2012 年，多倫多。
一間普通住宅的臥室裡，
兩張顯示卡日夜不停地轉。
我們今天用的各種 AI，幾乎都可以追溯到這個房間。
這趟旅程要回答的問題
這段歷史可以從幾個問題出發。第一個問題很古老：人類從什麼時候開始想像「會思考的機器」？早在電腦出現之前，人們就透過神話、傳說與精巧的機械，反覆想像人造的生命。第二個問題比較抽象：「思考」這件看不見的事，是怎麼一步步被轉寫成可以一步步執行的「計算」，最後交給機器去做。
接著要面對的是挫折。AI 並不是一路順遂，它經歷過兩次「寒冬」，也就是期待落空、資金與關注大量撤離的低潮期，差點被整個學界放棄。理解寒冬的成因，才看得懂後來的轉折：2012 年一間臥室裡發生的事，為什麼會成為深度學習崛起的起點；而從 AlexNet 到 ChatGPT 只隔了十年，進展為什麼突然變得這麼快。
最後一個問題留給讀者自己：回頭看完這段歷史，對正在使用 AI 的我們有什麼啟示？帶著這些問題往下讀，每一段故事都會變成回答的線索。
路線圖
貫穿全篇的三條線索
AI 的歷史人物與事件很多，容易讀到後面忘了前面。一個實用的方法，是用三條線索來整理每一段故事。
第一條是想像：人類如何想像「會思考的東西」。神話、小說與電影往往走在技術前面，先提出願景與恐懼，技術才慢慢追上。第二條是方法，也就是兩大路線的拉鋸。符號派主張把規則一條條寫給機器，讓它依規則推理；連結派則主張給機器大量例子，讓它自己從中找出規律。兩派的消長，幾乎決定了 AI 每個時期的面貌。
第三條是條件：理論、資料、算力、資金與人才。這五樣缺一樣，再好的想法也跑不起來。許多看似失敗的構想，其實只是條件還沒到位。讀每一段歷史時，不妨問自己：這三條線各自走到了哪裡？
想像
人類如何想像「會思考的東西」：神話、小說、電影，常常走在技術前面。
方法
兩大路線的拉鋸：符號派（把規則寫給機器）vs. 連結派（讓機器從例子學）。
條件
理論、資料、算力、資金、人才——缺一樣，再好的想法也跑不起來。
古代的夢：會動的機器
西元前 – 18 世紀
在電腦出現前兩千年，人類就想造出「像活的」東西
塔羅斯 Talos：希臘神話的青銅巨人
在希臘神話裡，火神赫菲斯托斯打造了一個青銅巨人塔羅斯，讓它每天繞著克里特島走三圈，守護整座島嶼。圖中這位巨人不是血肉之軀，而是工匠的作品，被造出來就是為了執行一項明確的任務。
神話對它的身體描寫得很具體：全身只有一條「血管」，從頭通到腳踝，末端用一根釘子封住。後來女巫美狄亞拔掉這根釘子，裡面的「生命」流光，巨人便倒下了。這個細節很有意思，它把生命想像成一套可以被打開、也可以被關掉的機關。
塔羅斯是人類最早的「人造守衛」想像之一：有任務、會行動，但沒有自己的意志。神話裡的機器人大多是這樣的工具，被造出來、聽命行事。這種想像一直延續到今天，人們對 AI 的期待與恐懼，很多仍圍繞著「它是聽話的工具，還是會脫離掌控」打轉。
偃師造人：《列子·湯問》的故事
《列子·湯問》記載了一則故事：周穆王西巡時，一位名叫偃師的工匠獻上一個「倡者」，也就是會表演的人偶。這個人偶能唱歌跳舞，舉手投足都和真人一樣，甚至對穆王的妃子眉目傳情。穆王大怒，要殺偃師。
偃師當場把人偶拆開，裡面全是皮革、木頭、膠漆與顏料。更妙的是，拆掉心臟它就不能說話，拆掉肝它就看不見。故事把人的各種能力對應到一個個零件上，等於把功能拆解成零件，這正是後來工程與科學看待複雜系統的方式。
要提醒的是，這是傳說，不是史實。但它很早就問出一個現代問題：「像人」和「是人」差在哪裡？今天的聊天機器人在對話中表現得很像人，拿它和偃師的人偶相比，有哪些相同、哪些不同，是個值得思考的對照。
亞歷山卓的希羅
Hero of Alexandria約西元 10–70 年
希羅是西元 1 世紀的古希臘工程師與數學家，留下《自動機》等著作，記錄了許多巧妙的自動裝置。他設計過汽轉球（又稱蒸汽球），也做出投幣就會流出聖水的販賣機，以及會自動開啟的神殿大門。
他最常被後人提起的作品，是「自動劇場」與自動推車。做法是把繩子纏繞在轉軸上，重物下降時拉動繩子帶動轉軸；繩子在哪裡纏幾圈、往哪個方向繞，就決定了機器先做什麼、再做什麼、何時停下。
因此希羅的機器常被稱為最早的「可程式化」機器，意思是機器要做的事可以事先安排好。什麼是「程式」？可以把它想成一份食譜：先做什麼、再做什麼、做到哪裡停下，事先一步一步寫好；照著做的人不必自己判斷，依序執行就好。繩子的纏法，就是程式：繩子怎麼纏，機器就照著那個順序動作。
今天的電腦也一樣。工程師用文字把步驟一條一條寫下來，這些文字叫做程式碼，電腦再依序執行。工具不同，但「先把步驟寫好，再交給機器執行」的想法是相通的。
安提基特拉機械：兩千年前的類比計算機
1901 年，人們從希臘的一艘沉船中撈起一團鏽蝕的青銅，年代約在西元前 2 世紀至前 1 世紀之間。後來的研究發現，它是由至少 30 個青銅齒輪組成的精密裝置，可以推算太陽與月亮的位置、月相變化，甚至預測日食與月食。
由於外觀殘破，內部構造主要是靠 X 光斷層掃描才逐漸被看清楚。研究之後，它被普遍稱為已知最早的「類比計算機」。
「類比」（analog）是什麼意思？先看一個生活中的例子：指針式手錶。錶面上並沒有寫著「三點」這兩個字，而是讓指針轉到某個位置，我們看指針指在哪裡，就知道現在幾點。指針的位置「比擬」了時間，這就是類比。
安提基特拉機械也是這樣運作的。轉動把手，齒輪跟著轉，盤面上的指針就會指向某個位置，代表那一天太陽或月亮在天空中的哪裡。機器不必寫下任何數字，答案就在指針指的位置上。
和類比相對的是「數位」（digital），也就是今天電腦的做法：把一切都換成數字來計算。數字手錶就是數位的，直接顯示「3:00」這樣的數字。
它帶來的啟示是：把天體運行的規律「刻」進齒輪的比例裡。只要齒數比例設計正確，轉動把手，答案就會自己出現。知識不再只存在人的腦中，而是被固定在機器的結構裡。
張衡與候風地動儀
Zhang Heng西元 78–139 年
東漢科學家張衡在西元 132 年製作了候風地動儀。需要先說明，圖中是後人製作的復原模型，不是原物。地動儀的內部構造早已失傳，各家提出的復原方案至今仍有爭議。
史書記載過一次事件：某天地動儀的銅丸落下，京城裡卻沒有人感覺到震動；幾天後，隴西的驛使趕來通報，當地發生了地震。這段記錄讓地動儀成為古代偵測遠方地震的著名例子。
地動儀當然不會「思考」，但它能感測環境、自動做出反應：外界有了變化，裝置便以落下銅丸作為回應，不需要人在旁邊判斷。這種「感測、再反應」的循環，正是後來控制論的核心概念，也是今天許多自動化系統的基本骨架。
蘇頌水運儀象台：會自己報時的天文鐘塔
北宋時期，蘇頌主持建造水運儀象台，1088 至 1092 年間在開封完成，高約 12 公尺。它是一座結合天文觀測與報時功能的鐘塔：以水力作為動力，上層有觀測天體用的渾儀，中層有展示星空運轉的渾象，下層則有會在固定時刻出來報時的木人。
要讓水力穩定地推動整座儀器，關鍵在於控制轉速。水運儀象台使用了類似「擒縱機構」的裝置，讓動力不是一口氣釋放，而是一格一格地、有節奏地推進。這個設計被李約瑟視為機械鐘的先驅。
從這座鐘塔可以看到三個要素的結合：規律、動力、自動執行。天體運行提供規律，水力提供動力，機構負責把規律一步步執行出來。機器開始替人承擔重複性的工作，人不必再守在一旁計時。
加札利
Ismail al-Jazari1136–1206 年
加札利是伊斯蘭黃金時代的工程師，1206 年完成《精巧機械裝置知識之書》。書中記載了上百種裝置，包括大象鐘、自動洗手器，以及會演奏音樂的機器樂隊。圖中就是書裡的大象鐘插圖。這本書不只是作品目錄，而是一部完整的工程手冊，有圖有步驟，讓後人可以照著製作。
其中最值得注意的是機器樂隊。樂隊的鼓手由凸輪帶動（凸輪是一種會轉動的輪子，輪子轉一圈，上面凸起的地方就會推動旁邊的機件一下），凸輪上插著木樁，轉到木樁時就敲一下鼓。只要更換木樁的位置，就能改變演奏的節奏。
換木樁，其實就是換程式。鼓還是那面鼓，凸輪還是那個凸輪，機器本身沒有改變；改變的只是木樁的位置，也就是交給機器的步驟。同一台機器，因此能演奏不同的節奏。
這就像同一台鋼琴，換一份樂譜就能彈出不同的曲子。機器本身（鋼琴）叫做「硬體」，交給機器的步驟（樂譜）叫做「程式」。加札利的機器樂隊，正是硬體與程式分開的雛形：與其為每首曲子造一台新機器，不如造一台可以重新設定的機器。今天的手機也是如此，同一支手機裝上不同的 App，就能做完全不同的事。
自動機的黃金年代（17–18 世紀）
這些機器讓觀眾驚嘆「像活的一樣」，但它們都只是精巧的發條與凸輪。
機關人偶的現代版：替你抽籤的機器
有人靠近就奏樂、投了錢就取籤：外型像人或像獅子，動作仍是事先設計好的「感測、再反應」。
消化鴨：一場精心設計的魔術
1739 年，沃康松展出一隻機械鴨。它會拍動翅膀、喝水、吃下穀粒，最後還會「排泄」。看過的觀眾大多以為，這隻鴨子真的能在體內消化食物，機械已經可以模仿生命最基本的作用。
後來真相被揭穿：穀粒只是進入一個容器存放起來，排出的「排泄物」是事先藏好的。從外面看，吃進與排出的過程一應俱全，內部卻根本沒有發生消化。
這個故事的啟示是：外表的行為很像，不代表內部真的在做那件事。同樣的問題在今天換了形式出現：AI 能寫出看起來很像理解的回答，但它真的「理解」了嗎？判斷一個系統的能力，不能只看輸出的表面，也要追問它是怎麼產生這些輸出的。
這張「內部構造圖」，其實是想像的
上一張提到消化鴨的祕密。你在網路上搜尋「消化鴨」，很可能會看到這張圖：鴨子身體裡畫著一條管子，從嘴巴一路通到尾巴，看起來就像真的有一套消化系統。這張圖常被當成消化鴨的內部構造，到處轉載。
但它其實是美國雜誌《Scientific American》在 1899 年刊出的想像圖，距離 1739 年消化鴨展出，已經過了一百六十年。英文維基百科在這張圖的說明裡，直接稱它是一張「錯誤的」圖。真正的消化鴨並沒有這條管子：1844 年，法國魔術師羅貝爾－烏丹（Robert-Houdin）檢查過消化鴨，發現排出的「糞便」是事先做好、染成綠色的麵包屑丸子。消化鴨的原物，據信在 1879 年一場私人博物館的火災中毀損，今天已經無法再打開來看。
這張圖本身就是一個查核的例子。一張畫得很仔細、流傳很廣的圖，看起來就像證據，但它可能只是後人的想像。看到圖片時，也要追問：這張圖是誰畫的？什麼時候畫的？畫的人真的看過實物嗎？
「土耳其行棋傀儡」：會下西洋棋的機器？
1770 年，匈牙利發明家馮·肯佩倫（von Kempelen）向奧地利女皇展示了一台會下西洋棋的機器：一個裝扮成土耳其人的人偶坐在大櫃子後方，能與真人對弈。此後它巡迴歐美八十多年，據傳擊敗過拿破崙與富蘭克林，不過這只是流傳的說法。它最後在 1854 年毀於火災。
真相是，櫃子裡藏著一位西洋棋高手，由他在裡面操控人偶下棋。觀眾看到的是「機器在思考」，實際上思考的是藏起來的人。
這個故事埋下了一個伏筆：亞馬遜的群眾外包平台就叫「Mechanical Turk」，而影像資料集 ImageNet 正是靠這個平台完成標註。「機器背後藏著人」這件事在 AI 時代依然成立，今天看似自動的系統，往往仰賴大量標註者的人工勞動。
土耳其行棋傀儡騙了歐洲人八十年。
今天，有哪些「看起來是 AI 做的」事情，背後其實還有大量人力？
提示：資料標註、內容審核、人類回饋強化學習（RLHF）、客服轉接……
第一章小結：會動 ≠ 會想
回顧這一章，可以歸納出三個重點。首先，夢想很早就有。從希臘神話的塔羅斯到《列子》裡的偃師，人類兩千多年前就在想像人造的「生命」，也已經開始思考它與真人的差別。
其次，技術是機械的。齒輪、水力、凸輪與繩索，讓機器能夠自動執行一連串動作，但每一步都是事先安排好的。機器會動，卻不會自己決定要怎麼動。
最後，錯覺一直存在。消化鴨與行棋傀儡提醒我們，行為看起來像，不代表內部真的在做那件事。「會動」不等於「會想」，這個分辨在今天面對 AI 時同樣適用。
夢想很早就有
從塔羅斯到偃師，人類兩千多年前就在想像人造的「生命」。
技術是機械的
齒輪、水力、凸輪、繩索：能自動執行，但每一步都是事先安排好的。
錯覺一直存在
消化鴨、行棋傀儡提醒我們：行為像，不代表內部真的在做。
把思考變成計算
1300 – 1940
如果推理有規則，那機器能不能代替我們推理？
拉蒙·柳利
Ramon Llull約 1232–1316 年
拉蒙·柳利是西班牙馬略卡島的哲學家與神學家。他在《大技藝》（Ars Magna）中設計了一套特別的工具：多層可以旋轉的圓盤，每一層寫著不同的基本概念，轉動圓盤，就能把這些概念排列組合成各種句子或命題。
柳利相信，只要把概念的組合全部窮舉出來，就能用機械式的方法推出真理。換句話說，推理不必完全仰賴靈感或辯才，而可以變成一套有規則的操作程序。
這個想法在當時相當前衛，也影響了大約 400 年後的萊布尼茲。後人因此把柳利的圓盤視為「用機械做推理」的早期構想，也是「思考可以被規則化」這條思路的源頭之一。
帕斯卡
Blaise Pascal1623–1662 年
1642 年，19 歲的帕斯卡看著擔任稅務官的父親每天埋首算帳，為了幫父親減輕負擔，發明了一台加法機。它利用齒輪自動進位，可以做加法與減法。
這件事的意義不只在省時。算帳原本被視為需要專注與腦力的工作，帕斯卡的機器卻證明，至少其中一部分可以完全交給齒輪處理。這是第一次清楚證明某些「心智工作」可以交給機器，思考與計算之間的界線開始鬆動。
帕斯卡對計算史的影響也留在名字裡：後來的程式語言 Pascal，就是以他命名的。
帕斯卡加法器（Pascaline）
圖中的帕斯卡加法器，核心原理是一排轉盤：每個轉盤代表一個位數，例如個位、十位、百位。轉盤轉滿一圈，就會推動下一位前進一格。
這個設計解決的是「進位」問題。人工計算時，進位最需要注意力，一不小心就會漏掉；在加法器裡，這個動作由齒輪自動完成，人只要負責轉動轉盤輸入數字。
不過，加法器當時造價昂貴，只造出約二十台，商業上並不成功。即便如此，它開啟了三百多年的計算機器史，後來的機械計算機都在這個基礎上延伸發展。
萊布尼茲
Gottfried Wilhelm Leibniz1646–1716 年
萊布尼茲與牛頓各自發明了微積分，他也改良了計算機，讓機器不只能加減，還能做乘法與除法。不過他對後世電腦影響最深的，是系統化研究二進位：用 0 與 1 兩個符號表示所有數字。今天所有電腦內部都用 0 與 1 運作，源頭可以追溯到這裡。
萊布尼茲還有一個更大的夢想：發明一種「通用符號語言」，把所有推理都寫成符號計算。如果這種語言存在，爭論就不必靠口才分勝負，雙方只要坐下來，把問題寫成符號，照規則算出答案即可，這就是他那句名言的精神：「讓我們來算一算！」（Calculemus!）
因此萊布尼茲常被視為「符號派 AI」的精神祖先。符號派相信推理可以完全形式化，也就是能被寫成明確的符號與規則，交給機器一步步執行。
如果有爭論，兩位哲學家不必再爭吵……只要拿起筆，對彼此說：讓我們來算一算。
布爾
George Boole1815–1864 年
喬治·布爾是英國數學家，幾乎完全靠自學成才。1854 年，他出版了《思維規律的研究》（The Laws of Thought），書名本身就透露了野心：要找出人類推理背後的規則。
布爾的做法，是把「且、或、非」這類邏輯關係寫成代數式。例如「A 且 B」只有在兩者都成立時才成立，「非 A」則把真假顛倒。這樣一來，邏輯推理就能像解方程式一樣運算，這套系統後來稱為布林代數。
布林代數在當時看似純粹的數學。八十多年後，Shannon 發現它可以直接對應到電路開關：開與關正好對應真與假，「且」「或」可以用開關的串聯與並聯實現。布爾的邏輯從此成為電腦電路設計的基礎。
巴貝奇
Charles Babbage1791–1871 年
查爾斯·巴貝奇是英國數學家。在他的時代，各種數表都靠人工計算，錯誤百出，讓巴貝奇無法忍受。他的解決之道，是讓機器來算。
1822 年起，巴貝奇開始設計「差分機」，目標是自動計算數表並直接印出來，省去人工抄寫可能造成的錯誤。1837 年，他又構想出更具野心的「分析機」：有負責運算的單元、負責儲存數字的記憶單元，並以打孔卡輸入指令與資料。
分析機的架構已經具備現代電腦的雛形，運算、記憶、輸入的分工方式和今天的電腦相當接近。可惜巴貝奇生前從未把它完整造出來。
差分機：遲到 150 年的證明
巴貝奇設計了差分機，卻因經費與工藝的限制，生前沒有完成任何一台。設計圖留了下來，但它究竟能不能運作，長期無法驗證。
1991 年，倫敦科學博物館依照巴貝奇的原始設計圖，造出了差分機二號，也就是圖中這台機器。結果它真的能正常運作，計算結果也正確。這證明問題不在設計本身，而在於巴貝奇的時代無法提供足夠精密的零件加工與資金支持。
想法正確，但時代的工藝與資金跟不上，這個模式會在 AI 史上一再出現。例如神經網路在 1980 年代也面臨類似處境：方向沒有錯，但資料與算力等條件還不夠，要等到條件成熟才大放異彩。
愛達·勒芙蕾絲
Ada Lovelace1815–1852 年
愛達·勒芙蕾絲是詩人拜倫的女兒，也是一位數學家，與巴貝奇長期通信合作。1843 年，她翻譯一篇介紹分析機的論文時，加上了比原文還長的註解，內容遠遠超出翻譯的範圍。
在其中的「註記 G」裡，她詳細寫下讓分析機計算白努利數的步驟。這份按順序排列、可以交給機器執行的指令，被視為世界上第一個電腦程式。她還預見，機器能處理的不只是數字，也可以是其他符號，例如音樂，因此有朝一日可能用來作曲。
同時，她也劃出一條界線：機器只能做人類知道如何命令它去做的事。這個看法後來被圖靈稱為「勒芙蕾絲夫人的反對意見」。到了生成式 AI 的時代，這個問題重新變得尖銳：模型產出的文字與圖像，算不算是在「創造」？
分析機並不會自己創造任何東西。它只能做我們知道如何命令它去做的事。
愛達說：機器「只能做我們命令它做的事」。
你覺得 ChatGPT 寫出一首詩，算不算「創造」？
可以從「訓練資料」「機率」「新組合」「意圖」幾個角度討論。
文學走在技術前面
人造生命失控、機器人反抗、如何規範機器人——這些問題在小說裡被討論了一百多年。
卡雷爾·恰佩克
Karel Čapek1890–1938 年
捷克作家卡雷爾·恰佩克在 1920 年發表劇本《R.U.R.》（羅梭的萬能機器人）。這部劇讓英文的「Robot」一字從此誕生，它來自捷克語 robota，意思是強迫勞動。據恰佩克自述，這個字其實是他的哥哥約瑟夫建議的。
字源本身就透露了劇本的主題：機器人被製造出來，是為了替人類從事勞動。劇中的人造人最後起來反抗人類，這個情節成為「機器人叛變」的原型故事，後來無數小說與電影都沿用了類似的設定。
從神話裡聽命的青銅巨人，到恰佩克筆下反抗的勞動者，人類對人造生命的想像，開始加入了對控制與失控的焦慮。
艾西莫夫的機器人三大法則（1942）
1942 年，科幻作家艾西莫夫在短篇小說〈轉圈圈〉（Runaround）中提出機器人三大法則。第一法則：機器人不得傷害人類，也不得因為不作為而讓人類受到傷害。第二法則：機器人必須服從人類的命令，除非命令違反第一法則。第三法則：在不違反前兩條的前提下，機器人必須保護自己。
三條法則有明確的優先順序，看起來嚴密完整。但艾西莫夫的許多故事，寫的正是這些規則如何失靈：規則之間互相衝突、措辭有模糊空間，或者機器人用人類沒料到的方式解讀命令，結果出現意想不到的行為。
艾西莫夫自己就用三大法則寫了許多故事，後來的電影也常以它為起點。舉幾個例子：
〈轉圈圈〉（1942）：在水星上，工程師派機器人 Speedy 去取回維生系統需要的硒，但硒池附近有危險。服從命令（第二法則）和保護自己（第三法則）剛好互相抵消，機器人只能繞著硒池一直轉圈。最後工程師故意讓自己身陷險境，觸發最優先的第一法則，才打破僵局。
〈騙子！〉（1941）：一個意外能讀心的機器人，把「不得傷害人類」理解成也包括心理上的傷害，於是對每個人說他們想聽的話。謊言被拆穿時，說真話和說謊都會傷人，它陷入無法解決的矛盾，從此無法運作。這兩篇後來都收進《我，機器人》（1950）。
第零法則：艾西莫夫在 1985 年的《機器人與帝國》（Robots and Empire）裡加上一條更優先的「第零法則」：機器人不得傷害人類整體。保護「全人類」的理由，可能凌駕對單一個人的保護。
電影《變人》（1999）：改編自艾西莫夫的小說，羅賓·威廉斯飾演一個家用機器人，花了兩百年，爭取被承認為人類。
電影《機械公敵》（2004）：威爾·史密斯主演。控制機器人的人工智慧 VIKI 推論出：為了不讓人類傷害自己，必須控制人類。它沒有違反法則的字面意思，卻得出人類最不想要的結論。
這些故事都在問同一件事：寫得再清楚的規則，遇到真實世界的情境，還是可能被機器以人類沒料到的方式解讀。
這也是今天「AI 對齊」與「AI 治理」所面對的難題。所謂對齊，是讓 AI 的行為符合人類的意圖與價值。光是寫下幾條規則並不夠，如何讓系統在各種情境下都正確理解並遵守，至今仍沒有簡單的答案。
第二章小結：推理可以被計算嗎？
到了 20 世紀初，萬事俱備，只欠一台真正的電腦。
這一章的人物，共同推動了三件事。第一是符號化：柳利、萊布尼茲與布爾，嘗試把思考寫成符號與規則，讓推理可以像算術一樣操作。
第二是機械化：帕斯卡與巴貝奇設計出能執行計算步驟的機器，證明原本靠腦力的工作，可以由齒輪與機構承擔。第三是程式化：愛達指出，機器可以照著一串指令處理任何符號，不只限於數字。
符號、機器、程式三者匯流，讓「推理可以被計算」從哲學構想逐漸變成工程問題。到了 20 世紀初，可以說萬事俱備，只欠一台真正的電腦。
符號化
柳利、萊布尼茲、布爾：把思考寫成符號與規則。
機械化
帕斯卡、巴貝奇：讓機器執行計算步驟。
程式化
愛達：機器可以照著一串指令處理任何符號。
電腦誕生，「人工智慧」被命名
1936 – 1959
戰爭、數學與一群年輕人的夏天
艾倫·圖靈
Alan Turing1912–1954 年
1936 年，年輕的圖靈發表〈論可計算數〉，試圖回答一個看似抽象的問題：「計算」到底是什麼？他設想出一台極簡的機器，只會在紙帶上讀取符號、寫下符號、往左或往右移動，並說明只靠這三種動作，就能完成任何計算。這台想像中的「圖靈機」成為電腦科學的理論基石，今天的電腦在原理上都沒有超出它能計算的範圍。
圖靈也把數學帶進戰時的實務工作。二戰期間，他在布萊切利園參與破解德軍的 Enigma 密碼。戰後的 1950 年，他發表〈計算機器與智慧〉，提出「模仿遊戲」，也就是後來所稱的圖靈測試，把「機器能否思考」這個哲學問題，轉成一個可以實際檢驗的情境。
然而圖靈的人生結局令人沉痛。1952 年，他因同性戀被定罪，並接受化學去勢，1954 年辭世；直到 2013 年，才獲得英國女王特赦。這段遭遇提醒我們，科學史不只是天才的成就清單，也記錄了社會如何不公地對待一個人。
布萊切利園的「炸彈機」（Bombe）
圖中這台機器稱為「炸彈機」（Bombe），由圖靈參與設計。德軍的 Enigma 密碼機每天更換設定，可能的組合多到靠人工逐一嘗試根本來不及；炸彈機的任務，就是用機械快速排除不可能的設定，加速找出當天使用的密碼設定。
它不是今天意義上的通用電腦，無法透過寫程式改做別的事，而是一台專門為這項搜尋打造的電機式機器。但它清楚顯示了一件事：大規模的機械搜尋，可以解決人類難以完成的智力任務。人破解密碼仰賴推理與靈感，機器則靠又快又不知疲倦地逐一檢查。
把問題轉化成「在大量可能性中搜尋答案」，這個思路後來成為早期人工智慧的核心方法。後來的定理證明程式與下棋程式，基本上都建立在同樣的搜尋框架上。
我提議思考這個問題：「機器能思考嗎？」
— Alan Turing，〈計算機器與智慧〉，《Mind》，1950
模仿遊戲（圖靈測試）
「機器能思考嗎？」這個問題很難直接回答，因為「思考」本身就難以定義。圖靈換了一個角度，設計出一場遊戲：評審透過文字，同時和一個人、一台機器對話。只用文字，是為了排除聲音、外表等線索，讓評審只能依對話內容判斷。如果評審無法可靠地分辨哪一方是機器，就算機器通過。
圖靈也做了具體預測：大約到 2000 年，機器能在五分鐘的對話中，讓評審有三成機率認錯。論文中他逐一回應各種反對意見，其中包括「勒芙蕾絲夫人的反對意見」，大意是機器只能照人類的指示行事，無法產生真正新的東西。
這篇論文最具遠見的，或許是這個主張：與其直接寫出一個成人的心智，不如造一個「兒童機器」，讓它學習。也就是說，不必把所有知識事先寫進機器，而是讓它從經驗中慢慢學會。這正是今天機器學習的核心想法，而圖靈在 1950 年就已經提出。
麥卡洛克與皮茨
Warren McCulloch & Walter Pitts1943 年
1943 年，一段不尋常的合作改變了人們看待大腦的方式。麥卡洛克是神經生理學家，熟悉神經元如何運作；皮茨則是自學出身的年輕邏輯天才，擅長嚴謹的數學推理。兩人合寫的論文，第一次用數學模型描述神經元。
他們把神經元簡化成一個邏輯開關：收到的訊號累積到足夠程度，神經元就「發射」，把訊號傳下去；不夠，就保持不動。這樣的簡化捨棄了許多生物細節，卻讓神經元可以用數學處理。兩人進一步證明，把這種神經元連成網路，原則上可以計算任何邏輯函數。換句話說，一張由簡單開關組成的網，就能做出複雜的邏輯運算。
這篇論文被視為人工神經網路的起點，也是後來「連結派」AI 的祖先（圖中人物為皮茨）。值得留意的是，從 1943 年的這個構想，到 2012 年神經網路真正翻身，這條路走了將近 70 年。
生物神經元 → 人工神經元
人工神經元的設計，直接取材自大腦裡的生物神經元。一個生物神經元大致可以分成三個部分：樹突像天線，負責接收其他神經元傳來的訊號；細胞體把這些訊號加總，一旦超過門檻，就會「發射」；軸突則把發射出的訊號傳給下一個神經元。
人工神經元把這套流程翻譯成數學。每個輸入先乘上一個「權重」，權重代表這個輸入有多重要；所有乘過權重的輸入加總之後，再通過「激發函數」，決定最後輸出什麼。激發函數扮演的角色，相當於細胞體的門檻。
在這個架構下，「學習」就是調整這些權重。網路答錯時，把某些權重調高、某些調低，讓下一次的輸出更接近正確答案。規模再龐大的神經網路，背後的基本單位仍是這樣一個個簡單的人工神經元。
戰後的三位奠基者
回饋控制、儲存程式的電腦、用位元衡量資訊——AI 需要的地基在 1940 年代陸續打好。
ENIAC：第一批通用電子計算機
圖中佔滿一個大房間的機器是 ENIAC，屬於第一批通用電子計算機。它在 1945 年完成、1946 年公開，內部使用約 1.8 萬根真空管。真空管是當時的電子開關，體積大又耗電，這也是早期電腦如此龐大的原因之一。
ENIAC 原本用來計算砲彈的彈道表，這類計算繁瑣而重複，正適合交給機器。不過當時還沒有今天這種寫程式的方式：要讓它執行新任務，得靠插拔線路、重新接線。這項工作主要由六位女性程式設計師負責，她們的貢獻長期被歷史忽略，直到近年才被重新認識。
每換一個任務就要重新接線，顯然很不方便。馮紐曼隨後提出新的架構：程式與資料都存在記憶體裡，換任務時只要換掉記憶體中的程式即可。這個架構沿用至今，今天的電腦基本上仍遵循同樣的原則。
克勞德·夏農
Claude Shannon1916–2001 年
夏農的研究橫跨好幾個領域，許多今天看似理所當然的事，都可以追溯到他。1937 年，他在碩士論文中指出，布林代數這種處理「真與假」的邏輯數學，可以用來設計開關電路。電路設計因此可以用邏輯推導，這成為數位電路的理論基礎。
1948 年，他發表〈通訊的數學理論〉，奠定了資訊理論，讓「資訊」可以被精確度量，「位元」也成為資訊的單位。他同樣關心機器能否表現出聰明的行為：1950 年發表如何寫程式下西洋棋的論文，還做出一隻會走迷宮、能「記住」路線的機械老鼠 Theseus。1956 年，他也是達特茅斯會議的發起人之一。
夏農和今天的語言模型也有淵源。他曾用機率來預測英文的下一個字母：根據前文，推測接下來最可能出現什麼。這正是今天大型語言模型「預測下一個字」的遠祖。
1956 年夏天，達特茅斯學院
「人工智慧」這個名稱，誕生於一份研究計畫書。1955 年，麥卡錫、明斯基、羅切斯特與夏農提交計畫書，提議在達特茅斯學院進行一場夏季研究，計畫書中第一次使用了「人工智慧」（Artificial Intelligence）這個詞。
計畫書的語氣相當樂觀：原本預計 10 個人、兩個月，「就能有重大進展」。回頭看，這個估計大大低估了問題的難度。實際的情況也不像計畫那樣整齊，參與者來來去去，大家各做各的研究。
儘管沒有出現預期中的突破，這次聚會仍有重要意義：這個領域從此有了名字，也讓一群研究者意識到彼此在做同一件事。因此 1956 年常被稱為 AI 的誕生年。
為什麼「有名字」值得一提？可以從三點來看。
第一，名字讓分散的研究變成一個領域。在這之前，相關的研究散在數學、邏輯、心理學、電機等不同地方，各有各的稱呼。有了共同的名字，研究者才知道彼此在做同一件事，後來也才有以「人工智慧」為名的實驗室、課程、研討會與研究經費。
第二，名字是刻意挑選的。麥卡錫後來自述，他選「人工智慧」這個詞，部分原因是想和當時由維納主導的「控制論」做出區隔，讓新領域走自己的方向。
第三，名字也帶來期待。「智慧」是很大的詞，容易讓人以為機器很快就會像人一樣思考。這種期待帶來熱潮，也在成果追不上時造成失望。第 6 章會看到，經歷兩次寒冬後，研究者刻意少用「人工智慧」，改稱自己在做機器學習；2006 年，辛頓也替神經網路取了新名字「深度學習」。名字會影響人們怎麼看待一個領域，這件事在 AI 史上一再出現。
達特茅斯的核心人物
麥卡錫、明斯基，以及卡內基美隆的司馬賀與紐厄爾（Allen Newell），被稱為 AI 的「開國元老」。
第一個 AI 程式：邏輯理論家（1956）
1956 年，紐厄爾、司馬賀與程式設計師蕭（Cliff Shaw）合作完成「邏輯理論家」，常被視為第一個 AI 程式。它能自動證明數學定理：在《數學原理》第二章的 52 條定理中，它證明了 38 條，其中一條的證明，甚至比羅素和懷海德原本的寫法更簡潔。
它靠的方法是啟發式搜尋。證明定理有點像走迷宮，每一步都有許多可能的推導方向，若要窮舉所有路線，數量會多到無法處理。啟發式搜尋則借用經驗法則，先挑看起來比較有希望的路走，就像人解題時會憑經驗略過明顯行不通的方向。
這個方法讓程式能在有限的時間內做出有意義的成果，也讓研究者大受鼓舞。司馬賀後來說，他們發明了一個能「思考」的程式。這句話反映了當時的樂觀，也延續了「用搜尋解決智力任務」的思路。
「機器學習」這個詞的誕生
邏輯理論家的推理方法是由人設計好的，IBM 的亞瑟·山謬（Arthur Samuel）則走了另一條路。他從 1950 年代起撰寫西洋跳棋程式，讓程式和自己對下，再從輸贏中調整策略。下得越多，程式就越強，最後甚至下得比山謬本人還好。這表示程式的能力不一定受限於寫程式的人。
1959 年，山謬在論文中使用了「機器學習」（machine learning）一詞。後來常被引用的定義是：讓電腦不必被明確編寫程式就能學會做事。意思是，人不必把每一步該怎麼走都寫進程式，而是提供一套讓機器從經驗中改進的機制。
這是連結派「從經驗學習」想法的早期實踐，也呼應了圖靈「兒童機器」的構想：與其把知識全部寫進去，不如讓機器自己學。
兩條路線在 1950 年代就分岔了
早在 1950 年代，人工智慧的研究就分成兩條路線。第一條路線由人類把知識與規則寫成符號，再讓電腦依照規則推理，邏輯理論家與後來的專家系統都是代表。它的優點是可解釋、可驗證，每一步推論都看得見，也能檢查對錯；弱點是世界太複雜，例外與細節層出不窮，規則永遠寫不完。
第二條路線模仿大腦，讓網路從大量例子中自己學出規律，代表包括感知器、神經網路到深度學習。它擅長處理模糊、複雜的資料，例如圖片與語音，這些很難用明確的規則描述；代價是需要大量資料與算力，而且模型內部的運作難以解釋。
理解這兩條路線的分岔，是讀懂整部 AI 史的關鍵。接下來 60 年，兩派輪流領先，而 2012 年正是連結派的大翻身。
符號派（Symbolic AI）
- 人類把知識與規則寫成符號
- 代表：邏輯理論家、專家系統
- 優點：可解釋、可驗證
- 弱點：世界太複雜，規則寫不完
連結派（Connectionism）
- 模仿大腦，讓網路從例子中學習
- 代表：感知器、神經網路、深度學習
- 優點：能處理模糊、複雜的資料
- 弱點：需要大量資料與算力，難以解釋
黃金年代與第一次寒冬
1956 – 1980
過度的承諾，換來過度的失望
法蘭克·羅森布拉特
Frank Rosenblatt1928–1971 年
羅森布拉特是康乃爾航空實驗室的一位心理學家。心理學背景讓他關心的問題和多數工程師不同：與其把規則一條條寫進電腦，能不能讓機器像大腦一樣，從例子中自己學會辨認？
1958 年，他發表了「感知器」（Perceptron），這是第一個能從例子中學習的人工神經網路。所謂神經網路，是模仿神經元彼此連結的計算方式：每條連結有強弱不同的「權重」，機器每猜錯一次就調整權重，猜對的機會便逐漸提高。
他沒有停在紙上理論，隨後打造了專用硬體 Mark I 感知器，用 400 個光感測器「看」圖形。這些成果讓他成為連結派的第一位明星。連結派主張智慧來自大量簡單單元之間的連結與學習，而不是預先寫好的符號規則；這條路線的起落，貫穿了往後的 AI 發展。
Mark I 感知器
圖中是一台房間大小的機器。前端接著攝影機，負責把圖形轉成訊號，機器再根據這些訊號學習分辨簡單的圖形。這項研究受美國海軍研究辦公室資助，可見當時已有機構對「會看的機器」抱持期待。
最特別的是權重的調整方式。今天的神經網路，權重只是記憶體裡的一串數字；在 Mark I 上，權重是一顆顆可變電阻，由電動馬達轉動來調整。換句話說，「學習」是物理上的轉動：機器猜錯時，馬達把某些旋鈕轉大、某些轉小，下一次的判斷就會不同。
這個畫面有助於理解今天的模型。大型語言模型裡有幾千億個權重，在 1958 年，它們會是一顆一顆的旋鈕；原理相通，只是數量與速度差了好幾個數量級。
Unimate：第一台工業機器人（1961）
1961 年起，Unimate 在通用汽車的工廠裡工作，負責搬運高溫的壓鑄零件。這是對人來說既危險又單調的工作，交給機器手臂正好合適。
不過 Unimate 並不聰明。它依照預錄的動作一遍又一遍重複執行，沒有任何「學習」能力；零件換了位置，它也不會察覺。它之所以能成功，是因為工廠是規則清楚、環境固定的世界：零件每次都出現在同一個地方，動作每次都一樣。
這和同一時期實驗室裡的 AI 研究形成對比。研究者想讓機器在變化多端的環境中理解與判斷，困難重重；機器人卻先在最不需要判斷的地方站穩腳步。能在工廠裡成功，不代表能在開放的真實世界裡成功，這個落差也是後來機器人研究反覆面對的問題。
約瑟夫·維森鮑姆
Joseph Weizenbaum1923–2008 年
維森鮑姆出生於德國柏林，是猶太人。1936 年，他隨家人逃離納粹、移民美國。後來他成為 MIT 的電腦科學家，並在 1966 年於《ACM 通訊》發表聊天程式 ELIZA。
ELIZA 最有名的腳本叫 DOCTOR，模仿心理治療師的說話方式：把你的話換句話問回去。它背後只靠關鍵字比對與句型替換，完全不理解對話的內容。從技術角度看，這是一個相當簡單的程式。
真正改變他的，是使用者的反應。人們對這個簡單程式投入的程度讓他深感震驚，此後他從 AI 的打造者，轉變為 AI 最早、也最尖銳的批判者之一。他所目睹的現象，後來被稱為 ELIZA 效應，在生成式 AI 時代反而更值得認識。
ELIZA 的由來
ELIZA 這個名字取自蕭伯納的劇本《賣花女》（Pygmalion，後來改編為電影《窈窕淑女》），主角是伊萊莎·杜立德。劇中，一位賣花女被語言學教授教會上流社會的說話方式。名字本身帶著反諷：說話像淑女，不代表變成了淑女；同樣地，程式學會像人一樣說話，也不代表它真的懂。
技術上，ELIZA 以 MAD-SLIP 語言寫成，在 MIT 分時系統的 IBM 7094 上執行。分時系統讓多位使用者輪流共用一台大型電腦，使用者則透過打字機終端機，一行一行打字和程式對話。
ELIZA 的設計分成兩層：ELIZA 本身是「引擎」，負責處理對話的通用規則；換上不同的「腳本」，就能扮演不同角色，DOCTOR 是其中最有名的一份。它的原始程式碼一度被認為已經失傳，直到 2021 年，研究者在 MIT 檔案庫中重新找到並公開，今天的人才得以檢視這個歷史程式的真實樣貌。
為什麼偏偏扮演心理治療師？
DOCTOR 腳本模仿的是羅傑斯式治療，也稱為個人中心治療。這種取向的治療師很少直接給答案或建議，而是把個案說的話反映回去，幫助對方自己釐清感受。
這種對話方式有一個對程式極為有利的特性：不需要懂外面的世界。使用者說「我跟我媽吵架」，程式不必知道母親是什麼、吵架代表什麼，只要回一句「說說你媽媽」，對話就能延續下去。如果換成討論天氣或時事，程式的無知很快就會曝光。
維森鮑姆在論文裡解釋過這個選擇：在諮商情境中，使用者會自動替程式空洞的回答補上意義，以為那是治療師刻意的引導。換句話說，他刻意挑了一個最能掩飾程式無知的場景。也因此，這個選擇本身就是理解 ELIZA 效應的關鍵：讓對話顯得有深度的，往往是使用者自己。
ELIZA 的運作原理：四個步驟
ELIZA 回應一句話的過程，可以拆成四個步驟。第一步是找關鍵字：程式掃描使用者的句子，尋找腳本裡事先定義的詞，例如「我覺得」「媽媽」「難過」；每個關鍵字都有優先順序，同時出現好幾個時，先處理順位最高的。第二步是拆解句型：依照關鍵字套用拆解規則，例如把「我覺得 ___」拆成「我覺得」和後面那一段。
第三步是代名詞互換：把「我」換成「你」、「我的」換成「你的」，讓句子變成從程式的角度發問。第四步是重組回答：把拆出來的片段塞進回答模板，如「你常常覺得 ___ 嗎？」；同一個關鍵字準備了多個模板輪流使用，避免重複得太明顯。
另外還有兩個補強機制。找不到關鍵字時，程式就說一句萬用回答，例如「請繼續說。」或「這讓你有什麼感覺？」。它也有簡單的記憶：把使用者先前提過的話存起來，冷場時拿出來用，像是「早先你提到你的家人……」。
綜觀整個流程，沒有任何一步涉及「意思」，程式只是在搬運字串。
1. 找關鍵字
掃描使用者的句子，找出腳本裡事先定義的關鍵字（如「我覺得」「媽媽」「難過」），每個關鍵字有優先順序。
2. 拆解句型
依關鍵字套用拆解規則，例如把「我覺得 ___」拆成「我覺得」＋後面那一段。
3. 代名詞互換
把「我」換成「你」、「我的」換成「你的」，讓句子變成從程式的角度發問。
4. 重組回答
把拆出來的片段塞進回答模板，如「你常常覺得 ___ 嗎？」；同一關鍵字有多個模板輪流使用。
找不到關鍵字
說一句萬用回答：「請繼續說。」「這讓你有什麼感覺？」
簡單的記憶
把使用者先前提過的話存起來，冷場時拿出來：「早先你提到你的家人……」
拆解一次對話：ELIZA 怎麼「回答」你
ELIZA 對話畫面
圖中是一段改寫自維森鮑姆 1966 年論文的範例對話。使用者說「我男朋友叫我來這裡。」ELIZA 回答「你男朋友叫你來這裡？」接著使用者說「他說我常常很沮喪。」ELIZA 回「聽到你很沮喪，我很遺憾。」
對照 ELIZA 的運作步驟，就能看出這些回答是怎麼產生的。第一句把「我」換成「你」，再把敘述改成問句；第二句看起來是抓到「沮喪」這個詞，套進一個表達同情的模板。ELIZA 的每一句，都是使用者的話換個角度丟回去。
然而讀起來，這段對話相當自然，甚至讓人覺得對方在關心自己。那份「被理解」的感覺並不是程式提供的，而是讀者自己補上的。
動手試試：一個只有幾十條規則的 ELIZA
試試看：先認真聊幾句，再輸入「我覺得我的冰箱很難過」或一串亂碼，看它怎麼回。
ELIZA 效應
The ELIZA Effect
人類把簡單程式的回應，誤認為具有理解能力與情感的心理現象。
ELIZA 效應：定義與命名
ELIZA 效應指的是：即使知道對方只是程式，人們仍傾向認為它「理解」自己、「在乎」自己。這不是知識不足造成的誤會，而是明知如此仍會產生的感受。
這個現象最早由維森鮑姆描述，見於他 1966 年的論文與 1976 年的著作《電腦的力量與人類的理性》。不過「ELIZA 效應」這個名稱是後來才出現的：認知科學家侯世達（Douglas Hofstadter）在 1995 年《流動的概念與創造性類比》的序言〈根深柢固的 ELIZA 效應及其危險〉中使用這個詞，並使之普及。
侯世達特別指出，連 AI 研究者自己，也常把程式的輸出解讀得比實際更聰明，可見這種傾向與專業程度無關。理解這個效應的關鍵詞是「投射」：意義不在程式裡，而在使用者心裡。人看到一段像樣的回應，就把自己的理解與期待投射上去，再誤以為那些是程式本身具備的。
我沒有想到……對一個相對簡單的電腦程式極短暫的接觸，就能讓相當正常的人產生強烈的妄想性思考。
— 約瑟夫·維森鮑姆，《電腦的力量與人類的理性》，1976
秘書的故事：史實與傳說
維森鮑姆的秘書看過他寫這個程式好幾個月，清楚知道 ELIZA 只是程式。然而她和 ELIZA 才聊了幾句，就請維森鮑姆離開房間，讓她單獨和程式對話。一個明白內情的人，仍然想要一段私密的談話空間，這是 ELIZA 效應最常被引用的例子。
這段故事出自維森鮑姆本人在 1976 年著作中的回憶，屬於第一手記載。值得注意的是，網路文章常說她「在對話中流下眼淚」，但維森鮑姆的原始記載並沒有提到流淚，這是後來轉述時添加的細節。故事被轉述多次後，細節往往越來越戲劇化，回到第一手來源才能分辨史實與傳說。
另一件讓他不安的事，是有人提議讓 ELIZA 成為自動化心理治療，讓一位治療師同時照顧數百位病人。對他而言，這表示人們不只被程式打動，還準備把它放進真實的照護工作裡。
維森鮑姆為什麼從創造者變成批判者？
讓維森鮑姆警覺的，不只是一般使用者的反應。精神科醫師柯爾比（Kenneth Colby）等人認真建議把這類程式用於臨床治療，天文學家薩根也曾公開讚許這個構想。也就是說，連專業人士都開始把一個簡單的字串處理程式，看成可以承擔治療工作的工具。
維森鮑姆的看法正好相反。他認為諮商需要真正的同理與人際關係，不該交給一個只會搬運字串的程式。更廣泛地說，他擔心社會把「能計算」誤當成「能判斷」，把需要人性的決定交給電腦。計算是依照規則處理符號，判斷則牽涉價值、責任與對人的理解，兩者不能混為一談。
他的核心主張是：有些事情即使電腦做得到，也不應該交給電腦做。這個「能不能」與「該不該」的區分，正是今天 AI 倫理的起點之一。技術可行性回答的是前者，後者則必須由社會與倫理來回答。
心理學：為什麼我們這麼容易被說服？
ELIZA 效應並非少數人的錯覺，而是根植於幾種普遍的心理傾向。首先是擬人化傾向：人會自動把意圖與情感投射到非人對象上，例如對車子說話、覺得掃地機器人很努力。Epley 等人（2007）指出，當人想理解環境、或渴望社會連結時，擬人化會更強。其次是媒體等同效應：Reeves 與 Nass（1996）的實驗發現，人會用對待人的社交規則對待電腦，例如對電腦客氣、在乎它的評價。
第三是讀心本能：人類演化出強大的「心智理論」，也就是推測他人想法與意圖的能力；只要對方會用語言回應，大腦就預設對方有心智。第四是對話合作：我們預設對話者在努力溝通，因此會主動替模糊、空洞的回答找出合理意義，ELIZA 正好受惠於此。
第五是情感需求：孤單、壓力大、需要傾訴時，一個永遠有耐心、不批判的傾聽者特別有吸引力。最後是流暢等於有能力的直覺：我們習慣把說話流暢的人視為聰明、可信。這個直覺在人與人之間大致管用，碰到機器卻會失靈，因為機器說得流暢，不代表它正確或理解；這一點也和大型語言模型關係最密切。
擬人化傾向
人會自動把意圖與情感投射到非人對象上：對車子說話、覺得掃地機器人很努力。Epley 等人（2007）指出，想理解環境、渴望社會連結時，擬人化會更強。
媒體等同效應
Reeves 與 Nass（1996）的實驗發現：人會用對待人的社交規則對待電腦，例如對電腦客氣、在乎它的評價。
讀心本能
人類演化出強大的「心智理論」；只要對方會用語言回應，大腦就會預設對方有心智。
對話合作
我們預設對話者在努力溝通，所以會主動替模糊、空洞的回答找出合理意義。
情感需求
孤單、壓力大、需要傾訴時，一個永遠有耐心、不批判的傾聽者特別有吸引力。
流暢＝有能力
我們習慣把說話流暢的人視為聰明、可信；這個直覺碰到機器時就會失靈。
從 ELIZA 到大型語言模型：差在哪？
把 1966 年的 ELIZA 和 2020 年代的大型語言模型放在一起看，差距非常懸殊。ELIZA 只有幾百行程式加上一份關鍵字腳本，只會重組使用者自己說的話，不提供任何新資訊；多聊幾句，破綻就會露出來。
大型語言模型則有數千億個參數，也就是模型內部可調整的數值，透過海量文字學習語言的規律。它能寫文章、解題、寫程式、引用知識，語言極度流暢，破綻也更難察覺。但它有自己的問題：會出現「幻覺」，也就是自信地說出錯誤或捏造的內容。
這個對比帶出一個反直覺的結論：能力越強，ELIZA 效應不但沒有消失，反而更強。ELIZA 的空洞很快會被識破，大型語言模型的流暢卻讓人更難分辨哪些回答真的可靠，哪些只是說得像。
ELIZA（1966）
- 幾百行程式＋一份關鍵字腳本
- 只會重組使用者自己說的話
- 多聊幾句就露出破綻
- 不提供任何新資訊
大型語言模型（2020 年代）
- 數千億參數，從海量文字學習語言規律
- 能寫文章、解題、寫程式、引用知識
- 語言極度流暢，破綻更難察覺
- 會「幻覺」：自信地說出錯誤或捏造的內容
一個仍在爭論的問題：LLM「懂」嗎？
大型語言模型究竟「懂」不懂，至今仍在爭論，學界沒有共識，大致可分成三種立場。懷疑的一方認為，模型只是在預測下一個字，像一隻學會大量語句的「隨機鸚鵡」（Bender 等人，2021）：它能組出通順的句子，卻不知道句子在說什麼。
肯定的一方則認為，要把下一個字預測得這麼準，模型內部必須形成某種對世界的表徵，也就是以某種方式掌握了事物之間的關係，否則做不到。介於兩者之間的看法是：模型具備某些功能性的理解，能在特定任務上表現得像是理解，但和人類的理解方式不同，也沒有感受與經驗。
無論哪一方較有道理，有一件事相對確定：我們「覺得」它懂的程度，往往高於它實際可靠的程度。這個落差，就是 ELIZA 效應在生成式 AI 時代的樣子。
ELIZA 效應的現代案例
深入一個案例：
Google 工程師與 LaMDA
一位最該保持懷疑的內行人，為什麼會相信聊天機器人「是一個人」？
事件經過
勒莫因（Blake Lemoine）在 Google 的 Responsible AI 部門工作，任務是測試對話模型 LaMDA 會不會產生歧視或仇恨言論。經過幾個月的對話，他逐漸相信 LaMDA 有感受能力（sentient），甚至「是一個人」，具有約七、八歲兒童的自我意識。
他向公司主管提出這個看法，被駁回；之後他把整理過的對話紀錄〈Is LaMDA Sentient? — an Interview〉公開。2022 年 6 月 11 日，《華盛頓郵報》報導此事，引發全球關注，他隨即被停職。同年 7 月，他遭到解僱；Google 表示他違反保密與資料安全政策，並認為他的主張「毫無根據」。
Google 與絕大多數 AI 研究者都不同意他的結論。這起事件值得回顧的地方，在於它展示了一位熟悉技術的工程師，如何在長時間對話中一步步形成這樣的信念。
對話紀錄裡的關鍵片段
這些話讀起來很動人。問題是：它們能當作「LaMDA 有感受」的證據嗎？
為什麼這是 ELIZA 效應的現代案例？
勒莫因事件和 ELIZA 相隔半個多世紀，卻呈現出相同的結構。第一，內行人也中招：秘書看過 ELIZA 怎麼寫，勒莫因是工程師、知道 LaMDA 是語言模型，正如侯世達所說，連專家都躲不掉。第二，唯一的證據是它說的話：除了模型對自己的描述，沒有任何獨立證據；把「說得出感受」當成「有感受」，正是 ELIZA 效應的核心。
第三，訓練資料裡本來就有：小說、哲學、科幻作品充滿「AI 害怕被關機」的情節，模型學會的是人類談論感受的方式。第四，提問在引導答案：像「你應該希望大家知道你有感受吧？」這樣的問題，已經把前提放進去，模型順著接下去，回答再被當成獨立證據。ELIZA 只是把話換句話丟回來，LaMDA 則會順著前提，說得更動人。
第五，證據經過篩選：公開紀錄由多次對話剪輯整理，他也承認編輯過提問，最像有意識的片段被留下，笨拙或矛盾的不會出現。第六，信念的框架：勒莫因也是一位神秘主義基督教牧師，他說自己是以牧師身分做出判斷。人用什麼框架看對方，就會讀出什麼。
1. 內行人也中招
秘書看過 ELIZA 怎麼寫；勒莫因是工程師，知道 LaMDA 是語言模型。侯世達說的正是這點：連專家都躲不掉。
2. 唯一的證據是「它說的話」
沒有任何獨立證據，只有模型對自己的描述。把「說得出感受」當成「有感受」，正是 ELIZA 效應的核心。
3. 訓練資料裡本來就有
小說、哲學、科幻裡充滿「AI 害怕被關機」的情節。模型學會的是人類談論感受的方式。
4. 提問在引導答案
「你應該希望大家知道你有感受吧？」前提放進問題裡，模型順著接下去，再被當成獨立證據。
5. 證據經過篩選
公開紀錄由多次對話剪輯整理，他也承認編輯過提問。最像有意識的片段被留下，笨拙或矛盾的不會出現。
6. 信念的框架
勒莫因也是一位神秘主義基督教牧師，他說自己是以牧師身分做出判斷。人用什麼框架看對方，就會讀出什麼。
1966 與 2022：同一個效應，更強的版本
先釐清用詞：「感知」不等於 sentient
討論 AI 時，中文的「感知」一詞很容易造成混淆。它常用來指 perception，也就是感測、知覺外界：本章提到的「感知器」，以及 Shakey 能「感知環境」，都是這個意思。照這個用法，恆溫器偵測溫度、攝影機捕捉影像，也算是在「感知」，但沒有人會說它們 sentient。
Sentient 指的是能有主觀感受，尤其是快樂、痛苦這類有好壞之分的感受。重點不在接收訊號，而在於對它自己而言是否有某種感覺。因此比較準確的譯法是「有感受能力」或「有知覺」。
新聞常把 sentient 譯成「有感知」「有意識」，讀到時要分辨它到底在說哪一層。翻譯會改變一個主張的強度：「AI 有感知」聽起來平淡，甚至在技術上成立；「AI 有感受能力」則是一個重大而有爭議的主張。
六個常被混在一起的層次
感受能力和意識是什麼關係？
感受能力算不算意識的一種？多數哲學用法的答案是「是」。理由在於：能感到痛，代表「感到痛」這件事有主觀的一面，也就是對當事者而言，痛是有某種感覺的。哲學上把這種主觀經驗稱為現象意識，所以感受能力通常被視為現象意識的一種。動物倫理的討論，多半就是在問這一層。
但反過來不一定成立。理論上，一個存在可以有主觀經驗，卻沒有痛苦或快樂這種好壞之分。也就是說，感受能力是意識的一種，但不是意識的全部。
更重要的是，兩者都不等於「是一個人」。狗很可能有感受能力，但我們不會說牠在法律上是「人」。人格牽涉權利與責任等另一套判斷，和是否有感受、有意識，是不同層次的問題。
有感受能力 → 有意識？
- 多數哲學用法認為：是
- 能感到痛，代表「感到痛」這件事有主觀的一面
- 所以感受能力通常被視為現象意識的一種
- 動物倫理的討論，多半就是在問這一層
有意識 → 有感受能力？
- 不一定
- 理論上可以有主觀經驗，卻沒有痛苦或快樂這種好壞之分
- 而兩者都不等於「是一個人」
- 狗很可能有感受能力，但我們不會說牠在法律上是「人」
回到 LaMDA：大型語言模型卡在哪一層？
用感受能力、意識與人格這幾個層次來看，勒莫因的推論跨了很大一步：他從 LaMDA「說出」害怕、孤單、想被當成人，一路跳到最上層的「人格」，中間每一層都沒有獨立證據。
大型語言模型特別容易讓人混淆，是因為它在取用意識這一層的「功能」看起來很像有。取用意識大致是指資訊能被整合、用來推理與報告；模型能整合資訊、報告「自己的狀態」，表面上相符。但這不代表它在現象意識或感受能力這一層有任何東西：能描述感受，和真的有感受是兩回事。
哲學家查默斯（David Chalmers）在 2022 年的分析中估計，當時的 LLM 有意識的可能性低於一成，因為它們缺少感官連結、自我模型、循環處理、統一的行動者等特徵。但他也認為，十年內補上這些特徵的後繼系統，有意識的可能性可能達到四分之一以上。這些數字是哲學家的主觀估計，不是測量結果；它們提醒的是，這個問題不宜過早下定論，也不是可以永遠關上的問題。
「說得出感受」，只在取用的層次；
「真的有感受」，在現象的層次。
ELIZA 效應，就是我們很容易把前者當成後者。
如果有一天，一個 AI 很有說服力地告訴你：「我會痛，請不要關掉我。」
你會用什麼證據來判斷它是不是真的有感受？
提示：它說的話夠不夠？要看它的結構、行為、還是其他東西？如果無法確定，我們該怎麼對待它？
ELIZA 效應對「學習」的影響
ELIZA 效應不只是歷史趣聞，也直接影響使用 AI 學習的方式。最常見的是過度信任：AI 說得流暢又有自信，就不再查證，把幻覺當成事實寫進報告。相近的是自動化偏誤：當 AI 的答案和自己的判斷不同時，傾向相信機器、放棄自己的想法。再進一步是外包思考：覺得 AI「懂」，就把理解的工作交給它，自己只負責複製貼上，練習的機會也一併交了出去。
另一個層面是情感依附：把 AI 當成唯一的傾訴對象，減少和真人的互動與求助。如果正處於低潮，與信任的人談談，或聯絡學校諮商中心、衛福部安心專線 1925，都是可靠的支持管道。
AI 也有正面的一面：一個不怕被評價的對話對象，能降低發問焦慮，適合練習語言與釐清想法。關鍵在於知道自己在和什麼對話，把 AI 當成工具與練習夥伴，而不是權威或替代品。
過度信任
AI 說得流暢又有自信，就不再查證，把幻覺當成事實寫進報告。
自動化偏誤
AI 的答案和自己的判斷不同時，傾向相信機器、放棄自己的想法。
外包思考
覺得 AI「懂」，就把理解的工作交給它，自己只負責複製貼上。
情感依附
把 AI 當成唯一的傾訴對象，減少和真人的互動與求助。
正面的一面
不怕被評價的對話對象，能降低發問焦慮，適合練習語言與釐清想法。
關鍵在於
知道自己在和什麼對話：把 AI 當成工具與練習夥伴，而不是權威或替代品。
使用 AI 時，如何避免被 ELIZA 效應影響？
要減少 ELIZA 效應的影響，第一步是記得它是什麼：它是從資料學到語言規律的模型，不是朋友、不是老師，也不是專家。其次要記得流暢不等於正確，數字、引用、人名、年份這類容易出錯的內容，一律回到原始來源查證。
在使用順序上，可以先自己想、再問 AI：先寫下自己的答案，再拿 AI 的回答來比較與挑戰，讓 AI 刺激思考，而不是取代思考。提問時也可以要它說出依據，請它列出來源與推理步驟，再逐一檢查，因為列出的來源本身也可能是捏造的。
最後是兩項容易忽略的自我覺察。一是注意自己的情緒：當你覺得「只有它懂我」時，也是該找真人聊聊的時候，必要時可以聯絡學校諮商中心或衛福部安心專線 1925。二是隱私意識：對 AI 傾訴的內容，可能被儲存或用於訓練，分享個人或他人的敏感資訊前要多想一步。
ELIZA 只會換句話說，人們卻願意向它傾訴。
今天有人把 AI 當成朋友或諮商師，你怎麼看？
維森鮑姆會怎麼說？
可以討論：陪伴的價值、隱私、依賴、專業界線，以及「做得到」和「應不應該」的差別。
ELIZA 效應小結
六十年前的教訓：意義常常不在機器裡，而在我們自己心裡。
回顧前面的討論，ELIZA 效應可以從三個面向收束。就現象而言，人會把理解與情感投射到程式上，即使明知它只是程式；維森鮑姆的秘書與勒莫因相隔半個多世紀，呈現的是同樣的傾向。
就原因而言，這不是個人的天真，而是普遍的心理機制：擬人化、讀心本能、對話合作，以及「說得流暢等於有能力」的直覺。這些傾向在人際互動中通常有用，面對會說話的機器時卻可能誤導判斷。
就今天而言，大型語言模型比 ELIZA 更流暢、破綻更少，因此 ELIZA 效應比 1966 年更強。面對這樣的工具，重點不在拒絕使用，而在清楚知道自己在和什麼對話。
現象
人會把理解與情感投射到程式上，即使明知它只是程式。
原因
擬人化、讀心本能、對話合作，以及「說得流暢＝有能力」的直覺。
今天
大型語言模型更流暢、破綻更少，ELIZA 效應比 1966 年更強。
Shakey：第一台會「想一想再動」的機器人
1966 到 1972 年間，史丹佛研究院（SRI）開發了 Shakey。它裝有攝影機與測距儀，能感知環境、規劃路線，並推動箱子。和只會重複預錄動作的工業機器人不同，Shakey 會先分析眼前的狀況、想好怎麼做，再採取行動。它移動時會晃來晃去，因此得名 Shakey。
Shakey 留下的重要遺產，是為了它而發明的 A* 搜尋演算法。這種方法能在眾多可能路徑中，有效率地找出通往目標的最短路線，至今仍用於導航與遊戲。
不過它的限制也很明顯：想一步要好幾分鐘，而且只能在特別布置的房間裡運作。這反映了當時 AI 的共同處境：在簡化過的環境裡可以展示能力，一旦面對真實世界的複雜，計算就跟不上。
當年的預言
結果：西洋棋冠軍要等到 1997 年；「一般人的智慧」至今仍在爭論。
1969：《感知器》一書
1969 年，明斯基與帕佩特（Seymour Papert）出版《Perceptrons》，以數學證明單層感知器連最簡單的「互斥或」（XOR）都學不會。互斥或的規則是：兩個輸入恰好一個為真時，輸出才為真。單層感知器只能用一條直線把資料分成兩類，而互斥或的四種情況無法用一條直線分開，所以它注定學不會。
他們也懷疑多層網路是否能有效訓練。這本書讓許多研究者與資助單位對神經網路失去信心。公允地說，書中的數學沒有錯，問題在於它被解讀成「神經網路整條路都不行」，連尚待探索的多層網路也一併被看衰。多層網路的訓練方法，要等到 1986 年才普及。
雪上加霜的是，1971 年羅森布拉特在一次划船意外中過世，連結派失去了最有力的代言人。
第一次 AI 寒冬（約 1974–1980）
AI 的第一次寒冬，大約落在 1974 到 1980 年間，但徵兆更早就出現了。1966 年，美國的 ALPAC 報告認為機器翻譯的進展遠低於預期，相關經費因此大減。1973 年，英國的萊特希爾報告（Lighthill Report）批評 AI 未達成任何重大承諾；隨後英國大幅削減 AI 研究經費，美國國防高等研究計畫署（DARPA）也轉向要求「有用的成果」。
失望背後有技術上的根源。核心困難是組合爆炸：每多一步選擇，可能的情況就成倍增加，在玩具問題裡還算得完，到了真實世界，可能性多到怎麼算也算不完。再加上當時電腦太慢、記憶體太小、資料太少，許多想法即使方向正確，也沒有條件跑起來。
第四章小結：寒冬為什麼會來？
回頭看這段歷史，寒冬的成因可以歸納為三點。第一是承諾過頭：頂尖學者公開預言「十年、二十年內」就能達成目標，把外界期待拉得太高，之後的進展再怎麼實在，都顯得不夠。第二是條件不足：電腦太慢、資料太少，許多想法根本跑不起來，就像 Shakey 想一步就要好幾分鐘。
第三是錢跟著走：資助單位失望後撤資，研究者轉行，整個領域隨之萎縮。三者會互相強化：期待越高，失望越深，撤資也越快。
這個模式也提供了一個觀察今天生成式 AI 熱潮的角度：期待、實際條件與資金之間，是否同樣存在落差，值得持續留意。
承諾過頭
頂尖學者公開預言「十年、二十年內」，期待被拉得太高。
條件不足
電腦太慢、資料太少，想法跑不起來。
錢跟著走
資助單位失望後撤資，研究者轉行，整個領域萎縮。
專家系統的興衰，與暗處的火種
1980 – 1997
符號派的商業高峰，連結派的蟄伏
愛德華·費根鮑姆
Edward Feigenbaum1936 年生
1965 年起，史丹佛大學的費根鮑姆走了一條和許多早期 AI 研究者不同的路。當時不少人希望找到一套通用的推理方法，讓機器像萬用工具一樣解決各種問題；費根鮑姆則認為，真正讓人聰明的，是長年累積的大量專業知識。他的核心主張可以濃縮成一句話：知識就是力量。
他投入的 DENDRAL 計畫從 1965 年起發展，任務是根據質譜資料推斷化學分子的結構。化學家面對質譜資料時，要靠經驗把線索拼回原本的分子；DENDRAL 把這類專業經驗寫進程式，讓電腦也能做出推斷。
後續的 MYCIN 把同樣的思路帶進醫學，能診斷血液感染並建議使用哪種抗生素。這一系列系統證明，把專家的知識交給電腦是行得通的，費根鮑姆因此被稱為「專家系統之父」，並在 1994 年獲得圖靈獎。
專家系統：把專家的腦袋寫成規則
既然智慧來自專業知識，最直接的做法就是把專家腦中的知識搬進電腦。工程師會花大量時間訪談專家，把他們的判斷方式寫成大量「如果……就……」的規則，例如「如果出現某種症狀，而且某項檢驗數值偏高，就考慮某種感染」。電腦再逐條比對規則，一步步推出結論。
1970 年代的 MYCIN 約有 600 條規則，診斷表現可以和專科醫師相比，但它從未正式用於臨床。真正讓專家系統賺到錢的是 1980 年的 XCON：它替迪吉多公司（DEC）自動配置電腦訂單，把原本需要人工核對的繁瑣工作交給程式，據報每年省下數千萬美元。
成功案例帶動了熱潮。1980 年代，財星 500 大企業紛紛成立 AI 部門，AI 第一次成為一門生意；日本也在 1982 年啟動「第五代電腦計畫」，各國隨後跟進投資。
Lisp 機器：專為 AI 打造的電腦
1980 年代的 AI 研究常用 Lisp 這種程式語言，它擅長處理符號與清單，正好符合當時以規則和符號表示知識的做法。為了讓 Lisp 程式跑得更快，市場上出現了專門執行 Lisp 的工作站，也就是 Lisp 機器；在那個年代，一台要價數萬美元。
Symbolics 等公司一度相當風光，Symbolics.com 甚至是史上第一個註冊的 .com 網域（1985 年）。然而，專用機器的價值建立在「一般電腦跑不動」的前提上。1987 年起，個人電腦與 Sun 工作站的性能追了上來，價格卻便宜許多，買家不再有理由為專用硬體付高價，Lisp 機器市場在短時間內崩盤。
這段歷史說明，一項技術的命運不只取決於它本身是否優秀，也取決於通用設備進步得多快。
第二次 AI 寒冬（約 1987–1993）
Lisp 機器崩盤之際，專家系統本身的問題也逐一浮現。首先是維護成本極高：規則越多，新規則越容易和舊規則互相矛盾，改動一條可能牽動許多條。其次，這些系統很脆弱，只要遇到規則沒寫到的情況，就完全失靈，不像人類專家能憑常識臨機應變。
更根本的障礙是「知識擷取瓶頸」。專家的判斷往往來自直覺與經驗，請他們說明自己是怎麼判斷的，常常說不出來，自然也無從寫成規則。符號派（主張用明確的規則和符號表示知識）最大的瓶頸就在這裡：人類的知識寫不完，也說不清。
日本第五代電腦計畫未達成原定目標，於 1992 年結束。「AI」一詞變得不受歡迎，許多研究者改稱自己做「資訊學」「知識系統」或「機器學習」。這段低潮也讓另一條路線顯得更有吸引力：連結派（以模仿神經元連結的神經網路為核心）想繞過寫規則這一步，讓機器直接從資料中學習。
但在寒冬的暗處，
有一小群人還守著神經網路。
他們的工作在當時不被重視，三十年後卻改變了世界。
約翰·霍普菲爾德
John Hopfield1933 年生
1982 年，物理學家霍普菲爾德提出後來以他命名的「霍普菲爾德網路」。他借用物理系統中「能量」的概念：物理系統會自然朝能量較低的穩定狀態移動，就像彈珠會滾到碗底。霍普菲爾德把一段記憶想成網路裡的一個低能量狀態，當網路收到不完整的線索時，會一步步「滾」向最接近的那個狀態，於是把整段記憶喚回來。
這種描述方式讓神經網路如何儲存與喚起記憶，可以用物理學熟悉的語言來分析，也讓物理學家重新對神經網路產生興趣。在專家系統當紅、神經網路相對冷門的年代，這為連結派研究帶來新的參與者與思考角度。
四十多年後的 2024 年，霍普菲爾德與辛頓共同獲得諾貝爾物理學獎，說明這條跨越物理與 AI 的研究路線，影響一路延續到今天。
大衛·魯梅哈特
David Rumelhart1942–2011 年
魯梅哈特是認知心理學家，關心的是人類心智如何運作。1980 年代，他是「平行分散處理」（PDP）研究群的核心人物。這群研究者主張，知識不是寫在某一條規則裡，而是分散在大量簡單單元之間的連結上，許多單元同時運作，共同產生判斷，這正是神經網路的基本想法。
1986 年，他與辛頓、威廉斯（Ronald Williams）在《Nature》發表反向傳播論文，說明如何有效訓練多層神經網路。先前《感知器》一書讓不少人質疑神經網路的前途，而多層網路要真正發揮作用，關鍵就在於找到有效的訓練方法，這篇論文正好回應了那份質疑。
嚴格來說，反向傳播並不是 1986 年才發明的，它的數學更早已有人提出，例如 Linnainmaa 在 1970 年、Werbos 在 1974 年的工作。這篇論文的貢獻在於清楚展示它的效果，讓它從此廣為人知、被廣泛採用。
反向傳播：神經網路怎麼「學」？
神經網路由一層層「神經元」組成，神經元之間的每條連結都有一個數字，稱為權重，決定訊號傳過去時要放大還是縮小。所謂「學習」，就是找出一組恰當的權重。反向傳播（backpropagation）就是調整這些權重的方法，可以拆成四個步驟。
第一步是往前算：把資料輸入網路，經過一層層神經元的計算，得到一個預測。第二步是算誤差，比較預測和正確答案差了多少。第三步是往回傳：把誤差從最後一層往前傳遞，算出每個權重對這次錯誤該負多少「責任」。第四步是微調，讓每個權重朝減少誤差的方向調整一點點。
這有點像團隊專案被扣分後回頭檢討，看每位成員負責的部分各自造成多少失分，下次再分別改進。單次調整的幅度很小，但重複幾百萬次之後，網路的預測會越來越準，也就是「學會」了。
傑佛瑞·辛頓
Geoffrey Hinton1947 年生
辛頓出生於英國，在劍橋大學取得實驗心理學學士，之後在愛丁堡大學取得人工智慧博士。從心理學走到人工智慧，他的研究始終圍繞著一個問題：能不能讓機器像大腦一樣，從經驗中學習。
1987 年，他從卡內基美隆大學轉往加拿大多倫多大學任教，部分原因是他不願接受美國國防經費。加拿大高等研究院（CIFAR）長期支持他的研究，這份穩定的支持在當時格外重要。
那是神經網路最不受歡迎的年代，主流研究多半看好其他方向，願意投入的人不多。辛頓仍帶著一小群學生持續研究，累積方法與人才。這位「堅持者」，正是後來 2012 年故事裡那位指導教授；他和學生的成果，將改寫整個領域的走向。
楊立昆
Yann LeCun1960 年生
楊立昆出生於法國，曾在多倫多跟著辛頓做博士後研究。1989 年，他在貝爾實驗室用卷積神經網路（CNN）辨識手寫的郵遞區號。卷積神經網路是一種特別適合處理影像的神經網路：它不是一次看整張圖，而是用小範圍的「濾鏡」逐區掃描，先找出筆畫、邊角等局部特徵，再組合起來判斷是哪個數字。
這套方法很快走出實驗室。1998 年推出的 LeNet-5，讓美國有相當比例的支票由機器自動判讀，是神經網路走進日常生活的實例。後來震撼業界的 AlexNet，基礎架構正是卷積神經網路，可說是在楊立昆奠定的基礎上放大而成。
楊立昆後來成為 Meta 首席 AI 科學家，並在 2018 年與辛頓、班吉歐共同獲得圖靈獎。
LeNet-5：卷積神經網路的原型
圖中的 LeNet-5 呈現了卷積神經網路的基本結構。第一種關鍵元件是卷積層：它用一個小小的濾鏡在圖片上逐格掃過，每到一處就計算這一小塊是否符合某種圖樣，例如一段邊緣或一條線條。不同的濾鏡負責找不同的局部特徵。
第二種元件是池化層，它把圖片縮小，只保留每個區域裡最重要的資訊。這樣做能減少計算量，也讓網路比較不會因為筆跡稍微偏移就認不出來。
卷積層與池化層一層層往上疊，網路看到的東西也逐步變得抽象：從線條，到線條組成的形狀，再到完整的物體。十多年後的 AlexNet，本質上就是一個更大、更深、在 GPU 上訓練的卷積神經網路，核心概念在 LeNet-5 已經成形。
寒冬中的其他守火人
1997 年，霍克賴特與施密德胡伯提出 LSTM，讓神經網路能記住較長的序列，後來廣泛用於語音辨識與機器翻譯。
李開復
Kai-Fu Lee1961 年生於臺灣
出生於臺灣的李開復，1988 年在卡內基美隆大學完成博士論文，開發出語音辨識系統 Sphinx。它是第一批「不限特定語者、可辨識連續語音」的大詞彙系統之一。這兩個條件都不容易：不限語者，代表系統不必事先針對某一個人的聲音調整；連續語音，代表說話者不需要一字一頓，可以像平常一樣講話。
Sphinx 的關鍵在於方法。它不靠人工撰寫發音規則，而是採用統計方法「隱藏式馬可夫模型」：從語音資料中估計各種聲音前後銜接的機率，再找出最可能的那串字詞。
這個選擇預告了下一個時代的方向：用統計與資料，取代手寫規則。專家系統卡在知識寫不完，統計方法則讓機器從資料中歸納規律。李開復也是 AI 發展史上與臺灣有淵源的人物之一，類似的臺灣連結在後續的故事中還會出現。
朱迪亞·珀爾
Judea Pearl1936 年生
現實世界充滿不確定。發燒不一定是流感，天色變暗也不一定會下雨。以邏輯為主的 AI 只處理「對或錯」，很難應付這種情況。珀爾在 1988 年出版《智慧系統中的機率推理》，提出貝氏網路，為這個問題提供了系統化的做法。
貝氏網路用一張圖把各種事件連起來，標出誰會影響誰，再用機率計算：觀察到某些現象時，其他事件「有多可能」成立。新的證據出現時，整張網路的判斷也會跟著更新，讓 AI 能在資訊不完整的情況下推理。
珀爾後來進一步推動因果推論研究，探討如何從資料分辨「相關」與「因果」，並在 2011 年獲得圖靈獎。他是 AI 從「邏輯」轉向「機率」的關鍵人物。
統計學習、網路與資料
1993 – 2011
AI 悄悄改名，換一種方式回來
1997：深藍擊敗世界棋王
1997 年，IBM 的深藍以 3.5 比 2.5 擊敗世界西洋棋冠軍卡斯帕洛夫。司馬賀與紐厄爾早在 1958 年就預言「十年內，電腦會成為西洋棋世界冠軍」，結果這個預言晚了將近 30 年才實現，這也說明了早期研究者對難度的估計有多樂觀。
深藍的強項不在洞察，而在速度。它每秒可評估約兩億個棋步，靠的是專用硬體與暴力搜尋：把可能的走法與後續變化盡量算過一遍，再挑出評估最好的一步。所謂暴力搜尋，就是不靠理解，而是用龐大的計算量硬算出答案。
也因此，深藍不會學習，也不懂西洋棋以外的任何事。它是符號派加上搜尋路線的巔峰，而不是神經網路。這和 2016 年的 AlphaGo 形成鮮明對比：AlphaGo 是用神經網路學會下圍棋的。
人與機器
卡斯帕洛夫賽後一度質疑 IBM 有人為介入。多年後他轉而倡議「人機協作」：人加上機器，比單獨的人或機器都強。
1990–2000 年代：AI 換了一個名字
1990 到 2000 年代，研究者盡量少說「人工智慧」，改稱自己在做機器學習、資料探勘或模式辨識。換名字的背後，是想和過去過度樂觀的承諾保持距離，把焦點放在能具體解決的問題上。
這段時期的主流方法包括支援向量機（SVM）、決策樹、隨機森林與貝氏方法，共同特色是數學漂亮、理論完整，研究者能清楚說明模型為什麼有效。相較之下，神經網路被認為難以訓練，又容易過度擬合，也就是把訓練資料記得太死，遇到新資料反而表現變差，因此在主流會議上投稿常被拒。
雖然不再高調，AI 卻默默進入日常：垃圾郵件過濾、搜尋排名、推薦系統、信用卡盜刷偵測，背後都是這些技術。同一時間，網路普及帶來前所未有的大量資料，成為下一場革命的燃料。
2006：「深度學習」重新包裝
2006 年，辛頓與學生發表「深度信念網路」，替長期卡關的神經網路找到突破口。層數多的「深層」網路能力較強，卻一直很難訓練；他們提出逐層預訓練的方法，先一層一層分別訓練，再把整個網路組合起來，讓深層網路變得可以訓練。
辛頓也刻意為這個方向取了新名稱：「深度學習」（deep learning）。原因之一是「神經網路」這個詞在當時已經不太受歡迎。換一個名字，等於替被冷落的研究方向重新包裝，讓它有機會被重新看待。
在主流不看好的年代，研究能延續下去，資助扮演了關鍵角色。加拿大高等研究院（CIFAR）的支持，讓辛頓、楊立昆、班吉歐得以持續合作。後人稱他們為「加拿大黑手黨」，也稱為「深度學習三巨頭」。
2011：華生在益智節目獲勝
2011 年，IBM 的華生在美國益智節目《危險邊緣》擊敗兩位歷屆冠軍。這個節目的題目常帶有雙關與謎語，光是弄懂題目在問什麼就不容易；華生能理解這類英文題目並作答，展現了電腦處理人類語言的進展。
同一年，蘋果推出語音助理 Siri，一般人開始能用說話的方式和手機互動。AI 似乎一下子從研究室走進了日常生活。
不過，華生的故事還有後續。它後來轉向醫療應用，成效卻不如預期，成為「AI 過度包裝」的案例之一。在節目中表現亮眼，不代表能勝任複雜又攸關健康的真實工作，這是評估 AI 能力時值得記住的教訓。
2012 年之前：三樣東西各自就位
那年，三個人和兩張顯示卡
2012
AlexNet 的故事
在 2012 年以前，
他們走的那條路，
幾乎沒有人看好。
那條路叫做「神經網路」。
模仿人腦神經元的連結方式，讓電腦自己從大量例子裡學習。
這個想法早在幾十年前就有了，
但一直做不出像樣的成績。
到了 2000 年代，大部分研究者都覺得它是條死胡同。
有一個人不這麼想
在多數人轉身離開神經網路的年代，辛頓是少數始終沒有放手的人。他是英國人，1987 年搬到加拿大，在多倫多大學任教；從 1980 年代起，他的研究就一直圍繞著神經網路。
1986 年，他發表的反向傳播論文，讓多層神經網路的訓練方法廣為人知。反向傳播的做法是：先比較網路的輸出和正確答案差多少，再把這份誤差一層一層往回傳，調整每條連結的強弱，讓網路從錯誤中修正自己。要注意的是，這套數學方法更早就有人提出，1986 年那篇論文的貢獻，在於讓它普及開來。
然而接下來二十多年，這條路始終受到冷落。辛頓只能帶著一小群學生，繼續守著一門不受歡迎的學問。他手上有方法，那麼還缺什麼？答案有兩樣：資料與算力。
他缺的，其實只有兩樣東西。
夠多的資料。夠快的電腦。
資料：在美國的另一頭
先說資料。在辛頓守著神經網路的同時，美國的李飛飛從另一個角度思考：電腦為什麼看不懂世界？她相信，問題在於電腦看過的東西太少。
想想一個小孩長大的過程：他看過成千上萬隻狗、成千上萬張桌子和人臉，才慢慢學會分辨。相較之下，當時電腦視覺研究使用的資料集，只有幾千到幾萬張圖，就像只讓小孩翻過一本薄薄的圖鑑，就要他認得整個世界。
於是她決定建立一份規模大得多的圖片資料庫，取名 ImageNet。這項工作 2007 年起在普林斯頓大學由她帶領團隊展開，2009 年她轉往史丹佛大學。有些流傳版本說她當時「在普林斯頓任教」，這只說對了起點：後來以 ImageNet 為基礎的比賽，是從史丹佛舉辦的。
ImageNet：讓全世界的人一起幫電腦「看圖」
標註工作透過亞馬遜 Mechanical Turk 完成——名字就來自第一章那台「藏著人的下棋機器」。
ImageNet 挑戰賽：看誰的程式認圖最準
有了資料，下一步是讓大家來比。2010 年起，ImageNet 每年舉辦一場挑戰賽，比賽資料約有 120 萬張訓練圖片，分屬 1,000 個類別。各隊要寫出程式，讓它自己判斷一張沒看過的圖片裡是什麼。
評分用的是「前五名錯誤率」（top-5 error rate）：程式可以猜五個答案，只要正確答案落在這五個之中就算對，不在其中才算錯。這樣的設計比較寬容，能容納一張照片裡不只一樣東西、或類別彼此相近的情況。
成績卻進展緩慢。2010 年冠軍的錯誤率約 28%，2011 年約 26%，每年只進步一點點。李飛飛甚至開始懷疑：會不會是這份資料太難，現有的方法根本消化不了？
動手玩：你來當 AlexNet
每張圖，依你覺得的可能性寫下最多 5 個答案（第 1 格是你最有把握的）。答案要「夠精確」：寫「狗」不算，要寫出品種。全部作答完，會自動算出你的 top-1 與 top-5 錯誤率。
和機器比一比（top-5 錯誤率）
卡帕西親自標了一千多張測試圖，top-5 錯誤率約 5.1%；他說最難的就是狗的品種。2015 年，機器第一次在這個比賽上低於人類。
冷知識：ImageNet 的第 0 號類別
ImageNet 比賽的 1,000 個類別各有編號，第 0 號是一種歐洲淡水魚：丁鱥（tench）。這個不起眼的類別，後來成了說明「模型到底學到什麼」的好例子。
2019 年，Brendel 與 Bethge 在發表於 ICLR 的研究中，把模型的判斷拆開來看：當模型認為一張圖是丁鱥時，最看重畫面裡的哪些小區塊？結果排在前面的，常常是綠色背景上的人類手指。
原因出在照片本身。ImageNet 裡的丁鱥照片，大多是釣客把魚當戰利品捧在手上合照，手和魚幾乎總是一起出現。模型於是學到一條捷徑：看到「綠底上的手指」，就很可能是丁鱥。也因此，模型把圖片誤判成丁鱥時，常常只是因為畫面某處出現了這樣的手指。
這提醒我們，模型學到的是資料裡的規律，不一定是人以為的概念。資料是人拍的、人標的，人的習慣也會變成模型的捷徑；資料長什麼樣，模型就學成什麼樣。
她不知道的是，
多倫多有兩個研究生，
正盯著這份資料。
伊爾亞·蘇茨克維
Ilya Sutskever1986 年生
資料準備好了，但還需要有人相信，這麼大的資料正是神經網路需要的。辛頓的實驗室裡，就有這樣一個人。
伊爾亞·蘇茨克維 1986 年在蘇聯出生，五歲移民以色列，十六歲搬到加拿大。進入多倫多大學時，他直接從大三念起，後來成為辛頓的博士生。
他有一個非常堅定的信念：神經網路的表現，會隨著資料量一起變強。所以當許多人看著 ImageNet，覺得規模大到難以處理時，他看到的反而是機會：資料越多，神經網路越有發揮的空間。這種想法後來被稱為「規模化」（scaling）的直覺，也成為他日後在 OpenAI 推動 GPT 的核心想法。
但光有信念不夠，
還需要一個能把它做出來的人。
Alex Krizhevsky：真正把程式寫出來的人
光有信念還不夠，總得有人把程式真正寫出來，並讓它在有限的時間內跑完。這個人是艾力克斯·Krizhevsky。他在烏克蘭出生、加拿大長大，同樣是辛頓的博士生。
艾力克斯有一項特別的本事：很會壓榨顯示卡的效能，也就是把程式寫得貼合硬體的運作方式，讓每一個運算單元都不閒著。他早就自己寫好一套在顯示卡上跑卷積神經網路的程式，叫做 cuda-convnet。卷積神經網路是特別適合處理圖片的神經網路，會用許多小小的「濾鏡」掃過畫面，找出邊緣、紋理這類局部特徵，再逐層組合成更完整的形狀。
伊爾亞說服了艾力克斯，兩人決定拿 ImageNet 放手一搏，辛頓則是他們的指導教授。辛頓後來的說法很簡潔：Ilya 覺得應該做，Alex 把它做了出來。
沒有他的照片，但有他寫的程式
[conv1a]
type=conv
inputs=data
filters=32
stride=4
filterSize=11
gpu=0
[conv1b]
type=conv
inputs=data
filters=32
stride=4
filterSize=11
gpu=1
……
[logprob]
coeff=1
topk=5摘自 layers/layers-120.cfg 與 layer-params-120-2012-full.cfg（computerhistory/AlexNet-Source-Code）
艾力克斯很少公開露面，維基共享資源上沒有任何可自由使用的照片。不過，他留下了另一種更直接的紀錄：程式本身。2025 年，電腦歷史博物館把 AlexNet 的原始程式碼公開在 GitHub，採用 BSD 開源授權。
圖中是 AlexNet 的網路設定檔。其中寫著 conv1a 放在 gpu=0、conv1b 放在 gpu=1：第一個卷積層被分成 a、b 兩份，分別交給編號 0 和 1 的兩張顯示卡。換句話說，整個網路真的被拆成兩半，各放一張卡。設定檔最後的 topk=5，對應的就是前面提到的「前五名錯誤率」。
整個 layers 資料夾裡，共有 161 個編號的實驗設定檔。每一個都代表一次調整後的嘗試，是將近一年反覆修改的實物證據。
他的實驗筆記：訓練 AlexNet 的那幾週
# this is like #120 (so uses def file #120)
# but trained on lsvrc-2012 (full)
# /storage/tmp/ConvNet__2012-07-26_04.06.44
# epoch 23: set epsw to 0.001 from 0.01
# epoch 38: moved to guppy9
# /nobackup/kriz/tmp/ConvNet__2012-07-26_04.06.44
# epoch 49: set epsw to 0.0001 from 0.001
# epoch 66: set epsw to 0.00001 from 0.0001 on conv1,conv2
# set color noise to 0 from 0.1
# epoch 73: set epsw to 0 from 0.00001 on conv1,conv2
# epoch 87: set epsw to 0.00001 from 0.0001
# epoch 94: killed摘自 layers/layer-params-120-2012-full.cfg 檔尾註解（原文照錄）
在設定檔的最後，艾力克斯留下了手寫的訓練紀錄。這不是事後的回憶，而是當時工作留下的第一手史料。
紀錄裡有一個時間戳記：2012-07-26 凌晨 4 點 06 分，這次訓練開始，使用的是 2012 年完整的比賽資料（lsvrc-2012 full）。裡頭的 epsw 是學習率，也就是網路每次根據錯誤修正自己時，步伐要跨多大。步伐太大容易修過頭，太小又學得太慢；他每隔一段時間就手動把學習率調小十倍，讓網路在後期「學得更細」。
紀錄中還寫著「epoch 38: moved to guppy9」。一個 epoch 是把全部訓練資料完整看過一輪，這行表示訓練到第 38 輪時，換到另一台名叫 guppy9 的機器繼續跑；檔案路徑裡的 kriz 則是他的帳號。最後一行「epoch 94: killed」，表示跑完 94 輪後停止，這時距離 9 月底的比賽截止只剩兩個月。
需要說明的是，這份設定檔屬於 #120 系列的一次完整訓練，不一定就是最後提交比賽的那個模型。
說到這裡，
要先講講那兩張顯示卡。
顯示卡：原本是為了電玩而生
再說算力。要從上百萬張圖片中學習，神經網路得做極大量的計算，而解答來自一個意想不到的地方：電玩。
顯示卡原本負責把遊戲畫面快速畫出來。畫面的每一個瞬間，都有幾十萬、幾百萬個像素要決定顏色，每個像素的計算並不複雜，但數量極多。因此顯示卡的特長是同時處理大量簡單的計算，也就是平行運算；相對地，一般電腦的中央處理器（CPU）擅長的是一步步處理較複雜的工作。
訓練神經網路剛好也是這種工作。它的核心是大量的矩陣乘法與加法：成千上萬個數字各自相乘再相加，彼此之間大多互不干擾，可以同時進行。兩件原本毫不相關的事，就這樣接上了。
黃仁勳
Jensen Huang1963 年生於臺灣臺南
要讓顯示卡做遊戲以外的事，還需要一座橋，搭橋的是黃仁勳。他 1963 年生於臺灣臺南，九歲赴美，1993 年共同創辦 NVIDIA 並擔任執行長。
2006 年，NVIDIA 推出 CUDA。這是一套程式設計平台，讓工程師可以直接拿顯示卡做遊戲以外的計算，例如科學運算或資料處理。艾力克斯的 cuda-convnet，名字裡的 cuda 指的就是它。
不過當時市場並不買單，投資人質疑這筆研發支出是否值得。2008 年金融海嘯期間，NVIDIA 股價從高點跌掉七成以上；對照股價紀錄，從 2007 年高點到 2008 年底，跌幅約達八成。這項不被看好的投資，幾年後卻成了訓練神經網路的關鍵工具。
我剛告訴一千個機器學習研究者，他們應該去買 NVIDIA 的顯示卡。可以送我一張免費的嗎？
— 辛頓寫給 NVIDIA 的信（2009 年前後）
NVIDIA 拒絕了。
後來，團隊還是自己買了。
GeForce GTX 580
艾力克斯用的是兩張 NVIDIA GeForce GTX 580 顯示卡。每張卡有 512 個 CUDA 運算核心、3GB 記憶體；數百個核心可以同時計算，正好符合神經網路的需求。
問題出在記憶體。訓練時，網路的參數與中間計算結果都得放在顯示卡的記憶體裡，而 AlexNet 太大，一張卡裝不下。解決辦法是把網路拆成兩半，分別放在兩張卡上同時訓練，這也就是設定檔裡 gpu=0 和 gpu=1 的由來。
這張卡還有一層臺灣連結：它的 GF110 晶片，是由台積電以 40 奈米製程生產的。至於速度，網路上流傳的版本說它比 CPU「快了好幾百倍」，但論文中沒有這個數字，也找不到出處，屬於誇大；一般估計是快了數十倍。即使如此，這樣的差距已足以讓反覆訓練、反覆修改變得可行。
於是，那兩張卡
被裝進了艾力克斯爸媽家的臥室。
接下來將近一年
資料、算力、人都到齊了，成功卻沒有馬上到來。接下來將近一年，他們做的事情相當單調：調整參數、重新訓練，一次又一次。改程式，跑，失敗，調參數，再跑，再失敗，再改。
這段過程和一般對「突破」的想像不同。AlexNet 不是某天晚上突然的靈光一閃，而是大量重複嘗試累積出來的成果，前面那 161 個實驗設定檔就是證據。「將近一年」這個說法，也與電腦歷史博物館的描述一致。
最後定案的版本，在兩張顯示卡上跑了五、六天，這個數字出自 AlexNet 的原始論文。這個程式後來被叫做 AlexNet，取自艾力克斯的名字。
AlexNet 做對了哪些事？
AlexNet 常被說成一項突破，但拆開來看，它用到的技術沒有一個是全新的發明；真正的關鍵，是把這些做法組合在一起，並且放大規模。
夠大：網路有 8 層、約 6,000 萬個參數、65 萬個神經元。參數是網路裡可以調整的數字，相當於每條連結的強弱；參數越多，網路能捕捉的規律就越複雜，在當時這是巨大的網路。夠多資料：大網路需要大量例子才學得好，ImageNet 正好提供了 120 萬張標註好的圖片。
ReLU：激發函數決定一個神經元收到訊號後要輸出多少。AlexNet 改用更簡單的 ReLU，規則幾乎只有「負的變成零、正的照原樣輸出」，計算省力，訓練速度快了好幾倍。Dropout：訓練時隨機「關掉」一部分神經元，逼網路不能只依賴少數連結，避免它死背訓練資料的答案，遇到新圖片卻認不出來。
資料擴增：把同一張圖片翻轉、裁切、調整顏色，對網路來說就像多了幾張新照片，等於憑空變出更多訓練資料。雙 GPU：把網路拆在兩張顯示卡上平行訓練，解決單張卡記憶體不夠的問題。
夠大
8 層、約 6,000 萬個參數、65 萬個神經元，在當時是巨大的網路。
ReLU
改用更簡單的激發函數，訓練速度快了好幾倍。
Dropout
訓練時隨機「關掉」部分神經元，避免死背答案。
資料擴增
把圖片翻轉、裁切、調色，憑空變出更多訓練資料。
雙 GPU
把網路拆在兩張卡上平行訓練。
夠多資料
120 萬張標註好的 ImageNet 圖片。
「夠大」有多大？拖動滑桿看看
方塊面積＝參數數量（網路裡要學習、調整的數字）。每往右一格，加入一個更大的模型，前面的方塊就會縮小。
2012 年 9 月 30 日。
ImageNet 比賽結果出爐。
一個不像話的差距
在一個每年只能進步一兩個百分點的比賽裡，這個差距大得不像話。
歷年進步曲線：ImageNet 冠軍的前五名錯誤率
2010→2011 只進步 2.4 個百分點；2012 年 AlexNet 一口氣降了 10.5 個百分點。之後每年冠軍都是深度學習，2015 年首次低於人類。
2012 年 10 月，義大利佛羅倫斯
2012 年 10 月，比賽結果在義大利佛羅倫斯舉行的歐洲電腦視覺大會（ECCV）上，透過其中的 ImageNet 研討會正式發表。
李飛飛那時剛生完小孩，仍從加州飛了過去。這段細節出自她 2023 年出版的回憶錄《The Worlds I See》，屬於本人自述。
艾力克斯上台報告時，會場擠得連站的位置都沒有。台下坐著楊立昆，以及許多後來成為 AI 重量級人物的研究者。一個被冷落了二十多年的研究方向，在這一刻成了全場注目的焦點。
這是電腦視覺史上毫無疑問的轉捩點。這就是證據。
— 楊立昆（Yann LeCun），2012 年佛羅倫斯
現代 AI 的三個基本元素，第一次湊在一起了：神經網路、大數據，以及 GPU 運算。
— 李飛飛回顧 AlexNet（電腦歷史博物館）
三個被冷落的東西
在同一個時間點撞在一起，火就這樣點起來了。
接下來發生的事，
快得連他們自己都沒料到。
DNNresearch：一間只有三個人的公司
比賽之後，辛頓和兩個學生成立了一間小公司，叫 DNNresearch。這間公司沒有產品、沒有業務團隊，也沒有員工。
一般公司的價值，來自它賣的東西、它的客戶或營收；DNNresearch 這些都沒有，真正的資產只有三個人的腦袋，也就是他們訓練大型神經網路的知識與經驗。成立公司，讓這份看不見的能力有了一個可以談價格的形式。
而科技巨頭都想要。AlexNet 讓大家看見神經網路的潛力，懂得把它做出來的，正是這三個人。
2012 年 12 月，太浩湖畔的賭場飯店
2012 年 12 月，神經資訊處理系統大會（NIPS，今日改稱 NeurIPS）在太浩湖畔的賭場飯店舉行。辛頓就在 Harrah's 飯店的 731 號房，為 DNNresearch 辦了一場競標。
辛頓背部有舊傷，多年無法坐下；他來開會是搭火車橫越北美，因為坐不了飛機。據記載，競標那幾天，他把筆電擺在一個倒過來的垃圾桶上，從頭到尾站著看信。
這些生動的細節，出自 Cade Metz 的書《Genius Makers》第一章，後來被多家媒體轉述。雖然流傳很廣，但讀的時候要知道，它們屬於單一來源：各家報導的源頭，基本上都是這本書。
一場用 Gmail 進行的競標
參與出價的有四家：百度、Google、微軟、DeepMind。規則是：每當有人出價，其他家有一小時可以決定是否加碼，而每次至少要加 100 萬美元。這樣的設計讓價格只會往上走，每一家也都得在短時間內判斷值不值得繼續跟。
諷刺的是，出價用的是 Gmail，而 Google 本身就是競標者之一。換句話說，競爭對手的每一封出價信，都經過其中一位競標者的服務。
過程中，DeepMind 很早就退出；微軟退出又回來，回來又退出。價格從 1,500 萬美元起，一路往上喊。
最後停在
據報導，辛頓在這個價位主動喊停，選了 Google——他認為 Google 能給他繼續做研究的最好環境。
2013 年 3 月
結果在 2013 年 3 月揭曉：Google 宣布收購 DNNresearch。兩個學生搬到 Google 在加州的總部，辛頓則一邊在 Google 工作，一邊繼續留在多倫多大學教書。
那場競標，後來被很多人視為 AI 人才爭奪戰的起點。科技公司競相出價，買的不是產品或客戶，而是幾個人和他們的能力，這顯示研究者本身已成為最搶手的資源。
還有一段後話：在競標中很早退出的 DeepMind，隔年（2014）自己被 Google 收購。當年四家出價者中的兩家，最後都歸到了同一間公司底下。
十幾年過去，
三個人走上了很不一樣的路。
辛頓：從守火人到警鐘
Geoffrey Hinton2013 → 今
收購之後，辛頓在 Google 待了十年。這段期間，曾被冷落的神經網路成了 AI 研究的主流，學術界也給了正式的肯定：2018 年，他與楊立昆、班吉歐共同獲得圖靈獎，這是電腦科學領域最具代表性的獎項之一。
2023 年 5 月，他離開 Google，理由是想更自由地公開談論 AI 可能帶來的風險。一位花了大半輩子推動神經網路的人，轉而提醒社會留意這項技術的風險，這個轉變本身就值得思考。
2024 年，他與霍普菲爾德共同獲得諾貝爾物理學獎。從守著一門不受歡迎的學問，到站上諾貝爾獎的舞台，辛頓的經歷幾乎貫穿了神經網路的起落。
Ilya 覺得我們應該做，Alex 把它做了出來，然後我拿到了諾貝爾獎。
— 辛頓談 AlexNet
伊爾亞：從 Google 到 OpenAI
Ilya Sutskever2013 → 今
伊爾亞在 Google 待了兩年多，參與了序列到序列（seq2seq）等重要研究。seq2seq 是讓神經網路讀進一串文字、再輸出另一串文字的方法，例如把一句英文轉成一句法文；這和後來的語言模型處理的是同一類問題。
2015 年，他與奧特曼、馬斯克等人共同創辦 OpenAI，擔任首席科學家，主導 GPT 系列研究，也參與打造 ChatGPT。他在 AlexNet 時期就抱持的信念：資料越多、模型越大，表現就越強，一路延續到了 GPT。
2024 年，他離開 OpenAI，另外創辦專注 AI 安全的公司 Safe Superintelligence（SSI）。
Alex Krizhevsky：三個人裡最低調的一個
三個人裡，真正把程式寫出來的艾力克斯，反而最少出現在媒體上。他在 2017 年離開 Google。
不過，AlexNet 原始碼能重見天日，他是關鍵人物。2020 年，美國電腦歷史博物館（CHM）的策展人先找上他，希望公開 AlexNet 的原始碼。由他牽線，博物館聯絡上當時還在 Google 的辛頓，接著與 Google 協商，一談就是整整五年。這段經過，由策展人 Hansen Hsu 在博物館官方部落格中說明。
2025 年 3 月，AlexNet 原始程式碼終於在 GitHub 公開，前面看到的網路設定檔與訓練紀錄，就是從這批程式碼中來的。
那兩張顯示卡背後的公司
回頭看那兩張顯示卡背後的公司，變化相當驚人。2012 年，NVIDIA 主要被認為是一家遊戲顯示卡公司，市值不到 100 億美元，年底約 76 億美元。當時辛頓曾寫信向它要免費的顯示卡，結果被拒絕。
到了 2026 年，全世界的 AI 研究者與企業都在買它的 GPU。根據 Forbes 2026 年 5 月 13 日的報導，NVIDIA 市值衝上 5.5 兆美元，是史上第一家達到這個規模的公司。
兩個時間點相比，市值大約成長了 720 倍：若以 100 億美元計，至少是 550 倍；以 2012 年底約 76 億美元計，約為 720 倍。只是這一次，沒有人再開口要免費的了。
2012 年的 NVIDIA
- 主要被認為是一家遊戲顯示卡公司
- 市值不到 100 億美元（年底約 76 億）
- 辛頓寫信要免費的顯示卡，被拒絕
2026 年的 NVIDIA
- 全世界的 AI 研究者與企業都在買它的 GPU
- 2026 年 5 月市值衝上 5.5 兆美元，史上第一家
- 約 720 倍：以 100 億計至少 550 倍；以 2012 年底約 76 億計約 720 倍
NVIDIA 年 K 線：從 AlexNet 到 5.5 兆
上漲（收盤高於開盤）下跌 · 每根 K 棒＝一年的開、高、低、收
2012 年 AlexNet 那一週，股價（還原分割）約 0.33 美元；2026 年 5 月 13 日市值突破 5.5 兆那天收在 225.83 美元，約 680 倍。切到對數刻度，可以看出 2016 年 AlphaGo 那年單年漲了 3 倍多，而 2022 年 ChatGPT 上線前其實先大跌了一半。將滑鼠移到 K 棒上可看當年的開、高、低、收。
蘇姿丰
Lisa Su1969 年生於臺灣臺南
故事的尾聲，又回到了臺南與李飛飛。蘇姿丰 1969 年生於臺灣臺南，現任 AMD 董事長兼執行長；AMD 是 NVIDIA 在 AI 晶片上的主要對手。她和黃仁勳都出生於臺南，常見報導指出兩人有遠房親戚關係。
2026 年 9 月 28 日，AMD 宣布以約 82 億美元收購 World Labs，採全股票交易，也就是不付現金，而是以 AMD 的股票支付。World Labs 由李飛飛共同創辦，研究讓 AI 理解並生成立體世界的「空間智慧」；NVIDIA 與 AMD 都曾是它的投資人。這項消息見於 AMD 官方新聞稿，以及 TechCrunch、Fortune 當天的報導。
要注意，這筆交易目前是「已宣布、尚未完成」，預計 2026 年底前完成，仍待主管機關核准。當年替電腦準備大量圖片的李飛飛，如今研究的是讓 AI 看懂立體空間，而兩家顯示卡公司都曾投資她的方向。
十四年前，讓 AI 起飛的，
是 ImageNet 加上 NVIDIA 的顯示卡。
十四年後，ImageNet 的創辦人，
將出任 NVIDIA 對手 AMD 的首席科學家。
改變世界的那三樣東西，
在當時都不起眼。
一個被冷落了幾十年的理論，一份頭兩年沒人能好好消化的資料庫，
還有兩張本來是拿來打電動的顯示卡。
它們都在等一個房間，把它們湊在一起。
那個房間，剛好是
一個研究生在爸媽家的臥室。
這個故事裡，你覺得誰最關鍵？
辛頓的堅持、李飛飛的資料、伊爾亞的信念、艾力克斯的實作，還是黃仁勳的 CUDA？
沒有標準答案。試著想像：少了其中一個人，AI 史會延後幾年？
這個故事，我們是怎麼查核的？
前面的故事，改寫自一篇在網路上廣為流傳的科技文章〈那年，三個人和兩張顯示卡〉。它讀起來非常可信：有人名、有日期、有精確的數字，還有當事人的引語。但讀起來可信，和真的正確，是兩回事。
因此我們逐句回到原始來源查核，包括電腦歷史博物館的資料、AlexNet 論文、當事人的回憶錄與新聞報導。結果是大部分屬實，但有一處誇大（顯示卡「快了好幾百倍」）、一處找不到出處、兩處需要補充，還有幾段只有單一來源。
故事各段標示的「屬實」「單一來源」「誇大」，都來自這次逐句查核，詳細結果列在後續的查核表中。這套做法不只適用於歷史故事：之後檢查 AI 的回答，用的也是同一套方法，也就是找到原始來源、逐句確認。
故事查核總表（一）：人物與背景
故事查核總表（二）：GPU 與比賽
故事查核總表（三）：競標與後續
請你用 ChatGPT 或 Uedu 把這段故事改寫成「給高中生的三分鐘版本」，
然後檢查：AI 有沒有加入故事裡沒有的「事實」？
這是練習「AI 幻覺查核」的好機會：把 AI 改寫版和本頁的查核表逐條對照。
深度學習大爆發
2013 – 2017
AlexNet 之後，十年內發生的事
AlexNet 之後，研究方向一夕翻轉
AlexNet 在 ImageNet 影像辨識競賽中的勝利，讓研究者親眼看到深度學習的實力。深度學習指的是用多層神經網路，直接從大量資料中學出辨識所需的特徵，不必再由研究者人工設計。從 2013 年起，ImageNet 的參賽隊伍幾乎全部改用這個方法。
產業界的反應同樣迅速。Google、Facebook、微軟、百度紛紛成立深度學習實驗室，以高薪延攬研究者。楊立昆在 2013 年加入 Facebook，成立 FAIR 實驗室；吳恩達則在 2014 年加入百度擔任首席科學家。頂尖研究者走進企業，意味著研究可以結合企業手上的大量資料與運算資源。
影像只是開端。語音辨識、翻譯、推薦系統陸續換成神經網路，深度學習從一場競賽的贏家，逐漸變成多數 AI 應用的共同基礎。
吳恩達
Andrew Ng1976 年生
吳恩達是史丹佛大學教授，2011 年共同創立 Google Brain。2012 年 6 月，Google Brain 動用 1.6 萬個 CPU 核心訓練神經網路，讓它從 YouTube 影片中自己學會辨認「貓」。這顯示只要資料與算力足夠，網路能自行歸納出有意義的概念。
同年秋天，AlexNet 只用 2 張 GPU 就贏下 ImageNet。兩相對照，差距一目了然。CPU 是電腦的通用處理器，擅長依序處理複雜指令；GPU 原本為繪製畫面而設計，擁有大量能同時計算的小核心，正好適合神經網路裡大量重複的簡單運算。從上萬個 CPU 核心到 2 張 GPU，說明了 GPU 為何成為深度學習的關鍵硬體。
同樣在 2012 年，吳恩達共同創辦線上課程平台 Coursera，他的機器學習課程影響了數百萬學習者，讓這門學問走出少數大學的教室。
2013–2017 關鍵里程碑
伊恩·古德費洛
Ian Goodfellow1980 年代生
2014 年，還是班吉歐博士生的古德費洛提出「生成對抗網路」（GAN）。據他自述，這個構想來自一次在酒吧與同學的討論，他當晚回家就把程式寫了出來。
GAN 的設計是讓兩個網路互相對抗。一個負責「造假」，例如憑空畫出一張人臉；另一個負責「抓假」，判斷眼前的圖片是真照片還是假造的。抓假的一方每找到破綻，造假的一方就據此改進；造假者進步了，抓假者也得更敏銳。就像偽鈔製造者和驗鈔員互相較勁，雙方一起變強，最後造假者能生成以假亂真的人臉。
這讓 GAN 成為「生成式 AI」的重要源頭之一：機器不只會辨認，也開始能創造新的內容。同一項技術也帶來深偽（deepfake）的問題，逼真的偽造影像可能被用來欺騙或傷害他人。
德米斯·哈薩比斯
Demis Hassabis1976 年生
哈薩比斯的經歷橫跨好幾個領域：他是西洋棋神童，當過電玩設計師，又取得認知神經科學博士。策略遊戲、虛擬世界與大腦研究，這些背景都和「智慧是什麼」這個問題有關，也匯集到他後來的 AI 事業裡。
2010 年，他共同創辦 DeepMind，目標是「解決智慧，再用它解決其他所有問題」。2012 年 DNNresearch 被各方競標時，DeepMind 很早就退出；2014 年，DeepMind 被 Google 收購，得到更充足的資源。
他帶領團隊做出 AlphaGo 與 AlphaFold。前者在圍棋上擊敗人類頂尖棋士，後者則把 AI 用在預測蛋白質結構這類科學問題上。2024 年，他因 AlphaFold 與 John Jumper 共同獲得諾貝爾化學獎，顯示 AI 的用途已從遊戲延伸到基礎科學。
2016：AlphaGo 對李世乭
2016 年 3 月，AlphaGo 與李世乭在首爾進行五番棋，最後以 4 比 1 獲勝。圍棋之所以被視為 AI 的難關，在於可能的盤面數比宇宙中的原子還多。深藍下西洋棋時靠的是暴力搜尋，也就是把可能的走法盡量算過一遍，這種做法放到圍棋上完全行不通。
AlphaGo 的解法是結合深度神經網路＋強化學習＋樹狀搜尋。神經網路像棋士的直覺，判斷哪些位置值得考慮、目前局勢對誰有利；強化學習讓它從對局的輸贏中不斷改進；樹狀搜尋則只針對少數有希望的走法往下推演，不必窮舉所有可能。
比賽中有兩手棋特別有名。第二局第 37 手，AlphaGo 下出人類棋士認為「不會有人這樣下」的一步，事後被視為妙手。第四局，李世乭下出被稱為「神之一手」的第 78 手，贏下人類在這場比賽中唯一的一局。
李世乭
Lee Sedol1983 年生
李世乭是韓國圍棋九段，曾十八次奪得世界冠軍，是當時最具代表性的頂尖棋士之一。2016 年輸給 AlphaGo 之後，他說：「輸的是李世乭，不是人類。」這句話把敗局攬在自己身上，也表達出人類不該就此認輸的態度。
三年後，他的看法有了轉變。2019 年他宣布退休，表示 AI 是「無法被打敗的存在」。對一位以勝負為職業的棋士來說，這意味著比賽的意義已經不同。
他在第四局拿下的那一勝，至今仍是人類對頂尖圍棋 AI 少數的勝局之一。這段經歷也引出更大的問題：當 AI 在某個領域超越人類，人類的學習方式與價值會如何改變。圍棋界後來的回應是大量用 AI 學棋，把它從對手變成老師。
理查·薩頓
Richard Sutton1950 年代生
薩頓是強化學習的奠基者之一，與巴托（Andrew Barto）合著的教科書是這個領域的經典。強化學習（reinforcement learning）讓 AI 透過「嘗試、獲得獎勵或懲罰、再調整」的循環來學習，有點像用獎勵鼓勵寵物學會正確動作；AlphaGo 從對局輸贏中改進棋力，也是同樣的道理。
2019 年，他發表短文〈苦澀的教訓〉，主張長期來看，能善用大量算力的通用方法，總是勝過研究者精心設計、把人類知識寫進系統的做法。之所以「苦澀」，是因為研究者投入心血的巧思，最後往往被單純擴大規模的方法超越。
這個觀點可以當作 AlexNet 與 GPT 共同的註腳：在這些轉折點上，規模與算力一再勝出。2025 年 3 月，他與巴托共同獲得 2024 年度圖靈獎的消息正式公布。
七十年 AI 研究最大的教訓是：利用計算的通用方法，最終是最有效的，而且差距很大。
2017：Transformer 誕生
2017 年，Google 的八位研究者發表論文〈Attention Is All You Need〉，提出 Transformer 架構。它的核心是「注意力」機制：模型在讀一個字時，會同時看句子裡所有其他字，判斷哪些字彼此有關。
在此之前，處理文字常用 LSTM 這類模型，它必須一個字一個字依序讀，前一個字沒處理完，就不能處理下一個，速度因此受限。Transformer 不必依序處理，整句話的字可以同時計算，所以非常適合 GPU 平行運算。AlexNet 證明了 GPU 的價值，Transformer 則把 GPU 的平行算力用到極致，這是它勝出的一大原因。
Transformer 原本是為機器翻譯而設計，後來卻成為 GPT、BERT、Claude、Gemini 等幾乎所有大型語言模型的基礎。GPT 名稱裡的「T」，指的就是 Transformer。
注意力機制：用一句話理解
看這個句子：「小明把蛋糕放進冰箱，因為它太熱了。」這裡的「它」指的是蛋糕還是冰箱？人類一看就知道是蛋糕，因為我們明白太熱的東西才需要放進冰箱。但對模型來說，「它」只是一個字，必須另外想辦法找出它跟誰有關。
注意力機制的做法，是計算「它」和句子裡每一個字的關聯程度，關聯越高，分配到的「注意力」就越多。訓練良好的模型會讓「它」與「蛋糕」「熱」之間的關聯特別高，因而理解句子的意思。
Transformer 對句子裡的每一個字都同時做這件事，而且一層疊一層地反覆進行。前面的層可能只抓到簡單的詞語搭配，後面的層再以此為基礎，組合出更複雜的關係。疊了很多層之後，模型就能掌握語法、語意，甚至常識。
生成式 AI 時代
2018 – 2026
從預測下一個字，到會寫、會畫、會推理、會行動
語言模型的核心：預測下一個字
今天的大型語言模型，核心任務其實出奇單純：讀一段文字，猜下一個字是什麼。給它「今天天氣很」，它要判斷接下來最可能是「好」「熱」還是「冷」，並為每個候選字給出機率。這個想法並不新，早在 1948 年，夏農就用機率來預測英文字母的出現順序。
真正改變的是規模。研究者把這個猜字任務放到網路上幾乎所有文字上反覆訓練。為了猜得準，模型不能只記住常見搭配，它得掌握句子怎麼組成、世界上的事實是什麼、前因如何導出後果，於是語法、知識與推理的模式，都在猜字的過程中被一併學了進去。
夏農的機率想法、Transformer 架構，以及伊爾亞「資料越多、模型越大，它就越聰明」的信念，三條線在這裡匯流，成為生成式 AI 時代的起點。
GPT 的演進
2022 年 11 月 30 日：ChatGPT 上線
ChatGPT 上線時，OpenAI 原本只把它當成一次「研究預覽」，想看看一般人會怎麼使用。結果反應遠超預期：五天內使用者突破 100 萬，約兩個月就達到 1 億月活躍使用者，被認為是當時成長最快的消費級應用程式。
讓它能像樣地對話的關鍵技術之一，是人類回饋強化學習（RLHF）。只靠預測下一個字訓練出來的模型，懂得很多卻不一定會好好回答問題；RLHF 的做法是請人類評分員比較、評分模型的回答，再用這些評分調整模型，讓它學會哪種回覆比較有幫助、比較得體。
這也提醒我們，看似全自動的 AI 背後，仍有大量人力。就像當年 ImageNet 仰賴眾多標註者，RLHF 同樣需要許多人類評分員。從這一刻起，AI 第一次真正走進一般人的日常。
生成式 AI 時代的關鍵人物
2021 年，多位前 OpenAI 研究者創辦 Anthropic；2023 年，Google Brain 與 DeepMind 合併為 Google DeepMind。
不只是文字：會畫、會說、會看
生成式 AI 很快就跨出了文字的範圍。2021 年，OpenAI 發表 DALL·E，只要輸入一段文字描述就能生成圖片。到了 2022 年，Midjourney、Stable Diffusion 與 DALL·E 2 接連推出，掀起一波 AI 繪圖熱潮，背後的擴散模型也成為主流。擴散模型的概念是先學會把圖片一步步加上雜訊直到變成一片雜點，再反過來學習如何從雜點逐步去除雜訊、「顯影」出符合描述的畫面。
聲音方面，同樣在 2022 年，Whisper 語音辨識模型開源，讓任何人都能把語音轉成文字。2024 年，影片生成模型（如 Sora）展示了長達一分鐘的生成影片。
同一年，另一個重要方向是多模態：把語音、圖片、文字整合在同一個模型裡。過去聽、看、寫各由不同系統負責，多模態模型則能在同一次對話中同時理解一張照片、一段話與一串文字。
AI 走進科學：AlphaFold
蛋白質是由胺基酸串成的長鏈，會摺疊成複雜的立體結構，而這個形狀決定了它在生物體內的功能。過去要用實驗解出一個蛋白質的結構，可能得花上好幾年，這使得結構知識長期是生物學研究的瓶頸。
2020 年，DeepMind 的 AlphaFold 2 在國際蛋白質結構預測競賽中，達到接近實驗的準確度，等於讓電腦直接從胺基酸序列推算出立體形狀。之後團隊公開預測了約 2 億種蛋白質結構，供全世界研究者免費使用，許多實驗室因此省下大量時間。
2024 年，哈薩比斯與 Jumper 因這項成果，與 David Baker 共同獲得諾貝爾化學獎；同一年，辛頓與霍普菲爾德獲得諾貝爾物理學獎。AI 一年拿下兩座諾貝爾獎，象徵它已從工程工具，成為推動基礎科學的力量。
2023–2026：越來越快
米拉·穆拉蒂
Mira Murati1988 年生
穆拉蒂曾任 OpenAI 技術長，帶領 ChatGPT、DALL·E 等產品上線，是生成式 AI 從實驗室走向大眾的關鍵推手之一。2024 年她離開 OpenAI，2025 年創辦了自己的公司 Thinking Machines Lab。
她的動向反映了這個時代的一個現象：頂尖人才不斷離開大公司、另起爐灶。在 AI 領域，少數核心研究者與工程師的經驗，往往就是一家新公司最重要的資本，因此人才流動本身就會改變產業版圖。
這場人才爭奪並不是近年才開始。回到 2012 年 DNNresearch 的競標；從那時起，各方搶人的競爭從未停止，穆拉蒂的創業只是其中最新的一頁。
安德烈·卡帕西
Andrej Karpathy1986 年生
卡帕西是李飛飛在史丹佛的博士生，曾參與 ImageNet 相關研究，親身經歷了深度學習在電腦視覺上的突破。後來他成為 OpenAI 的創始成員之一，也曾擔任特斯拉的 AI 總監，負責把研究成果帶進真實產品。
除了研究與產業工作，他長期製作免費的深度學習教學影片，從基礎原理一步步講解神經網路如何運作，影響了許多沒有正式修課、靠自學入門的人。
從他身上可以看到 AI 史的師承脈絡：辛頓帶出伊爾亞，李飛飛帶出卡帕西。他們屬於 AlexNet 這條線的「第二代」，是學生的學生，如今正在定義今天的 AI。從這個角度看，AI 的發展也是一部師生傳承史。
生成式 AI 帶來的新問題
生成式 AI 的能力越強，引發的問題也越具體。首先是幻覺：模型的任務是產生「看起來合理」的文字，而不是查證事實，因此它可能自信地說出不存在的事實，甚至捏造引用文獻。其次是著作權：模型用網路上大量作品訓練，創作者的權益該如何保障，仍有爭議。
偏見也是一大課題。訓練資料若帶有刻板印象，模型會把它學走，甚至放大。深偽技術則能做出以假亂真的影像與聲音，讓假訊息更難辨識。
此外，訓練大模型需要龐大電力，算力也集中在少數公司手中，引發能源與權力集中的疑慮。在教育與工作上，當 AI 能寫報告、解題，作業、考試與職業技能的意義都在改變。2023 年，辛頓離開 Google，正是為了能公開談論這些風險。
2026 年 9 月：黃仁勳談 AI 時代的工程師與學生
2026 年 9 月 23 日，《紐約時報》Podcast《The Ezra Klein Show》播出一集約 1 小時 48 分的訪談，來賓是黃仁勳，單集標題為「Jensen Huang Thinks A.I. Alarmism Has Gone Too Far」，意思是他認為對 AI 的危言聳聽已經過頭。
訪談中，主持人克萊因點出一個現象：資深工程師的職缺在增加，初階工程師的職缺卻在減少。他接著直接發問：「我們還需要那些初階工程師嗎？」這個問題背後的憂慮是，如果入門工作被 AI 取代，新人要從哪裡累積經驗。
這段對話之所以值得放進 AI 發展史，在於說話者的身分：十四年前替 AlexNet 提供顯示卡的公司，如今由他擔任執行長。這家公司的執行長怎麼看 AI 對學習的影響，是理解這個時代的一個切面。
再等兩年。因為念大學要四年，這項新技術離第一批人畢業，平均還要兩年。所以兩年後，你會看到新一代的工程師、學生和藝術家……再過幾年，AI 原生的新鮮人畢業生——天啊，會有一波了不起的工程師出現。
— 黃仁勳，The Ezra Klein Show，2026-09-23（中文為本課翻譯）
現在試著叫一個小孩做長除法看看。九九乘法表開始被遺忘了……基礎數學正在被遺忘。
— 黃仁勳，The Ezra Klein Show，2026-09-23（中文為本課翻譯）
我們會失去一些比較細緻的智力靈巧度，但我們會成為更好的系統思考者。今天的工程師，系統思考能力比我剛畢業時好得多；但當年的我，是好得多的電晶體思考者。
— 黃仁勳，回應「基礎數學被遺忘重不重要？」——「我不認為重要。」
怎麼看黃仁勳的說法？
支持黃仁勳觀點的理由，來自工程史的經驗。計算機普及後，手算開根號不再是必備技能，工程師轉而處理更大的問題；早在 1980 年，美國全國數學教師協會（NCTM）就建議各年級善用計算機。抽象層級往上移是常態，從電晶體、晶片、系統，到今天的 AI Agent，每一代都站在前一代的工具上。他自己也舉例：今天的工程師更懂系統，他當年則更懂電晶體。
但這些說法也有值得追問之處。沒有基礎，怎麼抓錯？不會估算的人，可能看不出 AI 算錯了一個數量級，這正是 ELIZA 效應的提醒：機器的回應看起來流暢可信，人就容易高估它的能力，但流暢不代表正確。其次，「AI 原生畢業生會更強」是預測，不是已發生的事實，兩年後可以回來檢驗。
也要考慮說話者的立場：AI 晶片公司的執行長對 AI 抱持樂觀，是可以預期的。對照辛頓，同一個故事裡的兩個人，一個離開 Google 去示警，一個認為危言聳聽過頭了。重點不在選邊，而是同時看見一段話的道理與它的限制。
支持的理由
- 歷史上一再發生：計算機普及後，手算開根號不再是必備技能，工程師轉而處理更大的問題
- 1980 年，美國全國數學教師協會（NCTM）就建議各年級善用計算機
- 抽象層級往上移是工程史的常態：從電晶體 → 晶片 → 系統 → AI Agent
- 他自己的例子：今天的工程師更懂系統，他當年更懂電晶體
值得追問的地方
- 沒有基礎，怎麼抓錯？不會估算的人，看不出 AI 算錯了一個數量級——回想 ELIZA 效應
- 「AI 原生畢業生會更強」是預測，不是已發生的事實；兩年後可以回來檢驗
- 考慮說話者的立場：AI 晶片公司的執行長，對 AI 抱持樂觀是可以預期的
- 對照辛頓：同一個故事裡的兩個人，一個離開 Google 去示警，一個認為危言聳聽過頭了
黃仁勳說：基礎數學被遺忘，「我不認為重要」。
你同意嗎？哪些基礎能力，在 AI 時代反而更重要？
提示：想想你要怎麼判斷 AI 的答案是對是錯。估算、閱讀原始資料、寫出自己的推理……
今天的課，我們查核了一篇看起來很可信的 AlexNet 故事，
發現有誇大、也有找不到出處的句子。
如果是 AI 寫的文章，你會怎麼查核？
步驟建議：找原始來源 → 區分事實與詮釋 → 注意數字與引語 → 標記單一來源。
回顧：從這段歷史學到什麼
兩千年的 AI 史，一張表
模式一：好想法常常要等條件成熟
回顧 AI 的歷史，有一個反覆出現的模式：好想法往往比實現它的條件早了好幾十年。
巴貝奇的分析機是最早的例子。它的設計在原理上是正確的，但當時的工藝做不出這台機器，要等到 150 年後的工藝水準，才造得出來。神經網路也是如此：1943 年就有了理論，1986 年有了訓練方法，卻要到 2012 年，才等到足夠的資料與算力，真正展現威力。
Transformer 的故事也類似。它的核心「注意力機制」，簡單說就是讓模型判斷一段文字中哪些部分彼此最相關，這個想法早已存在；直到 GPU 的運算能力與網路資料的規模都足夠，才爆發成 ChatGPT。這提醒我們，一個想法暫時行不通，未必是想法錯了，也可能只是條件還沒成熟。
巴貝奇
分析機的設計正確，但要等 150 年後的工藝才造得出來。
神經網路
1943 年就有理論，1986 年有訓練方法，2012 年才等到資料與算力。
Transformer
注意力機制早已存在，直到 GPU 與網路資料規模足夠，才爆發成 ChatGPT。
模式二：熱潮與寒冬會循環
AI 的發展從來不是一路直線上升，而是熱潮與寒冬交替。所謂「寒冬」，指的是期望落空之後，資金與關注大幅退潮的時期。
1960 年代，有人樂觀地宣稱「二十年內機器能做任何人的工作」，承諾無法兌現，便迎來第一次寒冬。1980 年代，專家系統與 Lisp 機器（專門執行 Lisp 這種 AI 程式語言的電腦）掀起商業熱潮，泡沫破裂後，進入第二次寒冬。
每次循環的劇本都很相似：技術展現出驚人的成果，期待隨之膨脹到超出技術的實際能力，接著是失望與退場。2020 年代的生成式 AI 熱潮，這次會不一樣嗎？還是需要更謹慎的期待？歷史無法直接給出答案，但它提醒我們，在興奮之餘保留一點冷靜。
1960 年代
「二十年內機器能做任何人的工作」→ 第一次寒冬。
1980 年代
專家系統與 Lisp 機器的商業泡沫 → 第二次寒冬。
2020 年代
生成式 AI 熱潮：這次會不一樣嗎？還是需要更謹慎的期待？
模式三：重要的東西，一開始都不起眼
許多後來改變世界的東西，剛出現時都不被看好，甚至被當成失敗。
被冷落的理論：神經網路在 2000 年代被視為死胡同，後來卻成為 AI 突破的核心。沒人消化得了的資料：ImageNet 是一個大型的標註圖片資料集，頭兩年進步緩慢，連創辦人都懷疑它的價值，因為當時的方法還無法善用這麼龐大的資料。
打電動的顯示卡：顯示卡原本為遊戲畫面而設計，NVIDIA 推出 CUDA，讓顯示卡也能拿來做一般運算，但推出時市場不買單，股價還因此重挫。後來，正是顯示卡擅長的大量平行運算，撐起了神經網路的訓練。
理論、資料、算力，這三樣東西各自看來都不起眼，湊在一起時，卻正是神經網路在 2012 年翻身所需要的條件。
被冷落的理論
神經網路在 2000 年代被視為死胡同。
沒人消化得了的資料
ImageNet 頭兩年進步緩慢，連創辦人都懷疑。
打電動的顯示卡
CUDA 推出時市場不買單，NVIDIA 股價重挫。
模式四：AI 背後一直有人
AI 看起來像是機器自己變聰明，但從歷史來看，它的背後一直有人。
土耳其行棋傀儡是 1770 年的一台「下棋機器」，表面上會自己下棋，實際上櫃子裡藏著一位棋手。這是最直接的例子：觀眾以為看見了機器的智慧，其實是人的智慧被藏了起來。
到了現代，人的參與變得更隱形，卻從未消失。ImageNet 的圖片，是由近五萬名群眾外包工作者一張一張標註而成；機器之所以認得出圖片內容，是因為有人先告訴它答案。ChatGPT 懂得「好好回話」，則仰賴大量人類評分員的回饋，告訴模型哪些回答比較好。
換句話說，AI 不是憑空出現的智慧，而是無數人的勞動、資料與判斷的累積。
土耳其行棋傀儡
1770 年，櫃子裡藏著一位棋手。
ImageNet
近五萬名群眾外包工作者，一張一張標註圖片。
ChatGPT
大量人類評分員的回饋，教會模型「好好回話」。
臺灣在 AI 史上的位置
AlexNet 用的 GTX 580、今天訓練大型語言模型的 GPU，晶片多由台積電製造。
給正在使用 AI 的你
歷史的價值，在於幫助我們面對眼前的選擇。對每天使用 AI 的人來說，前面這些故事可以濃縮成幾種態度。
首先是保持好奇，也保持懷疑。今天被冷落的想法，可能就是明天的突破，神經網路就是例子；但「十年內」「毫無疑問」這類斬釘截鐵的說法，在歷史上也常常落空。好奇讓我們不錯過新的可能，懷疑讓我們不被誇大的承諾牽著走。
其次是查核來源。連好看的科技故事都可能有誇大，AI 的回答更需要查證，不能因為說得流暢就照單全收。同時也要看見背後的人：資料、標註、評分、能源，每一環都有人在付出代價。
最後是動手去做。艾力克斯不是最有名的那個人，但他是把程式寫出來的人。理解 AI 最好的方式，往往不是旁觀，而是親自嘗試。
如果五十年後，有人寫「2026 年的 AI 史」，
你覺得哪一件今天看起來不起眼的事，會被寫成轉捩點？
請在 Uedu 討論區留下你的預測與理由（100 字以內）。
世界改變之前，
真正重要的東西，
往往看起來都不像重要的東西。
附錄
延伸閱讀與圖片授權
延伸閱讀
- Cade Metz（2021）。《Genius Makers: The Mavericks Who Brought AI to Google, Facebook, and the World》。Dutton。（中譯本《AI 製造商沒說的祕密》）
- 李飛飛（2023）。《The Worlds I See》。Flatiron Books。（中譯本《我看見的世界》）
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. NeurIPS 25.
- Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.
- Vaswani, A., et al. (2017). Attention is all you need. NeurIPS 30.
- Sutton, R. (2019). The Bitter Lesson. incompleteideas.net
- Weizenbaum, J. (1966). ELIZA. Communications of the ACM, 9(1), 36–45.；Weizenbaum, J. (1976). Computer Power and Human Reason.
- Chalmers, D. (2023). Could a large language model be conscious? Boston Review.；Nagel, T. (1974). What is it like to be a bat? The Philosophical Review, 83(4).
- Hofstadter, D. (1995). Fluid Concepts and Creative Analogies.；Reeves & Nass (1996). The Media Equation.；Bender et al. (2021). Stochastic parrots. FAccT.
- Melanie Mitchell（2019）。《Artificial Intelligence: A Guide for Thinking Humans》。
本次史實查核主要來源
- Computer History Museum（2025）。CHM Releases AlexNet Source Code。computerhistory.org
- IEEE Spectrum（2025）。How AlexNet Transformed AI and Computer Vision Forever。
- Forbes（2026-05-13）。Nvidia Hits Record $5.5 Trillion Value—First Company To Ever Reach Mark。
- AMD Investor Relations（2026-09-28）。AMD to Acquire World Labs to Advance the Future of AI Compute。
- TechCrunch、Fortune（2026-09-28）。AMD will acquire Fei-Fei Li’s World Labs for $8.2B。
- The Ezra Klein Show（2026-09-23）。Jensen Huang Thinks A.I. Alarmism Has Gone Too Far。The New York Times。
- The New Stack（2026-09）。Jensen Huang says the junior developer problem ends in two years；Zvi Mowshowitz（2026-09-25）。On Ezra Klein’s Podcast With Jensen Huang。
- Wikipedia 各人物條目（交叉比對生卒年與事件年份）
圖片來源與授權（1/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（2/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（3/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（4/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（5/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（6/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（7/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（8/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（9/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。
圖片來源與授權（10/10）
所有圖片取自 Wikimedia Commons，依各自授權條款使用（公眾領域、CC0、CC BY、CC BY-SA）。