第1章 人工智能的过去、现在和未来

为什么先固定任务合同

、、、、、共同构成本页坐标。以智能体、环境、目标和反馈统一定义人工智能，再把符号主义、连接主义与统计学习放回三次浪潮的算力、数据和算法条件中比较。

人工智能系统容易出现“结果看起来合理，机制却不可复查”的问题。同一准确率可能来自不同数据切分，同一推荐可能由规则、相似度或反馈偏差造成，同一训练曲线也可能掩盖标签泄漏。学习本章时先固定任务、输入、输出、资源和评价口径，再谈算法名称；否则无法知道提升来自哪里，也无法在失败时定位责任。

本页采用原书2016年技术边界解释核心机制。现代大模型、向量数据库、边缘加速器和云平台只作为延伸对照，不会被反写成原书结论。每个目录主题都进入追溯矩阵，关联一份输入、一个算法前提、一项结构化产物、一个失败样本和一个回归断言。

建立历史坐标时可以画一张四列矩阵。第一列写系统试图完成的任务，例如定理证明、博弈、诊断、模式识别或自主行动；第二列写知识表示，是逻辑符号、产生式规则、状态空间、概率分布还是分布式权重；第三列写能力来源，是人工编码、搜索、统计估计还是从样本中学习；第四列写当时真正可用的评价证据。这个矩阵能解释同一“人工智能”标签下为何存在完全不同的工程路径：符号方法擅长显式约束与解释，却受知识获取和组合爆炸限制；连接主义减少人工规则，却依赖训练信号、优化与计算资源；统计方法能表达不确定性，但结论受分布假设和样本偏差约束。三种路线并非简单替代关系，实际系统常把它们组合使用。

评价历史系统时还要避免幸存者偏差。成功演示通常只展示适配任务和清洁输入，失败资料却揭示开放环境、常识、长尾样本和资源上限。可复查的历史判断应同时保存任务规模、硬件条件、训练或知识来源、允许的人类干预以及与当时基线的差异。这样既不会因今天的模型更强而抹去早期方法的贡献，也不会把早期口号当成已经实现的能力。

核心模型：从输入到证据

先选择一个可重复的小样本，例如商品推荐、图像分类、语音片段、文本检索或状态智能体。冻结原始数据摘要、标签方案、特征处理、随机种子和运行环境；再为每个阶段记录结构，而不仅是最终分数。规则系统保存触发链，状态模型保存转移轨迹，统计模型保存分布与残差，神经网络保存张量形状和训练曲线，分布系统保存分片、同步和失败重试。

task contract -> representation -> algorithm -> structured evidence -> decision

baseline = run(sample, mode="baseline", seed=17)
candidate = run(sample, mode="candidate", seed=17)
assert first_divergence(baseline.trace, candidate.trace) == predicted_stage

evidence = {input_version, assumption, intermediate_state, metric, failure_boundary}

分数只回答“在这一评价口径下表现如何”，结构证据回答“为什么得到这个结果”。两者必须配对。对概率或学习算法还要报告方差、校准和分布外样本；对搜索或优化算法报告最优性条件、停止标准和资源；对物联网或机器人报告延迟、能耗、降级和现实动作风险。

权威目录逐项讲解

第1章 人工智能的过去、现在和未来

人工智能不是单一算法，而是让机器在给定环境中感知、表示、推理、学习并采取行动的一组方法。可操作定义必须写出输入、目标、可用知识、资源约束和成功指标。

把“第1章 人工智能的过去、现在和未来”放入本章实验时，先在“界定任务”记录输入对象、假设、参数和预期结构，再进入“标注环境”只改变一个条件。若指标变化但结构证据没有按预测变化，先检查数据切分、状态版本、随机性和评价口径，不能把偶然分数当作机制成立。

验收这一主题需要同时回答四个问题：它表示什么信息，它依赖哪些前提，它产生什么可观察结果，它在什么边界失效。正常样本证明主路径，边界样本暴露容量或分布限制，失败样本只破坏一个条件，修复后必须从原始输入完整重放。

01 人工智能

黎明时期由形式逻辑、控制论、神经元模型、图灵机与图灵测试共同奠基。早期成果证明符号操作和学习机制可被计算，但搜索爆炸、知识获取和硬件限制很快暴露。

把“01 人工智能”放入本章实验时，先在“标注环境”记录输入对象、假设、参数和预期结构，再进入“选择表示”只改变一个条件。若指标变化但结构证据没有按预测变化，先检查数据切分、状态版本、随机性和评价口径，不能把偶然分数当作机制成立。

验收这一主题需要同时回答四个问题：它表示什么信息，它依赖哪些前提，它产生什么可观察结果，它在什么边界失效。正常样本证明主路径，边界样本暴露容量或分布限制，失败样本只破坏一个条件，修复后必须从原始输入完整重放。

02 人工智能的黎明时期

人工智能的发展经历乐观扩张、资金收缩和方法复兴。专家系统依赖知识工程，统计学习依赖数据分布，深度学习依赖表示学习、加速硬件与大规模训练，三者解决的问题并不相同。

把“02 人工智能的黎明时期”放入本章实验时，先在“选择表示”记录输入对象、假设、参数和预期结构，再进入“识别反馈”只改变一个条件。若指标变化但结构证据没有按预测变化，先检查数据切分、状态版本、随机性和评价口径，不能把偶然分数当作机制成立。

验收这一主题需要同时回答四个问题：它表示什么信息，它依赖哪些前提，它产生什么可观察结果，它在什么边界失效。正常样本证明主路径，边界样本暴露容量或分布限制，失败样本只破坏一个条件，修复后必须从原始输入完整重放。

03 人工智能的发展

人工智能不是单一算法，而是让机器在给定环境中感知、表示、推理、学习并采取行动的一组方法。可操作定义必须写出输入、目标、可用知识、资源约束和成功指标。

把“03 人工智能的发展”放入本章实验时，先在“识别反馈”记录输入对象、假设、参数和预期结构，再进入“比较范式”只改变一个条件。若指标变化但结构证据没有按预测变化，先检查数据切分、状态版本、随机性和评价口径，不能把偶然分数当作机制成立。

验收这一主题需要同时回答四个问题：它表示什么信息，它依赖哪些前提，它产生什么可观察结果，它在什么边界失效。正常样本证明主路径，边界样本暴露容量或分布限制，失败样本只破坏一个条件，修复后必须从原始输入完整重放。

常见失败与边界

本章回顾

以智能体、环境、目标和反馈统一定义人工智能，再把符号主义、连接主义与统计学习放回三次浪潮的算力、数据和算法条件中比较。 本章的验收不是记住术语，而是能够从固定输入预测中间状态，说明假设何时成立，在边界和失败样本上找到第一处分叉，并证明修复没有破坏正常路径。最终结论必须满足：任何历史结论都同时说明任务、表示、学习信号和评价标准，不能用今天的能力倒推早期系统，也不能把一次演示等同于通用智能。