，那么从AGI到超级智能的跨越可能只需几年时间。[69]专家调查显示，AGI达成后2-30年内可能发展至超级智能。[70]一旦人工智能获得自我改进的能力（这正是达特茅斯提案中列出的第四个研究方向），“智能爆炸”将以人类难以想象的速度展开。这意味着，从1936年图灵机理论提出，到技术奇点到来，整个过程可能不超过110年，在人类文明史上不过是转瞬之间。

7. 纪念的意义：站在巨人肩膀上

7.1．致敬先驱的远见

回望历史，最令人惊叹的是先驱者的远见卓识。1936年，当图灵在论文中写下“根据我的定义，如果一个数的十进制表达可以被机器写下来，那么这个数就是可计算的”时，世界上还没有一台电子计算机；他却已经预见了通用计算时代的到来，甚至详细描述了“通用计算机器”的工作原理。

1956年，当达特茅斯提案的四位作者写下“学习的每一个方面或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它”时，计算机还是占据整个房间、需要专人维护的庞然大物；他们却相信机器终将展现出人类般的智能，甚至在提案中列出了“自我改进”这一今天仍然是AGI核心挑战的研究方向。

这种远见并非凭空臆想，而是建立在深刻的理论洞察和大胆的想象力之上。图灵没有被当时技术的限制所束缚，而是从第一性原理出发思考计算的本质，他在论文第9节中对人类计算过程进行的细致分析，展现了非凡的抽象能力。达特茅斯会议的组织者也没有因为早期技术的原始而气馁，而是对智能的可实现性保持坚定信念。

更值得致敬的是先驱者面对质疑和挫折时的勇气与坚持。图灵的一生充满悲剧色彩：他的理论在当时并未被充分理解，战时的关键贡献因保密法而不为人知，1952年的起诉和1954年的早逝更令人扼腕。人工智能研究则经历了两次漫长的寒冬，莱特希尔报告的严厉批评、感知机争议带来的打击、专家系统泡沫的破裂，都曾让这一领域濒临放弃。许多研究者在资金断绝、前景黯淡时仍然坚守，正是这种坚持，才有了今天的成果。

历史对先驱的认可往往姗姗来迟。直到2013年，英国女王才正式赦免了图灵。2014年电影《模仿游戏》（The Imitation Game）让图灵的故事为大众所知。这些迟来的认可提醒我们：真正具有革命性的思想，其价值可能需要几十年甚至更长时间才能被充分认识。

图灵塑像

来源：Bernt Rostad

7.2．历史给当代的启示

第一个启示：基础理论的长远价值。图灵机理论在提出时看似纯粹的数学思辨，与实际应用相距甚远。然而，正是这样的理论创新成为整个信息时代的基石。这提醒我们，真正深刻的理论创新往往不追求立竿见影的应用，而是揭示事物的本质规律。在当今急功近利的科研环境中，这一点尤为重要。

第二个启示：跨学科合作的重要性。达特茅斯会议汇聚了数学家、工程师、心理学家、语言学家等不同背景的学者，正是这种多元视角的碰撞催生了人工智能这一交叉学科。提案中列出的七个研究方向横跨计算机科学、神经科学、语言学、哲学等多个领域。今天的人工智能研究更是融合了物理学、认知科学等众多领域，跨学科的开放态度依然是创新的源泉。

第三个启示：对未知保持谦卑与敬畏。图灵在论文第8节证明了可计算性的边界，明确指出某些问题无法通过算法解决。达特茅斯会议参与者虽然乐观，但并没有宣称能立即造出完美的智能机器。

相比之下，每次人工智能寒冬往往源于过度承诺和盲目乐观。1960年代对人工智能的夸张预测未能兑现，导致了1973年莱特希尔报告的严厉批评。1980年代专家系统的过度炒作，导致了第二次寒冬。当我们站在AGI和奇点的门槛前，更应该铭记历史的教训，既要有探索的勇气，也要有对复杂性的敬畏。

8. 结语：薪火相传，致敬未来

1936年、1956年、2026年，这三个年份在智能探索的历史长河中构成了意味深长的坐标。第一个坐标标记了理论基石的奠定，第二个坐标标记了工程实践的开启，第三个坐标则可能标记着愿景实现的前夜。从图灵机到人工智能，从理论到实践，从梦想到现实，90年的时间见证了人类对智能本质理解的深化和对智能创造能力的提升。

两个历史事件点燃的火焰，今天燃烧得更加炽烈。当我们使用人工智能助手处理日常工作，当大语言模型能够进行深度对话，当自动驾驶逐渐成为现实，当人工智能在科学研究中扮演越来越重要的角色，我们都在见证历史愿景的兑现。以负责任的态度推动技术进步，确保人工智能真正成为增进人类福祉的力量。

感恩他们这些具有天才特质的先驱，向他们开创的人工智能历史致敬。在这个特殊的纪念时刻，从图灵机、达特茅斯人工智能会议到即将到来的技术奇点，技术加速主义之下的智能探索的征程仍在继续，唯有以谦卑与敬畏之心，迎接人类文明即将跨越的新纪元。

------

[1]Pamela McCorduck, Machines Who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence, 25th anniversary update (A.K. Peters, 2004).

[2]Aristotle, 《Prior Analytics》, 译 A. J. Jenkinson, The Internet Classics Archive, Massachusetts Institute of Technology, 350年公元, https://classics.mit.edu/Aristotle/prior.1.i.html.

[3]Ernesto Priani, 《Ramon Llull》, 收入The Stanford Encyclopedia of Philosophy, Spring 2025, 编 Edward N. Zalta和Uri Nodelman (Metaphysics Research Lab, Stanford University, 2025), https://plato.stanford.edu/archives/spr2025/entries/llull/.

[4]Priani, 《Ramon Llull》.

[5]René Descartes和Delphine Antoine-Mahut, L’homme, GF 1600 (Flammarion, 2018).

[6]Descartes和Antoine-Mahut, L’homme.

[7]John Haugeland, Artificial Intelligence: The Very Idea (MIT Press, 1985).

[8]Thomas Hobbes, Leviathan or the Matter, Forme, & Power of a Common-Wealth Ecclesiastical and Civil (Green Dragon in St. Paul’s Churchyard; Project Gutenberg, 1651), https://www.gutenberg.org/files/3207/3207-h/3207-h.htm.

[9]Gottfried Wilhelm Leibniz, Philosophical Papers and Letters, 编译 Leroy E. Loemker (Chicago University Press, 1956; 2nd 版, D. Reidel Publishing Company, 1969), 224.

[10]Louis Couturat, Pour la langue internationale(Coulommiers, 1901), 49～50, http://archive.org/details/Pour_la_langue_internationale_1901.

[11]Gottfried Wilhelm Leibniz和Lloyd Strickland, Leibniz and the Two Sophies: The Philosophical Correspondence, 编 Sophia等 (Iter, 2011), https://philarchive.org/rec/LEILAT.

[12]Stephen Wolfram, 《Dropping In on Gottfried Leibniz》, Stephen Wolfram Writings, 2013年5月14日, https://writings.stephenwolfram.com/2013/05/dropping-in-on-gottfried-leibniz/.

[13]George Boole, The Mathematical Analysis of Logic, Being an Essay Towards a Calculus of Deductive Reasoning.(MacMillan, Barclay, & MacMillan, 1847), https://www.gutenberg.org/files/36884/36884-pdf.pdf.

[14]George Boole, An Investigation of the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities. (Macmillan and Co., 1854).

[15]Stanley Burris, 《George Boole》, 收入The Stanford Encyclopedia of Philosophy, Summer 2015, 编 Edward N. Zalta和Uri Nodelman (Metaphysics Research Lab, Stanford University, 2015), https://plato.stanford.edu/archives/sum2015/entries/boole/.

[16]W. Kneale, 《Boole and the algebra of logic》, Notes and Records: the Royal Society Journal of the History of Science 12, 期 1 (1956): 53～63, https://doi.org/10.1098/rsnr.1956.0006.

[17]Burris, 《George Boole》.

[18]Gottlob Frege, Begriffsschrift und andere Aufsätze, 2. Auflage, 8. Nachdruck; [Nachdr. der Ausg.] Halle/S. 1879, 编 Ignacio Angelelli (Georg Olms Verlag, 2020).

[19]Frege, Begriffsschrift und andere Aufsätze.

[20]《The Engines》, Computer History Museum, Computer History Museum, 2026年, https://www.computerhistory.org/babbage/engines/.

[21]L. F. Menabrea, 《Sketch of The Analytical Engine Invented by Charles Babbage》, 译 Ada King Lovelace Countess of, fourmilab.ch, fourmilab.ch, 见于 2026年2月21日, https://www.fourmilab.ch/babbage/sketch.html.

[22]Menabrea, 《Sketch of The Analytical Engine Invented by Charles Babbage》.

[23]A. M. Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, Proceedings of the London Mathematical Societys2-42, 期 1 (1936): 230～65, https://doi.org/10.1112/plms/s2-42.1.230.

[24]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 230.

[25]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 232.

[26]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 232.

[27]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 241～42.

[28]安德鲁·霍奇斯和S. 巴里·库珀, 永恒的图灵：20位科学家对图灵思想的解构与超越, 译堵丁柱等 (机械工业出版社, 2018), 11.

[29]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 246.

[30]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 231.

[31]Turing’s 1936 Paper and the First Dutch Computers – Communications of the ACM, 2013年8月19日, https://cacm.acm.org/blogcacm/turings-1936-paper-and-the-first-dutch-computers/.

[32]Turing’s 1936 Paper and the First Dutch Computers – Communications of the ACM.

[33]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 249.

[34]Turing, 《On Computable Numbers, with an Application to the Entscheidungsproblem》, 250.

[35]Turing’s 1936 Paper and the First Dutch Computers – Communications of the ACM, 250.

[36]Jack Copeland, 《Alan Turing: The Codebreaker Who Saved 〈Millions of Lives〉》, Technology, BBC News, 2012年6月13日, https://www.bbc.com/news/technology-18419691.

[37]Alan M. Turing, 《Computing Machinery and Intelligence》, Mind LIX, 期 236 (1950): 433～60, https://doi.org/10.1093/mind/LIX.236.433.

[38]Turing, 《Computing Machinery and Intelligence》.

[39]安德鲁·霍奇斯, 艾伦·图灵传, 译孙天齐 (湖南科学技术出版社, 2012), 506.

[40]John McCarthy等, 《A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955》, AI Magazine 27, 期 4 (2006): 4, https://doi.org/10.1609/aimag.v27i4.1904.

[41]McCarthy等, 《A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955》.

[42]Bruce Sterling, 《Dead Media Beat: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence》, Tags, Wired, 2012年10月11日, https://www.wired.com/2012/10/dead-media-beat-a-proposal-for-the-dartmouth-summer-research-project-on-artificial-intelligence/.

[43]Grace Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》, Oxbridge Research, 不详, https://raysolomonoff.com/dartmouth/dartray.pdf.

[44]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[45]John McCarthy, 《The Dartmouth Workshop--as planned and as it happened》, Formal Reasoning Group, 2006年10月30日, https://www-formal.stanford.edu/jmc/slides/dartmouth/dartmouth/node1.html.

[46]Herbert A. Simon, Models of My Life (MIT Press, 1996).

[47]McCorduck, Machines Who Think.

[48]McCarthy, 《The Dartmouth Workshop--as planned and as it happened》.

[49]H. Gelernter等, 《Empirical Explorations of the Geometry Theorem Machine》, 会议论文 presented 于 Western Joint IRE-AIEE-ACM Computer Conference, 1960年5月3日, https://doi.org/10.1145/1460361.1460381.

[50]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[51]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[52]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[53]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[54]Marvin Minsky和Seymour Papert, Perceptrons: An Introduction to Computational Geometry (MIT Press, 1969; 2. print. with corr, MIT Press, 1972).

[55]Solomonoff, 《Ray Solomonoff and the Dartmouth Summer Research Project in Artificial Intelligence, 1956》.

[56]由纽厄尔、西蒙及肖（J.C. Shaw）于1957年开发的早期AI程序。其核心思想是：人类解决问题的思维过程可以被形式化、程序化。GPS采用”手段-目标分析”（means-ends analysis）策略：不断比较当前状态与目标状态之间的差距，幷选择能缩小该差距的操作。它不针对某一特定领域（如下棋或数学），而是希望建立一套通用的推理框架，适用于逻辑证明、谜题、语言理解等多种问题。这体现了早期AI研究对”强人工智能”的乐观愿景。GPS虽具开创性，但最终因”组合爆炸”问题（搜索空间随问题复杂度急剧增大）而在实际应用中受限，促使后来研究者转向更专门化的专家系统方向。

[57]Minsky和Papert, Perceptrons.

[58]James Lighthill, Artificial Intelligence: A General Survey (Science Research Council, 1972), https://www.chilton-computing.org.uk/inf/literature/reports/lighthill_report/p001.htm.

[59]Allen Newell和Herbert A. Simon,《Computer science as empirical inquiry: symbols and search》, Commun. ACM 19, 期 3 (1976): 113～26, https://doi.org/10.1145/360018.360022.

[60]McCarthy, 《The Dartmouth Workshop--as planned and as it happened》.

[61]Turing, 《Computing Machinery and Intelligence》.

[62]Cem Dilmegani和Sıla Ermut, 《AGI/Singularity: 9,800 Predictions Analyzed》, AI Multiple, 2026年2月24日, https://research.aimultiple.com/artificial-general-intelligence-singularity-timing/.

[63]Stanislaw Ulam, 《Tribute to John von Neumann》, Bulletin of the American Mathematical Society64, 期 3 (1958), https://www.ams.org/journals/bull/1958-64-03/S0002-9904-1958-10189-5/S0002-9904-1958-10189-5.pdf; Vernor Vinge, 《The Coming Technological Singularity: How to Survive in the Post-Human Era》, Sandiego State University, 1993年, https://edoras.sdsu.edu/~vinge/misc/singularity.html.

[64]Ray Kurzweil, 《The Law of Accelerating Returns》, The Kurzweil Library, 2001年1月, https://www.writingsbyraykurzweil.com/the-law-of-accelerating-returns.

[65]Kurzweil, 《The Law of Accelerating Returns》.

[66]Kurzweil, 《The Law of Accelerating Returns》.

[67]Vinge, 《The Coming Technological Singularity: How to Survive in the Post-Human Era》.

[68]Robin Hanson, The Age of Em: Work, Love, and Life When Robots Rule the Earth, First Edition (Oxford University Press, 2016).

[69]Adolphus Upton, 《Musk’s 2026 AI Prediction: Timeline to Superhuman Intelligence》, WaterLoow, 2026年1月27日, https://waterloow.com/2026/01/28/musk-superhuman-ai-prediction-2026/.

[70]Upton, 《Musk’s 2026 AI Prediction》.