「參與者各有自己的研究方向，而且幾乎沒有偏離。」
—— 約翰・麥卡錫，2006 年回顧達特茅斯聚會，節譯。
假設明天有人交給你一個需求：
「我們的網站，也要加一點 AI。」
你問他，要幫客人找商品？看懂上傳的照片？還是回答客服問題？
對方想了一下。
「就是像 ChatGPT 那樣，很聰明的那種。」
嗯，方向很明確。
明確到你還是不知道該做什麼。
「AI」這個名字有個奇妙的地方：大家都聽過，卻不一定在講同一件事。即使同意要完成什麼任務，對於該怎麼做，也可能各有一套想法。
而七十年前，替它取名字的人，就親自遇到了這個問題。
1955 年，約翰・麥卡錫與明斯基、羅切斯特、夏農共同提出研究計畫，準備在隔年夏天，找大約十個人，到達特茅斯研究兩個月。
他們想讓機器使用語言、形成概念、解決問題，甚至改善自己。
計畫的名字，叫做：
Artificial Intelligence（人工智慧）
先替他們澄清一下：不是兩個月就要造出萬能電腦，而是希望找對人，一起研究，能在部分問題上取得重大進展。
問題是，人找來了，想法沒有自動合在一起。
麥卡錫後來回憶，參與者各有自己的研究方向，沒有因為這場聚會就大幅改變。有人待得久，有人只來幾天。
麥卡錫希望大家一起研究獨立思考，結果大家真的非常獨立。
但這不只是科學家各有個性的故事。
更根本的問題是：就算大家都同意「讓機器變聰明」，下一步該做什麼，依然沒有標準答案。
翻開那份 1955 年的提案，你會看到不同的研究方向。
其中一部分，討論如何讓機器依照推理規則使用語言；另一部分，直接寫著：
Neuron Nets（神經網路）
對，這個名字在那時候就已經出現了。
先用今天比較熟悉的例子，想像這些做法的差異。
假設你要教電腦認貓。
一種想法是，努力把判斷方式寫清楚：耳朵怎麼長、臉長什麼樣、哪些特徵一起出現時，可以判斷是貓。
然後，你遇到一張照片。
貓縮在紙箱裡，只露出半張臉。
你看得出來，但剛剛寫好的那些條件，好像不太夠用了。
另一種想法則是：先別急著把所有特徵都列完，改用大量例子訓練模型，讓它從資料裡學出辨識的方法。
這也不代表從此萬事順利，只是你要處理的問題變了。原本在煩惱規則怎麼寫，現在還得煩惱資料、訓練，以及它到底學到了什麼。
這是簡化的比喻，實際研究當然不只這兩條路。
但它說明了一件事：
「讓機器變聰明」是一個目標，不是一份大家都同意的施工圖。
達特茅斯並沒有決定，從此所有 AI 都得用同一種方法。
它替一個研究領域掛上了招牌。至於裡面的人要怎麼走，還有得試。
把時間拉回近年的 AI 研究。
Google DeepMind 在 2024 年公布的 AlphaGeometry，就是一個很有意思的例子。它要解的是幾何證明題，卻不是只靠一個語言模型，從頭寫到尾。
系統裡有語言模型，也有依照明確規則工作的符號推理引擎。
你還記得數學課那種題目嗎？
盯著圖看了十分鐘，毫無頭緒。老師走過來，補一條輔助線，整題突然通了。
然後你最想問的不是答案，而是：
「你怎麼知道要畫那條線？」
AlphaGeometry 的語言模型，會提出可能有用的新點、線或其他幾何構造；符號引擎則根據條件與規則，繼續推導能成立的結論。
一部分負責提出值得試的方向，一部分負責嚴格推導。
它們不是在搶誰比較像人，而是在合作把題目解出來。
這當然不是把 1956 年的程式原封不動裝進新系統。但你能看見，學習與規則推理，並不是只能二選一。
甚至在我們熟悉的聊天介面裡，模型也可能先搜尋資料，再寫程式計算，最後整理成回答。
你看到的是同一個視窗，幕後卻不一定只有一種方法在工作。
所以，下一次有人告訴你「這個功能用了 AI」，還可以多問一句：
它究竟是怎麼完成這件事的？
是模型從資料裡學到的？是程式算出來的？是依照規則推導的？還是幾種方法一起做？
光是「AI」這兩個字，回答不了這些問題。
這也是為什麼，我們得回頭看那個夏天。
今天的 AI，不是一台電腦從 1956 年一路升級到現在。它背後有許多不同的嘗試，有些走不下去，有些繼續發展，也有些後來碰到了一起。
先把時間留在 1956 年。
大家可以繼續討論哪條路比較有希望，但那個夏天，紐厄爾與西蒙帶來了一套已經開始實作的想法。
「邏輯理論機」。
它要做的事，不是聊天，也不是模仿人類的口氣。
而是在既定規則下，尋找一道邏輯定理的證明。
這個選擇，剛好把故事往前推了一步。
上一篇，我們還在問：機器的回答，能不能讓人相信它有智慧？
現在，這群人替機器找了一個不能只靠說服力過關的考場。
每一步都得成立，每一行都能被檢查。
他們把目光放上了《數學原理》——一部已經寫好定理與證明的著作。
題目是人類出的，規則是人類訂的，連答案，人類都準備好了。
看起來，電腦只要設法跟上就好。
但接下來的故事，偏偏就出在那份「標準答案」上。
iThome鐵人賽
看影片追技術