在電腦被發明出來的初期，科學家們就開始思考一個深刻的問題：機器是否可能「思考」？
1940年代的世界：
- 🌍 第二次世界大戰期間與戰後
- 💻 第一台電子計算機誕生（ENIAC, 1946）
- 🔬 科學技術快速發展
- 🧠 對人類智慧本質的哲學探討
技術條件：
- 計算機體積龐大（佔據整個房間）
- 運算能力極其有限
- 主要用於軍事計算與科研
- 程式設計需要直接操作硬體
思想氛圍：
- 科學樂觀主義盛行
- 跨學科研究興起
- 控制論、資訊理論等新領域誕生
- 哲學與科學的密切對話
Alan Turing (1912-1954)
- 🇬🇧 英國數學家、邏輯學家、密碼學家
- 🏆 被譽為「計算機科學與人工智慧之父」
- 🔐 二戰期間破解德國 Enigma 密碼機
- 💡 奠定了現代計算理論的基礎
生平重要貢獻：
1. 圖靈機 (1936) — 計算理論的基石
2. 破解 Enigma (1940-1945) — 協助盟軍獲勝
3. 圖靈測試 (1950) — 定義機器智慧的標準
4. 化學形態發生 (1952) — 開創生物數學領域
發表：Mind 期刊，1950年
核心問題：「機器能思考嗎？」(Can machines think?)
圖靈的策略：
不直接回答「什麼是思考」，而是提出一個行為測試：
"如果一台機器的行為在所有方面都無法與人類區分，那麼我們就應該說它能夠思考。"
參與者：
- 👤 評審（人類）
- 👤 人類被測試者 (Human)
- 🤖 機器被測試者 (Machine)
測試流程：
關鍵規則：
1. ✅ 只能透過文字交流（避免聲音、外觀干擾）
2. ✅ 評審不知道誰是人類、誰是機器
3. ✅ 如果評審無法穩定區分，機器通過測試
對話範例：
評審：你能告訴我一首莎士比亞十四行詩嗎？
回應A：當然可以。「我能否將你比作夏日？你比夏日更可愛、更溫和...」
回應B：抱歉，我對詩歌不太在行。
評審：請計算 34957 + 70764。
回應A：105721。
回應B：讓我想想... 大概是 105720 左右？（故意延遲並稍微出錯）
評審：你覺得這個笑話好笑嗎？「為什麼火雞不會飛？因為它們更喜歡走路！」
回應A：哈哈，有點冷笑話的感覺。
回應B：我覺得還挺有趣的，雖然不是特別好笑。
問題：哪個是機器？
圖靈的洞察：
- 🤖 機器可能故意答錯數學題（表現得像人類）
- 🧠 智慧不在於完美計算，而在於「像人類一樣」
- 🎭 行為主義定義：重要的是行為，而非內在機制
哲學意義：
1. 操作化定義：
- 將抽象的「思考」轉化為可測試的行為
- 避免陷入「意識」的哲學泥潭
類似「如果走路像鴨子、叫聲像鴨子，就是鴨子」
功能等價性：
對 AI 的影響：
- ✅ 提供了可操作的目標
- ✅ 啟發了對話系統的研究
- ✅ 成為衡量 AI 的經典標準
爭議與批評：
❌ 中文房間論證 (John Searle, 1980)：
- 即使通過圖靈測試，也不代表真正「理解」
- 可能只是巧妙的符號操作，沒有真實的理解
❌ 意識問題：
- 通過測試 ≠ 擁有意識或自我意識
- 行為相似 ≠ 內在體驗相同
❌ 測試局限：
- 只測試語言能力，忽略其他智慧形式
- 可能被欺騙策略通過
雖然在 1936 年就提出（早於 AI 概念），但圖靈機為 AI 提供了理論基礎。
組成部分：
每個格子包含一個符號（0, 1, 空白）
讀寫頭：
可以左移或右移一格
狀態機：
根據當前狀態和讀取的符號決定動作
轉移規則：
範例：計算 1 + 1
初始紙帶：..._ 1 1 _...
步驟 1：讀取第一個 1，寫入 #（標記）
步驟 2：向右移動
步驟 3：讀取第二個 1
步驟 4：將其改為 0，向左移動
步驟 5：找到 #，將其改為 1
步驟 6：向右移動，寫入 0
步驟 7：停機
最終紙帶：..._ 1 0 _... （表示 2，二進制）
計算理論基礎：
這是現代通用電腦的理論原型
Church-Turing 論題：
"任何可被演算法解決的問題，都可以被圖靈機解決。"
定義了「可計算性」的邊界
為 AI 的能力上限提供理論基礎
不可判定問題：
換句話說，這證明了有些看似明確的問題，是演算法永遠無法完美解決的。這個發現為電腦科學和 AI 的能力劃定了理論上的邊界，讓我們知道並非所有問題都能透過計算找到答案。
對 AI 的啟示：
- ✅ AI 的能力受限於可計算性
- ✅ 某些問題可能原則上無解
- ✅ 理解這些限制幫助我們設定合理期望
Norbert Wiener (1894-1964)
- 🇺🇸 美國數學家
- 📚 1948年出版《控制論：關於在動物和機器中控制和通訊的科學》
- 🎯 研究動物與機器中的控制與通訊系統
控制論的定義：
研究自我調節系統的科學，探討生物與機器如何透過回饋機制維持目標狀態。
回饋 (Feedback) 是控制論的核心：
經典範例：恆溫器 (Thermostat)
1. 目標：室溫 22°C
2. 感測器：測量當前溫度 (18°C)
3. 比較器：計算誤差 (22 - 18 = 4°C)
4. 執行器：開啟暖氣
5. 系統：溫度上升
6. 持續回饋，直到達到目標溫度
7. 溫度超過時，關閉暖氣
這是一個「負回饋」系統：系統的輸出會抑制輸入，維持穩定。
兩種回饋類型：
| 類型 | 效果 | 範例 | 在 AI 中的應用 |
|---|---|---|---|
| 負回饋 | 穩定系統，減少誤差 | 恆溫器、自動駕駛 | 梯度下降優化 |
| 正回饋 | 放大變化，可能失控 | 音響嘯叫、連鎖反應 | GAN 訓練、強化學習探索 |
概念貢獻：
啟發了自主機器人的設計
目標導向行為：
影響了 AI 中的目標函數設計
生物與機器的統一視角：
在現代 AI 中的體現：
# 神經網路訓練的回饋循環
while 未達到目標:
預測 = 模型(輸入)
誤差 = 計算_誤差(預測, 真實標籤) # 感測器
梯度 = 計算_梯度(誤差) # 比較器
更新_參數(梯度) # 執行器
# 系統透過回饋不斷逼近目標
機器人控制：
感知 → 決策 → 行動 → 觀察結果 → 調整決策
（這是控制論回饋循環的直接應用）
物理符號系統假說 (Physical Symbol System Hypothesis)
- 📜 提出者：Allen Newell & Herbert Simon (1976)
- 💡 核心主張：
"物理符號系統擁有智慧行動所需的必要與充分手段。"
解讀：
- 必要：任何展現智慧的系統都必定是符號系統
- 充分：符號操作足以產生智慧行為
- 意義：智慧可以被還原為符號的操作與轉換
基本思想：
智慧 = 符號操作 + 規則推理
知識表示：
前提：人(蘇格拉底)
規則：人(X) → 會死(X)
推論：會死(蘇格拉底)
框架：房間
- 有牆壁：是
- 有門：至少1個
- 有窗戶：通常有
- 用途：居住、工作等
演繹推理 (Deductive Reasoning)：
大前提：所有鳥都會飛
小前提：企鵝是鳥
結論：企鵝會飛（❌ 錯誤！）
問題：邏輯正確，但結論錯誤
原因：大前提不正確（有例外）
歸納推理 (Inductive Reasoning)：
觀察：天鵝1是白色的
觀察：天鵝2是白色的
觀察：天鵝3是白色的
...
推論：所有天鵝都是白色的（❌ 黑天鵝存在！）
溯因推理 (Abductive Reasoning)：
觀察：草地是濕的
知識：下雨會讓草地濕
推論：可能剛下過雨（也可能是澆水）
優勢：
- ✅ 可解釋性強：推理過程清晰，可以追蹤
- ✅ 邏輯嚴謹：符合形式邏輯規則
- ✅ 知識表示明確：人類可以理解和編輯
- ✅ 適合特定領域：數學證明、邏輯遊戲
局限：
- ❌ 脆弱 (Brittle)：
- 遇到未預見情況就失效
- 難以處理例外與模糊情況
例如：「杯子可以裝水」（需要大量隱含知識）
❌ 組合爆炸：
難以在合理時間內搜索
❌ 感知問題：
經典難題：
問題：「這個句子有多重意義嗎？」
"我在銀行看到她。"
符號 AI 的困境：
- 銀行 = 金融機構？還是河岸？
- 需要上下文理解
- 純符號操作難以解決
樂觀主義：
- 相信智慧可以被理解和複製
- 相信機器最終能達到人類智慧
形式化追求：
- 試圖用數學和邏輯精確定義智慧
- 建立嚴謹的理論框架
跨學科視角：
- 融合數學、哲學、工程學、生物學
- 生物與機器的統一理解
影響至今，仍是 AI 研究的基準
控制論的啟示：
影響：機器人、自動控制、優化演算法
符號主義的理念：
局限：脆弱、難處理感知與常識
時代意義：
這個時期是 AI 的理論準備階段：
- 🧠 建立了基本概念
- 📐 奠定了數學基礎
- 🎯 設定了研究目標
- 🌱 為後續發展播下種子
通過測試是否意味著真正的「理解」？
符號主義的價值：
符號推理是否仍有價值？
回饋機制：
原始文獻：
- Alan Turing (1950). "Computing Machinery and Intelligence"
- Norbert Wiener (1948). "Cybernetics: Or Control and Communication in the Animal and the Machine"
現代解讀：
- 第 V 章將展示這些理論如何催生 AI 學科的正式誕生
- 第 VI 章將討論符號 AI 的興衰
影片資源：
- 推薦觀看 陳宜欣教授演講 了解 AI 的哲學思考
← 上一章：兩大典範 | 返回目錄 | 下一章：經典時期 →