本文由 「AI前線」原創，原文連結：人工智慧發展神速？37年前的塵封檔案告訴你並沒有
策劃編輯｜Tina
作者｜Jeremy Bernstein
譯者&編輯｜Debra
AI 前線導讀：近日，加州大學伯克利分校電子工程與電腦科學系助理教授 moritz hardt 發推吐槽關於 Perceptron 的發展程式，他毫不客氣地評價道，“2018 年了，Perceptron 仍然是老生常談，還是之前的基礎演算法”。
《MIT 科技評論》AI 高階編輯 Will Knight 隨之轉推表示同意，稱“歷史總是驚人的相似”。
在他們看來，人工智慧相關的基本概念和研究進展似乎過於緩慢。近日，AI 前線從《紐約客》挖掘到 1981 年的一篇對人工智慧之父馬文·明斯基的人物專訪，我們得以拂去歷史的灰塵，一窺在 20 世紀 80 年代，初步萌芽的人工智慧研究究竟是什麼面貌，以及這位 AI 界的領袖對 1981 年之前人工智慧發展歷程的回顧。
1979 年 7 月，一款名為 BKG 9.8 的計算機程式在蒙特卡洛舉行的世界西洋雙陸棋錦標賽中奪得冠軍。這款程式的發明者是匹茲堡卡內基梅隆大學的電腦科學教授 Hans Berliner，它在卡內基梅隆的一臺大型計算機上執行，並通過衛星連線到蒙特卡洛的一個機器人上。 這個名為 Gammonoid 的機器人胸前有一個西洋棋螢幕，可以顯示它自己，以及其義大利對手 Luigi Villa 的動作。Luigi Villa 在短時間內擊敗了所有人類挑戰者，贏得了與 Gammonoid 對弈的權利。競賽的獎勵是五千美元，Gammonoid 最終以 7:1 贏得了比賽。一開始，幾乎所有人認為它會輸，其建立者 Berliner 還曾在《科學美國人》中撰文，描述了比賽之前人們對 Gammonoid 是如何嗤之以鼻的。
然而結果讓人大跌眼鏡。
我其實對計算機其實一知半解。20 世紀 50 年代計算機普及以來，他是典型的接受計算機教育的一代人，可以操作最新的可程式設計隨身計算機，懂得基本的程式語言。但作為理論物理學家，我避免了在大型機器上執行的物理問題。儘管如此，多年來我已經閱讀了很多關於新的計算機革命和微處理器時代的書籍：一個微處理器可以將包含數千種元素的電路裝入計算機矽晶晶片的時代，它小到可以插入針孔中去；機器的操作以十億分之一秒為計量單位；而且，由於電磁訊號僅能夠以光速傳播，從而導致機器效能受到限制的事實開始體現出來。關於這個問題和它的含義有太多的書籍和文章，很難區分誰對誰錯，但是在所有這些計算機文獻中，我一直很欣賞從馬文·明斯基那裡讀到的東西，其自 1974 年以來一直是麻省理工學院的教授。在一篇題為《物質、精神和模型》（Matter, Mind, and Models）的論文中，明斯基對自由意志的評論如下：
如果一個人完全理解一臺機器或一個程式，他就沒有將“意志”歸因於它的衝動。如果一個人不能很好地理解，他必須提供一個不完整的解釋模型。我們日常的高階人類活動的直覺模型相當不完整，我們非正式解釋中的許多概念都經不起仔細推敲。自由意志或意志就是這樣一種觀念：人們無法解釋它與隨機隨想的不同之處，但強烈地認為它確實如此。我猜想這個想法起源於強大的原始防禦機制。簡單地說，在童年時代，我們逐漸學會各種形式的侵略和強迫，並對之產生厭惡心理，無論我們是屈服亦或抵抗。等長大一些，當我們被告知我們的行為應當受到諸如此類的一套規矩的“控制”時，我們將這一事實與其他識別的強制性行為一起植入我們的模型中（不恰當地）。我們抵制這種來自所有人的“強迫”感。儘管抵抗在邏輯上是徒勞的，但它們會留在我們的記憶中，並且因具有缺陷性的解釋而合理化，因為這在情感上是不可接受的。
在文章的後面，明斯基寫道：
當構建智慧機器時，我們不難發現，它們對於心智、意識、自由意志等方面的信念和人類一樣困惑和固執。所有這些問題都指向解釋自我模型各部分之間複雜的相互作用。一個人或一臺機器對這些事情的信念不會告訴我們關於這個人或機器的任何資訊，而僅會告訴我們關於模型自身的東西。
我知道明斯基已經三十多年了，但在 20 世紀 40 年代末才第一次見到他本人。他在哈佛具體幹什麼我不太清楚，他跟著作曲家 Irving Fine 學習音樂作曲，身為本科生卻已經在心理學院和生物學院各有一間自己的實驗室，而且還完成了一篇後來證明是閃著智慧光輝的拓撲學論文。但所有這些興趣之中，他對人類的思維研究工作最為嚴肅。當他還是一個學生時，至少在他看來，在這個世界上或者在科學的世界裡只有三個有趣的問題。“遺傳學似乎很有趣，因為沒有人知道它是如何工作的，”他說道。“但我不確定它是否深刻。物理學問題似乎是深刻但可以解決的。從事物理研究可能是個不錯的選擇。但是智力問題看起來絕對無比深刻。 除此之外我不認為還有任何其他值得做的事情。”
明斯基其人：幽默，笑容爽朗，酷愛音樂
在後來的幾年裡，我沒有和明斯基保持聯絡，但大約一年前，當他意識到技術方面的新事物在逐漸吞沒我們之後，決定去找他請教。他已經進入了一個現在被稱為人工智慧，或者 A.I. 的領域。在那之前，它甚至沒有正式的名稱。 （“人工智慧”一詞通常被認為是由明斯基在麻省理工學院的前同事 John McCarthy 提出的，他是麻省理工學院的一名數學家，現在是史丹佛大學電腦科學教授，他在 19 世紀 50 年代中期創造了這個詞來描述某些機器做一些人們稱之為智慧（intelligent）的事情。1958 年，麥卡錫和明斯基在麻省理工學院建立了人工智慧小組。在談話中，明斯基非常健談，頗具幽默感，帶著燦爛的笑容。明斯基是我遇到過的頭腦最清晰的人之一，他能夠用簡單的語言闡明最複雜的想法。我們在他 M.I.T. 的辦公室和波士頓附近的家中進行。他的妻子 Gloria Rudisch 是波士頓當地一位著名兒科醫生，他們和 18 歲的雙胞胎孩子朱莉和亨利，住在一幢寬敞的房子裡。 Minskys 最年長的孩子瑪格麗特，二十三歲，畢業於 M.I.T.，現在正在研究航天和設計家用電腦的教育計劃。
他家裡的樂器裝飾品透露出他對於音樂的熱愛，雜亂的書房裡有一臺計算機終端。這個國家的 AI 研究人員可以通過這個他們於 1969 年建立的網路進行交流。他還用一臺被記者誤以為音響的機器向我演示如何生成複雜的音樂。明斯基告訴他，幾年前，明斯基把一箱計算機模組帶回家用於構建邏輯電路。他在除錯電路時遇到了麻煩，因為他沒有示波器——一種能夠在螢幕上顯示電路行為的儀器，而且他發現如果他非常快速地執行計算電路並將其連線到揚聲器，他可以通過聲音來分辨是否有錯誤發生。 “我將幾個揚聲器連線到電路上，通過聲音我可以判斷觸發器是否已經無效。”觸發器是一種可以找到兩個穩定位置之一的電子元件。
有一天，他的朋友，一位 M.I.T. 的電腦科學教授 Edward Fredkin 來拜訪時，對這個物件十分感興趣，後來創立了一家公司把這個機器當作玩具來賣。
建立 M.I.T. 人工智慧實驗室
明斯基在 M.I.T. 人工智慧實驗室的辦公室同樣擁擠不堪。這裡有一個機器人塑料雕像，還有不可或缺的計算機終端。該實驗室擁有自己的大型計算機，多年來，該計算機上執行了任何人所能想到的幾乎所有程式設計。它可以開啟實驗室的門，召喚大樓內的電梯；它裝有機械手臂，還有特殊的電視攝像機，模擬視覺和無線電發射機，以操作遙控機器人。它曾經贏得過象棋比賽，上面還放著得來的獎盃。最初，該實驗室位於一棟設有第二次世界大戰電子實驗室的搖搖晃晃的建築物中，但自 1963 年以來，它已被安置在一棟俯瞰技術廣場的現代化九層建築的第三層樓上，與 M.I.T 校園隔街相望。大約有一百人在這裡工作，其中包括七位教授，其中大多數是明斯基的前學生；約二十五名研究生；以及明斯基親切地稱之為黑客的一群人。這些黑客大多是進入 M.I.T.，並迷戀計算機的一群人。有些人從來不打算拿到學士學位，但有幾個人獲得了高等學位。
有一天，明斯基帶我參觀了 A.I. 實驗室，並告訴了我它的發展歷史。當他和麥卡錫成立人工智慧小組之初，小組僅有他們兩人和幾個學生。大約一年後，當 Minsky 和 McCarthy 在 M.I.T. 的走廊裡講話時恰巧被當時學校的電子研究實驗室主任 Jerome Wiesner 偶遇，交流之後三人感覺興趣相投。麥卡錫當時正在啟動一個計算機分時系統，並且還創造了一種新的非常複雜的計算機語言，而明斯基開始嘗試讓計算機去做非數字任務，比如近似推理。 Jerome 向他們提供了所需的資金。幾年來，他們從未寫過研究計劃。然而自此事情發生了變化，提出書面申請後，實驗室每年可以從各個政府機構那裡獲得 250 萬美元的資金支援。 1968 年，當該小組正式成為人工智慧實驗室時，明斯基成為其董事，直到 1973 年，他一直擔任這項工作，後來他厭倦了編寫資金申請提案，將董事職位轉交給他以前的學生之一 Patrick Winston。
第一臺微型人工智慧計算機
在實驗室，我注意到一幅約 6 英尺的巨幅畫像，乍看上去就像是街道規劃圖，然而明斯基告訴我這其實是計算機晶片的線路圖，它是專為人工智慧工作而設計的第一臺微型計算機的重要組成部分。這臺電腦是由 Gerald Sussman 和他的一些學生設計的，Sussman 曾是明斯基的學生，現在是 M.I.T. 的電氣工程教授。在三樓，我看到了實際的晶片。它的面積不到半英寸，比其電路圖大約小十萬倍，我們不得不把它放在顯微鏡下才能看到電路線。計算機晶片上有兩條電路線交叉的電晶體，每個電晶體的約為 7 微米，相當於紅色血細胞的大小。下一代電晶體將只有其四分之一大小。
在三樓，他還向我展示了一臺由他設計和建造的計算機。1970 年，他堅信可以生成自動視覺顯示的計算機是很有價值的教輔工具。“所以我設計的這臺電腦能夠在螢幕上每秒製作 200 萬個點，可以產生足夠逼真的動畫效果。”相比之下，典型的愛好電腦每秒只能畫幾千個點。明斯基稱他的計算機為 2500，寓意他認為它所在的學校價值 2500 美元。一年來，他沉浸在設計中，並像閱讀小說一樣學會看電路圖，瞭解了兩百多種電腦晶片的工作原理。他的工作得到了史丹佛大學人工智慧實驗室的幫助，該實驗室是 John McCarthy 於 1963 年成立的，開發了一些程式，可以自動分析短路和有其他缺陷的電路圖。明斯基在自己的電腦控制檯上使用這些程式，在辦公室裡設計了這臺機器。它所需的三百個晶片從德州儀器訂購，光電路圖就花費了二十四頁圖紙。“連線電腦曾經是一項艱鉅的任務，”明斯基指出。“但所幸我們可以把整個東西放在磁帶上，這樣就可以通過自動佈線機來讀取資訊。完成之後，我們必須插入三百個晶片並連線電源，鍵盤和電視螢幕。這並不是那麼容易，但它證明了一小撮人和一個有用的計算機設計程式可以比一個大型工業設計部門做得更好。”
而此時，來自南非的數學家 Seymour Papert 加入到 AI 實驗室。他發明了一種孩子們可能會喜歡的機器語言——logo。明斯基向我展示瞭如何使用它讓機器在其螢幕上繪製各種多邊形，並使它們像螺旋槳一樣旋轉。他有一段時間沒有使用該程式，期間顯示器還因資料不足而暫停。
20 世紀 70 年代初，Minsky 和 Papert 聯合創辦了一家公司來銷售這種機器，但是最後因為資金斷裂而破產。在過去的一年中，從事 logo 語言工作的人們設法找到了將其程式設計到家用電腦中的方法，Minsky 和 Papert 再次嘗試將它推廣到兒童中，因為機器現在已經變得足夠便宜，供學校使用 購買。明斯基認為，幾年後，他們應該變得和原來的 2500 一樣強大。
鬱悶的中小學生涯，快樂的哈佛時光
明斯基於 1927 年 8 月 9 日在紐約出生。
和所有數學天才一樣，明斯基並沒有數學方面的背景，他的父親是一名眼科醫生，母親是一名猶太復國主義狂熱者，上有一個建築師和畫家的姐姐，下有一個身為疾病控制諮詢顧問的妹妹。
但他的智力水平在 5 歲時經歷的一次智力測試中就得以體現，也因此根據測試結果進了一個公立天才兒童實驗班。
在小學、初中、高中階段，這位數學天才也和普通人一樣經歷過校園欺凌和嘲笑，甚至還因為字寫的難看被要求留級，父母覺得理由不合理讓他匆忙轉學。
在菲爾德斯頓高中（Fieldston），明斯基對科學的興趣開始萌芽，並於 1941 年進入布朗克斯科技高中（Bronx High School of Science），這是一所培養對科學感興趣的年輕人的學校，該校曾培養了 1979 年諾貝爾物理學獎兩位得主 Steven Weinberg 和 Sheldon Glashow。在這裡，他接觸到了計算機先驅 Russell Kirsch，哈佛的應用數學和資訊資源教授 Anthony Oettinger，以及人工智慧先驅 Frank Rosenblatt，他發明了 Perceptron，但不幸於 1971 年在一次沉船事故中喪生。
1945 年，明斯基應徵參加美國海軍，他在五大湖海軍訓練中心練就了高超的射擊技巧，並在結束服役後於 1946 年 9 月進入哈佛。
在這裡，他學會了高等微積分，同時對社會學和心理學、神經學非常感興趣，並提出了一些學習機器學習過程的理論。
他還做了一個有趣的實驗專案，用一臺儀器連線上小龍蝦的爪，通過刺激特定神經纖維來控制爪的張合來抓取物體。這激發了他對機器人工具的興趣，在這個領域嘗試為手術等建立更好的顯微操作器。 雖然在這個領域幾十年來一直沒有取得太多的進展，他還是決心堅持下去。
提起大學時光，明斯基稱給他留下最深刻印象的同學是隻比他大幾歲的數學家 Gleason，他用了幾年時間解開了當時被認為是世界上最難解的難題之一——希爾伯特第五問題，這也讓明斯基第一次意識到數學是一個可以跨越幾乎所有困難的階梯。
結束了在哈佛的快樂時光後，明斯基來到普林斯頓數學系，導師是 Solomon Lefschetz。
第一臺學習機器
在這裡，他遇到了志同道合的電子系同窗 Dean Edmonds，並說服哈佛的 George Miller 從倫敦海軍研究局處獲得資金，進行了研發具有學習能力的電子學習機器的專案。“這臺機器有三百個電子管和很多電機，一些我們自己加工的自動電動離合器。機器的儲存器儲存在其控制旋鈕的位置（其中 40 個），當機器學習時，它使用離合器來調整旋鈕。我們用一架 B-24 轟炸機的自動操縱裝置來移動離合器。“明斯基講道。
毫無疑問，明斯基的機器是世界上第一臺電子學習機器之一，也許是第一臺。然而，這臺機器除了神經元和突觸及其內部記憶迴路之外，許多網路都是隨機連線的，因此無法進行預測。一個“老鼠”會在網路中的某個點產生，然後開始學習到某個特定終點的路徑。首先，它會隨機進行，然後通過使機器更容易再次進行選擇來增強正確的選擇，從而增加其執行的可行性。通過燈光佈置，實驗者可以跟蹤老鼠的進展。 “事實證明，由於我們設計中的問題，我們可以將兩三隻老鼠放在同一個迷宮並追蹤它們，”明斯基告訴說道。“這些老鼠實際上是相互影響的。如果其中一隻找到了一條好路徑，其他老鼠會跟上它。我們驚訝於它的小神經系統可能會同時發生多項活動。由於佈線是隨機的，這反而帶給系統一種故障安全特性，其中一個神經元停止工作也不會產生很大影響。而且，由於有近三百個電子管和我們焊接的數千個連線，到處都可能出現問題。“
由於這臺機器幾乎是操作性條件反射的，而且不能進行預測，學習能力有限，它在當時並沒有引起多大的重視。然後，我對機器進行了二次記憶的改動，這樣就可以進行預測。當機器處理新出現的情況時可以搜尋記憶，如果過去的記憶中有相關的“不愉快經歷”，系統會學會嘗試另外的路徑。“我曾經天真地以為，如果建立一個足夠大，足夠多回路儲存器的網路，這臺機器就可以具有想象力。這在之後成為一個研究方向，被稱為自組織隨機網路。但我沒有能力構建這樣的網路。“當賓夕法尼亞大學莫爾電氣工程學院已經創造出第一臺電子數字計算機時，明斯基卻沒有在計算機上模擬執行他的學習機器。據他所說是出於兩點考慮：第一，擔心機器學習的複雜性；第二，認為他的機器對於研究任何方式的學習來說都還不夠大。儘管如此，他還是憑藉一篇神經系統學習方式的論文獲得了 Ph.D.。
在哈佛成立人工智慧團隊
之後，明斯基在哈佛開始建立自己的人工智慧團隊，共三十多人。兩年後，即 1956 年，正值歷史上的大事件——達特茅斯人工智慧夏季研究專案啟動。此前一年，明斯基和他的三位同事——他在普林斯頓的同窗 John McCarthy、IBM 實驗室的資訊研究 bu 部門經理 Nathaniel Rochester 和貝爾電話實驗室的數學家 Claude Shannon，一起向洛克菲勒基金會提出應該召開一次被麥卡錫稱之為“人工智慧”的會議。洛克菲勒基金會認為這個提議十分有趣，併為這次會議贊助 7500 美元資金。不用多說，之後這些參加會議的人都成了人工智慧領域的大人物。
明斯基說道，當時讓他感到震驚的有兩件事，一是 IBM 公司的工程師當時已經制作出了 701 計算機，已經具有數百個神經；另一件事是 1959 年，IMB 的年輕物理學家第一次用計算機證明了一條計算機定理。
之後，明斯基沉迷於用機器學習證明一些數學原理問題，併成功地用機器學習的毒液邏輯證明了上圖中簡單的 BA 與 BC 相等的問題。
足夠複雜的計算機語言
在這之前幾個月，蘭德公司和卡內基技術學院的 Allen Newell、 J. C. Shaw 和 Herbert Simon 已經發明瞭一種被稱作 I.P.L.（information-processing language）的語言，John McCarthy 提出將之與 IBM 的 fortran 語言相結合，創造出一種可以編寫幾何定理的語言，Gelernter 付諸實踐，創造出 flpl 語言。幾年之後，麥卡錫又結合 I.P.L. 和 flpl，以及其他人的思想發明了新語言——lisp（list-processing），成為下一代計算機研究語言。1959 年，他的這一語言已經可以實際應用。
1957 年，明斯基加入 MIT 林肯實驗室，與研究計算機影像識別第一人 Oliver Selfridge 成為同事，並於同年與麥卡錫成立 AI 小組。麥卡錫在之後的四年裡對電腦科學的研究一定程度上奠定了 AI 領域的基礎，其中一項就是計算機分時系統，即後來被普遍使用的多人可以同時使用一臺計算機處理任務的方法。但在當時，幾乎沒有人認為這是一件重要的事情，很多人分不清分時和多工處理的差異，他們花了很長時間才說服老同學的公司 Digital Equipment Corporation 採用了分時處理器，不久，他們有了第一臺商用分時計算機，Digital Equipment Corporation 也成為最大的計算機公司之一。然後我們決定分時共享 M.I.T. 的計算機。效果出人意料地好，因此 M.I.T. 長期每年從國防部高階研究計劃局的電腦科學研究部門獲得三百萬美元資金。”
電晶體問世
像明斯基和麥卡錫這樣的人在計算機革命中發揮如此大的作用，部分原因是由於電晶體的發明，以及高階計算機語言的發展，即使是年幼的孩子學習也幾乎沒有問題。電晶體是由 John BardeenWalter H. Brattain 和 William Shockley 於 1948 年發明的。自問世以來，電晶體已經以許多不同的方式發展。
1954 年，市場上出現第一臺電晶體收音機，它們是由印第安納波利斯的工業發展工程聯合公司製造的，在商業上取得巨大的成功。1959 年，飛兆半導體公司開發出第一款積體電路。這款電路中，電晶體中加入矽晶片，被這些電晶體通過像鋁這樣的導電材料彼此連線，因為鋁比銅更容易附著到矽上。1961 年，數字裝置公司銷售了第一臺小型計算機，並於 1963 年製造出帶有半導體元件的電子袖珍計算器，但直到 1970 年代才開始批量生產 ，費用隨之大幅下降。
1979 年，根據羅切斯特大學電腦科學系主任 Jerome A. Feldman 統計，僅在美國，當時就有超過 150 多種用於各種用途的程式語言。對於簡單的數值計算，大多數語言幾乎同樣適用；實際上，1963-64 年由達特茅斯的一個小組開發的 basic（初學者通用符號指令程式碼）是小型家用計算機中使用最廣泛的語言，可以完成家用電腦所需的幾乎所有任務。（大多數人似乎就是用電腦玩遊戲，而遊戲的程式是現成的）。這些小型計算機的記憶體非常小，最多隻有 6508 位元，所以最先進的計算機語言不能得到充分利用。有人開始察覺到人工智慧領域所需的程式複雜性要比這些大得多。對於這些程式，fortran 和 basic 都不夠複雜。當 fortran 問世時，每一位元的計算機記憶體花費超過一美元。今天，人們以 6 美元左右的價格可以購買 65000 位元記憶體的電路晶片，價格下降約一萬倍。下一代個人電腦應該可以為使用者提供最先進的計算機語言。但明斯基認為，將來最有用的語言將是人工智慧編寫的程式。這個想法是讓每個人，不僅是程式設計師，用非正式的術語來描述他想要一個程式做什麼，或僅僅通過展示程式編寫程式的一些例子，讓計算機編寫一個程式來完成所描述的任務。這個過程比聘用專業程式設計師要便宜得多。
國際象棋程式設計
在 20 世紀 50 年代，已經有很多人在研究國際象棋程式設計，包括對人工智慧先驅人物阿蘭·圖靈。當時最好的國際象棋程式是 Belle，由貝爾實驗室的 Ken Thompson 和 Joe Condon 建立，其後是西北大學的 David Slate 和 Lawrence Atkin 發明的 Chess 4.9，Belle 的得分為 2,200，Chess 4.9 的得分為 2,050。總的來說，這些程式並不真正模仿人類象棋大師，人類的國際象棋大師可以或多或少地瞭解一個位置的總體結構，然後分析數步三或四步棋路。
第一臺模式識別計算機
1959 年，明斯基的高中同學 Frank Rosenblatt 發明了第一臺能夠處理複雜模式識別的計算機。
AI 小組的第一臺機器人
1963 年，南非的 Seymour Papert 來到 MIT，明斯基和他開啟了一項研究人類意識、兒童心理學、實驗機器人、計算理論的專案，並計劃製造一臺能夠處理複雜問題的“智慧”計算機。這一研究就是十多年，在第十個年頭，明斯基改變了事事親為的做法，用資金大力招募人才，招攬了一大批來自各個領域的人才來進行這項研究。
研究過程遇到很多問題，與此同時，明斯基和他的同事們參與了另外兩個專案：計算機語言學和機器人。他們在計算機上嘗試的最早的非數字專案之一是語言翻譯。 結果一言難盡，部分原因是因為機器對語法的瞭解還不夠，以及詞語固有的模糊性，簡單的逐字翻譯可能會得出荒謬的結果。
明斯基對機器人專案一直興趣頗深。1962 年，跟著 Minsky 和 Claude Shannon 學習的 Henry Ernst 發明了人工智慧小組的第一臺電腦控制機器人。這是一個帶有肩膀，肘部和手爪的機械臂，基本上就是用來遠端操縱放射性材料的手臂，可以放置和抓取物體。
人工智慧的定義
當時，人工智慧領域內外對“人工智慧”的定義發生激烈的爭論。該領域工作人員最普遍接受的觀點是，人工 智慧是生產並輸出與人類頭腦相似甚至最終無法區分的結果的機器。終極人工智慧可以執行所有的認知功能。那麼，“機器”又是什麼呢？ 幾乎所有的這個領域的工作者似乎都認為機器就是某種數字計算機。
在這方面，存在著一個自 19 世紀以來就廣為人知的觀點，即雖然真正的計算機可能有無數種，但理論上只有一種。這個概念來源於阿蘭·圖靈，他構思了一種他稱之為抽象通用計算機的東西，原則上它可以被程式設計模仿所有其他計算機。這臺通用計算機可以執行所有計算機模型可以執行的所有操作。
人工智慧的目標之一是建立一臺計算機，它與人類的智力不相上下，人類能用思維玩象棋和跳棋、做數學研究、寫音樂和讀書，理想的機器也必須能夠做到所有這些事情，至少達到和人類一樣的水平。顯然，製造這樣一臺機器是一項艱鉅的任務，也許是不可能的。和麵臨所有非常複雜問題的科學家一樣，從事人工智慧工作的人們一直在試圖各個擊破完成這項任務，因此，他們製造機器，包括硬體和必要的程式，“理解”報紙內容、識別影像。不可否認，那些機器已經可以不同程度地完成這些事情，但問題在於這意味著什麼。我們是否正在接近更好地理解人的思維？。即使我們能夠建造一個人形機器，也會有人認為它並不真正理解自己在做什麼，它只是在模擬資訊，並且永遠不可能超越現實。
對此，明斯基認為，“我相信，對於‘智慧’的理解，應該是擁有人類思維中可以理解特定事物，以及可以理解為什麼瞭解這些事物的能力。如果你想學習一些知識，最重要的是要知道你的大腦中哪個部分擅長學習那種東西。我不太注重統一的一般理論。我正在尋找一種可以解釋大腦的各部分是如何擁有足夠的理解能力去解決所面臨所有問題的理論。我有興趣研究各種簡單的學習機器的方法，其中每一種方法都以互相學習彼此擅長解決的問題為主題。最後，我希望它們能夠形成一個閉環，讓所有的部分都能找到優化本身的方法。 至少，這是我的一個夢想。”
原文連結：
www.newyorker.com/magazine/19…
更多幹貨內容，可關注AI前線，ID：ai-front，後臺回覆「AI」、「TF」、「大資料」可獲得《AI前線》系列PDF迷你書和技能圖譜。