1.1 第一次浪潮：符号主义的兴起与寒冬（1956--1980）

概念

符号主义（Symbolism）是人工智能历史上第一个主流范式。它的核心假设可以用一句话概括：智能就是对符号的操作。

怎样理解这句话？你做一个三位数加法，比如「245+378」，你的大脑里发生了什么？你把「2」「4」「5」「3」「7」「8」这些数字符号逐一从记忆中调出来，按加法规则逐位运算，最后产出新的符号组合「623」。符号主义认为，人类所有的思考——下棋、推理、理解语言——本质上都是这种符号变换。如果把人类头脑中的符号规则搬到计算机上，机器也能思考。

生活比喻：符号主义就像一个只靠字典和语法书学中文的外国人。他的「字典」告诉你每个词的意思，「语法书」告诉你「主语+动词+宾语」的语序。遇到「我吃饭」——没问题，主语+动词+宾语，完美。遇到「饭我吃了」——咦，宾语跑主语前面了，规则崩溃。符号主义在最简单的语言场景中表现很好，但真实世界的复杂性和不规律性让它的规则体系处处漏风。

这个范式的诞生有一个明确的时间和地点：1956 年夏天，美国新罕布什尔州达特茅斯学院。 四位年轻科学家——John McCarthy（数学家，当时在达特茅斯任教）、Marvin Minsky（哈佛研究员，研究神经网络和数学）、Claude Shannon（贝尔实验室，信息论之父）和 Nathaniel Rochester（IBM 计算机设计师）——组织了一场为期八周的暑期研讨会。他们在向洛克菲勒基金会提交的申请书中，写下了 AI 历史上最著名的一段话：“学习的每个方面，或智能的任何其他特征，原则上都可以被精确描述，以至可以制造一台机器来模拟它。” ¹

这次会议被称为 AI 学科的「诞生日」。「Artificial Intelligence」这个词也是 McCarthy 在这里正式提出来的——他后来说，选这个名字有策略考虑：当时 Norbert Wiener 的「控制论」（Cybernetics）已经拿走了大量军方经费，想要独立争取资金，需要一个新旗帜。²

会议上出现了 AI 史上第一个能运行的程序——Allen Newell 和 Herbert Simon 带来的 Logic Theorist（逻辑理论家）。它用启发式搜索自动证明数学定理，甚至找到了罗素《数学原理》中一条定理的更优雅证明，只是因为期刊不接受机器作为合著者才没有发表。³

教学

符号主义 AI 的核心工具只有两个：搜索和逻辑推理。你把它想象成一个在巨大迷宫里找出口的人：每一个格子是一个状态，每一条岔路是决策点。AI 不断问自己——「如果我走 A 会怎样？B 呢？」——直到找到通往下一条的路径。这种技术在术语里叫状态空间搜索。棋盘游戏的 AI（国际象棋、围棋）至今仍在大量使用这种方法。

这个时代最成功的产品形态是专家系统。它的工作流程分三步。

第一步，找一群顶级的领域专家——比如血液感染科的主任医师。 第二步，知识工程师（一个专门负责「把专家脑子里的知识掏出来」的角色）采访这些专家，把他们的诊断经验翻译成一条条规则。 第三步，把规则灌进推理引擎。引擎拿到病人的症状数据后，在一堆规则里搜索匹配的组合，给出诊断和用药建议。

最著名的案例是 MYCIN。斯坦福大学的 Ted Shortliffe 在 1970 年代开发了它来诊断血液感染。MYCIN 的知识库里有约 450 条 if-then 规则，比如「如果感染类型是菌血症、感染入口是胃肠道、病人免疫功能低下，那么可能的致病菌是拟杆菌属（置信度 0.7）」。在临床测试中，MYCIN 的处方方案被评审专家评为优于初级住院医生的方案。⁴ 不过 MYCIN 从未真正用于临床——不是技术不行，而是法律问题：如果 AI 给出错误诊断导致病人死亡，谁来负责？

到 1980 年代，DEC 公司部署了专家系统 XCON/R1 来自动配置 VAX 计算机的订单。每台 VAX 有多达数百个可选组件，而且很多组件之间存在复杂的兼容性约束——人工配置错误率很高。XCON 用约 10000 条规则来处理这些约束，每年为 DEC 节省约 4000 万美元。⁵ 这证明了 AI 不是只能发论文——它能创造真金白银的商业价值。

符号主义还有一个重要的技术旁支：知识表示。简单说就是——你怎么把人类知识「翻译」成计算机能存、能查、能推的符号结构？研究者们发明了一系列方法：

• 语义网络：把概念画成节点，节点之间用「是一种」「有」「会」这类关系连线。画出来像一个蜘蛛网。比如「狗 → 是一种 → 哺乳动物 → 是一种 → 动物」。
• 框架：给每个概念做一个「属性卡」，标明它的标准特征及默认值。有点像编程里的 class（类）——「鸟」这个框架有「会飞=true」、「有羽毛=true」等槽位，企鹅可以继承这个框架然后把「会飞」覆盖成 false。
• 脚本：把日常生活中常见的流程标准化。比如「去餐厅吃饭」的脚本 = 进入餐厅 → 被领位 → 坐下 → 看菜单 → 点菜 → 吃 → 买单 → 离开。

这些工作影响远超 AI 领域。面向对象编程（C++、Java 里的 class）的核心灵感来自框架系统；关系数据库的 ER 模型与语义网络共享了相似的直觉；甚至 Tim Berners-Lee 后来提出的「语义网」愿景，也是对知识表示理念的一次复活。⁶

注意事项

符号主义有两个致命问题，一个是哲学层面的，一个是工程层面的。合在一起，它们导致了 AI 的第一次寒冬。

哲学问题：符号接地问题（Symbol Grounding Problem）

计算机处理的「猫」「狗」「红色」对计算机来说只是无意义的字符串——和「xyz」「abc123」没有区别。它不知道「猫」摸起来是软的、会打呼噜；不知道「红色」是温暖的、会让你心跳加速。人类的每个概念都扎根于身体的感知经验——你看到红色是因为视锥细胞被特定波长的光子激发了，你理解「重」是因为你亲自搬过东西。符号系统完全切断了这种知觉根基。⁷

就好比一个人背下了一整本菜谱的所有文字——「少许盐」「爆炒至焦香」「面糊搅拌到无颗粒」——但他这辈子没进过厨房。他永远不可能真正理解「爆炒至焦香」到底是什么状态。

工程问题：组合爆炸与长尾

世界上的 if-then 是无限的。你试一试用规则来描述「这是一只猫的图片」：

• 耳朵尖的 → 但波斯猫耳朵是圆的
• 毛茸茸的 → 但斯芬克斯猫没有毛
• 四条腿 → 狗也四条腿
• 有胡须 → 老虎也有胡须
• 会喵喵叫 → 图片不叫

你写一万条规则也覆盖不了所有猫的变体。更糟糕的是，每条规则之间需要互不矛盾——100 条规则还好管理，10000 条规则开始自相残杀。这个问题在术语里叫长尾问题（Long-Tail Problem）：世界上绝大部分情况都太罕见、太多样，规则根本无法穷举。⁸

第一次 AI 寒冬（1974—1980）

1973 年，英国科学委员会委托数学家 James Lighthill 爵士评估 AI 研究的价值。报告结论冷酷而精确：“AI 研究在任何一个子领域都没有产生所承诺的重大影响。” ⁹ 英国政府随即大幅撤资，多个 AI 实验室关闭。

同一年，美国 DARPA（国防高级研究计划局，美国军方资助前沿科技研究的核心机构——互联网和 GPS 都是它孵化的）也削减了 AI 经费。导火索是卡内基梅隆大学一个名为「语音理解研究」的 DARPA 项目——五年内烧掉了数千万美元，但实际成果远远低于承诺。DARPA 的耐心耗尽。

还有一根导火索很多人不知道：1969 年，Marvin Minsky（还记得吗，达特茅斯会议的四位组织者之一）和 Seymour Papert 出版了一本书叫《感知机》，用数学严格证明了当时流行的单层神经网络（感知机）连「异或」（XOR）这种最基本的逻辑运算都做不了。¹⁰ 这本书直接导致神经网络研究几乎断了一代人的经费——直到 1986 年反向传播算法重新点燃了这个领域。

核心教训：过度承诺会杀死一个领域。 1950 年代的科学家放话「20 年内造出通用人工智能」。到了 1973 年，他们的 AI 连一只猫和一只狗都分不清。这种「期待—失望」的落差摧毁了政府、军方和投资人的信心。今天的 AI 公司（OpenAI、Anthropic 等）比他们的前辈聪明得多——你很少再听到「X 年内实现 AGI」这种具体的承诺。

关联

符号主义死了，但它的 DNA 留在了现代技术里：

• 搜索算法：A* 算法 1968 年提出，至今是路径规划（Google Maps 导航、游戏 NPC 寻路）的基石。
• 编程语言：McCarthy 为符号 AI 发明的 Lisp 语言催生了函数式编程范式。今日的 Python 列表推导式、JavaScript 的 map/reduce——基因都可以追溯到 Lisp。
• 知识图谱：Google 在 2012 年推出的 Knowledge Graph（搜索「姚明」，右边出现他的身高、球队、配偶信息），本质就是一张巨大的语义网络，直接继承了符号主义时代的知识表示方法。
• 神经-符号 AI（Neuro-Symbolic AI）：2020 年代兴起的混合范式。让神经网络处理感知（看图片、听声音），让符号系统处理推理（逻辑、因果）。AlphaGo 就是这个思路的早期样板——神经网络判断「这步棋好不好」，蒙特卡洛树搜索（符号方法）判断「这步棋最终能不能赢」。¹¹

下一节我们进入第二次浪潮——连接主义，看看从数据中学习（而不是手写规则）这条路线是如何兴起的。

---

← 上一节：章首 ｜ 下一节：1.2 第二次浪潮：连接主义的兴起与寒冬（1986--2012） →

注释

1. McCarthy, Minsky, Rochester, Shannon, “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence”, 1955 ↩

2. McCorduck, P., “Machines Who Think”, 2004, A.K. Peters ↩

3. Newell, A., Simon, H.A., “The Logic Theory Machine”, 1956, IRE Transactions on Information Theory ↩

4. Shortliffe, E.H., “Computer-Based Medical Consultations: MYCIN”, 1976, Elsevier ↩

5. McDermott, J., “R1: A Rule-Based Configurer of Computer Systems”, 1982, Artificial Intelligence, 19(1) ↩

6. Russell, S., Norvig, P., “Artificial Intelligence: A Modern Approach”, 4th ed., 2020, Pearson ↩

7. Harnad, S., “The Symbol Grounding Problem”, 1990, Physica D, 42(1-3) ↩

8. Dreyfus, H., “What Computers Still Can’t Do”, 1972/1992, MIT Press ↩

9. Lighthill, J., “Artificial Intelligence: A General Survey”, 1973, Science Research Council ↩

10. Minsky, M., Papert, S., “Perceptrons”, 1969, MIT Press ↩

11. Garcez, A., Lamb, L.C., “Neurosymbolic AI: The 3rd Wave”, 2023, Artificial Intelligence Review ↩