1.3 AI 1.0：规则驱动到数据驱动

1.3.1 规则驱动：如何帮助机器思考

1950年，图灵发表了论文“计算机器与智能”（Computing Machinery and Intelligence），提出并探讨了“机器能否思考”这一关键问题。

论文中，图灵详细介绍了一种称为“模仿游戏”（Imitation Game）的测试方法，即后来我们熟知的“图灵测试”。根据《艾伦·图灵传》的介绍，图灵设想了这样一个游戏：在一个房间里有一男一女，房间外的人向里面的人提问，两人只能通过书面形式回答。随后，房间外的人需要猜测哪位回答者是女性。在这个测试中，男性可以尝试欺骗猜测者，让对方认为自己是女性，而女性则需努力让猜测者相信自己是女性。将这一男一女换成人与计算机，如果猜测者无法仅凭回答判断出哪个是人哪个是计算机，则可认为计算机具有人类智能。

1952年，图灵在一场BBC广播中提出了一个新的、更具体的思想：让计算机来冒充人。如果能够让不足70%的人判断正确，即超过30%的人误认为与自己对话的是人而非计算机，那么可以认为计算机具有人类智慧。

4年后，在美国汉诺斯小镇宁静的达特茅斯学院，约翰·麦卡锡、马文·闵斯基、克劳德·香农等学者聚首一堂，共同探讨机器模拟智能的一系列问题。他们讨论了很久，虽未达成一致意见，但给讨论的内容命名为“人工智能”。从此，“人工智能”（Artificial Intelligence, AI）这一术语开始进入公众视野。人工智能的元年被定为1956年。

20世纪50年代，AI技术的初步尝试确实遇到了瓶颈，主要表现在缺乏灵活性和泛化能力上。这一时期的AI系统，例如约翰·麦卡锡于1956年开发的逻辑理论家（LT）程序，标志着AI领域的早期探索。这些系统被设计成能在特定任务或问题解决场景中发挥作用，被赋予了特定的规则。以LT程序为例，它旨在证明数学定理，能模拟数学家的推理过程，解决一些数学问题。

然而，这些早期的AI系统存在一个根本性限制：它们完全依赖于预设的规则。这意味着，如果面对的问题或环境不在预设规则范围内，这些系统就会显得无能为力。它们缺乏自适应能力，无法处理未知情况或解决新颖的问题。该问题在当时的AI研究中非常普遍，导致AI技术的应用范围极为有限。一个典型的例子是，早期AI系统在下棋等特定领域取得了突出成就，这是因为下棋是一个规则明确且环境封闭的场景，AI系统能通过预设的策略和计算来预测并反击对手的动作。然而，当这些系统应用于更复杂、动态和不确定的现实世界问题时，它们的表现就大不相同。现实世界的不确定性和复杂性要求AI系统具备更高级的理解、学习和适应能力。

这个时期的AI研究揭示了一个重要认识：仅依赖预设规则的AI系统，其应用范围和效能将受到严重限制。这种认识促使研究者开始探索新的方法和技术，随后机器学习技术的兴起开始突破这些规则的局限。

20世纪60至70年代，AI领域迎来了机器学习技术的兴起。这一转变的标志性事件包括1967年最近邻算法（Nearest Neighbor Algorithm）的提出以及1979年斯坦福大学的“斯坦福推车”项目。最近邻算法的提出是机器学习发展历史上的一个重要时刻。这个算法的基本思想十分直观：通过测量不同特征点之间的距离进行分类或回归。其最简单的描述形式为，一个新的数据点类别会被分配为距离最近的那个训练数据点的类别。这个算法在概念上非常简单，但开启了一种全新的思维方式——利用数据本身，而不仅仅是人为设定的规则进行决策和预测。

“斯坦福推车”项目又被称为“斯坦福卡车”项目，是1979年由斯坦福大学的研究人员开发的。该项目旨在创建一个能够自主导航和避开障碍物的机器人推车。作为早期自动驾驶汽车研究的先驱之一，斯坦福推车通过感知环境来避开障碍物，展示了机器在现实世界中的自主移动能力。该项目的技术创新在于，它结合了传感器、计算机视觉和控制系统，使机器人能够在不需要人类直接控制的情况下进行空间导航。

这两个事件标志着AI领域从依赖严格预设的规则向更灵活、自适应且以数据为中心的方法的转变。这种转变极大地扩展了AI的应用范围，为以后的发展奠定了基础。