人工智能博弈时代突破，大放异彩！

在取得了初步阶段的胜利之后，有关人工智能的开发和研究在科学界逐渐兴起。短短数年时间，人类对于智能化操作、生产的开发从无到有，在一定程度上掀起了“人工智能热”。在这一时期内，人工智能在初级化工业应用以及简单的实验性研究领域表现得异常活跃。

就在人工智能的浪潮空前高涨之时，几位当时还名不见经传却在事后被证明为伟大先驱的学者相聚美国达特茅斯学院，展开了一场研讨会。他们是40岁的数学家克劳德·香农、28岁的约翰·麦卡锡和马文·明斯基、39岁的赫伯特·西蒙等。参加研讨会的学者一共有10名，他们的年龄大都在25-40岁之间，除了香农之外，其余9人都属于业内的后起之秀。但就是这样一群看起来非常稚拙、不成熟的学者，在聚会上提出的三大猜想，却极大地补充和完善了有关于人工智能的理论基础。

首先是明斯基提出的神经网络理论，他试图通过数字建模，在计算机内部设立一个可以自主识别、判断的网络模型。为了印证自己的观点，明斯基还和朋友一起制造出了一台神经网络计算机“SNARC”。按照他的设想，人脑模型是可以复杂的，假如人类可以利用技术手段，将人体大脑思维机制引入到计算机运算当中，就可以让计算机也“学会思考”。

明斯基的神经网络理论在后来被证明是非常正确的，正是通过对于人脑工作机制的数字化建模，人们才能够制造出更多高性能的机械生命体。或许从当时而言，用数学方程式和函数运算来模拟人脑思维，是一个令人笑掉大牙的玩笑，但很显然，明斯基做到了这一点。

第二个在会上被热议的是麦卡锡的“搜索法”原理。从理论核心上来说，“搜索法”强调“在选取了最优方案的情况下，允许忽略那些未来不会发生的方向和结果”。对于“搜索法”的解析，我们可以借用“雇主博弈”的事例来说明。

在这场博弈当中，A和B分别代表两名不同的人，其中A为雇主，B为雇工，他们之间的博弈关系，就是劳务佣金。按照规定，A将两种不同的佣金方案装在两个不同的布袋里交给B，由B来选择抽取。而对于这两套不同的佣金方案，我们假设第一个布袋里装的是“10元/小时”和“20元/小时”；第二个布袋当中装的是“8元/小时”和“15元/小时”。

当B抽取第一个布袋时，假设他拿到了“10元/小时”的方案，接下来他再抽取第二个布袋。而这一次的抽取，是需要和第一个布袋当中的结果进行比较的。也就是说，如果第二个布袋当中抽到的最小的方案都能大于“10元/小时”，那么雇工肯定就会放弃方案一而选择方案二；假如这个布袋当中抽到最大的方案都在“10元/小时”以下，那么第二个布袋肯定就不会是雇工的考虑范围了。也就是说，在一次搜索过程中，探索结果低于或者超过既定值，本次搜索就会停止。

在一部分人看来，麦卡锡的理论是相对空洞、抽象化的。但事实证明，这一套选择理论对于人工智能的推动作用非常大。正是在“搜索法”的帮助下，人工智能体才能够在面对不同选择时，快速寻找到一个相对优良的选项，最终完成服务器指令的。(www.xing528.com)

达特茅斯学院会议的第三个重要论点是西蒙和艾伦·纽维尔提出的“逻辑理论家”程序。事实证明，这一套能够进行非数值思考的程序，能够从理论角度印证由勃兰特·威廉·罗素主编的《数学原理》第二章的大部分定理。

历史证明，这一次研讨会对于人工智能的发展带来了巨大的推动作用。本次参与会议的10名青年学者也在随后大放异彩。自1969年明斯基首度荣获图灵奖表彰之后，麦卡锡、纽维尔、西蒙三人也相继登上图灵奖的领奖台。这不仅仅代表着明斯基等人个人的辉煌成就，也象征着人工智能在理论研究方面的巨大成果。

很显然，达特茅斯会议对于当时尚在襁褓之中的人工智能带来了强大的理论设想和科学依据。在这些重要理论的帮助下，无论是理论创新还是生活应用，人工智能都取得了长足的进步。随后，赫伯特·格伦特尔借用前人的理论，发明了一种可以辅助计算几何定理的工具模型。在这一套数学工具当中，诸多难点突出、逻辑缜密晦涩的专业定理都能够被快速解析出来。从一定程度上来说，格伦特尔的发现让那些固守陈规的“学院派”工作者开始反思，而学术界的广泛接受，则为人工智能的理论开发寻找到了更为广阔的理论源泉。在随后的数十年时间里，越来越多的大学教授以及高等人才都涌入了这个行业当中，将整个人工智能行业快速推向了百花齐放的繁荣境地。比如，杰姆斯·史格莱尔利用智能化编程制造了SAINT程序，它能够快速解析大学一年级的闭合式微积分公式；明斯基则更进一步，他研制出了一个能够搭建积木的机器人……

或许从实际功用角度上来说，格伦特尔推出的这一套数学工具并不具备多么强大的应用功能，但它却从另外一个层面加速了世界对于人工智能的了解和认知。纽维尔说道：“格伦特尔的几何定理计算工具，让人工智能走进了大学校园，它的意义不仅仅是一个数学工具那么简单，而是说很多高端人才受此影响，这一批精英人才的认同和加入，让整个行业都迅速走向了繁荣。”

除了精英阶层的广泛认可之外，人工智能同样在自主学习方面展示出了强大的潜力。著名工程师阿瑟·塞缪尔编写出了一道关于西洋棋谱的程序，根据这道编程的引导，人工智能体能够识别并学习棋谱相关知识，其竞技水平甚至能够与普通的职业选手相抗衡。塞缪尔的成果从事实的角度印证了智能机器强大的学习潜力，不少人甚至千里迢迢赶赴塞缪尔的工作室，请求与“机器人棋手”一决高下。可以说，“AI可以学习棋谱，与人类对弈”这一个事实，再一次重塑了人类对于人工智能的认识。在此之前，科学界更多关注的是人工智能“可以在人类的规定下做些什么”，而能够学习棋谱、做出各类自主化预测、判定的AI，则让科学界对于人工智能的探索上升到了一个更高的层次。在此之后，大量智能化程序引导、拥有各种优良性能的智能产品纷纷涌现。一片繁华盛景下，西蒙这位后来的诺贝尔经济学奖获得者，在初步认识到人工智能的强大潜力之后，于1962年兴奋地欢呼道：“20年之内，计算机将做到人类目前能够做的一切事情！”请注意，他强调的是“一切事情”，包括生产劳动、技术开发，甚至是生存繁衍。1970年，在人工智能领域已经大有所成的明斯基也果断预言：“3-8年时间，人类将研发出与自己智力相当的计算机。”

更有甚者，美国著名刊物《时代》杂志都探讨了由智能机器人引发的全球化大失业问题。在这篇文章当中，人们可以清晰地看到，如果使用机器人工作，企业主不单单能够获得因效率提升带来的收益，同时还可以大幅度降低劳务成本。虽然从事实角度来说，《时代》杂志所预测的机器人取代人力并没有发生，但当时社会各界对于人工智能的热情和期望，还是可见一斑的。

可以说，达特茅斯学院会议为人工智能带来了难以估量的发展动力。在这一次会议上，众多致力于AI科技的青年才俊涌现出来，并借助会上探讨的理论展开了新一轮的人工智能探索。在这些科技精英的全力推动下，人工智能逐渐被社会各界接受和认可。在格伦特尔的几何定理证明模型的带动下，一大批高水平学者开始研发、推广各类AI技术。同时，塞缪尔推出的可以与人对弈的智能体，也极大地拓展了人类对于人工智能的认知。在短短10余年时间里，AI技术确实被推上了新高度，也迈上了更为广阔的舞台。