企业官网建设流程全解析

人工智能这个名词，如今几乎每天都会出现在各种新闻和产品发布会里。但如果你往回翻历史，会发现这个学科真正拥有自己的名字，不过六十多年而已。1945年之前，连“计算机器”都还没有真正落地，到了1956年夏天，一群人却在达特茅斯学院的一间教室里，郑重其事地把“人工智能”写成了一个小型研讨会的主题。这件事的吊诡之处在于：会上没有产生什么突破性成果，也没有建立统一理论，但它却被后世公认是人工智能这门学科的“出生证”。

而这一切的起点，又得从更早的图灵说起。图灵机和达特茅斯会议，一个提供了思想地基，一个完成了学科命名，二者共同回答了“智能能不能被机器实现”这个百年追问。这篇文章不打算按教科书式的年份罗列来写，而是想顺着一条更接近真实的脉络，带你看看人工智能的起源到底是怎么回事：图灵的纸带模型为什么如此关键，达特茅斯会议究竟聊了什么，以及那段被忽略的中间十年里，有哪些种子正在悄悄发芽。

1. 图灵机：人工智能在纸带上先被发明出来

1.1 图灵机不是一台机器，而是一份思想实验

很多人第一次听到“图灵机”，脑子里浮现的是一台长相科幻的电脑。实际上，图灵机不是任何实体设备，它是1936年图灵在论文《论可计算数及其在判定问题上的应用》里提出的一种纯数学抽象。你可以把它想象成一条无限长的纸带，纸带上划分成一个个小格子，每个格子里可以写一个符号。另有一个读写头，能读取当前格子里的符号，然后根据一套规则表，决定下一步是改写符号、左右移动，还是停下来。

这套结构听起来简单到近乎简陋，但它定义的东西极其深刻：任何可以被有限规则描述的计算过程，都能在这台纸带机器上完成。这就把“计算”从“人用纸笔做算术”这个具体场景里解放出来，变成了一个纯粹机械化的符号操作过程。“可计算”这个词从此有了严格含义，后来发展成整个计算机科学的基石。

图灵还顺手证明了另一个让人后背发凉的结果：停机问题不可判定。意思是，不存在一个通用算法，能提前判断出任意一段程序执行下去到底是会停机，还是会永远循环。这个结论从诞生那天起，就为人工智能画下了一个理论天花板——不管算力多强，机器总有一些“知道自己无法预知自己”的边界。今天做大模型的人，本质上做的事仍然是在这个边界内寻找“足够好”的近似解。

从人工智能的角度看，图灵机真正的贡献不在于它能做什么，而在于它把一个哲学问题转化成了工程问题。过去人们争论的是“机器有没有灵魂”“思维能不能脱离肉身”，图灵直接换了个问法：如果一台机器能模拟任何可计算的符号操作过程，那么“思考”本身是不是也可以被看成一种符号操作？这个问题一旦成立，“智能”就从神学与哲学的神坛上被拉了下来，变成了一件理论上可以被构造的东西。

1.2 图灵测试：把“智能”变成一个可操作的问题

如果说1936年的图灵机奠定了计算的抽象基础，那么1950年发表在《Mind》期刊上的那篇《计算机器与智能》，则奠定了人工智能的评价方式。图灵在这篇文章开头就敏锐地意识到，“机器能否思考”这种问法太含糊，连“思考”的定义都吵不清楚。于是他设计了一个替代方案，也就是后来家喻户晓的“图灵测试”。

原始版本其实是一个“模仿游戏”的变体：一个询问者通过文字终端与另一端的两个对象对话，其中一个是真人，另一个是机器。询问者的目标是通过对话判断哪个是真人、哪个是机器；而机器的目标是尽量让询问者认错。如果机器能在足够多的对话里成功骗过询问者，我们就应当承认它具备了与人类相当的智能行为。

要注意的是，图灵测试考的是行为，不考内在意识。这个设计在当年极具前瞻性：因为“意识”“感受”这些东西无法从外部验证，但对话能力可以。把智能定义成“可观察到的行为表现”，虽然粗暴，却让研究变成了一件能落地、能评估、能迭代的事。今天无论做智能客服、大语言模型还是自动驾驶，“以行为效果论英雄”的评价逻辑，追根溯源都来自图灵这个思路。

不过图灵测试也常被误读。许多科普把它简化成“机器冒充人类骗过人就算通过”，但图灵在意的是“模仿”本身背后的能力维度，而不是简单的一锤子买卖。现在的大语言模型在闲聊场景里已经能让不少人误以为对面是真人，但我们并不会因此宣布AGI已经到来，原因恰恰在于人类对“智能”的要求已经变了。这说明图灵测试作为思想启发的价值远大于作为考试题的价值——它真正教会后人的是：“智能”问题可以被设计成实验，而不是只能停留在口头争论。

1.3 从纸带到现实：为什么图灵是那个绕不开的人

图灵的另一个关键身份，是把“思想”与“机器”拉到同一张工作台上的那个人。1936年他提出图灵机时，电子计算机尚未问世；到了1945年，冯·诺依曼提出存储程序计算机架构，直接借鉴了图灵关于“通用机器”的思想；再到1950年图灵提出测试，人工智能的思想准备已经基本就绪。这段脉络里的每一环都不是孤立的：没有图灵机的抽象，电子计算机很难摆脱“专用计算器”的定位；没有“可计算”的概念，也很难想象机器有一天能处理语言、逻辑和棋局。

图灵本人并没有参加1956年达特茅斯会议，他甚至在1954年就去世了。但达特茅斯会议上讨论的所有主题——自动计算机、编程语言、神经网络、自我改进——几乎都能在图灵此前的论文里找到萌芽。就像一座大厦的图纸先于施工队交付，图灵机就是人工智能这座大厦最初的那张图纸。

2. 达特茅斯会议：人工智能的“出生证”原名来自一份暑期提案

2.1 一场“两个月的夏天工作坊”

1956年夏天，美国新罕布什尔州的达特茅斯学院迎来了一批奇怪的访客。他们不是来度假的，而是来参加一个由约翰·麦卡锡提议发起的小型研讨会。这个研讨会的发起人还有马文·明斯基、克劳德·香农和纳撒尼尔·罗切斯特，四人联合提交了一份提案，申请洛克菲勒基金会的资助，计划用六到八周时间，围绕“如何让机器使用语言、形成抽象与概念、解决人类的问题并改善自身”展开密集讨论。

这个时长在今天看来非常奢侈。现在的学术会议一般只有两三天，而达特茅斯会议简直像一场夏令营式的工作坊。更特别的是，它没有设定必须宣读论文的议程，更多时候是大家围坐在一起，就某个想法反复争论、演示、推翻再重来。与会者的背景也很杂，有数学家、神经生理学家、电气工程师、心理学家和IBM的工程师，这种跨学科混战的方式，放到今天依然算得上激进。

有意思的是，参会人员里真正全程待满八周的其实没几个人。很多人是来上几天课、做场报告就走了。但这并不妨碍这次会议成为AI历史的转折点。因为哪怕只来了几周，与会者们回去之后都成了各自方向上开枝散叶的关键节点，把会议的讨论带回了自己的实验室。这就是达特茅斯会议最特别的地方：它不是靠一篇论文改变世界，而是靠一群人的社会网络改变了世界。

2.2 “人工智能”这个名字是怎么出炉的

会议最直接也最持久的成果，其实是“人工智能”这个名词本身的定型。当时类似的领域已经有了不少叫法：“控制论”“机器智能”“复杂信息处理”“自动化理论”等等。麦卡锡之所以坚持用“Artificial Intelligence”，一个很重要的原因是想避开“控制论”这个已经被维纳用得很广的篮子。

维纳的控制论强调的是反馈、调节、通信与系统行为，这套框架在工程控制和生物系统里极其好用，但在麦卡锡看来，它过于强调动态系统中的反馈回路，对“符号推理”“语言理解”“抽象思维”这些智能的核心议题缺乏足够清晰的表达。麦卡锡想要的是一个更聚焦于“智能本身如何用计算实现”的领域，而不是把一切系统都拉进一个大杂烩。于是他挑了“人工智能”这个词，含义直白：研究如何制造出能表现出智能行为的机器。

命名的过程在今天看来是一次学术“选区”划分。它把一部分研究者从控制论、自动化工程、心理学中抽离出来，汇聚到一个旗帜下，形成了独立的问题集、评价标准和文化圈层。此后几十年里，不管是后来的专家系统、神经网络复兴还是大模型热潮，研究者和工程师们都在这个“选区”里工作。“人工智能”这个词经历过无数质疑和误解，但它始终是一个把我们引向“机器能否思考”这个古老问题的指示牌。

2.3 提案文件：AI的完整问题清单

达特茅斯提案这份文件的另一个价值，在于它把人工智能要解决的问题清清楚楚地列了出来。提案里明确写道：研究的核心目标是“让机器能使用语言、形成抽象与概念、解决只有人类才能解决的问题，并改善自身”。这段话翻译成今天的术语，几乎可以对应到自然语言处理、抽象推理、问题求解、元学习和AutoML等各大方向。

提案还细化了七个研究主题，我把它们粗略整理成下表：

这七个方向几乎就是今天AI研究总目录的雏形。你可以批评达特茅斯会议没有拿出一套统一理论，但你没法否认，它像一份预言书一样，把接下来七十年的研究地图摊开了。

3. 图灵到达特茅斯之间：被AI历史遗忘的“中间十年”

3.1 控制论：跨学科的“三联体”

在很多AI简史里，图灵之后就直接跳到1956年，中间的1940年代常常被一笔带过。但如果真的跳过这十年，你就无法理解达特茅斯会议的参与者为何会凑到一起。这十年里最重要的一条线索，是诺伯特·维纳在1948年出版的《控制论》。

维纳这本书的全名叫《控制论：或关于在动物和机器中控制和通信的科学》，野心极大。他想把通信、反馈、自动控制、神经系统和行为目标这些概念统一成一个跨学科框架。比如恒温器能维持温度，是因为有反馈回路不停地测量偏差并调整输出；人伸手拿杯子时，视觉和肌肉也在不断进行类似的闭环校正。维纳认为，任何系统只要有目标、能感知反馈、能调整行为，就具备了某种意义上的“智能”。

控制论对后来AI的滋养是双面的。一方面，它让“智能”摆脱了神秘主义，变成了一套可以用信息、反馈、目标来解释的科学语言；另一方面，它的视角太过宏观，什么都往里装，导致很难形成计算机上可运行的精确算法。麦卡锡等人当年刻意把人工智能从控制论里分出来，某种程度上也是因为不想被“万物皆反馈”的框架绑住手脚。但控制论中关于学习、适应、目标的讨论，为AI准备了整整一代跨学科人才。

3.2 1943年：第一个神经元模型

如果必须在控制论之外再挑一个1940年代最重要的AI前奏，我会选1943年麦卡洛克和皮特斯提出的M-P神经元模型。麦卡洛克是神经生理学家，皮特斯是逻辑学家，两人联手给出了一个极简的神经元数学描述：神经元接收若干二进制输入，每个输入有权重，神经元内部有个阈值，加权求和超过阈值就输出1，否则输出0。

这个模型虽然粗糙，但意义极其深远。它第一次把大脑里的生物过程抽象成了逻辑运算——你已经可以用一组M-P神经元实现与、或、非这样的布尔函数。这意味着“思维至少有一部分是可以用计算来模拟的”，逻辑与神经之间从此有了一座桥。后来罗森布拉特在1958年搞出感知机，直接把M-P神经元加上学习规则，引发了第一波神经网络热潮；再后来深度学习里的所有网络结构，本质上也都是在M-P神经元这个母体上不断添加机制而已。

顺带说一句，M-P模型也暴露了一个问题：单个神经元能表达的逻辑太有限了。要让网络完成复杂计算，就得靠大量神经元组织起来，而如何组织、如何学习，才是后来几十年神经网络的真正战场。达特茅斯会议上讨论神经网络时，大家面临的也正是这个问题。

3.3 早期“会学习”的程序：塞缪尔的跳棋程序

1950年代初期，IBM的工程师亚瑟·塞缪尔写了一款跳棋程序。这个程序最了不起的地方不是能下棋，而是能通过自我对弈来提升棋力。它采用了当时非常前卫的思路：让程序同时存在两套策略，一套是当场的走法评估，另一套是对未来局面的搜索，通过反复左右互搏，程序能自动调整评估函数的参数，越下越好。

今天看，这就是非常标准的强化学习，甚至还有点进化计算的味道。而在当时，塞缪尔已经敏锐地意识到：如果所有规则都要靠人写死，那么智能系统永远只能处理人已经想明白了的任务。真正的智能必须包含一种能力——程序能根据经验改写自己的行为策略。这种“自我改进”的念头，后来也赫然出现在达特茅斯提案的研究方向里。

1962年，这个程序甚至击败了美国跳棋州冠军，在当时引发了不小的轰动。今天很多人提到AI下棋只会想起深蓝和AlphaGo，但塞缪尔的跳棋程序才是这一脉真正的老前辈。它用事实告诉当时的学界：机器不仅能执行规则，还能利用经验改进规则，这就是机器学习最早的几个火种之一。

4. 达特茅斯会议上的“五个核心思想”能开一整天

4.1 逻辑主义与符号推理：纽厄尔-西蒙的路线

达特茅斯会议期间，真正让与会者眼前一亮的成果，是艾伦·纽厄尔和赫伯特·西蒙带来的“逻辑理论家”程序。这个程序能自动证明罗素与怀特海《数学原理》中的定理，而且在会议上当场演示成功。虽然它证明的定理在数学家眼里不算高深，但关键不在于定理难度，而在于“机器居然能进行抽象推理”。

纽厄尔和西蒙的方法论叫启发式搜索。他们不追求穷举所有可能证明路径，而是设计一些经验法则，优先尝试那些“看起来更接近目标”的步骤。这套思路后来发展成符号主义AI的核心理念：智能等于对符号的操纵，而推理就是在一棵巨大的搜索树上找到一条可行路径。

符号主义路线为此后二十年AI研究定下了基调。它看起来极其优雅，因为逻辑、规则、证明这些概念都能被精确表示，程序也好写、好调试。但它也埋下了一个致命隐患：现实世界根本不是一套封闭的逻辑公理系统。你不可能把人类的所有常识都写成规则塞进知识库，一旦遇到规则覆盖不到的边缘情况，符号系统就会彻底失灵。这个隐患后来在1970年代引发第一次AI寒冬，不过在1956年，大家都是乐观的。

4.2 连接主义与神经网络：麦卡洛克-皮特斯模型的延伸

达特茅斯会议上还有另一条路线，那就是神经网络。与纽厄尔、西蒙的逻辑派不同，这一派追求的是模拟大脑的结构，而不是模拟人的推理过程。罗切斯特当时在IBM尝试模拟随机互连的神经元网络，希望看到这种网络能自发涌现出一些智能行为。

可惜受限于当时的计算机性能，这次实验结果并不理想。罗切斯特事后回忆说，机器连存储足够数量的虚拟神经元都费劲，更别说模拟复杂学习规则了。所以，达特茅斯会议在神经网络方向上并没有留下惊艳的成果，真正引爆这个方向的是1958年罗森布拉特发布的感知机。

不过，达特茅斯会议的价值在于让这两条路线第一次在同一个场子里正面相遇。符号主义的代表一边演示逻辑推理，神经网络的支持者一边强调结构学习，双方谁也说服不了谁，但彼此都知道了对方的存在。这种张力此后贯穿整个AI学科：哪个方向看起来更有希望，资源就流向哪里；等旧方向遇到瓶颈，新方向就趁机崛起。今天的深度学习本质上就是连接主义的后代，但大模型里又大量融入了符号主义时代沉淀下来的表征与推理思想。两条路线的融合，反而成了当下AI最活跃的地带。

4.3 自然语言、自然语言处理和“圣诞老人问题”

达特茅斯提案里专门强调了“让机器使用语言”这个目标。但在1956年，大家做的事情和今天完全不同。今天的大模型靠海量文本的统计规律学到语言能力，而那时候的研究者，首先遇到的问题竟然是：怎么把“常识”形式化？

香农在会上提出了一个后来流传甚广的难题，外号叫“圣诞老人问题”。大意是：如果让机器理解一个句子“圣诞老人会来送礼物”，那么机器该怎么表示“圣诞老人”这个概念？他是否存在？他住在哪里？他为什么能一夜之间绕地球一圈？人类听到这句话，不会追问这些荒诞的细节，因为我们拥有关于现实世界的庞大背景知识和“假装相信”的能力。但机器没有这种常识，它要么把一切都当作严格逻辑命题来推理，要么完全无法处理含混信息。

这个看似玩笑的问题，其实指认了自然语言理解最硬核的难题：语言理解高度依赖外部世界知识和对话中的隐含意图，而这些知识很难被写进逻辑规则里。当年大家靠手工构建知识库，进展缓慢；后来统计方法和机器学习登场，渐渐绕开了“把常识显式写出来”的死路。直到今天的大模型，也依然是在用分布式的上下文捕捉“常识”的影子，并没有真正解决“圣诞老人问题”。它被换了个面目，继续拷问着所有人。

从符号逻辑主义到统计主义，NLP这条路的演变，恰好就是AI整体路线变迁的一个缩影。达特茅斯会议上大家对语言的美好设想，等了七十年才以天量数据和超大规模算力的方式，得到一次漂亮的实用性回应。

5. 这场70年前“会议”对今天AI的启发与警示

5.1 第一波热潮为什么这么快就遇冷

今天回头看达特茅斯会议之后的十年，很容易觉得那是一个黄金时代。逻辑理论家、感知机、专家系统、机器翻译演示，一个接一个的突破让研究者无比乐观。麦卡锡甚至在1960年代断言，生成一个与人类智能相当的系统，也就是“一二十年”的事。后来的故事我们都知道了：这个预言至今没有兑现。

问题出在哪里？最核心的一点是，实验室里的成功被过度外推了。逻辑推理程序能在封闭公理系统内证明定理，并不意味着它能应对开放世界里的模糊决策；感知机能识别简单模式，但面对稍微复杂一点的问题就崩溃；机器翻译当时用规则法做得稀烂，美国国会后来甚至专门出了一份报告，几乎叫停了政府的机器翻译资助。这些冷水一盆接一盆地浇下来，AI从极热走向第一次寒冬。

这段历史给今天的从业者最直接的教训是：不要拿演示规模的成果，去推断大规模落地时的效果。今天很多AI演示在demo里惊艳全场，一到真实环境就退化，背后的逻辑和当年一模一样。从达特茅斯到今天，核心的问题并没有变：泛化能力、常识、鲁棒性，仍然是最难啃的骨头。

5.2 今天AI的许多“新概念”其实是“老问题换新装”

每次技术变革来临时，人们都容易高估新东西的独创性。但只要认真读过达特茅斯提案，你会有一种强烈的感觉：今天的AI几乎还在这份清单里打转。

举几个例子。今天大模型的预训练加微调，本质上就是“让程序根据经验改善自身”的现代版本；自监督学习，正是当年“机器能不能从无标签数据中找到结构”这个难题的答卷；指令跟随与人类反馈对齐，可以对应到“如何用抽象规则约束机器行为”；AI Agent的兴起，则是重新捡起“自动计算机”这面旗帜，让模型不只是回答问题，而是自主完成一系列任务。甚至“提示词工程”里关于如何给模型一个清晰目标的讨论，也能在规则系统的目标设计里找到遥远的回声。

这不是说今天的AI没有进步，而是说进步更像是沿着当年划分好的主干道不断修路：路越来越宽、车越来越快，但地图还是那张地图。理解这一点能让人对技术趋势更冷静：当某个“革命性新方向”出现时，不妨先问一句，它解决了达特茅斯清单里的哪个老问题？是换了个解法，还是真的开了一条新路？

5.3 从出生到成熟：我们仍然生活在一个“未完成的AI夏天”里

关于AI历史，我最喜欢的一个判断是：我们至今仍然生活在那场“达特茅斯夏天”的延长线上。1956年的会议只是点燃了火种，并没有给出答案。此后每一波浪潮——专家系统、神经网络复兴、深度学习、大模型——都是同一团火焰的不同燃烧方式。真正成熟的“智能科学”，可能还需要一次甚至多次“新的达特茅斯会议”，来重新定义问题、重新统一方法。

所以，如果你是刚入行或想认真学习AI的人，我特别建议回到原始文本里读一读。图灵的《计算机器与智能》和达特茅斯提案都不长，读起来却像穿越时间的对话。你会在里面看到无数今天争论话题的原始版本：表征、学习、常识、创造力、随机性的作用。理解了这些源头问题，再看今天的论文和热搜词汇，会多一层难得的清醒。

6. 写在最后：我给自己的一个“重读计划”

研究AI起源这段历史，最让我感慨的倒不是某个天才的灵光一现，而是一群人愿意相信“智能可以被工程化”这件事本身有多反常识。在1956年，人类对大脑的理解还极其有限，计算机也笨重得可怜，但他们敢把“让机器思考”当成一个正经的科研方向来申请经费、组织会议、互相争论，这本身就是一种了不起的乐观。

落到我自己的学习上，这段历史最实际的改变是：我给自己定了一个重读计划。每年重读一遍图灵那篇论文和达特茅斯提案，边读边更新自己的批注。第一遍读的是概念，第二遍读的是方法论，第三遍读的时候，很多迷惑已经被今天的实践解开了，而另一些迷惑又长出了新枝。这种“带着当下经验回看历史”的方式，比单纯追热点有意思得多，也扎实得多。

如果你也想从源头理解人工智能，不一定要走什么复杂的路，从图灵机开始，到达特茅斯会议为止，把这条不到二十年的故事线走通，你对今天的AI会有一种完全不同的手感。很多看似高深的概念，其实都是这些老问题的延续；很多看似疯狂的炒作，本质上也不过是又一轮乐观周期的重演。看清来路，至少能让下一次“AI改变世界”的浪潮袭来时，我们不再那么容易被冲昏头脑。