8 從0重走AI百年之路 - 黎明前的15年（第5集）：聯結主義與學習法則：機器如何第一次學會“學習”
哈嘍大家好，我是焱森。歡迎回到「從0重走AI百年之路」的第8期 —— 黎明前的15年系列第五集：聯結主義與學習法則 —— 模擬大腦的最初嘗試。
在上期文稿裏，我們見證了1948到1950年間那場改變世界的思想革命。圖靈用《智能機械》報告為AI繪製了第一張完整的技術藍圖，又用《電腦器與智能》論文提出了圖靈測試，為AI奠定了不可動搖的哲學基石；伯克利則用《巨型大腦》這本超級暢銷書，打破了電腦的神秘感，讓"機器能思考"的概念第一次走進了千家萬戶。
當理論的骨架已經搭建完成，硬體的肉身已經鍛造就緒，思想的障礙也已經被掃清，人工智慧的誕生似乎只剩下最後一步：把紙上的構想變成現實。
但就在這時，科學家們卻面臨著一個根本性的路線分歧：我們到底應該如何建造會思考的機器？
一派科學家認為，智能的本質是邏輯和符號運算。我們應該像編寫數學公式一樣，把人類的知識和推理規則預先編寫進電腦，讓機器按照人類設定的邏輯進行思考。這就是後來統治AI領域長達三十年的符號主義路線。
而另一派科學家則認為，要創造真正的智能，最直接、最自然的方法就是模仿人類大腦的工作方式。大腦不是一個執行預先編寫好程式的計算器，而是一個由數十億個神經元相互連接而成的複雜網路。智能不是來自於邏輯規則，而是來自於神經元之間的連接強度和學習過程。這就是聯結主義路線，也就是今天深度學習的前身。
從1949年到1951年，短短三年間，三位偉大的先行者點燃了聯結主義的火種。赫布提出了第一個可執行的神經學習法則，為神經網路奠定了理論基礎；香農打造出世界上第一只會自主學習的機械小鼠，用最直觀的方式展示了強化學習的威力；明斯基則製造出第一臺人工神經網路學習機，用硬體證明了聯結主義的可行性。
正是這三次開創性的嘗試，為人工智能開闢了一條與符號主義並行的全新道路。今天，我們就回到那個充滿探索精神的年代，看看人類如何第一次親手嘗試模擬大腦的學習過程。
一、如果機器也能像大腦一樣學習呢？赫布《行為的組織》（1949）
1949年，就在伯克利的《巨型大腦》風靡全美國的同一年，加拿大心理學家唐納德·赫布出版了一本名為《行為的組織：一種神經心理學理論》的著作。這本書在當時並沒有引起公眾的關注，但它卻成為了神經科學和人工智慧歷史上最重要的著作之一。
赫布在這本書中提出了一個極其簡單卻又極其深刻的假說，這個假說後來被稱為赫布學習法則，它是所有現代神經網路學習演算法的鼻祖。
1.一個改變世界的簡單假說
在赫布之前，神經科學家們已經知道大腦是由神經元組成的，神經元之間通過突觸相互連接。但沒有人知道，大腦是如何通過這些連接來學習和記憶的。
赫布提出了一個大膽的猜想：
當神經元A的軸突足夠接近神經元B，並持續或反復地激發它時，兩個神經元或其中一個神經元的生長過程或代謝變化就會發生，從而使A激發B的效率得到提高。"
這句話後來被簡化為一句流傳至今的名言："一起放電的神經元，連接在一起。"（Fire together, wire together.）
這個法則的含義非常簡單：如果兩個神經元總是同時被啟動，那麼它們之間的連接就會變得越來越強。反之，如果它們很少同時被啟動，連接就會變得越來越弱。學習和記憶，本質上就是神經元之間連接強度的變化過程。
這是人類歷史上第一個關於大腦學習機制的可量化、可驗證的理論。它不僅徹底改變了神經科學的研究方向，也為人工智能的聯結主義路線提供了最核心的理論基礎。
2.從大腦到機器：赫布法則的AI意義
赫布本人可能沒有想到，他的心理學理論會對電腦科學產生如此深遠的影響。但對於那些正在思考如何建造會思考的機器的科學家來說，赫布法則就像一道閃電，照亮了前進的道路。
在此之前，人們認為機器的所有行為都必須由人類預先編寫程式。但赫布法則告訴我們：學習不需要預先編寫程式，只需要調整連接強度。
一個由大量簡單單元相互連接而成的網路，只要遵循赫布學習法則，就能夠自動從經驗中學習，自動發現數據中的模式，自動形成記憶。這正是圖靈在《智能機械》報告中所預言的"無組織機器"的工作原理。
直到今天，幾乎所有的深度學習演算法，從反向傳播到Transformer，本質上都繼承了赫布法則的精神。它們的核心思想都是：通過調整神經元之間的連接權重，讓網路能夠更好地完成任務。
3.被低估的先驅
赫布從來沒有把自己看作是一個人工智慧研究者。他一生都致力於研究人類的大腦和行為，甚至對用機器模擬大腦的想法持懷疑態度。
但歷史卻把他推到了AI先驅的位置。正如一位歷史學家所說："赫布沒有建造任何機器，也沒有編寫任何程式，但他卻為所有後來的AI研究者提供了最重要的靈感。他告訴我們，智能不是來自於複雜的邏輯，而是來自於簡單的連接和學習。"
《行為的組織》出版後的幾十年裏，赫布學習法則一直是聯結主義研究的核心指導原則。即使在聯結主義被符號主義壓制的黑暗年代，這個法則也從未被遺忘。它就像一顆種子，在地下默默等待著發芽的那一天。
二、一只鋼鐵老鼠，第一次證明機器能夠“試錯學習”：香農的機械小鼠THESEUS（1950）
當赫布在書房裏撰寫《行為的組織》時，另一位天才正在貝爾實驗室的車間裏忙碌著。他就是克勞德·香農，資訊理論的創始人，也是人工智慧史上最被低估的先驅之一。
1950年，也就是圖靈發表《電腦器與智能》的同一年，香農向世界展示了一個震驚所有人的發明：一只能夠自主學習走迷宮的機械小鼠，他把它命名為忒修斯（THESEUS），取自希臘神話中走出米諾斯迷宮的英雄。
1.世界上第一臺會學習的機器
忒修斯是世界上第一臺能夠通過試錯來學習的機器。它的構造非常簡單：
一個5x5格的可移動迷宮，牆壁可以隨意調整位置
一只帶有磁鐵的機械小鼠，底部有兩個電機控制前後左右移動
一個由大約100個繼電器組成的控制電路，藏在迷宮的下方
當香農把小鼠放在迷宮的任意位置時，它會開始隨機地四處探索。如果撞到牆壁，它就會後退，然後嘗試另一個方向。每走一步，繼電器電路就會記住這個方向是否可行。
當小鼠最終找到迷宮的終點時，它已經完整地記住了從起點到終點的正確路徑。這時，如果你把它放回起點，它會毫不猶豫地沿著最短路徑直接走到終點，再也不會走任何彎路。
更神奇的是，如果你改變迷宮的牆壁位置，忒修斯會忘記之前的記憶，重新開始探索，並很快學會新的路徑。
2.強化學習的雛形
在今天看來，忒修斯的功能非常簡單。但在1950年，這是一個革命性的突破。因為它是人類歷史上第一臺不是按照預先編寫的程式運行，而是通過與環境的互動來學習的機器。
香農的小鼠完美地體現了強化學習的核心思想：
智能體：機械小鼠
環境：迷宮
狀態：小鼠在迷宮中的位置
動作：上下左右移動
獎勵：到達終點
懲罰：撞到牆壁
小鼠通過不斷地試錯，獲得環境的回饋，然後調整自己的行為策略，最終學會了完成任務。這正是今天AlphaGo、ChatGPT等所有強化學習系統的基本工作原理。
香農在展示忒修斯時說："這只老鼠不僅能夠記住路徑，還能夠從經驗中學習。它展示了一種非常原始的智能形式，但這種智能形式與人類的學習過程並沒有本質的區別。
3.香農的AI遺產
香農從來沒有成為AI領域的核心人物。他在發明了忒修斯之後，就把注意力轉向了其他有趣的問題：他發明了世界上第一個電腦象棋程式，第一個juggling機器人，甚至還研究過如何用數學方法預測股票市場。
但他對AI的貢獻卻不可磨滅。他不僅用忒修斯展示了強化學習的可行性，還為AI研究提供了最重要的數學工具——資訊理論。今天，幾乎所有的AI演算法都建立在香農資訊理論的基礎之上。
正如馬文·明斯基所說："如果說圖靈是人工智慧的父親，那麼香農就是人工智慧的舅舅。他沒有直接撫養這個孩子，但他卻給了它最重要的基因。
三、人類第一次親手“搭建大腦”：明斯基的SNARC（1951）
1951年，一個年僅24歲的普林斯頓大學研究生，受香農等前輩啟發，完成了一個更加驚人的發明：世界上第一臺人工神經網路學習機。他就是馬文·明斯基，後來人工智能領域的傳奇人物，達特茅斯會議的組織者之一。
明斯基把這臺機器命名為SNARC，全稱是“隨機神經模擬強化計算器”（Stochastic Neural Analog Reinforcement Calculator）。
1.用真空管模擬大腦
SNARC是一個純粹的硬體神經網路。它由40根真空管、300個繼電器和大量的電阻、電容組成，模擬了40個人工神經元和它們之間的相互連接。
每個神經元都有多個輸入和一個輸出。當輸入信號的總和超過某個閾值時，神經元就會被啟動，輸出一個電脈衝。神經元之間的連接強度可以通過調整電位器來改變。
SNARC的設計靈感直接來自於赫布學習法則。明斯基讓SNARC模擬老鼠走迷宮的學習過程。當機器做出正確的選擇時，它會得到一個"獎勵"信號，這個信號會自動加強相關神經元之間的連接；當它做出錯誤的選擇時，連接就會被削弱。
經過多次試錯，SNARC能夠逐漸學會正確的路徑，就像一只真正的老鼠一樣。
2.一個超越時代的嘗試
在1951年，世界上只有少數幾臺存儲程式電腦，而且它們都被用來解決複雜的數學計算問題。沒有人想到，竟然有人會用昂貴的真空管和繼電器來模擬大腦的神經元。
SNARC的性能在今天看來簡直不值一提。它只有40個神經元，而人類的大腦有860億個神經元。但它的意義卻無比重大：它第一次用硬體證明了，一個由簡單單元相互連接而成的網路，確實能夠通過學習來獲得智能。
明斯基後來回憶說："SNARC是一個非常粗糙的機器，它經常出故障，而且只能做非常簡單的事情。但它證明了一個原則：聯結主義是可行的。我們不需要預先編寫所有的規則，機器可以自己學習。"
3.一個充滿諷刺的轉折
沒有人能夠想到，聯結主義的這位先驅，後來會成為聯結主義最嚴厲的批評者。
1969年，明斯基和他的同事西摩·佩珀特出版了《感知機》一書。在這本書中，他們用嚴格的數學證明，指出了單層神經網路的局限性：它無法解決異或問題，也無法學習複雜的模式。
《感知機》對聯結主義造成了沉重打擊。在接下來的將近20年裏，聯結主義研究幾乎完全停滯，AI領域進入了符號主義一統天下的時代。這也成為後來AI寒冬的重要誘因之一。
直到1986年，反向傳播演算法的重新發現，才讓聯結主義重新煥發生機。而這時，距離明斯基製造SNARC已經過去了整整35年。
歷史的諷刺之處在於，明斯基並非否定神經網路本身，而是指出了當時神經網路模型的根本局限。但由於那個時代缺乏有效的多層網路訓練方法，這種批評幾乎讓整個聯結主義研究陷入停滯。
四、火種不滅：聯結主義的漫長等待
現在，讓我們回顧一下1949到1951年間發生的這三次開創性的嘗試：
1949年，赫布提出赫布學習法則，為神經網路奠定了理論基礎；
1950年，香農打造出機械小鼠忒修斯，展示了強化學習的雛形；
1951年，明斯基製造出SNARC，用硬體證明了聯結主義的可行性。
這三位先驅的工作，共同點燃了聯結主義的火種。他們證明了，模仿大腦的學習過程是一條可行的AI研究路線。
但在當時，這條路線並沒有得到大多數科學家的認可。符號主義憑藉其清晰的邏輯和立竿見影的效果，很快佔據了AI研究的主導地位。聯結主義就像一顆被埋在地下的種子，在黑暗中默默等待了將近40年。
直到2012年，AlexNet在ImageNet競賽中一鳴驚人，深度學習時代正式到來。這時，人們才突然發現，今天所有的AI技術，本質上都是70多年前那三位先驅思想的延續和擴展。
赫布的學習法則，變成了今天的反向傳播和梯度下降；
香農的強化學習，變成了今天的AlphaGo和自動駕駛；
明斯基的神經網路，變成了今天的GPT和大語言模型。
火種從未熄滅，它只是在等待合適的時機，燃燒成燎原之勢。
到1951年為止，人工智慧誕生前的探索之路已愈發清晰。聯結主義為我們打開了模擬大腦學習的大門，而與此同時，另一條核心路線——符號主義，也正在快速崛起，用邏輯與推理書寫著屬於自己的傳奇。
下期文稿，我們將進入黎明前的15年（第6集）：符號邏輯與博弈 —— 搜索與推理的勝利。我們將見證，符號主義如何憑藉清晰的邏輯體系，在博弈與推理領域實現突破性進展：1950年，香農發表《為電腦編寫國際象棋程式》，率先將符號邏輯與博弈結合，為機器博弈奠定基礎；1951年至1952年間，斯特雷奇（Strachey）、普林茨（Prinz）、塞繆爾（Samuel）相繼推出跳棋與象棋程式，讓機器在棋牌博弈中展現出初步的推理能力；1954年，喬治敦-IBM實驗成功實現機器翻譯的初步嘗試，將符號邏輯應用於自然語言處理；1956年，紐厄爾與西蒙研發的“邏輯理論家”（Logic Theorist），更是成功證明了數學定理，成為符號主義的里程碑式成果，用搜索與推理的勝利，為人工智能的正式誕生築牢了另一塊關鍵基石。
最後，我想拋出三個思考題，與大家互動：
1.關於智能本質：赫布法則說“一起放電的神經元連接在一起”，這把智能簡化成了連接的強度。你認為人的情感、意識，真的能通過調整這種簡單的“權重”（Weight）就產生嗎？
2.關於學習方式：香農的機械小鼠通過撞牆來學習走迷宮。如果智能來自“學習”，而不是“規則”，那麼人類的教育本質上是不是也在“訓練神經網路”？
3.關於演化路線：聯結主義（模仿大腦）和符號主義（邏輯規則）在今天是否真正融合？大語言模型（如GPT）更多是哪一派的延續？未來AI是否需要更深地結合兩者，才能實現真正通用智能（AGI）？
我是焱森，陪你從0重走AI百年之路。
咱們下期再見！