《Steps Toward Artificial Intelligence》（迈向人工智能的若干步）

这篇文章要解决的问题

《Steps Toward Artificial Intelligence》（迈向人工智能的若干步）是 Marvin Minsky（马文·明斯基）的一篇综述文章，刊于《Proceedings of the IRE》1961 年 1 月第 49 卷第 1 期，第 8 至 30 页，DOI 为 10.1109/JRPROC.1961.287775 ^[1]。IRE 于 1960 年 10 月 24 日收到该文 ^[2]。文章署名给出的单位是 MIT 数学系与计算中心、电子学研究实验室 ^[2]。

文章的出发点是一个朴素的事实：计算机只能做被明确告知要做的事 ^[2]。这看起来等于说，凡是我们自己都不知道怎么解的问题，就写不出程序。文章的回答是：即使不知道如何求解，我们仍然可以编程让机器在一个很大的解空间里搜索各种可能的解法 ^[2]。以经验性的规则引导这种搜索，就是所谓启发式编程（heuristic programming），这篇文章讨论的正是它的问题清单。

五个领域

文章把启发式编程的问题分成五个主要领域：搜索（search）、模式识别（pattern recognition）、学习（learning）、规划（planning）和归纳（induction）^[2]。这五个标题构成了全文的结构，其中后四个都被当作收窄搜索的手段来讨论。

搜索及其代价

搜索既是基本机制，也是基本困难。直接让机器去逐一尝试可能的解法，通常会得到一个极其低效的过程 ^[2]。必须有什么东西把机器要翻检的空间缩小，否则这种做法只能停留在很小的问题上。

模式识别与学习

模式识别是第一种收窄。模式识别技术可以改善效率，办法是把机器的方法限制在合适的问题上使用 ^[2]：机器先认出自己面对的是哪一类情况，再挑出适用的方法，而不是把每种方法都往每个问题上套。

学习走得更远。模式识别与学习结合起来，可以利用基于积累经验的一般化，进一步减少搜索 ^[2]。经验不是以一个个具体案例的形式存着，而是被概括成一般形式，于是在一个情境里学到的东西能在下一个情境里缩小搜索范围。

规划与归纳

规划从另一个角度处理搜索。文章认为，用规划方法分析局面，可以用一个小得多、也合适得多的探索来替代原有的搜索 ^[2]。机器不是直接在原问题上一步步走，而是先在一个代价更低、方向更明确的层面上探索。

归纳是五者中野心最大的一项。文章的结论是，要应付范围很广的一类问题，机器需要借助某种归纳机制为自己所处的环境建立模型 ^[2]。只会处理被明确编程过的那种情形的机器，始终是狭窄的；会为环境建模的机器，才能把学到的东西带到编程者没有预料到的情形里去。

工作在哪里完成

文章所总结的工作在 Lincoln Laboratory 和 MIT 电子学研究实验室完成，由美国陆军、海军和空军资助 ^[2]。

为什么重要

这篇文章更像是一份问题陈述，而不是一项成果报告。它没有宣布一个解决了这些问题的程序，而是说明要做成这件事需要哪些部件、每个部件为什么必要。它真正的贡献是一张地图：把智能看作对搜索的管理，把模式识别、学习、规划、归纳看作让搜索变得负担得起的手段。对 20 世纪 60 年代初的读者来说，这相当紧凑地概括了当时这个领域自认为在做什么；而五个标题也让人一眼看清各部分之间的衔接——识别与学习削减搜索空间，规划用更小的探索取而代之，归纳则提供模型，使这一切不局限于眼前的个别情形。