文献信息
标题：A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence
作者：J. McCarthy（达特茅斯学院）、M. L. Minsky（哈佛大学）、N. Rochester（IBM）、C. E. Shannon（贝尔实验室）
日期：1955 年 8 月 31 日
说明：这是一份经费申请书，不是期刊论文，没有图表。它是 AI 领域的奠基文件。
1955 年 8 月，约翰·麦卡锡坐在达特茅斯学院的办公室里，起草了一份申请书，向洛克菲勒基金会要 13,500 美元。
申请的目的是这样写的："我们提议，在 1956 年夏天，在新罕布什尔州汉诺威的达特茅斯学院，对人工智能进行一项为期两个月的十人研究。这项研究以这样一个猜想为基础：智能的每一个方面，或者智能的任何特征，都可以被精确描述，因此可以用一台机器来模拟。"
他们认为，如果选对了人，一个暑假就能"在一个或多个问题上取得重大进展"。
这份文件后来被称为"达特茅斯提案"。
它正式为一个领域命了名，这个名字今天出现在每一条科技新闻里，出现在每一家科技公司的战略文件里，出现在每一个国家的政策文件里：人工智能（Artificial Intelligence）。
在这份文件之前，这个词不存在。
1955 年的时候，麦卡锡想做的事，已经有不少人在做了。
图灵在 1950 年提出了图灵测试，声称如果一台机器的回答让人无法分辨它是人还是机器，那么这台机器就可以被称为"会思考的"。
香农在 1950 年写了一篇关于机器下棋的论文，真的编程实现了一个下棋程序。
控制论的创始人诺伯特·维纳已经在用"Cybernetics"这个词描述机器与有机体中的控制和通信。
冯·诺依曼在研究自动机和自复制系统。
但这些工作分散在不同的学科旗帜下，彼此之间的对话很有限。
控制论（Cybernetics）：诺伯特·维纳在 1948 年提出的跨学科框架，研究动物和机器中的控制与通信机制。是 AI 的重要前身，但更侧重反馈回路和自动调节，而非通用问题求解。
麦卡锡不满意现有的名字。
"控制论"太强调维纳个人，而他和维纳在技术路线上有分歧。
"数学逻辑"太窄，局限在形式系统里。"神经网络"太具体，暗示只能走模拟大脑这一条路。
他想要一个中性的新词，让这个领域拥有独立的身份，不附属于任何一个已有的权威，也不预设任何具体的技术路线。
他后来承认："我想拥有一个独立的领域名称，这样我就不需要与维纳就控制论争论，也不需要与逻辑学家就逻辑争论。"
"Artificial Intelligence"是他发明的。
这个词大胆，甚至有些挑衅，因为用"智能"（Intelligence）这个词，就是在宣称机器可以做人类最核心的那件事。
它在当时引起过争议，有人觉得太夸张，有人觉得太模糊。
但这个命名最终成了整个时代的旗帜。
一个好名字能让一个领域更真实地存在，AI 这个词做到了。
提案由四个人联署，但每个人都附上了自己单独的研究计划。
读这些计划，你会发现他们的关切点差距很大，背景迥异，几乎像是在谈四个不同的领域。
正因如此，他们需要一个足够宽泛的名字把这些都装进去。
克劳德·香农：从不可靠到可靠，从噪声到智能
信息论（Information Theory）：香农在 1948 年创立，研究信息的量化、传输和压缩的数学理论。核心概念是熵（Entropy），衡量信息的不确定性。它不只是通信理论，它是现代 AI 的数学基础之一，从数据压缩到神经网络的损失函数都有它的影子。
香农在提案里提了两件事，两件都极具远见。
第一，把信息论用于计算机的可靠性问题：怎么用不可靠的元件构建可靠的系统？1955 年的计算机用的是真空管，真空管会随机烧坏，容错能力几乎为零。
香农想用信息论里处理"噪声信道"的思想，来解决计算机的容错问题，引入冗余来对抗错误。
这个想法在 70 年后的 AI 语境里有了一个奇怪的回响：Transformer 里的注意力机制、Dropout 正则化、集成方法，都是某种形式的"在不确定性中保持稳健"。
第二件事更有意思：他提出从极其简单的环境开始，逐步构建能适应复杂环境的大脑模型。
他明确说，大家通常想让机器做最先进的人类活动，比如证明定理或者谱写音乐。
但他建议先从非对抗性、非复杂的环境入手，一步步往上走。
这个"课程式渐进"的思路，今天在强化学习里叫 Curriculum Learning（课程学习），是训练复杂任务智能体的标准技巧。
1955 年有人提出这个框架，至今还有人在发论文研究怎么设计课程。
课程学习（Curriculum Learning）：让模型先从简单的例子学起，逐渐过渡到更难的样本，模拟人类教育中的"先学基础再学复杂"逻辑。香农在 1955 年的思路是这个概念的早期表述，Bengio 等人在 2009 年将其正式化为机器学习方法。
马文·明斯基：感知、运动和内部世界模型
明斯基当时是哈佛的初级研究员，刚刚完成神经网络方面的普林斯顿博士论文。
他描述的机器，有感知输入，有运动输出，通过试错学习，在内部建立一个"抽象的环境模型"。
这个内部模型让机器能够在真正行动之前，先在脑子里演练。
他写道：
"如果给机器提出一个问题，它可以先在内部的抽象模型里探索解决方案，然后再做外部实验。由于这个预先的内部研究，外部实验看起来会相当聪明，行为将不得不被认为是相当'有想象力的'。"
世界模型（World Model）：智能体对环境的内部表征，让系统可以在真实行动之前模拟行动后果，从而减少真实世界试错的代价。今天在 Model-based RL 和 AlphaGo/AlphaZero 中大量使用。
这段话是 1955 年写的。
它描述的就是今天强化学习里 Model-based 方法的核心思想，也是 AlphaGo 下棋时使用的树搜索思路：先在内部模型里模拟无数局，再做选择。明斯基的这段话值得写进教科书。
纳撒尼尔·罗切斯特：随机性是创造力的来源吗？
罗切斯特是 IBM 701 计算机的主要设计者，一个有很强工程直觉的人。
他的问题是：机器怎么才能有"独创性"？
他的论证很有力量。他说，人类文化积累了大量解决问题的规则，但当面对一个全新的、从未被解决过的问题时，这些规则都不管用。
人这时候需要"顿悟"，一个出乎意料但不完全没有道理的想法。
他认为这种顿悟来自"可控的随机性"：在有序的思维中注入适量的随机，让思路能够跳出固有轨道。
他还观察到：人类在说话犯错时，产生的通常是"几乎有意义的"错误，而不是完全无意义的噪声。
比如一个半睡半醒的人说出的话，往往错但不彻底错，像是一个被随机扰动了一点的正确句子。
他认为这恰恰说明大脑的"错误机制"具有某种内置的随机引导，而不是纯粹的崩溃。
今天大语言模型里的"温度"（Temperature）参数，就是在控制输出的随机程度。
Temperature=0 是完全确定的，永远选最高概率的词；Temperature=1 或更高，引入随机，有时会产生更有创意的输出，有时会产生更多错误。
罗切斯特的问题在 2024 年变成了一个采样超参数的调优问题，但它本质上还是同一个问题。
采样温度（Sampling Temperature）：控制语言模型输出随机性的超参数。数值越低，输出越确定、越保守；数值越高，输出越多样、越"创意"，但也越不稳定。这个机制直接实现了罗切斯特 1955 年描述的"可控随机性"直觉。
约翰·麦卡锡：语言是智能的关键
麦卡锡自己关注语言。
他认为，仅靠感知和运动的试错，无法产生复杂的行为。
人类用语言来处理复杂现象，语言让思维可以在更高的抽象层次上进行推理，而不是在原始的感知-动作层面盲目探索。
他指出，自然语言有几个当时所有形式语言都不具备的特征：可以自我参照（self-reference，语言里可以谈论语言本身），可以表达猜测（conjecture，不只是陈述已知事实），有很强的表达简洁性（同样的论证，英语比任何逻辑语言更短）。
他想构建一种兼具这些特性的形式语言，既能被计算机执行，又接近人类自然的推理方式。
三年后，他发明了 LISP（1958 年）。
LISP：由麦卡锡在 1958 年设计的编程语言，第一个以符号处理为核心的高级语言，具有灵活的列表操作和宏系统。在接下来的 30 年里，它是 AI 研究的首选语言，深刻影响了后来所有的函数式编程语言。
LISP 的核心设计思想是：把程序和数据用同样的形式表示（s-expressions），程序可以把其他程序当成数据来处理。这就实现了麦卡锡说的那种"自我参照"。
他在 1955 年就知道他想要什么，只是还没想清楚怎么做。
提案开头列了七个"人工智能的方面"，他们打算在那个夏天研究的核心问题。
这是一份极其浓缩的研究大纲，值得一条一条看，因为它们几乎是 AI 整个发展史的目录。
1. 自动计算机：可以被编程来模拟任何其他机器。当时的障碍不是计算机速度太慢，而是人们还不会编程，不知道怎么充分发挥计算机的能力。
这个问题今天的版本是：怎么让大模型在复杂任务上实现规划和执行？从 1955 年的"怎么给早期计算机写程序"，到 2025 年的"怎么让 LLM Agent 可靠地操作工具完成多步任务"，问题的本质没有变，只是难度和规模都大了几个数量级。
2. 机器怎么使用语言：让机器操纵词语，根据推理规则和猜测规则进行推理。
当时的认识是，人类大量的思维是在操纵词语。
这个问题已经被以一种特定方式"回答"了：GPT-4、Claude 这类大语言模型可以流畅地生成和理解人类语言。
但"机器是否真正理解语言"还是争议不断的问题，语言模型是否在"推理"还是在"统计匹配"，这个争论在 70 年后仍然没有定论。
3. 神经元网络：一组神经元如何排列才能形成概念？当时明斯基、罗切斯特和霍兰德已经在用计算机模拟神经网络，但基础理论还不完整。
这个问题催生了整个深度学习领域。
从感知机（1957）到反向传播（1986）到深度卷积网络（2012）到 Transformer（2017），走了整整 60 年，才在某些任务上真正做出了实用的"概念形成"系统。
感知机（Perceptron）：1957 年由 Frank Rosenblatt 提出的最早神经网络模型，能学习线性分类规则。它是响应达特茅斯会议之后的第一波神经网络热潮的核心产物，后来因无法解决非线性问题（XOR 问题）而遭受批评，触发了第一次神经网络低谷。
4. 计算的规模理论：怎么度量一个计算问题的复杂性？当时香农和麦卡锡都在独立研究这个问题。
这个问题后来演变成了计算复杂性理论（P vs NP 问题就属于这个范畴），成为理论计算机科学的基础。
P=NP 问题至今是未解的百万美元问题。
P vs NP 问题：计算复杂性理论中最核心的未解问题，问的是"能被快速验证的问题"和"能被快速解决的问题"是否是同一类。如果 P=NP，许多目前认为困难的问题都会变得可以高效求解，包括密码学的基础假设会崩塌。克雷数学研究所悬赏百万美元，该问题至今悬而未决。
5. 自我改进：真正智能的机器会改进自己。怎么实现？
这个问题今天叫"递归自我改进"（Recursive Self-Improvement），是 AI 安全领域最核心的研究课题之一。
当一个 AI 系统能够修改和改进自身时，会发生什么？
这个问题的答案可能决定人类未来的命运，但答案还在研究中。
递归自我改进（Recursive Self-Improvement）：AI 系统在没有人类干预的情况下，不断改进自身能力的过程。如果这个过程可以无限加速，就是"智能爆炸"（Intelligence Explosion）假说的起点，也是 AI 安全研究的核心关注场景之一。麦卡锡的同事在 1955 年就意识到这个问题需要认真研究。
6. 抽象：机器如何从感知数据中形成抽象？
这个问题在今天的语境里是：深度学习里的表征学习（Representation Learning），即神经网络内部的特征如何对应现实世界中的概念？
可解释 AI 研究的核心问题也是这个：网络里的哪些模式对应了哪些抽象概念？
7. 随机性与创造力：创造性思维和有能力但无创意的思维，区别在于注入了受控的随机性。
这个问题从未被"解决"，只是被重新表述了很多次。
现在的版本：采样策略（Top-P、Temperature、Beam Search），以及生成式 AI 是否真的在"创造"，还是只在"重组"？
七个问题，七十年，没有一个被彻底关上。
提案末尾附了一份"对人工智能感兴趣的人"的通讯录，共约 47 人。
翻开这份名单，有几个名字需要单独说一说。
赫伯特·西蒙和艾伦·纽厄尔：卡内基理工学院（今天的 CMU）的两位研究员，达特茅斯会议上带来了一个程序叫 Logic Theorist，这个程序能自动证明《数学原理》里的数学定理。
这是 AI 历史上第一个真正意义上的"人工智能程序"，当时有几个证明甚至比罗素和怀特海的原版更优雅简洁。
西蒙后来获得了诺贝尔经济学奖。
Logic Theorist（逻辑理论家）：1956 年由纽厄尔和西蒙开发的程序，被认为是第一个 AI 程序，能够自动证明数学定理。它用的是"启发式搜索"而非穷举，这是 AI 中至今仍在使用的核心方法。
约翰·纳什：普林斯顿高等研究院的数学家，博弈论天才，2015 年诺贝尔经济学奖得主。
《美丽心灵》的原型人物。1955 年，纳什刚 27 岁，博弈论那篇奠基论文发表才 5 年。
他出现在这份名单上，说明当时已经有人意识到博弈论和 AI 的联系，但这个方向在后来的 AI 研究中被边缘化了几十年，直到强化学习和多智能体系统兴起，纳什均衡才重新变得重要。
约翰·霍兰德：密歇根大学，后来发明了遗传算法（Genetic Algorithm）。
这是模拟自然选择的计算方法，1975 年正式发表，成为进化计算领域的基础。
沃伦·麦卡洛克和沃尔特·皮茨：麦卡洛克的名字在列，他和皮茨在 1943 年发表的《神经活动内在思想的逻辑演算》（A Logical Calculus of Ideas Immanent in Nervous Activity），建立了第一个神经元的数学模型，是深度学习的直接祖先。
没有麦卡洛克-皮茨神经元，就没有今天的神经网络。
这份名单的密度让人目眩：多个诺贝尔奖得主，多个图灵奖得主（图灵奖 1966 年才设立），几乎囊括了那个时代所有准备在这个方向工作的顶级头脑。
他们当时的平均年龄不过三十出头。
1956 年 7 月到 8 月，会议真的举行了。
但它没有达到提案里设想的那种集中突破。
参与者来了又走，有些人只参加了几天。大家各自带着自己的研究问题，没有形成一个统一的工作流程。
明斯基后来说，会议更像是一系列的报告和讨论，而不是协作攻坚。
没有预期中的"重大进展"被宣布，没有一个问题被真正"解决"。
洛克菲勒基金会批准的经费也比申请额少，最终只给了 7,500 美元。
但从另一个角度看，这次会议做成了一件非常重要的事：它把一群分散工作的人聚在一起，让他们互相看到对方在做什么，形成了一种共同的语言和身份认同。
它确认了：这是一个领域，不只是一群偶然在做相似事情的人。
Logic Theorist 在会上的展示尤其重要。
纽厄尔和西蒙带来了一个真正能运行的程序，而不只是一个理论构想，这给了所有人信心：这件事是可以做到的。
这份提案只有 13 页。
读它的时候，我一直在想一件奇怪的事：这四个人在 1955 年写这些的时候，根本不知道自己在做什么。
他们不知道自己在奠基，不知道 70 年后有几十亿人在使用他们命名的技术，不知道"人工智能"会成为 21 世纪最重要的词汇之一。
他们只是觉得这个问题很有意思，想花一个暑假认真试一试。
麦卡锡提出的语言问题，今天变成了 ChatGPT 和 Claude。
明斯基描述的内部模型，今天叫世界模型和链式推理。
罗切斯特的"可控随机性"，今天叫温度采样和 top-p 策略。
香农的信息论，渗透在所有现代 AI 系统里，从损失函数到压缩算法。
他们提出的七个问题，七十年后一个都没有被彻底关上。
这里有一件让我困惑但也着迷的事：他们在 1955 年能想到的大多数方向，今天都变成了真实的研究领域。
他们预见的问题，几乎每一个都对。但他们低估的，是这条路需要多长时间。
他们以为一个暑假，结果是七十年，而且还没结束。
这也许说明：看对方向比预估时间线更重要，或者更容易。