CHAPTER 01/1940〜2026

一波波热潮与编号方式

引言:人们对AI的期待几度膨胀、几度消退?又该怎么数?

AI有过多次期待膨胀的时期(热潮)和消退的时期(寒冬)。“第1〜4次”这种编号是日本常用的数法,是后来的人加上去的。这一章里,我们亲手重新数一数词的数量,来确认浪潮的形状和编号的由来。

011950〜2026・词的浪潮

用词的数量看热潮

热潮有多大,肉眼看不见。数什么,才能看出浪潮的形状呢?

人工智能(AI)是指用计算机再现人类智能活动(思考、学习、辨别、说话等)的研究和技术。人们常说,AI经历过多次期待高涨的时期(热潮)和降温的时期(寒冬)。

为了看出热潮有多大,本站按年份数了词被使用的次数。一共四类:英语图书里的artificial intelligence,世界论文和日本图书的题名,以及日本国会的发言。右边的图里,每个框都把所看范围内最多的那一年定为1,再把各年对齐。

点“到2011年为止”后,被如今的巨大浪潮盖住的20世纪80年代的山峰就显露出来了。四个框无一例外,都是在20世纪80年代中期到1990年前后有一座山峰,2000年代跌入低谷,2010年代起又再次上升。

对齐后的值 = 该年的数量 ÷ 所看范围内最多那一年的数量
该年的数量
英语图书是每100万词中出现的次数,论文是每1万篇中的篇数,日本图书是册数,国会是发言件数

同一个框里的线用同一把尺子画。不同的框尺子不同,所以只比较形状。

图所展示的:用4种不同资料统计,都能看到1980年代中期〜1990年左右的高峰、2000年代的低谷,以及从2010年代开始的再次增长。缩小查看范围,就能看见被今天的大浪潮遮住的旧高峰。

021940〜1995・称呼

20世纪50年代的词是

在这个词流行之前,会思考的机器叫什么?

我们来看英语图书里每100万词中词出现的次数。20世纪50年代用得最多的是 electronic brain(电子脑),1956年最多(约0.21次)。1956年也正是这个名字诞生的年份。artificial intelligence(人工智能)在1962年超过了电子脑。

即使是被称为的1965年,人工智能也只有约0.11次,只有1987年山峰(约2.0次)的约18分之1。

在右边的图里,把纵轴刻度切换成“每格10倍”,就能看清小数值的变化。用“普通”刻度时,20世纪60年代几乎贴着0。称呼一变,只追一个词的浪潮,到某个时候就看不见了。

每100万词中的次数 = 该词出现的次数 ÷ 该年图书的总词数 × 1,000,000
每格10倍的刻度
每上一格,数值就变成10倍的刻度(对数刻度)
常见说法常见说法:20世纪60年代是AI的黄金时代
原始资料里:按在英语图书里的多少来看,1965年只有1987年山峰的约18分之1。20世纪50年代出现得多的,是这个另一个词

图所展示的:1950年代更常用的称呼是“电子脑”,“人工智能”在1962年才超过它。只追踪1个词,一旦称呼改变,浪潮就会看不见。

031950〜2025・比例

论文本身的数量就在增加

AI论文增加到8倍,能说人们对AI的关注也变成了8倍吗?

世界论文里,题名含有 "artificial intelligence" 的论文,1987年有585篇,2018年有4,640篇。只看数量,大约是8倍。但同一时期,世界论文的总数也从约173万篇增加到约1,044万篇。

于是我们换算成每1万篇论文中的篇数(比例)。1987年约3.4篇,2018年约4.4篇,只增加到约1.3倍。

在右边的图里切换看看。按篇数本身看,2005年(565篇)似乎又回到了接近1987年山峰的高度。按比例看,2008〜2010年的约0.8篇则是很深的低谷。换一种数法,寒冬时隐时现。

每1万篇中的篇数 = 题名含AI的论文数 ÷ 该年全部论文数 × 10,000
下方的图表
以1987年为1的倍数。两条线之间的差距越大,说明论文数量本身和比例的差别越大

即使换算成比例,题名的取法流行与否,以及OpenAlex收录的论文范围,每年也不一样。

图所展示的:AI论文增加到8倍,但论文总数也增加到6倍,因此AI论文所占比例只增加到1.3倍。改变统计方式,寒冬就会出现或消失。

以1987年为1的倍数(纵轴为每格10倍的刻度)
04正则表达式・预处理

只用“AI”两个字去搜

只要搜“AI”这两个字,就能正确数出AI的话题吗?

在日本国会的发言里搜“AI”这两个字,会连药害艾滋事件的 AIDS、保险公司的 AIG、导弹名 AIM9L 也一起搜出来。

所以本站读了搜到的句子,再决定算不算,并定出规则:只数前后都没有其他罗马字母相连的 AI。像这样用简短的写法表示文字排列模式的方法,叫作正则表达式。

右边的图是从国会发言中抽出的18个句子,并排放着人读后的判断和规则的判断。把开关关掉,就能看到哪些句子会被错数。

(?<![A-Za-zA-Za-z0-90-9])(AI|AI)(?![A-Za-zA-Za-z])
(?<!…)
紧挨在前面不出现……
(?!…)
紧跟在后面不出现……。[A-Z]表示 A〜Z 中的任意1个字符

就算在这18个句子上行得通,也不能保证在其他句子上正确。比如用罗马字写的人名,只靠这条规则也分辨不出来。

图所展示的:只搜索“AI”这2个字符,会连 AIDS、AIG 和导弹名称也算进去。加上前后不能紧接拉丁字母的规则,结果就会与人工阅读的判断一致。

051975〜2026・预处理

抹掉并不存在的山峰

重新数过之后,浪潮的形状会比原来变化多少?

在国会发言里把“AI”这两个字原样去数,1996年有85件,2009年有152件,2012年有746件,形成了山峰。它们的内容是药害艾滋事件的 AIDS、保险公司的 AIG、养老金事件的 AIJ。用上一个见开页里的规则重新数,这三个年份都变成0件。

日本图书的题名也发生了同样的事。国家图书馆的检索连读音也会命中,所以搜“AI”,连“爱”字的书也会出来。1990年命中了152册,但题名里AI是独立出现的书只有14册。

在右边的图里切换“恢复原样”和“重新计数”。下面的图表是命中的数量中,重新数过后留下来的比例。在国会,2015年的比例只有4%,到2019年变成95%。

留下的比例 = 重新数过的数量 ÷ 原样数出的数量

重新数的规则,是人读了检索结果后制定的,并按年份留下了数过的例子和没数的例子。

常见说法常见说法:只要用“AI”两个字去搜,就能知道AI话题的数量
原始资料里:在国会,1996、2009、2012年出现了和AI无关的山峰。看过内容重新数,它们就消失了

图所展示的:直接统计“AI”这2个字符,会在1996、2009、2012年形成与AI无关的高峰。重新统计后,这些年份的数量变成0条。

重新数过后留下的比例(%)
061959〜2026・日本国会

国会里称呼的变迁

在日本国会,会思考的机器是什么时候、被叫作什么的?

我们按年份数了含有各个词的国会发言的数量。1959年首次出现,最多的1966年也只有4件。从1981年开始出现,1985年有33件。在右边的图里选选看各个词。

首次出现是在1983年(在找到的范围内)。野村综合研究所的森谷正规先生把列为21世纪的技术。此后1993〜2014年几乎是0件,从2015年起突然增多。

2017年,表示AI意思的“AI”有268件,超过了的145件。到了2023年,“生成式AI”以172件的数量登场。

纵向高度 =log₁₀(发言件数 +1) (+1是为了让0件的年份也能画出来)

的数量,就是检索命中的件数(没有逐条确认内容)。“AI”是重新数过的数量。

图所展示的:日本国会中的称呼像接力一样,从电子脑→第五代→人工智能→AI→生成式AI不断更替。“人工智能”第一次出现是在1983年,从2015年起突然增多。

071975〜2005・山峰的错位

日本的山峰来得更晚吗

日本第2次热潮的山峰,比英语图书的山峰来得更晚吗?

英语图书里最多的是1987年。日本图书题名里最多的是1990年(37册)。只比较山顶的年份,日本晚了3年。

但是,山顶的年份只靠一年之内的涨落就会移动。日本图书1987年和1988年也各有30册。每3年取平均来抹平后,日本的山峰在1989年,错位缩小到2年。

所以我们来比较整体的形状。把日本的线左右移动,计算两条线的形状有多像(相关系数),在1975〜2005年间,不移动的时候(0年)最吻合。这个“错位”,随比较方式不同,可以是3年,也可以是0年。

r=Σ(x − x̄)(y − ȳ) ÷ √( Σ(x − x̄)² × Σ(y − ȳ)² )
x
英语图书的值
y
日本图书的值(移动了k年的)
x̄, ȳ
平均值。r越接近1,形状越一致

下方的事件卡片,采用的是按山顶年份比较的写法(晚约3年)。两者是同一份数据的不同看法。

图所展示的:按高峰年份比较,日本晚了3年;但平滑数据或比较整体形状后,差距也可能变成2年或0年。“时间差”会随比较方式改变。

每移动一年的相关系数r
08计数方法・山峰

热潮的山峰有几座

只靠词数的折线来数“热潮”,会数出几个?

一听到“第1〜4次”,就觉得热潮好像有过4次。那么,按固定的步骤从折线里数山峰,结果会怎样呢?

数法是这样的:沿着折线走,从最高处下降到设定的比例(基准)以上,就算一座山峰。达不到最高那一年数值的10%的山峰,不计入。

在右边的图里动动基准看。英语图书里按初始基准能找到的山峰,只有1987年的一座,以及还没有下降的当前这一波上升。20世纪60年代太小,成不了山峰。日本图书的题名,按1年为单位,连5册、10册的小幅涨落都会成为山峰。每3年取平均抹平后,留下1989年前后和2018年前后两座山峰。热潮有几次,光看折线是定不下来的,要看数的基准是什么。

算作一座山峰 ⇔(山峰的高度 − 其后的谷底)÷ 山峰的高度 ≥ 基准
基准
下降百分之多少就算一座山峰
抹平
与前后的年份取平均

图所展示的:从折线中数高峰,按不同标准可以数出1个,也可以数出5个。在英语图书的数据中,用固定标准只能找到1987年的高峰和今天的上升。

091982〜2023・编号

热潮的编号指的是哪个时代

这些编号,是什么时候、针对哪个时代加上去的?

编号并不是2010年代才集中加上去的。在国立国会图书馆数字化图书和杂志的全文检索里,1982年的杂志上就已经有了这个词,指的是大约20年前的那次热潮。

可是到了1985年,同样是20世纪80年代的热潮,数法各不相同。3月的一本书称之为。4月的国会上,东京大学的石井威望先生说:。7月的杂志则把列为最近专题报道之一。

在右边的图里选择编号,用过这个编号的资料,会把使用的年份(◆)和所指的时代(色带)用线连起来。选,就能看到2017年指向未来的线,到2023年已经指向2017年以后了。

常见说法常见说法:“第1次、第2次……这些编号,是后来(2010年代)才加上去的”,人们常这么以为
原始资料里:1982年的杂志里就已经有,在第2次热潮的浪头上就已经用编号称呼了。只不过数法并没有定下来

图所展示的:编号并不是到2010年代才统一加上的,1982年的杂志中已经出现了“第一次”。但在1985年,同一场热潮既被称为第一次,也被称为第二次,统计方式并未固定。

101950〜2026・划分

同一个编号,起点年份却不同

热潮和寒冬,从哪一年到哪一年?各个资料说法一致吗?

编号相同,起止年份却因资料而异。总务省的白皮书(2016年)把第三次定为2000年代至今。人工智能学会杂志的封面画卷(2023年)则把它画成以2012年的图像识别大赛为契机、从2010年前后开始。第二次之后的寒冬,白皮书说从1995年前后开始,画卷则说是1992年前后到2010年前后。即使在同一份白皮书里,也有的地方把第二次定为20世纪80年代,有的地方定为20世纪80〜90年代。

英语的解说(英语版维基百科)不给热潮编号,而给寒冬编号,把两次寒冬定为1974〜1980年和1987〜2000年。

在右边的图里动动“查看年份”,就会并排显示各个资料对这一年的称呼。比如2005年,白皮书里是第三次热潮,画卷里是寒冬,英语的解说里则不属于任何一次寒冬。

像“20世纪80年代”这样的写法,是按这十年从头到尾来画的。色带的端点是本站的画法,不是资料里的原话。

图所展示的:即使编号相同,不同资料标出的起止年份也不同。例如,2005年在白皮书中属于第三次热潮,在历史画卷中属于寒冬,在英语介绍中却不属于任何一次寒冬。

112016・白皮书的说明

期待与能力之间的“背离”

热潮为什么会结束?国家的白皮书是怎么解释的?

2016年总务省的白皮书,对过去两次热潮作了这样的说明:社会的期待超过了AI在技术上的局限。并且写道(背离,指偏差、差距),还提醒说第三次热潮也需要同样的注意。

右边的图,是本站把这个说明做成可以动的样子的一个例子(数值全部是编出来的)。表示能做到的事的线(绿色)时而像台阶一样上升。表示期待的线(紫色)则膨胀得比它更高。偏高的状态持续下去,一旦被看破,期待就会消退。

用滑块改变期待膨胀的容易程度,以及察觉到偏差之前的年数看看。在这幅图里,察觉之前的年数越长,期待膨胀得越高,跌落得也越狠。膨胀的容易程度很小时,寒冬不会来。

消退 ⇔(期待 − 能做到的事)> 阈值 持续d年
d
察觉到偏差之前的年数。阈值是能做到的事的30%(编出来的数)

这幅图只是白皮书说明的一种读法,并不是热潮总是这样结束的证据。

图所展示的:白皮书解释说,期待超过了实际能力,当这种差距显露出来,热潮便结束了。图中,发现差距所需的时间越长,期待膨胀得越高,随后的下降也越大。

偏差(期待 − 能做到的事)与阈值
122017・预测对答案

用数据检验山峰的预测

2017年写下的热潮山峰预测,和后来的数据对得上吗?

2017年,人工智能学会杂志专题的前言里,高桥恒一和井上智洋写道:名副其实的热潮意义上的第三次热潮,山峰在2016年或2017年,此后会回落到踏实的产业应用。他们预测接下来到来的是(通用AI,指像人一样能胜任各种工作的AI)。

在右边的图里选择线,再拨动“对答案的年份”看看。在2022年对答案的话,日本图书题名里的山峰在2017年(38册),国会的山峰在2018年(194件),形状接近预测。但是按“AI”来数,国会在2019年达到593件,2020〜2021年减少之后,2023年达到761件,超过了之前的山峰。答案是:随着用哪个词来数、什么时候对答案而变化。

常见说法常见说法:第4次AI热潮,指的是能生成文章和图画的AI(生成式AI)的热潮
原始资料里:在2017年人工智能学会杂志里,指的是由通用AI引发的、尚未到来的未来热潮。编号所指的内容,事后可能会变

图所展示的:2017年写下的“高峰在2016年或2017年”这一预测,会因统计哪个词、何时检验结果,而被判断为说中或没说中。

131984・AI寒冬

是对未来的警告

这个词是什么时候、以什么含义出现的?

AI寒冬是指期待消退、研究经费和关注都减少的时期的称呼。找到的最早记录,是1984年美国人工智能协会大会(AAAI-84)上的一场讨论会。主持人德鲁·麦克德莫特(Drew McDermott)设想了这样的情形:5年后,战略计算计划(strategic computing initiative)和日本的第五代计算机都不成功,与AI沾边的东西一概拿不到研究经费,这是最糟的情景。他把这称为(译)。这个情景里还有大家把研究的名字改成别的名字的场面。这样一来,就算研究还在继续,词的数量也会显得减少。

在右边的图里打开“英语图书的词数与出处”,就能看到英语图书里词的数量。AI winter从1983年起一点点出现,到2010年代后半期大幅增加。second AI winter在2000年、first AI winter在2011年首次出现。

英语图书是给寒冬编号的。把20世纪70年代叫作,是后来的叫法。second AI boom、third AI boom、fourth AI boom的出现量少到无法统计。

常见说法常见说法:人们常以为“20世纪70年代研究经费的减少,当时就被称为‘AI寒冬’”
原始资料里:最早的记录是1984年,当时它是对将来可能到来的最糟情形的称呼

图所展示的:找到的“AI寒冬”最早记录是在1984年,当时它是对未来可能发生的最坏情形的称呼。把1970年代叫作“第1次寒冬”,是很久以后的叫法。

词出现的年份,以及它所指的时代
141985〜2026・流传

说出的人

有名的故事在流传中,说话的人会变吗?

英语版维基百科写道,在1984年的学会上,(译)警告了AI寒冬。它给出的出处是Crevier 1993年的书。

可是打开讨论的记录(AI Magazine,1985年)会发现,最先说出“AI Winter”这个词的是主持人德鲁·麦克德莫特,而且是以“被一些人称为‘AI寒冬’”(译)的方式介绍的。出席讨论的有Waldrop、Ohlander、Schank、Chandrasekaran、John McDermott共5人。明斯基的名字,只是作为另一场聚会的参加者出现了1次。

右边的图,把各个资料里出现的名字并排放着。点“对照讨论者名单”,名单上没有的名字就会被标上记号。有名人的名字,会在把故事讲短的过程中混进来。回到原始的记录,就能明白这一点。

Crevier的书,本站还没有打开过。明斯基在别的场合发出过同样警告的可能性依然存在。

常见说法常见说法:“‘AI寒冬’是尚克和明斯基在1984年的学会上警告时说的词”
原始资料里:按记录,说出这个词的是主持人德鲁·麦克德莫特,而且是以被一些人称为的方式介绍的。明斯基并不在讨论者之中

图所展示的:在原始讨论记录中,提到“AI Winter”的是主持人麦克德莫特,明斯基并不在讨论者之中。有名的人物可能在转述过程中被加进故事。

152017・DARPA

三次浪潮是按做法划分的

美国的研究机构是怎么数AI的历史的?

美国国防部的研究机构DARPA的约翰·朗奇伯里(John Launchbury),在2017年的幻灯片里用(译)来说明AI。第1波,是技术人员制定规则来表示知识(Handcrafted Knowledge)。第2波,是用统计方法构建数学描述,并用大量数据来训练(Statistical Learning)。第3波,是系统自己组装出能解释所处情境的数学描述(Contextual Adaptation)。幻灯片上没有写年代的划分。在日本被视为第3次热潮中心的、用数据学习的AI,在DARPA那里是。

右边的图是幻灯片里的螺旋例子。想用人定的规则(离中心的距离)把两条螺旋臂分开,行不通。把空间拉伸之后,一条线就能把它们分开。幻灯片说明,第2波的神经网络,是逐层拉伸、挤压空间来分开它们。

(x, y) → (θ, r)
r
离中心的距离
θ
转过的角度(每转一圈就加2π)。图中的拉伸方式是本站定的。第2波的AI,连拉伸的方式也是从数据中学来的
常见说法常见说法:AI历史的编号(第1次、第2次……)是全世界通用的
原始资料里:DARPA的浪潮是做法的种类。李开复的(译,2018年),是同时推进的4种用途

图所展示的:DARPA的“AI的三次浪潮”按制造方法分类,并非按年代划分。人工规则无法分开的螺旋,拉伸空间后就能用1条直线分开。

幻灯片上4种力量的柱条(本站目测读出的长度)
161995〜・炒作周期

套进山与谷的固定模式

新技术是不是总会走“期待的山峰 → 失望的低谷 → 趋于平稳”这条路?

咨询公司Gartner发布过一张用一条曲线表示人们对新技术期待变化的图(炒作周期,Hype Cycle)。在2019年日本的评估里,人工智能被放在了“幻灭期”。调查这张图的论文指出,这条曲线是由表示人们狂热的山形曲线,和表示技术成熟的S形曲线相加做成的。

在右边的图里,动动山峰的年份和S形曲线的年份看看。高度是计算出来的,使之与英语图书的数据最吻合。只用1975〜2010年的数据去套,这个固定模式重合得很好。可是,用这个模式去预测2022年,只有实际值的八分之一左右。与过去的数据重合,和猜中未来,是两回事。

2016年,Dedehayir和Steinert用Gartner自己的记录检验了这张图,报告说记录与图的固定模式之间存在出入。

期待(t)=A × 山形曲线(t)+B × S形曲线(t)
A, B
曲线的高度(用最小二乘法计算,使之与数据吻合)
t
年份
常见说法常见说法:新技术一定会按期待的山峰、失望的低谷、趋于平稳的顺序走
原始资料里:经过研究确认,并不能说一定照这个模式走

图所展示的:炒作周期的曲线形状与过去的数据很吻合,但用它预测2022年,结果只有实际值的约8分之1。符合过去和预测未来,是两回事。

固定模式的内部:山形曲线与S形曲线
172026・年表的厚度

英语AI年表里的日本

AI的年表,把哪个时代、哪个国家写得更厚?

我们数了一份可以动手操作的英语AI年表(加拿大机构GLOBAÏA)的数据。简介里说有(译),但数据是539条。其中2012年以后的事件有325条(约6成)。以日本为中心的事件有7〜8条(约1.5%)。每个事件的确凿程度,没有标示。

右边的图,是把539条按年份堆叠起来的样子。用滑块动动分界的年份,就会显示出该年以后的事件占全体的百分之几。紫色的点,是以日本为中心的事件的年份。

年表选哪些来载入,历史看上去就不同。越新的时代,越容易有更多的事件被选中。本站的年表,也请用同样的眼光来看。

分界年份之后的比例 = 该年之后的条数 ÷ 全部的条数
全部的条数
539条(其中1940年之前有45条)

年份取的是数据里year值的整数部分。

图所展示的:英语AI年表的539条记录中,约6成来自2012年及以后,以日本为中心的事件只有7〜8条。年表选择哪些事件,会改变历史呈现出的面貌。

181982〜1995・OCR文字

从OCR识别的文字里找

旧杂志里的字,是怎么检索的?这里有没有陷阱?

1982年的这个词,是在国立国会图书馆数字化图书和杂志的全文检索里找到的。检索的是机器从纸面照片上读出来的文字(OCR)。

可是,机器的识别会有错误。在1985年神沼二真先生的书里,同一年另一本书中读作的地方,成了乱掉的样子(〓列アーキテンチャー,〓 是没能读出的字)。用一模一样的字去搜,就找不到这本书。

所以要数一数改几个字就能一致(编辑距离),这样稍有不同也能搜到。在右边的图里,增加允许修改的字数看看。能找到的会变多,但也开始命中不同的词。

d(i, j)=min{ d(i−1, j)+1, d(i, j−1)+1, d(i−1, j−1)+(字符不同则为1)}
d(i, j)
让要找的词的前i个字,与句子的前j个字一致所需的最少修改次数

图里的句子,多数是本站编的例子(标有“作”字的)。

图所展示的:机器读取的旧文字会有错误,所以搜索完全相同的文字可能找不到。按需要修改多少个字符才能一致来搜索,就能找到,但允许修改得太多,也会匹配到别的词。

19本站的看法・可信度

彩色标签是怎么定的

本站事件上的彩色标签(可信度),表示的是什么?

本站的事件,每一条都带着一个标签,表示确认到了什么程度。在原始资料中确认:打开了原始资料,确认到页或段落。经汇总资料确认:没能打开原始资料,但在2份以上可靠的汇总资料里确认了相同的内容。确认较弱:只有1份汇总资料的,或资料之间的出入还没有定论的。只凭记忆、只凭猜测的,不作为事件载入。

右边的图是决定标签的路径。点下方这一章的事件,它经过哪条路变成那个颜色,就会亮起来。这一章的23条里,有18条是在原始资料中确认的。1982、1985、1993、1995年的编号用语这5条,没能看到纸面照片,只靠机器识别出的文字摘录确认,所以标为确认较弱。

对于资料之间年份或说法不同的,除了颜色之外,还加上“有出入”的标签,不选定任何一方,而是两边都写。

图所展示的:本站的彩色标签,取决于原始资料被打开核实到了哪一步。本章23条记录中,18条已在原始资料中确认,5条只有机器识别的文字,确认程度较低。

结语

这一章里,仍不清楚的事

词的出现数量,并不等于热潮本身的大小。称呼一变(电子脑 → 人工智能 → AI → 生成式AI),同样的数法就看不见了。图书和论文的数量本身,也在逐年增加。“AI”这两个字,也会成为其他词(AIDS、AIG、人名)的一部分,所以我们逐条查看内容、制定基准,重新数了一遍。国会里的“AI”在2020〜2021年减少的原因,无法归结为某一个(与传染病流行的年份重合)。

编号的历史里,也还留着不清楚的事。这种说法,在1985年之前是谁开始用的?最先说出“AI Winter”的是谁?在中文和韩语里,热潮是怎么数的?英语图书的数据只到2022年,所以那以后的英语说法也不清楚。

热潮有几次,要看数的基准是什么。下一章,我们回到这个名字诞生之前,从会思考的机器之梦和计算机的历史讲起。