电脑赢了世界冠军，为什么还认不出一只猫？

人工智能（AI）的基本概念与发展历程（上）

第 17 期 · 2026-10-10 · 2026-10-20 修订

1950 年，数学家图灵问：机器能思考吗？他把难题换成一个打字聊天的游戏，还预言大约 50 年后，不少人会分不清对面是人还是电脑。要走到那一天，人想出两种办法：一种把判断一条条写成规则教给电脑，它赢过国际象棋世界冠军；另一种让电脑从成千上万的例子里，自己找出规律。

艾伦·图灵（Alan M. Turing）是英国数学家，更被誉为“计算机科学之父”和“人工智能先驱”。1950 年，他在一篇论文里问：“机器能思考吗？”

图灵在这里说的机器，指的是电脑。可是，怎样才算“思考”？有人看重会不会推理，有人看重能不能理解语言。连意思都没有说定，怎样判断电脑做到了没有？

图灵换了一个可以实际检验的问题。他设计了一个游戏：让一个人只靠打字，同时和一台电脑、一个真人聊天，再判断哪一边是电脑。提问的人可以根据对方的回答继续问；隔着屏幕，看不到长相，也听不到声音，只能从文字里找线索。

今天人们说的图灵测试，就来自这个想法。它把判断落到了一件具体的事上：经过文字交谈，人能不能认出电脑？ 至于认不出来是否就说明电脑会思考，我们先把这个问题留下。

图灵还写下了一个预言：大约 50 年后，电脑会很擅长这个游戏。到那时，普通人和它聊 5 分钟，10 次里至少会有 3 次，把它当成真人。他预言的，是 2000 年前后。

他说对了吗？有了检验的办法，还得真的做出能跟人聊天的电脑。这样的本领，要从哪里来？

一些研究者有一个大胆的设想：人怎样学习、怎样推理、怎样使用语言，如果能把这些过程描述得足够清楚，就有可能让电脑也做出来。

1955 年，美国的约翰·麦卡锡等研究者提出了一份计划：召集一批科学家，争取用一个夏天，在让电脑使用语言、解决难题等问题上取得突破。他们为这项研究取名 Artificial Intelligence，中文叫人工智能，简称 AI。

第二年夏天，研究者们在美国达特茅斯学院聚到一起，交流让电脑解题、下棋的办法。这就是著名的达特茅斯会议，通常被看作 AI 作为独立研究领域诞生的标志。

下棋要判断走哪一步，识别照片要分辨里面是什么，聊天要处理别人说的话。事情各不相同，却有一个共同的问题：人拥有的这些本领，能不能让电脑也拥有？研究怎样让电脑具有识别、推理、使用语言等本领，就是人工智能研究。

因此，AI 是一个研究领域的名字。下棋的程序、识别照片的系统、聊天产品，都可以是这个领域的成果。日常说“这个 AI 会聊天”，是在用 AI 称呼具体的系统；聊得像人，是其中一种本领。

研究方向有了，具体怎么办？先来看一种办法：人把判断和处理问题的规则写给电脑。

一种办法：人把规则写给电脑

你想让电脑识别照片里的猫。它该看哪里？耳朵、胡子，还是毛的颜色？假设你想出一条判断办法：“有尖耳朵和长胡子的，就是猫。”接着，人要把怎样找耳朵、怎样看胡子、满足什么条件就判作猫，写成电脑能执行的指令。这组指令，就叫程序。

和孩子们聊这件事时，毕糯蚺在屏幕上画了一张猫脸。我请毕糯蚺去掉 1 只耳朵。画改了，我仍然认得出是一只猫。

可如果程序只认“有 2 只尖耳朵和长胡子”这条规则，少了 1 只耳朵，就不符合条件了。是这张画不再像猫，还是这条规则漏掉了一种情况？

人可以继续补规则。可换成照片，有的猫耳朵折了下来，有的只拍到半张脸，又会遇到没考虑过的情况。你还能看出哪些线索？要把这些线索怎样配合、什么时候管用，也一条条写清，就难多了。

用人设计的规则实现 AI，需要人先把判断办法说清，再写进程序。 难处恰恰在这里：有些本领，你自己一眼就会，却说不清每一次究竟怎样判断。

识别猫的例子，让我们看见了“把人的本领说清楚”有多难。从达特茅斯提案算起，十几年过去了，早年一些乐观的预计仍没有实现。继续探索需要钱，支持研究的机构也需要了解：已经做成了什么，哪些研究值得继续支持？

在英国，负责资助科研的科学研究委员会，委托数学家詹姆斯·莱特希尔评估 AI 研究，帮助它作出资助决定。1973 年发表的报告，对让电脑使用语言等研究提出了尖锐批评，认为成果没有达到早先许诺的程度。

报告引起了很大争议。前面写达特茅斯提案的麦卡锡就写文章反驳，认为 AI 已有的进展被低估了。但在英国，许多人对 AI 研究的信心已经动摇，给研究的钱也大大减少。后来，人们把这种信心下降、研究经费减少的时期，叫作 AI 寒冬。

从盼望一个夏天取得重大进展，到十几年后连研究是否值得支持都受到质疑，让电脑拥有这些本领，比早先一些人预计的难得多。不过，研究并没有停下来。人写规则的办法，后来就在国际象棋上做出了很亮眼的成绩。

说到下棋，我还被孩子纠正了一回：讲中国象棋时，我把蹩马腿说成了别马眼。孩子提醒后，我改了口，也道了谢。一句熟悉的口诀，大人也可能说错。真要让电脑下棋，哪些走法允许、哪些不允许，都得在程序里交代清楚。

不过，知道哪一步可以走，还不等于知道哪一步走得好。换到国际象棋，电脑怎样从许多合规的走法里选出有利的一步？

1996 年，IBM 公司的电脑深蓝挑战国际象棋世界冠军卡斯帕罗夫。首局，深蓝赢了。可卡斯帕罗夫随后扳回，赢下了那场 6 局比赛。

IBM 团队继续改进深蓝，第二年再次挑战。1997 年，双方又下了 6 局，这一次深蓝赢下了整场比赛。

深蓝在国际象棋棋盘上，战胜了世界冠军。

人怎样把下棋的判断交给深蓝？研究者把哪些棋子更重要、什么样的局面更有利等判断标准，写进程序。遇到一个棋局，深蓝会把许多种走法往后推算：这一步下完，对手可能怎样应对，后面又会出现什么局面？再按那些标准比较。

这里，人提供判断标准和推算的程序，电脑根据眼前的棋局计算、选择。人不用事先写好每一盘棋的每一步。深蓝凭借这样的配合，赢了世界冠军。

人设计的判断标准，配合电脑的大量推算，能做成复杂的事。 但识别猫留下的困难还在：如果人很难把规则写全，能不能换一种教法？

另一种办法：机器学习，让电脑从例子里学

规则难写全，能不能给电脑看许多例子，让它自己找规律？这个想法很早就有人尝试，与人写规则的研究同时进行。图灵在 1950 年那篇论文里就提过：与其直接做一个模仿大人头脑的程序，不如做一个模仿孩子头脑的程序，再去教它。

怎样从例子里学？用一件小事比一比。你想从一堆邮件里找到朋友发来的出游邀请，可里面混着不少垃圾广告。

先写一条规则：“写着‘中奖’的邮件，就是垃圾广告。”可朋友也可能写：“我中奖了，周末一起去庆祝吧！”只凭这 2 个字，朋友的邮件也被拦住了。改了这条规则，以后遇到新的说法，还可能漏掉、拦错。

这次，人换一种东西交给电脑：许多已经分好类的邮件。每封邮件旁边，都写着它是“正常邮件”还是“垃圾广告”。下面编几封作例子，真正训练时用的邮件会多得多。

人还要编写一个能从例子中找规律的程序。例如，它可以比较词语在两类邮件里出现的情况：“恭喜中奖”“点击领取”在广告里常不常见？“周六”“公园”“朋友”又怎样？这些线索与类别的联系，要从许多邮件中计算出来。

让程序利用这些例子学出规律的过程，叫训练。训练得到的、用来判断邮件类别的模型，叫分类模型。

接下来，一封没见过的新邮件到了。人不再事先告诉它类别，程序要使用训练好的模型，判断这封邮件更像哪一类。模型可能把朋友的邀请判断对，也可能仍被“中奖”两个字误导。要用没见过的邮件试，才知道它学得怎样。

回头比较：第一次，人交给电脑的是“出现‘中奖’就拦下”这条规则；第二次，人交给电脑的是分好类的例子，以及从例子中学习的程序。后一种办法里，具体怎样判断，是从例子中学出来的。

这就是机器学习，英文 Machine Learning，简称 ML：让电脑通过程序，从资料或经验中学出规律。人仍要准备资料、安排训练；“自己学”说的是判断规律的来处。

再回到毕糯蚺的猫脸。用从例子里学习的办法，可以给程序准备许多不同的猫和其他动物的图片，标明每张是什么，再安排训练。训练好的模型能不能认出少了 1 只耳朵的猫，还得拿没见过的图片去试。看过很多例子，也不保证每次都认得出来。

早在 1950 年代，IBM 的阿瑟·塞缪尔就写了一个下跳棋的程序，让它记下棋局、用这些经验改进判断。它自己跟自己下了几千盘，越下越好。塞缪尔在 1959 年的论文里，就用了“机器学习”这个说法。

不过，有了这个想法，还需要足够多的例子、足够强的计算能力，才能把许多难题做好。早年这两样都不够，进展也受到限制。

到了 2012 年，从照片里识别东西这件事有了明显进展。那一年有一场比赛，让程序识别照片里的东西，一共 1,000 类，从各种小狗到各种汽车。获胜的程序用到了一个从大量照片里训练出来的模型，识别错的比第二名少了很多。

前面说，识别照片里的东西，人很难把规则写全。现在，研究者用大量照片训练模型，做出了更好的判断。有些难以一条条写出的本领，可以从例子里学出来。

总结与回顾

从图灵的问题出发，我们认识了人工智能这个研究领域，也看清了让电脑拥有本领的两种办法。它们各自在回答不同的问题：

两种办法都站上过棋盘。下一篇，同样赢了顶尖棋手的 AlphaGo 和深蓝要放在一起比一比：判断的本领，到底是人事先写进去的，还是从棋局里学出来的？再往下，电脑还要从棋盘走进聊天框，去回应图灵 70 多年前留下的预言。