早期 AI 的興起與沒落（1950s - 1970s）
初期的成功
感知元（Perceptron）與多層感知器 （Multi-layer Perceptron, MLP）
AI 的早期發展，主要涵蓋了兩種截然不同的思維路徑：「感知元」（Perceptron）代表了受生物學啟發的連接主義（connectionism）方法，而「符號推理」（Symbolic Reasoning）則代表了基於邏輯和知識的傳統AI方法。
感知元（Perceptron）是由心理學家及電腦科學家法蘭克·羅森布拉特（Frank Rosenblatt）於1957年在康乃爾航空實驗室工作時所提出的，屬於人工神經網路（ANN）模型最早期的實作案例之一。感知元的誕生結合了唐納德·赫布（Donald Hebb）關於腦細胞互動的模型，以及亞瑟塞繆爾（Arthur Samuel）的機器學習研究成果。依據赫布提出的神經元模型所描述，當一個神經細胞反覆的激發另一個神經細胞時，第一個神經細胞的軸突會發展出與第二個細胞胞體接觸的突觸小結，或是增大已有的突觸小結。這樣的概念被轉化為人工神經網路的數學設計：當兩個神經元同時被激活時，它們之間的「權重」（weight）會加強；反之，若分別激活，則權重會減弱。
感知元可謂是第一個具備學習能力的類神經網路模型，它擁有輸入層和輸出層，能夠解決簡單的二元分類問題。這在當時引起了巨大的轟動，讓學術界對「會思考的機器」充滿了無限想像。
然而，這股樂觀情緒很快就受到了挑戰。1969年，學者們指出單層感知器有其根本性的限制，例如它無法解決非線性問題。馬文·明斯基（Marvin Minsky）和西摩爾·帕佩特（Seymour Papert）在1969年出版的《Perceptrons》一書中，詳細分析了簡單神經網路的局限性。為了解決這個問題，研究者加入了「隱藏層」，構成了多層感知器 （Multi-layer Perceptron, MLP）。理論上，只要隱藏層有足夠多的神經元，一個具備單一隱藏層的淺層網路就能夠擬合任何連續函數，這就是著名的通用逼近定理 （Universal Approximation Theorem）。
感知元在早期展現了巨大的潛力，並引起了廣泛的媒體關注。然而，它也面臨著「預期落差」的問題。例如，感知元只能辨識很少數的影像類別，而如人臉、指紋等等實際應用所需的影像型態都無法處理。這種限制，導致了人工神經網路研究的受挫和停滯，挹注的資金也隨之減少，這種低谷持續了數年，直到1990年代才出現復甦。而人工神經網路在研究預的式微，成為符號推理研究得以興盛的契機。
符號推理（Symbolic Reasoning）
除了模仿神經系統的認知元之外，在人工智慧領域的早期，有另一派 AI 研究的學者，強調以邏輯（logical）和知識（knowledge-based）為基礎的方法，來模擬人類的思考過程。這個研究取向的核心思想受到當時維也納學派（Wiener Kreis）的影響，認為人類的智慧可以被分解為一系列明確定義的符號和規則，並透過邏輯操作來處理這些符號。
約翰·麥卡錫（John McCarthy）是在達特矛斯工作坊中提出「人工智慧」一詞的關鍵人物之一。他在1959年的論文《Programs with Common Sense》中，介紹了 Advice Taker 的概念：麥卡錫設想了一個系統，它能夠理解指令、利用常識知識（common-sense knowledge）進行推理，並從經驗中學習；而其長期目標是開發能像人類一樣有效適應和學習的AI。Advice Taker 的概念也形塑了早期知識表徵（knowledge representation）和自動化推理（automated reasoning）的研究，從而為AI中的推理能力奠定了基礎。
1970年，特里·溫諾格拉德（Terry Winograd）創建了SHRDLU，這是一個開創性的自然語言理解程式。SHRDLU 能夠用簡單的英語與使用者互動，並在一個虛擬的積木世界中操作物體。這個專案是自然語言處理（Natural Language Processing, NLP）的早期成就，儘管其成功受限於特定且高度結構化的環境，但依然展示了電腦理解和回應複雜指令的潛力，反映出當時符號邏輯在有限領域內實現「理解」的努力。
總而言之，感知元與符號推理代表了AI早期探索的兩條主線：前者試圖從類比生物大腦的底層學習機制出發，而後者則追求透過邏輯和規則來編碼和運用知識。這兩條路徑在當時經歷了競爭與分歧，共同塑造了AI領域的早期面貌。
第一次 AI 寒冬：認知元的瓶頸與沒有達成的期待
「人工智慧」（AI）的發展歷史並非一帆風順，其中第一個低谷期就是發生在1970年代的第一次AI寒冬（AI Winter）。這個時期主要由於早期的過度樂觀預期未能實現，導致研究資金與公眾興趣大幅減少。
如同上一節所述，在 AI 領域發展的早期，尤其是1950年代和1960年代，出現了許多開創性的研究成果，例如感知元（Perceptron）的發明，和自然語言處理程式 SHRDLU。這些成果激發了大眾對AI能力的極大熱情，同時也伴隨著過高的期望。
然而，到了1970年代，現實與這些誇大的預期產生了巨大落差。
1970年，馬文·明斯基曾預言 AI 將在三到八年內達到普通人類的通用智慧。然而，這項大膽的預測過於樂觀，最終未能實現，進一步加劇了公眾和資助機構的失望。這種對AI領域「週期性炒作」的認識也逐漸形成，即樂觀期待暴漲之後，當技術未能滿足投資者和公眾的期望時，隨之而來的是幻滅。
1973年，英國數學家詹姆斯·萊特希爾（James Lighthill）向英國科學研究委員會提交了一份關於AI研究進展的關鍵報告，他認為該領域沒有產生重大的突破，而在報告結論中指出，相對於大規模的資源投入，AI的研究未能兌現其早期承諾。
這份報告導致英國政府大幅削減了對AI研究的資助，而這次事件被認為是第一次AI寒冬的開始，隨著美國國防高等研究計劃署（Defense Advanced Research Projects Agency, DARPA）在1974年決定削減對人工智慧的學術研究，各國政府也相繼開始削減對AI研究的投資。
總之，第一次AI寒冬是AI領域發展中的一個重要轉折點，它揭示了早期人工神經網路逐漸失去了興趣，而這也導致了AI與機器學習之間的裂痕。並促使研究方向從連接主義（如感知元）轉向了更注重邏輯和知識表徵的符號AI方法。到了1980年，專家系統（Expert systems），一種典型的知識型AI系統，主導了整個AI領域，而統計學方法則暫時失寵。這次挫折也強調了在AI發展中，避免過度炒作和確立務實目標的重要性。
沒有留言:
張貼留言