——从实验室到商业社会的AI进化论
寒冬里的星火1970年代，人工智能遭遇第一次寒冬——政府撤资、舆论嘲讽、科学家转行。但正是在这冰封期，AI完成了一次华丽转身：脱下实验室白大褂，换上西装走进现实世界。从医院到工厂，从华尔街到核电站，一场静悄悄的革命正在发生。
1.日本第五代计算机计划：一场国家豪赌关键词：知识 vs 算力
举国押注AI1982年，日本通产省投资5亿美元（相当于现在15亿美元），宣布用10年时间造出“会思考的电脑”——用逻辑推理而非数值计算解决问题，目标直指“超越人类专家”。悲壮的失败尽管研发出Prolog逻辑编程语言和并行处理器，但项目最终因硬件性能不足和现实问题过于复杂而流产。不过，它刺激了欧美重新重视AI研究。
冷知识：
为展示成果，日本曾让第五代计算机写俳句，结果写出“电线杆上的乌鸦，数着人类的孤独”——不知是BUG还是哲学。
2.专家系统：AI的第一次“打工潮”定义：用规则库模拟人类专家的决策程序
（1）MYCIN：机器医生上岗（1976）
斯坦福大学开发的医疗诊断系统，能识别50种血液感染病，准确率69%（高于部分实习医生）。伦理争议：当MYCIN建议“截肢”时，该由谁担责？这引发了最早的AI医疗法律讨论。
（2）XCON：年薪千万的AI打工人（1980）
数字设备公司（DEC）的订单配置系统，每年为公司节省2500万美元。工作原理：把工程师的经验变成5000条“IF-THEN”规则，例如：IF 客户需要图形设计 THEN 必须配置128MB以上内存生活类比：
专家系统就像一位永不遗忘的超级顾问，但它的知识完全来自人类填写的“操作手册”。
3.反向传播算法：神经网络的复活技术里程碑：让机器学会自我纠错
辛顿的坚持1986年，杰弗里·辛顿改进反向传播算法，使多层神经网络能够训练——这解决了明斯基1969年提出的“异或门难题”。工作原理通俗版：给神经网络看猫图片，它说“是狗”计算错误程度，从最后一层倒推每层该负多少责（误差）调整神经元连接权重（AI的参数），就像老师批改作业通过一轮又一轮的反复调整（纠正）权重（训练），最终神经网络能够正确识别出图片中的猫，这些神经元连接的权重值也被锁定，这个训练后得到的网络可以用来识别其他包含猫的图片。
现实影响：
这项当时被忽视的技术，30年后成为深度学习革命的引擎。1994年，首个商用神经网络系统ALVINN实现了98%准确率的自动驾驶。
4.深蓝VS卡斯帕罗夫：世纪之战的幕后1997年人机大战的技术底牌
暴力搜索法IBM深蓝每秒计算2亿步棋局，但核心仍是穷举+评估函数——给棋盘位置打分（如“后”值9分，“兵”值1分），选择最优路径。说明：深蓝战胜卡斯帕罗夫的策略与AlphaGo战胜李世石所采用的策略有着本质的不同，深蓝是依赖算力和预定义规则，通过暴力搜索获胜；AlphaGo是依赖数据驱动的学习和模式识别，基于适用性AI策略，它通过训练和自我优化来应对复杂局面，而非单纯依靠计算深度。如果深蓝采用同样的策略，即使采用今天最强的超级计算机（如Summit或Fugaku），深蓝也很可能无法战胜李世石。
人类的最后优势卡斯帕罗夫事后指出：“机器不懂‘风格’，但它永不疲倦。”这场胜利依靠的不仅是AI进步，更是计算机性能的指数级增长。
趣味事实：
深蓝团队曾故意让第二局走“无意义棋步”迷惑对手，这被卡斯帕罗夫视为“机器展现人性的证据”，实则只是程序BUG。
人物志：爱德华·费根鲍姆——知识工程之父名言：“智能的奥秘不在推理，而在知识。”贡献：创立首个专家系统开发工具DENDRAL，把AI从“通用智能”拉向垂直领域实用化。争议：他推动的规则库方法，后来导致大量“专家系统泡沫”——企业发现维护知识库的成本远超收益。技术解密：为什么LISP语言成为AI的“母语”？符号处理之王LISP直接操作逻辑表达式（如“AND/OR/NOT”），天然适合编写专家系统的规则库。自举奇迹史上首个LISP编译器就用LISP自身写成，这种“自我繁殖”特性让科学家着迷。直到今天，航空航天软件仍在使用LISP变种。经典代码片段：
lisp
(defrule 是否发烧 (体温 ?x) => (if (>= ?x 38) (assert (诊断 发热)))) 思想实验：如果专家系统没有被过度炒作？假设1980年代投资者更理性，AI商业化进程放缓10年——今天的ChatGPT可能会更注重逻辑推理而非大数据暴力破解？历史提醒我们：技术发展需要理想主义与商业现实的微妙平衡。
AI冷知识1985年，美国曾用专家系统管理核电站，结果操作员过度依赖AI建议，差点引发事故。这催生了最早的人机协同原则：“机器做计算，人类做判断”。
下期预告《ImageNet时刻：神经网络的复仇》——21世纪初，一群被嘲笑的科学家如何用图片分类比赛，掀起改变世界的深度学习革命？
