早期的热情，巨大的期望（年—年）

1.3.3 早期的热情，巨大的期望（1952年—1969年）

在AI研究的早期充满了成功——在有限的范围内。只有原始的计算机和当时的程序设计工具，并且仅仅在几年前计算机还被视为只能做算术题的东西的情况下，计算机哪怕能做任何聪明一点点的事情都是令人震惊的。大体上，主流的思维观念更愿意相信“一台机器永远不能做X”。（参见第二十六章中图灵搜集的一份关于X的长长的清单。）AI的研究者们自然地做出反应，演示一个接一个的X。约翰·麦卡锡把这段时期称为“惊叹”时期（人们见到机器取得的成就会惊讶地说：“看哪，我的妈啊，它没有手！”）。

通用问题求解器（GPS）延续了纽厄尔和西蒙早期的成功。不同于逻辑理论家，这个程序的设计是从模仿人类问题求解的规程开始的。在它能处理的有限类别的问题中，它显示出程序决定的子目标以及可能采取的行动的次序，与人类求解同样问题是类似的。因此，GPS很可能是第一个实现了“像人一样思考”方法的程序。GPS以及作为认知模型的后继程序的成功引导纽厄尔和西蒙写出了著名的物理符号系统假设，宣称“一个物理符号系统具有必要和足够的方式产生一般智能行为”。他们的意思是任何显示出智能的系统（人类或者机器）必然是通过对由符号组成的数据结构进行处理来发挥功能的。我们后面可以看到这个假设在多方面遭到了挑战。

在 IBM 公司，内森尼尔·罗切斯特和他的同事们制作了一些第一代 AI 程序。Herbert Gelernter （1959）建造了几何定理证明机，能够证明令许多数学系的学生都感到挠头的定理。从1952年开始，阿瑟·萨缪尔写了一系列西洋跳棋程序，最终通过学习达到了业余高手的级别。在这个过程中，他反驳了认为计算机只能做人让它做的事情的观念：他的程序很快就学会下得比其创造者更好。这个程序于1956年2月在电视上进行了演示，给人留下非常强烈的印象。就像图灵一样，萨缪尔很难找到机时用。他在夜间工作，使用的机器是仍在IBM的生产车间里测试的计算机。第六章讨论了博弈，第二十一章则描述和延伸了萨缪尔使用的学习技术。

约翰·麦卡锡从达特茅斯搬到了MIT，在一个历史性的年份1958年做出了三项至关重要的贡献。作为MIT 人工智能实验室的备忘录的第一条，麦卡锡定义了高级语言Lisp，成为占统治地位的人工智能程序设计语言。Lisp是现在仍在使用的第二古老的主流高级语言，比FORTRAN语言晚一年。有了Lisp，麦卡锡就拥有了他所需要的工具，但是访问稀少而昂贵的计算资源仍然是个严重的问题。作为回应，他和其他MIT的人发明了分时技术。同样在1958年，麦卡锡发表了题为《使用常识的程序》（Programs with Common Sense）的论文，在文中他描述了建议采纳者（Advice Taker），这个假想程序可以被视为第一个完整的人工智能系统。如同逻辑理论家和几何定理证明机，麦卡锡的程序也是设计来使用知识求解问题的。不过不同于其它的系统，它包含了世界的一般知识。例如，他展示了一些简单公理如何使得程序能产生一个开车到机场赶飞机的计划。该程序还设计成可以通过普通的操作教程接受新的公理，从而允许它在新领域里未经重新编制程序的情况下获得能力。这样建议采纳者就实现了知识表示和推理的中心原则：具备对世界以及对智能体的行动影响世界的方式的形式化的、明确的知识表示，并能够通过演绎过程处理这些表示，是非常有用的。值得注意的是这篇发表于1958年的论文有相当多的部分甚至到今天仍有重要意义。

1958 年也是马文·明斯基搬到 MIT 的年份。不过他和麦卡锡最初的合作并未延续下去。麦卡锡着重研究形式逻辑里的表示和推理，而明斯基对如何使程序运转起来更感兴趣，并最终发展出反逻辑的观点。1963年，麦卡锡启动了斯坦福的AI实验室。他用逻辑学方法建造超级建议采纳者的计划被J. A. Robinson关于归结方法（一阶逻辑定理证明的一个完整算法；参见第九章）的发现所改进。斯坦福的工作着重于逻辑推理的通用方法。逻辑学的应用包括Cordell Green的问题解答和规划系统（Green， 1969b），斯坦福研究院的Shakey机器人计划。后者第一次演示了逻辑推理和物理行为的完整集成，将在第二十五章中进一步讨论。

明斯基指导了一系列学生，他们选择研究显然需要智能才可以解决的受限问题。这些受限领域被称为微世界。James Slagle的SAINT程序（1963a）能够解决一年级大学课程中典型的封闭型积分问题。Tom Evans的ANALOGY程序（1968）能够解决出现在IQ（智商）测试中的几何类推问题，诸如图1.4中的问题。Daniel Bobrow的STUDENT程序（1967）可以求解代数故事问题，诸如下面的问题：

如果汤姆招揽到的顾客数目是他做的广告数目的20％的平方的两倍，他做的广告数目是45，那么汤姆能招揽到多少顾客？

图1.4 Evans的ANALOGY程序解决的一个问题实例

最著名的微世界是积木世界，由一组实心积木组成，放置在桌面上（或者更经常地，一个模拟的桌面），如图1.5所示。这个世界的典型任务是使用一个每次只能拿起一块积木的机械手按照特定方式摆放积木。积木世界是很多研究工作的源泉，包括戴维·哈夫曼（David Huffman）的视觉项目（1971）， David Waltz的视觉和约束传播研究工作（1975），Patrick Winston的学习理论（1970），Terry Winograd的自然语言理解程序（1972），和Scott Fahlman的规划器（1974）。

图1.5 积木世界的场景。SHRDLU（Winograd，1972）刚好完成了一条命令，“找到一块比你拿着的那块高的积木并把它放到盒子里

基于 McCulloch 和 Pitts 的神经元网络的早期工作也取得不少成果。Winograd 和 Cowan 的工作（1963）显示出可以如何使用很多单元共同表示一个单独的概念，相应地提高系统鲁棒性和并行性。海布的学习方法被加以改进，如Bernie Widrow，他称自己的网络为适应机（Widrow和Hoff，1960；Widrow， 1962），以及Frank Rosenblatt的感知器（1962）。Rosenblatt证明了感知器收敛定理，显示出他的学习算法能够调整感知器的连接强度以匹配任何输入数据，如果存在这样的匹配的话。这些话题将在第二十章中讨论。