人工智能
Ars（技艺）+ facere（制作）
拉丁语词根 ars 意为"技艺、艺术"，facere 意为"制作"。
Artificial
的核心含义是"由人工技艺造成的"。它可以指"人造的"，在某些语境中也会引申为"非自然、做作"。
inter（之间）+ legere（选择、阅读）
拉丁语 intelligere 意为"在之间选择、辨别理解"。
智能的本质，是在纷繁中辨别、在混沌中选择的能力。
什么是智能？
在谈论人工智能之前，让我们先回到一个更根本的问题——"智能"这个词，到底意味着什么？
"识词也。从白、从亏、从知。"
"智"由"知"和"日"组成。"知"是认知、感知，"日"代表时间的积累。认知经过日积月累的沉淀，方能升华为智慧。
"熊属。足似鹿。"
"能"的甲骨文像一只熊的形态。熊力大无穷，故引申为能力、才能。与生俱来的力量，经过磨练方能成为真正的"能"。
▎古典文献中的"智能"
-
《论语·子罕》
"知者不惑，仁者不忧，勇者不惧。"孔子将"知"（智）视为君子的首要品质，强调认知带来内心的坚定。 -
《道德经·第三十三章》
"知人者智，自知者明。"老子认为，了解他人是智慧，了解自己才是真正的明智——智能的更高层次是自我认知。 -
《荀子·正名》
"所以知之在人者谓之知，知有所合谓之智。所以能之在人者谓之能，能有所合谓之能。" - 认知/能力与实践相契合，才是真正有价值的智能。
所以古人认为，智能其实是两个维度——智 是认知的积累与升华，能 是天赋的磨砺与施展。二者缺一不可。
东方智慧
认知/能力与实践契合，才是真正的智能。
判断是非的能力就是智能的发端。
真正的"知"必须体现在"行"中，智能不能脱离行动而存在。
- 智能 = 认知 + 实践（知行合一）
- 强调道德判断是智能的核心
- 重视自我认知（自知者明）
- 智能需要在人际关系中体现
西方视角
理性（logos）是人的本质，推理能力就是智能的核心。
思考本身证明了存在，智能的起点就是思考能力。
如果机器的行为无法与人类区分，就应认为它具有智能。
- 智能 = 推理 + 规划 + 学习 + 问题解决
- 强调可测量的认知能力（IQ 测试传统）
- Legg & Hutter (2007)："智能是在广泛环境中达成目标的能力"
- 现代 AI 核心要素：感知、推理、学习、规划、语言理解
东方强调"知行合一"，西方强调"推理+目标"。
无论哪种视角，真正的智能都不只是知道，而是做到。
我们真的了解智能吗？
"我们甚至连一只蠕虫的大脑都没有搞明白。"
—— 一位神经科学家线虫只有 302 个神经元，人类在 2019 年就完成了其完整神经连接组的测绘。但直到今天，我们仍无法从这 302 个神经元的连接结构中推导出线虫的行为。连接图谱在那里，智能却依然是个黑箱。
2024 年，科学家首次完成了果蝇大脑的完整神经连接组——约 13.9 万个神经元、约 5450 万条突触。但我们依然不理解这些连接如何产生"智能"——果蝇如何决策、如何学习、如何记住回家的路。而人脑有 860 亿个神经元，是果蝇的约 62 万倍。
哲学家 David Chalmers 在 1995 年提出"意识的困难问题"（Hard Problem of Consciousness）：即便我们能完整解释大脑中每一个原子的物理过程，仍然无法解释为什么会有"感受"。为什么看到红色会有红色的"感觉"？为什么疼痛是"痛"的？
Legg & Hutter (2007) 整理了学界对"智能"的定义，发现超过 70 种不同版本。心理学家 Sternberg 说"智能是心理能力"，Gardner 说有 8 种智能，图灵说"表现得有智能就是智能"。一个连定义都没有共识的概念，我们真的了解它吗？
现代神经科学发现，智能可能是大量简单单元交互后"涌现"出来的集体行为。就像单个水分子没有"湿"的性质，但大量水分子聚在一起就产生了"湿"。如果智能是一种涌现现象，那意味着我们可能永远无法通过拆解来理解它——理解了每一个神经元，也不等于理解了智能。
从 302 个神经元到 860 亿个神经元, 从行为到意识，从定义到涌现 —— 我们不是"快要"理解智能, 我们连理解它的门在哪里都还没找到。
这事儿急不来!
前辈们画了三个台阶，让我们一阶一阶走
弱人工智能
专精于特定任务或任务簇的智能系统。它可以在一个领域表现出色，但无法像人类一样稳定迁移到全新领域。
- 专注于特定任务的优化
- 无法跨领域泛化
- 尚无公认 AGI，现有 AI 通常仍归入此类
- 常依赖规则系统、统计学习或深度学习
算：医学影像模型能筛肺结节，但不能把同一套能力迁移去做法律辩护。
不算：能在陌生任务间自主迁移、学习和规划的系统，那已经更接近 AGI。
通用人工智能
达到人类级别的全面认知能力。能跨领域推理、自主学习、制定计划、理解抽象概念。
- 跨领域的通用推理能力
- 自主学习与知识迁移
- 抽象思维与因果理解
- 尚未有公认实现，是 AI 研究的核心目标
算：第一次接触陌生任务，也能读说明、制定计划、调用工具并达到人类级表现。
不算：只是在聊天、写作、编程等多个任务上表现很强，但缺少稳定自主迁移与可靠现实行动能力。
超人工智能
在几乎所有领域超越人类的智能。包括科学创造力、社交技能、哲学思考等全方位能力。
- 全面超越人类认知极限
- 可能存在递归自我改进能力
- 带来深刻的伦理与存在挑战
- 时间线未知，争议极大
算：在科学发现、工程创造、战略规划、社交协作等几乎所有重要领域持续显著超过最强人类。
不算：只在围棋、蛋白结构预测等单项任务上超过人类的专用系统。
从"专用"到"通用"再到"超越"——这是 AI 的三个台阶。今天，AI 仍普遍被认为站在第一个台阶上，仰望第二个。
不了解智能，不代表不能创造智能。
工程创新常常不是等理论完全成熟才开始；飞机也是靠空气动力学实验和工程迭代一步步造出来的。
模拟智能本身
智能来自大脑，那就像大脑一样造——从神经元开始，把它造出来。
1943 年，McCulloch & Pitts 给出了神经元的数学描述，打开了第一扇门。1958 年，Rosenblatt 造出感知机——能识别字母、能学习，世界为之兴奋。
但兴奋很快被现实浇灭。冯·诺依曼架构的计算机跑类脑计算，就像拿算盘当火箭计算机用，根本跑不动。1969 年，Minsky & Papert 一刀致命：单层感知机连 XOR（异或）都算不了。
模拟智能的行为
不关心大脑怎么工作，只关心机器能做什么。飞机不需要拍打翅膀也能飞，智能也不一定需要"像人一样思考"。
图灵 1950 年埋下种子：如果一台机器让你分辨不出它是人还是机器，它就是有智能的。符号主义沿着这条路狂奔——逻辑理论家自动证明定理，DENDRAL 像化学家一样分析分子，MYCIN 像医生一样诊断血液感染。
但知识的海洋太深了。常识无法写成规则——"把鸡蛋打到碗里"这件事就涉及几百条隐含的常识。系统越做越大，也越来越脆弱。1980 年代末，AI 寒冬降临。
模拟智能的交互
蚂蚁不需要理解迷宫也能找到回家的路——智能或许根本不在大脑里，而在与环境的每一次碰撞中。
Brooks 在 1980 年代提出包容架构，并在 1991 年发表《Intelligence Without Representation》：智能不需要先建立完整的内部模型和知识库，也可以通过感知与行动闭环产生。
强化学习把"交互中优化"的思路推向高潮——智能体试错、得到奖励、再试错、再优化。2016 年，AlphaGo 将人类棋谱学习与自我博弈强化学习结合，在围棋棋盘上完成了一次震撼的突破。
这三种不同的思路，沿着各自的历史轨迹演进——
有时一方崛起主导话题，有时另一方重新夺回中心，
它们之间的博弈与融合，最终塑造了我们今天所熟知的三大流派——
连接主义
从"大脑"出发——模仿生物神经元的连接与学习。不灌输规则，而是让机器从数据中自己"学会"。
核心思路：神经元连接 + 学习训练
黄金时代：2010 年代至今，深度学习
代表成果：深度学习、大语言模型
符号主义
从"行为"出发——不模仿大脑，只模仿结果。把知识编码成符号和规则，让机器通过逻辑推理来表现智能。
核心思路：知识表示 + 逻辑推理
黄金时代：1970–80 年代，专家系统
代表成果：DENDRAL、MYCIN、知识图谱
行为主义
从"交互"出发——不模仿大脑，也不模仿结果，而是让智能体在与环境的互动中涌现出智能。
核心思路：感知-行动闭环 + 试错学习
近年浪潮：2010 年代以来，深度强化学习与具身智能
代表成果：AlphaGo、具身智能、机器人学
这三大流派，贯穿了 AI 发展的全部历史。它们交替领先，互相竞争，又彼此融合。
现在，让我们回到 1936 年，看这一切是如何开始的——