本文最初刊登于The Conversation。
1958年，《纽约时报》的一篇简短新闻报道深埋在报纸的角落里，报道了一台名为Perceptron、拥有新型电路的房间大小的计算机。报道援引美国海军的话说，Perceptron将催生出“能够行走、说话、看见、书写、自我复制并意识到自身存在的机器。”
六十多年后，关于当前人工智能的说法与当时如出一辙。那么，这些年发生了什么变化？从某些方面来看，变化不大。
人工智能领域自诞生以来就一直在经历一个繁荣与萧条的循环。如今，随着该领域再次迎来一轮繁荣，许多这项技术的支持者似乎已经忘记了过去的失败——以及失败的原因。虽然乐观情绪可以推动进步，但关注历史仍然很有价值。
由弗兰克·罗森布拉特发明的Perceptron，可以说是奠定了人工智能的基础。这台电子模拟计算机是一种学习机，旨在预测一张图片是否属于两个类别之一。这台革命性的机器布满了物理连接不同组件的线路。如今，支撑ChatGPT和DALL-E等熟悉的人工智能的现代人工智能神经网络是Perceptron的软件版本，只不过拥有更多层、更多节点和更多连接。
就像现代机器学习一样，如果Perceptron给出了错误的答案，它会调整其连接，以便下次能做出更好的预测。熟悉的现代人工智能系统的工作方式与之类似。利用基于预测的格式，大型语言模型（LLM）能够生成令人印象深刻的长篇文本回应，并将图像与文本关联起来，根据提示生成新图像。这些系统随着与用户的互动越多，就会变得越来越好。
人工智能的繁荣与萧条
在罗森布拉特推出Mark I Perceptron的十年左右时间里，像马文·明斯基（Marvin Minsky）这样的专家声称，到20世纪70年代中期到后期，“将拥有一台具有普通人类平均智能的机器”。但尽管取得了一些成功，却 nowhere to be found。人类般的智能却无处可寻。
很快就显而易见的是，人工智能系统对它们所讨论的主题一无所知。没有适当的背景和上下文知识，几乎不可能准确地解决日常语言中的歧义——这是人类轻松完成的任务。1974年，在Perceptron被认为失败之后，第一次人工智能“寒冬”，即幻灭时期，来临了。
然而，到了1980年，人工智能又重振旗鼓，第一次正式的人工智能繁荣达到了顶峰。出现了新的专家系统，这些人工智能被设计用来解决特定领域的知识问题，能够识别物体并从可观察数据中诊断疾病。还有一些程序能够从简单的故事中进行复杂的推理，第一辆无人驾驶汽车已准备好上路，而能够阅读和演奏音乐的机器人正在为现场观众表演。
但不久之后，同样的问题再次扼杀了人们的热情。1987年，第二次人工智能寒冬来临。专家系统之所以失败，是因为它们无法处理新颖的信息。
20世纪90年代改变了专家们解决人工智能问题的方式。虽然第二次寒冬的最终解冻并未带来官方的繁荣，但人工智能却经历了深刻的变化。研究人员正通过数据驱动的机器学习方法来解决知识获取问题，这改变了人工智能获取知识的方式。
这个时期也标志着神经网络式感知机的回归，但这个版本更加复杂、动态，最重要的是，它是数字化的。神经网络的回归，加上网页浏览器的发明和计算能力的提高，使得收集图像、挖掘数据以及分发数据集以进行机器学习任务变得更加容易。
似曾相识的论调
快进到今天，人们对人工智能进步的信心再次开始呼应近60年前的承诺。术语“通用人工智能”被用来描述大型语言模型（LLM）的活动，例如驱动ChatGPT等AI聊天机器人的模型。通用人工智能（AGI）是指与人类智能相媲美的机器，这意味着机器将具有自我意识，能够解决问题、学习、为未来做计划，甚至可能具有意识。
就像罗森布拉特认为他的Perceptron是构建有意识的、类人机器的基础一样，一些当代人工智能理论家也对当今的人工智能神经网络持有相同看法。2023年，微软发表了一篇论文，称“GPT-4的性能非常接近人类水平”。
但在声称大型语言模型展现出人类水平的智能之前，反思人工智能进步的周期性可能会有所帮助。许多困扰早期人工智能迭代的相同问题今天仍然存在。不同之处在于这些问题是如何表现的。
例如，知识问题至今仍然存在。ChatGPT在回应习语、隐喻、反问和讽刺时持续挣扎——这些独特的语言形式超出了语法连接的范畴，而是需要根据上下文推断词语的含义。
人工智能神经网络能够以惊人的准确度识别复杂场景中的物体。但如果你给AI看一张侧翻的校车照片，它将很有信心地97%的时间说它是一个扫雪机。
值得吸取的教训
事实上，事实证明，人工智能很容易被欺骗，而且是以人类会立即识别出来的方式。鉴于过去的发展情况，我认为这是一个值得认真考虑的因素。
今天的人工智能看起来与过去大不相同，但过去的问题依然存在。正如俗话所说：历史可能不会重演，但它常常会押韵。
