Fragments 0x0018
内容提要
文章以《This Too Shall Pass》为题回顾人工智能六十年：从达特茅斯会议、符号主义与连接主义之争，到两次寒冬，再到算力、数据、算法推动神经网络复兴。作者指出AI核心理论变化不大，机器“学习”与人类不同，公众对“智能”期待过高，应理性看待其局限。
延伸解读
“学习”一词的模糊性如何推高预期
文章借明斯基的“手提箱词”概念指出，“学习”“推理”等术语外延模糊，容易让公众把机器训练等同于人类学习。作者对比数据量：GPT-3使用数千亿token，而儿童听到的单词不排重不到一亿，说明人类靠抽象和泛化，机器靠参数调整。这种本质差异意味着，用人类“学习”的经验去理解AI，会自然抬高对“智能”的期待，也模糊了技术局限。
两次寒冬的循环模式与当下警示
文章总结前两次AI寒冬有相似路径：研究进展引发激动，产业加大投入，应用未达预期，行业进入低谷。作者没有断言今天会重演，但提醒当前对AI的期待同样可能过高。这一历史模式的价值在于，它把“技术突破”和“商业落地”分开看：突破不等于应用成熟，资本热度也不等于需求被满足。读者可据此更冷静地评估AI项目宣传。
神经网络复兴靠的是工程条件，而非理论突变
文章强调，这轮AI的核心理论几十年前已提出，真正推动神经网络成为主流的是算力、数据和算法三方面进展的综合。GPU被用于训练、互联网带来大量公开数据、Transformer架构被公开，这些条件让大规模训练成为可能。作者还提到数据来源存在“原罪”，即爬取数据未必获得授权。这提示读者：当前能力提升更多来自工程与资源，而非对智能本质的突破。
产品交互中缺失的“不可靠”提示
作者以ChatGPT为例，表达了对AI产品交互设计的不满：没有在流程中明确提醒用户“不要轻信”，推理过程难以溯源，出错后道歉也无助于解决问题。这指向一个实际风险：当用户高估AI可靠性时，可能把错误输出当作结论。文章并未否定AI的进展，而是强调产品应更诚实地暴露局限，让用户保持判断，而不是用拟人化交互掩盖不确定性。
Q&A
人工智能这个概念最早是在哪次会议上被正式提出的？
人工智能首次被正式公开使用是在60年前的达特茅斯会议上，该会议的正式名称是“人工智能夏季研讨会”。
符号主义和连接主义的主要区别是什么？
符号主义主张用符号、公理和逻辑体系搭建AI系统，推理过程可解释、错误可追溯；连接主义主张模仿人类神经元，用神经网络连接机制实现AI，但缺乏可解释性。
人工智能经历过几次寒冬？寒冬的模式是怎样的？
经历过两次寒冬。模式类似：研究取得进展，人们激动并抱高期望，产业界加大投入开发应用，应用未满足期望，行业进入低谷。
为什么说机器的“学习”和人类的学习不是一回事？
人类学习具有抽象和泛化能力，不需要大量数据；而机器如GPT-3训练使用数千亿token，普通儿童听到的单词不到一亿。机器“学习”本质是调参数，与人类学习完全不同。
神经网络再次成为主流是由哪些因素推动的？
主要归功于三方面进展的综合：算力（如GPU的使用）、数据（互联网带来大量公开数据）、算法（如Transformer架构的提出）。
公众对AI的“智能”期待过高体现在哪些方面？
文章指出，像“学习”这类词外延模糊，导致普通用户预期过高；此外，人类有将无生命物体视为有生命的倾向（Pareidolia现象），以及Eliza效应，都让人容易误以为AI具有智能。
