AI史论3-莱特希尔报告、组合爆炸与被忽视的关键火种

如果把今天的大模型带回1973年的英国，很多当时最有声望的学者大概率不会把它视为可信的技术成果，而会把它当成一种不负责任的幻想。这并不只是因为那个时代缺乏足够的想象力，更因为在当时，西方主流学界和资助体系刚刚对“机器智能”作出一次近乎盖棺定论式的否决：他们认为，这条路在现实世界中已经走不通了。

20世纪60年代末，欧美曾在冷战压力下对机器智能投入大量预算。无论是自动翻译、目标识别，还是决策辅助，许多人都相信机器很快会获得接近人类的认知能力。但到了1973年，这种乐观判断被英国一份官方评估报告迅速逆转。短短几个月内，欧洲关于机器智能的大部分经费遭到清空，美国也因类似的预算收缩进入大面积停摆，人工智能研究正式跌入第一次寒冬。

真正耐人寻味的地方在于：就在这场系统性悲观判断出现之后不久，支撑今天深度学习与大模型训练的核心方法——反向传播——已经在哈佛的一篇博士论文中被清楚写出，只是没有被时代接住。也就是说，当主流共同体宣布“这条路已经死了”的同时，通向下一阶段的关键算法其实已经出现。

因此，1973年的寒冬并不只是一次预算削减事件。它更像是一次关于“智能究竟是什么、应当如何实现”的集体误判与重新分流。理解这场寒冬，才能理解为什么人工智能后来会从手工规则、逻辑穷举和知识编码，转向学习、优化与参数涌现。

一、寒冬发生之前：AI并不是一个统一的共同体

从今天回看，“AI”似乎一直是一门相对明确的学科，但在20世纪五六十年代，这一领域实际上长期处于概念割裂状态。所谓“人工智能”并不是天然存在的统一共同体，而是在不同学术传统、不同预算体系和不同国家语境中彼此竞争的多个分支集合。

控制论之父诺伯特·维纳使用的是“控制论”；冯·诺依曼相关体系谈的是“自动机理论”；图灵一脉更接近“机器智能”；纽厄尔和西蒙则更倾向于“复杂信息处理”。直到1956年达特茅斯会议以后，麦卡锡提出的“Artificial Intelligence”才逐渐成为美国主导的话语标签，但即便如此，这一名称也并未立刻得到普遍承认。英国学者长期坚持“机器智能”的表述，而纽厄尔、西蒙等人也对“AI”这种带有强烈营销色彩的命名并不买账。

这种概念上的分裂很重要，因为它说明：到1970年代初，被“莱特希尔报告”否定的，并不是一个高度成熟、内部一致的学科，而是一套在冷战预算推动下快速膨胀、却尚未解决根本方法问题的研究集合。过去十几年里，许多项目依靠宏大叙事和未来承诺获得支持，但真正能够在复杂现实中稳定运行的系统却极其有限。预算方最终开始追问：这些钱究竟换来了什么？

二、莱特希尔为何会被选中：这本质上是一场预算审判

1973年，英国科学研究委员会（SRC）委托数学家詹姆斯·莱特希尔对人工智能研究进行全面评估。这一行动表面上是学术调查，实质上首先是一场预算审计。英国科研经费承压，各路研究团队都在声称只要再给一些资金，就能够逼近类人智能。政府需要的不是温和协调，而是一份足以为砍预算提供正当性的外部判定。

莱特希尔的被选中极具象征意义。他不是计算机科学家，也不是神经科学家，而是剑桥卢卡斯数学教授，流体力学领域的顶级学者。对他而言，真实世界是连续、复杂、不可被轻易拆分的；而当时AI研究中最主流的工作，却是在离散符号、规则系统和小规模可控环境里搭建逻辑演示。这种视角差异几乎注定了他会对当时AI研究的主流做法持怀疑态度。

也正因为如此，英国政府让莱特希尔出面，本身就不是中性动作，而是带有鲜明政治与制度含义的选择：要用传统基础科学家对复杂物理世界的常识，去刺破计算机学者们用实验室示范和未来承诺吹起的泡沫。

三、莱特希尔真正否定的，不是“机器”，而是“玩具问题外推现实”的方法

莱特希尔最核心的批评，并不在于机器永远不可能处理复杂任务，而在于当时AI研究者用小规模成功去外推真实世界，存在严重的方法论问题。很多实验系统确实能够在有限变量、受控边界和明确目标的“玩具问题”中表现不错：在小词库中做翻译，在棋盘上计算几步走法，在严格限定环境中让机械臂搬几块木头。问题在于，这些成果并不能自然推导出它们可以在现实世界里稳定工作。

在莱特希尔看来，当时学界患上的正是某种“宏大叙事依赖症”：在实验室里做出几个局部演示，就敢向政府承诺十年内造出能替代翻译官、指挥官甚至大脑本身的系统。这种承诺之所以危险，不是因为机器完全无用，而是因为它忽略了一个最基本的技术事实——现实世界的问题复杂度，远不是靠规则字典和内存线性增长就能覆盖的。

因此，莱特希尔的核心工作，其实是把争论从“你有没有做出几个有趣程序”重新拉回到“这些程序能否扩展到真实世界”上。而一旦问题被放在这个尺度上，当时主流AI系统的短板就变得异常清晰。

四、组合爆炸：1973年压垮主流AI的真正障碍

莱特希尔将问题集中到一个后来反复出现的概念上：组合爆炸（combinatorial explosion）。这几乎是1970年代AI面临的最致命现实障碍。其本质在于，一旦问题中的变量与可能分支略微增多，系统需要搜索、比较和推演的状态空间就会以指数级方式膨胀，而不是以人们直觉以为的线性方式增长。

这一点在当时尤其致命。早期机器在小规模问题上显得“聪明”，是因为变量数少、空间有限，穷举和规则匹配尚可勉强运行。但一旦进入真正的自然语言、视觉理解和复杂决策，机器面对的是海量交叉变量，状态空间会迅速膨胀到根本无法承受的程度。文本中举了国际象棋和香农数的例子，说明如果缺乏有效的策略筛选机制，仅靠机械穷举，计算需求将达到天文尺度。

更重要的是，在1973年的硬件条件下，这个问题几乎无解。最先进机器的内存也只有几百KB，处理速度与今天相比极其有限。让这样的系统去处理成百上千变量交织的语言、视觉或知识推理任务，结果不是“有点慢”，而是很快耗尽资源，直接卡死。莱特希尔看到的，就是一群手里只拿着铲子的人，试图靠穷举去填平一条数学与物理共同构成的深渊。

这也是为什么莱特希尔的批评在当时如此有力：他指出的并不是某个项目执行不好，而是整条主流路线在真实复杂度面前不成立。对于预算方而言，这种批评几乎无法反驳。

五、BBC辩论与报告落地：从学术质疑到制度性冻结

围绕莱特希尔报告，BBC还组织了一场极具标志性的公开电视辩论。坐在一侧的是莱特希尔，另一侧则是代表机器智能阵营的重要人物，包括麦卡锡和唐纳德·米奇。对方试图用实验室中的“积木世界”等案例证明机器智能仍有广阔未来，而莱特希尔则直接追问：一旦脱离这些被严格限定的环境，系统是否还能在变量稍微增加时维持运行？如果答案是否定的，那么那些更宏大的承诺就没有现实基础。

在当时的硬件和算法条件下，这一追问实际上没有令人信服的回答。辩论结束后，英国政府迅速依据报告削减了绝大多数机器智能研究机构的资助，只保留少量理论研究经费。与此同时，美国也因曼斯菲尔德修正案而大幅削减一切不能直接证明军事价值的研究投入。结果是，欧洲与美国几乎同步完成了一轮主流AI研究的系统性冻结。

从此以后，全球机器智能研究正式坠入第一次AI寒冬。舞台中央的主流叙事失去了资金与信任，而原本被压在边缘地带的许多异端方向，则不得不在几乎看不见的地方继续生存。

六、寒冬没有终止探索：真正重要的火种转入边缘地带

第一次AI寒冬的一个关键后果，是它结束了某些过度乐观的主流叙事，但并没有终止真正有价值的技术探索。相反，许多后来极其重要的方法，恰恰是在这一轮主流撤退之后，于体制边缘继续成长的。文本中给出了三条非常重要的平行暗线：模糊逻辑、遗传算法和反向传播。

模糊逻辑打破了传统布尔逻辑非黑即白的限制，引入介于0和1之间的连续隶属度。它在西方主流数学传统中显得异端，却在日本工业界大获成功，被用于电饭煲、洗衣机和地铁控制系统，说明现实中的智能控制并不总是建立在严格离散规则之上。更深一层看，模糊逻辑保留下来的连续映射思想，也与后来神经网络中的激活函数思路形成了隐约的谱系联系。

遗传算法则更进一步，直接挑战了“智能必须由程序员逐条写入规则”的信念。霍兰德把生物进化机制翻译成代码结构，让候选解在适应度筛选、交叉与突变中自行演化。这种思想在1970年代几乎拿不到主流经费，但后来在复杂优化、AutoML 和多智能体系统中发挥了极大影响。它的重要性在于：它彻底松动了“人类必须先写出解决方案”的前提。

这两条路线都说明，第一次AI寒冬并不只是冷却，它还迫使一些更具生命力的思想脱离主流控制，在新的土壤中慢慢成长。

七、真正被错过的转折点：1974年的反向传播

在这些边缘火种中，最重要也最令人遗憾的，显然是保罗·韦伯斯在1974年提出的反向传播。就在莱特希尔报告之后、主流学界普遍视神经网络为禁区的时候，韦伯斯已经在哈佛的博士论文中清楚推导出多层神经网络训练所需要的关键数学法则。

这一点之所以关键，是因为当时整个神经网络路线真正被卡住的地方，不在于“有没有想到多层网络”，而在于“如何训练隐藏层”。单层感知机的局限大家早已知道，多层网络也被认为理论上有希望，但没有人知道中间层权重应如何根据最终误差被有效调整。韦伯斯通过控制论、动态规划与链式求导，将误差信号自输出端反向传播到输入端，使每个神经元都能根据自己对最终错误的贡献比例更新参数。这正是今天深度学习训练的核心。

从原理上说，反向传播并没有神秘色彩，它只是用一种极其精巧的方式解决了“责任分配”问题。机器先给出预测，再与标准答案比较得到误差，然后利用链式法则把误差信号逐层回传，让每个参数都知道自己该调整多少。这套“正向计算—反向追责—参数微调”的循环，后来支撑了从图像识别到大语言模型的一切大规模学习系统。

但在1974年，这篇论文几乎没有引发任何波澜。原因很简单：主流学界此时谈“神经”色变，神经网络方向本身带有明显学术风险；与此同时，即便算法已经成立，当时的硬件也几乎不具备运行大规模训练的条件。结果就是，真正能改变路线命运的钥匙已经出现，整个时代却没有准备好接受它。

八、这场寒冬真正改变了什么

如果只把1973年的寒冬理解为一次预算危机，就会低估它的历史意义。它真正改变的，不只是拨款流向，而是整个人工智能领域对“智能本质”的理解方式。莱特希尔用极端而现实的方式，强行终结了达特茅斯会议以来那种依靠少量规则、少量演示和少量想象就试图穷尽世界的浮躁乐观主义。

从这一点看，寒冬并非纯粹破坏性的。它确实冻结了大量研究，也让许多本可继续发展的方向遭受重创；但它同时也用最残酷的方式筛掉了一批只能在PPT和玩具世界里成立的脆弱理论。真正能穿越寒冬留下来的，不是最会讲故事的路线，而是那些即使拿不到预算、即使遭遇排斥，仍然具有方法论生命力的思想。模糊逻辑、遗传算法和反向传播都属于这一类。

因此，这场寒冬更像是一场极端的自然选择：它并没有给出终极答案，却逼着整个领域不得不重新学习一个事实——智能也许不是靠人类提前写出整个世界，而是靠系统在复杂数据与误差反馈中逐步形成结构。

1973年的AI寒冬之所以重要，并不是因为它证明“机器智能不可能”，而是因为它用一次极具杀伤力的制度性打击，宣告了当时那套主流路线在现实复杂度面前已经失效。莱特希尔真正否定的，不是未来所有机器学习的可能，而是那种以玩具问题演示为基础、试图靠规则堆砌和穷举扩展到整个世界的想法。