蒋张琦1. 人工智能的认知革命：从图灵测试到深度学习
2016年3月，韩国首尔四季酒店的对弈室里，李世石九段面对AlphaGo投子认负的那一刻，标志着人类认知疆界的又一次重大突破。这场人机大战的意义远超围棋本身——它向世界宣告：经过半个多世纪的理论积淀和技术迭代，人工智能终于从实验室走向了现实世界。
1.1 智能本质的哲学思辨
要理解人工智能的演进轨迹，我们必须回到那个根本性的哲学命题：什么是智能？古希腊哲学家亚里士多德在《论灵魂》中最早系统探讨了心智的本质，而笛卡尔的"我思故我在"则将意识问题推向了近代哲学的核心。这些思考在20世纪中叶遇到了计算机科学，催生了人工智能这门交叉学科。
1950年，艾伦·图灵在《心智》杂志发表的《计算机器与智能》中，用他特有的英式幽默提出了一个避开哲学争论的实证方案："与其追问机器能否思考，不如问机器能否通过模仿游戏（Imitation Game）。"这就是后来广为人知的图灵测试——当人类评判者通过文本对话无法区分机器和真人时，即可认为该机器具有智能。
重要提示：图灵测试的突破性在于将抽象的"智能"概念转化为可操作的行为标准，这种实用主义取向深刻影响了早期AI研究的方法论。
1.2 技术路线的三次范式转移
1.2.1 符号主义时代（1956-1980）
达特茅斯会议后的头三十年，AI研究主要沿着符号处理的路径发展。纽厄尔和西蒙的"逻辑理论家"能够证明数学定理，而爱德华·费根鲍姆的专家系统DENDRAL可以像化学博士一样解析质谱数据。这些系统都基于一个共同假设：智能源于对符号的物理操作。
但符号主义遭遇了著名的"常识知识问题"。要构建一个能理解"水杯"概念的AI，需要预先编码数以万计的相关事实（如"玻璃杯易碎"、"装满水的杯子会变重"）。明斯基在《心智社会》中无奈地承认："这些常识规则的数量可能比宇宙中的原子还多。"
1.2.2 统计学习革命（1990-2010）
当符号主义陷入困境时，来自贝尔实验室的统计学家们开辟了新路径。1998年，支持向量机（SVM）在手写数字识别上达到人类水平；2006年，随机森林算法在Kaggle竞赛中崭露头角。这些方法不再试图"理解"数据，而是通过概率模型寻找模式。
IBM深蓝1997年战胜卡斯帕罗夫的关键，就在于它每秒能评估2亿个棋局位置——