人工智慧：一個演算法如何讓機器學會思考
於是，另一條路線悄悄浮現：與其教機器規則，不如讓機器自己學規則。這就是「連接主義」，也是今天我們所說的「機器學習」與「神經網路」的思想源頭。
二、演算法的骨架：機器「學會」的機制究竟是什麼
在談具體演算法之前，我們需要先建立一個共同的語言。今天我們所說的「機器學習」，幾乎都繞不開三個要素：模型、損失函數、優化方法。
模型：一個帶有大量可調參數的函數。你把輸入丟進去，它吐出一個預測。
損失函數：一把尺，用來衡量預測和答案之間差了多少。
優化方法：一套規則，告訴模型該怎麼調整參數，才能讓損失變小。
「學習」這個詞在這裡被賦予了一個非常具體的含義：調整參數，讓損失下降。機器並不是在「理解」世界，而是在搜尋一組能讓錯誤最小化的數字組合。這聽起來很降格，但正是這種降格，讓思考變成了可計算的問題。
感知器：第一個會調整自己的權重
1958年，弗蘭克·羅森布拉特提出了「感知器」（Perceptron）。它的構造簡單得令人失望：接收多個輸入，每個輸入乘以一個權重，加總之後，如果超過某個閾值就輸出1，否則輸出0。就是這麼一個線性分類器，卻包含了一個革命性的機制——它可以根據錯誤自動調整權重。
想像你要教一個從未見過蘋果的系統分辨蘋果。你給它看一張圖片，它猜錯了。感知器的學習規則會告訴它：把剛才那些導致錯誤的權重調小一點，把方向正確的權重調大一點。下一次再看到類似的圖片時，它的判斷就會往正確的方向靠近一步。這個過程不需要人類告訴它「蘋果是紅的、圓的」，它自己從錯誤中慢慢逼近一個可用的邊界。
這就是「學習」的雛形。不是被灌輸知識，而是透過回饋修正自己。羅森布拉特當時的樂觀程度，幾乎可以用狂熱來形容。他認為感知器終將學會一切，包括語言和意識。但很快，明斯基與派珀特在1969年出版的《感知器》一書中，用數學證明了單層感知器的致命限制：它連最簡單的「異或」（XOR）問題都無法解決。
異或問題的意思是：當兩個輸入相同時輸出0，不同時輸出1。你無法用一條直線把這兩類點分開。單層感知器只能畫直線，所以它永遠學不會異或。這個證明，加上當時對AI的過度承諾開始反噬，直接引發了第一次「AI寒冬」。
反向傳播：錯誤如何變成老師
如果單層不行，那就多層。多層神經網路的概念其實很早就有了，但問題是：當你有多層時，你要怎麼知道中間那些「隱藏層」的參數該怎麼調？輸出層錯了，你可以直接改輸出層；但隱藏層的錯誤是什麼？你根本看不到。
反向傳播演算法（Backpropagation）解決了這個問題。它的核心思想是微積分裡的鏈式法則：把輸出層的誤差，一層一層往回傳，算出每一個參數對最終誤差的「責任大小」，也就是梯度。有了梯度，就可以用梯度下降法更新參數。
這個過程可以用一個比喻來理解。想像一支足球隊輸了比賽。教練不會只罵前鋒，他會回頭分析每一次傳球、每一次跑位，看看是哪個環節導致了失球。反向傳播做的就是這件事：把最終的「輸球」這個結果，一層層拆解成每個球員的責任，然後讓每個人下次調整自己的跑位。
反向傳播在1980年代被多位研究者獨立提出並推廣，其中魯梅爾哈特、辛頓與威廉斯的1986年論文影響最深。它讓多層神經網路終於有了可訓練的方法。一時之間，研究者相信類神經網路的時代要來了。但現實是殘酷的：當時的資料量太小、算力太弱，深層網路訓練不起來，梯度會消失，模型會過擬合。於是，第二次AI寒冬在1990年代降臨。
從符號到統計：兩條路線的百年拉扯
在神經網路沉寂的那些年裡，另一條路線悄悄壯大：統計機器學習。支持向量機、隨機森林、隱馬可夫模型等技術，在語音辨識、垃圾郵件過濾、手寫辨識等任務上取得了實用成果。這些方法不需要模擬大腦，它們只需要數學上的良好性質。
於是，AI研究分裂成兩個陣營：一邊相信「智慧來自符號與邏輯」，另一邊相信「智慧來自資料與統計」。前者追求可解釋性，後者追求預測準確率。這場爭論持續了數十年，直到深度學習的崛起，才以一種粗暴的方式暫時分出勝負——不是因為統計派在哲學上輸了，而是因為神經網路在足夠的資料與算力下，表現得更好。
這段歷史告訴我們一件很重要的事：演算法的成敗，往往不是演算法本身的問題，而是它所處的時代有沒有足夠的燃料。同樣的引擎，裝在馬車上跑不起來，裝在賽車上就能破紀錄。
三、歷史腦洞：如果這些演算法早生一百年
歷史沒有如果，但「腦洞」有。想像一下，如果反向傳播的數學早在十九世紀就被寫出來，如果巴貝奇的分析機真的被造出來，如果二戰的密碼學家手上有GPU，AI的歷史會變成什麼樣子？
巴貝奇分析機遇上梯度下降
查爾斯·巴貝奇在1830年代設計了「分析機」，這是一台具有儲存、運算、控制流程的機械式計算機，概念上已經非常接近現代電腦。問題是，它始終沒有被完整建造出來。如果它被造出來了，而且有人把梯度下降的規則寫成齒輪與凸輪的運作邏輯，我們會不會在維多利亞時代就擁有一台「會學習」的機器？
答案是：也許會，但它學得很慢。機械計算的速度，大概比人類手算快不了多少。真正的瓶頸不在演算法，而在於你無法用蒸汽驅動的齒輪，去跑一個需要數百萬次迭代的優化過程。這也說明了一件容易被忽略的事：演算法的可行性，從來都是跟硬體綁在一起的。數學可以領先時代一百年，但工程不會。
戰時密碼學與類神經網路的平行宇宙
二戰期間，圖靈在布萊切利園破解恩尼格瑪密碼，靠的是統計分析與機電計算機的結合。如果當時的團隊裡，有人同時掌握了感知器的學習規則，會發生什麼事？
想像一台專門用來破解密碼的「學習機」：它不需要事先知道密碼的規則，而是透過大量已知的明文與密文配對，自動調整內部權重，找出隱藏的模式。這在概念上已經非常接近今天的深度學習。當然，以當時的算力，它大概只能處理最簡單的替換密碼。但這個平行宇宙裡的AI，會提早二十年進入「資料驅動」的範式，而不是等到1980年代才重新發現。
被錯過的兩次寒冬
歷史上的兩次AI寒冬，本質上都是「期望膨脹—成果不足—資金撤出」的循環。第一次是因為感知器的承諾落空，第二次是因為專家系統的成本太高、維護太難。如果我們能提早理解「規模」這件事——也就是資料量與算力對模型表現的非線性影響——也許寒冬不會那麼冷。
但換個角度想，寒冬也未必是壞事。它篩掉了那些只會喊口號的人，留下了真正相信數學的人。辛頓在神經網路最不被看好的年代，仍然堅持研究，最終在2012年的ImageNet競賽中，用AlexNet證明了深度學習的威力。那一年，他已經在冷板凳上坐了幾十年。
四、規模的魔法：為什麼同一個演算法等了七十年才「醒」
2012年，AlexNet在ImageNet影像辨識競賽中，把錯誤率從26%一口氣降到15%左右。這不是一個新演算法，它用的卷積神經網路、反向傳播、ReLU激活函數，大多在1980年代到1990年代就已經存在。真正改變的，是另外三件事：資料、算力、以及一個小小的工程技巧。
資料、算力與摩爾定律
ImageNet提供了上百萬張標註圖片，這是過去的研究者無法想像的資源。同時，GPU的平行運算能力，讓訓練深層網路的時間從數週縮短到數天。再加上Dropout等正則化技巧，解決了過擬合的問題。三件事湊在一起，讓一個「老」演算法突然活了過來。
這說明了一個很容易被忽略的規律：在AI的歷史裡，演算法的突破往往是漸進的，而系統層面的突破往往是跳躍的。當資料和算力跨過某個門檻，原本不work的方法就會突然work。這不是魔法，而是規模效應。
注意力機制：一種更聰明的「看」
2017年，Google的研究團隊發表了《Attention Is All You Need》，提出了Transformer架構。這個架構拋棄了循環神經網路的序列處理方式，改用「注意力機制」：讓模型在處理每一個詞時，能同時關注句子中所有其他詞的關聯程度。
注意力機制的直覺其實很人類。當你讀到「小明把球丟給小華，因為他力氣大」這句話時，你會自動判斷「他」指的是小明，而不是小華。這個判斷來自你對上下文關係的權衡，而不是嚴格的文法規則。注意力機制就是把這種「權衡」數學化：計算每個詞對其他詞的注意力權重，再根據權重加權求和。
Transformer的出現，直接催生了後來的GPT系列、BERT、以及今天我們熟悉的各種大型語言模型。它證明了架構設計的重要性：有時候，換一種方式讓模型「看」資料，比增加更多的層數更有效。
五、它真的在思考嗎：哲學與實務的交界
講到這裡，我們已經回答了「機器如何學會」的技術問題。但那個最原始的問題仍然懸在半空中：它真的在思考嗎？
中文房間與統計鸚鵡
哲學家約翰·瑟爾在1980年提出了「中文房間」思想實驗。想像一個不懂中文的人被關在房間裡，他收到寫著中文的字條，按照一本規則手冊查表，寫出對應的中文回覆遞出去。房間外的人以為他懂中文，但實際上他只是在操作符號，完全不知道意思。
瑟爾用這個實驗主張：符號操作不等於理解。一台通過圖靈測試的機器，可能只是那個房間裡的人。它沒有「意識」到自己在說什麼。
今天的語言模型，經常被批評為「統計鸚鵡」：它們善於預測下一個詞，但並不真的理解語意。你問它一個問題，它給出流暢的答案，但那個答案的來源是訓練資料中的統計規律，而不是對世界的內在模型。當你換一種問法，它可能就露出破綻。
這個批評有其道理，但也不完全公平。人類的思考，難道不也大量依賴統計與模式？你辨認一張臉、理解一句話，背後同樣是神經元對模式的權重調整。差別可能在於，人類有身體、有感官、有與世界互動的經驗，而模型沒有。
湧現能力與不可解釋性
大型模型最令人不安的地方，是「湧現能力」。某些能力（例如多步推理、翻譯、寫程式）在模型規模跨過某個門檻之後，突然出現，而且無法從較小模型的表現中預測。研究者發現，當參數數量增加到一定程度，模型會展現出訓練目標沒有明確要求的能力。
這某種程度上呼應了複雜系統的特性：整體大於部分之和。但這也帶來了嚴重的問題——我們無法解釋模型為什麼做出某個決定。它是一個黑箱。在醫療、法律、金融等領域，不可解釋性會成為部署的巨大障礙。
有人說，這就像人類的大腦：你也不知道自己為什麼突然想到一個點子。但人類至少能給出理由，即使那個理由是事後編造的。模型連事後編造的能力，都要靠另一個模型來生成。
六、給下一個七十年的備忘錄
回顧這段歷史，我們會發現，AI的發展從來不是一條直線。它更像是一連串的「準備—等待—爆發」。圖靈埋下種子，感知器點燃希望，寒冬澆熄熱情，算力重新點火，Transformer加速前進。每一次看似突然的突破，背後都有幾十年的數學累積與工程鋪墊。
如果我們要給下一個七十年寫一份備忘錄，也許可以記下這幾件事：
最後，回到那個最樸素的問題：一個演算法如何讓機器學會思考？答案也許是：它並沒有讓機器「思考」，它只是讓機器學會了「調整自己以減少錯誤」。但正是這個看似卑微的能力，在足夠的資料與算力加持下，湧現出了讓我們驚訝的行為。
這不是終點，而是另一個起點。下一個七十年，我們大概會繼續爭論同樣的問題，只是爭論的對象會換成更聰明的機器。而在那之前，理解這個演算法如何運作，理解它的能力與限制，或許是人類最該做的事。
畢竟，會思考的機器，最終還是人類寫出來的。我們怎麼寫它，它就怎麼思考。
```