乔木博客

全部

AI工具

AI教程

AI生成

AI资讯

健脑房

播客解读

论文学习

1956 年的那个暑假，他们打算用两个月解决智能问题

健脑房

·

2026年5月18日

·

50 次阅读

·

约 18 分钟

文献信息标题：A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence作者：J. McCarthy（达特茅斯学院）、M. L. Minsky（哈佛大学）、N. Rochester（IBM）、C. E. Shannon（贝尔实验室）日期：1955 年 8 月 31 日来源：http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf说明：这是一份经费申请书，不是期刊论文，没有图表。它是 AI 领域的奠基文件。

1955 年 8 月，约翰·麦卡锡坐在达特茅斯学院的办公室里，起草了一份申请书，向洛克菲勒基金会要 13,500 美元。

申请的目的是这样写的："我们提议，在 1956 年夏天，在新罕布什尔州汉诺威的达特茅斯学院，对人工智能进行一项为期两个月的十人研究。这项研究以这样一个猜想为基础：智能的每一个方面，或者智能的任何特征，都可以被精确描述，因此可以用一台机器来模拟。"

他们认为，如果选对了人，一个暑假就能"在一个或多个问题上取得重大进展"。

这份文件后来被称为"达特茅斯提案"。

它正式为一个领域命了名，这个名字今天出现在每一条科技新闻里，出现在每一家科技公司的战略文件里，出现在每一个国家的政策文件里：人工智能（Artificial Intelligence）。

在这份文件之前，这个词不存在。

"人工智能"这个词是怎么来的

1955 年的时候，麦卡锡想做的事，已经有不少人在做了。

图灵在 1950 年提出了图灵测试，声称如果一台机器的回答让人无法分辨它是人还是机器，那么这台机器就可以被称为"会思考的"。

香农在 1950 年写了一篇关于机器下棋的论文，真的编程实现了一个下棋程序。

控制论的创始人诺伯特·维纳已经在用"Cybernetics"这个词描述机器与有机体中的控制和通信。

冯·诺依曼在研究自动机和自复制系统。

但这些工作分散在不同的学科旗帜下，彼此之间的对话很有限。

控制论（Cybernetics）：诺伯特·维纳在 1948 年提出的跨学科框架，研究动物和机器中的控制与通信机制。是 AI 的重要前身，但更侧重反馈回路和自动调节，而非通用问题求解。

麦卡锡不满意现有的名字。

"控制论"太强调维纳个人，而他和维纳在技术路线上有分歧。

"数学逻辑"太窄，局限在形式系统里。"神经网络"太具体，暗示只能走模拟大脑这一条路。

他想要一个中性的新词，让这个领域拥有独立的身份，不附属于任何一个已有的权威，也不预设任何具体的技术路线。

他后来承认："我想拥有一个独立的领域名称，这样我就不需要与维纳就控制论争论，也不需要与逻辑学家就逻辑争论。"

"Artificial Intelligence"是他发明的。

这个词大胆，甚至有些挑衅，因为用"智能"（Intelligence）这个词，就是在宣称机器可以做人类最核心的那件事。

它在当时引起过争议，有人觉得太夸张，有人觉得太模糊。

但这个命名最终成了整个时代的旗帜。

一个好名字能让一个领域更真实地存在，AI 这个词做到了。

四个人，各自关注完全不同的问题

提案由四个人联署，但每个人都附上了自己单独的研究计划。

读这些计划，你会发现他们的关切点差距很大，背景迥异，几乎像是在谈四个不同的领域。

正因如此，他们需要一个足够宽泛的名字把这些都装进去。

克劳德·香农：从不可靠到可靠，从噪声到智能

信息论（Information Theory）：香农在 1948 年创立，研究信息的量化、传输和压缩的数学理论。核心概念是熵（Entropy），衡量信息的不确定性。它不只是通信理论，它是现代 AI 的数学基础之一，从数据压缩到神经网络的损失函数都有它的影子。

香农在提案里提了两件事，两件都极具远见。

第一，把信息论用于计算机的可靠性问题：怎么用不可靠的元件构建可靠的系统？1955 年的计算机用的是真空管，真空管会随机烧坏，容错能力几乎为零。

香农想用信息论里处理"噪声信道"的思想，来解决计算机的容错问题，引入冗余来对抗错误。

这个想法在 70 年后的 AI 语境里有了一个奇怪的回响：Transformer 里的注意力机制、Dropout 正则化、集成方法，都是某种形式的"在不确定性中保持稳健"。

第二件事更有意思：他提出从极其简单的环境开始，逐步构建能适应复杂环境的大脑模型。

他明确说，大家通常想让机器做最先进的人类活动，比如证明定理或者谱写音乐。

但他建议先从非对抗性、非复杂的环境入手，一步步往上走。

这个"课程式渐进"的思路，今天在强化学习里叫 Curriculum Learning（课程学习），是训练复杂任务智能体的标准技巧。

1955 年有人提出这个框架，至今还有人在发论文研究怎么设计课程。

课程学习（Curriculum Learning）：让模型先从简单的例子学起，逐渐过渡到更难的样本，模拟人类教育中的"先学基础再学复杂"逻辑。香农在 1955 年的思路是这个概念的早期表述，Bengio 等人在 2009 年将其正式化为机器学习方法。

马文·明斯基：感知、运动和内部世界模型

明斯基当时是哈佛的初级研究员，刚刚完成神经网络方面的普林斯顿博士论文。

他描述的机器，有感知输入，有运动输出，通过试错学习，在内部建立一个"抽象的环境模型"。

这个内部模型让机器能够在真正行动之前，先在脑子里演练。

他写道：

"如果给机器提出一个问题，它可以先在内部的抽象模型里探索解决方案，然后再做外部实验。由于这个预先的内部研究，外部实验看起来会相当聪明，行为将不得不被认为是相当'有想象力的'。"

世界模型（World Model）：智能体对环境的内部表征，让系统可以在真实行动之前模拟行动后果，从而减少真实世界试错的代价。今天在 Model-based RL 和 AlphaGo/AlphaZero 中大量使用。

这段话是 1955 年写的。

它描述的就是今天强化学习里 Model-based 方法的核心思想，也是 AlphaGo 下棋时使用的树搜索思路：先在内部模型里模拟无数局，再做选择。明斯基的这段话值得写进教科书。

纳撒尼尔·罗切斯特：随机性是创造力的来源吗？

罗切斯特是 IBM 701 计算机的主要设计者，一个有很强工程直觉的人。

他的问题是：机器怎么才能有"独创性"？

他的论证很有力量。他说，人类文化积累了大量解决问题的规则，但当面对一个全新的、从未被解决过的问题时，这些规则都不管用。

人这时候需要"顿悟"，一个出乎意料但不完全没有道理的想法。

他认为这种顿悟来自"可控的随机性"：在有序的思维中注入适量的随机，让思路能够跳出固有轨道。

他还观察到：人类在说话犯错时，产生的通常是"几乎有意义的"错误，而不是完全无意义的噪声。

比如一个半睡半醒的人说出的话，往往错但不彻底错，像是一个被随机扰动了一点的正确句子。

他认为这恰恰说明大脑的"错误机制"具有某种内置的随机引导，而不是纯粹的崩溃。

今天大语言模型里的"温度"（Temperature）参数，就是在控制输出的随机程度。

Temperature=0 是完全确定的，永远选最高概率的词；Temperature=1 或更高，引入随机，有时会产生更有创意的输出，有时会产生更多错误。

罗切斯特的问题在 2024 年变成了一个采样超参数的调优问题，但它本质上还是同一个问题。

采样温度（Sampling Temperature）：控制语言模型输出随机性的超参数。数值越低，输出越确定、越保守；数值越高，输出越多样、越"创意"，但也越不稳定。这个机制直接实现了罗切斯特 1955 年描述的"可控随机性"直觉。

约翰·麦卡锡：语言是智能的关键

麦卡锡自己关注语言。

他认为，仅靠感知和运动的试错，无法产生复杂的行为。

人类用语言来处理复杂现象，语言让思维可以在更高的抽象层次上进行推理，而不是在原始的感知-动作层面盲目探索。

他指出，自然语言有几个当时所有形式语言都不具备的特征：可以自我参照（self-reference，语言里可以谈论语言本身），可以表达猜测（conjecture，不只是陈述已知事实），有很强的表达简洁性（同样的论证，英语比任何逻辑语言更短）。

他想构建一种兼具这些特性的形式语言，既能被计算机执行，又接近人类自然的推理方式。

三年后，他发明了 LISP（1958 年）。

LISP：由麦卡锡在 1958 年设计的编程语言，第一个以符号处理为核心的高级语言，具有灵活的列表操作和宏系统。在接下来的 30 年里，它是 AI 研究的首选语言，深刻影响了后来所有的函数式编程语言。

LISP 的核心设计思想是：把程序和数据用同样的形式表示（s-expressions），程序可以把其他程序当成数据来处理。这就实现了麦卡锡说的那种"自我参照"。

他在 1955 年就知道他想要什么，只是还没想清楚怎么做。

七个问题，七十年后还在问

提案开头列了七个"人工智能的方面"，他们打算在那个夏天研究的核心问题。

这是一份极其浓缩的研究大纲，值得一条一条看，因为它们几乎是 AI 整个发展史的目录。

1. 自动计算机：可以被编程来模拟任何其他机器。当时的障碍不是计算机速度太慢，而是人们还不会编程，不知道怎么充分发挥计算机的能力。

这个问题今天的版本是：怎么让大模型在复杂任务上实现规划和执行？从 1955 年的"怎么给早期计算机写程序"，到 2025 年的"怎么让 LLM Agent 可靠地操作工具完成多步任务"，问题的本质没有变，只是难度和规模都大了几个数量级。

2. 机器怎么使用语言：让机器操纵词语，根据推理规则和猜测规则进行推理。

当时的认识是，人类大量的思维是在操纵词语。

这个问题已经被以一种特定方式"回答"了：GPT-4、Claude 这类大语言模型可以流畅地生成和理解人类语言。

但"机器是否真正理解语言"还是争议不断的问题，语言模型是否在"推理"还是在"统计匹配"，这个争论在 70 年后仍然没有定论。

3. 神经元网络：一组神经元如何排列才能形成概念？当时明斯基、罗切斯特和霍兰德已经在用计算机模拟神经网络，但基础理论还不完整。

这个问题催生了整个深度学习领域。

从感知机（1957）到反向传播（1986）到深度卷积网络（2012）到 Transformer（2017），走了整整 60 年，才在某些任务上真正做出了实用的"概念形成"系统。

感知机（Perceptron）：1957 年由 Frank Rosenblatt 提出的最早神经网络模型，能学习线性分类规则。它是响应达特茅斯会议之后的第一波神经网络热潮的核心产物，后来因无法解决非线性问题（XOR 问题）而遭受批评，触发了第一次神经网络低谷。

4. 计算的规模理论：怎么度量一个计算问题的复杂性？当时香农和麦卡锡都在独立研究这个问题。

这个问题后来演变成了计算复杂性理论（P vs NP 问题就属于这个范畴），成为理论计算机科学的基础。

P=NP 问题至今是未解的百万美元问题。

P vs NP 问题：计算复杂性理论中最核心的未解问题，问的是"能被快速验证的问题"和"能被快速解决的问题"是否是同一类。如果 P=NP，许多目前认为困难的问题都会变得可以高效求解，包括密码学的基础假设会崩塌。克雷数学研究所悬赏百万美元，该问题至今悬而未决。

5. 自我改进：真正智能的机器会改进自己。怎么实现？

这个问题今天叫"递归自我改进"（Recursive Self-Improvement），是 AI 安全领域最核心的研究课题之一。

当一个 AI 系统能够修改和改进自身时，会发生什么？

这个问题的答案可能决定人类未来的命运，但答案还在研究中。

递归自我改进（Recursive Self-Improvement）：AI 系统在没有人类干预的情况下，不断改进自身能力的过程。如果这个过程可以无限加速，就是"智能爆炸"（Intelligence Explosion）假说的起点，也是 AI 安全研究的核心关注场景之一。麦卡锡的同事在 1955 年就意识到这个问题需要认真研究。

6. 抽象：机器如何从感知数据中形成抽象？

这个问题在今天的语境里是：深度学习里的表征学习（Representation Learning），即神经网络内部的特征如何对应现实世界中的概念？

可解释 AI 研究的核心问题也是这个：网络里的哪些模式对应了哪些抽象概念？

7. 随机性与创造力：创造性思维和有能力但无创意的思维，区别在于注入了受控的随机性。

这个问题从未被"解决"，只是被重新表述了很多次。

现在的版本：采样策略（Top-P、Temperature、Beam Search），以及生成式 AI 是否真的在"创造"，还是只在"重组"？

七个问题，七十年，没有一个被彻底关上。

那份名单上坐着谁

提案末尾附了一份"对人工智能感兴趣的人"的通讯录，共约 47 人。

翻开这份名单，有几个名字需要单独说一说。

赫伯特·西蒙和艾伦·纽厄尔：卡内基理工学院（今天的 CMU）的两位研究员，达特茅斯会议上带来了一个程序叫 Logic Theorist，这个程序能自动证明《数学原理》里的数学定理。

这是 AI 历史上第一个真正意义上的"人工智能程序"，当时有几个证明甚至比罗素和怀特海的原版更优雅简洁。

西蒙后来获得了诺贝尔经济学奖。

Logic Theorist（逻辑理论家）：1956 年由纽厄尔和西蒙开发的程序，被认为是第一个 AI 程序，能够自动证明数学定理。它用的是"启发式搜索"而非穷举，这是 AI 中至今仍在使用的核心方法。

约翰·纳什：普林斯顿高等研究院的数学家，博弈论天才，2015 年诺贝尔经济学奖得主。

《美丽心灵》的原型人物。1955 年，纳什刚 27 岁，博弈论那篇奠基论文发表才 5 年。

他出现在这份名单上，说明当时已经有人意识到博弈论和 AI 的联系，但这个方向在后来的 AI 研究中被边缘化了几十年，直到强化学习和多智能体系统兴起，纳什均衡才重新变得重要。

约翰·霍兰德：密歇根大学，后来发明了遗传算法（Genetic Algorithm）。

这是模拟自然选择的计算方法，1975 年正式发表，成为进化计算领域的基础。

沃伦·麦卡洛克和沃尔特·皮茨：麦卡洛克的名字在列，他和皮茨在 1943 年发表的《神经活动内在思想的逻辑演算》（A Logical Calculus of Ideas Immanent in Nervous Activity），建立了第一个神经元的数学模型，是深度学习的直接祖先。

没有麦卡洛克-皮茨神经元，就没有今天的神经网络。

这份名单的密度让人目眩：多个诺贝尔奖得主，多个图灵奖得主（图灵奖 1966 年才设立），几乎囊括了那个时代所有准备在这个方向工作的顶级头脑。

他们当时的平均年龄不过三十出头。

那个夏天本身，其实挺混乱的

1956 年 7 月到 8 月，会议真的举行了。

但它没有达到提案里设想的那种集中突破。

参与者来了又走，有些人只参加了几天。大家各自带着自己的研究问题，没有形成一个统一的工作流程。

明斯基后来说，会议更像是一系列的报告和讨论，而不是协作攻坚。

没有预期中的"重大进展"被宣布，没有一个问题被真正"解决"。

洛克菲勒基金会批准的经费也比申请额少，最终只给了 7,500 美元。

但从另一个角度看，这次会议做成了一件非常重要的事：它把一群分散工作的人聚在一起，让他们互相看到对方在做什么，形成了一种共同的语言和身份认同。

它确认了：这是一个领域，不只是一群偶然在做相似事情的人。

Logic Theorist 在会上的展示尤其重要。

纽厄尔和西蒙带来了一个真正能运行的程序，而不只是一个理论构想，这给了所有人信心：这件事是可以做到的。

写在后面

这份提案只有 13 页。

读它的时候，我一直在想一件奇怪的事：这四个人在 1955 年写这些的时候，根本不知道自己在做什么。

他们不知道自己在奠基，不知道 70 年后有几十亿人在使用他们命名的技术，不知道"人工智能"会成为 21 世纪最重要的词汇之一。

他们只是觉得这个问题很有意思，想花一个暑假认真试一试。

麦卡锡提出的语言问题，今天变成了 ChatGPT 和 Claude。

明斯基描述的内部模型，今天叫世界模型和链式推理。

罗切斯特的"可控随机性"，今天叫温度采样和 top-p 策略。

香农的信息论，渗透在所有现代 AI 系统里，从损失函数到压缩算法。

他们提出的七个问题，七十年后一个都没有被彻底关上。

这里有一件让我困惑但也着迷的事：他们在 1955 年能想到的大多数方向，今天都变成了真实的研究领域。

他们预见的问题，几乎每一个都对。但他们低估的，是这条路需要多长时间。

他们以为一个暑假，结果是七十年，而且还没结束。

这也许说明：看对方向比预估时间线更重要，或者更容易。

© 2026

·

向阳乔木