吴前锐1. 人工智能的起源与早期探索
1956年夏天，美国达特茅斯学院聚集了来自数学、心理学、神经科学和电子工程等领域的十几位科学家。这场为期两个月的研讨会后来被公认为人工智能作为独立学科的起点。会议发起人约翰·麦卡锡（John McCarthy）提出了"Artificial Intelligence"这个名称，取代了当时其他学者建议的"机器智能"或"自动机研究"等表述。
有趣的是，当时与会者对AI发展速度的预测过于乐观。赫伯特·西蒙（Herbert Simon）甚至预言计算机将在十年内战胜人类国际象棋冠军，这个预言最终在40年后才实现。
早期AI研究主要集中在逻辑推理和定理证明领域。1956年，艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙开发出"逻辑理论家"（Logic Theorist），这是世界上第一个AI程序，能够自动证明《数学原理》中的数学定理。这个程序展示了机器模拟人类推理过程的可能性。
1966年，约瑟夫·维森鲍姆（Joseph Weizenbaum）在麻省理工学院开发了ELIZA程序，这是第一个能够模拟人类对话的聊天机器人。ELIZA采用简单的模式匹配技术，特别擅长模仿心理医生的对话方式。尽管它实际上并不理解对话内容，但很多人误以为机器真的能够理解人类情感。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AI发展的低谷与反思
1970年代，AI领域遭遇了第一次重大挫折。1973年发布的"莱特希尔报告"对AI研究现状提出了严厉批评，指出机器翻译、图像识别等领域的表现远低于预期。这份报告直接导致英国政府大幅削减AI研究经费，美国国会也开始质疑AI研究的价值。
造成这次"AI寒冬"的主要原因有两个：
- 硬件性能限制：当时的计算机内存和存储容量极其有限，无法支持复杂的AI算法运行。
- 方法论缺陷：基于规则的系统难以应对现实世界的复杂性，人工编写所有可能情况的规则既不现实也不可持续。
在低谷时期，专家系统（Expert System）成为AI研究的主要方向。这类系统通过构建特定领域的知识库和推理引擎，在医疗诊断、工业配置等专业领域取得了一定成功。DEC公司使用专家系统配置计算机订单，每年节省数千万美元成本。
然而，专家系统存在明显局限：
- 知识获取瓶颈：需要人工输入大量专业知识
- 缺乏学习能力：无法自动更新知识
- 泛化能力差：难以处理规则之外的情况