1956年夏天，在美国新罕布什尔州的达特茅斯学院，一场为期两个月的研讨会悄然拉开帷幕。正是这次会议，正式提出了“人工智能”（Artificial Intelligence, AI）这一术语，并标志着人工智能作为一个独立学科的诞生。约翰·麦卡锡、马文·明斯基、克劳德·香农等先驱者汇聚一堂，共同探讨如何让机器模拟人类智能。从此，人工智能理论开始了其波澜壮阔的演进历程。

一、达特茅斯会议：人工智能理论的起点

达特茅斯会议的核心议题是“用机器模拟人类智能”。会议假设“学习的每个方面或智能的任何其他特征，原则上都可以被精确描述，以至于能够制造一台机器来模拟它”。这一假设奠定了人工智能的理论基础：智能可以被形式化、计算化。早期研究者充满乐观，认为在几十年内就能实现通用人工智能。他们提出了符号主义范式，即通过逻辑推理和符号操作来模拟智能，纽厄尔和西蒙的“逻辑理论家”程序便是早期成果。

二、人工智能理论的两条主线：符号主义与连接主义

人工智能理论的发展大致沿着两条主线展开。第一条是符号主义（也称逻辑主义），主张智能的本质是符号处理，认知过程可以还原为符号运算。代表性成果包括专家系统、知识表示和逻辑推理。符号主义在处理感知、常识和不确定性方面遇到瓶颈。第二条是连接主义，源于对大脑神经网络的模拟，强调从数据中学习。1943年麦卡洛克和皮茨提出的神经元模型为连接主义奠定了基础，但直到20世纪80年代反向传播算法的普及，神经网络才重新兴起。深度学习作为连接主义的现代形态，在图像识别、自然语言处理等领域取得突破性进展。

三、从理论到实践：人工智能的范式变迁

人工智能理论经历了多次范式变迁。20世纪50-60年代，以逻辑推理和搜索算法为主；70年代，专家系统兴起，知识工程成为热点；80年代，connectionism（连接主义）复兴，神经网络研究复苏；90年代以后，统计学习方法成为主流，支持向量机、贝叶斯网络等广泛应用；21世纪10年代，深度学习和大数据驱动的人工智能席卷全球。这一历程表明，人工智能理论在不断吸收数学、统计学、神经科学等多学科成果中发展壮大。

四、理论挑战与未来展望

尽管人工智能取得了巨大成功，但根本性理论挑战依然存在：如何实现可解释的人工智能？如何让机器具备常识推理能力？如何实现从感知智能到认知智能的跨越？人工智能的伦理、安全与治理问题也日益凸显。未来的人工智能理论可能走向融合：符号主义与连接主义的结合、知识与数据的驱动、以及受脑科学启发的类脑计算。达特茅斯会议的精神——敢于探索、跨学科合作——依然指引着人工智能理论的前行方向。

回首1956年，那场会议不仅命名了一个领域，更点燃了人类对智能本质的永恒追问。从符号逻辑到深度学习，人工智能理论在争论与突破中不断丰富。今天，人工智能正深刻改变社会，而对其理论的深入探索，将是确保技术向善、智能可控的关键。