深度学习之前的人工智能：从逻辑推理到统计学习的探索之路
在深度学习席卷全球、大模型成为AI代名词的今天，我们很容易忽略一个事实：人工智能的历史远比神经网络的复兴要悠久得多。事实上，在2012年深度学习真正崛起之前，AI领域已经历了数十年的探索、高潮与低谷，形成了丰富而多元的技术体系。这段“前深度学习时代”的发展历程，不仅奠定了现代AI的理论基础，也深刻影响了后续技术演进的方向。
起源：符号主义与逻辑推理（1950s–1970s）
人工智能的正式诞生通常追溯到1956年的达特茅斯会议。彼时，研究者们普遍相信：智能的本质在于符号操作和逻辑推理。这一思想被称为“符号主义”（Symbolism）或“基于规则的方法”。
早期代表性成果包括：
- 逻辑理论家（Logic Theorist, 1956）：由纽厄尔、肖和西蒙开发，能自动证明数学定理，被视为首个AI程序。
- 通用问题求解器（GPS, 1957）：尝试通过目标分解和手段-目的分析解决各类问题。
- 专家系统雏形：如DENDRAL（1965），用于化学结构分析，通过人工编码的规则模拟专家决策。
这些系统在特定领域表现优异，但严重依赖人工知识构建，缺乏泛化能力，且难以处理不确定性或模糊信息。
第一次AI寒冬与反思（1970s）
由于早期过度乐观的承诺未能兑现，加上计算资源有限、知识获取瓶颈（即“知识工程”难题），AI在1970年代遭遇第一次“寒冬”——政府资助锐减，公众兴趣消退。人们开始质疑：仅靠符号推理是否足以实现真正的智能？
复苏：知识工程与专家系统的黄金时代（1980s）
1980年代，随着商业需求增长，AI迎来短暂复兴，核心是专家系统（Expert Systems）。这类系统将人类专家的知识编码为“如果-那么”规则库，并结合推理引擎进行决策。代表性系统包括：
- MYCIN：用于诊断细菌感染并推荐抗生素；
- XCON：DEC公司用于配置计算机硬件，每年节省数千万美元。
专家系统在医疗、金融、工业等领域取得实用成功，但其局限性也日益凸显：知识获取困难、维护成本高、无法学习新知识。一旦超出预设规则范围，系统便束手无策。
转向：连接主义与早期神经网络（1980s–1990s）
与此同时，另一条技术路线悄然兴起——连接主义（Connectionism），主张智能源于大量简单单元的互联与学习。1943年麦卡洛克和皮茨提出首个神经元数学模型，1958年罗森布拉特发明感知机（Perceptron），但因无法解决非线性问题（如异或）而遭冷遇。
转机出现在1986年：鲁梅尔哈特等人重新发现并推广反向传播算法（Backpropagation），使多层神经网络能够有效训练。尽管受限于算力和数据，这一时期仍涌现出如LeNet（1989）等早期卷积网络雏形，为日后图像识别埋下伏笔。
主流范式：统计学习与机器学习兴起（1990s–2000s）
进入1990年代，AI研究重心逐渐从“硬编码知识”转向“从数据中学习”。随着互联网兴起，大规模数据集成为可能，统计学习方法成为主流。这一时期的关键技术包括：
- 支持向量机（SVM）：在小样本下表现优异，广泛用于分类任务；
- 隐马尔可夫模型（HMM）：主导语音识别与序列建模；
- 贝叶斯网络：用于不确定性推理与因果建模；
- 决策树与随机森林：可解释性强，适用于结构化数据；
- n-gram语言模型：支撑早期机器翻译与语音识别系统。
这些方法虽不如今日深度学习强大，但在当时已能解决大量实际问题。例如，IBM的Candide系统（1990s）利用统计方法实现英法机器翻译；Google早期的搜索排序也依赖传统机器学习模型。
小结：承前启后的奠基时代
深度学习并非凭空出现，而是站在前人数十年积累的肩膀上。符号主义教会我们形式化推理的重要性；专家系统揭示了知识表示的价值；统计学习则证明了数据驱动方法的可行性；而早期神经网络则保留了“端到端学习”的火种。
正是这些看似“过时”的技术，共同构成了AI发展的完整图谱。它们或许不再站在舞台中央，但其思想内核——如可解释性、不确定性处理、知识融合——依然是当前AI研究的重要课题。理解这段历史，不仅有助于我们更全面地认识人工智能的本质，也为未来突破提供了宝贵启示：真正的智能，或许正藏在多种范式的融合之中。