Chapter_05_ClassicalPeriod

5.1 AI 的正式誕生

5.1.1 達特茅斯會議 (1956) — AI 的誕生地

The Dartmouth Summer Research Project on Artificial Intelligence

時間：1956 年夏天（6-8月）
地點：美國新罕布什爾州達特茅斯學院
時長：原計劃 6-8 週

這場會議被公認為 AI 作為一門獨立學科的誕生標誌。

5.1.2 會議發起人與參與者

四位發起人：

graph TD Conference[達特茅斯會議
1956] M[John McCarthy
達特茅斯學院
創造 AI 一詞] Mi[Marvin Minsky
哈佛大學
神經網路研究] R[Nathaniel Rochester
IBM
工業界代表] S[Claude Shannon
貝爾實驗室
資訊理論創始人] Conference --> M Conference --> Mi Conference --> R Conference --> S style Conference fill:#f3e5f5 style M fill:#e3f2fd style Mi fill:#e3f2fd style R fill:#e3f2fd style S fill:#e3f2fd

其他重要參與者：
- Allen Newell & Herbert Simon（卡內基理工學院）
- 帶來了 Logic Theorist 程式
- Ray Solomonoff（麻省理工學院）
- 機率推理與機器學習
- Oliver Selfridge（麻省理工學院）
- 模式識別

5.1.3 會議提案的核心內容

提案開頭的著名定義：

"我們提議在 1956 年夏天於達特茅斯學院進行為期 2 個月、由 10 人參與的人工智慧研究。研究將基於以下猜想：學習或智慧的任何其他特徵，原則上都可以被如此精確地描述，以至於可以製造一台機器來模擬它。"

研究議題：
1. 自動電腦 (Automatic Computers)
2. 如何讓電腦使用語言
3. 神經網路 (Neuron Nets)
4. 計算複雜度理論
5. 自我改進 (Self-improvement)
6. 抽象概念形成
7. 隨機性與創造力

核心假設：
- ✅ 智慧可以被精確描述
- ✅ 機器可以模擬智慧
- ✅ 這個目標可以在短期內實現（❌ 後來證明過於樂觀）

5.1.4 「人工智慧」一詞的誕生

John McCarthy 創造了 "Artificial Intelligence" 這個詞：

為什麼選這個名字？
需要一個吸引人的名字來申請資金
區別於已有的「控制論」、「自動機理論」
強調「智慧」而非「計算」
其他候選名字：
Complex Information Processing（複雜資訊處理）
Machine Intelligence（機器智慧）
Thinking Machines（思考機器）

影響：
這個名字既是 AI 的成功，也是負擔：
- ✅ 成功吸引了關注與資金
- ❌ 帶來了過高的期望（"智慧"一詞太強）

5.1.5 會議的歷史意義

實際成果有限：
- 並非所有受邀者都全程參與
- 沒有產生革命性的技術突破
- 沒有正式的會議記錄或論文集

深遠影響：
- ✅ 確立了 AI 作為獨立研究領域
- ✅ 建立了研究社群：參與者成為 AI 先驅
- ✅ 吸引了資金：政府與企業開始投資
- ✅ 定義了研究議程：影響後續幾十年

樂觀氛圍：
當時普遍認為：
- 20 年內將實現人類級別的 AI
- 機器翻譯將在 3-8 年內解決
- 電腦將在 10 年內成為象棋世界冠軍

5.2 早期的 AI 程式

5.2.1 Logic Theorist (邏輯理論家, 1956)

開發者：Allen Newell, Herbert Simon, Cliff Shaw
首次展示：達特茅斯會議

成就：
- 證明了《數學原理》(Principia Mathematica) 中的 38 個定理
- 其中一個證明比原書更優雅

工作原理：

graph TD Start[定理證明任務] Goal[目標定理] Rules[邏輯規則庫] Search[搜索策略] Proof[找到證明] Start --> Goal Goal --> Search Rules --> Search Search -->|啟發式搜索| Proof style Start fill:#e1f5dd style Proof fill:#f3e5f5

啟發式方法：
1. 手段-目的分析 (Means-Ends Analysis)
- 識別當前狀態與目標的差距
- 選擇能縮小差距的規則

逆向推理：
從目標倒推需要什麼前提
再證明這些前提

範例（簡化）：

目標：證明 A → C
逆向推理：如果有 A → B 和 B → C，則證明完成
搜索：尋找 A → B 和 B → C
找到後：證明成功

意義：
- ✅ 第一個真正的 AI 程式
- ✅ 展現了機器的「推理能力」
- ✅ 證明了符號操作的可行性

5.2.2 General Problem Solver (GPS, 1957)

開發者：Allen Newell & Herbert Simon

野心：
創造一個通用問題解決程式，能處理任何可形式化的問題。

核心方法：手段-目的分析

while 當前狀態 ≠ 目標狀態:
    1. 比較當前狀態與目標狀態
    2. 識別最大的差異
    3. 選擇能縮小該差異的操作
    4. 如果無法直接應用該操作：
       → 設立子目標：讓操作可被應用
       → 遞迴解決子目標
    5. 應用操作，更新當前狀態

範例問題：河內塔 (Tower of Hanoi)

問題：將3個盤子從柱A移到柱C，規則：
- 每次只能移動一個盤子
- 大盤不能放在小盤上

GPS 的解決過程：
目標：將3個盤子移到C
差異：所有盤子都在A
手段：需要先移走上面的盤子

子目標1：將小盤移到B（為了移中盤）
子目標2：將中盤移到C
子目標3：將小盤移到C
...

局限性：
- ❌ 只能解決簡單、良定義的問題
- ❌ 組合爆炸：問題稍複雜就無法處理
- ❌ 缺乏領域知識：純通用方法效率低
- ❌ 遠未達到「通用」的目標

歷史地位：
- 第一個嘗試通用問題解決的程式
- 啟發式搜索的經典案例
- 揭示了「通用 AI」的困難

5.2.3 LISP 語言 (1958)

發明者：John McCarthy

LISP = LISt Processing（串列處理）

為什麼需要新語言？
當時主流語言（FORTRAN）專為數值計算設計，不適合符號操作。

LISP 的革命性特性：

符號處理：

; 直接操作符號，而非僅數字
(define person 'John)
(if (equal? person 'John)
    (print "Hello John")
    (print "Hello stranger"))

串列作為基礎結構：

; 一切都是串列
(+ 1 2 3)        ; 函數呼叫是串列
(list 'a 'b 'c)  ; 數據是串列
'(1 2 (3 4) 5)   ; 可嵌套

; 代碼即數據（同構性）

遞迴：

; 計算階乘
(define (factorial n)
  (if (= n 0)
      1
      (* n (factorial (- n 1)))))

高階函數：

; 函數可以作為參數傳遞
(define (apply-twice f x)
  (f (f x)))

(apply-twice (lambda (x) (* x 2)) 5)  ; 結果：20

垃圾回收：
自動記憶體管理
程式設計師無需手動釋放記憶體

影響：
- ✅ 成為 AI 研究的主要語言（直到 1980s）
- ✅ 影響了後來的函數式程式語言（Scheme, Haskell, Clojure）
- ✅ 「代碼即數據」啟發了後來的元程式設計
- ✅ 許多現代語言特性源自 LISP（垃圾回收、lambda 表達式）

5.3 神經網路的早期探索

5.3.1 感知器 (Perceptron, 1958)

發明者：Frank Rosenblatt（康奈爾航空實驗室）

歷史意義：
第一個可以從數據中學習的人工神經網路。

結構：

graph LR I1[輸入 1
x₁] I2[輸入 2
x₂] I3[輸入 3
x₃] I4[輸入 n
xₙ] W1[權重 w₁] W2[權重 w₂] W3[權重 w₃] W4[權重 wₙ] Sum[加權和
Σ wᵢxᵢ] Activation[激活函數
if sum > 閾值
then 1
else 0] Output[輸出] I1 --> W1 --> Sum I2 --> W2 --> Sum I3 --> W3 --> Sum I4 --> W4 --> Sum Sum --> Activation --> Output style I1 fill:#e3f2fd style I2 fill:#e3f2fd style I3 fill:#e3f2fd style I4 fill:#e3f2fd style Sum fill:#fff4e6 style Activation fill:#f3e5f5 style Output fill:#e1f5dd

數學表示：

輸出 = 激活(Σ wᵢ × xᵢ - θ)

其中：
- xᵢ：輸入
- wᵢ：權重（可學習）
- θ：閾值
- 激活函數：階躍函數（> 閾值則 1，否則 0）

學習規則（感知器學習演算法）：

for each 訓練樣本 (x, y_true):
    y_pred = 感知器預測(x)
    誤差 = y_true - y_pred

    if 誤差 != 0:
        for each 權重 wᵢ:
            wᵢ = wᵢ + 學習率 × 誤差 × xᵢ

能解決的問題：
✅ 線性可分問題

範例：AND 邏輯閘

輸入1  輸入2  → 輸出
0      0     → 0
0      1     → 0
1      0     → 0
1      1     → 1

感知器可以學習到：
如果 w₁×x₁ + w₂×x₂ > 閾值，輸出 1

5.3.2 感知器的局限 — XOR 問題

1969 年，Minsky & Papert 出版《感知器》一書

關鍵發現：
單層感知器無法解決 XOR（互斥或）問題。

XOR 真值表：

輸入1  輸入2  → 輸出
0      0     → 0
0      1     → 1
1      0     → 1
1      1     → 0

為什麼無法解決？

視覺化：

XOR 問題的數據分布：

  輸入2
    ↑
  1 | ●     ○    (● = 輸出1, ○ = 輸出0)
    |
  0 | ○     ●
    +--------→ 輸入1
      0     1

問題：無法用一條直線分開 ● 和 ○
（這叫「線性不可分」）

數學證明：

假設存在權重 w₁, w₂ 和閾值 θ：

對 (0,1) → 1： w₂ > θ         ... (1)
對 (1,0) → 1： w₁ > θ         ... (2)
對 (1,1) → 0： w₁ + w₂ ≤ θ    ... (3)

從 (1)(2)： w₁ + w₂ > 2θ
與 (3) 矛盾！
證明：不存在這樣的權重

歷史影響：
這個發現導致：
- ❌ 神經網路研究資金大幅削減
- ❌ 研究重心轉向符號 AI
- ❌ 開啟了第一次「AI 寒冬」的序幕

後來的解決：
- ✅ 多層感知器（MLP）可以解決 XOR
- ✅ 但當時缺乏有效的訓練方法
- ✅ 直到 1986 年反向傳播演算法才解決

5.4 兩條研究路線的分野

5.4.1 符號主義 vs 連結主義

經典時期確立了 AI 的兩大研究流派：

graph TD AI[人工智慧研究] Symbolic[符號主義
Symbolic AI] Connectionist[連結主義
Connectionism] AI --> Symbolic AI --> Connectionist Symbolic --> S1[代表人物:
McCarthy, Minsky,
Newell, Simon] Symbolic --> S2[核心理念:
智慧 = 符號操作
+ 邏輯推理] Symbolic --> S3[代表成果:
Logic Theorist
GPS, 專家系統] Connectionist --> C1[代表人物:
Rosenblatt,
Widrow, Hoff] Connectionist --> C2[核心理念:
智慧 = 神經元連結
+ 學習調整] Connectionist --> C3[代表成果:
感知器
ADALINE] style Symbolic fill:#e3f2fd style Connectionist fill:#f3e5f5

對比：

維度	符號主義	連結主義
靈感來源	邏輯學、語言學	神經科學、生物學
知識表示	符號、規則、邏輯	權重、連接
學習方式	專家編寫規則	從數據自動學習
推理過程	邏輯推導	前向傳播計算
可解釋性	強（規則清晰）	弱（權重難解釋）
優勢領域	邏輯推理、規劃	模式識別、分類
1960s 地位	主導地位	邊緣地位

5.4.2 為何符號主義占主導？

1960-1970s，符號 AI 主導的原因：

早期成功：
Logic Theorist 證明定理
GPS 解決問題
符號方法「看起來更像智慧」
符合直覺：
人類思考似乎涉及符號和邏輯
數學、語言都是符號系統
資源與影響力：
符號派學者在學術界影響力大
獲得更多研究資金
神經網路的挫折：
感知器局限被揭示
缺乏訓練深層網路的方法

5.5 經典時期的挑戰與局限

5.5.1 樂觀預測的落空

1960s 的樂觀預測：

❌ Herbert Simon (1965)：

"20 年內，機器將能完成人類能做的任何工作。"

❌ Marvin Minsky (1967)：

"一代人的時間內，創造人工智慧的問題將基本解決。"

❌ 機器翻譯 (1954-1966)：
- 1954年，Georgetown-IBM 展示自動俄英翻譯
- 預測 3-5 年內解決機器翻譯
- 1966年，ALPAC 報告：翻譯品質差、不實用
- 結果：資金大幅削減

5.5.2 根本性挑戰

組合爆炸 (Combinatorial Explosion)：

問題：下象棋
搜索空間：每步約 35 種走法
10 步後：35^10 ≈ 2.8 × 10^15 種可能

即使每秒搜索 1 億種可能，
需要 325 天才能搜索 10 步！

圍棋更誇張：
每步約 250 種走法
19×19 棋盤，約 10^170 種可能局面
（超過宇宙原子總數！）

常識推理困難：

人類：「杯子可以裝水」（常識）

AI 需要知道：
- 杯子是容器
- 容器有內部空間
- 水是液體
- 液體需要容器盛裝
- 杯子材質通常防水
- 杯子開口朝上才能裝
- ...（無窮無盡的隱含知識）

如何將這些常識形式化？

框架問題 (Frame Problem)：

情境：機器人需要拿桌上的書

需要推理：
- 拿書後，桌子還在嗎？（是）
- 拿書後，窗外的樹還在嗎？（是）
- 拿書後，地球還在轉嗎？（是）
- ...（需要推理無數「不變」的事實）

問題：如何高效表示「大部分東西不變」？

5.6 本章小結

核心要點

AI 的正式誕生：
1956 年達特茅斯會議標誌 AI 學科成立
"Artificial Intelligence" 一詞誕生
建立了研究社群與議程
早期程式成就：
Logic Theorist：證明數學定理
GPS：通用問題解決（雖未真正通用）
LISP：成為 AI 的主要語言
兩大流派確立：
符號主義：主導地位，基於邏輯與規則
連結主義：邊緣地位，基於神經網路
感知器的榮耀與挫折：
第一個學習演算法
XOR 問題揭示根本局限
導致神經網路研究進入低谷
挑戰與局限：
樂觀預測紛紛落空
組合爆炸、常識推理、框架問題
為即將到來的「AI 寒冬」埋下伏筆

時代特徵

樂觀與天真：
- 相信很快實現人類級 AI
- 低估了智慧的複雜性
- 過度承諾導致後續失望

奠基意義：
- 儘管目標未達成，但奠定了基礎
- 確立了研究方向與方法
- 培養了第一代 AI 研究者

思考問題

樂觀主義的雙刃劍：
為何早期研究者如此樂觀？
過度樂觀帶來了什麼後果？
對當代 AI 有何啟示？
符號 vs 連結：
為何符號主義當時占主導？
今天的情況如何逆轉？
兩種方法能否結合？
XOR 問題的教訓：
一個簡單問題為何導致領域低谷？
理論限制 vs 工程限制的區別
如何看待技術的局限性？

延伸閱讀

原始文獻：
- McCarthy et al. (1956). "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence"
- Minsky & Papert (1969). "Perceptrons: An Introduction to Computational Geometry"

下一章預告：
第 VI 章將探討這些挑戰如何導致 AI 寒冬，以及領域如何透過專家系統與機器學習實現復甦。

← 上一章：早期理論基礎 | 返回目錄 | 下一章：寒冬與復甦 →