返回前世今生 · AI 时间轴
✦ 改变世界的夏天 ✦
1956

达特茅斯会议

AI 正式启航

地点 达特茅斯学院 · 汉诺威 · 新罕布什尔州
时长 约 6—8 周
发起人 McCarthy · Minsky · Shannon · Rochester
↓ 向下滚动探索 ↓

一个改变世界的提案

1955年,四位年轻的科学家向洛克菲勒基金会提交了一份前所未有的研究提案——

约翰·麦卡锡(达特茅斯大学数学系助理教授)、马文·明斯基(哈佛大学初级研究员)、 克劳德·香农(贝尔实验室)、纳撒尼尔·罗切斯特(IBM)联名向洛克菲勒基金会提交了 《关于举办达特茅斯人工智能夏季研讨会的提议》。提案中写道:

"学习或智能的任何其他原则上可以被精确描述的特征,从而可以被机器来模拟。" — 达特茅斯提案原文

1950年代中期,多个领域同时出现了突破性进展:图灵提出了"机器能思考吗"的哲学命题(1950); 香农创立了信息论(1948),证明了所有信息都可以用0和1编码; McCulloch 和 Pitts提出了数学神经元模型(1943); 冯·诺依曼架构让通用计算机成为现实(1945); 晶体管的发明正在引发半导体革命(1947)。 这些突破汇聚在一起,让一小群科学家隐约感觉到:用机器模拟智能,或许真的可行。

麦卡锡后来回忆,他的核心想法是:把"智能"这个模糊概念变成一个可以精确研究的科学问题。 他提议用一个暑假的时间,召集10位最聪明的头脑,在新罕布什尔州达特茅斯学院的校园中闭门研讨, 看看能不能取得"重大进展"。这个目标在今天看来近乎傲慢——但正是这种傲慢,点燃了一个时代。

达特茅斯会议最著名的合影。但照片中的人远不止四位发起人——那个夏天, 一批将塑造未来半个世纪AI走向的头脑汇聚在了新罕布什尔州的校园里。

达特茅斯会议经典合影(1956年夏)
雷·索洛蒙诺夫
Ray Solomonoff
核心参与者
算法信息论先驱,提出归纳推理的概率框架
约翰·麦卡锡
John McCarthy
发起人
"人工智能"一词命名者,Lisp语言发明人,图灵奖得主
马文·明斯基
Marvin Minsky
发起人
MIT AI实验室联合创始人,框架理论提出者,图灵奖得主
奥利弗·塞尔弗里奇
Oliver Selfridge
核心参与者
机器学习之父,提出"泛魔"模式识别模型
艾伦·纽厄尔
Allen Newell
核心参与者
逻辑理论家开发者,物理符号系统假设提出者,图灵奖得主
赫伯特·西蒙
Herbert A. Simon
核心参与者
诺贝尔经济学奖得主,通用问题求解器(GPS)提出者
克劳德·香农
Claude Shannon
发起人
信息论之父,证明所有信息可用0和1编码
纳撒尼尔·罗切斯特
Nathaniel Rochester
发起人
IBM 701首席设计师,编写首个汇编程序
从左到后排:Solomonoff · McCarthy · Minsky · Selfridge · Newell
前排(从左):Simon · Shannon · Rochester
注:还有 More、Rosenblatt 等人也参与了会议的不同阶段 · 鼠标悬浮照片可查看人物介绍
会议发起人(全程参与)
核心参与者
阶段参与者 / 嘉宾
约翰·麦卡锡
约翰·麦卡锡
Dartmouth College · 数学系
发起人
MM
马文·明斯基
Harvard University · Junior Fellow
发起人
CS
克劳德·香农
Bell Labs
发起人
NR
纳撒尼尔·罗切斯特
IBM · 首席设计师
发起人
AN
艾伦·纽厄尔
RAND Corporation · Carnegie Tech
核心参与者
HS
赫伯特·西蒙
Carnegie Tech · 工业管理系
核心参与者
RS
雷·索洛蒙诺夫
MIT · 电子研究实验室
核心参与者
OS
奥利弗·塞尔弗里奇
MIT · Lincoln Laboratory
核心参与者
TM
特伦查德·莫尔
IBM
阶段参与者
FR
弗兰克·罗森布拉特
Cornell University · 心理学系
阶段参与者
纽厄尔和西蒙带来了逻辑理论家(Logic Theoret)——会议上最令人印象深刻的实际成果;
索洛蒙诺夫提出了归纳推理的概率框架,开创了算法信息论的先河;
罗森布拉特带来了感知机的早期构想,为连接主义埋下了种子;
塞尔弗里奇展示了泛魔(Pandemonium)模式识别模型——一种并行处理的全新范式。 — 达特茅斯会议的学术遗产

达特茅斯提案 · 七个议题

从七条议题到参天大树 — 每一个议题都在此后70年里生长为独立的学科分支

1956
达特茅斯夏季研讨会
Dartmouth AI Summer Proposal
01
自动计算机
Automatic Computers
如何设计能自动计算的机器?
→ 算力基础设施 AI芯片
02
语言编程
Program a Language
如何让计算机理解自然语言?
→ NLP 大语言模型
04
计算规模
Size of a Calculation
计算资源如何随问题增长?
→ 复杂性理论 Scaling Law
05
自我改进
Self-improvement
机器能否学习改进自身?
→ 强化学习 AI4Science
06
抽象
Abstractions
机器能否推理"抽象"概念?
→ 知识图谱 表征学习
07
随机性与创造性
Randomness & Creativity
机器能否创造性思考?
→ 生成式 AI AIGC

1956年的这个夏天,七位科学家在一个小镇上种下了人工智能的种子。
从那时起,AI 经历了数次寒冬与春天,直到今天深刻改变着世界。