[人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27) › 03｜影片 [1:49:36–2:07:29](https://www.youtube.com/watch?v=KWGgi100YLY&t=6576s)｜投影片 Ch1 p.10–21｜上一章 [02 什麼是 AI：四種定義（1:35–1:49）](https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167)｜下一章 [04 深度學習崛起與 AI 風險（2:07–2:31）](https://app.notion.com/p/3e7fc631b030813ba471f1cdc276f72c) ## 重點 - AI 的歷史可以用 Turing Award（圖靈獎）得主串起來：研究重心從「知識表示與推論」、符號、專家系統，一路移到機率、深度學習、強化學習。 - 1943 年的人工神經元模型是起點；1956 年 Dartmouth 研討會取了 Artificial Intelligence 這個名字；1952–1969 年是第一波狂熱（GPS、跳棋程式、Lisp、microworld）。 - AI 已經走過兩次「熱潮 → 寒冬」：第一次是 scalability 問題（理論可行不等於實際可行，機器翻譯失敗）；第二次是專家系統公司無法兌現誇大的承諾。 ## Exam-ready - **Artificial neuron (McCulloch & Pitts, 1943)**: "Warren McCulloch and Walter Pitts (1943) proposed a model of artificial neuron."（Ch1 p.11） - 中文：McCulloch 和 Pitts 在 1943 年提出了人工神經元的模型。白話：第一次用數學把大腦的神經細胞寫下來，是今天類神經網路的老祖宗。難字：artificial neuron（人工神經元）、propose（提出）。 - **Dartmouth workshop (1956)**: "They organized a two-month workshop at Dartmouth in the summer of 1956."（Ch1 p.12） - 中文：他們在 1956 年夏天，於 Dartmouth 學院辦了一場為期兩個月的研討會。白話：這場會議取了 Artificial Intelligence 這個名字，被當成 AI 正式誕生。難字：organize（籌辦）、workshop（研討會）。 - **General Problem Solver (GPS)**: "GPS was probably the first program to embody the “thinking humanly” approach."（Ch1 p.14） - 中文：GPS（通用問題解決器）大概是第一個體現「像人一樣思考」路線的程式。白話：它模仿人解題時一步一步推想的過程。難字：embody（體現）、approach（路線、方法）。 - **Physical symbol system hypothesis (Newell & Simon, 1976)**: "any system (human or machine) exhibiting intelligence must operate by manipulating data structures composed of symbols."（Ch1 p.14） - 中文：任何表現出智慧的系統（不論是人或機器），一定是靠操作「由符號組成的資料結構」來運作。白話：思考就是照規則搬動符號。難字：exhibit（表現出）、manipulate（操作）、symbol（符號）。 - **Machine translation failure**: "The famous retranslation of “the spirit is willing but the flesh is weak” (心有餘而力不足) as “the vodka is good but the meat is rotten” illustrates the difficulties."（Ch1 p.18） - 中文：「心有餘而力不足」翻過去再翻回來，變成「伏特加很好，肉卻壞了」，這個有名的例子說明了機器翻譯有多難。白話：只換字、不懂意思，就會翻得牛頭不對馬嘴。難字：retranslation（翻過去再翻回來）、illustrate（說明）。 - **Scalability**: "A program can find a solution in principle does not mean that the program contains any of the mechanisms needed to find it in practice."（Ch1 p.18） - 中文：一個程式「理論上」找得到答案，不代表它真的具備「實際上」把答案找出來的機制。白話：小例子跑得動，不代表問題放大之後還跑得動。難字：in principle（理論上）、in practice（實際上）、mechanism（機制）。 - **Weak methods**: "Previous methods are weak methods, which don’t scale up to large or difficult problems."（Ch1 p.19） - 中文：之前的方法都是「弱方法」，碰到規模大或困難的問題就撐不住。白話：通用、但不帶任何專業知識的方法，小題目能用，大題目就不行。難字：weak methods（弱方法）、scale up（放大規模）。 - **Expert systems (domain-specific knowledge)**: "The alternative to weak methods is to use more powerful, domain-specific knowledge that allows larger reasoning steps and can more easily handle typically occurring cases in narrow areas of expertise."（Ch1 p.19） - 中文：取代弱方法的做法，是用更強的「領域專屬知識」，讓程式每一步推得更遠，也更容易處理某個狹窄專業領域裡常見的狀況。白話：與其萬用但淺，不如只做一個領域、但做得很深。難字：domain-specific（領域專屬的）、reasoning steps（推論步驟）、narrow areas of expertise（狹窄的專業領域）。 - **MYCIN**: "With about 450 rules, MYCIN was able to perform as well as some experts, and considerably better than junior doctors."（Ch1 p.20） - 中文：MYCIN 用大約 450 條規則，表現能跟部分專家一樣好，而且明顯比資淺醫師好。白話：把專家的經驗寫成規則，程式就能當半個醫生。難字：considerably（明顯地）、junior doctors（資淺醫師）。 - **AI Winter**: "Soon after that came a period called the “AI Winter,” in which many companies fell by the wayside as they failed to deliver on extravagant promises."（Ch1 p.21） - 中文：不久之後進入被稱為「AI 寒冬」的時期，很多公司因為無法兌現誇大的承諾而倒閉。白話：牛皮吹太大、做不到，錢就跑了。難字：fall by the wayside（半途被淘汰）、extravagant promises（誇大的承諾）。 ## [1:49:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=6576s) 用 Turing Award 看 AI 史 老師用一個捷徑講 AI 史：看歷年 Turing Award 頒給誰、因為什麼研究。Turing Award 是為了紀念 Alan Turing 設立的獎，被稱為「資訊界的諾貝爾獎」。把 AI 相關的得主照年份排起來，就是 AI 研究重心一路搬家的路線。 生活比喻：就像翻歷屆金曲獎最佳專輯，大概就知道每個年代流行什麼曲風。 下面這張圖把得主依年份排成一條線，每一格是那個年代的研究重心： ```mermaid flowchart LR A["1969、1971 知識表示與推論（Minsky、McCarthy）"] --> B["1975 符號模型（Newell、Simon）"] B --> C["1994 專家系統（Feigenbaum、Reddy）"] C --> D["2011 機率推論（Pearl）"] D --> E["2019 深度學習（Bengio、Hinton、LeCun）"] E --> F["2024 強化學習（Barto、Sutton）"] ``` 看圖時可以注意：越往左越靠「人把知識和規則寫好」，越往右越靠「從資料或經驗學」（我補充）。 圖上六個研究方向，先用一句話認識（之後幾週會再細講，我補充）：知識表示與推論＝把知識寫成電腦看得懂的樣子，再用它推出結論；符號模型＝用符號和規則代表思考；專家系統＝把專家經驗寫成規則（本章後面會講）；機率推論＝資訊不確定時，用機率估哪個答案比較可能；深度學習＝用很多層的類神經網路，從大量資料自己學；強化學習＝像訓練寵物，做對給獎勵、做錯扣分，讓程式從經驗學會怎麼做。 為什麼得獎年份比研究晚很多？因為獎是等研究證明影響力之後才頒的。老師舉例：深度學習真正爆發是 2012 年，2019 年才得獎；Pearl 也是在得獎前很多年就把機率帶進推論。所以這條線看的是「哪條路線後來被證明重要」，不是研究當年的時間。 考試可能怎麼問：「How can AI history be summarized by Turing Award winners?」要能照順序說出六個研究方向。
老師原話是什麼？ - 講 Turing Award：「它其實就是資訊界的諾貝爾獎」(1:50:02) - 「我還是大學生的時候，我們的老師就是在教專家系統」(1:51:25)
## [1:52:24](https://www.youtube.com/watch?v=KWGgi100YLY&t=6744s) 開端 1943–1956 AI 這個詞出現之前，研究者已經在模仿大腦。1943 年 McCulloch 和 Pitts 把神經元寫成數學模型（純理論），並證明神經元連成網路就能算出任何可計算的函數、做出 AND、OR 這類邏輯運算；1949 年 Hebb 提出一條規則，說明神經元之間的連結強度（今天叫權重 weight）要怎麼調整；1950 年 Minsky 和 Edmonds 做出第一台類神經網路電腦，體積龐大、只能做很簡單的事。Turing 在 1947 年上課時也講過相關概念，但當時還沒有 AI 這個詞。 名詞補充（我補充）：可計算的函數＝任何「給輸入、照固定步驟就能算出輸出」的計算，例如加法、排序；AND、OR 是最基本的邏輯判斷，AND 是「兩個條件都成立才算是」，OR 是「有一個成立就算是」；權重（weight）可以想成每條連線上的音量旋鈕，轉大，這條訊號就比較有份量。 為什麼 AI 從模仿神經元開始？因為大腦是當時唯一確定「會思考」的東西。認知科學家已經知道神經元靠電訊號傳遞訊息，最直覺的做法就是先用數學把神經元描述出來。 生活比喻：Hebb 的規則像山上的小路，越常有人走，路就越寬越明顯；很少走的路就慢慢長草（我補充）。 考試可能怎麼問：「What did McCulloch and Pitts propose in 1943?」答人工神經元模型，並說神經元連成網路就能做邏輯運算。 下面摺疊在做什麼（白話）：用一個只有兩個輸入的小神經元，示範「把輸入加起來、超過門檻就輸出 1」這條規則，怎麼變成 AND（兩個都要）和 OR（有一個就好）；最後一點說 Hebb 的規則怎麼讓常一起動的連線變強。只要記得結論：簡單的神經元串起來，就能做邏輯判斷，也能慢慢「學」。
它到底怎麼運作？（進階，可跳過） 投影片 p.11 說：神經元連成網路，任何可計算的函數都算得出來，邏輯運算（AND、OR、NOT）也做得出來。用一個最小的例子看（我補充）： - 一個神經元有兩個輸入 x1、x2（只會是 0 或 1），兩條連線的權重都是 1，門檻是 2。 - 輸入加總 ≥ 2 才輸出 1。所以只有 x1=1、x2=1 時加總為 2、輸出 1；其他情況輸出 0。這就是 AND。 - 門檻改成 1：只要有一個輸入是 1 就輸出 1，變成 OR。 - Hebb 的想法：如果 x1 和輸出常常同時是 1，就把 x1 那條權重從 1 調高一點（例如 1.1）。一起活動的連線會變強，這就是「學習」的雛形。
## [1:53:40](https://www.youtube.com/watch?v=KWGgi100YLY&t=6820s) 1956 Dartmouth 研討會 1956 年夏天，McCarthy 說服 Minsky、Shannon（資訊理論的奠基者）和 Rochester 一起幫忙，把美國對自動機、神經網路、智慧研究有興趣的學者找到 Dartmouth，開了兩個月的腦力激盪。會中寫出一份提案，正式定下 Artificial Intelligence 這個名字，這群人被稱為 AI 的 founding fathers（創始者們）。 名詞補充（我補充）：自動機（automata）是一種理論上的機器模型，會依照「現在的狀態」和「收到的輸入」，照規則換到下一個狀態。自動販賣機就是一台簡單的自動機：投幣、按按鈕、出貨。 為什麼這場會議才算 AI 的「誕生」，明明 1943 年就有神經元模型？因為在這之前只有零星研究；這次會議給了這個領域名字，和一份共同的研究清單。會後大家回到 MIT、Stanford、IBM、Bell Labs 等地各自發展，AI 才開始遍地開花。 老師也提到時代背景：二戰剛結束，Turing 在戰時造機器破解德軍密碼，大家看到計算機的威力，所以聚在一起想「計算的未來」。 生活比喻：像一群朋友關起來開了兩個月的讀書會，最後寫出一份創業計畫書，連公司名字都取好了。 下圖左邊是 1956 年的提案原稿，右邊是被稱為 AI 創始者的學者： ![Dartmouth 研討會提案原稿與 AI 創始者們（Ch1 p.12）](file-upload://3e7fc631-b030-810f-8c05-00b29ba34b0e) 圖上重點： - The birth of artificial intelligence (1955-56)：AI 的誕生（1955–56 年）。 - 上方文字：McCarthy 說服 Minsky、Shannon、Rochester 幫忙，把對 automata theory（自動機理論）、neural nets（神經網路）和智慧研究有興趣的美國學者找來，1956 年夏天在 Dartmouth 辦了兩個月的研討會。 - 左邊文件：A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence（Dartmouth 夏季人工智慧研究計畫提案）；看得到前兩個主題 Automatic Computers（自動計算機）和 How Can a Computer be Programmed to Use a Language（怎麼讓電腦用語言寫程式）。 - 右邊照片：The Founding Fathers of AI（AI 的創始者們），十位學者，包含 McCarthy、Minsky、Shannon、Newell、Simon、Samuel、Rochester。 - 這張圖在講：Artificial Intelligence 這個名字，就是從這份提案和這群人開始的。 考試可能怎麼問：「Why is the 1956 Dartmouth workshop regarded as the birth of AI?」答：它命名了 AI，並列出之後幾十年的研究題目。
要先懂什麼？提案裡的七個主題在講什麼？ - Automatic computers：自動計算的機器。 - How can a computer be programmed to use a language：讓電腦能用「語言」來寫程式。老師提醒，當年還是真空管接來接去的時代。 - Neuron nets：類神經網路。 - Theory of the size of a calculation：一個計算要花多少步（相當於今天的計算複雜度，我補充）。 - Self-improvement：機器能不能自己學習、自己變好。老師說這件事到今天都還在做。 - Abstractions：怎麼把知識抽象化。 - Randomness and creativity：隨機性與創造力。 老師的重點：這群人在 1955 年就把「計算的未來可能怎麼走」大致畫好了。
## [1:56:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=6996s) 早期狂熱 1952–1969 會後十幾年是 AI 第一次大爆發。Newell 和 Simon 寫出 General Problem Solver（GPS），大概是第一個走上一章「像人一樣思考」路線的程式，並提出 physical symbol system hypothesis（物理符號系統假說：智慧就是在操作符號）。同時期還有 IBM 的 Rochester 團隊寫的最早幾個 AI 程式、Gelernter（1959）會證明幾何定理的 Geometry Theorem Prover、Samuel 從 1952 年開始寫、最後自己學到業餘高手水準的跳棋程式、McCarthy 1958 年定義的 Lisp 語言（之後 30 年 AI 的主流語言）。McCarthy 也描述了 Advice Taker（一個假想的程式，可以看成第一個完整的 AI 系統）。另外還有 Minsky 學生做的 microworld（小世界）；McCulloch 和 Pitts 的神經網路研究也在這段時間繼續發展、變得更複雜。 名詞補充：「像人一樣思考」（thinking humanly）是上一章 [02 什麼是 AI：四種定義](https://app.notion.com/p/3e7fc631b03081509ff5e74454b69167) 的四種 AI 定義之一，要求電腦思考的「過程」跟人一樣，不只是答案一樣。以下我補充：資料結構＝程式裡整理資料的方式，例如清單、表格；Lisp 是一種程式語言（寫程式用的語言，像今天的 Python），特別擅長處理符號和清單，所以早期 AI 都用它；定理證明＝從已知的規則一步步推出某個數學敘述是對的。 Microworld 就是故意挑一個很小、規則很清楚的世界，在裡面做看起來需要智慧的事。最有名的是 blocks world（積木世界）： ![積木世界：程式 SHRDLU 剛完成指令「找一塊比手上那塊高的積木，放進盒子」（Ch1 p.17）](file-upload://3e7fc631-b030-811e-8dcc-00b2305271ae) 圖上重點： - Early enthusiasm, great expectations (1952–1969)：早期狂熱、期望很高（1952–1969 年）。 - The most famous microworld is blocks world：最有名的小世界就是積木世界。 - 圖說 Figure 1.3：積木世界的一個場景。SHRDLU（一個能聽懂英文指令、搬積木的程式）剛完成指令「Find a block which is taller than the one you are holding and put it in the box」（找一塊比你手上那塊還高的積木，把它放進盒子）。 - 右上那根像夾子的東西是機器手臂，右邊透明的框就是盒子。 - 這張圖在講：在一個只有積木的小世界裡，程式能聽懂人話、照指令搬東西，看起來很聰明。 這張圖裡，電腦要知道哪塊積木在哪塊前面、哪塊疊在上面、哪塊放在盒子裡。老師提醒：那個年代連圖形介面都還沒有（要到 1995 年 Windows 95 才普及），他們就已經在研究這種問題。 為什麼當時大家這麼樂觀？因為程式在小世界裡表現很好，大家就以為把世界放大，同一套方法也會成功。這個想法在下一段會被現實打臉。 生活比喻：microworld 像駕訓班的練習場，場地小、規則清楚；在場內開得很好，不代表上高速公路也行。 注意：投影片 p.15 在 checkers 後面括號寫「西洋棋」，老師口頭也說西洋棋，但 checkers 其實是西洋跳棋，不是 chess；英文考試寫 checkers。 考試可能怎麼問：「What is the physical symbol system hypothesis?」答：任何有智慧的系統（人或機器）都是靠操作符號組成的資料結構來運作。
用生活例子講，符號系統假說在說什麼？ 像國中代數：把「蘋果」寫成 x、「橘子」寫成 y，照規則移項、代入，就能推出答案，不需要真的看到水果。Newell 和 Simon 認為，人腦思考和電腦程式都是這樣：先把世界寫成符號，再照規則搬動符號。GPS 就是照這個想法寫的。
## [2:00:49](https://www.youtube.com/watch?v=KWGgi100YLY&t=7249s) 第一次寒冬：理論可行不等於實際可行 早期的成功都只在簡單例子上，研究者因此過度自信。冷戰時期美國想把俄文資料自動翻成英文，國防部出大錢支持，結果怎麼做都翻不好。國防部於是抽掉經費、大量計畫被砍，1960 年代末到 1970 年代初進入第一次 AI 寒冬。投影片把這段叫 A dose of reality（被現實澆了一盆冷水，1966–1973）。 事後大家歸納原因是 scalability（規模可擴展性）：程式「理論上」找得到答案，不代表它「實際上」有辦法在合理時間內找到。GPS、Geometry Theorem Prover 在小問題上成立，放大就失效。投影片還列了另一個原因：當時用來產生智慧行為的基本結構，本身就有根本的限制。 為什麼翻譯這麼難？翻譯不是拿字典一個字換一個字。spirit 可以是「精神」也可以是「烈酒」，flesh 可以是「肉體」也可以是「肉」；要懂整句意思才選得對，選錯就變成「伏特加很好，肉卻壞了」（我補充）。 下面這張圖是第一次寒冬的因果鏈： ```mermaid flowchart LR A["小問題上表現很好"] --> B["研究者過度自信"] B --> C["承諾解決真實問題（機器翻譯）"] C --> D["規模一大就做不出來"] D --> E["國防部砍經費"] E --> F["第一次 AI 寒冬"] ``` 生活比喻：在家煮一鍋咖哩很成功，不代表同一套做法直接拿去開一萬人份的中央廚房也行。 考試可能怎麼問：「What does scalability mean, and why did it lead to the first AI winter?」 下面摺疊在做什麼（白話）：用「跑遍很多城市找最短路線」示範，城市只多幾個，要檢查的路線就暴增到電腦算不完。結論：方法本身沒錯，但問題一大就來不及算，這就是 scalability 問題。
它到底怎麼運作？（進階，可跳過）為什麼「理論上找得到」會變成「實際上找不到」？ 用「業務員要跑遍 n 個城市，找最短路線」當例子（我補充）。最笨但保證找得到的方法，是把所有路線都算一遍，路線數是 (n−1)!/2： - 4 個城市：3 條，瞬間算完。 - 10 個城市：181,440 條，還算得完。 - 20 個城市：大約 6×10^16 條；就算一秒檢查 10 億條，也要將近 2 年。 方法本身沒錯（理論上一定找得到），但問題一變大就算不完。這就是投影片說的：找得到解「in principle」，不等於有機制「in practice」找到它。
老師原話是什麼？ - 「伏特加很棒，但是肉是臭的，這根本就是亂七八糟」(2:02:14) - 「理論上可以解決，並不代表你實際上真的能夠解決那個問題」(2:03:22)
## [2:03:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=7416s) 專家系統 1969–1986 第一次寒冬後，大家不敢再喊「什麼都能解」，改成先鎖定一個小範圍的問題。做法是找那個領域的專家，把他的判斷原則和思考順序寫下來、寫進程式；新案例進來時，程式照規則推出答案。這就是 expert system（專家系統）。代表作有 DENDRAL（Buchanan 等人，1969；從質譜儀資料推出分子結構）和 Feigenbaum 等人在 Stanford 做的 MYCIN（約 450 條規則診斷血液感染，表現跟部分專家一樣好、明顯比資淺醫師好）。投影片也提到，領域知識的重要性在自然語言理解上一樣明顯。 名詞補充（我補充）：質譜儀（mass spectrometer）是一種化學儀器，把分子打碎後量出每塊碎片的重量，化學家再從這些數字反推分子長什麼樣子；DENDRAL 就是把這個反推的功夫寫成規則。這裡說的「規則」就是「如果……就……」（if–then）的句子。 為什麼縮小範圍反而做得出來？之前的方法是 weak methods（通用、不帶領域知識的方法），問題一大就撐不住。專家知識能讓程式一步跳很遠：專家看到某個症狀，就直接排除一大堆可能，不用每條路都試。 老師舉的例子是皮膚科。下面是專家系統從建立到使用的流程： ```mermaid flowchart LR A["領域專家（例：皮膚科醫師）"] --> B["寫下診斷原則與順序"] B --> C["寫成程式裡的規則"] D["新病人的症狀"] --> E["程式照規則推論"] C --> E E --> F["輸出可能的病症"] ``` 限制：只能用在知識「能清楚寫成規則、用語言描述」的領域。 生活比喻：專家系統像一本超詳細的看診 SOP 手冊，照著問、照著判斷，新手也能有老手水準；但手冊沒寫到的狀況，它就完全不會。 考試可能怎麼問：「What are weak methods, and how did expert systems overcome them?」 下面摺疊在做什麼（白話）：用兩條自己編的看病規則，示範程式怎麼「先推出一個小結論，再拿這個小結論去觸發下一條規則」，一步一步走到答案。結論：專家系統的推論就是規則接力。
它到底怎麼運作？（進階，可跳過）規則是怎麼一條接一條推出答案的？ 下面是兩條自己編的玩具規則（我補充，不是 MYCIN 真的規則）： - 規則 1：如果「發燒」且「白血球偏高」→「疑似細菌感染」。 - 規則 2：如果「疑似細菌感染」且「血液培養長出細菌」→「建議使用抗生素」。 新病人：發燒、白血球偏高、血液培養陽性。 - 第 1 步：規則 1 的條件都成立，得到新結論「疑似細菌感染」。 - 第 2 步：這個新結論加上培養結果，觸發規則 2，得到建議。 MYCIN 就是約 450 條這樣的規則互相串接。規則越多越準，但每一條都要靠人訪談專家、手寫進去。
## [2:06:10](https://www.youtube.com/watch?v=KWGgi100YLY&t=7570s) AI 產業泡沫與第二次寒冬 專家系統看起來有用，大家又興奮起來，開始募資、開公司。AI 產業從 1980 年的幾百萬美元，暴增到 1988 年的數十億美元，包含做專家系統、視覺系統、機器人和專用軟硬體的公司。但這些公司無法兌現誇大的承諾，也無法持續賺錢，錢燒完就一家家倒閉，1980 年代末進入第二次 AI 寒冬。 為什麼專家系統明明有用，還是變成泡沫？因為它只能用在能寫成規則的小領域，承諾卻很大；做出系統之後，很難一直有新的收入撐住公司。老師問大家「有沒有覺得好像似曾相識」，言下之意是今天的 AI 熱潮跟當年很像。 兩次寒冬放在一起比較： | | 第一次寒冬 | 第二次寒冬 | |---|---|---| | 時間 | 1960 年代末到 1970 年代初 | 1980 年代末 | | 之前的熱潮 | 早期狂熱（GPS、跳棋、microworld） | 專家系統、AI 產業暴增 | | 出事的地方 | 機器翻譯等真實問題做不出來 | 公司無法持續賺錢 | | 誰抽手 | 美國國防部砍研究經費 | 新的資金進不來，公司倒閉 | | 根本原因 | Scalability：理論可行不等於實際可行 | 只適用窄領域，承諾太誇大 | 注意：老師口頭說成「billions of dollars in 1980」，投影片 p.21 寫的是 1988 年。 生活比喻：像台灣當年的葡式蛋塔熱，一時爆紅、大家搶著開店，很快又倒成一片。 考試可能怎麼問：「Compare the causes of the first and second AI winters.」
老師原話是什麼？ - 「有沒有覺得好像似曾相識，這件事情在1980年就已經發生過囉」(2:06:42) - 「你能夠變現，能夠賺錢，能夠持續的有新的錢進來，去支撐公司的運作嗎？就不行」(2:07:07)
## Self-check
Q1. What is the scalability problem, and how did it contribute to the first AI winter?（中文：什麼是 scalability 問題？它怎麼造成第一次 AI 寒冬？） **Answer**: Early AI programs such as GPS worked well on small, simple examples, so researchers became overconfident. But a program that can find a solution in principle does not necessarily contain the mechanisms needed to find it in practice; when problems grow larger, the program cannot solve them in reasonable time. A typical failure was machine translation from Russian to English: "the spirit is willing but the flesh is weak" came back as "the vodka is good but the meat is rotten". Funding (e.g., from the US Department of Defense) was cut, and AI entered its first winter in the late 1960s and early 1970s. 中文：早期 AI 程式（例如 GPS）在小而簡單的例子上表現很好，研究者因此過度自信。但程式「理論上」找得到答案，不代表它有「實際上」找到答案的機制；問題一放大，程式就無法在合理時間內解出來。典型失敗是俄翻英的機器翻譯：「心有餘而力不足」被翻成「伏特加很好，肉卻壞了」。美國國防部等單位因此砍掉經費，1960 年代末到 1970 年代初進入第一次 AI 寒冬。
Q2. What are weak methods, and how did expert systems try to overcome them? Give one example.（中文：什麼是弱方法？專家系統怎麼克服它？舉一個例子。） **Answer**: Weak methods are general-purpose methods that use little domain knowledge, so they do not scale up to large or difficult problems. Expert systems instead use powerful, domain-specific knowledge collected from human experts and written as rules, which allows larger reasoning steps in a narrow area. For example, MYCIN used about 450 rules to diagnose blood infections and performed as well as some experts and considerably better than junior doctors. The limitation is that expert systems only work in narrow domains where knowledge can be clearly written as rules. 中文：弱方法是通用、幾乎不用領域知識的方法，所以碰到大或難的問題就撐不住。專家系統改用「領域專屬知識」：訪談人類專家、把判斷寫成規則，讓程式在一個狹窄領域裡每一步推得更遠。例如 MYCIN 用約 450 條規則診斷血液感染，表現跟部分專家一樣好，明顯比資淺醫師好。限制是：只能用在知識能清楚寫成規則的窄領域。
Q3. Compare the causes of the first and second AI winters.（中文：比較第一次和第二次 AI 寒冬的原因。） **Answer**: The first AI winter (late 1960s to early 1970s) was mainly a technical failure: early systems only worked on simple examples, they did not scale up, and projects such as machine translation failed, so government funding was cut. The second AI winter (late 1980s) was mainly a commercial failure: the AI industry boomed from a few million dollars in 1980 to billions of dollars in 1988, but expert-system companies failed to deliver on extravagant promises and could not keep making money, so many companies failed. Both winters followed the same pattern: over-promising, then disappointment and loss of funding. 中文：第一次寒冬（1960 年代末到 1970 年代初）主要是技術問題：早期系統只在簡單例子上有效、規模一大就不行，機器翻譯等計畫失敗，政府因此砍經費。第二次寒冬（1980 年代末）主要是商業問題：AI 產業從 1980 年的幾百萬美元暴增到 1988 年的數十億美元，但專家系統公司無法兌現誇大的承諾、無法持續賺錢，於是大量倒閉。兩次的共同模式都是：承諾太大 → 做不到 → 資金撤走。
Q4. Why is the 1956 Dartmouth workshop regarded as the birth of AI?（中文：為什麼 1956 年的 Dartmouth 研討會被視為 AI 的誕生？） **Answer**: John McCarthy convinced Minsky, Claude Shannon, and Nathaniel Rochester to help him bring together U.S. researchers interested in automata theory, neural nets, and the study of intelligence, and they organized a two-month workshop at Dartmouth in the summer of 1956. The term "Artificial Intelligence" was adopted there, and the proposal listed the research agenda of the new field, such as programming computers to use a language, neuron nets, self-improvement, abstractions, and creativity. Many of these topics are still being studied today. After the workshop, the participants developed AI at places like MIT, Stanford, and IBM. 中文：McCarthy 說服 Minsky、Shannon、Rochester 一起幫忙，把美國對自動機理論、神經網路和智慧研究有興趣的學者聚在一起，1956 年夏天在 Dartmouth 開了兩個月的研討會。這場會議定下 Artificial Intelligence 這個名字，提案也列出這個新領域的研究題目，例如讓電腦用語言寫程式、類神經網路、自我改進、抽象化、創造力，其中很多到今天還在研究。會後參加者回到 MIT、Stanford、IBM 等地發展 AI，這個領域才真正成形。
讀完了嗎？下一章：[04 深度學習崛起與 AI 風險（2:07–2:31）](https://app.notion.com/p/3e7fc631b030813ba471f1cdc276f72c)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27)