如果 Wu-Tang 在 23 年而不是 93 年生产它，他们会称它为 DREAM——因为数据统治着我周围的一切。我们的社会曾经根据我们的手臂和钱包的力量来调解权力，而现代世界是由数据授权算法驱动的，可以对我们进行分类、孤立和出卖。这些专横而难以察觉的黑匣子神谕决定谁获得住房贷款，谁获得保释，谁找到爱情以及谁让他们的孩子被国家带走。
在他们的新书《数据如何发生：从理性时代到算法时代的历史》中， 在现有课程的基础上，哥伦比亚大学教授 Chris Wiggins 和 Matthew L Jones 研究了如何将数据整理成可操作的信息并用于塑造从我们的政治观点和社会习俗到我们的军事反应和经济活动的一切。在下面的摘录中，威金斯和琼斯审视了数学家约翰麦卡锡的工作，这位达特茅斯学院的初级教授独自创造了“人工智能”一词……作为他获得夏季研究资金的策略的一部分。
摘自 Chris Wiggins 和 Matthew L Jones 的《数据如何发生：从理性时代到算法时代的历史》 。由 WW 诺顿出版。版权所有 © 2023 Chris Wiggins 和 Matthew L Jones。版权所有。
构筑“人工智能”
作为符号方法的热情倡导者，数学家约翰麦卡锡经常被认为是“人工智能”一词的发明者，包括他自己：“我发明了人工智能这个词，”他解释说，“当我们试图为一个夏天赚钱时研究”旨在“实现人类智能水平的长期目标”。有问题的“夏季研究”名为“达特茅斯人工智能夏季研究项目”，申请的资金来自洛克菲勒基金会。麦卡锡当时是达特茅斯学院的初级数学教授，他的前任导师克劳德·香农 (Claude Shannon) 帮助他向洛克菲勒推销。正如麦卡锡描述该术语定位的那样，“香农认为人工智能这个术语过于华而不实，可能会引起不利的注意。”然而，麦卡锡希望避免与现有的“自动机研究”领域（包括“神经网络”和图灵机）重叠，并表态宣布一个新领域。 “所以我决定不再悬挂任何虚假旗帜。”雄心壮志。 1955 年的提案声称“学习的每个方面或智能的任何其他特征原则上都可以如此精确地描述，以至于可以制造一台机器来模拟它。”麦卡锡最终在 1956 年的会议上得到了比他想要的那类公理数学家更多的大脑建模者，这次会议后来被称为达特茅斯研讨会。在这次活动中，人们看到了各种不同的、往往相互矛盾的努力，以使数字计算机执行被认为是智能的任务，但正如人工智能历史学家乔尼·佩恩 (Jonnie Penn) 所说的那样，研讨会上缺乏心理学专业知识意味着智能的描述“主要是由一组在人文科学之外工作的专家。”每个参与者都以不同的方式看待他们企业的根源。麦卡锡回忆说：“在场的任何人都非常顽固地追求他来之前的想法，据我所知，也没有任何真正的想法交流。”
与图灵 1950 年的论文一样，1955 年关于人工智能夏季研讨会的提议回想起来似乎具有难以置信的先见之明。麦卡锡、香农和他们的合作者提出要研究的七个问题成为计算机科学和人工智能领域的主要支柱：
-
“自动计算机”（编程语言）
-
“如何对计算机进行编程以使用语言”（自然语言处理）
-
“Neuron Nets”（神经网络和深度学习）
-
“计算规模理论”（计算复杂性）
-
“自我提升”（机器学习）
-
“抽象”（特征工程）
-
“随机性和创造力”（包括随机学习的蒙特卡罗方法）。
1955 年的“人工智能”一词是一种愿望，而不是对一种方法的承诺。从广义上讲，AI 既包括通过尝试创造机器智能来发现人类智能的组成部分，也包括通过让计算机执行人类可能尝试的困难活动而进行的不那么哲学化的努力。
这些愿望中只有少数推动了努力，在当前的使用中，这些努力成为人工智能的代名词：机器可以从数据中学习的想法。在计算机科学家中，几代人都不再强调从数据中学习。
人工智能的前半个世纪大部分时间都集中在将逻辑与硬编码到机器中的知识相结合。从日常活动中收集的数据几乎不是重点；它的声望仅次于逻辑。在过去五年左右的时间里，人工智能和机器学习开始成为同义词。这是一个强大的思想练习，要记住它不必是这样的。在人工智能诞生的最初几十年里，从数据中学习似乎是错误的方法，一种不科学的方法，被那些不愿意将知识“仅仅编程”到计算机中的人所使用。在数据占主导地位之前，规则占主导地位。
达特茅斯研讨会的大多数参与者尽管充满热情，但几乎没有带来具体成果。一组不同。由赫伯特·西蒙 (Herbert Simon) 领导的兰德公司 (RAND Corporation) 的一个团队以自动定理证明器的形式带来了成果。该算法可以产生基本算术和逻辑定理的证明。但数学对他们来说只是一个测试案例。正如历史学家 Hunter Heyck 所强调的那样，该小组不是从计算或数学开始，而是从研究如何理解大型官僚组织以及人们在其中解决问题的心理开始。对于西蒙和纽厄尔来说，人脑和计算机是同一类的问题解决者。
我们的立场是，描述解决问题行为的适当方法是根据程序：根据有机体能够执行的某些基本信息过程，对有机体在不同环境条件下将做什么的规范。 。因此，正如我们将要看到的，这些程序描述了在信息处理级别解决人类和机器问题。
尽管他们在早期人工智能领域取得了许多最初的重大成功，但 Simon 和 Newell 专注于对人类组织的实际调查。他们对人类问题的解决感兴趣，这种解决方法混合了乔尼·佩恩所说的“20 世纪早期英国符号逻辑和美国超理性化组织的行政逻辑的组合”。在采用 AI 这个绰号之前，他们将自己的工作定位为研究包括人类和机器在内的“信息处理系统”，这借鉴了当时对人类推理的最佳理解。
西蒙和他的合作者深入参与了关于人类作为推理动物的本质的辩论。西蒙后来因其在人类理性局限性方面的工作而获得诺贝尔经济学奖。他与一群战后知识分子一起关注反驳人类心理应该被理解为对积极和消极刺激的动物反应的观念。和其他人一样，他拒绝了行为主义的观点，即人类几乎是自动地受反射驱动，并且认为学习主要涉及通过这种经验获得的事实的积累。伟大的人类能力，比如说一门自然语言或做高等数学，永远不可能只从经验中产生——他们需要的远不止这些。只关注数据是对人类自发性和智慧的误解。这一代知识分子是认知科学发展的核心，强调抽象和创造性，而不是数据、感官或其他方面的分析。历史学家 Jamie Cohen-Cole 解释说：“与其说学习是一个获取世界事实的过程，不如说是一个发展技能或熟练掌握概念工具的过程，然后可以创造性地加以运用。”这种对概念的强调是西蒙和纽厄尔的逻辑理论家计划的核心，该计划不仅通过逻辑过程进行研究，而且还部署了类似人类的“启发式”来加速寻找实现目标的手段。 George Pólya 等研究数学家如何解决问题的学者强调了使用启发式方法解决数学问题所涉及的创造力。所以数学不是苦差事——它不像做很多很多长除法或减少大量数据。这是一种创造性活动——而且，在它的创造者看来，它是反对人类极权主义观点的堡垒，无论是来自左派还是右派。 （在官僚组织中的生活也是如此——在这张照片中它不一定是苦差事——它可能是发挥创造力的地方。只是不要告诉员工。）
本文最初出现在 Engadget 上，网址为 https://ift.tt/RBXMj8v