2025年，距離阿蘭·圖靈在論文中第一次提出“機器能思考嗎”這一疑問，已經(jīng)過去了75年。對于人類文明史而言或許只是彈指一揮間，但對于人工智能（AI）而言，卻是一段從虛無到現(xiàn)實、從規(guī)則到直覺、從輔助工具到重塑人們生產(chǎn)生活的進化歷程。

2024年10月，瑞典皇家科學院決定將諾貝爾物理學獎和化學獎頒給人工智能領(lǐng)域的先驅(qū)與應用者。這不僅標志著主流科學界對AI技術(shù)地位的終極認可，更宣告了AI已不再僅僅是計算機科學的一個分支，而是正在成為物理學、生物學等眾多學科的通用技術(shù)基座。

（圖片由AI生成）

符號主義的“黃金時代”

人工智能的故事，始于一個哲學問題。1950年，英國數(shù)學家阿蘭·圖靈發(fā)表了里程碑式的論文《計算機器與智能（Computing Machinery and Intelligence）》。在文中，他避開了“思維”這一難以定義的概念，提出了著名的圖靈測試，為AI定下了最初的判定標準。

真正的概念誕生于1956年。在美國達特茅斯學院，約翰·麥卡錫、馬文·明斯基、克勞德·香農(nóng)等幾位年輕科學家首次提出了“人工智能”這一術(shù)語。

當時的科學家們堅信“符號主義”路線——即智能的本質(zhì)是對符號的邏輯操作。他們認為，只要賦予機器足夠的邏輯推理能力（如幾何定理證明）和知識庫，就能像教孩子一樣教會機器看懂世界。早期的程序如“邏輯理論家”確實能證明復雜的數(shù)學定理，甚至ELIZA程序能通過簡單的模式匹配模擬心理醫(yī)生。

然而，現(xiàn)實很快給了理想主義者“沉重一擊”。人們發(fā)現(xiàn)，機器雖然能解決高深的數(shù)學題，卻無法完成三歲小孩都能做的事，比如識別一張模糊的照片，或者理解語言中隱含的幽默。邏輯的完美掩蓋不了感知能力的缺失。

在質(zhì)疑中尋找新出路

1973年，著名的《萊特希爾報告》指出AI研究進展緩慢，預告當時的技術(shù)“無法解決現(xiàn)實世界的復雜問題”。這份報告直接導致英美政府大幅削減科研經(jīng)費，AI研究陷入低谷，史稱“第一次AI寒冬”。彼時，早期符號主義AI依賴人工定義規(guī)則的局限性暴露無遺，讓一度狂熱的學術(shù)界與資本迅速冷卻。

直到20世紀80年代，“專家系統(tǒng)”的出現(xiàn)帶來了新的生機。這是一種試圖將相關(guān)領(lǐng)域的專家知識轉(zhuǎn)化為成千上萬條“如果－那么”規(guī)則的系統(tǒng)。該系統(tǒng)在探礦、醫(yī)療診斷等特定領(lǐng)域取得了一定的成功，比如美國數(shù)字設備公司的“XCON”系統(tǒng)能輔助配置計算機，一度降低了40%的人工成本。但很快又因維護成本極高、缺乏學習能力而觸碰到了天花板——一旦遇到規(guī)則庫之外的微小變動，系統(tǒng)就會崩潰，第二次AI寒冬隨之而來。

但在寒冬的冰層之下，一股暗流正在涌動。以杰弗里·辛頓為代表的學者，堅持研究人工神經(jīng)網(wǎng)絡。他們試圖模擬人腦神經(jīng)元的連接方式，通過調(diào)整連接權(quán)重來讓機器“學習”而非“死記硬背”。當時主流學界普遍認為神經(jīng)網(wǎng)絡的計算復雜度難以突破，相關(guān)論文甚至屢遭期刊拒稿，但這些學者依靠少量經(jīng)費堅持了下來，這條被邊緣化的路徑，為后來AI的爆發(fā)埋下了火種。

深藍與大數(shù)據(jù)的崛起

20世紀90年代，摩爾定律推動了計算機算力的指數(shù)級增長，為AI的復蘇提供了物質(zhì)與技術(shù)基礎。芯片性能的提升讓曾經(jīng)停留在理論層面的算法得以落地，也讓復雜模型的訓練成為可能。

1997年5月，IBM的超級計算機“深藍”（Deep Blue）擊敗了當時世界排名第一的國際象棋大師加里·卡斯帕羅夫。這一AI歷史上的高光時刻，卻也帶來了極具話題性的爭論?？陀^來看，“深藍”的勝利并非基于真正的“智能”，而是基于極致的計算——它每秒能計算2億步棋，通過窮舉法在封閉規(guī)則的棋盤上碾壓了人類。相關(guān)領(lǐng)域?qū)W者表示，它不懂棋理，只是在算數(shù)，這場勝利更像是算力的勝利而非智能的突破。

隨后的互聯(lián)網(wǎng)時代，海量數(shù)據(jù)開始爆發(fā)。AI開始以更務實的面貌滲透進日常生活，它是郵箱里的垃圾郵件過濾器，是搜索引擎背后的推薦算法，也是電商平臺的商品導購系統(tǒng)。

雖然此時的AI依然不夠“聰明”，無法理解人類語言的深層含義，但它卻能通過統(tǒng)計規(guī)律精準捕捉用戶偏好。在大數(shù)據(jù)的持續(xù)“喂養(yǎng)”下，它擺脫了早期“實驗室技術(shù)”的標簽，開始具備統(tǒng)計學意義上的實用價值，也為深度學習的爆發(fā)積累了寶貴的數(shù)據(jù)資源。

從感知到?jīng)Q策的質(zhì)變

AI的歷史轉(zhuǎn)折，發(fā)生在2012年。

在當年的ImageNet圖像識別挑戰(zhàn)賽上，杰弗里?辛頓團隊利用“深度學習”技術(shù)（AlexNet），將圖像識別錯誤率瞬間降低了一半。這一斷崖式的突破震驚了全球——機器終于不再依賴人類手工編寫特征，而是學會了通過多層神經(jīng)網(wǎng)絡，在海量數(shù)據(jù)中自主捕捉關(guān)鍵信息、提取核心特征，徹底擺脫了傳統(tǒng)算法對人工干預的依賴。

從模糊的像素矩陣到清晰的類別判定，技術(shù)的跨越讓機器真正“睜開”了眼睛，也為人工智能領(lǐng)域打開了通往感知智能的全新大門。

僅僅四年后，這種感知能力便快速延伸至復雜的決策領(lǐng)域。2016年，AlphaGo在萬眾矚目的圍棋人機大戰(zhàn)中擊敗世界冠軍李世石，引發(fā)全球?qū)I潛力的重新認知。賽事中，AlphaGo的第37手堪稱經(jīng)典：這一步棋帶有高度的不確定性，完全脫離了人類圍棋選手固有的傳統(tǒng)思維模式，走出了獨樹一幟的落子路徑，被圍棋界盛贊為“神之一手”。

這一精彩瞬間不僅印證了機器在復雜博弈中的計算優(yōu)勢，更證明了通過深度學習，AI能夠突破人類經(jīng)驗的邊界，涌現(xiàn)出某種超越機械運算的“直覺”與“創(chuàng)造力”，為人工智能向更高級認知領(lǐng)域的發(fā)展奠定了重要基礎。

生成式的爆發(fā)

如果說AlphaGo是專用人工智能的巔峰，那么2017年谷歌提出的Transformer模型架構(gòu)，則打開了通往通用人工智能（AGI）的大門。

基于這一架構(gòu)，OpenAI走上了“大算力+大數(shù)據(jù)”的道路。2022年末，ChatGPT橫空出世，讓AI具備了“生成”和“理解”的能力。它不再只是做選擇題，而是開始寫詩、編程、進行邏輯推理。AI從“判別式”進化為“生成式”，跨越了圖靈測試的門檻。

2024年，諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德和英裔加拿大科學家杰弗里·辛頓，以表彰他們“通過人工神經(jīng)網(wǎng)絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”?；瘜W獎的一半共同授予英國倫敦谷歌旗下人工智能公司“深層思維”（DeepMind）的德米斯·哈薩比斯和約翰·江珀，以表彰其在蛋白質(zhì)結(jié)構(gòu)預測方面的貢獻。這標志著AI已經(jīng)超越了單純的技術(shù)范疇，開始反哺基礎科學，AI for Science（人工智能驅(qū)動的科學研究）引發(fā)更多關(guān)注。

從虛擬走向?qū)嶓w

AI的終局，僅僅是停留在屏幕和服務器里的“超級大腦”嗎？鄧志東給出了另外的答案。他認為，AI發(fā)展的下半場，是從“虛擬邏輯”走向“物理實體”。“智能不是虛擬的，智能也有物理載體?！编囍緰|說。

鄧志東分析道，人類的智能嚴格對應著大腦皮層和小腦等物理實體。大腦皮層負責理解、預測、決策與規(guī)劃，小腦負責運動控制。同樣的邏輯也適用于機器——AI大模型是機器人的“神經(jīng)中樞”，而機器人本體則是AI的“物理邊界”。

鄧志東表示，人類在面對現(xiàn)實世界中復雜、動態(tài)且信息不完整的場景時，往往不是依靠窮盡邏輯，而是依靠“經(jīng)驗”和“記憶”來快速決策。同理，未來的AI要實現(xiàn)“100%的任務成功率”，不能僅靠云端的大模型預測與推理，還必須依賴本體在物理交互中建立起“技能性持久記憶”。

這意味著，“具身智能”將成為未來的爆發(fā)點之一。在工業(yè)領(lǐng)域，具備視覺感知和力控安全機制的協(xié)作機器人，將不再只是盲目執(zhí)行代碼，而是能“看懂”流水線上姿態(tài)各異的工件，實現(xiàn)柔性作業(yè)。在出行服務領(lǐng)域，自動駕駛汽車作為“輪子上的智能體”，將具備能夠利用大模型的泛化能力，解決暴雨、無信號燈路口等“長尾與邊緣事件場景”的性能。

鄧志東預判，未來5到10年，我們將迎來“更自主的操作與移動”。工業(yè)機器人將走向集群化協(xié)同，家庭機器人將走向小型化與“一機多用”。而在這一進程中，挑戰(zhàn)依然存在。如何突破云、邊緣端的算力瓶頸？如何解決“黑箱”決策的信任悖論？如何守住數(shù)據(jù)隱私的紅線？這些都是AI在實體化進程中必須回答的考題。

75年，從圖靈的數(shù)學猜想，到諾貝爾獎的科學獎項，再到如今走進工廠、駛上街頭的實體智能或智能體，歷史的車輪滾滾向前，屬于大模型與智能體的時代才剛剛拉開序幕，時間或許是衡量技術(shù)價值最公正的標尺。

來源：北京科技報

采訪專家：鄧志東（清華大學計算機科學與技術(shù)系教授、人工智能研究院視覺智能研究中心主任）

撰文：記者 段大衛(wèi)