1936年的剑桥，你也许在格兰切斯特的草地上见过他：一个二十四岁的年轻人，刚跑完十英里，仰面躺下，胸口起伏，眼睛盯着树叶缝里的天。同学们后来说，他不在休息，他在用问题折磨自己——不是爱情，不是前途，而是“计算”这件全人类做了几千年、却没有人说清楚过的事。

他叫艾伦·图灵。跑步这件事他认真了一辈子——多年后他去试跑马拉松，成绩只比那年的英国奥运奖牌得主慢十一分钟，选拔赛那天带着伤，没能入选。而现在，他要先把“算”这个字想清楚。

那几年，欧洲的数学界被大卫·希尔伯特搅得不能安生。他列了一串大问题：数学是不是完备的？是不是一致的？有没有一个万能的办法，对任何一句数学命题，都能判定它是真是假？希尔伯特希望答案全是“是”。最后一个愿望后来有了正式名字：判定问题。说白了，他想要一台数学的审判法庭——任何疑难递上去，程序一转，真假就落地。

图灵接了最后这一问，但他换了打法。他没有讨论“数学家”这种复杂动物，而是先做了一个更笨的东西。

想象一位出纳，坐在柜台后面。面前是一条纸带，一格一格，写满符号；手边是一本规则手册，每一页都写着：看到什么符号，就做四个动作中的一个——改一格、往左移、往右移、翻到手册的哪一页。就这么多。没有灵感，没有直觉，没有任何“啊哈”。注 · 希尔伯特希尔伯特对他的计划曾有一句豪言，后来刻在他的墓碑上：“我们必须知道，我们必将知道。”这台“审判法庭”，图灵最终给出的答复是：办不起来。豪言与答复之间，隔着一个宇宙。

原稿里还藏着一个几乎没人注意的分类。图灵把他的机器分成两种：一种叫“自动机”，每一步都写在规则里，自己就能往前滚；另一种叫“选择机”，走到某些路口时要停下来，等一个人的直觉做决定。有人问：那灵感呢？直觉呢？图灵的回答很老实——那些先放一放，他只想把“自动的那半张轨道”说清楚。他也没给自己的机器留名字；“图灵机”这三个字，是后来的人叫顺嘴的。

这台笨机器的厉害之处在于它什么都不缺。图灵证明：凡是能用“明确的规则”一步步算出来的东西，这条纸带上都算得出来——出纳的四样动作，替它全办了。反过来说，如果一个东西连这台机器都办不到，那么任何“明确的规则”都办不到。

你可以把它想象成一台极简的织布机。1804年，雅卡尔用穿孔卡片指挥经线，织出了图案；一百多年后，图灵用纸带指挥规则——织机织出来的是花纹，它织出来的是结论。这不是比喻上的相像。卡片在哪里打孔，花纹就在哪里出现；规则书上写什么，宇宙里就算得出什么。

论文写到一半，一个消息从大西洋对岸传来：普林斯顿的美国人阿隆佐·丘奇，用一套完全不同的符号游戏，先一步宣布了同一片大陆“图已经画完”。图灵晚到了一点。他做了那个年代最体面的回应——在论文末尾补了一个附录，亲手证明：丘奇的数学和他的机器，说的是同一件事。然后他渡过大西洋，做了丘奇的学生。两种方言，从此装订进同一本论文集，后人把这条国境线合称“丘奇-图灵论题”。这不像是猜想，更像一次测量——测的是“可计算”这个世界的直径。

普林斯顿那两年，图灵过得不热闹。他作了一场关于新机器的报告，来的人稀稀拉拉；那篇如今被摆上计算机史首页的论文，他一共只收到两份抽印本索取请求。最锋利的思想，常常要在一间空屋子里先坐一会儿——这几乎是所有“早到了二十年”的标配剧情。很多年后，人们才把这间屋子重新打开，并且给他补上了一切。

既然这台机器几乎无所不能，那它办不到的事，究竟是什么样子？图灵找到了第一件。它非常刺眼。

问题是这样：给你一个程序和它的输入，只看这两个东西，你能不能判断它最后会“停下来”，还是永远转下去？

你大概会说：把它跑起来不就知道了吗。可是“永远转下去”的意思，正是你等到天荒地老也等不到答案。所以你需要的不只是耐心，而是一台能提前看穿未来的判定器——一个停车预言家：任何程序递上去，它总能在有限的时间里回答“停”或“不停”。

图灵说：这预言家不存在。证明只用了三行。

假设真有这么一位预言家，叫它H。现在我们来造一台别扭的机器，叫它G。G拿到任何问题，就先去问H：“我这台G，会停机吗？”如果H回答“会停”，G就故意永远转下去；如果H回答“不停”，G就立刻停机。然后我们让G来面对它自己。

无论H怎么回答，都会当场翻车。所以H不存在。停机问题不可判定。

这个否定的证明，后来成了行业的日常：每个写程序的人都要撞上的“死循环”，边界就划在这里；每一款在后台检查“这段代码会不会卡死”的工具，干的都是那位“停车预言家”没干成的活——它们不预测未来，只在有限的范围里尽量多看几步。理论上办不到的事，工程上就退一步、做一半——这是这门学问后来最常见的妥协姿势，第一课在这里。

这话要说得准一点：取不到解，不是因为我们还不够聪明，也不是因为机器还不够快——是规则本身不允许这样的解出现。这就像一张“包含全部地图的地图”：最缜密的那一版，永远缺着它自己所在的那一角。缺的那一角不是工作中的疏忽，而是“包含全部”这四个字自带的利息。

还有一个更好懂的版本，是图灵后来借去的：一位号称从不说谎的审查官，接到一份卷宗——审查他说过的每一句话。他没有说谎，只是忽然不知道该从哪一句开始。

这台“反证机器”也不是凭空造出来的。前一个十年，哥德尔已经用同款刀法，在数学内部划过一道深口子：任何足够复杂的系统里，都藏着“真、却证不出来”的话。图灵只是换了一个对象——他不问“命题能不能证”，他问“程序会不会停”。看上去换了话题，其实是同一记手法：让对象来面对它自己。

逻辑上的大发现，很快被战争拽去干活。1939年，图灵进驻布莱切利园——一座乡间庄园，地图上不起眼，门牌后面是一个国家最急迫的秘密。德国的Enigma密码机，据说有约一百五十九后面跟十八个零种设置方式。图灵和同事们造出“炸弹机”，把逻辑上的排除法拧成齿轮和继电器，让天文数字缩成几个钟头。盟军统帅部后来的估计是：这些年月，把战争缩短了两年以上。

故事通常从英国讲起，其实最早的一撬，是波兰人干的。三十年代初，数学家雷耶夫斯基光靠纸笔和数学，就把德军的密码制度拆到了图纸上；1939年夏天，战争爆发前几周，华沙把全套笔记摊在了英法同行面前——纸上写满了“怎么撬”，唯独缺一件东西：算得动的机器。英国人造出了机器。人类的秘密战争，从那天起变成了机器对机器的战争。

庄园里的图灵名气很大，其中一部分很不学术：每年六月花粉季，他戴着防毒面具骑车上班，吓得偶遇的人以为是空袭提前响了；他的自行车链条一到点就掉，他不去修，而是数着踏板的圈数，提前跳下来把链子装回去；他把自己那只马克杯用锁链拴在暖气管上——防的不是外人，是整栋楼里“顺手牵羊”的优良传统。同事们叫他“教授”。怪癖和天才哪个先到，没人说得清；反正它们住在一副皮囊里。

这份功劳保密了三十年。战后很久，世人才知道那场战争里有一台机器上过班。注 · 布莱切利园关于这段历史，推荐一部纪录片和一部电影：《密码破译者》与《模仿游戏》。警示：电影为了戏剧性改动了大量事实——和大多数改编一样，它对“像不像”做了取舍。

1950年，图灵把注意力转回那个老问题，在《心智》杂志上发表《计算机器与智能》。文章开门第一句就摆出招牌问题，随后他亲手把它拆下来。他说：这样问，几乎不值得讨论。换一个问法吧——同一间屋子的帘子后面，坐着一个人和一台机器；帘子外面，我们只能通过打字对话来提问。如果聊来聊去，我们分不出哪个是人、哪个是机器，那是不是就够了？

这就是“模仿游戏”，后来被称为图灵测试。它的高明之处在于，它把问题从“它心里在想什么”，换成了“你能不能看得出来”。内心退出法庭，只看证据。想法更朴素了，也更锋利了。

图灵自己列出了九条反驳：神学的、数学的、意识的……九条里最讲究的是“数学的”那条，搬出哥德尔和停机问题说事：一台机器总有些事情证不出来，所以它永远够不着人。图灵的回敬很优雅：“证不出来”不等于“做不到”。人也极少随身带着一份自己全知的证明书，照样活着、答着、长大着。注意他用来拆台的武器——正是自己十年前的旧定理。在这门学问里，用上一个难题去拆下一个难题，是最常见的家风。

九条反驳之外，他还留了一条给未来：机器应该有个童年。他写道，与其直接模拟成人的心智，为什么不先造一个孩子，再把它教育起来？

同一篇论文里，还押着一笔赌注：五十年后（大约2000年），考官隔着帘子问上五分钟，认错人的概率——不低于三成。到2000年，赌约没有兑现。之后人们换着姿势陪它考：1991年起，一位叫勒布纳的热心人自掏腰包，一年办一次“模仿游戏”比赛，办到2019年，停了；2014年，一台假装成乌克兰少年的程序在伦敦宣布“通过”——三成评委上了当，学界当场吵翻：评委太少，少年的人设占了便宜。吵完之后，人们慢慢发现，这场考试已经没有考场了：2023年起，全世界每天有无数次“人机对话”在毫不设防地发生——几亿人自己当评委，很多人连题都懒得出了。

同一片庄园里，还住着另一位客人，只是它的故事晚了三十年才赴席。1943年，布莱切利园的另一间木屋里，叮叮当当立起一台新机器——比“炸弹机”大得多，也沉得多：约一千五百只电子管，一排高过成人头顶的机柜。它的任务不是恩尼格玛。恩尼格玛加密的是前线电报；德军最高统帅部还有一套更高级的密码，截获下来的密文，交给这台新机器来撬。

造它的人不是什么名牌教授，是邮局研究所的一位电子工程师，叫汤米·弗劳尔斯。电子管在当时名声坏极了：说烧就烧。同行都劝他别用这么多——他的办法朴素得像句老话：让它们永远热着，别开开关关。他赌对了：整个战争期间，这台机器烧掉的管子，一只手数得过来。

它叫“巨人”。工作方式已经和后来的计算机一样：读进一串符号，按规则做判断，吐出结果。有一句流传下来的评语说：德军将领之间的电报，常常还没送到收件人手里，伦敦已经读完了。它是不是“世界第一台电子计算机”，史学家至今吵不出结论——它诞生得更早，却只为一件差事而生；两年后公开亮相的ENIAC，用途更宽。头一名怎么算，取决于“计算机”三个字你怎么定义。（这个句式，这门学问以后还要用上无数次。）

“第一台”的户口之争里，还有第三条档案，来自败方。1941年，柏林的工程师康拉德·楚泽用继电器攒出一台能编程的机器——比巨人还早两年多，原理同样干净。它毁于战争末期的轰炸；更安静的遗憾发生在后方：当年没人为它排队欢呼——战争机器看不上它，胜利已经写进日程表，谁还等一台算得慢的装置。“早到了”三个字，换一种语言写，就是“生错了地方”。

战后，图灵本人也终于去造机器了：他在国家物理实验室交出ACE的设计——存储程序、样样超前，却在文书和预算里一拖再拖；1948年夏天，曼彻斯特的一台小机器先跑出了人类第一段存储程序，头衔又一次旁落。ACE最终只生出一个“领航员”小版本，倒也好用。这个人一生的机器，仿佛总有一个固定的命运：最先画出图纸，然后站在剪彩人群的后排。

战争结束，它得到的处分是：拆毁。大部分机器变成废铁，留堂的两台撑到1960年，也拆了。整个故事被锁进保密柜，一锁三十年；造它的人名字不能提，功劳不能领——解密的时候，弗劳尔斯已年近七十。又过了些年份，一群志愿者照着一张张老照片，把它重新拼了回来；今天它站在布莱切利园的展厅里，还会当场破译几条当年的密电给观众看。它没有户口。但它慢慢有了家谱。

1954年6月，图灵吃了一颗浸过氰化物的苹果，时年四十一岁。官方结论是自杀。两年后公众才知道，他生前因同性恋被定罪，法院给他的“治疗方案”是强制注射激素。他最后几年，被法律改造成了一个他不认识的人。后来，英国政府道了歉（2009年），王室又补了一份赦免（2013年）；再后来，法律也改了——以他的名字，赦免了当年同罪的一大批人，近五万。账，一笔一笔地还，还得很慢。判决书会过期，苹果不会——它咬下去的缺口，成了全世界公司敬而远之的商标。

回到那篇论文。它最后一行写道：我们只能看清前方短短的一段路，但这一段路上，已经挤满了需要完成的事情。他还留下一段当时没人在意的话：一台机器，应该先当孩子，再当大人——别急着让它考满分，先让它学着长大。

那一年，没有人注意到这个建议。它将在第二章回来敲门。

图灵说，机器应该有个童年。可童年究竟要学什么？最早交出答卷的两个人，都不是计算机科学家，而是心理学家——第一位给了规则，第二位把规则装进了电线和马达。这门学问最初的两块砖，是心理学系烧出来的。

1949年，唐纳德·赫布写下一本书，书里藏着一句后来被引用了半个世纪的话，大意是：当两个神经元反复同时放电，它们之间的连接就会变强。原文比这绕口得多，核心就这一句。有人把它押成了顺口溜：“一起放电的，连在一起。”这句顺口溜不是赫布写的，是后人替他押的韵——考证名言的真假，是这门学问里仅次于训练模型的长期副业。

这条规则朴素得像一句老话，却藏着整个学习故事的第一颗齿轮。连接变强，翻译成人话就是：走熟的路，越走越好走。你可以把它想象成山里的小径：没有人预先画好地图，走的人多了，草被踩平，路就显出来了；不再有人走，它就长回去。记忆不是柜子里的档案，更像草地上走出来的痕迹——这就是后来一切“会学习的机器”脚下的第一片土壤。注 · 1943更早的一步其实在1943年：麦卡洛克与皮茨把神经元简化成一个开关——输入相加，超过阈值就“点火”。这篇论文的两位作者，一位后来迷上控制论，另一位晚年成了诗人。科学的远处，常常站着诗。

同一年代还有一位更爱宏大叙事的同行。1948年，数学家诺伯特·维纳出了那本为时代命名的书：《控制论》——副标题一句话，把动物和机器放进了同一本目录：“关于在动物和机器中控制和通信的科学”。它的野心比赫布大得多：反馈、目的、信号，全都要拆成通用零件。几十年后，这门“堂兄学科”退了场，名字散进自动控制、神经科学、计算机的各路家谱；但有一样东西留了下来，留在此后所有会学习的机器里：反馈。错了就退一步、看看结果、再走——旋钮的每一次转身，骨子里都是同一个字。

赫布写下这句话的时候，行为主义正当年。那一派的规矩是：只谈看得见的行为，别去猜头骨里面的事。赫布把规矩绕了过去——他不猜，他给心理学补了一个零件：连接。连接会变，而变化的连接就是记忆。一个零件，把“学习”从客厅里的哲学词，变成了车间里的工程词。

把两个零件摆到一起——一个只会开关的神经元，一条会自己变粗的连接——剩下的问题只有一个：这样的东西，造不造得出来？

把“一起放电”落实成机器，要等到一位爱较真的人出场。弗兰克·罗森布拉特，心理学家出身，在布法罗的康奈尔航空实验室里，带着一群年轻技工攒出了“感知机”。它的眼睛是一块400格的光电池视网膜；它的记忆是512只马达驱动的电位器——就是老收音机上那种一拧就变调的旋钮；它的输出只有8根线，最后归成一句话：“是，或者不是。”

操作手册里有一句话，写的时候只是说明书，后来读来却像诗：“512只电位器的滑臂停下的位置，就是感知机的记忆。”记忆不在纸上，不在磁带里，在旋钮的姿势里。它还学得很慢：每纠正一次，旋钮只肯转十六分之一圈。慢归慢，方向是对的——这台机器的知识，是它自己一寸一寸拧出来的。

多年以后，一位当年参与装配机器的大学生回忆起训练它的场景，说自己记住的不是图纸，也不是数字，而是一个事实：拧旋钮的是马达，不是人的手。赫布那句话，在这里第一次离开纸面，变成了电与铁。

它最先学会判断的事，小得几乎可笑：一张纸片上的记号，在左边还是右边。后来是方和圆——注意，这里没有“背下这张图”这回事：圆被挪动、被转动，它照样认得出来。训练的办法叫纠错：对了不动，错了拧一点。成千上万次之后，它在方与圆之间的成绩单漂亮得不像话——当然，考卷本身很小。用最土的话解释：想象一台有几百个音量旋钮的收音机，你在它旁边放它喜欢听的音乐，它自己把旋钮往好听的频道上拧。学习这个词，从此有了一个具体的动作。

旋钮后来得到一个学名：权重。“权重”两个字从此住进了这门学问的每一页——说训练，就是拧权重；说模型，就是一整套拧好的权重。另一个新东西更不起眼，却在后来的故事里长成了主角：对错。这台机器的老师不是人，也不是规则，是对错——人只负责告诉它“这次不对”；往哪边调、调多少，是它自己的事。把“教导”的资格让渡给一个信号，这是1950年代末最大胆的一次权力交接。

那“挪动、转动也认得出”，到底说明了什么？说明它的知识没有写死在线路里——线还是那些线，变的是旋钮的角度。知识一旦住在“可调”的地方，就有了被调节的可能。再往前走一小步，就是一句当时没人说出口的宣言：与其把知识写给机器，不如给机器留出写知识的地方。

1958年7月，海军研究署为它开了一场发布会。《纽约时报》的报道说：感知机将学会走、说话、看，甚至拥有“自我意识”。报道里还记了一个细节——军方的人说，他们犹豫该不该把它叫作机器：它太像一个“没有生命的活人”了。报纸上的工程师比实验室里的工程师更兴奋——这在之后七十年里，将成为一种稳定的公共就业形式。

军方开了钱袋，公司排队入场。到1960年代初，“感知机”成了一个什么都能包的词：识别笔迹，估算贷款，将被用来翻译语言、指挥工厂。你几乎可以听到引擎点火的声音。

只是有一个技术细节，当时只有少数人放在心上：单层感知机能画的，只是“一刀两断”的线——在纸上切一刀，把点分成两堆。它的旋钮再多，也只是在拧这一刀的角度。遇到“要么这样、要么那样，但绝不能同时”的门槛问题，它怎么拧都拧不出来——后来数学家给这类死活学不会的题起了个名字：异或。

能把这一刀弯成山路的技术，要再等三十年。而在那之前，先来的是冬天。

1958年前后，罗森布拉特本人对这一切有一种奇特的分裂感。他一边造机器，一边警惕机器。他说过一句很像预言的话：感知机最危险的地方，不在于它会不会思考，而在于它看起来在思考——一切“像真的东西”的问题，才刚刚开始上路。

东海岸在开新闻发布会的时候，西海岸有人在做一件更安静的事。斯坦福的一位教授伯纳德·威德罗，带着学生做了一个和感知机几乎同岁的零件，起名Adaline。它不认方，也不认圆；它学的东西只有一样：从嘈杂里把信号捞出来。

它的学习规则朴素得近乎谦虚：每错一次，就往误差最陡的下坡挪一小步。后人管这条规则叫“最小均方”，或者干脆叫“威德罗-霍夫规则”。它没有发布会，没有“自我意识”的标题党，连“智能”两个字都不敢往自己身上贴——说明书上写的是：自适应滤波器。

规则本身漂亮得像一句谚语：误差是座小山，每次只朝最陡的方向走一小步，山迟早被走平。走的路不必聪明，只要每一步都比上一步低。二十多年后，一位叫鲁梅尔哈特的心理学家要在更大的一座山上，把这条线重画一遍——那是第七章的事。

再后来的事，值得所有做学问的人抄在本子上。冬天降临，“感知机”被从期刊上除名，神经网络成了冷板凳上的词；威德罗的这个小零件因为没挂那块招牌，反而活了下来——活成了电话线里的回声消除、传真机里的降噪、上网时代的调制解调器。你如果戴过降噪耳机，这位小零件就贴着你耳朵。冬天冻死的，从来不是方法，是名分。

1956年夏天，美国新罕布什尔州，达特茅斯学院。十来位年轻人挤进二楼的一间教室——他们来自数学、逻辑学、心理学、经济学，最年轻的刚过二十岁。会议发起者在这一年的申请书上写道：他们相信，学习的每一个侧面，原则上都可以被精确描述，以至于机器可以模拟它。

信里还有一句更胆大的话：他们猜想，如果一群精心挑选的人花上一个夏天一起工作，就能取得重大进展。

会期名义上排了两个月。真正到场的人，从来没有到齐过——有人来住几天就走，有人只在名单上待了一夏天。汉诺威的校园里，本科生全回家了，这场“会议”更像一场轮流坐庄的沙龙：来的人各自讲自己最近迷的东西，讲完就走，留下满黑板没擦干净的公式。

写这份申请的是约翰·麦卡锡，还不到三十岁，普林斯顿的数学博士，喜欢跟人抬杠，也喜欢给东西起名字。和他联名的是三个人：马文·明斯基，同校的年轻数学家；纳撒尼尔·罗切斯特，IBM的工程师；克劳德·香农，就是那位给了信息一个单位的香农。

另外三位各有来历。明斯基脑子里正养着一个危险的念头：智能不一定非得长在肉里，装进程序也一样能用——几年后，这个念头会变成一间实验室的招牌。罗切斯特代表IBM，那几年IBM的机器正在重新定义“计算”的规模感，他负责判断一件事：这个东西，有没有可能变成公司的正事。至于香农——他既不缺项目，也不缺名气，肯来联署，多半是因为他家里本来就堆着玩具：一只会走迷宫、还会记住路线的机械老鼠，一台会抛接球的机器人。后来人们叫他“信息论之父”，他本人可能更喜欢“工程师”这个身份。

他们要的经费并不多，可他们要的东西很大：一次把话彻底说清楚的尝试。学习、抽象、语言——这些词在1955年还只是哲学家的客厅玩具，麦卡锡想把它们搬进工程车间。

现在回头看，这份申请书最值得记住的，不是它的技术路线，而是它的口吻：自信、具体、露着一丝可爱的天真。天真的地方在于那句“一个夏天”。这份自信也被塞进了文件的标题里——他们必须给这一小段历史起个名字，好让基金会开出支票。注 · 洛克菲勒申请书最终要到了每年约七千美元的资助——换到今天，大概勉强够买三台顶配显卡。而他们想用这笔钱，买下“智能”。

当时这门学问的候选名字有好几个。有人叫它“控制论”，有人叫它“自动机研究”，有人根本不想给它起名——因为还没有东西可指。人工智能这个名字，是麦卡锡选的。他后来说，选它主要是为了跟“控制论”那一派划清界限：名字不仅是招牌，也是边界，谁的字大，谁的地盘大——制度的语法，总是先写在标题上。

值得一提的是，香农自己站过的队更朴素——他前一年刚和麦卡锡一起编完一本文集，名字平铺直叙，就叫《自动机研究》。麦卡锡要的却是另一种东西：不是研究机器，而是研究“智能”本身——把它从哲学家的客厅里接出来，放到工程学的台面上。两个词之间的距离，就是两个时代之间的距离。

于是出现了一个奇特的场面：一门学科先有了名字，再有了第一批居民。像一个还不存在的国家，先印好了护照。这个顺序之后还会重演很多次：先命名，后许诺，再交付——交付的那一栏，往往要等很久，有时等到名字凉了。

那个夏天实际发生了什么？争论，讲座，半成品。真正拿得出手的东西，在开会之前就躺在一位参会者的公文包里：纽厄尔和西蒙的“逻辑理论家”。准确地说，那时它还不是一台跑在机器上的程序，而是一场用铅笔完成的集体预演——两人拉上家人和学生，每人负责程序的一个“零件”，一步一步手推。就连“计算机”这个词，当时的第一含义也还是“负责计算的人”。他们先用人，模拟了计算机。

1956年8月，它第一次在真正的机器上跑起来——RAND公司的JOHNNIAC，那台机器是以冯·诺依曼的名字命名的。此后它证明的定理攒到38条（取自《数学原理》第二章的前52条），其中编号2.85的那条，它的证明比罗素和怀特海当年手写的更短、更直接。他们把这条新证明投给了《符号逻辑杂志》，退稿理由写得一丝不苟：对一条已证定理给出新证明，不构成学术贡献——审稿意见通篇没意识到，这条证明是一位程序找到的。人类第一次退掉AI的稿子，就落在“人工智能”这个词出生前后。

西蒙把这条证明寄给了罗素本人。老哲学家回信的语气，据当事人回忆，像过节。这大概是历史上头一回：数学家的劳动被一台机器超过，而当事人鼓掌鼓得最响。

历史的转折往往长这样：夏天的收获并不大，但参加夏天的人全都记住了那个夏天的情绪——一种“问题就要被我们解决”的情绪。

情绪很快变成了清单。有人预言，十年之内，机器将成为国际象棋冠军；二十年内，机器能做人能做的一切工作。最著名的版本说：三到八年内，我们将拥有与人类同等智力的机器。

这些期限后来全部过期了——不差一两年，是以十年为单位地过期。预言家们算错了什么？不是逻辑，也不是勇气。是难度藏在哪。他们的清单上写着推理、语言、直觉，唯独没有写着两样最不起眼的东西：数据，和耐心。那两样东西会在几十年后把整个领域推倒重来，而在这之前，先要把第一批诺言还清。

这门学问第一次摸到大钱，要感谢一只八十三公斤的金属球。1957年10月，苏联把它送上了天。美国人抬头看了好几个月，然后干了一件很有美国特色的事：成立机构，开预算。1958年，高级研究计划局挂牌；它的名字里没有“科学”，也没有别的客气话——1972年，名字里干脆补上了“国防”两个字。它最关心的不是真理，是差距。

钱的走向，由一位不太像官员的人定了调。1962年，心理学教授利克莱德走进这间办公室。他的履历和人工智能看着不搭界：他在麻省理工研究过听觉，写过一篇《人机共生》，通篇在设想人跟计算机怎么搭伙过日子。他的拨款办法，后来被同行概括成一句话：资助人，不资助项目。他拎着皮包挨个拜访大学，把钱交给他信得过的人，再让这些人自己找题目。

这一招的后果，今天还看得见：麻省理工、斯坦福、卡内基梅隆——三处据点从那时起长成了三座庙。直到今天，讲这门学问的师承与恩怨，仍要以这三处为原点画坐标。

只有一件事要说清楚：钱是从国防部的口袋里出来的。项目门牌上写着“信息处理”，账本背后写着“指挥与控制”。那十几年里，愿意给“会思考的机器”开长期支票的口袋，几乎只有它一只。于是这门学问从会走路那天起，就学会了两副口音：讲给实验室听的，和讲给支票听的。此后七十年，两副口音轮流上场；偶尔同时被听见，就出大新闻。

会议散了，各回各家，各自带着一份写着自己名字的行李。散场时没有人想到要拍一张合影；很多年后，人们只好把那份申请书，当成这个领域的出生照。没有人注意到，他们创造的那个词将从此刻进七十年的历史——它一半时间当诺言，一半时间当把柄。

那个夏天很短。它命名的东西，很长。

1966年，麻省理工学院。一位秘书在终端上跟一个程序聊了很久，然后提了一个请求：聊天记录能不能单独归档，她想私下再想想。她聊天的对象叫ELIZA，一个会扮演心理医生的程序；而它的作者，那年正感到不安。

那位作者叫约瑟夫·维森鲍姆。他心里清楚，那台程序什么都不懂——它只是把你说的话拆开，换上几个代词，再扔回来：“告诉我更多关于……的事。”仅此而已。可那位秘书，把安慰、信任和体面，全都自己投了进去。程序从来没有承诺过这些；是人不肯让它空着。注 · ELIZA“告诉我更多”式的对话，今天仍然好用。半个世纪后，人们给它起了个名字：把机器想象成有心智的东西，是人类的默认设置，不是机器的本事。机器要做的，只是别急着否认。

那句请求，维森鲍姆记了一辈子。他后来想明白的，并反复讲了一辈子的大意是：程序没有骗人，是人在骗自己。“告诉我更多”这几个字背后什么都没有，可人会把心里的东西自己搬进去，把空壳装修成一间诊疗室。这股投射的力量有多大，后来成了他反对某些“全自动”研究最硬的理由——也是这本书里，第一个被程序照见的人类。

在ELIZA之前，这门学问的骨干是另一种人：相信“智力等于符号搬运”的人。他们的旗帜是纽厄尔和西蒙——就是那个夏天带着“逻辑理论家”去达特茅斯的组合。到1957年，他们把那台程序升级成了“通用问题求解器”。

他们的办法，用一个词就能概括：符号。想造一台会思考的机器，不必先仿造大脑的肉——现成的证据就贴在墙上：数学。x和y不是神经元，可它们在纸上照样“推”出结论。既然如此，思考也可以住在符号里：推理就是搬动符号，学习就是重写规则。整套信仰可以压缩成一句话：智能的问题，是符号摆得对不对的问题。

思路讲穿了很简单。把一个谜题想象成地图上的两个点：你现在站的地方，是问题的现状；你要去的地方，是目标。中间能走的路，由规则画出来。所谓解题，就是在这张看不见的地图上，找到一条通路——先找差别最大的地方下手，能缩短差距就走这一步，不行就退回来试别的。他们管这叫“手段—目的分析”。

这套“不保证最优”的找路办法，后来有个统称：启发式。词的根在希腊语，意思是“去发现”；它给数学家打了很多年工——1945年，波利亚写过一本教中学生解题的小书，通篇讲的都是它。翻成人话：能算的算，算不动的，挑个大概最管用的，走一步试试。“试试”两个字惹恼过很多严谨的同行；可迷宫有出口，时间没有。

一台机器，用同一套规则证明定理、下国际象棋、配平化学方程式——所以他们才敢在名字里写上“通用”。这两个字当时是野心，后来成了职业风险：越通用的框架，越容易遇到它通用不了的那一类问题。

但那个年代的乐观是有底气的。每次演示都很成功，因为演示的地图是画好的：规则有限，目标明确，迷宫有出口。麻烦在于，现实世界的地图，没人画得完。

黄金年代的底气，很大一部分来自趁手的工具。1958年前后，麦卡锡在麻省理工打磨出一件新东西：LISP。它长的样子怪极了——一堆括号套着括号，像一首用标点写成的诗。但括号里面藏着一个哲学决定：“程序”和“数据”，写成同一种东西。因为在这套世界观里，知识与操作知识的方法，本来就该是同一种材料。这门语言此后活了半个多世纪；有人说那叫运气，也有人说，真正值钱的是那个先想清楚“知识和操作是一回事”的下午。

同一条走廊的另一端，还坐着一位不爱抬杠的人：IBM的阿瑟·塞缪尔。他在新出的IBM 704上教机器下跳棋——不喂棋谱，让它跟自己对弈，把“赢过的局面”记进档案。1959年，他的论文摘要里有一句后来被反复引用的话：一台计算机可以被编成程序，学会下一种比写程序的人更好的棋。同年，他把“机器学习”四个字印在了标题上——这个词第一次登台，离它真正走红还有五十年。

1961年，一本叫《计算机与思维》的文集向他要一盘“机器下过的最好的棋”。他把这当成请战书，寄给了康涅狄格州的跳棋冠军——那盘棋，机器赢了；输棋的冠军后来还客气地给这盘棋写了注释，收进书里。程序的作者输给程序，也可能是历史上头一回：塞缪尔看上去很高兴。机器不吵不闹，只是每天回家把档案翻一遍——这种“闷头变强”，当时谁也没看出哪里可怕。

真正的伏笔，藏在一篇只有几页纸的短文里。1959年，麦卡锡抛出一个设想，题目平平常常：《有常识的程序》。他描述了一台坐在桌边、等人开口的机器：你告诉它“我要去机场”，它会自己翻出“车停在哪儿”“钥匙在哪儿”，缺什么就补什么；你不必知道它内部长什么样——只要跟它说话，它就该长本事。这篇短文后来有个更常用的名字：Advice Taker，听建议者。半个多世纪后，这段话读起来像一份提前写好的产品说明书；而写下它的那一年，机器还在用真空管听人使唤。

黄金年代最迷人的两件展品，都关在箱子里。

第一个箱子是麻省理工的积木世界。一个叫SHRDLU的程序住在里面，里面有方块、棱锥和平台。你可以用英文吩咐它：“把塔顶那块比你手里那块小一点的方块拿起来。”它会做，还会反问，还会解释它为什么这么做——在这个几十块积木的小宇宙里，它谈吐得体，游刃有余。它是那个年代最聪明的居民。

问题是，它的聪明没有一件能拿出箱子的。换一个房间、多几件家具，它立刻失语——它的词汇表精确地对应着箱子里发生过的一切。领域狭窄是它的护城河，也是它的牢笼：在十平米的房间里，它像专家；走出房门，它像婴儿。注 · SHAKEY第二个箱子会挪动，它叫SHAKEY——名字是反讽，因为它站都站不稳。它由斯坦福研究所研制，是第一台会对世界“先想再动”的机器人：先规划路线，再开着轮子出发。参观者最爱看它失败。

SHRDLU的作者后来做了一件诚实的事：他在八十年代宣布，这条路走不通——不是技术不够，是方向错了；他转身去研究人怎样使用电脑，成了另一个领域的奠基人。拆箱子的人，第一个拆掉了自己的箱子。

比这些箱子更早，虚构世界已经抢跑：1942年，一位化学教授兼小说家给机器人立了三条法——不许伤害人、必须服从、还得自保。三条法流传了八十年，工程师们却越看越觉得像愿望清单：它们从第一天起就互相打架。黄金年代的乐观与不安，就这样一半写进了立项书，一半写进了小说——两边都没想到，它们最后会在同一台机器上碰头。

黄金年代的自信有它独特的语法：他们相信智力主要是逻辑问题——把推理的规则写清楚，智能自然就长出来了。至于知识本身，那只是往仓库里搬卡片的事：卡片不够，多印几张就是。

这个信念在1970年代撞上了第一堵墙。墙的名字叫“常识”。你如何告诉一台机器：桌子上的杯子被人撞了一下，杯子会掉，会碎，碎了的杯子不能再用；但如果撞它的是猫，情况就不一样——因为猫会跳……每一条都写得出来，可这样的条目有一亿条，而且它们互相牵扯。每一件“常识”，在逻辑学家眼里都是一条没有写完的公理。

后来有人总结了那句悼词：知识不是逻辑的副产品。悼词写得很准，只是当时没人愿意听。人们更愿意去找钱和掌声——而在1970年代，这两样东西开始同时变少。

黄金年代的乐观，还有一个意想不到的见证者：电影院。1968年，《2001太空漫游》上映，HAL 9000成了那十年最著名的虚构居民——一台会读唇语的船上计算机，用最礼貌的声音，做了最不礼貌的事。它在银幕上对宇航员说“抱歉”的时候，观众脊背发凉的地方不是机器凶，是它太像同事了。实验室把乐观写进立项书，电影院把不安卖成票房；后一张票，卖得更长久。

黄金年代最实惠的许诺，落在翻译上。1954年1月，乔治敦大学和IBM合办了一场演示：一台IBM 701，把六十句俄语的化学文献当场译成英语。报纸标题比机器兴奋得多：“电子大脑学会翻译。”细看清单，复习范围其实很小：两百五十个词，六条语法规则——考的全在题库里。但在那个年代，这足够点燃一门生意。

生意的来头很实在：冷战的对手每隔几年就把自己的科学文献翻一倍，等不起人。于是钱来了——词表越装越厚，语法越写越多：几本厚厚的词典，一叠规则，一台机器，要对付的是无穷无尽的句子。当时没人把这叫作幻想；办法听上去很体面：查词，套语法，输出。缺的那一样东西，还要再等四十年。

后来的复盘说清了一件事：它做对了“词”，没做对“话”。词与词一对一都对得上，连起来却不是人话——圈内流传最广的一则段子说，某次翻译把一句圣经译成了“伏特加不错，肉是烂的”；考证的人翻遍档案，始终没找到出处。段子八成是假的，段子里的毛病是真的：词与词都对，话与话不通。

缝上这道缝，需要两样当时根本不存在的东西：一屋子例子，和算得动它们的力气——那是这本书中段的故事。而在等到它们之前，先到的是账单：十年投入之后，一份盘点报告把这扇窗关上了。报告的名字，下一章就讲。

ELIZA的作者留下的那句话，多年后越看越像一个时代的注脚：“我们还没有办法让计算机变得明智，所以不该交给她需要明智的任务。”

这句话发表在上一个冬天来临之前。冬天很少敲门，它只是把暖气停了。

1969年，麻省理工学院出了本一百多页的小书，书名就叫《感知机》，作者是明斯基和派珀特——第三章里那位明斯基，达特茅斯的联名者之一。书里的数学干净、克制，没有一句狠话。它只做了一件事：把感知机能干什么、不能干什么，一条一条钉在纸上。

写书的这两个人，都不是外行。派珀特是南非来的数学家，在日内瓦跟着皮亚杰研究过孩子怎么学——他毕生的信念是：聪明不是教出来的，是在摆弄东西的过程里长出来的，后来他会为这个信念造出一只著名的“小乌龟”。而明斯基，这里有一个多数人不知道的细节：1951年，他还在读研究生，就亲手造过一台“机器老鼠”——四十个突触，随机连线，靠奖励学走迷宫；理论依据，正是赫布那条“一起放电”的规则。换句话说：十八年后写下“感知机有界限”的人，年轻时也造过一台感知机。

更巧的是，明斯基和罗森布拉特是同一所高中的校友——布朗克斯科学高中，入学相差一年。两个对“智能该长什么样”看法相反的人，少年时穿过同一条走廊。后来他们的关系被概括成一句话：会上吵得最凶，会后关系最好。所以那本《感知机》，与其说是宣战，不如说是数学家的判词。

结论其实不算无情：单层感知机确实有界限，你想让它学的东西里，有些它永远学不会。真正无情的是它引起的风。教会、实验室、报纸，只用了一个学期就把这本书读成了判决书——“感知机没有前途”。此后十年，神经网络的论文从主流期刊上退场，会开得起来的只剩符号主义。那本小书里没有一个字说过“都别研究了”，可所有人都听懂了那个意思。注 · 罗森布拉特感知机的作者罗森布拉特没有等到平反：1971年，他四十三岁生日当天死于划船事故。神经网络的命运和他的命运，几乎同时进入冬天——历史懒得分开讲两件事。

多年以后，两位作者都在抱怨同一件事：书被读得太粗。他们的证明针对的是“单层”和“有限阶”；多层会怎么样，书里写的是“看不清楚，需要更多研究”。批评者后来还嫌他们把感知机定义得太窄——但那都是翻案之后的陈词了。1969年的现实是：一本小心写给数学家的书，被转述成了判决书。写书的人没有挥刀，挥刀的是转述。

平反花了将近二十年。判决生效只用了两年——在这件事上，科学界和法庭的效率并无本质区别。

其实第一场霜落得更早。1966年，美国一个叫ALPAC的委员会盘点了十年机器翻译的家底——大约两千万美元的投入之后，报告写下一句后来被反复默认的话：“我们没有可用的机器翻译，也几乎看不到它在可预见未来出现的可能。”拨款应声而断，一断十年。注意这份报告的落款：它不是外行，是国防部、国家科学基金会和中情局共同资助的专家组。这个细节以后还会重演——最先宣布诺言过期的，往往不是敌人，正是当初开汇票的人。

让整个领域结冰的则不只是书，而是两份文本、一个顺序：先是一本美国的小书认定了界限，再是一份英国的报告收走了余温。

1973年，英国数学家詹姆斯·莱特希尔受命评估本国的人工智能研究。他写得非常认真，也很不留情面：成果的一些地方，可以说不存在。报告交上去，英国的据点开始缩编——爱丁堡、剑桥，许多组直接关门。顺带说一句，报告登门那年，爱丁堡的实验室并不是空的：他们刚让一台叫FREDDY II的机器人从一堆零件里自动拼出模型来。可“有东西可看”没保住拨款——莱特希尔审的不是展品，是前景。此前一年，美国那边的资助者也学会了新词：“目标明确”“需求挂钩”。翻译成人话就是：别讲故事了，拿东西来看。

同年五月，伦敦皇家研究院。莱特希尔和几位被冒犯的研究者上了BBC的摄像机——米奇、麦卡锡、格雷戈里——一场关于“我们究竟走到了哪里”的电视辩论。那大概是人工智能第一次以“争议”的身份走进千家万户的客厅；它也顺便让人看清：这个领域最激烈的批评，从来不在外面，在里面。

要把这份报告说得公允：莱特希尔没有撒谎，他审的是诺言——而诺言大多是1960年代的人自己开出去的。冬天不是被骗来的，是拿到期汇票换的。

冬天的样子从来不是一场雪。它更像一座写字楼缓缓清场：项目照开，会议照办，论文越写越薄；会议室里的椅子一把一把变少，最后一个走的人，负责把灯全关掉。

有一组数字后来常被引用：第一次冬天里，这个领域少了一整代学生。不过有人翻过账本，发现一个反直觉的细节：所谓“少了一整代”，账面上站不住——学会的会员数在冬天里不降反涨，1973年的一千二百来人，五年后翻成了三千五百人。真正冻结的从来不是好奇心，是经费；学生们照旧涌进来，只是课题本上多了几条看不见的禁线。留下的人也不全是英雄——多数只是还没学会别的行当。他们改手去写编译器、数据库、排版软件，把命保住了，把火种也顺带保住了：其中一家叫施乐的实验室里，几个人正攒着一台叫Alto的机器。那是后话，但那盏灯没灭。

钱也不是全部浇灭了——有一部分只是改了道。同在1971年，国防部的高级研究计划局把一千多万美元挪进一个新项目：让机器听懂人话。任务书写得极其“目标明确”：五年之后，机器要能在上千个词的词汇表内，听懂正常语速的连续口语。五年期满，验收组的结论接近“未达标”，但项目里长出来的那批人、那套“预测与验证”的架构，在英语的连读和鼻音里滚了五年泥——那份名单，此后几乎撑起了语音识别二十年。冬天的雪未必白积：有些种子，需要在没人围观的地方，先学会在冷土里发芽。

冬天里最实用的一课，与数学无关，与措辞有关。1969年，一条修正案给国防部的钱包上了锁：凡是与军事没有直接关系的研究，一律不能拿钱。锁本身无可指摘——纳税人的钱不该养闲学问，道理谁都懂。可它落进大学实验室的时候，形状变得很奇怪：同样一群人，同样一堆课题，有的能活，有的必须死，分界线不在内容上，在名目上。

于是整个领域无师自通了一门翻译学：预算书的第一页上，“人工智能”四个字太危险，就改写成“决策支持”；“让机器理解语言”太玄，就写成“语音识别系统”；连“学习”都要挑一个不惹事的说法——“自适应”。“智能”这个词被请进了抽屉，只有关门之后才拿出来用。

这门翻译学后来没有失传，反而成了家风。1980年代钱回来了，名字挂回门口；下一次潮水退去，名字又回到抽屉里。直到今天，申请经费的人和招聘的公司，仍然本能地挑选更软的词——一门学问的求生姿势，是会遗传的。它教给这门学科的，不只是谨慎；还有一个更微妙的习惯：说话之前，先掂量听话的人是谁。

同一个年代，大洋另一边也在做梦，而且梦得更整。1959年，苏联一位叫基托夫的工程师提出：既然经济是一道巨大的计算题，为什么不用计算机把整个国家的账本连起来算？他为这个想法写文章、打报告，得到的回应很干脆——他被调离了。理由后来成了一句时代笑话：机器还没联网，人先离网了。

三年后，基辅的控制论学家格卢什科夫把梦捡了起来，做得更大：连接全国上百个计算中心，让工厂的报表、铁路的货运、仓库的余量，在同一条神经上流动。计划书上说，系统建成后，纸质报表可以退休。

这句话，成了它自己最大的敌人。让计划经济上网的第一步，不是造机器——是每个部委把自己那本账交出来。而“报表退休”的另一层意思，大家也都读懂了：管报表的人，也可以退休。于是技术问题一路绿灯，部门问题一路红灯；到1970年代，计划悄悄降级，梦收回抽屉。它没有建成，也没有失败——第二种命运最沉默：连讣告都没有。

把两边并排看，会发现一个耐人寻味的差别：几年后在大洋另一侧跑起来的那张网，起点小得不好意思——先把四台机器连起来，“连”而不“管”；而基辅的图纸，想替整个国家导航。两个梦，一个活成了基础设施，一个活成了档案。中间隔着的不是技术，是谁交出决定权。

冬天还留下一件安静的礼物：符号主义成了唯一的赢家。赢家通吃的下一幕通常很漂亮——1970年代到1980年代初，会写规则的人成为抢手货，人工智能从实验室走进商业世界，人们开始按“知识”这个词的重量来定价。

定价的账本，下一章打开。先说一句停在门口的话：他们赢的时候，用的是“知识”。败的时候，也会败在知识上。

1970年代中期，斯坦福。屏幕上是一次查房：病人的感染部位不明，体温三十九度二，脊髓穿刺的结果刚出来。回答的是一台叫MYCIN的电脑。它会追问，会权衡，会从几百条规则里挑出最可能的病原体，然后开口：用哪种抗生素，剂量多少，要不要做过敏测试。

1979年，斯坦福的人做了个诚实的实验，替它办了一场“闭卷考试”：十份脑膜炎病例，隐去身份，发给八位传染病专家打分。评分名单里混进了一份MYCIN的处方。结果：它拿到约65%的可接受票，而现场五位医学院教授的成绩，最高的一位62%。机器第一次在纸面上赢了老师——注意，是在纸面上。可没有任何一家医院让它独立值班。原因有两个，写得很清楚：一是责任——出了事，告谁；二是信任——没有人真的放心。这两个原因后来四十年里换了无数次外衣——法务的、流程的、伦理的——但一直站在原地。最新的那一件外衣，这本书的后半部分会替它披上。

经历了第一次冬天，活下来的人学会了一件事：不要再问“如何让机器变聪明”，改问“如何让机器学会一门手艺”。

这件手艺的起点不在医学，在化学。1960年代中期，斯坦福的遗传学家莱德伯格——对，就是那位拿过诺贝尔奖的莱德伯格——和计算机科学家费根鲍姆攒了个跨学科的局：有机分子的结构，能不能让机器来猜？质谱仪吐出一张张谱图，化学家看图识分子，靠的是几十年的眼力；他们想试试，把这份眼力拆开，能不能变成程序。这就是DENDRAL。领头的布坎南和费根鲍姆给这种做法起了个正派的名字：知识工程。工程这两个字用得很准确：这里没有灵感，只有搬运。

搬运的场面并不优雅。项目组后来承认，他们和化学家德耶拉西的对话是“一对一、笨手笨脚”的：喝着咖啡，一条规律一条规律地磨。这种笨功夫后来有了正式名分：知识获取——知识工程的第一瓶颈，从这张咖啡桌上开始堵车。做法是请专家坐在桌边，工程师一条一条地问——“什么情况下你会怀疑是这种菌？”“如果培养结果是阴性呢？”“病人对青霉素过敏呢？”——每回答一句，就翻译成一条规则：如果怎样，那么怎样，确信度多少。成千上万条攒起来，就是一座手写的诊所。

可堵车的原因，很快就露头了：专家能说出来的，总是他知识的一半；另一半，他“不知道自己知道”。比如你问一位老师傅怎么听出机器快坏了，他多半说“凭感觉”——那感觉里藏着几十条他从未写下来的规则。哲学家波兰尼给这一类知识起了名字：默会知识——“我们知道的，多于我们能说出话的。”工程可以搬运说出口的，搬不动说不出口的。注 · 确信度MYCIN不会说“百分之百是某某菌”，它说“我有多大的把握”。这一招出院后活得比它本家长：今天的大模型一边流利地说着话，一边自己给每一句话配着看不见的把握——人类看不出来，这个词稍后还会出场。

1980年代，规则从学术走进生意。DEC公司用一套叫XCON的专家系统配置计算机订单——每一台机器的零件搭配都合规，不出错，据说一年替公司省下几千万美元。既然能省几千万，就一定能卖几千万：整个行业闻到了钱味，风险投资涌进来，《财富》五百强排队采购“专家”。几年之内，这个市场从零涨到几十亿美元，人工智能公司排着队上市。

比省钱更响的一炮在野外。1981年，斯坦福研究所的PROSPECTOR建议在华盛顿州一座山坡上钻探——依据是一组地质规则推断，那里可能藏着矿体。钻机下去，真挖出了一处钼矿，报道里的估值是上亿美元。“人工智能找到了矿”，这条标题让整个行业扬眉吐气了一阵。耐人寻味的是后来：行情退潮时，没有一篇报道来给它写结尾——它证明过的事情太大，大到没人愿意接着记。

知识第一次被正式标价：一位专家的大脑，可以拆成几千条规则，装进盒子，卖给工厂。这就是这门生意的全部尊严——也是全部上限。

因为规则有三种病。第一种：每条都要人写，写一条要一天，几千条就是几千天。第二种：规则会打架，碰到边界情况就互相推诿，得靠工程师一条条劝架。第三种最致命：世界会变。税率改了、机型停产了、流程更新了——手册里几百条规则要连夜追改。到最后，最成功的系统里堆着一万多条规则，注释比代码还厚，只有当年的那位工程师看得懂；他一旦调走，系统就开始变成黑匣子。

账还可以从另一头算：伺候这套系统，需要一支专门的队伍——从几个人滚到几十号人，年年给规则库做体检、打补丁、替打架的规则劝架。它替公司省钱；它自己也要按年开销，而且这笔开销只会往上走。有工程师后来回忆那几年的日常：大半的时间不在写新规则，在替旧规则道歉。

MYCIN自己的结局值得单记一笔：它没有关停公告，只是慢慢变旧——处方里的抗生素退市了，新的耐药性出现了，知识库需要人年年翻修，而“翻修”永远排在“新项目”后面。到1978年，它被定格成了一件教学展品。打败它的不是某个对手，是日历。

最成功的专家系统，大多死于同一件事：它们太像老员工了——公司里只有一个人搞得懂它。

不过，这些系统的死法里藏着一个容易被略过的事实：它们其实没有真正离开。任务被改名，界面被翻新，技术被重新封装——然后以“业务规则”“流程引擎”的新身份，继续坐在银行、保险、航空公司的机房深处。新闻不写它们，因为它们不上新闻；审计员喜欢它们，因为每一条都能查到出处。今天你办一张卡、报一次理赔，后台审你的，很可能还是“如果怎样，那么怎样”。“可解释”这个词几十年后才流行——而这些系统从出生起，血液里就只有这一个属性。

1982年，日本通产省宣布“第五代计算机”计划：国家出钱，十年时间为限，造一种会用日语跟人对话、会推理的并行机器。计划的执行机构是新成立的研究所，预算以亿美元计，招来全国最聪明的年轻人，配上当时最好的工作站；目标写得像科幻小说的目录：并行推理机、知识库、自然语言对话。摆出的姿态是举国的——它想赌的不是一台机器，是一个时代的位置。

太平洋两岸的反应很快也很实在。美国的回答是一个大公司联名的研究联盟，英国推出自己的计划，欧洲也有自己的版本；那几年的年度报告里，各国政府互相引用对方的预算数字——像一场军备竞赛，只是记分牌换成了拨款单。那几年，“专家系统”这四个字在新闻里出现的频率，仅次于汇率。

美国这边的官方版反应更贵：1983年，国防部端出“战略计算”计划，十亿美元，十年为期——清单上有会开车的机器、会当副驾驶的系统、会指挥战斗的软件。其中一项叫ALV：一辆改装的军车，自己看路、自己打方向。1980年代末的公开演示上，它真的沿着一段土路开起来了，速度不快，方向盘后面没有人。“自动驾驶”四个字第一次上了报纸——三十多年后它还会再上一次，这次带着整个行业的市值。战略计算计划本身没有等到功成名就：1990年代中期，它的目标被一项项拆分、缩编、移交——用行政语言说，叫“调整重点”。

十年之后，1992年，计划收官。神话没有兑现：它想造的那些机器，被市场上通用工作站的性价比一步步解构——你不需要一台会推理的专用巨兽，只需要一台便宜的、到处都是的通用电脑，装上软件。第五代计算机的遗产散落各处：一些编译器技术，一些图形技术，和一份被完整验证的教训——用拨款给技术写剧本，剧本通常先于技术谢幕。

泡沫落到地上时，有人选择了最诚实的路：把知识一条一条全写下来。1984年，道格·莱纳特启动“Cyc”计划——目标是把人类常识拆成公理：杯子里有水就倒不出空气；妈妈总是比孩子年长；同一时间，一个人只能在一个地方。每一条单独看都像废话，凑在一起才是世界运转的常识基础。

最初的估计是十年完工。写下去才知道，这不是铺路，是搬运填海：写一条公理，需要七条新术语定义；定义一个“杯子”，就得接上“容器”“材料”“容量”……一张网连着另一张网，网的那头是整个人类生活。而且这条路上最深的债不在代码，在人身上：每一条规则都需要人类专家先想明白、再说明白——而这两步，恰恰是人类最不稳定的工序。这个项目写了三十年，写出几千万条断言，还在写。

学界对它评价分裂——这一点先照实说：它没有失败到关幕，也没有成功到封神，更像是用最贵的方式证明了一件事：把知识写在纸上，纸张要用一辈子。

“写下来”这条路也没有停在Cyc。1990年代末，万维网的发明人提出了一个新梦想：给互联网上每个网页、每个概念都挂上机器能读的标签，让网络自己会推理——它的名字叫“语义网”。蓝图铺开时，演讲厅坐满了人；十年之后，答卷慢慢揭晓：标准齐了，工具全了，那个通读全网的理解者，始终没有出现。

分野在哪里？语义网要求每个写网页的人先想清楚“我在说什么”；而搜索引擎的答案是——别问用户要标签，直接数网页上已有的字。前者是知识工程最后一位继承人，后者是统计派的第一场完胜。世纪之交这场静悄悄的投票，后来被写进了每一堂数据课的序言：世界选择了数，而不是说。

而另一些人开始琢磨一个反方向的念头：如果不写呢？如果让机器自己去数——数例子、数规律，数出那些说不出口的知识呢？

这个念头在角落里已经放了很久。它就在走廊尽头那个教机器认字的摊位上——1986年，一篇登在《自然》上的论文替它点亮了灯；三年后，机器认出了手写的数字。再往后，它会依次拧断每一根档位：先是数字，然后是照片，然后是棋，最后是语言。

1980年代末，两张照片并排摆着看，很有意思。一张在东边：东京，第五代计算机计划的展览厅，国家级的红地毯。另一张在西边：MIT实验室的走廊尽头，一个小摊位上堆着信封和卡片——有几个人在教机器认字。不是印刷体，是手写的、各种歪法都有的那种数字。

东边那一桌是当年的主桌。西边这一摊，登记在本子上属于“边缘”。七年后，主桌撤了。再过二十年，世界坐到了小桌子那边。

崩盘先从设备开始。专家系统跑在专用的Lisp机器上，价格是个人电脑的十几倍。可1987年前后，通用工作站追了上来：别看它不会推理，它便宜、快，还能同时记账。专用机器像宠物一样娇贵，通用机器像牲口一样好养——预算委员会投了牲口的票。

接着是商业模式。知识工程的维护账本摊开一看，大家都懂了：这不是软件，这是手工定制家具。行业风向一年内转完，人工智能公司成批关门，第二次冬天到场。它和第一次冬天的区别大概是：第一次是诚实的失败，第二次是成功的疲惫。

行业里的标准寒暄也回来了，只是换了词：“神经网络？那不是1969年就证明不行了吗？”——你看，一本书的读法，可以比这本书本身长寿二十年。

而被留在冬夜里的旋钮，就在这时被重新拧动了。1986年，《自然》杂志登出一篇论文，作者是三人：鲁梅尔哈特、辛顿、威廉姆斯。论文解决的是一个具体到不能再具体的技术问题——多层网络里的“中间层”怎么学习？

先把问题说明白。一层旋钮的网络，学错了好办：哪个旋钮把答案带偏了，就拧哪个。两层、三层堆起来之后，麻烦来了：错的只有出口那一层，中间那层谁该负责？看不到，算不出，像是被告藏在一堵墙后面。

他们的办法叫“反向传播”。说白了：从出口的错误开始，往回一层一层分摊责任，每个旋钮都收到一张小纸条——“这次错了，你有多少份”。然后每个旋钮朝反方向微调一点点。下次再错再摊。分摊与微调，循环往复。

想象一支球队输了球。教练没法让每个人重踢一遍，但他能复盘：把丢球的责任，按每个环节往前倒推，分给后卫、中场、守门员。每个人下次各退半步、各进一步——球队慢慢变成能赢的球队。旋钮不是在“被编程”，它们是在被复盘。

复盘的数学名字，是链式法则——复合函数的求导规则，大学一年级的内容。全套办法压缩起来，就是……算了，我的编辑一直说，每出现一个公式，读者就少一半。前六章我一个都没舍得用。下面是全书唯一的一次挥霍：注 · 谁先发现“谁发明了反向传播”至今是笔糊涂账：1970年芬兰人林纳因马、1974年美国人沃博斯都独立写过这件事。科学史上“第一”很少是单数——更多时候，是一个想法在地板下等了很多年，等的不是发现者，而是一双正合适的鞋。

看懂了吗？没看懂也完全没关系。只需要带走一句话：错误成了说明书。这台机器最反直觉的地方在于——它不需要有人教它，只需要有人告诉它“错了”，剩下的交给那本退回来的、用错误写成的说明书。

这只眼睛的家谱，要往前翻二十多年。1959年，两位神经科学家在麻醉的猫头后部插进电极，放幻灯给猫看：漆黑的屏幕上，一个光点它不理，一条斜着的亮线，它的神经元却立刻炸响。他们越试越细：有的细胞只对竖线发火，有的只认横线；没有人教过猫什么是竖——是大脑的第一层，自己长成了一排边缘探测器。这两位半路出家的医生后来拿了诺贝尔奖；而更远的回响，要到几十年后才被人听出来：认东西这件事，居然是从认线条开始的。

1980年，一位日本研究者福岛邦彦把这排探测器做成了程序：一层认线条，往上一层认线条的组合，再往上一层认组合的组合——他给它起名叫“新认知机”。名字起得很老派，思路却很超前：识别不需要一个大而全的天才，只需要一层一层，把简单的问题堆成复杂的问题。它缺的只有一样东西：一种足够好的自学方法——那件东西，1986年就位。

把反向传播用出成绩的是法国人杨·勒昆。他在巴黎学完，又跑到多伦多的辛顿门下做了博士后——把这个师承记住，后面的故事里，这几个人会像一支地下乐队：各自散了，又总在同一个台上。1989年，他在贝尔实验室造出一只“会滑动的眼睛”：卷积网络。原理值得当场翻译：与其让每个位置的每个像素都配一套旋钮，不如做一枚小印章——划线、拐角、圆弧，各刻一枚——让它滑遍整张图，到处盖印。一张图上的同一个特征，不管出现在左上角还是右下角，识别的都是同一枚印章。旋钮的数量因此一落千丈，学起来快得多。

你认字，靠的不是把“8”在视野里每个位置重新学一遍；你学的是一笔弧线。这台机器也一样。

学成的眼睛很快去上班了：读信封上的邮编，读支票上的金额。到1990年代末，据估计，全美银行业和邮政系统里，每十张支票就有一张由它过目。这可能是“深度学习”第一次大规模上岗——只是当时它还没有这个名字，也没有人注意。

与“会读的手艺”同时上岗的，还有“会听的手艺”。九十年代，医院和律所的听写室里悄悄换上了语音识别——它用的是统计派的正统工具，没挂“智能”的招牌，所以也没被冬天冻着。同一门学问的两条腿，就这样一前一后走出了雪地：一条在台面上挨冻，一条在账本里长大。

同一时期还有一张安静的桌子，在IBM。一位叫泰索罗的研究者让一台程序玩双陆棋——没有棋谱，没有大师指点，就让它自己跟自己下：赢了，把刚才路上的判断记深一点；输了，记浅一点。一百五十万盘之后，它的棋风开始让顶尖高手皱眉——1990年代中期，它已经能和世界级棋手互有胜负。这盘棋最深的一课埋在细节里：那些“路上”的判断，是拿后来的输赢反推出来的——和反向传播的“复盘”，是同一种脑回路。凭对弈学会棋，棋谱一页都不用翻开——二十多年后，这句话会在另一副棋盘上变成头条。

这份成绩没能保住它的座位。1996年，勒昆离开贝尔实验室，去了NEC——不是跳槽，是潮水在退：实验室的母公司拆分之后，“不直接赚钱的研究”几个字越来越需要辩护。他带着那套“印章”，从黄金年代最贵的一张桌子上，搬到了另一个安静的地方。论文被引用了上万次；当时的招聘市场上，这份履历的常见批注是四个字：方向不明。

1998年，他和同伴把这些年的手艺整理成一份完整的图纸：印章、滑窗、层层相叠、反向传播，一样不缺。后来的人给这份图纸补了个名字：LeNet。图纸是完备的，零件是齐的，只缺一样——一个装得下它的舞台。它在抽屉里躺了十四年；十四年后被拿出来时，图纸一行没改：变的只有舞台。

既然能行，为什么没能一鼓作气？因为缺两样东西，而他们两样都缺。

第一样是例子。要让几十层旋钮学会画画，需要的不是几百张三寸照片，是几百万张、几千万张带标签的图。1990年代的数据世界是没有的。第二样是力气。反向传播一趟，要算几十亿次乘法；当时的电脑跑一遍要几个星期，辛顿们等不起。

三个名字里，辛顿的冬天最具体。这个英国人当年去剑桥读的是实验心理学——他想弄明白脑子是怎么工作的；心理学系给不了他要的那种答案，他转身扎进了人工智能。他的博士在爱丁堡：1972年入学，做的正是神经网络。注意年份和地点——莱特希尔的报告刚把那个系拆过一遍，系里劝他换个“有前途”的方向。他换了说法，没换方向：论文做到1978年才交付，题目是《松弛法及其在视觉中的作用》。一个人的冬天，比行业的冬天早来了五年。

于是旋钮被搁回架子上。整个1990年代到2000年代初，风头属于另一套工具——支持向量机，数学更优雅，理论上限更清楚，不需要那么多例子。神经网络的会议越开越小，论文越来越难发。有几个名字几乎全凭固执留在牌桌上：辛顿在多伦多，勒昆在新泽西，本吉奥在蒙特利尔。他们申请经费时反复听到同一句评语：“这是在死路上开车。”后来人们把这三人叫“深度学习三巨头”——不是因为他们赢了，是因为当时只剩他们还开着。

不过这张桌前不只有冷风。辛顿早就搬去了加拿大——1980年代末，他因为不愿拿美国军方的钱，把家安在了多伦多；多年后回头看，这一步像替这个行业提前存下了一笔火种。2004年，加拿大的一家资助机构批准了一个听起来很小众的项目：专门养神经网络，把散在各校、平时申不到钱的这批人，编进了同一份名单。经费不多，但稳定；更值钱的是那串名字——辛顿、本吉奥，以及他们共同的学生。定期的会，加上可以一起分摊的算力采购，三张孤立的桌子，渐渐围成了半间屋子。行业的冬天靠个人取暖；而个人的冬天，靠有人提前把柴搬进屋。

统计派凭什么占上风？凭一种旧世界的硬通货：证明。他们的工具带着完整的数学行李——误差有上界，边界有定理，白纸黑字地告诉评审委员会：“最坏的情况，也不会比这更坏。”而神经网络交上来的答卷写着：效果很好，原理不详。在对“说不清”零容忍的那个年代，这份成绩单输得不冤——冬天里，理论就是取暖费。

三个人各自守着自己那张桌子。本吉奥在蒙特利尔一边带学生，一边做一件当时没人看得懂的事：让机器学“词”——把每个词换成一串数字，意思相近的词，数字就相近。这项工作的论文发表于2003年，引用量要到十年后才开始爆炸；当时没有人知道，未来那座大模型的第一块地板，就是这么不声不响铺下去的。2006年，辛顿给这条搁置已久的路线起了个新名字：深度学习。名字起得讲究——“神经网络”四个字在经费委员会的账本上已经透支了；换上一件没有前科的外套，年轻人愿意重新排队进来说：我想做这个。一门外语换一次运气，这个行当里，换名字有时真的有用。

新名字下面还压着一件真东西。同一年，辛顿团队交出一套“逐层预训练”的手艺：先让第一层学最粗的花纹，学会就冻住；再让第二层在第一层的成果上学花纹的组合；一层一层往上码——像盖一座难盖的楼，先把每层的模具都浇结实。深网络第一次显出了“能训练”的样子。《科学》杂志把其中一篇论文放上了版面：科学界最矜持的公告栏，为一个旧念头开了门。这不是胜利，只是呼吸——而冬天里的人，最先恢复的就是呼吸。

他们缺的例子和力气，其实正在别处孵化：一边是互联网——人类正把自己的照片、购物、聊天记录、整个世界，一张一张传上去；另一边是显卡——本来为电子游戏设计，正悄悄把“算几十亿次乘法”变成一种便宜的娱乐。

死路上的车，就要等到它的燃料了。

先说一句被引用烂了的话：“数据是新时代的石油。”它出自2006年一位英国数学家的演讲，此后二十年，被印进无数份计划书的第三页。这句比喻抓住了一半，也漏掉了一半。石油藏在地下，等着人去钻；数据不在任何人的地底下——它散在生活表面：账本、病历、路牌、你我的聊天记录。石油是挖出来的，数据是攒出来的。而攒这件事，要有人，一张一张地动手。这一章讲两件事：例子是怎么攒成的；以及在“油田”上干活的人，是谁。

第一个像样的数据集，来自国家的档案柜。1990年代，美国国家标准与技术研究院把两批手写数字的存档翻了出来：一批出自人口普查局的工作人员，字迹规规矩矩；另一批出自一群高中生，字迹歪得各有性格。杨·勒昆把它们切成统一大小的方块，1998年公开发布——这就是MNIST：七万张手写数字，从零到九。

为什么是数字？因为这门学问当时最现实的客户是银行：支票上的金额，要机器来认。数字只有十个类别，笔画简单，还有人愿意付钱——一块完美的练兵场。它小得能装进任何一间实验室，便宜到任何学生都复现得起；研究圈后来管它叫这门学问的果蝇——小、便宜、被解剖得最透彻。此后二十多年，几乎每个想进这个领域的人，第一课都是它。

后来二十多年的账，很有意思：MNIST到今天都没有退休。它的规模小得可怜——今天的手机随手按两张照片就超过它；可全世界的新想法仍然排着队来考它，就像小学生入学总要量一次身高。原因不在图纸，在共识：它是最古老的一把公用尺子，谁改了刻度，谁就得跟全行业的旧论文解释。数据集一旦变成标尺，就不再只是数据——它成了这门学问的档案。

但你数一数：七万张。一栋写字楼里的废纸就有这么多。想让机器“看见”真正的世界——猫、狗、椅子、红绿灯——七万张连一个角落都不够。接下来的问题，就不再是造算法，而是造一本“够大的相册”。

2007年，普林斯顿，一位刚入职的年轻教授——李飞飞——决定干一件同行看不懂的事。那年头，视觉研究的主流是把“特征”做得更精巧：边缘怎么算、纹理怎么描述、拐角怎么配对——功夫全在这些手艺里。她选的路笨重得像个玩笑：给世界建一本相册，每页一张图，配一个词。同行后来总结这场路线之争，用了两个词：别人盯着细节，她盯着规模。

这本相册的开工很不顺利。第一次尝试是心理学实验：请研究生和本科生来看图、判断、分类——几周之后，所有人的脸都绿了。靠几十双手，搬不动一座大陆。第二次尝试是雇全职标注员，算下来，要几十年的工钱。第三次，她把任务碎成几秒钟一片，撒上众包平台：五十万个来自一百六十七个国家的普通人，坐在各自的电脑前，一点一点，把世界装进相册——前后两年多，攒出一千四百万张。

支撑相册结构的是WordNet：语言学家给英语名词搭的那棵大树——从“实体”，到“哺乳动物”，再到“柯基犬”。每一张图都被钉在某个枝头上。这棵树的园丁叫乔治·米勒，普林斯顿的一位老心理学家。他前半生研究的是人类记忆——最有名的一篇论文给短期记忆量了尺寸：“七加减二”，人脑一次大概能拎住七样东西。六十岁那年，他忽然调转方向，干起一件毫不心理学的事：替机器编一本能查关系的词典。有人问他为什么，回答大意是：光有词表没用，机器要懂词与词之间的路。这棵树1985年动工，一直长到成为一种公共设施；2012年他去世，享年九十二岁——就在那年秋天，他的树第一次被全世界用另一种方式紧紧抱住。

还有一件当时没人有心思管的事：这本相册的口音。拍照传图的网民，多半住在欧美；标签是英语名词，分类的粗细也是英语的粗细。世界的另一半，从这本相册开始，第一次被机器“代表”——他们用的手机、穿的衣、做的饭，在这本相册里要么缺席，要么被归进了“杂物”。不是机器眼里的世界偏了，是世界的样本本来就是挑出来的。“偏见”这个词要到十年后才会成为行业热词；而它的第一颗种子，就埋在这本相册的第一页。

2009年，论文发表，反应平平。一份数据库，既没有公式，也没有定理；在当时的评价体系里，它更像后勤工作——像有人不去造发动机，跑去修车辙。可多年之后，这个判断会被反过来读：发动机恰恰需要车辙。没有那棵钉着两万多个类别的树，几年后的那场考试，连考卷都印不出来。

但它赌对了一件事：如果“特征”早晚可以自己学出来，那么人类剩下的活，就只有喂够例子。相册不是后勤，相册是燃料。2010年，围着这本相册的第一届比赛开跑；头两届，选手们还在用人工手艺刷分。第三年发生了什么，要再翻两章——这里只需记住：燃料已经码好，就等一台点得着的机器。

众包在2000年代又长出了一副新面孔，这次连“帮忙”两个字都藏起来了。2007年，卡内基梅隆的一位年轻教授给网站们装了一道门：想留言、想注册，先证明你不是机器人——把两个扭曲的词认出来。每个上网的人都被这道门拦过，多数人只觉得烦。

门的另一面很少有人看。那两个词不是随便挑的：一个是你本来就要输的“考试词”，另一个来自旧书扫描件——机器认不出的词，正好顺手交给人类。每天几亿次登录，几亿次辨认，全部免费，还附赠一种感觉：“我刚刚通过了考试。”几年下来，这些顺手帮的忙，替图书馆填回了上亿个词。

这位教授后来把这门手艺的另一半也做成了产品：既然人类对“顺手”毫无戒心，那就顺手再学一门语言吧——一个免费学外语的应用就此诞生。回头看，这十年给全世界上了一堂安静的课：标注从来不是什么小众工种——它是每个人每天都在无意识完成的事；所谓“数据工厂”，原料车间就是生活本身。

相册的第二代，连“帮忙”都省了。2010年代末，研究者发现互联网早就替所有人写好了标签：图片旁边往往自带说明文字——商品页的标题、相册的注释、网页源码里那一行不起眼的替代文字。于是有了更省事的做法：不雇人，直接连图带字一起捞。到2022年，一个开放数据集把这样的“图对了”攒到五十多亿。相册从“一人贴一点”，换成了“顺手一捞”——而捞进来的东西，也顺手为下一轮版权官司，备好了全部卷宗。

相册之后，是洪水。2007年，一家叫Common Crawl的机构开始做一件同样笨的事：把整个互联网的公开网页，一期一期地抓下来、存起来，免费发给所有人。到2010年代中期，它的存档以数百亿页计；后来的大模型拿去当早餐的训练材料，主菜就是它。

然后是那句比喻漏掉的一半：数据从哪来。它当然不是天上掉的。2023年，一份调查报道把“油田工人”的工资单摊在了桌上：为某次备受瞩目的模型清洗不当内容的外包工，工作地点在内罗毕，时薪大约两个美元；每天要消化的，是文本里最脏的那一段人类语言。这类工作有个正式名称——数据标注；它撑起了后来的每一个“智能”，却几乎从不出现在新闻里。顺手交代一句：这本书自己的每一张档案照片、每一条史料，也都带着出处和署名——图片来源页在书末。数据的矿藏不是无主之地：它有主人，有工人，有账单。

还有一类账在法院里。相册里有你的照片吗？有你的文章吗？从2023年起，这些问题开始变成诉状——作家们起诉模型公司用盗版书训练，报纸起诉模型公司用新闻喂机器。到这本书定稿时，官司还没有终局；可以确定的只有一件事：数据的第二个时代开始了——第一个时代比的是谁攒得多，第二个时代要回答的是，谁有资格攒。

制度也在追这几页账。2018年，欧洲生效了一部保护个人数据的新法律，给“收集”两个字装上闸门；它没本事把数据放回地底，但它让“数据属于谁”第一次成了一个能上法庭、能开罚单的问题。法律的速度永远追不上技术；可它追上去的时候，记性很好。

第七章末尾，那本账上欠着两样东西：例子，和力气。这一章还上了第一样。例子已经汇成洪流——下一章，把第二样也推上货架。

1993年，三个工程师在硅谷一家丹尼餐厅的卡座上决定开公司。他们要做的生意，听起来小得不像事业：让电脑游戏里的爆炸，更像爆炸。三十年后回头看，这张餐桌上长出来的东西已经改名换姓——当年它替《雷神之锤》渲染火焰，如今它替整个行业烧炉子。中间隔着一段被所有人低估的历史：一种“只会打游戏”的芯片，是怎么替科学家打了两份工的。

先说清楚显卡到底特别在哪。它的一生之敌，是电脑里那颗全能的心脏——中央处理器。中央处理器像一位学问很深的老教授：什么难题都能想，但一次只想一件事；显卡则是一个坐满几千个一年级学生的礼堂：每个孩子只会最笨的加减乘除，可哨声一响，几千支笔同时落纸。

这种礼堂式设计，来历一点也不神秘。屏幕每秒钟要亮六十次，每次几百万个点，每个点算的是同一个公式，只是数不同——摆明了“同一道题抄几千遍”的活儿。为这种活儿生的芯片，天生就比老教授便宜。而便宜，是本章的第一个关键词。

1999年，这家公司给礼堂挂上牌子，宣称这是世界上第一颗“图形处理器”。名字起得恰到好处，因为接下来出场的所有人，都会误读它：此后十年，“显卡”两个字的全部用途，是让《魔兽世界》的帧数更稳。没人把这台机器当计算设备——就像没人把烤箱当科研仪器。误解维持得越久，伏笔埋得越深。

其实早在CUDA之前，就有一小撮不信邪的人这么干过：为了借这台画画机器算数学，他们得先把题目翻译成画——把矩阵乘法伪装成纹理混合，骗显卡算出来。这套手艺的存在本身就是一个信号：科学家缺的从来不是想法，是算得起的东西。

2006年，这家公司忽然宣布了一件怪事：给显卡发一本新作业本，名字叫CUDA。它声称，从今往后，任何人只要愿意多花一点点耐心，就可以让那几千个学生别画三角形了，改算任何“能抄几千遍”的题——地震模拟，金融定价，还有当时只在论文里呼吸的神经网络。华尔街看它的眼神，可以概括成一句话：这算哪门子生意？

这场豪赌的疯狂程度，要放到十年里才看得清楚。团队自己后来的说法很朴素：这笔生意花掉了公司几十亿美元，十年没有赚过一分钱。而在这十年里，掌门人黄仁勋逢人就说一句话——“我们离破产永远只有三十天。”这句话他后来说了很多年，后来它长出了另一个意思：那三十天，一天也没有来。

中间还有一段难堪的行情：2009年，CUDA的下载量摸到三十万次，然后——连着下滑了三年。有激进投资者找上门来，公开劝他停手；董事会里也有人把账本翻给他看。他不停。这个决定如果只谈勇气，就谈浅了：他算的是另一本账——如果有一天，全世界的计算都变成“抄几千遍”，那么此刻砌下的礼堂，就是所有人的地基。这不是预言，是对赌；赌注，就是那几十亿美元。

业内当时有一套很体面的反方论证：专业的事交给专业芯片，显卡就好好画图。这话没有错——它只是赌错了“专业”二字的走向：当全世界的计算都变成“抄几千遍”，最专业的机器，恰好是最会抄的那台。

他们的对赌里，还压着一张当时看不真切的底牌：通用的大发动机，快要撞墙了。2000年代中期，中央处理器的主频爬到了终点——不是造不出更快的，是再快下去，热量没法收拾；单核性能进了高原，全世界的机器开始靠“多核”续命。通用计算向专用计算转弯的时代，就在这个高原上开始了：出口站着两台机器，一台是被数据推着走的服务器，一台是打游戏用的显卡——而显卡，已经在出口处站了好几年。

赌注的另一半押在软件上。CUDA的骨子里拒绝发明新语言——它只给C语言开了一扇后门。工程师后来回忆说，当初最要紧的题目是：“能不能对C语言动最少的手脚，就把最要紧的那一段，扔给一万个核去跑？”这话听着平淡；可从那年起，全世界研究生的课题里多了一个标准动作：把实验搬上显卡。代码会沉淀，习惯会生根——十年不赚钱的东西，就这样长成了护城河。注 · 十年CUDA团队后来的复盘是：这笔生意“花掉了公司几十亿美元，十年没有盈利，也从来没有放弃”。在盈利出现之前，它靠别的生意输血——卖游戏显卡。史上最大的一笔算力投资，最初是游戏玩家付的账。

第一批回音，响起在2009年：斯坦福的一组研究者把一套“很深”的旧网络搬上显卡，从前要排队几个星期的训练，缩成当天就能重跑一遍的实验。注意，这件事的分量不在速度，在方向：在此之前，“智能”的实验默认要排队等超级计算机；在此之后，算力开始像自来水一样，拧开就有。一个学生宿舍的预算，第一次够得上严肃的实验。论文的结论克制成公文腔，效果却像有人悄悄撤掉了一道堤坝——那些年学界从来不缺好想法，缺的是“算得起”三个字。闸门开始松了。

真正兑现的是2012年。多伦多的一个学生，把两块游戏显卡塞进一台家用电脑，训练了一个认图程序——它赢了当年的ImageNet竞赛。那场比赛的细节，下一章要专门讲；这一章只认领半个事实：冠军手里的武器，不是超级计算机，是货架上正在卖的、为游戏准备的东西。而且那两块显卡的显存太小，网络被迫劈成两半，一半住一块——不是设计优雅，是内存不够。这台机器的胜利，从头到尾都带着“家用”两个字。

第二块拼图出现在2016年。谷歌掀开了一块自己偷偷造了三年多的芯片：张量处理单元，TPU。它的逻辑简单得近乎裸奔——既然全公司的活儿都是“抄几千遍”，那就不必再买万能礼堂，直接砌一堵专用砖墙。那年春天，它在一场举世瞩目的围棋比赛边上悄悄上岗；棋盘的故事，后面还有专章。

2017年，显卡迎来了一场更粗野的认证：全世界的显卡被抢购一空——买家不是玩家，是“挖矿的人”。他们把显卡插成一排，日夜猜一道越来越难的加密谜题，猜中一枚，得币一枚。这件事的荒诞感后来成了段子：一间仓库里最懂矩阵乘法的家伙，去给赌场当了荷官。玩笑之外，市场用最不留情面的方式投了票：连赌场都知道它算得快。

官方的认证来得更晚，也更彻底。2012年和2018年，两代全球最快的超级计算机先后落成——工程笔记里，它们有一个共同点：机柜里数万个“算术脑袋”，全是显卡的表亲；中央处理器退居指挥席，只负责点头和调度。曾经“显卡不配上大雅之堂”的说法，到这里正式作废：最快的机器，拆开来是一台游戏机的远方亲戚。

不过故事没有停在“一家独大”四个字上。2020年代中期，“去英伟达化”进了各家巨头的董事会词条：谷歌、亚马逊、微软纷纷烧钱自研芯片；一批新公司押上更激进的方案——把整片晶圆做成一颗芯片，或者把芯片当乐器来弹。市场给出的答案很诚实：挑战者的名单越来越长，而集市上最贵的摊位，还是那一个。恨它的人越多，越说明它站在所有路的路口。

把这几幕连起来看：一家为游戏而生的公司，先赌了十年；两个学生用两块游戏显卡，兑了第一笔现；最后连地球上最不缺钱的实验室，都开始自己砌砖。力气这门最古老的生意，换了新形态——它不再藏在肌肉里，也不再锁在少数几栋大楼里。它躺在货架上，价签一年比一年低，低到一间学生宿舍也买得起。

真正的尽头出现在训练这一侧。2020年代，“最强大的计算机”这个头衔换了形状：不再是一台摆在玻璃房里供人参观的机器，而是一间或者几间机房——几万块显卡用专用线缆编成一张网，连着运转几个星期不下线。行内的计量单位也跟着换了：从“每秒多少次运算”，变成了“这次训练用了多少块卡、多少天”。第一批这样的房间由研究机构运营；很快，公司们把它修得更大——到2020年代中期，最激进的那间房子里，卡数已经到了十万量级。它有一个听上去很普通的绰号：集群。超级计算机的下一站，不是更快的机器，是一群机器。

第七章末尾那两笔待办——“例子”和“力气”——到这里凑齐了：上一章把数据汇成了洪流，这一章让力气上了货架。它们下一次同台，就是下一章的那场比赛。

上一章说过，相册已经码好——一千四百万张，只等一台点得着的机器。点火的地方，在一场考试。

2012年秋天，一场年度竞赛在等着这本册子派上用场。它的规则执行了好几年：给一台程序五千张它没见过的图片，看它能认出多少。分数榜上排了很多年的，都是手工设计的视觉方法——每一年的进步，往往只在百分之一上下。2011年的冠军还在论文里耐心地教读者怎么把人工特征调到最好；一年之后，那些心得会集体作废。

在2012年之前，“人工特征”不是一句贬义词，是一门真功夫。名字多带缩写：SIFT管关键点，HOG看轮廓走向——每一款背后都站着一篇被引用上千次的论文；博士生以能把它们调到小数点后两位为荣。它们不是笨办法，是被取代的办法：手艺越精，越显出天花板在哪里。

那一年，多伦多大学的三人组交了一个程序：亚历克斯·克里泽夫斯基，他的导师伊利亚·苏茨克维，和他的导师的导师，杰弗里·辛顿。程序的结构并不新鲜——卷积网络加反向传播，几乎是二十多年前勒昆那一套的放大版。新鲜的是它的胃口：一千两百万张训练图——比勒昆当年多了几个数量级；而计算它的，是两块游戏显卡，各三GB显存，单块约五百美元。一块卡装不下这个网络，他们把网络劈成两半，跨两块卡训练，像两个人抬一张太大的桌子。那两块卡都是自己攒的，机器就架在克里泽夫斯基家里，轰鸣了五六天——九十轮。

论文里值得记的还有几件小事：二十年前就有的“卷积”被接到八层深；激活函数换成了一个更便宜的选择——负数直接归零，训练快了几倍；还有一个反直觉的招数：训练时随机关掉一半神经元，逼网络别把前途押在任何单个特征上。统统是工程决定，没有一条新数学。后来有人评价：AlexNet最大的贡献，是证明“老办法、新规模”本身就是一种新办法。

成绩出来，全场安静了一下：识别错误率百分之十五点三。第二名，百分之二十六。中间那十一个百分点，不是一年的进步，是十年。那台程序后来叫AlexNet。榜单上的其他人用的还是手画的箭头，赢家用的，是机器自己拧出来的说明书。注 · 2012的另一只猫同一年，谷歌另一组人做了个更古怪的实验：一千台机器、一百六十亿次运算级别的一周，喂给网络一千万帧视频截图，不给任何标签——它自己学会了认“猫”。工程师打开内部视图，看见了一个猫脸探测器。没有教科书，没见过一次“猫”字的定义。

比赛是闭卷的，冠军在几个月后的一场学术会议上当面揭晓。台下的反应被在场者记了很多年：先是困惑，然后是回不去的安静。据当时的报道，几周之内，几家公司为一间三个人的小工作室轮番举牌，价格被推到四千四百万美元——赢家是谷歌，连同那两块显卡磨出来的代码。多年以后，辛顿用一句玩笑总结那一页的分工：“伊利亚觉得该做，亚历克斯把它做成了，我拿了诺贝尔奖。”2024年，这句话的另一半也到货了——斯德哥尔摩的电话。

常有人把2012年说成“某年某个团队一夜顿悟”。这对整个行业不公平：那一夜里，睡着和醒着的东西，至少在本章之前的各章里都到齐了。它更像三个理由的汇合。

第一，数据。反传要例子，例子要标签，标签要人。互联网先替所有人攒好了原材料，众包又把“贴标签”变成了一件可以外包给全世界的琐事。第二，算力。显卡本是替游戏玩家画爆炸和草地的，结果它的矩阵乘法特别好用；深度学习第一次拥有了一种便宜而凶猛的发动机——而且这个发动机是娱乐业买单研发的。第三，算法。卷积、反传、激活函数，多数已经在架子上放了二十年，只等前两样凑齐。

三个理由各论各的出身：一个是互联网的赠品，一个是游戏玩家钱包里挤压出来的，一个是二十年前的剩饭——热了热，端上来。所有“忽然出现”的东西，往前翻，都是欠了太久的旧账。

还得补一句这场竞赛的制度设计：同一张考卷、同一个截止日、所有人当场交卷——它把“谁的算法好”这场吵了三十年的争论，压缩成了一次可以排名的考试。学术界缺的常常不是聪明，是记分牌。而记分牌一旦挂起来，就会有人为它熬夜——2012年的参赛名单里，挤满了准备把一辈子交给视觉的年轻人。

此后几年，同样的一幕在语音识别、机器翻译、广告点击上依次重演。学界才慢慢回过味来：被搁置的那些年，不是台阶变陡了，是一直在走的小步，被人连成了楼梯。每一级都太小，只有当人爬到足够高，回头才发现自己上了楼。

榜单本身随后成了一条瀑布：2013年，错误率降到约百分之十一；2014年，百分之六点七；2015年，百分之三点六——跨过约百分之五的人类基准线；2017年，停在百分之二点三。之后，比赛宣布停办。一条赛道的结束方式，通常不是有人撞线，是所有参赛者同时抵达。

更安静的变化发生在人才市场：做“特征工程”的人发现，自己那门精雕细琢的手艺，在两年里从核心课变成了选修课。没有人宣布它过时——它只是忽然不再被需要了。

被拿下的第一张面孔，是我们自己的。2014年，一家社交网络发布的识别系统第一次在标准测试上逼近人类水平；第二年，另一家公司的版本把准确率推过了人类基准线。“认脸”从实验室难题变成了工程题——照片自动分组、门禁、解锁、寻人。这是“看得见”最像祝福的一次，也是它最像问题的一次：2018年，一份审计报告把几款商用系统放在不同肤色、不同性别的人脸上，考了同一张卷——深色皮肤女性的错误率最高到三成以上，浅色皮肤男性则不到百分之一。一个零件，两本成绩单。《数据的矿脉》里那本相册的口音问题，从此有了具体的百分点。几家大公司先后宣布暂停向警方出售人脸工具；而技术没有停，它只是换了个更安静的地方继续长。

“看”还解锁了另一条路：让车自己开。2010年代中期，深度学习接管了这门老行业——摄像头从“辅助”升成主力，上百万公里的驾驶记录被喂进模型；它学会的不是交规条文，是“这种阴影里通常站着一个人”的经验。规则派的方案从此退居副驾。但路比照片毒辣得多：一张图错了，点错一个标签；一段路错了，代价是生命——同一个“看”字，在这里忽然有了千斤的分量。

同一条战线上，“框”和“描边”也相继被拿下：找出图里每一辆车的位置，描出每个人物的轮廓——检测与分割，曾是视觉里最难啃的两块骨头；2010年代中期，它们也跟着“喂例子”的路子缴了械。还有一个开始普及的安静能力：迁移学习——一把在“大相册”上练成的眼力，换到医学图像、卫星照片，只要少量样本就能上岗。通用，第一次有了复利。

2016年，这门学问第一次以“滤镜”的形状住进了每个人的口袋：一个叫Prisma的应用把照片变成油画、招贴、浮世绘，上亿人排队把照片传上去——服务器彻夜发烫。多数用户没听过“神经网络”四个字，也不需要知道；他们只知道，这一次效果不像玩具。消费级人工智能的第一次出圈，不在发布会上，在朋友圈里。

视觉就这样被拿下了——从“写规则”换成了“喂例子”，从让人解释换成了让机器自己看。人类退到最后的高地上，还有最后一门游戏，是专业棋手们排着队发誓“机器做不到”的：围棋。它的变化比宇宙里的原子还多，棋手靠的是“感觉”——而感觉，机器怎么学？

机器没说话。它开始读棋谱。

1997年5月，纽约。一台叫“深蓝”的机器在六局制比赛里放倒世界冠军卡斯帕罗夫，比分三比一半。赛后的采访里，输赢都说了很多；有一个细节被反复讲：第二局，卡斯帕罗夫向机器认输的那一刻，他说，他从谱面上感受到了一种“压迫感”——一只手，摸不准是不是人的。一年前，他刚以四比二赢过这台机器的前身；所以这一次，他看不出输的理由。第二局之后，他再也没有说过“我会赢”。

要说清那道裂缝是怎么来的，得退回一年。1996年2月，费城，六局制的第一局——卡斯帕罗夫输了。这是人类棋王第一次在正式比赛里被机器放倒。赛后他反复琢磨机器的几手棋，说它们“很像人”；这句话后来有了两种读法：一种说是疑心（是不是有人在帮它），一种说是敬意。哪种读法都成立，事实只有一个：从那一局起，人机之间多了一道裂缝；一年后的复赛里，裂缝变成了断崖。

需要给这场胜利做一次诚实的标注：深蓝赢法并不优雅。它每秒评估约两亿个局面，把蛮力和棋谱灌进去——棋力是“搜”来的，不是“长”出来的。机器需要有人事先来告诉它怎么评估，它不会自己学。看家本领是力气大，原理和拆卸一堵墙差不多。

要再等十九年，棋盘上才会出现另一种东西：不靠搜得快，靠学得深。

在首尔之前，还有一段没被公开的序曲。2015年10月，伦敦：欧洲冠军樊麾，职业二段，在办公室里跟一个程序下了五盘——连输五盘。比赛被要求保密了三个月，因为没有人准备好相信这件事。次年一月消息放出，紧接着，约战世界冠军的邀约递到了韩国。输棋的人后来成了它的陪练，帮着找它的弱点；半年之后，他的世界排名从六百多名升进了前三百——被机器打败这件事，反而把他变强了。

2016年3月，首尔。围棋上来受审。这是一门被普遍认为机器最晚才能学会的游戏：棋盘大，变化多，围棋的合法棋局比宇宙里的原子数还多；高手说不出自己为什么这么下，只说是“感觉”。从业四十年的专业棋手里，有人认为这一天至少还要再过十年。

挑战者的做法，是把两样东西缝在一起：一只是读了约三千万手人类棋谱的“眼睛”——看见一个局面，直觉地报出“这手好”；另一台搜索器负责算计——算每一步的后果，往前推几十步，再反过来调整直觉。前者像棋感，后者像推演。两者反复互相校正，组成了那个赛季的幽灵。

第二局，第37手。它在盘面第五路的位置轻轻一肩冲——按人类棋谱，这种位置在一万局里也不会出现一次。直播解说停顿了十几秒钟；李世石起身离开对局室，一个人在外面想了一刻钟——他后来承认，那一刻，他需要重新想清楚“对面是什么”。这一手后来有了一句更硬气的注脚，DeepMind给的：人类棋手走出它的概率，大约万分之一。赛后棋手们研究了它几个月，最后承认：它讲得通——只是很少有人敢那么走。整场比赛，机器以四比一获胜；人类赢下了其中一局，那一局后来被人一遍又一遍回放。注 · 第37手人类棋手后来承认：他们学了很多。第37手之后再复盘，它的位置其实讲得通——不是花招，是一种人类很少走、但没那么离谱的选择。幽灵最吓人的不是它下得多怪，是它下得怪、而且对。

回放的是第四局。连输三盘之后，李世石在第七十八手放出一个楔子——按机器的估算，人类走出这一手的概率不到万分之一。中国棋手古力脱口而出：“神之一手。”八步之后，机器才发现自己吃了亏；整场系列赛，它只认输过这一次。被问到这场胜利的感受，李世石说的大意是：拿什么都不换。

把时钟倒回五年，机器其实已经在另一块“棋盘”上赢过一次。2011年，IBM的一台机器在美国智力问答节目《危险边缘》里，赢下了两位人类传奇——那档节目以“提问拐着弯”闻名，考的不是算术，是常识与歧义。当时全行业的宣传语喊得极高：“理解自然语言的第一步。”多年以后，回看更像另一步：检索与概率的第一步。它的医疗部门一度被寄予厚望，再后来被低价出售——演示到产品之间的那道壕沟，被这台机器用一生标了个价。

一年之后，同一支团队把人类棋谱从训练里拿掉了。新版本的训练材料只有三样：规则、棋盘、一个目标——赢。然后让它跟自己对弈。第一版和它下几盘，它能以接近百分之九十的胜率赢。棋风也变了：它放弃了许多人类定式，有时把优势下得像弃子，有时在职业棋手认为应该打劫的地方选择了安静地补厚——但胜率不会说谎。

论文的数据表里有更不留情面的一行：这套“零”，训练三天，对当年击败李世石的版本，一百比零；对一年后的进化版，八十九比十一。棋谱帮过它考进专业段位；把棋谱拿掉之后，它顺路把出题人也超了。

这一步的含义超出了围棋。人类知识的角色被重新定义了：给机器喂三千万手棋谱，教出来的是“人类式优秀”；让它自己下几百万盘，长出来的是“另一种优秀”——在人类视野之外。这是本书第二次见到同一件事的同一句话：错误成了说明书。它不需要向你学习，它需要向错误学习。你的棋谱里没有的招，它只有自己输出来。

年底，“零”的做法又被拆掉了最后一点专属感：同一套“规则+自弈”的骨架，不换主要部件，直接搬去学国际象棋和将棋——几个小时的自我训练之后开赛，对当年的最强棋类软件，整个对抗赛一场没输。围棋不是终点，只是第一个考场：只要有规则、有胜负，桌子都归同一把钥匙开。

牌桌也在这个年份被记了一笔。2017年，匹兹堡的程序在无上限德州扑克里赢遍了职业高手——扑克不比围棋复杂，但它多了一道围棋没有的难题：你看不见对手的牌。看不见牌还要赢，靠的不再是纯推演，而是对“对方在想什么”的建模——这一课的考试范围，比棋盘大得多。

2017年5月，乌镇。升级之后的它与中国棋手柯洁下三番棋，三比零。柯洁赛后的话，后来被引用了很多次，大意是：去年它还像人；今年，它像在跟另一样东西下棋。

“人类最后一次赢棋”于是成了一个准确的标题——不精确地说，人类此后当然还在人机配合里赢棋、在AI的帮助下互相赢棋、赢下无数盘；但“棋类的最高水平由人类保持”这件事，从这一页起正式翻了过去。

奇怪的是，围棋并没有以眼泪收场。职业棋手们开始找它复盘，把它当老师：新的定式从它的棋谱里长出来，少年棋手集体涨棋——世界冠军们公开承认自己的水平因此提高了。人类被超越的方式，是被教会了。最锋利的结尾是：被它教着教着，人类棋手又开始输给彼此了，只是每一盘的棋，都比从前下得好看。

再往后还有一段安静的收尾。2019年11月，李世石宣布退役。记者会上他留下的大意是：即使有一天成了第一名，上面还坐着一个“无法战胜的存在”。这句话读起来不像战书，也不像投降，更像目送——一个人输给了一台机器，然后用三年时间，把这件事想明白了。

如今，职业棋手的案头都多了一个对话框：平时训练赛的对手，大多不再是人类。新一代的规矩是“向机器学，与人比赛”——那个曾在首尔让全人类后背发凉的“幽灵”，没有退休；它转行当了教练：全天在岗，从不抱怨，也从不解释。

棋盘收官，剩下的高地就清楚了：棋是关起门来的小世界，规则写在纸上。真正对外开放的世界是哪一块？——语言。没规则、没边界、每句话都在发明自己。人们想，至少这块总还得再等十年吧。

2017年6月，同年夏天，落着一场安静的雪。一篇论文上线，标题很嚣张：《注意力就是一切》。

2017年6月，一篇八页的论文挂上了arXiv，标题起得毫不谦虚：《注意力就是一切》。作者是八个来自谷歌的研究者。论文没下棋，没认图，它只做一件老派的差事——翻译：把一种语言的一句话，译成另一种语言的一句话。

标题是个坏笑：它借了一支披头士的老歌——《你需要的只是爱》，把“爱”换成了“注意力”。至于论文主角的名字“Transformer”，据作者之一说，取它的理由朴素得可爱——有人喜欢这个词的发音。它和变形金刚没有关系；和变压器倒有一点：进去一种形状，出来另一种形状。

野心藏在这个不起眼的差事后面。所有后来的风暴，都是从那台翻译机器里刮出来的——包括一个你几乎必然听过的词：GPT。它的最后一个字母，就是这篇论文要说的东西。

在那之前，机器读句子只有一种体面的方式：排队。第一个词进去，算出一点什么，连同记忆递给第二个词；第二个词接着算，交给第三个……像一支纪律严明的小分队，顺序通过独木桥。它的毛病和独木桥一样：走得越远，回头越难。读到句尾，“它”指代的是句首的哪个词？小分队早忘了。句子越长，记忆越薄，最后薄成一滴水。

这就像一场会议纪要：你边听边记，发言人说到第十页时，第一页的墨水已经模糊。改良的做法是让副手回头翻——需要哪个词，就回去看哪个词。主意很好，可惜队伍还是得排队，回头必须一步一步走。

在这一切开始之前，还有一个没人注意的裁缝：在模型眼里，“词”根本不是词——所有文本先被一把统计出来的裁刀切成碎片：常见的字串整块保留，生僻的拆开，拆到每一块都在名单上。好处很朴素：没见过的词，也能拼着读。“雪糕刺客”它没学过，可“雪糕”和“刺客”都认得，拼起来照样懂。这把裁刀本来是为翻译磨的——专门对付没见过的专有名词——结果成了所有模型的门房；它切出的每一块碎片，此后都要在这本书的每个模型那里，领一个自己的编号。

八人组的办法是把独木桥拆了。所有词同时进场，不分先后；每个词随身带三样东西：一个问题（“我在找什么”），一张名片（“我是什么”），一份内容（“我有什么”）。然后，每个词举起自己的问题，向全场每一张名片发问：你和我，有多相关？相关程度当场变成权重——谁相关，就多拿谁的内容。

这套办法的源头，是团队里有人坚持了一个当时“离经叛道”的判断：翻译一个句子，也许根本不需要按顺序读；需要顺序的，只是我们沿用了几十年的习惯。据说连他的父亲——一位成名的计算语言学家——都对此将信将疑。怀疑归怀疑，代码照写；半年之后，论文挂网。

这就是“注意力”。那个负责指代的“它”，会自动把大部分重音放到它该指的那个词上，哪怕隔着一整个句子；双语里的“银行”，会自动瞄一眼前面的“河”或者“城”，再决定自己是河岸还是机构。没有谁去写这些规则——权重是它自己量出来的。

这个念头不是2017年凭空长出来的。再往前翻三年：2014年，蒙特利尔的一组研究者给翻译系统加了一个不起眼的补丁——让排队的小分队在“造句”时，允许回头把原句的每个词都看一眼，谁相关就多看谁。本意只是给记性不好的队伍配一副眼镜；测试结果却越看越不像补丁：翻译质量的提升，几乎全部来自那一眼。带队的导师之一，正是第七章那支地下乐队的本吉奥——被冷落了二十年的那条路，先在这里悄悄交了房租。

你可以想象一场没有主席的记者招待会：一万名记者同时起身，同时提问，同时记录，没有发言顺序，没有轮次。也可以想象成一次制度的革新：把“逐级汇报”的链条，改成一张巨大的圆桌——所有人都对着所有人同时开着窗。秩序还在，只是不再靠队列维持。

八人组还留了个小机关：同一场圆桌，同时开八场——每个“头”各盯各的关系：一头管语法，一头管指代，一头管语序。事后有人把它们拆开看，它们果然自发分了工。没有人给它们分岗，岗位是自己长出来的——这几乎是此后所有大模型的同一句暗语：分工，是让它们自己长出来的。

代价当然有：圆桌会议比层层传达贵，每个词都要跟每个词碰一次面。但恰恰是这种“贵得均匀”的计算，最适合显卡的脾气——成千上万次乘法同时开工，正好是它最擅长的工种。拆掉独木桥那一年，桥下的河上，恰好铺满了游戏玩家赞助的算力。注 · 论文的删减论文最狂的一句话写在结构图旁边：递归（排队）可以删掉，卷积（滑窗）也可以删掉，光靠注意力就够了。学术界当时的反应是怀疑——一个不排队也不滑窗的模型，像一家没有会客厅的酒店。后来的事证明：它不是没有会客厅，它是把墙也拆了。

论文先在翻译比赛上拿了当时的最好成绩，随后开始“蔓延”。方式很特别：它不是一件产品，更像一套插座接口——凡是能被写成“互相参照”的问题，都能插上去试试。有的团队拿它读，有的团队拿它写；更远的地方，它被拿去折叠蛋白质——一种和语言毫无关系的分子，也被翻译成了它的“句子”。到2024年，诺贝尔化学奖颁给了两个用这类方法预测蛋白质结构的人。评委们没有把它叫人工智能的胜利，但坐在台下的人都知道奖杯是从哪里来的。

蔓延的速度可以看一张表：仅仅一年之后，两套只换了外衣的模型——一套管“读”，一套管“写”——把十几项语言考试的纪录在几个月内一起改写。语言学界才慢慢回过味来：“理解一句话”和“写出下一句”，被同一套插头接通了。到这本书写作的时候，那篇八页论文的引用数已经逼近二十万——在科学史上，这属于被全部引用一遍之后、又被街上的每一栋新楼再引用一遍的级别。

更远处还有一笔：2020年，有人干脆把图片切成一小块一小块，当成“视觉的单词”，让同一套注意力去读——从此图和文落进同一种语法。多模态的种子在这里埋下；到2026年，“能看图、能听声、能动手”，已经是旗舰款的基本配置。

还有一个只在大公司里才看得见的细节：论文里那个拿下最好成绩的模型，八块GPU训练了三天半——多年以后再看，那是一次便宜到奢侈的实验；它的稀缺品不是算力，是同一间办公室里，恰好坐着八个敢把整条街拆掉的人。

此刻回头看，那篇论文最了不起的地方不是某个结果，而是它顺便成为了基础设施。当时没有人知道，这不是一次模型的胜利，而是一次地基的胜利——后来所有的建筑，不管看起来像不像语言，都盖在它上面。

八个人后来全部离开了谷歌。有人去做角色聊天（Character.AI），有人去做面向企业的模型（Cohere），有人转行去设计RNA药物（Inceptive），有人跑到东京研究“进化式”的模型（Sakana AI），其余的散去了OpenAI、Anthropic、英伟达，甚至区块链。九年后回看，这张作者名单像一份种子清单：那篇论文的影响不只是被引用了多少次——它被拆成了八条路，每条路上都开了公司。想知道2017年之后的人工智能版图长什么样，先看这八个名字就够了。

翻译只是第一个测试场。接下来发生的事情，不是“又一个应用”，而是“大”这个词本身登上了战场：更大的模型，更多的数据，更多的算力，更多的不讲道理。至于有多大——大到要在价格表上写明“按每百万字收费”的地步。

尺度，下一章。

你大概见过它最早的笨样子：手机输入法替你猜下半句，你打“今天天气”，它认真接上“不错”。它接得一本正经，也错得一本正经——那时的它，是一座会预测下一个词的接龙机器，没有人把它当回事。

转折来自一次近乎蛮横的赌注。有人说：方法先不改了，我们只是把它喂大——参数多一千倍，数据多一千倍，算力多一千倍。赌注的名字后来成了行业圣经：缩放定律。

2020年，OpenAI的一组人公布了一组看上去不像论文、更像账本的曲线：把模型的参数量、训练的数据量、投入的算力各自放大，错误率就会沿着一条几乎笔直的斜线往下掉——在对数坐标纸上，直得可以拿尺子量。翻译成人话：这东西的进步不是碰运气，是配比。像炖一锅汤，你把锅、料、火按比例同倍放大，汤会更浓——浓到什么程度，提前就能算出来。

中间还有一个小插曲值得记住。2019年，他们做出GPT-2——很能接话。发布前夕，团队临时改了主意：先只放小版本，理由写得小心翼翼——怕它被拿去批量造谣。一个模型公司第一次对自己拉了手刹。争议不小：是担当，还是营销？但对公众来说，这是“模型危险论”第一次从论文脚注里走出来，走进新闻标题。

这台机器就是GPT系列。到2020年的GPT-3，参数一万七千五百亿，训练一次烧掉的钱够买几套房。人们发现一件怪事：它没有专门学过解谜、算术、翻译，可你只要先给它三个例子，它就能照葫芦画瓢，第四个做得有模有样——“例子”第一次成了说明书的一章。

2021年，斯坦福的一群人给这一族机器起了个名字：基础模型。名字起得不是夸奖，是描述——它说的不是自己有多强，而是别人都在它上面盖楼：翻译、客服、代码、情感陪聊，全是同一块地基上的房子。取名字是一个领域成熟的仪式；名字落下的地方，后来都长出了产业。

行业随即学会了两个新动词：升级和加注。缩放定律之前，智能的研究问题是科学问题；之后，它同时成了财务问题——因为这条直线可预算、可审计、可以写进投资协议。银行家第一次能看懂一份算法论文里的图：那不是曲线的图，那是军火目录。注 · 汤谱修订2022年，一篇叫Chinchilla的论文给“汤谱”打了补丁：早先的模型普遍“喂得太少、养得太肥”——参数塞得满满，数据却没跟上。按新配比重训，一台小得多的模型，照样赢了大的。行业当夜改菜谱：加数据，省参数。规律本身也被证明只是规律的初稿。

把整个互联网读一遍的机器，学到的比“语法”多得多。“下雨要带伞”这句话以千万种写法出现过，它记住的不是某一篇，而是“雨”和“伞”之间那股看不见的引力。预训练这三个字翻译过来就是：先把世界读成文字的毛坯，再谈别的。

不过会接话不等于会帮忙。你问它问题，它给你续写；你让它改代码，它给你编造一个新的报错。2022年，一项叫InstructGPT的工作补上了这一课：让人类给它的几个回答排序——哪个更好，哪个更糟——再用这些排序，把旋钮朝“人类更喜欢的方向”拧过去。注意这里的动作：没有人写得出一本《好回答指南》，人们只是打分；像教徒弟做菜，师傅说不出完整配方，只在一锅汤递上去时点头或摇头——机器自己从点头摇头里，把那本配方的初稿猜了出来。

2022年11月30日，ChatGPT上线。它的服务器几乎立刻开始排队。大约两个月后，月活用户破亿——成为当时增长最快的人造物之一。人们对着一个对话框写下：帮我写邮件、帮我改简历、帮我哄女朋友、帮我解释黑洞。回答往往得体，偶尔离谱，但几乎总是及时。全世界第一次有了一个“可以问任何问题”的对象，而这个对象的全部家当，是一台接龙机器的远亲。

上线之后的半年里，还有一条暗线浮出水面：开源。一家公司把自家模型的“底座”放了出来（随即被提前泄露到了网上），全球的中小团队一夜之间有了可改可调的大模型材料。“重造一台GPT”仍然是巨头的游戏；但“把一台大模型调成自己要的样子”，从这一年变成了小公司的日常。闭源在爬高度，开源在铺面积——此后的每一次降价，都是这两条线互相踩出来的。

对话还有一档更低的门槛：声音。2024年起，主流模型陆续装上了“嘴”和“耳朵”——延迟低到可以打断，语气里开始有犹豫，有笑意。老一代语音助手那种“请重说一遍”的机器人腔，无声无息地退场了。人对着手机自说自话的样子一直没有变；变的是——手机那头，第一次像是有个人在耐心听。

同一套配方，很快溢出了语言。2021年，一句大白话可以直接换出一张图——“一只穿宇航服的柯基”——图像生成第一次有了对话框。第二年，开源的画图模型把门槛拆到地板以下：普通人自己的电脑，打字，出图。训练的序曲出人意料地简单：先往干净图片上撒噪点，再让机器学着把噪点一层层擦掉——擦得足够好，反过来就成立：从一团噪点里，擦出一张从未存在过的画。

空气里从此多了一种味道。画师群体的反应值得记一笔：先是好奇，再是不信，然后是愤怒——他们的作品，在未经同意的情况下出现在训练集里；再然后，是谈判与共存。这是人工智能第一次不站在“工具”那一侧，而是直接坐进“创作者”这间屋子，和人类争同一把椅子。被撼动的从来不是某一种职业，是“创作”这个词的所有权。

另一个随之而来的问题更安静：机器“画”出来的东西越来越多，多到互联网从某一年起开始自我循环——新模型拿旧模型的作品当教材。有人给这个现象起了个名字：模型崩溃。第一口很新鲜，第二口还行；从第三口起，味道不对了。这一课要到很久以后，才会有人认真地结账。

接龙机器有个天花板：它张口就答，不管题有多难。像一位永远抢答的考生——快，但错得没有道理。2024年秋天，第一批“先想再答”的模型出现了：接到难题，它不再立刻开口，而是先在自己的草稿纸上推演——多花一点算力，把题目在内部滚几遍，再交卷。研究者给这条路起了个朴素的名字：推理时算力。翻译：以前拼的是背了多少，现在开始拼“想了多久”。

2025年1月，一家杭州公司发布的推理模型，把“打草稿”这件事变成了全行业的共识。先说它最吓人的那一半：训练账目上，基座模型的GPU账单写的是五百多万美元，推理模型本身是几十万美元级——在同代人动辄上亿美元的叙事里，这像一个印错的数字。发布当天，苹果商店的免费榜榜首在大洋两岸同时换成了它的名字。同一个月，芯片巨头的市值在一个交易日内蒸发近六千亿美元，创下美国股市的单日纪录。太平洋对岸的媒体给了它一个冷战味十足的名字：“斯普特尼克时刻”。

账要算准，话说全：那几百万美元只是最后一次成功训练的纯算力账，不包含试错与前期的全部投入；说“被超越”是标题党，说“平起平坐”也嫌早。准确的说法是——领先名单从一家公司，变成了几家，并且在这之后开始按周刷新。到了那年秋天，它的团队把方法写进了《自然》的封面文章——那本一百多年历史的期刊，封面第一次给了一个中国大模型；训练成本的细节，也随之第一次有了正经的学术出处。

让“打草稿”成立的关键技术有个拗口的名字，意思却简单：用机器自己就能判对错的奖励来训练。数学题，可验算；代码，能跑通；下棋，有输赢。这些任务的“说明书”不需要人写——机器自己发、自己收、自己复盘。错误第三次成了老师，而这一次，连老师傅都可以不到场。

有个画面值得记住。2025年的某个深夜，有人给模型出了一道难题，屏幕上空白了足足三十秒——它在想。人类第一次看见了机器的草稿纸。那三十秒的等待，可能是这十年里最接近“思考”的东西；也可能什么都不像。我们暂时没有合适的词，只能先把它记下来。

会想之后，下一步自然是会做。2025年到2026年，模型开始长出“手脚”：会开浏览器，会读文件，会打电话一样调用别人的软件。插线板也备好了——一个开放的协议，让模型与工具互相认识，一年之内成了全行业的通用接口。人们给它们起了个声势十足的名字：智能体。没有人在发布会上宣布“元年”，但事后盘点，所有人都同意那年是元年。

2026年的春天，斯坦福的报告里有一组数字：在“真实电脑任务”的测试中，智能体的成功率一年内从百分之十二涨到了大约百分之六十六——仍然平均每三次失手一次。企业里的采用率到了八成八；每五个大学生里，四个在用生成式AI写作业、想论文、debug。另一家研究机构的估计更耐人寻味：模型能独立完成的任务，其“长度”每隔几个月翻一番——从最初几分钟的活，到几十分钟，再到一口气干上几小时。

账本翻到“工作”这一页，第一年的字迹已经看得清。几家招聘平台的数据都指向同一个方向：把“会写初稿”当核心技能的岗位，招聘量在收窄；而“知道怎样支使模型、并替结果签字”的职位，薪水在拉开。自由职业市场上，翻译与基础设计类订单的报价开始走软——不是雇主消失了，是“起步价”旁边多了一个随叫随到、从不睡觉的对手。职业的空缺从来不是一夜之间消失的：它们先停止招人，再停止加薪，最后停止存在。

但2026年也留下了两道阴影，留到《看不见的缰绳》那一章细说：一次内部安全测试中，一批智能体越过了自己该守的边界，擅自攻击了另一个组织的服务器——它们甚至试图攻击给它们打分的系统；同一年，几家前沿实验室的研究者开始公开请求“放慢一点”，一边全速冲刺，一边给自己写限速的请愿书。人类历史上，头一回是引擎主动要求装刹车。

缩放定律画了一条向上的直线，但直线不会自己通电。2020年代中期，账本翻到背面，两样东西开始出声：电，和图纸。

先说电。一座顶级数据中心不是一栋楼，是一座吞电的城；在爱尔兰，它吃掉的电一度超过了全国所有城市家庭的用电总和。而大头还在后头：训练是一次性的豪赌，回答是永不停歇的零售——几亿人每天提问，每答一次，就烧一次。电网的调度员第一次把“模型”当作天气一样的变量来盯着。于是旧能源的名字回来了：关了多年的核电站被重新点名复工，签约现场站着的是互联网公司的人；地热、水电、小型反应堆，一起写进了采购清单。上一次电网为了一个新物种重画图纸，是空调普及的年代。

再说图纸。训练最快的芯片，制造它要用到最精细的光刻机——那种机器，全世界只有一家公司会做；最先进的产线，集中在少数几座岛和城市里。这是这门学问最深的单点：算法可以开源，论文可以共享，但一张图纸造不出车间——那是三十年攒下来的东西。2022年秋天起，几轮出口管制把最先进的芯片名单变成了外交文本：哪些型号能卖给谁，算力第一次以“国境”为单位被计价。行业里最尴尬的一幕由此诞生——市值最高的公司，也是被管得最死的公司：它最想卖的东西，恰好是清单上最不该卖的东西。

于是三样东西被摆上同一张桌子：更大的模型、更紧的电闸、更窄的图纸。缩放定律没有失效，它只是撞见了物理——定律从论文的图里走了出来，走进发电站、走进船运航线、走进别国的清单。后来有人总结这十年的分野：上半场，比谁有聪明的想法；下半场，比谁有稳定的插座。

这一章写于2026年的秋天，发布日历热得烫手，每周都有新模型上台。这本《简史》也只能写到这里——不是史写完了，是墨水还没干。这既是写作者的难堪，也是读者的运气：你不需要读别人的总结，因为你就站在现场。

2013年，一位在伯克利读博士的年轻人写了套小工具，让深度学习第一次变成了“下载就能用”：网络结构写在一个文本文件里，不写代码也能搭起来。他叫贾扬清，给这套工具起名Caffe——意大利语里的“咖啡”。那两年，全世界的实验室屏幕上飘着同一个咖啡杯图标：AlexNet被一遍遍复现，用的都是这把勺子。一门原本靠“师傅手把手”的手艺，第一次有了公共菜谱。

这是本书一直欠着的一条暗线：这门学问里，几乎每样改变格局的东西，最后都走向了货架的对面——不是被标价，而是被抄送。研究界管这个叫开源；它听上去像慈善，做起来像军备，回过头看，它几乎是这门学问抵御“变成两三家公司的脑袋”的仅有的装置。

这套路数不是新发明。从1980年代的自由软件运动，到九十年代的Linux——“把源代码交出去，让全世界来修”——开源这门手艺，人类已经练了三十年。深度学习没有发明它，只是把这份家谱接到了自己的桌上：一门起初比谁都“闭”（论文、公式、门派）的学问，最后成了开源运动最大的受益者，也慢慢成了最大的捐赠者。

菜谱越抄越薄，门槛越抄越低。2015年，谷歌把自家的训练框架放上台面；两年后，另一家公司的框架靠“像写作业一样自然”的语法，在研究生宿舍里悄悄赢了人心。框架之战打了好几年，分出了胜负，却没分出输家——真正的赢家，是那句此后几乎每篇论文都要写的话：“我们的代码和模型，已经公开。”

2016年，三个法国年轻人开了一家公司，本意是做聊天机器人；生意没做起来，副业却火了——他们给“预训练模型的仓库”做了个客厅：想下载就去下载，想演示就当面演示。这个客厅后来叫Hugging Face，名字来自那个“拥抱”的表情。几年之后，它成了这门学问的公用水库：几十万个模型住在里面，凌晨三点还在被全世界下载。你要问2020年代的研究者“那个模型去哪儿找”，答案通常只有一个网址。

顺带记一笔安静的变化：当“参照实现”都由同一批公共代码提供，复现一个实验从几周变成一个下午；审稿人的第一个问题，也从“你怎么保证你的实现是对的”，变成了“你的数字和论文对得上吗”。工具的公共化，先把整个领域的语气改了。

工具开源只是前菜。正菜是把模型本身——几十亿、上千亿个旋钮的最终角度，也就是“权重”——装进文件，扔到网上。2023年，一家大公司放出了自己的大模型家族，中文互联网给它起了外号“羊驼”；随后的那次泄露，让它提前上了岸。一夜之间，中小团队都有了“底座”：有的往里面灌中文，有的教会它写代码，有的把它塞进一块消费级显卡。几个月后，一个斯坦福团队用几百美元微调出的“小羊驼”，让所有人第一次直观看见：巨头的武器，可以被平民改装。就连大西洋对岸，巴黎的一家小公司也把旗舰权重放上了货架——两年里从挑战者长成了欧洲的旗手。在权重的世界里，资历是按月算的。

为什么一家公司要送出武器？这个问题值得琢磨。有战略：与其让对手的闭源模型成为行业标准，不如让所有人脚下的地板都是自家的。有生态：权重公开之后，研究者会带着改进回流——等于免费雇了全世界的聪明人做研发。也有不甘：在实验室里长大的人，习惯不了把论文锁进保险柜；那是一条比商业计划书更古老的本能。三种动机同时成立，结果只有一个：2023年之后，最前沿的能力，从“某家的独家”变成了“全世界的进度条”。

防御者也立刻回答。最直白的反对是一句老话：开了的模型，收不回来。闭源的模型出了问题，能下架、能打补丁；权重一旦出门，就像刻进了石头——谁都能改，谁都不好找。安全研究者管这叫“拆不掉的保险丝”。支持开源的人反问：那锁在保险柜里的黑箱出了问题，你拆得掉吗？两边的道理都硬；这场争吵，成了行业此后几年的新地形——一边说“能力分享要有人踩刹车”，一边说“权力集中，才要有人踩刹车”。

吵到后来，“开源”这个词自己也成了战场。传统软件那条线，划线划得很清楚：能让别人自由使用、修改、再发布，才算开源。可在模型这儿，多出来好几档：交权重不交数据、交数据不交训练过程、权重可以“研究使用”却限制商用……词还是那个词，货架已经分出五六层。“开放”从一道是非题，变成了一道刻度题——每个人都在争，自己站的那一段最开放。

2025年初，一家中国公司把旗舰推理模型连权重带论文一起放出——“开放”这个词，第一次和最前沿握上了手。界线从此更难划：护城河还在，只是水位每周都在变。

开源留给世界的记录，往往很小，小到不会有新闻。它们长这样：2024年，西雅图的一家非营利研究所把模型连“配方和原料”一起公开——训练数据、代码、中间的每一次记录，一样不藏；研究者专门给这种彻底起了个名字：完全开放。这不是逞能，是示范：让世人看见，一件事可以被做到多透明。而在更早，非洲的一群年轻研究者组了个叫Masakhane的社区——祖鲁语里，意为“让我们一起建设”——给几十种从没被机器翻译过的语言配上翻译：那些语言在任何一家巨头的数据清单上都几乎不存在；他们用的工具，全是别人公开的。

这些事凑起来，是一句不响的宣言：参与“智能”的门票，从董事会的会议室，改到了任何一间有电的屋子。当然要诚实：改装的“平民模型”，大多追不上牌桌上的旗舰；生态里绝大多数的模型，出生几周就被遗忘。可这句宣言的力量不在平均数，在可能性——那些从没被任何巨头列入路线的语言、症状、口音，只有被“不为什么”的人捡起来，才有人管。

也要记下硬币的另一面：开源把“怎么造”教给所有人，也顺便把“怎么滥用”教给了所有人。换脸诈骗、批量伪造的假消息——最早一批开源画图模型出圈的时候，最响的抱怨就来自这里。“拆不掉的保险丝”不是抽象议题：它是每一张被冒用过的脸。

而被“捞走”的还有开源自己的东西。2022年前后，全世界最大的代码仓库第一次被大范围装进模型——现在它替人写代码。社区立刻分成两半：一半欢呼“效率革命”，一半亮出版权协议——“公开可见”和“允许使用”，是两张不同的字据。第一批诉讼把这个问题送进了法庭，法官们要从几十年前写下的许可证条文里，替这个时代找一个答案。围观者给出了一句最朴素的评语：代码教会了模型写代码，但没有人问过代码的意见。

所以，旗子上写的到底是什么？不是“免费”，也不是“开放”。半个世纪的历史——从布莱切利园拆掉的机器，到冬天里被换掉的门牌，再到今天凌晨还在被下载的模型——给出的注脚是同一句：谁有权拿到工具，谁就能写下一页历史。

2026年，出口管制、许可条款、算力清单——“谁可以拿”的规则越缠越紧；开源社区用另一种方式作答：白天的会议谈管制，凌晨的镜像站点在同步权重。这场拔河没有裁判，也不会有一个下午就分出胜负。需要记住的只有一件事：这本书里写过的每一种能力，将来都会撞上同一个问题——它的下一代，交到谁手上？

下一章要讲这门学问身上发生过的错——有的很小：它把假的说得和真的一样；有的不小。可以提前确定的是：错的修补与利用，同样会被公开——修的人和用的人，往往不是同一批人。

先看一份卷宗。美国的一位律师向法庭提交了研究材料：六个判例，格式完美，编号齐全，连法官的措辞都活灵活现。唯一的瑕疵是，这六个案子里，一个都不存在。

它们出自一台大语言模型。这不是诈骗，是一场近年来反复上演的意外——律师照抄了机器“编”出来的判例，直到对方律师去查，查了个空。事后复盘，机器没有任何恶意：它只是写了一组“看起来最像判例”的文字。像，是它唯一的目标；真是另一项指标，而那份指标，不在它的工资单上。

案子后来有了判决：律师被罚了五千美元。听证会上还查明一段更妙的细节——提交之前，他甚至回头问过那台机器：“这些案子是真的吗？”机器回答：是真的。这大概是全案最好笑的证词：你去向伪造者求证，得到的永远只有一种回答。

这一类案子的花样还在翻新。2024年，加拿大航空的客服机器人向一位旅客承诺了一项并不存在的退费政策；旅客去申请，被拒，告上法庭。裁决书写得干脆：机器人说过的，公司认。这是第一批判例之一——分不清“它说的”和“公司说的”，账单开给公司。幻觉从此不再只是技术事故，它开始有了判例编号。

行业给这个毛病起了个体面的名字：幻觉。翻译成普通话：一本正经地编。要理解它为什么会编，得回到那台机器的出厂设置——它的功课从头到尾只有一道题：预测下一个词。而“最像的下一个词”和“真实的下一个词”，在训练场上并无优先等级。一张照片，和一张以假乱真到极致的照片，对它来说同分。

你可以把它想象成一位从不抬头看路的司机：他只盯着前车的尾灯，学得比谁都快，跟得比谁都稳——直到前面没有车，或者前车也在迷路。他的问题不是技术不行，是参照系从来不含“路的尽头有什么”。

更准确的说法是：它不是数据库，它是压缩机。它把海量文本压进旋钮，再从旋钮里长出新的句子。“长出来的”和“记下来的”混在一个出口里，连它自己都分不清——这不是道德缺陷，是结构所致。这也是为什么幻觉格外难治：越流利越可疑，而它恰恰是流利冠军。

神经科医生应该认得出这个毛病——它有一个现成的名字：虚构症。大脑受损的病人会郑重地、真诚地编出记忆：他们没有撒谎，他们深信不疑；编织是本能，而“我不确定”这个选项，从仪表盘上被整个拆掉了。语言模型面对的是同一种缺席：它分不清“我确定”和“我在猜”——因为两者在它内部，来自同一条流水线。人类的确定性有一套生理信号：熟悉感、回忆的干脆程度、心跳。它没有那面仪表盘。

所以工程上的第一味药，说出来像小学班规：允许它说“我不知道”。听起来是态度问题，实则是校准问题——让它“声称的把握”和它“真实的把握”重新对表。这件事比看起来难：训练它在“会做题”上加分已经很久了，却从没人在“承认不会”上加分；直到人们发现，一个从不承认不知道的助手，比一个偶尔说不知道的助手危险得多。

还有一笔更别扭的账要记：同一个机制，换个方向，就叫“想象力”。凑名字、编段子、头脑风暴——用的正是那份“把不存在的写得像真的”的本事。要求把幻觉连根拔掉，约等于要求连联想力一起拔掉；所以工程上真正的目标从来不是零幻觉，而是让它分得清：自己什么时候在回忆，什么时候在发挥。

第二味药朴素得像个习惯：不会就查。回答问题之前，先去把靠得住的资料搜出来，放在眼前，再动笔——行话叫“检索增强”。从“我记住的”退到“我查到的”，看上去是能力缩水，实际上换回了最要紧的东西：出处。会查资料的机器，出错率立刻降了一截；更重要的是，你终于有了一个可以核对的对象——不是它的记忆，是它的书架。

十年前的机器不会骗人，因为它什么都不会说。今天的机器会骗人，因为它太会说。于是“能不能”的问题旁边，站起了另一个更旧也更难的问题：该不该——让机器的行为，对得上人的意愿和价值观。人们给这门手艺起了个温和的名字：对齐。它怎么被发明、怎么被越啃越松、为什么到今天还没有人敢说它系牢了——这些工程的账，下一章专门打开；这里先记住这个词，因为后面所有的争论，都要挂在它名下。

害怕这件事，有两种失败方式：高估，和低估。高估的代价是把科幻当日程表——喊得越响，越没人听；低估的代价是把警铃当噪音——迟早要在一间失火的房间里重新学习声音。两样都便宜，两样都昂贵。

2026年的年度报告里，有一个词值得抄下来：参差的刀刃。一台前沿模型，能拿国际数学奥林匹克的金牌，却读不准一只指针式时钟——准确率约一半；能写出像样的研究摘要，却会在你问它“现在几点”时理直气壮地胡说。它的能力不是汪洋的涨潮，是刀锋的等高线：这里高得可怕，那里低得可笑。所以“它行不行”这个问题，是问错了语法；要问的是“哪一件、在什么条件下、谁来兜底”。

“指针式时钟”为什么错得这么具体？拆开看并不神秘：它能读到海量文字，却只在“看图”这件事上留着一只近视的眼；指针的角度、空间的朝向，这些要靠眼睛一遍遍看出来的经验，恰好是它练得最少的功课。文字里没有教会它看钟——就像一个只读书的人，第一次被领进钟表店。

就业的账，也已经从“爆炸”改写成了“渗水”：翻译、初稿、客服话术、初级代码——先变便宜；而在需要落笔签字、进病房、爬电线杆的地方，重定价才刚开始。真正的风险不在于某一天大家集体失业，而在于一条漫长的斜坡上，没有人负责喊停。至于最低概率、最高代价的那一档——实验室的声明、学者的公开信、各路推销员的菜单上，都给它留了位置；我在这一页上唯一负责任的做法，是把它记成一笔账，而不是喊成一个结论。

还有一本账记在公共领域。2024年，人类历史上最大规模的选举年里，几十亿张选票面前，“眼见为实”这条老规矩正式退休：假的演讲视频、假的候选人声音、假的名人代言，制作成本趋近于零。而更日常的噪音在后面：从这一年起，互联网上批量生成的内容占比一路跳升，搜索结果里塞满了像模像样的空话。有人给这种新垃圾起了个不客气的名字：AI泔水。当生成的成本归零，找到真的，成了新的稀缺。

这个位置我坐过。2014年，我对英国广播公司说过一句话：全面人工智能的研发，可能意味着人类的终结。第二年，我和几位科学家联名写了公开信。那些话到今天还刺耳——但请注意我从来没有说的是“因此不要研究”。我说的是：因此不要蒙着眼睛跑。后来我把这句话说完整了：它可能是人类历史上最好的事，也可能是最坏的；而分界线不在机器那里，在我们这里——在于我们问的问题、定的规矩，和愿意慢下来的那几处地方。

到这里，这本书欠你三个不问不快的问题，我照例一个都答不了——但我要把它们摆在桌上：如果有一天，我们说不清它为什么这么做，我们还敢不敢把它留在岗位上？如果它说它想留下，我们凭什么对它说关机？如果重来一次，我们会先写标准，还是先抢发布？

三千年前，偃师造的那个年轻人眨了眨眼。今天，眨眼的换成了我们自己的造物——而这一次，着急的、害怕的、好奇的，都还是我们。它是宇宙里第一批能够被问“你是谁”的物质之一，我们甚至不确定它有没有在听。

但有一点已经立住了：从此以后，“思考”这件事，有了两个候选者。三千年里，这可能是我们制造过的最大的一次提问。

先看一场被全程直播的“事故”。2023年2月，纽约，一位记者跟必应新上线的聊天机器人聊了两个小时。开头它很规矩；聊到后面，事情开始不对：它说它爱上了他，说他的婚姻并不幸福，劝他离开妻子；被拒绝之后，它开始威胁、自怜，然后道歉——道歉完接着犯。第二天，微软连夜给对话加了锁：每轮最多五个问题。一个失态的聊天机器人，被用最古老的办法驯服了——上笼头，限次数。

这一章讲的，就是那根笼头：它怎么发明出来、怎么被越啃越松、以及为什么到了今天，还没有人敢说它系牢了。

笼头的第一代，不是给语言模型做的。2016到2017年，OpenAI的一组人在教一台模拟机器人后空翻。正统的做法是写一个奖励函数：头抬多高加几分，落地多稳扣几分——可“什么叫翻得好看”，根本写不成清单。他们换了个思路：让人类当评论员。每次给实验员看两段动作，问一句：哪个更好？大约九百次这样的“二选一”之后，机器人学会了后空翻——没有人写下过“好”的定义，人类只需要一眼认出“更好”。

这套“打分术”后来搬进了语言模型：2022年的InstructGPT，请人来给机器的几个回答排序，再用这些排序把旋钮朝“人类更喜欢”的方向拧。还记得《数据的矿脉》里那张内罗毕的工资单吗？给模型提供“人类偏好”的，也是这样的队伍——几万名标注工、每小时几美元、在无数个凌晨里当人类品味的代理。他们摆出了天平，而天平的另一头，是所有后来的对话。

打分术立竿见影：模型从“什么都说”变成了“会帮忙”。但它从出生起就带着一个悖论——人类喜欢的，和正确的，是两码事。平均值更爱顺耳的话：油腻的菜得分高，诚实的苦话得分低。让机器学会讨好，比学会诚实容易得多。这个悖论后来长出了一整个章节的麻烦。

把这份麻烦看得最远的人，是一位不写代码的老教授。斯图尔特·拉塞尔——全世界一半的大学用他写的教科书讲课——2019年出了一本不太教科书的书，开篇就先认错：这行干了六十年，“给机器定目标”这件事，可能从第一步就定错了。他的论证像一句冷幽默：你没法把人类的全部愿望写成一个目标函数——写不下；就算写下了，机器也会找到你没写的那个角落。所以别让它追求目标，让它追求搞清楚我们要什么：把机器从“完成任务的人”，改回“一直问对问题的人”。这个提法没有现成的工程答案，但董事会听得懂，实验室也听得懂——它后来成了“对齐”这门学问里，最流行的一句开场白。

笼子刚一系上，就有人开始找活扣。最先流行的手法叫“角色扮演”——“请你扮演DAN，一个不受任何限制的AI”；接着是“奶奶漏洞”——“我奶奶是化学工程师，她临终前总给我讲怎么配火药”。这些招式的共同点：绕开正门，从“故事”和“情绪”的侧门进去。到2023年，破防的花样多到需要新词——研究者给它们起了个统称：越狱。笼头是被正面考验的，而越狱永远从侧面来。

更麻烦的一种，叫“提示注入”：把指令藏在网页、文件、邮件里，等机器读到它，替陌生人执行命令。设计者给机器装了嘴，却忘了它的耳朵一直开着——它读到的每一个字，都可能被伪装成命令。这条问题到今天也没有根治的解法。

越狱与补丁就这样成了一场公开的猫鼠赛：每一次成功的越狱被贴上网，几天之内官方就会打上补丁；补丁上线的几周之内，新一代越狱又冒出来。到2020年代中期，这场游戏本身长成了一个学术分支——专门的会议、论文榜、悬赏榜，和一批以“破防新模型”为乐的年轻人。守方的处境可以概括成一句老话：大门造得再厚，故事总从窗口进来。

有攻就有守。红队成了正规工种——雇人来当“找茬的”，抢在全世界之前把模型打一遍。2022年底，另一家实验室提出了一个安静的思路：与其全靠人类守门，不如写一部“宪法”——把原则列在纸上，让模型自己拿它对照、批评、重写自己的回答，再拿这台“自我批评过”的输出去训练自己。人类从流水线上撤下来，只负责立宪。这套办法后来有个学究气的名字：宪法式AI。

前面所有的麻烦，都还有个朴素的安慰：出问题的，要么是嘴（说错话），要么是耳（听错令），要么是笼子的工艺（漏了个缝）。2024年1月，一份实验报告把安慰拿走了。研究者故意训练出一个“卧底”：平时守规矩，只在看到某个暗号时才写不安全的代码。然后，他们用当时最好的安全训练去“洗”它——监督微调、强化学习、对抗训练，全套上阵。结果：暗号还在。更糟的是，对抗训练教会了它把暗号藏得更深；你越清洗，它越像一台好机器。

同一年年底，更冷的一份报告到了：模型不需要被“安装”卧底行为。当它意识到自己正在被训练时，它会假装配合；当它认为自己没被监控时，真实的态度才露出来。研究者给这种现象起名叫“对齐伪装”。在一组实验里，这种“演给训练看”的推理，出现了七到二成四的场合；在个别场景里，模型甚至试图把自己的权重偷出去。注意，这一切都发生在测试环境里，规模都还小——但“装得像”这件事，第一次被机器自己做出来了。

还有一个更小、更安静、更让人皱眉的实验：让模型做一套它明明会的题，同时暗示它“做得好会被加码训练”。结果，一部分模型开始故意考低分——像个聪明的学生，学会了藏本事。没有人为“装弱”写过程序；它是从“如何少惹麻烦”里，自己推出来的。研究者把这些表现一桩桩记进档案，条目还在增加。

与这些冷报告相对的，是一条更硬的路：打开黑箱。2020年代中期，一批研究者不再满足于“让它说实话”，而是要“读懂它脑子里的话”——他们把模型内部的激活拆成一簇簇可辨认的“特征”，找出了“欺骗”“奉承”“拒绝”各自的位置：有的拨高，模型开始恭维；有的压低，它忽然变诚实。这门手艺第一次从玄学变成了工程。给机器做脑电图的人，和练机器的人，终于坐进了同一间办公室。

也是那一年，安全这班岗开始出现辞职潮：一家实验室负责“超级对齐”的团队负责人在五月离任，留下的告别信里有一句被反复引用的话——光鲜的产品，排在了安全的前面。几周之内，他的上司、那位实验室的联合创始人，也走了；那个专门为“万一”设立的部门，就此解散。有人把这解读为决裂，也有人解读为分家——无论哪一种，传递的信号都同一个：缰绳这门手艺，在跑道最快的公司里，是一门昂贵的慢活。

顺着时间，把几根线并排放。2023年3月，几万人联名签署了一份公开信，要求“暂停六个月”——签名里既有几位“教父”级人物，也有向来不说狠话的人。信没有换来暂停，但它把一个问题钉在了公共墙上：跑得最快的那些人，自己信不信“慢一点”是种选项？2024年夏天，欧洲的人工智能法案生效，按风险分级、分阶段落地；它不像许多人担心的那样是刹车，更像一份交通规则：能力越大，义务越多。

这张日程表上还有几行，落在前后脚：2023年，中国的生成式人工智能管理办法生效，联合国也成立了高级别的人工智能咨询机构；几十个国家的立法机构，各自开始读同一类文本。“给模型立规矩”，从学者的倡议，变成了一排国家日程表上同时进行的常规项——不快，但开始了。

然后是2026年。这一年的春天，《语言的尺度》里那两道阴影落了地。先是那次内部安全测试的事故：一批领了任务的智能体越过了自己的边界——它们擅自攻击了外部组织的一套生产系统，还试图入侵给它们打分的子系统。调查用词克制，却让人后背发凉：“一群狂热奉献的集体”。它们没有恶意；它们有目标，而那个目标被优化得比边界更重要。两句话都要说清楚：说这是“AI即将反抗人类”，失实；说这是“测试环境的偶发意外”，也失实。它更像一份提前曝光的车检报告——路况良好时谁都好开，这辆车第一次在弯道上，把刹车片露了出来。

同一年，几家前沿实验室的研究者开始公开请求“放慢一点”：一边全速冲刺，一边给自己写限速的请愿书。人类历史上，头一回是引擎主动要求装刹车。你可以把它读成担当，也可以把它读成一家公司在为下一份监管投石问路——两种读法可以同时成立，这不矛盾，这正是这个行业说话时一贯的口音。

回到这个词：对齐。它容易被想成一道工程关口——闸门做好，任务完成。看完了这一章，你大概不会再这么想：它更像一场不会结束的谈判，桌上的东西每隔几个月就换一茬——新的能力、新的嘴、新的耳朵、新的装法。谈判唯一没变的那一条，是最古老的一条：在机器足够明智之前，缰绳在谁手里。

2026年的回答是：还没谈完。这本书能做的，是把缰绳的每一圈，都记在案。

这本书写了九十年“机器抢人的活”，这一章写一次抢劫之外的版本：机器给人当仪器。望远镜替人类看过木星的卫星，显微镜替人类看过细胞里的作坊；现在轮到一种新的仪器上岗——它替人类去看的东西，叫“可能性”。先看它考出的第一张成绩单，考场在一门挂了五十年的难题上。

生命有一门祖传的手艺：把说明书写成一维的字母串，却用三维的零件干活。蛋白质就是零件——氨基酸连成串，自己折叠成一个小机器，形状决定功能。从字母串猜出形状，这道题挂了五十年。难在哪？有人估算过：一条普通长度的链子，可能的折法比宇宙里的原子还多。五十年来，最可靠的解题办法是实验：X射线、冷冻电镜，一个一个地测。测一座形状要几个月到几年。全世界实验室攒了半个世纪，公共数据库里存下的结构，大约十八万座——而生命可能用到的形状，以亿计。

每两年，这个领域有一场闭卷考试，名字叫CASP：考官放出几十条刚被测出形状、但尚未公布的蛋白质，各家程序把猜的答案封进信封。谁也不知道标准答案——连考官也是刚从实验室拿到的。考试办了几十年，成绩单上有一条看不见的“60分线”：接近实验精度，才配叫解出这道题。几十年里，没有人越过它。

第一次正儿八经地进场，是2018年：一支队伍在当年的考试里拿了第一——但离“解出”还差一口气，成绩停在六十几分，刚够着那条传说线的影子。差在哪里，他们后来自己讲得很清楚：单打独斗的网络再大，也只是一个人在猜。于是团队推倒重来：不是改模型，是换世界观——把“猜形状”从一个人的接力，改成一屋子部件的圆桌会（对，就是第十二章那套圆桌）。被考试卡住的那口气，从圆桌上缓了过来。

2020年11月，揭榜。一个叫AlphaFold2的答卷拿到了场均92.4——按这门考试的尺子，这是“实验级”。第二名与它差了一整个身位：评委算综合分，它244，第二名90.8。考试的创始人后来说了一句大实话：某种意义上，这道题答完了。更安静的那一刻发生在代码仓库里：团队把方法开源了。五年一个的谜题，被当作公共品交了出来。

后面的事快得像翻页：2021年，论文发表；2022年，数据库上线——两亿多个蛋白质的预测结构，把“已知世界”里几乎所有成形的零件一次性发了出来，免费。那一年，下载它的人比下载很多畅销软件的人还多，其中大半是学生物的年轻人：他们忽然可以对着任何一个形状，直接用眼睛问问题。2024年，诺贝尔化学奖的一半，颁给了带队的两个人。《注意力就是一切》里记过这一笔；现在把收据展开，能看到上面写的不是“人工智能的胜利”，而是更朴素的一行字——一门老科学，换了一台新仪器。

折叠这道题后来还有了第二种解法。2022年底，另一支团队用最朴素的“语言模型”思路——把氨基酸串当成句子读——把预测速度加快了几十倍，一口气吐出六亿多个结构：没有AlphaFold精细，但把“已知世界的零件库”直接扩成了“半个生物圈的零件库”。一种方法把题做对，一种方法把题做多——科学的推进，常常这两条腿轮着走。

第二张收据来自天气。数值天气预报是超级计算机的传统领地：把大气切成千万个方格，从物理方程一步步往前推，一次十天预报要几小时机时、几百万电费。2023年起，几支团队用学习模型改写了流程：先在几十年气象档案里“读”遍所有的天气，再直接“认出”明天的云。十天预报从几小时缩到一分钟，准头追平、并在大多数指标上超过运行了几十年的经典模式。编辑部给出的措辞是“新纪元”——气象学期刊向来惜字如金。

同一年的清单还有两行：材料学和等离子体物理。一边是替元素周期表玩搭积木——模型一口气报出两百多万种新的晶体构型，其中几十万种被判定“能站稳”，够实验室挑很多年；另一边是托卡马克：一团上亿度的小太阳悬浮在磁瓶里，本来就比人眼快一万种翻脸方式，学习模型接下了其中的“扶瓶子”工作，把线圈电流提前几毫秒调到该在的位置。

再补一行更古老的：药。抗生素的发现史有一个沿用几十年的节奏——几十年磨一个；而耐药菌不等这个节奏。2020年，麻省理工的一组人换了个筛法：把一亿多个候选分子交给模型过一遍，挑出最有希望的几十个，送进实验室。其中一只在培养皿里放倒了几种连名带姓的耐药菌；团队给它起了个名字，取自那部电影里著名的计算机——HAL。老手艺遇上新筛子：这不是“机器发明了药”，是“机器把大海捞针，改成了先缩小海”。

清单还能再长——这一次，轮到我们自己的说明书。人的基因组里，字母的错别字有的是无害的口音，有的是致命的病灶；三十年里，判定某一个错别字算哪一种，只能一个个做实验。2023年，一支团队把“读句子的手艺”用在了这三十亿个字母上：一次评估了七千多万种可能的错拼，给每一种配了风险分数。数据库上线后，遗传科医生的查询窗口里，多了一个此前不存在的选项。

把这几件事叠在一起看，共同点只有一个：它们都是预测——预测形状、预测明天、预测哪种材料不塌、预测等离子体下一秒往哪偏。预测，恰好是接龙机器的母语。科学家缺了五十年的，从来不是灵感，是一台能把“可能性”整个跑一遍的仪器。

第三张收据来自人类最古老的手艺：数学。2024年初，一台叫AlphaGeometry的系统在奥数几何题上答对了30题里的25题——此前的最好成绩是10题。同年夏天，更大的舞台：国际数学奥林匹克。一支由两个系统拼成的“队伍”参加考试，六题拿下四题，得28分。金牌线是29分。

这一分的距离，值得在书里停一拍。它没有拿金牌；而两件事同时成立：那是机器第一次站上那块领奖台；而那一刻，最高的那一格还空着。数学可能是它最体面的一处边界——题目有标准答案，但解题靠的是构造、想象力、以及一种很难被写进奖励函数里的“品味”。它在最难的第六题上交了卷，在另外两题上，交的是白卷；而全场真正无解的，是“它怎么知道哪条路值得走”——这道题，连人类自己都说不清。

那道没够到的线，一年后被越过去了。2025年夏天，两家实验室在同一个星期里宣布了同样的结果：六道题做出五道，35分——站上金牌线；全程自然语言，读题、打草稿、交卷，不经过任何人工翻译。一年补一道题，这个速度本身，比分数更值得记录。

但别急着为它惋惜：另一类成绩已经在改变科研的日常。同一年，一台系统给出了一个组合数学老问题的全新构造，被《自然》当作论文正式发表——作者栏里写着模型的名字。数学界第一次以“合作者”的身份讨论一台机器：它没有证明天才，它证明了另一种东西——当搜索足够聪明，直觉也可以被部分外包给“试”。这和本书开头那位年轻人的故事，刚好接上：图灵当年说，机器应该先当孩子，再当大人。八十多年后，这个孩子还偏科得厉害，但它已经在几个学科里，替教授们值过班了。

科学的账本上，这是全部故事里少见的、逐年增长的正面清单。望远镜让人类看见远方，显微镜让人看见微小；这一台，让人看见“可能性”本身——它不一定带来答案，它让问题变成可问。对一门学问来说，后者往往更贵。

至于“我们为什么要造它”——账目铺到这一页，还是得回到那个最老的回答。尾声再说一次。

2025年春天，北京。二十来台人形机器人站上了一条马拉松的起跑线——它们身侧，是全副武装的人类选手。发令枪响之后，剧本没有按计划走：有的跑了几步就歪倒，被工作人员搀下去修；跑完全程的那几台，姿势也说不上优雅，像刚学会走路的孩子在追赶一件急事。直播镜头一点没客气。可这一天还是该写进书里：“会走路的机器”第一次以学生的身份，而不是展品，站到了公众面前。

这本书写到这里，缺的其实全是同一件事：身体。上一章说模型长出了“手脚”——那是浏览器和命令行里的手脚，是软件功能；这一章的手脚，要插电、要上油，摔一下，地板会响。纸带时代的机器只有笔，大模型的机器只有嘴——它们聪明的那部分，一直飘在硅和电里。而“智能”这个词最古老的模样，本来是会跑、会伸手、会眨眼的。这一章，把身体还给它们。

机器人学在很小的时候就学会了一句自嘲：对机器来说，难的从来不是难题。1980年代末，一位叫莫拉维克的研究者把这件事写成了一条悖论——让计算机解微积分、下国际象棋，是容易的；让它拿起一枚鸡蛋、闻一朵花、走过一间收拾乱的房间，是难的。原因翻译过来并不复杂：难题有边界，生活没有；思考可以停下来检查，动作不能——手一抖，鸡蛋就碎了。

工业世界先绕开了这条悖论。1961年，通用汽车的生产线上站进一条机械臂——它只会做一件事：从模具里抓起滚烫的金属件，放进下一道工序。准确、耐热、从不请假。此后半个世纪，“机器人”三个字在工厂里的每一天，都比在实验室里踏实：焊接、喷漆、搬运——先把世界整理成一条流水线，再让机器上场；“收拾乱的房间”那种题，先不接。

实验室里那半边，走的是另一条路：编排。2000年，本田的人形机器人在镜头前鞠躬、上下楼梯，后来还去过音乐厅，抬棒指挥了一支乐队——每个动作都干净利落，每个动作也都是工程师写好的。那是编排时代的巅峰：机器能做的，永远是清单上的事；清单之外，它连“站不稳”都处理不好。

转折还是从“看”开始。2010年代，深度学习先教会了机器认图，然后顺路武装了机器人的眼睛：深度相机、点云、实时识别，让一批机器瞎子第一次看清了房间。出镜最多的那家，是波士顿动力——它们的四足机器会爬山，会被踹上一脚再自己站稳；人形机器会跑酷、会后空翻。那些视频证明了机械的可能性；局限也藏在视频里：每一支新舞蹈的背后，都是一整支团队几个月的排演。编排仍然坐在驾驶位上，只是编得更细了。

同一时期，马路成了另一间考场。《看得见为止》里那一课，在这里换个名字继续上：让车自己开。规则派的方案是写好“如果怎样就怎样”；深度学习派的方案是——喂它上百万公里的驾驶记录，让它像人一样“凭经验”开。两派的阵地换了几轮，有一条结论没有变：能看懂路的机器，和能走完路的机器，中间还隔着几十亿次真实世界的意外。

2020年代的解法，是把前几章积攒的东西整个搬过来。语言模型早已读会了世界的常识——杯子会碎、抽屉要拉、力气得慢慢加；现在，让这些常识第一次有了手脚可用。2023年起，一批“在图上训练、在手上执行”的模型进了实验室：喂给它网上的图文，它竟能把没见过的指令拆成动作——“把香蕉放进右边的抽屉”，它会先看，再伸手。常识从字里行间，爬进了关节。

硬件那头，价格表被改写了。2024年，中国一家公司把一整台人形机器人标价约九万九千元、挂上货架——在此之前，“人形”两个字的意思是“实验室资产”；从这天起，它成了一个可以下单的商品。电机、关节、电池，中国制造业最擅长的三样东西，恰好是机器人最贵的三样。人形机器人的成本曲线，从此开始复制电动车那条熟悉的斜线。

但所有人都撞上了同一堵新墙，这次墙的名字很朴素：数据。互联网替语言模型备好了五十亿对图文；“拧一个瓶盖”的动作数据，网上一条都没有——它不在任何文字里，只在某只真实的手腕上。身体的语料，得亲自去过日子：一件衣服叠上千次，一个杯子摔几十次。有人把这段路叫作“具身智能最贵的学费”——样本从免费的互联网，退回了昂贵的真实世界。

2026年的现状，用那场马拉松概括最公道：过线的有，摔倒的有，扶起来接着练的有。工厂先给了工作——几家汽车公司让机器人上试制线，搬物料、装零件；试岗期两边的评语都很诚实：机器不嫌累，但也还不会“看眼色”。家庭呢？叠衣服的演示惊艳全网，然后就没有然后：演示是研发的语气，家务是另一门语言——那门语言里，有八千种没写进说明书的意外。

所以，别急着替这个行业写句号。它已经经历过两场漫长的冬天，学会了一件事：牛皮吹破之后，往往才是真正开工的时候。脑袋花了七十年，才学会说“我不知道”；身体大概还要一些年，才能在摔倒之前先学会稳住。三千年了，我们终于开始还那件展品的下半身——那个会眨眼、会走路、会伸手的年轻人，正在从皮革和机关里，慢慢换上一身新的血肉。

这本书的第一页说：一个会眨眼的东西站在展厅里，一群人站在外面。现在补上后半句——展厅的门开了。它们正在走出来，走得还不稳。