大家好，我是汪洋，也是这篇博客的所有人。接下来，我会更新一个新的类别 - 人工智能。大语言模型的出现，放大了信息爆炸。不安、忐忑、兴奋，各种情绪笼罩着职场人。这里我想说，有些信息 是夸大其词，有些则是鸵鸟心态。不可置否，大语言模型将会改写生产力。但是，它远远没有这么玄幻。不安、忐忑的一切都是因为不了解。前一段时间，我在自媒体上看到了一个博主（左歪歪的技能树），他通过代入视角的方式讲解人工智能，我觉得这种方式蛮有意思的。后面，我将利用这种视角，代入自己的理解，更新一册 “人工智能编年史”，希望大家能过拨开恐惧，正确的认识并利用人工智能，提高自己的能力边界，获得更好的幸福生活。大家一起加油！
一、符号主义的黄金年代
想象你身处 1956 年之后的那十几年。1956 年夏天，达特茅斯会议召开，"人工智能"这个词正式诞生。你是当时的研究者，面前是一台占据整面墙的计算机。在那个年代，你深信不疑一件事 —— 智能是由逻辑支撑起来的。
这不是你自己瞎想。你读过图灵的论文，听过香农的讲座，整个学界的主流认知是：人类大脑不过是一台更精密的计算机 —— 它接收输入，执行规则，产生输出。思考无非是一种高级的符号运算。
如果这是真的，那么造一个有智慧的机器就简单了：只要把人类的思考规则，一条一条写成机器能执行的符号操作就行了。
那个年代的乐观主义令人窒息。1958 年，Herbert Simon 公开预言：十年内，机器将能做人类能做的任何工作。1965 年前后，学界普遍相信，一代人的时间内，创造人工智能的问题将基本解决。你们管这种方法叫 "符号主义" —— 后来哲学家 John Haugeland 在 1985 年给它起了一个事后的绰号，叫 "老派人工智能"（Good Old-Fashioned AI, GOFAI）。
二、一个浓缩的隐喻：写规则识别猫
为了理解符号主义到底卡在哪里，我们用一个浓缩的故事来说明 —— 这个故事不是 1965 年某个真实项目的记录，而是对符号主义几十年困境的缩影式叙事。
你的导师给你布置了一个任务：造一个系统，让它能认出照片里的猫。你几乎没怎么犹豫——这有什么难的？猫不就是一种有特定特征的东西吗？
你开始用产生式系统（Production System）来搭建这个识别器。和简单的if-then 不同，产生式系统有条件匹配、有置信度权重、有推理引擎做正向链推导。但核心思路是一样的：把 "什么是猫" 的知识，一条条写成规则。
- 规则一：如果对象有毛发，且置信度超过阈值A，则可能是猫。
- 规则二：如果对象有四条腿，且置信度超过阈值B，则可能是猫。
- 规则三：如果对象有尖耳朵，且置信度超过阈值C，则可能是猫。
- 规则四：如果对象会发出"喵"的声音，则高度可能是猫。
- 规则五：如果对象眼睛在黑暗中会反光，则很可能是猫。
你把规则写到第二十条的时候，感觉自己像是在编写一部猫类百科全书。写到第五十条，你已经开始飘了——"我简直是在创造生命啊！"写到第一百条的时候，你开始觉得，也许再过几年，人类就不再需要思考了。
三、初期的成功
终于，你的猫识别系统 1.0上 线了。
你给它看一张标准的橘猫照片 —— 四条腿、毛茸茸、尖耳朵、正常的猫脸。程序运行了 0.3 秒，推理引擎综合各条规则的置信度，屏幕上跳出结果：
识别结果：这个图片是猫，置信度 98.7%。
表现非常棒。然后你又试了几张暹罗猫、英短、缅因猫——都是教科书式的标准猫——全都识别正确。你觉得这就是真正的智能。
四、无穷无尽的边缘情况
然而导师开始拿出各种"不标准"的照片来考你：
第一条裂缝：三条腿的猫
一只只有三条腿的猫。系统推理后输出：
非猫类生物，原因：腿的数量不等于四，规则二未触发。
你皱了皱眉。好吧，这是个边界情况，加个补丁就行了。你修改规则二，把"四条腿"改成"三到四条腿（考虑残疾情况）"。问题似乎解决了。
第二条裂缝：折耳猫
一只折耳猫。它的耳朵是圆的、塌下来的，像两个小饺子。系统输出：
非猫类生物，原因：耳朵形状非尖状，规则三未触发。
你叹了口气，继续打补丁。修改规则三，加入"折叠耳朵（苏格兰折耳猫变种）"的分支。
无穷无尽的新情况
- 然后是一只无毛猫——看起来像粉红色的外星生物，但它确实是猫。
- 然后是一只趴着睡觉的猫——根本看不到它有几条腿。
- 然后是一只黑猫——在暗色背景下，几乎分不清耳朵在哪里。
- 然后是一张画在纸上的猫——不会叫、不会动，但任何人类一眼就知道那是猫。
- 然后是一张毕加索风格的抽象猫画。
- 然后是一个猫形状的烤面包机。
五、真正的困境：知识获取瓶颈
你的程序疯了，或者说你快疯了。每解决一个问题，就会有三个新问题冒出来。代码从一百条规则膨胀到五百条、一千条、五千条。你发现了一个可怕的真相：规则永远写不完。
你以为自己在建造通天塔，但现实是你在往无底洞里倒水。世界不是由规则构成的——世界是混沌的、模糊的、充满例外的。而每一条你试图用规则捕捉的例外，都会引出十条新的例外。
这在 AI 史上有一个专门的名字，叫知识获取瓶颈（Knowledge Acquisition Bottleneck）。它和"组合爆炸"（搜索空间随输入规模指数增长）有关，但不是一回事。真正的问题是：人类常识里的绝大多数东西，是我们日用而不知的——我们知道"三条腿的猫还是猫"、"画在纸上的猫也算猫"、"猫形烤面包机不是猫"，但这些常识很难被穷尽地写成显式规则。
符号主义的根本困境就在这里：你可以把专家能讲出来的知识写成规则，但人类智能里最核心的那部分——常识、直觉、模糊判断——根本无法被形式化地罗列。
六、符号主义的衰落
你坐在实验室里，盯着屏幕上那片规则网络，突然感到了一种存在主义的失落。也许智能的核心根本就不是"显式的逻辑规则"——但这并不意味着智能不是逻辑。现代深度学习底层仍然是严密的数学（线性代数、概率统计、梯度下降），只是逻辑从"人类手写的符号规则"变成了"机器从数据中学到的分布式表示"。
历史的走向是这样的：
- 1960 年代末到 1970 年代初：符号主义的承诺不断落空，AI 遭遇第一次冬天， Funding 大幅削减。
- 1980 年代：专家系统短暂复兴（如 XCON），在特定窄领域取得商业成功，但很快撞上知识获取瓶颈的墙，泡沫再次破裂。
- 同期的另一条路线 —— 连接主义（神经网络）—— 并不好过。1969 年 Minsky 和 Papert 出版《感知机》，严格证明单层神经网络连异或（XOR）都解决不了，直接把神经网络研究打入寒冬近 20 年。
评论区