摘要：1956年夏天，达特茅斯学院的一场小型研究项目没有立刻造出会思考的机器，却第一次正式提出并推广了“人工智能”这一名称。从那之后，AI不再只是零散设想，而成为一个真正改变世界的研究方向。
今天，“人工智能”已经成为科技世界最醒目的词之一。几乎每一个热门叙事，从大模型到自动驾驶，从机器人到企业软件重构，都在这个词的笼罩之下展开。
但很少有人会追问，这个词究竟是从什么时候真正进入历史的。
很多技术并不是从产品诞生的那一刻开始改变世界，而是从一个名字被明确写下的那一刻开始聚拢资源、吸引人才、形成学科。人工智能就是一个典型例子。
1956年夏天，美国新罕布什尔州达特茅斯学院举行了一场持续数周的研究项目。它最初只是一次规模不大的学术聚会，却在后来被反复提起，并被普遍视为人工智能作为独立研究领域的象征性起点。
真正让这场会议被历史记住的，不只是参会者的分量，而是它第一次正式把一个分散已久的问题，统一到一个新名字之下：Artificial Intelligence。
一场后来被写进历史的小型聚会
这场项目的主要发起者有四位：John McCarthy、Marvin Minsky、Claude Shannon、Nathaniel Rochester。
今天回头看，这个名单几乎像一张“开宗立派”式的合影。麦卡锡后来成为人工智能领域最重要的奠基者之一，明斯基则是此后几十年 AI 争论和发展的核心人物之一，香农是信息论的创建者，罗切斯特则代表了 IBM 在计算技术和工程实践上的力量。
他们在 1955 年提交了一份项目提案，希望在 1956 年夏天组织一批研究者，在达特茅斯学院集中讨论一个雄心勃勃的问题：机器是否能够表现出某种意义上的智能。
这份提案后来之所以声名远播，不只是因为它聚集了一批早期先驱，更因为它明确使用了一个此前没有被正式确立为学科名称的词：Artificial Intelligence。
在那之前，相关研究并非不存在。人们已经在讨论控制论、自动机理论、复杂信息处理等方向，也已经在思考机器学习、逻辑推理与神经机制的关系。但这些问题仍然分散在不同话语体系里，没有形成一个足够清晰的共同旗帜。
麦卡锡做的事情，本质上像是一次学术上的“立名”。他试图把那些看似零散的探索统一起来，告诉外界，这不是几门学科边缘地带的偶发兴趣，而是一个值得独立命名、独立组织、独立投资的新方向。
一个名字，为什么会如此重要
从今天的视角看，给一个领域起名字好像只是形式问题。其实并不是。
一个研究方向一旦被命名，它就更容易获得经费支持，更容易组织会议、建立实验室、培养学生，也更容易让外界接受它的存在。命名的意义，不只是修辞，而是把模糊的探索变成可以被制度化、被传播、被扩张的事业。
达特茅斯项目最关键的贡献，恰恰不是“当场造出 AI”，而是让“人工智能”第一次以正式姿态进入科学史。
这件事听上去简单，影响却非常深远。
因为从那以后，人们谈论的不再只是某种分散的“会思考的机器”设想，而是一个有名字、有边界、有雄心的学科。这个名字成为后来数十年无数论文、实验室、创业公司、政策文件和产业叙事的共同起点。
那句著名判断，真正改变了问题的性质
在这份提案中，有一句后来被反复引用的话，大意是：
智能或学习的每一个方面，原则上都可以被描述得足够精确，以至于机器能够模拟它。
今天再读这句话，仍然能感受到其中极强的时代冲击力。
它最重要的地方，不在于它后来是否被完整证明，而在于它第一次把“智能”从一种近乎神秘的能力，拉回到一个可以被分析、拆解和工程化处理的问题上。
换句话说，这句话隐含着一个极其现代的信念：
如果智能可以被描述，那么它就有可能被制造。
这几乎构成了后来整个 AI 研究传统的底层逻辑。不管研究者走的是符号主义路线、连接主义路线，还是今天的大模型路线，大家都在围绕这个假设推进：人类那些看起来像理解、学习、推理、判断和创造的能力，是否真的可以被计算系统重现。
达特茅斯给出的答案，是明确而乐观的。
他们低估的，不是技术，而是智能本身
组织者原本设想的是，用一个夏天集中一批优秀研究者，也许就能在关键问题上取得明显进展。后来人们常常拿这一点来感慨早期 AI 先驱的乐观。
这种乐观并不难理解。20世纪50年代的计算机科学正在快速成长，逻辑、数学、控制和信息论共同塑造了一种强烈的信心：既然机器已经能计算、能存储、能执行程序，那么进一步让机器处理符号、解决问题、形成“智能行为”，似乎只是时间问题。
但现实很快证明，他们低估的并不是工程复杂度，而是“智能”本身的深度。
人类的语言理解，背后连着常识；常识背后连着经验；经验背后又连着感知、身体、环境与社会关系。你以为自己在解决一个单点问题，往往很快会发现，自己碰到的是整套认知结构。
也正因为如此，1956年那个夏天并没有直接产出通用人工智能。会议结束后，没有谁宣布自己已经造出了真正意义上的“会思考机器”，也没有哪套系统能够接近后来人们想象中的 AGI。
如果单看短期结果，这场会议并没有完成它最宏大的期待。
但历史有时并不是靠“立即成功”来推进的，而是靠“提出对的问题”来转向。
达特茅斯会议最重要的地方，就在于它把这个问题钉在了历史上：机器究竟能不能拥有某种接近人的智能？
从那以后，这个问题不再只是猜想，而成为持续数十年的正式研究任务。
两次寒冬，没能终结这个名字
达特茅斯之后，AI 很快迎来了一段乐观时期。研究者不断涌入，政府和企业开始投资，许多人都相信重大突破指日可待。
但乐观很快遇到了现实。
到了 1970 年代，人工智能在多个方向上的进展，开始显露出与早期承诺之间的落差。尤其是当研究者试图把实验室里的成果扩展到复杂真实世界时，问题迅速暴露出来。1973 年，英国发布了著名的 Lighthill Report，对当时的 AI 研究提出严厉批评，认为不少方向承诺过高、突破有限。这份报告后来被普遍视为第一次 AI 寒冬的重要导火索之一。
进入 1980 年代后，专家系统又让 AI 迎来第二轮繁荣。企业试图把专家知识写成规则，让机器在特定领域像专业人士一样做判断。这一思路一度非常受欢迎，也推动了 AI 的商业化想象。
但专家系统很快暴露出维护困难、扩展性差、成本高昂等问题，泡沫迅速退去。于是，第二次 AI 寒冬也随之到来。
如果把这段历史连起来看，会发现人工智能从来不是一条平滑上升的直线，而是一条在希望与失望之间反复摆动的曲线。每一轮热潮都在放大“智能即将实现”的期待，每一次回落又都在提醒人们，智能远比最初设想得复杂。
但有意思的是，虽然技术路线不断更替，高潮和低谷反复交替，“人工智能”这个名字却一直没有消失。
这恰恰说明，达特茅斯完成的命名，不只是一次学术修辞，而是一次真正意义上的领域创建。
今天回看达特茅斯，仍然能看见它的影子
今天的大模型再次把人工智能推上了全球科技竞争的中心。生成式 AI 展现出的语言能力、代码能力和内容生成能力，让许多人重新感受到那个老问题的张力：我们距离真正的智能还有多远？
这个问题和 1956 年相比，形式变了，工具变了，算力变了，数据规模也变了，但核心困惑几乎没有改变。
我们依然在追问：
- 机器是否真的理解语言？
- 机器是否能够形成概念？
- 机器是在推理，还是在高质量地模仿推理？
- 机器能否拥有更稳定、更可迁移、更具普适性的智能？
这些问题，其实都能在达特茅斯的原始雄心里找到影子。
所以，回看 1956 年最令人震撼的，并不是那群先驱当时已经找到了答案，而是他们在极早的时候，就敢于把最难的问题完整摆到桌面上。
在那个没有互联网、没有 GPU、没有大模型、甚至软件工业还远未成熟的年代，他们已经决定正面讨论“机器智能”这件事，并且给它起了一个足以穿越几十年的名字。
结语
1956 年夏天，达特茅斯学院并没有诞生真正意义上的通用人工智能。
但它诞生了另外一种更耐久的东西：一个方向的名字，一个领域的边界，一种持续至今的技术野心。
很多时候，历史并不是从成果开始，而是从命名开始。名字先出现，旗帜才会立起来；旗帜立起来，人才、资金、机构和产业才会不断聚拢。
人工智能的故事就是这样开始的。
那年夏天，一群人没有立刻造出未来。
但他们替未来，先写下了名字。