编者按：一般认为，1956年的达特茅斯会议奠定了人工智能的基础，到今年恰逢人工智能诞生60周年。但很少有人知道的是，“人工智能”一词最早在一年前的1955年8月31日提出，今天正好是这一概念被提出的第61个年头。从这一概念的孕育到诞生，这当中有什么“十月怀胎”的故事？

1955年8月31日，“人工智能”这个词首次出现在一个持续2个月、只有10个人参加的研讨会提案上。提案撰写者包括John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), 和 Claude Shannon (Bell Telephone Laboratories)等。在这一年之后的达特茅斯夏季研讨会（1956）被广泛认为是人工智能研究的生日。

而就在这份提案中给出了对于“人工智能”的定义：

尝试找到如何让机器使用语言、形成抽象和概念、解决现在人类还不能解决的问题、提升自己等等。对于当下的人工智能来说首要问题是让机器像人类一样能够表现出智能。

以及自己希望的结果：

“我们认为, 如果一组优秀的科学家在一起工作一个暑假的话，能够在这些问题（一个或多个）中取得一个重大进展”。

这一大会提案提出了在人工智能方向上的研究与思考方向，经过将近一年的酝酿，在1956年的达特茅斯会议上的讨论引起了计算机学界的关注和共鸣，从而宣布了“人工智能”这一新兴学科的诞生。对于这份对人工智能发展有着指导性意义的大会提案，雷锋网编译如下：

J.麦卡锡，达特茅斯学院

M. L.明斯基，哈佛大学

N.罗切斯特，I.B.M.公司

C.E。香农，贝尔电话实验室

1955.8.31.

我们提议明年（1956年）暑假期间在新罕布什尔州汉诺威的达特茅斯学院进行一次为期2个月、10人参加的人工智能研讨会。我们的研究建立在这样的一种猜想之上，即（人类的）学习的每一方面或者智能的任意一种特征在原则上都能够被精确描述，并可以由机器可以用来模拟学习和智能，我们的研究是建立在这一猜想的基础之上。我们将试图找到如何让机器使用语言、形成抽象和概念、解决现在人类还不能解决的问题、提升自己等等。我们认为, 如果一组优秀的科学家在一起工作一个暑假的话，能够在这些问题（一个或多个）中取得一个重大进展。

以下是我们对人工智能方面思考的一些问题：

1．自动化计算机

倘若一台机器可以工作，那么可以对一台自动化计算机进行编程，用来模拟机器工作。现有计算机的运行速度与内存容量可能不能够支持模拟人类大脑的众多高级功能，但是，主要的瓶颈不在于机器容量小，而在于我们不能够尽自己所能编写出足以支持计算机来模拟人类大脑高级功能的强大程序。

2. 如何编程，以使计算机具备使用语言的能力？

据 猜测，人类的大部分思想是由通过推理与想象来使用词汇获得的。根据这一观点，可以得出以下结论：人类的语言推理归纳能力是通过允许一个新词汇和包含该词汇的一些句子所暗含的一些语言规则，或其他句子所暗含的一些语言规则，进入心理词汇库中形成获得的。不过，从未有人对该观点作过精确阐释，也未列举出相关语言应用实例。

3. 神经元网络

如何设计排布一组（假定的）神经元，使这些神经元能够生成概念？关于该问题Uttley, Rashevsky与其团队，Farley and Clark, Pitts and McCulloch, Minsky, Rochester and Holland等研究者曾做出大量理论研究和实验研究。曾获得了部分研究成果，但是，为了解决该问题仍需大量理论研究工作的支持。

4.计算规模理论

假定我们要解决一个非常棒的问题（需要严格测试一个富有建议性的答案是否有效），一种解决方案是一次测试所有的答案。这种方案效率低，但是，为了排除该解决方案，我们需要制定出一些关于高效计算方法的标准。我们曾考虑到，为了衡量一种计算方法的效率，有必要制定出一套用来衡量计算设备复杂性的方法，要制定出这样一套方法，则需要提出一个关于功能复杂性的理论。Shannon与McCarthy就该问题开展研究，并获得了部分成果。

5.自我提升

一台真正意义上的智能机器可能会执行一些活动，这些活动在很大程度上可以成为自我提升，为了实现该目的，已经有人提出了一些方案，并值得作进一步研究。该问题也可以作抽象层面的研究。

6.抽象概念

大量的“抽象概念”类型可以得到清楚地定义，也存在一些“抽象概念”类型难以明白无误地定义。值得直接尝试划分这些“抽象概念”类型，并描述从感观数据或其他数据来源获取抽象概念的机器方法。

7. 随机性与创造性

针对创造性思维与缺乏想象力的有主观决定权的思维之间的差异，我们有一个非常诱人的，但不甚完善的构想，即两者之间的差异在于随机性。这种随机性伴随直觉产生，并具有效率。换言之，一般来讲，受到限制的随机性是有序思考的产物，但是，经过思考的猜想或预感反而包括这种随机性。

除了上述由我们共同提出的供研究的问题，我们也邀请参加该项目的个体成员来陈述他们各自的研究侧重点。该项目的四位发起者的演讲见附录。

本次大会提议的发起者如下：C. E. Shannon，M. L. Minsky, N. Rochester, J. McCarthy。洛克菲勒基金会为本项目提供了相关费用支持。

我希望自己今后的研究专注于以下列举的一个或两个研究论题。

1. 将信息理论概念应用到计算机器与大脑模型中。信息理论存在一个主要问题是通过一个噪音渠道可靠传播信息。计算机器存在一个相似的问题，即运用不可靠的元素进行可靠地计算。关于该问题，von Neumann, Shannon 与Moore曾做出过研究，但是，仍然存在一些开放性问题亟待解决。关于几种元素，与渠道容量相似的概念发展问，所要求冗余的上下限深刻分析等问题都被列为重要问题。另一个问题与信息网络理论有关，在该网络中信息在许多闭合圈内流通（这种信息流通方式与通讯理论通常所主张的简易单一渠道信息流通方式形成对比）。在闭合圈中，信息流通延迟问题成为重要研究对象，有必要提出一个全新的途径。当一个信息集合的部分过去信息为已知时，这将涉及到局部熵等概念问题。

2.与机器人相匹配的环境-大脑模型。通常一台机器或动物只能在有限的环境里运转或只能适应有限的环境。即便是复杂的人类大脑最初也是先适应其存在环境的一些简单特征，逐渐适应其他复杂的环境特征。我提议，通过研究一系列相匹配（理论层面上）的环境和与之相适应的大脑模型两者的并行发展，进而综合研究大脑模型。研究的重点是对该环境模型进行分类，并用数学结构来表示该模型。通常在讨论机械化智能时，我们会联想到能够进行诸如证明某些原理，创作音乐，或下棋等高级人类思维活动的机器。在此，我提议，从简单的环境模型入手，当环境变得有利（只是无关紧要）或不那么复杂时，从一系列简易模型开始研究，慢慢朝向那些高级活动的研究迈进。

要设计出具备以下学习能力的机器并非难事。为机器配备输入与输出渠道，及一种为输入信息提供各种输出反应的内部方法，如此，机器能够通过试错法得到训练，并获得一连串的输入与输出函数。像这样一台机器，倘若放置在一个合适的环境里，并给定一套“成功”或“失败”的衡量标准，经过训练能够展示出一套“目标探索”行为模式。这样一台机器智能够在一种复杂的环境里缓慢发展，通常情况下，也不会具备高级行为模式，除非提供给这样一台机器，或机器本身能够发展，抽象感官资料。

如今，判断成功的标准不应当局限于在机器的输出渠道中产出如设计者期盼的特定活动模式，而应当包括在一个特定的环境中展示出一种特定操作的性能。在某种程度上，动力机的情况呈现一种两分式感官情形，当机器具备将其输出活动与环境变化相关联的“动力机抽象”集合整合在一起的能力时，便可以快速取得成功。

在一段时间内，我已经对这类系统作出相关研究，认为，如果设计出的机器的感官抽象与动力机抽象满足某些关系，这台机器将具备展示更高一级行为模式的能力。如果相对应的动力机行为真实发生的话，这些关系涉及到配对，动力机抽象与感官抽象，将形成代表预设的环境变化的新型感官情形。

所探寻的重要结果为：根据所处的环境特征，机器自身能够建立一个抽象的环境模型。倘若遇到困难，机器首先从内部抽象的环境模型中搜寻答案，然后才尝试外部实验。鉴于这些初始的内部研究，外部实验将变得更为灵活，机器所展示出的行为模式将被视为极具“想象力”。

在我的论文中，将尝试对机器如何模拟人类行为模式进行探究，也将朝该研究方向进一步努力。我希望，到1956年夏，我能够设计出这样一台十分接近计算机编程阶段的智能机器。

机器性能的原创性

在为一台自动化计算机编程的过程中，一般来讲，我们应当为机器设定一系列准则，以应对操作过程的任何突发事件。我们期望，机器能够在极大程度上遵循所设定的准则，展示出非原创性或常识。此外，当机器操作出现紊乱情形时，设计者也会感到厌烦，因为他为机器设置的原则本身存在些许矛盾。

最后，在为机器编程过程中，设计者在处理所遇到问题时，往往会非常吃力，但是，当机器具备一点点直觉或能够进行合理性推理时，机器自身能够直接找到问题所在。