人工智能的起步发展期：1943年—20世纪60年代

1. 人工智能的理论萌芽：从数学到神经网络

人工智能（Artificial Intelligence, AI）的概念可以追溯到20世纪中期，而其理论基础则更早形成。1943年，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）发表了具有里程碑意义的论文《A Logical Calculus of Ideas Immanent in Nervous Activity》，首次提出了基于神经元模型的计算理论。这篇论文奠定了人工神经网络的基础，将生物学与逻辑学结合，为后续AI研究提供了重要的理论框架。

在这一时期，图灵测试（Turing Test）也应运而生。1950年，英国数学家艾伦·图灵在其论文《Computing Machinery and Intelligence》中提出了一个问题：“机器能思考吗？”他设计了一种方法来判断机器是否具备智能——即通过对话测试，如果人类无法分辨与其交流的对象是人还是机器，则可认为该机器具有“智能”。尽管当时的技术条件远未达到实现这一目标的程度，但图灵测试成为衡量人工智能能力的重要标准之一。

2. 达特茅斯会议：人工智能的正式诞生

1956年，达特茅斯夏季研究项目（Dartmouth Summer Research Project on Artificial Intelligence）标志着人工智能作为一个独立学科的正式诞生。这场由约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）等科学家组织的会议汇聚了计算机科学、心理学和数学领域的顶尖学者。会上，他们共同探讨了如何让机器模拟人类智能，并首次提出了“Artificial Intelligence”这一术语。

达特茅斯会议不仅确立了人工智能的研究方向，还激发了一系列早期研究成果。例如，纽厄尔（Allen Newell）和西蒙（Herbert Simon）开发了逻辑理论家（Logic Theorist），这是第一个能够证明数学定理的程序；随后，他们又推出了通用问题求解器（General Problem Solver），试图解决更广泛的问题类型。这些尝试虽然简单，却展示了人工智能的基本理念和技术路径。

3. 初期技术探索：符号主义与感知机

在20世纪50年代至60年代，人工智能研究主要围绕两种范式展开：符号主义（Symbolic AI）和连接主义（Connectionism）。

• 符号主义：以规则为基础的推理系统是这一时期的主流方法。研究者们相信，通过形式化语言和逻辑规则，可以让计算机理解并处理复杂的任务。例如，ELIZA是由约瑟夫·魏泽鲍姆（Joseph Weizenbaum）于1966年开发的一个自然语言处理程序，它可以通过模仿心理治疗师的问诊方式与用户互动。尽管ELIZA并不真正理解对话内容，但它展现了自然语言处理的可能性。

• 连接主义：与此同时，另一种思路也在发展，即通过模拟生物神经系统构建学习算法。1958年，弗兰克·罗森布拉特（Frank Rosenblatt）提出了感知机（Perceptron），一种单层神经网络模型，用于分类数据。然而，由于当时的计算能力和训练数据有限，感知机的功能受到很大限制。此外，明斯基和帕佩特（Papert）在1969年出版的《Perceptrons》一书中指出了感知机的局限性，导致连接主义一度陷入低谷。

4. 资金支持与社会期待

在起步阶段，人工智能吸引了大量关注和资金投入。美国国防高级研究计划局（DARPA）等机构资助了许多相关项目，推动了技术进步。例如，SHRDLU是一个由特里·威诺格拉德（Terry Winograd）开发的自然语言理解系统，它能够在虚拟环境中根据指令操作物体。这类成果进一步提升了公众对人工智能的期望。

然而，由于技术和理论上的限制，许多雄心勃勃的目标未能实现。例如，翻译机器曾被认为是短期内可以完成的任务，但实际上，语言的复杂性和文化背景使得机器翻译难以达到理想效果。这种落差最终引发了所谓的“人工智能寒冬”，即政府和企业大幅削减对AI研究的支持。

5. 总结：奠定基础的时代

1943年至20世纪60年代是人工智能发展的奠基时期。这一阶段的研究虽然规模较小、技术相对原始，但却为后来的发展铺平了道路。从神经网络理论的提出到达特茅斯会议的召开，再到符号主义与连接主义的初步探索，人工智能逐渐形成了自己的研究体系和核心问题。

尽管这一时期的成就有限，但它揭示了一个关键事实：人工智能不仅仅是科幻小说中的幻想，而是可以通过科学方法逐步实现的目标。随着计算能力的提升和新算法的涌现，人工智能将在未来几十年迎来更加辉煌的发展阶段。