什么是人工智能
人工智能（Artificial Intelligence，AI）是计算机科学中一门研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的前沿学科。它试图回答一个古老而激动人心的问题：机器能否拥有智能？要理解"人工智能"，首先要理解什么是"智能"。
智能的含义
"智能"一词至今没有公认的统一定义。一般认为，智能是人类在认识客观事物并运用知识解决实际问题的过程中，由感知、记忆、思维、学习、自适应等能力综合表现出来的才能。它至少包括以下几个层面：
感知能力
通过视觉、听觉、触觉等感觉器官获取外部信息的能力。对应于 AI 中的计算机视觉、语音识别等感知技术。
记忆与思维
存储经验并通过逻辑推理、归纳联想对信息进行加工。对应知识表示、推理与搜索。
学习与适应
从环境与经验中获取新知、调整行为，以适应变化。对应机器学习与强化学习。
行为能力
将思维结果转化为对外界的作用，如语言表达、动作执行。对应自然语言处理与机器人学。
正因"智能"本身难以精确定义，学者们对人工智能也提出了多种视角的界定。归纳起来，主要有四种定义方式，分别从"像人一样思考/理性地思考""像人一样行动/理性地行动"两个维度展开：
| 定义维度 | 以人为中心 | 以理性为中心 |
|---|---|---|
| 思维（推理）层面 | 像人一样思考：研究人脑的真实认知规律，使程序的内部推理过程与人类一致（认知科学、神经网络途径）。 | 理性地思考：以形式逻辑为基础，研究正确推理的一般规律，使系统按逻辑规则推演（符号主义途径）。 |
| 行为层面 | 像人一样行动：图灵测试的观点——如果机器的外在行为与人无法区分，就应认为它具有智能。 | 理性地行动：研究理性智能体（Rational Agent），在给定信息下采取使期望性能最大化的行动。 |
人工智能是一门研究如何构造智能机器（智能计算机），能模拟、延伸、扩展人类智能的学科；也可以表述为：研究如何使计算机具有感知能力、思维能力、学习能力和行为能力，即如何用计算机实现某些过去只有人类才能完成的智能工作。
图灵测试
1950 年，英国数学家艾伦·图灵（Alan M. Turing）在论文《计算机器与智能》（Computing Machinery and Intelligence）中提出了一个划时代的问题："机器能思考吗？"为了避开"思考"一词难以定义的困境，他设计了一个著名的模仿游戏，后人称之为图灵测试（Turing Test）。
设置三个封闭房间
三个房间中分别放置：一名被试者（人）、一台待测机器、一名提问者（人）。提问者无法看到对方，只能通过文字（电传打字机）与两者对话。
自由问答
提问者在 5 分钟内提出任意问题，如写诗、做算术、谈论天气等，对方分别作答。
判别身份
问答结束后，提问者需要判断哪一个是真人、哪一个是机器。
通过标准
如果有超过 30% 的成年提问者在一系列实验中误将机器判为人，则认为该机器通过了测试，应当被承认具有智能。
图灵测试以外在行为代替内在意识，回避了哲学上"机器是否有意识"的纠缠，奠定了行为主义智能观的基石，也成为此后七十余年 AI 评测的思想源头。图灵还在该文中预言：到 2000 年机器将有很大希望通过测试。
中文房间论证（Searle, 1980）：一个完全不懂中文的人被关在房间里，凭借一本详尽的规则手册，把递进来的中文符号"照猫画虎"地组合成中文回答递出去。房外人以为他懂中文，实际上他一字不识。塞尔以此说明：通过图灵测试的机器可能只是在句法层面操作符号，并不真正理解语义。图灵测试检验的是"功能等价"而非"真正理解"。此外，尤金·古斯特曼聊天程序（2014 年被报道通过测试）等事件也表明，模仿人格、答非所问等"取巧"策略可以混淆视听。
强人工智能与弱人工智能
美国哲学家约翰·塞尔（John Searle）于 1980 年将人工智能区分为两类：
弱人工智能（Weak AI / Narrow AI）
也称狭义人工智能。把机器当作研究思维的工具，它只在特定任务上表现出智能，并不真正拥有意识与心智。现有的语音识别、图像分类、下棋程序、自动驾驶乃至大语言模型，都属于弱 AI 的范畴。
强人工智能（Strong AI / AGI）
也称通用人工智能（Artificial General Intelligence）。认为机器可以真正思考、推理、理解，拥有知觉、自我意识和跨领域解决问题的能力，其综合智能水平达到甚至超过人类。强 AI 至今仍未实现。
此外还常提到超人工智能（Superintelligence），指在几乎所有领域都远超人类智能水平的机器智能——这更多是未来学讨论的概念。
人工智能的发展简史
人工智能并非凭空诞生。它是哲学、数学、神经科学、控制论与计算机科学长期汇聚的产物，其历史呈现出明显的"高潮—低谷—复兴"螺旋。
孕育与诞生（1956 年之前）
人工智能最重要的两块基石是数理逻辑与计算理论：亚里士多德建立的形式逻辑给出了演绎推理的雏形；17 世纪莱布尼茨设想"让所有推理都化为计算"；19 世纪布尔创立布尔代数，把逻辑变成代数；20 世纪罗素与怀特海的《数学原理》则试图将全部数学建立在逻辑之上。
工程技术方面，1943 年麦卡洛克（McCulloch）与皮茨（Pitts）提出神经元的数学模型（M-P 模型），开创了人工神经网络研究；1945 年冯·诺依曼提出存储程序计算机方案；1948 年维纳（Wiener）出版《控制论》，揭示机器与生物在反馈控制上的共同规律；香农（Shannon）1950 年发表了下棋程序的研究。万事俱备，只待一个名字将这一切凝聚起来。
1956 年夏天，麦卡锡（John McCarthy）、明斯基（Marvin Minsky）、香农（Claude Shannon）、罗切斯特（Nathaniel Rochester）等年轻学者，在美国达特茅斯学院发起了为期两个月的研讨会。麦卡锡提议使用"人工智能（Artificial Intelligence）"作为这一领域的名称——他后来解释，选这个名字是为了与当时充斥着控制论色彩的"自动机理论"区分开来。这一年被公认为人工智能学科的诞生之年。
七十余年的三次浪潮
第一次浪潮：推理时代的黄金期
研究者们极度乐观。纽厄尔与西蒙的"逻辑理论家（Logic Theorist）"证明了《数学原理》中的定理，被称为第一个人工智能程序；1959 年他们又研制出"通用问题求解器（GPS）"。塞缪尔的跳棋程序击败了州冠军，明斯基的学生建立了能处理积木世界的机器人。西蒙 1960 年预言："二十年内，机器将能完成人能做的一切工作。"
第一次寒冬
人们发现通用问题求解远非易事：机器翻译项目失败、神经网络只能解决线性可分问题（明斯基 1969 年在《感知机》一书中指出其局限）、计算能力与数据严重不足。1973 年英国莱特希尔报告批评 AI 研究"任何方面都没有产生与其付出相称的成果"，英美削减经费，AI 陷入第一次寒冬。
第二次浪潮：专家系统与知识工程
AI 从追求"通用智能"转向"窄而深"——把领域专家的知识整理成规则库。1972 年用于血液病诊断的 MYCIN 系统、帮助发现矿藏的 PROSPECTOR 系统相继成功，日本 1982 年启动"第五代计算机"计划，各国资本与政府经费大量涌入。
第二次寒冬与统计转向
专家系统暴露出知识获取困难、适用领域狭窄、维护昂贵等问题；日本第五代计算机计划未达预期。与此同时，概率统计、机器学习方法悄然兴起，1997 年 IBM "深蓝"战胜国际象棋世界冠军卡斯帕罗夫，成为里程碑事件。
第三次浪潮：深度学习崛起
2006 年辛顿（Hinton）提出深度信念网络，"深度学习"之名问世；2012 年 AlexNet 在 ImageNet 图像识别竞赛中以压倒性优势夺冠，2016 年 DeepMind 的 AlphaGo 以 4:1 战胜围棋世界冠军李世石——围棋曾被认为是机器最难攻破的智慧堡垒，全球掀起 AI 热潮。
大模型时代
2017 年 Transformer 架构提出；2022 年末 ChatGPT 问世并在两个月内用户破亿，大语言模型展现出强大的通用任务能力，生成式 AI（AIGC）迅速渗透到写作、编程、绘图、科研等场景。人工智能正从"判别式"走向"生成式"、从"专用"走向"通用"的探索之路。
- 每一次热潮都由新方法 + 算力 + 数据三者共振驱动，每一次低谷都源于"承诺远超兑现能力"。
- 研究范式经历了"符号推理 → 知识工程 → 统计学习 → 深度学习 → 大模型"的演进，但旧方法并未消亡，而是在不同场景中继续发挥作用。
人工智能的三大学派
在如何实现智能这一根本问题上，人工智能领域长期存在三种不同的方法论，即符号主义、连接主义与行为主义。它们对"智能的本质是什么"给出了截然不同的回答。
| 对比项 | 符号主义 Symbolism | 连接主义 Connectionism | 行为主义 Behaviorism |
|---|---|---|---|
| 理论基础 | 数理逻辑、认知心理学 | 神经科学、脑模型 | 控制论、感知—行动 |
| 智能本质 | 智能的基础是符号，认知即符号表示与逻辑运算 | 智能的基础是神经元的大规模连接，认知是网络的整体涌现 | 智能不需要符号表征，产生于主体与环境的交互 |
| 基本单元 | 谓词、规则、框架、语义网络 | 神经元、权重、激活函数 | 感受器—执行器、行为模块 |
| 代表方法 | 归结推理、专家系统、知识图谱 | 感知机、BP 网络、深度学习 | 反应式智能体、强化学习、进化机器人 |
| 代表人物 | 纽厄尔、西蒙、麦卡锡 | 麦卡洛克、皮茨、鲁梅尔哈特、辛顿 | 布鲁克斯（Brooks） |
| 标志性成果 | 逻辑理论家、MYCIN | AlexNet、AlphaGo、大语言模型 | 机器虫、波士顿动力机器人 |
| 主要困难 | 知识获取瓶颈、组合爆炸 | 可解释性弱、依赖数据与算力 | 难以实现高级符号推理 |
符号主义：认知即计算
符号主义认为，人类认知的基本元素是符号，认知过程就是对符号进行表示、变换和推理的过程。只要把知识以逻辑符号的形式存入计算机，再赋予其推理规则，机器就能表现出智能。1976 年西蒙和纽厄尔提出著名的"物理符号系统假设"：任何一个系统，如果它能表现出智能，就必须能执行输入符号、输出符号、存储符号、复制符号、建立符号结构和条件性迁移六种操作；反之，任何具备这六种功能的系统都能表现出智能。
连接主义：仿生的网络
连接主义主张从大脑的神经网络结构出发模拟智能。智能不存于某条规则中，而涌现于大量简单神经元相互连接构成的网络，知识存储在连接权重之中。它经历了 M-P 模型（1943）、感知机（1958）、反向传播算法（1986）、深度学习（2006）等里程碑，是当前大模型时代的主导范式。
行为主义：在交互中生成智能
行为主义（又称进化主义）认为智能不需要明确的符号表示和推理，智能行为是通过"感知—行动"机制在与环境的不断交互、反馈和进化中产生的。1991 年布鲁克斯研制出没有符号推理、仅靠分层行为模块控制的六足机器人"机器虫（Genghis）"，能在复杂地形上行走，他据此提出"世界就是它自己最好的模型"。强化学习中的试错机制、具身智能等思想都与此一脉相承。
符号主义像"逻辑学家"，连接主义像"仿生学家"，行为主义像"博物学家"。
当代人工智能的前沿探索，恰恰是在三者的融合之中寻找新的道路。 —— 编者按
人工智能研究的基本内容
从学科结构看，人工智能的研究内容可以概括为"表示—推理—学习—应用"四大板块，以及贯穿其中的认知与系统问题：
知识表示（Knowledge Representation）
研究如何把人类的知识形式化、模型化地存入计算机，是智能的"语言"。包括谓词逻辑、产生式、框架、语义网络、知识图谱等（第 2 章）。
机器推理（Reasoning）
研究如何依据已有知识推出新结论，是智能的"思维法则"。包括确定性推理（第 3 章）、不确定性推理（第 5 章）。
搜索策略（Search）
推理在本质上是一个在问题解空间中寻找路径的过程。盲目搜索、启发式搜索、博弈搜索构成问题求解的核心技术（第 4 章）。
机器学习（Machine Learning）
研究如何让机器从数据和经验中自动获取知识，是智能的"成长机制"，包括符号学习、连接学习、深度学习、强化学习等（第 7 章）。
计算智能（Computational Intelligence）
借鉴生物神经系统与自然演化机制形成的方法群：神经计算、进化计算、群智能、模糊计算（第 6 章）。
应用系统
把上述技术组织成解决实际问题的系统：专家系统（第 8 章）、自然语言处理（第 9 章）、分布式人工智能与多智能体（第 10 章），以及计算机视觉、机器人学、智能推荐等。
此外，认知问题（人类智能的机理）、机器感知（计算机视觉、语音处理）、智能系统的构建与评测等也是 AI 研究的重要组成。人工智能具有显著的交叉学科特征，与数学、逻辑学、认知科学、神经科学、语言学、控制论乃至哲学都密切相关。
人工智能的典型应用领域
人工智能已渗透到生产生活的方方面面。下表按照"感知—认知—生成—行动"的能力链条，列举主要应用方向：
| 领域 | 典型任务 | 代表性应用 |
|---|---|---|
| 计算机视觉 | 图像分类、目标检测、人脸识别、图像生成、OCR | 安防刷脸、医学影像判读、自动驾驶感知、AI 绘画 |
| 语音处理 | 语音识别、语音合成、声纹识别 | 语音助手、会议实时转写、语音导航 |
| 自然语言处理 | 文本理解、机器翻译、问答系统、文本生成 | 搜索引擎、ChatGPT 等大模型、智能客服 |
| 智能决策与博弈 | 规划、调度、博弈对抗 | AlphaGo、德州扑克 AI、量化交易、物流调度 |
| 推荐与数据挖掘 | 用户画像、协同过滤、关联分析 | 短视频与电商推荐、金融风控、舆情分析 |
| 机器人与自动驾驶 | 环境感知、运动规划、自主控制 | 工业机器人、服务机器人、无人车、无人机 |
| 科学智能（AI4Science） | 蛋白质结构预测、材料筛选、天气建模 | AlphaFold、新药发现、核聚变等离子体控制 |
| 行业专家系统 | 医疗诊断、故障排查、法律咨询、农业指导 | MYCIN、智能问诊、设备运维助手 |
2016 年战胜李世石的 AlphaGo 是多种 AI 技术协同的典范：深度卷积网络（连接主义）负责从海量棋谱中学习局面评估（策略网络与价值网络）；蒙特卡洛树搜索（搜索策略）负责在推演中选择落子；后续的 AlphaGo Zero 完全抛弃人类棋谱，通过强化学习自我对弈（行为主义思想）三天即超越人类所有对弈版本。它展示了搜索、学习与知识融合的巨大威力。
反思与展望：智能时代的人
技术的飞跃也带来深刻的社会议题。学习人工智能，不仅要掌握方法，更应保持清醒的思考。
安全与对齐
如何确保强大的 AI 系统目标与人类价值观一致（价值对齐，Alignment）？如何防止被误用、滥用？这是大模型时代最受关注的前沿议题之一。
就业与分工
自动化将替代部分重复性劳动，同时创造新职业。历史经验表明技术更多是重塑分工而非简单消灭岗位，但转型成本需要社会共同承担。
虚假信息与伦理
深度伪造、AI 生成内容带来真伪辨识难题；数据隐私、算法偏见、算法歧视、知识产权归属等都呼唤法律与伦理规范的完善。
1950 年图灵在文章结尾写道："我们的目光所及，只能在不远的前方，但是可以看到，那里有大量需要去做的工作。"七十余年后的今天，这句话依然适用。理解人工智能的基本原理，正是为了在智能时代中保有判断力与创造力。