人工智能发展走过的弯路

99ANYc3cd6 人工智能 2026-01-23 5

人工智能的发展历程并非一帆风顺，充满了“弯路”和“低谷”，这些弯路不仅是技术上的失败，更是认知、方法论和资源投入上的偏差，理解这些弯路,对于今天AI的蓬勃发展至关重要。

（图片来源网络，侵删）

我们可以将这些弯路归纳为以下几个主要方面：

“智能”定义的弯路：过度追求“类人思维”

这是AI领域最根本、最持久的弯路，早期研究者天真地认为，要让机器表现出智能，就必须让它们像人一样“思考”。

弯路表现：符号主义与“通用问题求解器”
- 核心思想： 认为智能的本质是基于逻辑和符号的运算，只要能将知识表示成符号，并设计一套推理规则,机器就能解决任何问题。
- 典型案例： 1957年，赫伯特·西蒙和艾伦·纽厄尔开发的“逻辑理论家”和“通用问题求解器”，它们能证明数学定理，但能力极其有限，无法处理现实世界中模糊、不完整的信息。
- 为何是弯路： 这种方法严重低估了人类常识的复杂性，世界不是由清晰的符号和规则构成的，充满了模糊性、不确定性和背景知识，你无法用逻辑规则精确描述“一杯水”的所有属性（温度、颜色、重量、如何拿取等），当试图构建一个包含所有常识的“知识库”时，项目变得无比庞大且难以维护，最终陷入了“组合爆炸”的泥潭。
弯路表现：早期的“常识知识库”项目
（图片来源网络，侵删）
- 典型案例： CYC项目（1984年启动），该项目旨在手动输入数百万条人类常识，构建一个巨大的知识库,期望机器能基于此进行推理。
- 为何是弯路： 它低估了常识的规模和获取的难度，试图用人工方式穷尽所有常识，无异于用勺子挖掘太平洋，虽然CYC项目在今天仍有价值（例如在语义网领域），但它最初的目标——实现通用常识推理——被证明是行不通的。

反思与修正： 这条弯路迫使AI研究者重新思考“智能”的定义，后来的研究者，特别是连接主义（神经网络）的拥护者，认为智能可能不是来自“显式”的规则，而是来自“隐式”的模式学习和统计规律，今天的深度学习正是这一思想的胜利，它不关心机器是否“像人一样思考”,只关心它能否在特定任务上达到甚至超越人类水平。

研究范式的弯路：过度依赖“逻辑推理”与“知识表示”

与第一点紧密相关，AI在很长一段时间内执着于“自上而下”的逻辑方法，而忽视了“自下而上”的学习方法。

弯路表现：专家系统的兴衰
- 核心思想： 将人类专家的知识和经验编码成“那么”（If-Then）的规则，构建一个能在特定领域（如医疗诊断、化学分析）提供咨询的系统。
- 黄金时代： 20世纪80年代，专家系统一度成为AI的主流,创造了巨大的商业价值。
- 为何是弯路：
  1. 知识获取瓶颈： 知识工程师需要花费大量时间和精力与专家合作，将他们的经验提炼成规则,过程缓慢且昂贵。
  2. 脆弱性： 专家系统非常“脆弱”，一旦遇到规则库中没有覆盖的情况，就会完全失效,无法处理例外和不确定性。
  3. 无法学习： 专家系统是静态的，一旦构建完成,就不会从新的经验中自动学习和进化。
- 结局： 到了80年代末90年代初，专家系统的维护成本高昂、扩展性差的缺点暴露无遗，市场泡沫破裂，AI进入了第二次“寒冬”。

反思与修正： 专家系统的失败，让研究者意识到，让机器“自己学习”比“手动灌输知识”更重要，这为后来基于统计和数据的机器学习方法铺平了道路，今天的AI系统，如推荐系统、语言模型，其核心就是从海量数据中自动学习规律,而不是依赖人工编写的规则。

技术路线的弯路：连接主义的两次低谷

神经网络作为连接主义的核心，虽然思想很早，但发展过程极其曲折，经历了两次著名的“寒冬”。

弯路表现：第一次神经网络寒冬（1960s - 1980s）
- 背景： 1957年，弗兰克·罗森布拉特发明了“感知器”，这是最早的神经网络模型,一度让AI界非常兴奋。
- 致命一击： 1969年，AI巨头马文·明斯基和西摩·帕普特在他们的著作《感知器》中，用数学严格证明了单层感知器无法解决“异或”（XOR）这样的非线性问题。
- 为何是弯路： 这一结论被过度解读，让整个学术界对神经网络的前景感到悲观，认为神经网络存在根本性局限，研究经费被大量削减,神经网络研究进入了长达十余年的停滞期。
弯路表现：第二次神经网络寒冬（1990s - 2000s初）
- 背景： 1986年，反向传播算法的发明解决了多层神经网络的训练问题,神经网络迎来复兴。
- 为何再次走入低谷：
  1. 算力不足： 当时的计算机算力远远不足以训练深层的、大规模的神经网络。
  2. 数据匮乏： 缺乏足够大的、高质量的标注数据集来训练复杂的模型。
  3. 其他方法的竞争： 支持向量机等基于统计学习理论的模型在许多任务上表现更稳定、更可靠,成为当时的主流。
- 结局： 神经网络再次被边缘化，被认为是“理论上美好，但实践中不靠谱”的技术。