本文来自微信公众号：，作者：朱嘉明，头图来自：视觉中国（图为1951年阿兰·图灵（站立者）与同事在费兰蒂Mark I计算机前工作）
自1956年人工智能概念提出以来，人们就一直在不断地修改和补充它的内涵和外延。这种情况还会继续下去。为什么呢？因为人工智能既是科学，又是技术；既是信仰，又是实验，具有“形而上”和“物理”的双重性质，始终保持着“形而上”带动“物理”，再“物理”反馈“形而上”的互动模式。在20世纪的科技史上，无论是与相对论、量子力学等纯科学相比，还是与更倾向于实验科学的遗传学相比，人工智能的“形而上”与“物理”的互动特征都极其显著。
《易经》对此有经典定义：“形而上者，谓之道；形而下者，谓之气。”这里的“道”是指抽象的概念、观念、思维、哲学、逻辑，甚至精神；至于“气”，则是具体的、物质的应用与实践。
人工智能是先有“道”后有“器”。从哲学角度看，人工智能的发展史非常接近客观唯心论的原理：客观精神在其发展过程中，产生了物质世界，而不是相反。
本文主要探讨20世纪30年代至80年代人工智能从“形而上”到“物理”的演化特征，以及由此形成的思想运动，历经图灵（Alan Mathison Turing，1912—1954）、1936年的图灵机与1950年的“图灵测试”、MP模型（第一个神经网络模型）以及计算主义的演变。
一
图灵是人工智能核心思想的鼻祖，那是89年前的1935年，那年的初夏，图灵开始思考后人称之为“图灵机”的“自动机器”。1936年4月，图灵完成了论文《论可计算数及其在判定问题中的应用》。
本质上，图灵机是一种抽象的计算机模型，用虚拟机代替人进行数学运算，也就是用机器代替“计算器”来实现计算范围内的任意计算问题。图灵机对人工智能科学和计算机科学同样重要，因为二者密不可分：计算机科学的终点是人工智能，人工智能的载体是计算机。
如果深入分析图灵机，就会发现它的深层结构是数学。相关数学的核心问题是如何理解希尔伯特（David Hilbert，1862-1943）的“可判定性”（Entscheidunsproblem）。可判定性是指一个问题能否在有限的时间内通过一定的算法得到解决。图灵在可计算性问题上有着双重立场：一方面，他证明了希尔伯特的可判定性问题无解，另一方面，他把可计算性问题转化为直观可计算（有效可计算）的函数。
著名的“丘奇—图灵论题”可以用几种方式来表述：一切计算设备都相当于图灵机；人类按照算法进行的计算相当于图灵机；人类的智能相当于图灵机的能力。换言之，“丘奇—图灵论题”可以证明图灵机与可计算性的联系，证明图灵机可以实现在有限时间内求解某种算法。图灵机可以定义为一种计算和模拟算法逻辑的数学模型。“图灵机的出现是人类计算分析的结果，是一种编码。”
问题并没有结束，最终我们还是要回答图灵机的第一驱动力是什么？是确定性。
据安德鲁·菲利普·霍奇斯所著的图灵传记所述：“显然，图灵机与他早期对拉普拉斯决定论的一些思考有关。”图灵利用图灵机“创造了自己的决定论，在逻辑框架中讨论了思维是什么。”在创造图灵机的过程中，“他发现了一些有点像超自然的东西。”图灵“证明了任何人类计算器所做的工作都可以由机器完成。”图灵的图灵机自始至终都充满神秘感。
于是，1950年，图灵的《计算机器与智能》问世。在这篇人工智能史上具有开创性意义的文章中，图灵开篇就提出了这样一个问题：“机器能思考吗？”要做到这一点，就必须避免对“思考”有一个预先定义好的定义。之后，图灵提出并阐述了“模仿游戏”的思想实验，奠定了人工智能的理论基础——“图灵测试”。
他说：“通过适当增加存储和运算速度，并提供适当的编程，数字计算机是否能像人一样行事？”图灵对机器的未来充满信心，机器的发展会创造太多惊喜，学习型机器在各方面都能与人类相媲美。人们之所以不相信，是“哲学家和数学家特别容易持有的谬论造成的”。
其实，图灵的文章更加哲学，字里行间，他把机器能够思考作为一个概念，并赋予它一种基于科学论证的信念。
不管怎样，图灵在1936年至1950年间是始终如一的，他以形而上学的方式延续了他对人工智能的思考，这一时期也是“形而上学”主导人工智能的关键历史阶段。
二
1943年，沃伦·斯特吉斯·麦卡洛克和沃尔特·哈里·皮茨共同发表了论文《神经活动中思想的逻辑演算》，创立了麦卡洛克-皮茨模型，简称MP模型。这是人类首次通过模仿生物神经元的树突、轴突和细胞核，创造出人工神经元模型。
MP模型的基础理论是“理论神经生理学”。该理论基于以下基本假设：“神经系统中的神经元网络，每个神经元都有细胞体和轴突。它们的附属物，或称突触，总是位于一个神经元的轴突和另一个神经元的细胞体之间。神经元在任何时候都有一定的阈值，刺激必须超过这个值才能引发冲动。”“这种冲动从刺激点传播到神经元的各个部分。”基于这样的理论前提，MP模型证明了：“某种类型的（严格可定义的）神经网络在原则上可以计算某些逻辑函数。”
MP模型的创建，是因为生物学家麦卡洛克是神经生理学的先驱，知道神经元有兴奋和非兴奋两种状态，神经元突触也分为兴奋和抑制两种状态，也就是“全有或全无规则”。因此可以假设细胞脉冲对应二进制1或0两种模式。当然，神经细胞对输入刺激做出反应是需要时间的。
“麦卡洛克意识到，一系列神经元的活动可以用一系列逻辑命题来描述。他把这一系列神经元称为‘神经网络’。”要做到这一点，需要严格的逻辑术语。麦卡洛克需要数学家皮茨的参与。因此，在 MP 模型的深层逻辑，也就是现代数理逻辑中，我们可以看到威廉·罗素和阿尔弗雷德·诺思·怀特海的《数学原理》的深刻影响。
麦卡洛克和皮茨的工作最终验证了通过以神经元为代表的逻辑门来实现计算是可行的方法。麦卡洛克和皮茨把生理学上对神经的研究带入数学领域，并与逻辑相结合，开启了回归神经科学或脑科学实现机器智能的需要，成为当代神经网络的奠基人。
值得强调的是，麦卡洛克和皮茨还有更大的野心。他们认为，一切心理活动的关键方面“都可以从现有的神经生理学中严格推导出来”。皮茨明确表示，对于一个最初随机的神经网络，“随着神经元阈值的长期调整，这种随机性将逐渐让位于有序性，信息将随之出现。”
MP模型也是人工智能史上一个极其关键的“形而上”里程碑，至少在1956年人工智能大会上，它开始被纳入人工智能思想、理论和技术体系。
1958年，心理学家Frank Rosenblatt提出了感知器模型（Rosenblatt perceptron），它是在MP模型基础上发展起来的单层“神经网络”，是历史上第一个根据样本数据进行学习并形成正确权重参数的模型，这是MP模型由“形而上”走向“形而下”的一个例子。
三
到了20世纪80年代，从机器角度研究人工智能的理念、技术选择和实验已经相当普及和成熟，但从人类认知和心理角度证明人工智能的普适性尚无完备的理论和技术支撑。
计算主义正是在这样的背景下产生和发展起来的。计算主义的核心理念是，从物理世界、生命过程到人类认知，一切都是“可计算的”。算法是一种存在，存在就是算法。人们之所以把“计算”和“主义”结合在一起，是因为计算主义不仅包含科学，还包含信仰、价值观，甚至信念的元素。
作为一位认知科学家和哲学家，泽农·W·皮利辛将计算主义系统化、理论化，推动了认知科学的进步，在人工智能“形而上”思想的演进中发挥了不可替代的作用。1984年出版的《计算与认知》是皮利辛的代表作。
一般认为，计算主义的理论渊源可以追溯到古希腊的原子论、毕达哥拉斯和柏拉图主义，“万物皆数”是其基石。在《计算与认知》的前言中，佩里沙汉首先解释了其认知科学的性质，“我研究的核心问题之一，是如何有可能使人类（以及信息‘机器’等自然物种的其他成员）基于表征的行动，成为他们在物理上实例化这些表征的认知代码，以及他们的行为如何能够成为执行这些代码的操作的因果后果。由于这正是计算机所做的，所以我的提议相当于宣布认知是一种计算。”“如果我们将认知和计算视为同一属概念的物种概念，我们就可以得出一个重要而深远的结果。”
Paleyshire在《计算与认知》中的核心命题是：“计算是心理行为的实际模型而不仅仅是模拟。他引入了计算作为认知模型的概念，并进一步解释道，如果计算机程序可以看作是一种认知模型，那么这种程序必然与人们在认知过程中实际做的程序相对应。”人的认知与计算之间存在着强等价性，即所谓“强等价性”。强等价性就是算法等价性，体现的是计算模型与认知过程的一致性和对应性。
机器的计算状态可以对应到一组等效的物理状态，也可以对应到一组人类的认知。因此，强等价性的实现需要计算模型满足严格的条件，确保模型和认知过程在原理上是相似的。如果人类还没有实现心理计算，不能达到“强等价性”，并不代表“认知是一种计算”的主张动摇了，只能认为认知科学的发展还不完善，还没有达到物理语言的表达水平。目前，物理学可以提供最普遍、最成功的概念来描述物理世界。
在“认知是一种计算”几乎是公理的前提下，Perishain 探讨了认知的“表征”层面、认知的渗透性、从物理形式到符号的转化、心理表征和功能构造等问题。《计算与认知》第九章的标题是“结论：认知科学是关于什么的？”他的结论是：“认知科学的最终成功，如果成为现实，将不得不解释各种经验现象。它们将不得不与许多哲学相和解，并面对我们对有意义问题的前理论直觉。”换言之，认知科学的建立还有很长的路要走。
1985年，在《计算与认知》中分享了帕利·夏因核心思想的戴安娜·德意志（Diana Deutsch）强化了“物理世界是可计算的”这一论断，“任何有限可实现的物理系统总是能够被一个以有限方式运行的通用模拟机器完美地模拟出来”。
Dotsch 认为，算法或计算等纯抽象的数学概念本身就是物理定律的完整体现，计算系统不过是自然定律的自然结果，通用计算机的概念很可能是自然定律的内在要求。推而广之，物理可计算性的一个强命题是“宇宙是一台巨型计算机”。
在计算主义阵营中，数学家、逻辑学家、人工智能专家、计算机应用先驱亚瑟·沃尔特·伯克斯（Arthur Walter Burks）是重量级人物。伯克斯的代表作是《机器人与人类思维》，其核心思想是“一切都是数字”。“如果其输入是由外界给出的，任何在时间持续和空间延伸上有限的自然过程都可以被数字计算机模拟，并能满足任何指定的精度要求。”
伯克的思想并非受到卢克莱修·卡鲁斯的《物性论》和朱利安·奥弗雷·德·拉·美特里的《人是机器》的影响，而是更多地受到了戈特弗里德·威廉·莱布尼茨思想的影响。
甚至可以认为伯克也是莱布尼茨的信徒，“我们应该相信我们所发现和推动的世界的实在性。因为通过一次计算或通过验证，它并不难被证实。这类似于算术中的九回验证。”为此，需要引入字母这样的符号系统，因为字母信息是可以数学化的。
博克斯坚信计算机与形而上学并不对立，甚至意识、自由和道德“也存在于机器人和人类之中”，人类的一切推理，包括发现和验证，都可以通过“有限确定性自动机”转化为数字化运算，从而“实现人类的一切自然功能”。
Box 提出一个假设：如果人们能够建造出计算机，不仅能归纳性地验证经验陈述和推论，还能通过选择合适的语言符号来演绎性地验证这些陈述和推论，那么“这台计算机就构建了一个语言经验应用的美丽模型”。这不就是如今 GPT（OpenAI 开发的预训练语言模型）所代表的语言模型吗？
一方面，人的心理和思维活动是可以被计算的；另一方面，计算机也具备计算人的心理和思维活动的能力。如此一来，人与机器人的区别就消失了：人=机器人。
计算主义、心智计算主义一直饱受批判，但计算主义无疑是人工智能史上一股重要的“形而上”思潮，至今仍方兴未艾。
四
从上世纪 30 年代到 80 年代，有一群人以“形而上”的方式思考人工智能的原理。这群人的成员涵盖了广泛的学科，包括数学家、逻辑学家、心理学家、物理学家和哲学家。无论他们各自的专业如何，人工智能问题从未离开过他们的视野。
他们大多因师生、同学、同事而相识，在学术领域互相启发、交流、争论、欣赏，著名的“图灵机”就是由图灵的老师阿隆佐·丘奇命名的；希尔伯特则是约翰·冯·诺依曼的导师。
哥德尔和图灵对人工智能的理念不同，但哥德尔始终肯定图灵在人工智能领域的天才贡献。哥德尔承认图灵机抓住了“人机”的直觉，并将这一功劳归功于图灵。后来，在他为数不多的公开表态（文章或演讲）中，他多次支持图灵，措辞也几乎一致。
被提及最多的话，出自哥德尔1946年《普林斯顿大学200年》一文：“他（图灵）第一次成功地对一个有趣的认识论概念给出了绝对定义，这个定义不依赖于所选择的形式主义。”这里哥德尔提到的“绝对”，是指图灵机不是一个相对的概念，它不需要依赖其他机制，它是一种最基本的装置。
麦卡洛克和皮茨的MP模型提供了几乎唯一可以作为冯·诺依曼二进制设计存储程序概念的参考的技术思想。
而且主要集中在欧美极少数大学和机构：德国的哥廷根大学、柏林大学，英国的剑桥大学，美国的普林斯顿大学、麻省理工学院、芝加哥大学，美国的贝尔实验室等。比如20世纪30年代的剑桥大学，有希尔伯特、罗素、维特根斯坦、丘奇、哥德尔、图灵等人同时在那里教学、科研、学习；20世纪50年代的普林斯顿校园，也曾有爱因斯坦、图灵、冯·诺依曼、哥德尔、纳什、麦卡锡等人同时在那里教学、科研、学习；20世纪50年代的麻省理工学院，也曾有维纳、香农、皮茨等人一起做研究的日子。
特别的是，对这个群体来说，人工智能不仅仅是科学、实验科学和哲学，更是一种信仰和理想。罗素说：“尽管许多哲学家不断告诉我们人类有多么聪明，但我们的算术技能已不再是他们称赞我们的理由。”
香农回忆说：“我们曾有一个梦想。我和图灵曾经讨论过完全模拟人脑的可能性。我们真的能造出一台相当于甚至优于人脑的计算机吗？也许将来会比现在更容易。我们都认为这在不久的将来就会成为可能——10年或15年内。这在过去是不可能的。30年来没有人做到这一点。”
20世纪充满了各种科技突破与革命，但这些突破与革命基本局限于从基础研究到产业应用的各个领域，唯有人工智能引发了一场至少持续半个世纪的思想运动——一场融思想、哲学、科学、精神、灵魂于一体的思想运动。
AI技术体系、AI产业体系的形成，终究是AI思想运动的“溢出效益”。更令人震惊的是，AI思想运动在21世纪并未停止。语言模型背后，依然是蕴含“形而上”基因的深度学习理论；Sora（OpenAI研发的文本转视频生成模型）背后，是人们能够模拟真实物理世界的执着信念。
今年6月7日是图灵逝世70周年，本文以图灵在1950年出版的《计算机与智能》一书中的一句话作为结尾：“我们或许可以期待有一天，机器能够在所有纯智能领域与人类竞争。”这一天确实在加速到来，甚至指日可待。
