大腦解決問題的方式。@OpenLedger

你的大腦是一個預測引擎。當你小時候碰到火時，你的神經元聯接在一起以記住痛苦。當你看到一隻狗時，你的大腦並不會查閱規則書。相反，數百萬個神經元以編碼你過去“狗”的經歷的模式發射。

這就是智能：從經驗中進行概括的能力。機器也想做到這一點。最初的嘗試不是構建神經元，而是編寫規則。如果火=熱，不要碰。如果狗=四條腿、尾巴、吠叫，那麼將其分類爲狗。這被稱爲符號AI，手工製作邏輯的世界。#OpenLedger

比較類腦和基於規則的問題解決的插圖

它適用於狹窄的問題，但一旦現實變得複雜就崩潰了。大腦在複雜的情況下蓬勃發展，而規則卻不行。

瞭解更多：

人工智能的歷史（維基百科） $OPEN

達特茅斯會議：'AI' 的誕生地

在 1956 年的夏天，約翰·麥卡錫、馬文·明斯基、克勞德·香農和內森·羅切斯特在達特茅斯學院聚集，進行達特茅斯夏季人工智能研究項目。

就在這裏，“人工智能”一詞首次被提出。提案聲明：

“學習的每個方面或任何其他智能特徵原則上都可以如此精確地描述，以便可以製造出模擬它的機器。”

這不是一次編碼黑客馬拉松。它是一個領域的藍圖，指向神經網絡、搜索、符號推理和語言。夢想已經設定。

瞭解更多：

達特茅斯會議

從規則到學習：感知器

在 1957 年，弗蘭克·羅森布拉特問：如果機器能夠像神經元一樣學習會怎樣？他引入了感知器，這是第一個神經元的數學模型。

感知器接受輸入，將其乘以權重，添加偏置，並通過階躍函數運行：

f(x) = h(w ⋅ x + b)

輸入 (xi) = 特徵，比如像素值

權重 (wi) = 每個特徵的重要性

偏置 (b) = 調整決策邊界

階躍函數 (h) = 二進制輸出 (1 或 0)

這使得感知器成爲線性分類器，能夠在類別之間畫出直線邊界。

羅森布拉特還製造了硬件：馬克 I 感知器（1960）。它有一個 20×20 的光電池網格，像視網膜一樣，隨機連接到關聯單元，權重通過電位器進行可調。在學習過程中，電機會更新這些權重。

它能夠對簡單模式進行分類，並引起了巨大的興奮。《紐約時報》甚至聲稱它有一天能夠走路、說話並具備意識（

紐約時報檔案，1958)。