夜雨聆风AI 这七十年：两次寒冬，一次翻身
凌晨三点，有人失恋了睡不着，打开手机跟豆包聊了两个小时。对面那个东西不会困、不会烦你、也不会把聊天记录截图发群里。聊完他想：这玩意儿真好。
他大概不知道，这个陪他熬夜的技术，曾经死过两次。死得很难看——惨到研究它的人写简历都不敢提这三个字母，惨到一整个行业的人集体改行。
一个被亲手埋过两次的东西，是怎么活到今天的？
故事得从 1950 年讲起。
先感受一下那个年代的"机器"：ENIAC，重 27 吨，占满整间屋子。在这种东西身上聊"思考"，确实像科幻
一个没法回答的问题，和一场夏令营
1950 年，英国数学家图灵抛出了一个问题：机器能思考吗？
阿兰·图灵，摄于 16 岁
这问题听着震撼，其实没法研究——"思考"是什么，哲学家吵了两千年都没吵明白。图灵聪明就聪明在，他没去掺和这个浑水，而是把问题偷换成了一个游戏：让你隔着屏幕跟一个"东西"聊天，聊完你猜对面是人还是机器。猜不出来，就算机器赢。
这就是图灵测试。它的狡猾之处在于绕开了"机器有没有灵魂"这种没完没了的争论，只看结果：装得像就行。
图灵测试：猜不出对面是谁，就算机器赢
你现在网购找售后，跟亲们扯皮半天都分不清对面是真人还是机器人——某种意义上，图灵测试在你身边天天开考，机器及格率还挺高。
六年后，1956 年夏天，一群年轻科学家聚在美国达特茅斯学院，开了一个为期八周的研讨会。说是研讨会，按今天的眼光看更像夏令营：十来个人，松散的日程，宏大的话题。就是在这个夏令营上，这帮人给自己研究的东西起了名字——Artificial Intelligence，人工智能。
达特茅斯学院。1956 年夏天，"人工智能"在这里得名
他们当时有多乐观呢？与会者普遍相信，一代人之内，机器就能干人能干的一切。
立 flag 这个传统，看来从 1956 年就有了。
约翰·麦卡锡，会议发起人之一，"Artificial Intelligence"这个词就是他起的（null0 / CC BY-SA 2.0）
两条路线，一台明星机器
名字定了，路怎么走，圈子里分成了两派，而且一吵就是几十年。
一派叫符号主义。思路很直白：人类懂什么，就把规则一条条写给机器。"如果发烧、如果咳嗽，那么可能是感冒"——本质上是把机器当成一个背法条的律师，法条背得够多，遇事就能查。
另一派叫连接主义。他们觉得写规则这条路是死胡同，不如模仿大脑：神经元怎么连接，我们就怎么搭，然后扔例子进去，让机器自己悟。相当于不给实习生做任何培训，直接丢一柜子案卷过去：自己看，看会为止。
1957 年，连接主义这边真搞出了东西：感知机，一台能自己学会分辨简单图形的机器。《纽约时报》当场写嗨了，说这东西将来能走路、能说话、能看见，甚至能自我复制。
Mark I 感知机真机。注意，它的"参数"是物理旋钮，调节靠电机（美国海军档案）
媒体把 AI 吹上天的传统，看来也是那时候就有了。
第一次死刑
1969 年，AI 圈的大佬明斯基出了一本书。书里没有阴谋，没有口水仗，只有数学证明——感知机这种结构，连"异或"都解决不了。
异或是什么？说人话就是判断两个东西是不是不一样。一个小学生看一眼就会的判断，被吹成未来的天才机器做不到，而且是被严格证明做不到。
你们捧上天的神童，不会做一年级的题。这话由圈内最有分量的人用数学说出来，杀伤力是毁灭性的。经费应声而断，实验室关门，研究者四散。这就是 AI 的第一次寒冬。
说句公道话：让整个行业一起断粮的大寒冬，其实还要再过几年才真正到来，明斯基这一锤先掐断的是神经网络这一支；只是后来回头追源头，账多半记在了这本书上。
这里其实还有个冤案：明斯基锤死的是单层感知机，后来的多层网络配上新算法是能解这个问题的。可惜在当时，没人有算力去验证这件事——神经网络不是被证明死了，更像是被饿死的。这个伏笔，要等三十年才揭开。
第二次死刑
到了八十年代，符号主义带着新产品杀回来了，名字起得很唬人：专家系统。把医生、地质学家、工程师的经验写成几万条规则灌进机器，机器照着查。一时间企业争着买，政府抢着投，AI 看起来又行了。
然后所有人撞上了同一堵墙：规则，是写不完的。
不服气的话可以试试，用"如果……那么……"把一件小事描述清楚——怎么判断一只猫。尖耳朵？柯基也尖。会喵？你家智能音响也会。有毛？这年头程序员的发量未必比得过猫。
每补一条规则，就冒出三个例外；例外再写成规则，规则之间又开始打架。几万条"如果那么"堆在一起，改一条要担心崩十条，最后连写规则的专家自己都看不懂了。专家系统就这么被自己的体重压垮，商业公司成片倒闭。第二次寒冬来得比第一次更冷，因为这次摔的不是论文，是真金白银。
那段时间惨到什么程度？有研究者回忆，在会议上自报研究神经网络，等于当众宣布自己不务正业。"AI"这个词成了申请经费的减分项，大家纷纷给自己的方向改名，什么"信息工程""模式识别"，怎么不像 AI 怎么来。
但冷板凳上还坐着人。一个叫 Hinton 的英国人，在全世界都认定神经网络是死路的年代，守着这个方向接着算，一坐就是三十年。当然，坚持的不止他一个，LeCun、Bengio 这批人也都在——只是当时谁也想不到，这几个"不识时务"的人，后来会一起站上图灵奖的领奖台。
记住 Hinton，下文有他的大戏。
插一段：深蓝不算翻身
1997 年，IBM 的深蓝击败国际象棋世界冠军卡斯帕罗夫，全球轰动，报纸标题恨不得直接写"机器战胜人类"。
深蓝赢得漂亮，但它不是 AI 的翻身仗。它骨子里还是符号主义那套——人类大师把开局库、评估规则一条条写好，再配上每秒两亿步的暴力计算，硬生生把象棋"算"赢的。它没有学习，它只是快。把深蓝搬去下围棋，它当场就得歇菜，因为围棋的变化多到根本算不动。
卡斯帕罗夫。照片摄于 2023 年——输给深蓝后，他研究人机协作研究了二十多年（Lukasz Kobus / CC BY 4.0）
真正的翻身，靠的是换思路。
换思路：从教规则，到喂数据
这个新思路叫机器学习。如果这篇文章你只能记住一段话，记这段：
传统编程，是人写好规则，机器拿数据进去套，吐出答案。机器学习反过来——把数据和答案一起喂给机器，让它自己悟出规则。
打个比方。以前是给徒弟一本菜谱，照着做；现在是直接让他吃一万道菜，每道告诉他好吃还是难吃，吃到最后，他自己把菜谱悟出来了。
那机器拿什么悟？靠神经网络。你可以把它想象成一个长了几亿个旋钮的巨型调音台。训练的过程简单到近乎粗暴：给它看一张猫的照片，它瞎猜"是狗"；答错了，就回头把那些旋钮统统微调一点点，让它下次的答案离"猫"更近一些。
猜，错，调。猜，错，调。重复几亿遍。
是不是有点眼熟？这就是高三刷题：做题、对答案、订正、再做。所以真没必要神化 AI，它的学习方法跟你当年一模一样，区别只是它不会累，也没有手机可玩。
顺手揭秘一个新闻里的高频词：所谓"GPT 有几千亿参数"，参数就是旋钮的数量。大模型没什么神秘的，就是旋钮多到离谱的调音台。
三十年冷板凳，两块游戏显卡
2012 年，憋了三十年的 Hinton 带着两个学生出山，拎着一个叫 AlexNet 的模型参加 ImageNet 图像识别大赛，把识别错误率从 26% 一口气干到 15%。
这个数字外行看着平淡，圈内人看着头皮发麻——这个比赛往年全世界卷一整年，也就磨掉一两个百分点。一支三人小队，一年干掉了别人预期十年的进度。
更让人坐不住的是装备。大家原以为这种成绩起码得靠超级计算机，结果一看论文：训练硬件是两块 GTX 580——游戏显卡，攒机玩家熟得不能再熟的那种。
学术圈坐不住了。各大实验室连夜掉头，神经网络从"简历污点"变成"简历金字"，前后不过一两年。
又过了四年，2016 年，AlphaGo 执黑执白赢了李世石。注意，这次跟深蓝有本质区别：围棋没法暴力穷举，AlphaGo 是看了几千万盘人类棋谱、又自己跟自己下了无数盘，硬生生"学"出来的棋力。
别小看李世石抢下的这一局。一年后的 2017 年，AlphaGo 带着升级版去了乌镇，这回对手是当时世界排名第一的柯洁——赛前不少人还指望中国第一人能扳回点面子。结果是 3:0，柯洁一盘没赢下来。第二局中盘，他起身离了席，回到座位时眼眶通红。后来他说，去年那版 AlphaGo 还像个人，今年这版简直像围棋上帝，整盘棋他没看到一丝取胜的缝隙。
下完这三局，AlphaGo 转身退役，再没和人类下过正式比赛。换句话说，李世石那一胜，到今天仍是人类从顶级 AlphaGo 手里抢到的最后一盘——这个纪录，往后大概不会再有人破了。
从深蓝的"算赢"，到 AlphaGo 的"学赢"——这一次，AI 是真的活过来了，而且换了一副筋骨。
但故事只讲了一半
被吹上天，摔死；再被吹上天，再摔死；板凳一坐三十年，最后靠两块游戏显卡翻身——讲到这，AI 复活的过程算是交代完了。
可还有个问题没回答，而且是更扎心的那个：神经网络五十年代就有了，机器学习的思路也不新鲜，凭什么偏偏是最近这几年，AI 突然爆发，爆发到来抢你工作的程度？
答案跟三股力量有关。其中一股，跟每一个充过游戏点卡的人都有关系——不夸张地说，全世界游戏玩家氪了三十年金，在不知情的状况下众筹了这场革命。
这个事情我们后面再讲。
（下篇：《全世界的游戏玩家，无意中众筹了一场 AI 革命》）
