1.1 什么是人工智能：定义与范畴

1.1 什么是人工智能：定义与范畴

本节摘要：关键词先行——图灵测试、达特茅斯会议、定义四象限、研究范畴。人工智能至今没有一句公认的定义：1950 年图灵用"机器能否在对话中骗过人类"绕开了定义之争，1956 年达特茅斯会议干脆给学科起了名字。本节从这两处源头出发，把各家定义收进"像人一样思考、像人一样行动、理性思考、理性行动"四个象限，再按历史压力梳理机器学习、计算机视觉、自然语言处理等研究方向，最后交代人工智能向哪些学科借了力。读完本节，你应当能给任何一个AI产品做出定位，而不是跟着宣传词人云亦云。

学习目标

• 复述图灵测试的操作流程，解释它为何用"行为"替代了"本质"
• 用四象限框架给一个具体AI系统定位，并说出这样定位的取舍
• 列举五个以上研究方向，说出每个方向是被什么历史压力逼出来的
• 说清人工智能与数学、神经科学、哲学等学科的借力关系
• 对"某产品算不算AI"给出有依据的判断

一、1956 年的那个夏天：一个学科的命名仪式

1956 年夏天，美国新罕布什尔州的达特茅斯学院来了一批年轻研究者。约翰·麦卡锡发起了这场研讨会，马文·明斯基、克劳德·香农等人都在名单之列。会议提案上写着一揽子野心：让机器使用语言、形成抽象概念、解决目前只有人类才能解决的问题。为了把这一揽子野心圈进同一个名字，麦卡锡生造了一个词——artificial intelligence，人工智能。这是该词第一次出现在正式提案里。散会之后，它接管了此前散落在逻辑学、控制论、神经科学里的所有零散企图，一个学科从此有了门牌号。

但"是什么"的问题，比"叫什么"早了六年。1950 年，艾伦·图灵发表《计算机器与智能》，开篇就撞上一个滑不留手的问题：机器能思考吗？他很快意识到，"思考"一词在哲学上争论了几千年也没吵出裁决，于是他做了一次漂亮的换道：不再问机器是否思考，而是设计一个可以实际运行的实验。一名人类提问者通过文字与两个看不见的对象交流，一边是人，一边是机器；如果经过长时间对话，提问者仍然无法稳定地分辨谁是人，那么这台机器就展现了智能。这就是后来所说的图灵测试。

这里有个值得反复咀嚼的细节：图灵测试没有回答"智能是什么"，它回答的是"智能如何被承认"。这种做法在工程史上非常老练。瓦特改良蒸汽机之前，没有人给"效率"下过学术定义，工程师只是比较同样的煤能抽出多少水；先有可度量的行为，后有成熟的学科。图灵给智能装的正是这样一把尺子——他绕开了本质，直接测量表现。

再往前追七年，1943 年，神经生理学家沃伦·麦卡洛克与逻辑学家沃尔特·皮茨合作，把神经元的放电抽象成"开或关"的逻辑运算，写出了第一个人工神经元模型。这篇论文当年几乎没有激起水花，却是一粒种子：后来的整个神经网络学派，都是从这粒种子里长出来的。种子（1943）、尺子（1950）、门牌号（1956），三块基石在二十世纪五十年代的六年里相继落地。这也是本章把AI当作历史产物来讲的原因——它从诞生起就是长出来的，不是被定义出来的。

💡 关键直觉：当一个概念难以定义时，学科共同体会先约定"如何判断它出现了"。图灵测试就是这种约定——行为主义先行，本质论退后。判断先于定义，是许多新学科的共同起点。

二、四象限：把"什么是AI"拆成四个能回答的问题

教科书喜欢给AI一个大一统的定义，我更倾向把它拆开问。沿着两个维度各切一刀：衡量的标准是"像人"还是"理性"，关注的对象是"内部思考"还是"外部行动"，所有定义主张都能落进四个象限，而且每个象限都对应一段具体的历史。

为什么定义会分岔？因为每一波研究者都往"人工智能"这个词里塞过自己的私货。符号主义时代，定义偏向"理性思考"——智能就是逻辑推演；认知科学兴盛时，定义偏向"像人一样思考"——智能就是复现人类的思维过程；到了产品时代，定义又滑向"像人一样行动"——能对话、能应答就算数。定义的漂移不是学者善变，而是每一代人都拿自己手里最锋利的工具去回应时代的问题。

四个象限没有高下，只有场景合不合用。我的取舍是：做工程选"理性行动"，因为它给出可验收的标准——目标达成率，不纠缠机器"心里"在想什么；做人命关天的决策支持，回到"理性思考"，因为必须给出可核查的推理链；做面向大众的对话产品，绕不开"像人一样行动"，用户要的是体验而非证明。反过来说，拿着单一象限去否定其他象限，是入门者最容易踩的空转陷阱——比如用"它没有意识"去否定一个物流调度系统，两边根本不在同一条赛道上。

⚠️ 常见坑：把"通过了图灵测试"直接读成"机器有了意识"。图灵测试度量的是对话中的不可分辨性，它只覆盖"像人一样行动"这一个象限；从行为到意识之间，隔着一条至今无人跨过的论证鸿沟。

三、研究范畴：每个方向都是被压力逼出来的

不少入门材料把AI的分支列成一张平面清单，像超市货架。我更愿意讲成一部压力史：每个方向都是某个历史难题的解药，先有病，后有药。

机器学习是最典型的"被逼出来"。早期研究者高估了人写规则的速度：把一位专家脑子里的经验一条条翻译成机器可执行的规则，耗时耗力，成为著名的知识获取瓶颈——这场失败在 1.2 节会完整展开。机器学习正是对此的反弹：既然人写规则太慢，就让机器从数据里自己归纳规律。它内部又按"有没有标准答案"分三路——监督学习从带标签的样本学输入到答案的映射，无监督学习在没有答案的数据里找结构，强化学习靠试错与奖励学策略。深度学习则是机器学习中用多层神经网络自动提取特征的一支，是当前这波浪潮的主引擎。

自然语言处理是图灵测试的直接产物。测试要求对话，对话就要求机器处理语言，于是机器翻译、问答系统、情感分析、语音识别一路长在这条根上。计算机视觉负责让机器"看懂"图像与视频，从图像识别、目标检测到图像分割，再一路走到生成图像。机器人学把感知、决策、控制装进物理身体，要额外跟摩擦、噪声、故障这些真实世界的脾气打交道。知识表示与推理是符号主义时代的正面战场，虽然风光不再，但它在知识图谱与可解释系统里仍有余温。规划与调度研究在约束条件下排出最优行动序列，从下棋的搜索树到物流排班，用的是同一套骨架。

这张图里还有一个容易忽略的层次关系：机器学习是"方法"，其余方向更多是"战场"。计算机视觉可以用深度学习打，也可以用传统图像处理打；自然语言处理既用过规则文法，也用过统计模型。把方向清单背下来并不难，难的是记住每个方向都换过武器——武器迭代史，正是 1.2 节的主题。

四、学科交叉：AI不是计算机科学的独生子

人工智能常被当成计算机科学的一个分支，这个说法只对了一半。更准确的图景是会师：数学与统计提供语言——线性代数撑起神经网络里的矩阵运算，概率论撑起不确定性推理，优化理论撑起参数调整；神经科学提供原型——1943 年那篇神经元模型论文就是出处，"神经网络"这个名字也从这里来，尽管今天的网络早已不再忠实模仿大脑；认知科学与心理学提供参照系——人怎么记忆、怎么犯错，曾是设计推理系统时最重要的蓝本；哲学则从图灵论文的第一页开始，就把意识与伦理的争论钉在了这门学科的议程上。

这像极了二十世纪初的石油工业——地质学负责圈定远景区，化学负责炼化，机械工程负责发动机，最后才出现"石油公司"这个统称。人工智能也一样，它是多门学科在"智能"这条矿脉上的会师。理解这一点有个实际的好处：当你在某个方向卡住时，答案常常不在本方向内部——卡在数据就去看统计，卡在解释就去看认知科学，卡在价值观就回到哲学。

会师也意味着难题是共享的。今天挂在AI头上的几道难题，没有一道是单靠写代码能解的：数据依赖——模型要吃海量高质量样本，获取与标注成本高昂；可解释性——深度模型的决策过程像黑箱，医疗与司法不敢全托付；泛化能力——训练数据之外的场景容易露馅；常识推理——机器缺人类那套"不言自明"的世界知识；伦理与安全——隐私、偏见、就业冲击随能力一起到来；能耗——大型模型的训练与运行电费惊人。这些问题我们在后续章节还会逐一碰到，这里先立个牌子：它们是学科级的，不是工程补丁级的。

最后给一条能用很久的判断线：什么样的任务适合交给AI？数据量大、错误可以容忍、判据可以量化（点击率、停留时长、命中率），三条都占，就是好场景；要求零错误、每一步都要给出可追责的理由、样本极少，三条都占，就别硬上，或者只让AI做人类决策的辅助。这条线会贯穿全书，不妨现在就记住。

要点速记

• 定义晚于判断：1943 年麦卡洛克与皮茨的神经元模型、1950 年图灵测试、1956 年麦卡锡在达特茅斯会议上为学科命名，三步依次落地——AI是历史地长出来的，不是先有定义后有学科。
• 图灵测试是行为标准：它度量"对话中能否被分辨"，不裁决意识与理解；用行为替代本质，是图灵留给我们最锋利的方法论遗产。
• 四象限定位法：像人一样思考、像人一样行动、理性思考、理性行动，四条轨道并行不悖；定义的漂移反映的是工具箱的迭代。
• 范畴即压力史：机器学习被知识获取瓶颈逼出，自然语言处理被图灵测试逼出，每个方向都对应一个具体的历史难题。
• 学科交叉：数学、统计、神经科学、认知科学、哲学各自出力，AI是会师的产物，不是单传。
• 适用判断线：数据量、容错率、可量化判据三条齐备适合上AI，反之只配做辅助角色。

过渡引语：定义与范畴只是骨架，这门学科真正的戏剧性藏在它此后的行走轨迹里——七十年间三次被捧上云端，两次跌进寒冬。下一节，我们把这条起伏的曲线完整画出来。