2.1 孕育期（1943-1955）：麦卡洛克-皮茨神经元模型、控制论与达特茅斯会议
现代人工智能的起源并非始于1956年的达特茅斯会议，而应追溯至更早的1940年代至1950年代中期。这一“孕育期”见证了数个关键思想与理论模型的诞生，它们从神经生物学、数学逻辑与工程控制等不同角度，为“人工模拟智能”这一构想提供了最初的理论基石与可行性论证。其中，麦卡洛克-皮茨神经元模型、控制论的兴起以及标志学科成立的达特茅斯会议，构成了奠定人工智能研究范式的三块核心基石。
2.1.1 麦卡洛克-皮茨神经元模型：计算神经科学的奠基与逻辑化愿景
1943年，神经生理学家沃伦·麦卡洛克与青年数学家沃尔特·皮茨在《数学生物物理学公告》上发表了题为《神经活动中内在思想的逻辑演算》的论文，提出了第一个神经网络的数学模型，史称“麦卡洛克-皮茨神经元”[1]。该模型的目标并非精确模拟生物神经元的所有生理特性，而是试图论证：基于简化神经元及其连接网络，可以实现通用的逻辑计算。
模型的核心形式化：M-P模型将神经元抽象为一个二值（“兴奋”或“抑制”）的逻辑单元。其基本假设如下：
- 神经元在离散时间步上运行。
- 每个神经元有多个输入连接，每个连接有一个权重wiw_iwi，取值为+1（兴奋性）或-1（抑制性），0表示无连接。
- 神经元对所有输入信号进行加权求和，并与一个固定的阈值θ\thetaθ进行比较。
- 神经元的输出yyy由阈值函数决定：当加权和大于或等于阈值时，神经元在下一时间步“激发”（输出1），否则“静息”（输出0）。该过程可形式化为：
y(t+1)=Θ(∑i=1nwixi(t)−θ) y(t+1) = \Theta \left( \sum_{i=1}^{n} w_i x_i(t) - \theta \right)y(t+1)=Θ(i=1∑nwixi(t)−θ)
其中，Θ\ThetaΘ是单位阶跃函数，xi(t)x_i(t)xi(t)是t时刻第i个输入的值（0或1），wiw_iwi是连接权重，θ\thetaθ是激发阈值。
理论贡献与深远影响：
- 神经活动的逻辑化：麦卡洛克和皮茨成功证明了，由这种简化神经元构成的网络，在适当的连接方式下，可以等价于一个有限自动机，进而能够实现任何命题逻辑运算（与、或、非等）和有限状态的计算[1]。这首次在神经活动与逻辑计算之间建立了严格的数学联系，为“大脑是计算机”这一隐喻提供了早期、具体的数学模型。
- 图灵完备性的预示：尽管论文未明确提及图灵机，但其论证表明，足够复杂的M-P网络原则上可以模拟任何有限逻辑电路，从而暗示了神经网络具有通用计算潜力。这一思想直接启发了冯·诺依曼在设计EDVAC计算机时的相关思考。
- 连接主义范式的源头：M-P模型确立了“智能源于简单单元通过连接形成的网络动态”这一核心思想，成为后来所有人工神经网络研究的直接理论先驱。它暗示了通过调整神经元之间的连接（权重），网络可以学习并实现复杂功能。
历史局限：M-P模型是一个静态的逻辑模型，缺乏学习机制（权重是预设的，不可调）和对复杂时空模式的处理能力。然而，其开创性意义在于，它将心智的研究从哲学思辨和纯生物描述，导向了基于数学和计算的模型构建。
2.1.2 控制论：反馈、目的与自适应系统的科学
几乎与M-P模型同时期，另一场深刻影响AI的思想运动——“控制论”正在兴起。其核心人物诺伯特·维纳在1948年出版的著作《控制论：或关于在动物和机器中控制和通信的科学》中，系统阐述了这一跨学科领域[2]。
核心思想：控制论研究的是动态系统中的信息流、反馈与控制。其核心概念是“反馈回路”：系统将输出信息的一部分“反馈”回输入端，与目标值进行比较，并根据误差调整自身行为，从而达成并维持一个预定目标或稳态。
- 负反馈：减少误差，用于稳定系统（如恒温器、生物体内稳态）。
- 正反馈：放大误差，可能导致系统剧变或自激振荡。
对AI孕育的关键启示：
- 目的论行为的机械化解释：控制论提供了如何用机械和电路实现“目的性”或“目标导向”行为的清晰框架。一个通过负反馈调节的系统，其行为表现出追求并维持某种状态的“目的”，这打破了机器只能被动执行固定指令的传统观念，为构建具有自适应能力的智能机器提供了工程蓝图。
- 信息作为核心概念：维纳强调，通信与控制问题本质上是信息处理问题。他将熵的概念引入信息度量，促进了信息论的发展。这使得智能研究从对“物质”和“能量”的关注，转向对“信息”和“组织”的关注。
- 跨学科方法论：控制论刻意模糊了机器、生物体和社会组织的边界，主张用统一的原理（如反馈、信息、稳态）来理解它们。这种整体性、系统性的视角，鼓励了从工程、生理学、心理学等多学科交叉来探索智能本质，为AI的跨学科研究奠定了基调。
控制论的思想直接催生了早期的一些“智能”机器尝试，如W. Grey Walter的“机器乌龟”（能模拟趋光性和避障行为），以及Claude Shannon的“迷宫老鼠”等。这些实践表明，即使是非常简单的反馈机制，也能产生看似复杂、有目的的行为。
2.1.3 达特茅斯会议：学科的命名与集体议程的确立
在上述思想积淀的基础上，1956年夏季，由约翰·麦卡锡、马文·明斯基、克劳德·香农以及纳撒尼尔·罗切斯特等学者共同发起，在美国达特茅斯学院举办了一场为期约两个月的研讨会。这次会议被公认为人工智能作为一门独立学科正式诞生的标志[3]。
会议提案与核心目标：在会议筹备提案中，麦卡锡首次明确使用了“人工智能”这一术语，以区别于当时已有的“控制论”和“自动机研究”。提案中写道：“该项研究建立在一种猜想的基础上，即学习的每一方面或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以制造一台机器来模拟它。”[3] 会议设定了雄心勃勃的目标，包括让机器使用语言、形成抽象概念、解决人类预留的各种问题，以及自我改进。
会议参与者与成果：与会者包括当时在逻辑理论、神经网络、信息论等领域最前沿的学者，如艾伦·纽厄尔、赫伯特·西蒙（他们带来了“逻辑理论家”程序）、阿瑟·塞缪尔（正在研究跳棋程序）等。尽管会议并未产生统一的理论或技术突破，但其关键成果在于：
- 统一了领域名称：“人工智能”这一名称被确立下来，标志着研究焦点从“模拟神经活动”或“实现反馈控制”，转向更抽象的“制造具有智能特征的机器”。
- 凝聚了研究共识：会议确立了AI研究的核心议程——通过计算模型来模拟人类智能的高级功能，如推理、学习、语言和问题求解。这使相关研究从一个松散的交叉学科话题，聚焦为一个有明确目标的独立科学领域。
- 展示了早期范例：纽厄尔和西蒙的“逻辑理论家”在会上展示，作为第一个能够自动进行逻辑推理、发现定理证明的程序，极大地鼓舞了与会者，证明用机器模拟人类符号推理是可行的，从而推动了之后20年“符号主义”AI范式的繁荣。
历史意义与局限：达特茅斯会议宣告了AI作为一个研究领域的开端，其乐观精神（认为智能的核心问题将在下一代人中解决）塑造了该领域的早期文化。然而，这种乐观也间接导致了后来因进展不及预期而面临的“AI寒冬”。会议主要关注符号和逻辑层面，相对忽视了感知、运动等“低层”智能问题，这一偏向对后续研究产生了深远影响。
本章节核心知识点总结
- 麦卡洛克-皮茨神经元模型首次为神经活动建立了严格的数学逻辑模型，证明简单的阈值神经元网络可实现逻辑运算，奠定了连接主义AI的理论基础，并启发了神经网络与通用计算关联的思想。
- 控制论将反馈、信息和目的性行为作为核心概念进行研究，为理解与构建自适应、目标导向的系统提供了统一的工程与科学框架，促使智能研究从静态结构转向动态过程，并强化了跨学科研究路径。
- 达特茅斯会议在历史上首次使用并确立了“人工智能”这一学科名称，通过凝聚顶尖学者并设定以模拟人类高级智能为核心的研究议程，标志着AI作为一个独立、统一的学术领域正式诞生。
- 孕育期的思想脉络呈现了从生物机制模拟（M-P模型）到系统行为控制（控制论），再到高级认知功能实现（达特茅斯目标）的逻辑演进，共同构成了人工智能学科诞生前的必要理论准备与共识构建。
参考文献
[1] MCCULLOCH W S, PITTS W. A logical calculus of the ideas immanent in nervous activity[J]. The Bulletin of Mathematical Biophysics, 1943, 5(4): 115-133.
[2] WIENER N. Cybernetics: or control and communication in the animal and the machine[M]. 2nd ed. New York: The MIT Press, 1961: 1-19.
[3] MCCARTHY J, MINSKY M L, ROCHESTER N, et al. A proposal for the Dartmouth summer research project on artificial intelligence[J]. AI Magazine, 2006, 27(4): 12-14.
