这是一场 “推理与探索” 的热潮，核心思想是：机器可以通过赋予其逻辑推理能力和对符号的操控，来模拟人类的智能。
核心特征与关键理念
-
符号主义 AI： 这一时期的AI研究主流是“符号主义”，研究者认为，智能的核心在于对抽象符号（如词语、概念）进行逻辑推理和操作，他们相信，只要将人类的知识和推理规则编写成计算机程序,机器就能变得智能。
-
“逻辑推理者”： 当时的AI程序更像是聪明的逻辑学家，而不是今天通过数据学习的模式识别器，它们擅长解决定义明确的、基于规则的问题，
- 证明数学定理（如“逻辑理论家”程序证明了《数学原理》中的定理）。
- 解决几何问题。
- 在迷宫中寻找路径。
- 玩跳棋和国际象棋等棋类游戏（1959年，IBM的亚瑟·塞缪尔编写了第一个自学下跳棋的程序）。
-
关键人物与事件：
- 1956年：达特茅斯会议，这次会议被公认为AI诞生的标志，约翰·麦卡锡（他创造了“人工智能”一词）、马文·明斯基、克劳德·香农、艾伦·纽厄尔、赫伯特·西蒙等先驱齐聚一堂，乐观地预言“机器将模拟人类智能的所有方面”。
- 艾伦·纽厄尔与赫伯特·西蒙：开发了“逻辑理论家”和“通用问题求解器”,展示了机器如何通过启发式搜索来解决问题。
- 马文·明斯基：在感知机和早期神经网络方面也有探索,但后来成为符号主义的强力支持者。
标志性成果与乐观预言
当时的成功案例催生了极大的乐观情绪，一些先驱者做出了大胆（后来被证明是过于乐观）的预测：
- 明斯基在1967年说：“在一代人之内，创造‘人工智能’的问题将得到实质性解决。”
- 许多人相信，10-20年内就能造出具有人类通用智能的机器。
这些成功案例包括能解决代数应用题、理解简单自然语言句子（如“积木世界”）的程序。
热潮的衰落与“第一次AI冬天”
到20世纪70年代初，第一次AI热潮迅速冷却，进入了“AI冬天”,主要原因有：
- 计算能力的极限：当时的计算机内存极小、速度极慢,无法处理复杂问题所需的海量计算。
- 常识与知识的“组合爆炸”：
- 研究者发现，要解决现实世界的问题（如理解一个段落、看清一个场景），需要的不是几条精妙的规则，而是海量的背景知识和常识。
- 将这些知识手工编码成规则是一项几乎不可能完成的浩大工程，这就是著名的 “知识获取瓶颈”。
- 莫拉维克悖论：人们惊讶地发现，让计算机完成高阶的智力活动（如逻辑推理）相对容易，而让它们具备婴儿级别的感知和运动技能（如识别物体、行走）却异常困难,这与人类的直觉相反。
- 政府资助的锐减：由于未能实现宏伟的承诺（如机器翻译的早期尝试结果很糟糕），美国和英国的主要资助机构（如美国国防高级研究计划局）大幅削减了对纯AI研究的资助。1973年的《莱特希尔报告》 对英国AI研究进行了严厉批评,成为压垮骆驼的最后一根稻草。
总结与遗产
- 性质：第一次AI热潮是基于逻辑和符号推理的探索。
- 贡献：它确立了AI作为一个独立的科学领域，开创了搜索算法、知识表示等核心概念，并留下了“专家系统”（第二次热潮的核心）的思想种子。
- 教训：它让人们清醒地认识到，通用智能的复制远比想象中复杂，智能不仅需要“推理引擎”，更需要海量的“世界知识”以及与物理世界交互的能力。
与今天的对比： 今天的AI热潮（尤其是深度学习驱动的）与第一次有本质不同：
- 核心方法：从基于规则的符号推理转向了基于大数据的统计学习与模式识别。
- 能力焦点：从模拟逻辑思维转向了感知能力（如看、听）和生成能力（如创作、对话）。
- 驱动力：从学术猜想与有限编程，转向海量数据、强大算力（GPU）和高效算法的融合。
第一次热潮的梦想家们提出了正确的问题，但受限于时代的技术工具，他们的理想，在半个多世纪后,正通过截然不同的技术路径被重新探索和实现。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
