从I到R：人工智能语言简史

整理 | apddd

出品 | AI科技大本营（ID:rgznai100）

编程语言之所以能持续吸引新用户，大多并非源于语言自身特性，而是因其成为了某种流行系统的一部分。AI编程语言的历史亦大抵如此。

史前时代

高级语言出现前，人们就已经在开发复杂的AI应用程序，比如IPL（Information Processing Language），仅比机器语言略高级（国际象棋程序NSS、Logic Theorist和General Problem Solver，都是使用IPL在IBM计算机上开发）。

IPL引入的大量特性如今仍在使用，比如列表、递归、高阶函数、符号，甚至能将元素列表映射到一个迭代并处理该列表的函数的生成器。

尽管IPL大获成功并广泛部署在当时的计算机架构上，但它很快被一种更高级的语言所取代，在几乎60年后仍在使用。

LISP叱咤六十年

彼时，许多AI问题都被视为搜索问题，1956年，John McCarthy创建了一种称为alpha-beta剪枝的树搜索剪枝模式。资源有限的早期计算机系统上，内存和计算能力受到严重限制，但这项技术，使开发人员能编写逻辑复杂的程序。当时AI游戏应用程序，普遍应用了alpha-beta剪枝算法。

LISP是从AI研发中孕育出来的——因为AI对应用程序有独特需求，不断有语言被创造出来。

这年8月的达特茅斯会议，虽没有达成普遍的共识，但是却为会议讨论的主题起了一个名字：人工智能。因此，1956年也被称为人工智能元年。

达特茅斯会议之后，McCarthy致力于为AI工作开发一种专注于IBM 704平台的语言（IBM是当时对AI研究有大量资助）。1957年，在同一平台上引入了FORTRAN，而IBM用一种称为FORTRAN List Processing Language (FLPL) 的语言将FORTRAN扩展用于列表处理，成功用于IBM的平面几何学项目，但作为FORTRAN的扩展，FLPL缺少一些关键特性，例如递归、条件表达式。

LISP的演化，经历了三个阶段：

1. 1956至1958年夏天，John McCarthy完成了对LISP的大部分构想（部分基于FLPL）。

作为编程语言，McCarthy在设计LISP时，遵循的主要原则包括：

• 使用符号表达式（symbolic expression），而非数值（number）计算——创新之处还在于，舍弃了人们熟悉的中缀表示法，而以前缀表示法代之，这样可以简化逻辑、代数运算，否则得额外加入一个翻译程序——在编写大型程序时，这种设计令LISP较同一时代的其他几种符号语言（如SNOBOL）更具优势。

McCarthy后来评价道：“这个明智的选择，好比计算机采用二进制而非十进制，并且有过之无不及。”这是种违反直觉的表达方式，在当时能够被接受，也是因为1950年代，在计算机上输入和输出与今天大不相同（穿孔卡片，而非更直观的显示器），那时的程序员们不大在意前缀还是中缀。

• 符号表达式及其他信息，都以“列表”（list）结构，储存在内存中——这样才能既像句子一样表达信息，又适合作为程序代码精确执行，进行逻辑演绎；
• 在外部媒介，以多重列表和S-expression表示信息；
• 函数由一小组选择和构造操作组成；
• 构造函数用于组成更复杂的函数；
• 由条件表达式选择函数执行的分枝，条件表达式的布尔值，可起到连接程序的作用；例如（M, N1, N2）——依据M的取值，执行N1或N2，其优点在于缩短了代码，并提高了可读性
• 函数中引入递归条件表达式；
• 使用Lambda表达式为函数命名——以使函数可匿名优雅地作为参数递归调用——McCarthy曾说：“Church的书其余部分我都没读懂，因此只借用了这么一个概念，而没照搬他那套更通用的机制来定义函数。比如Church就不是用条件表达式——但对计算机来说，条件表达式反而顺理成章。”
• LISP程序亦是LISP数据；
• eval既是函数，也是解释器；
• 引入垃圾回收机制；
• 数学上简洁也是语言的设计目标，因而要克制语言核心功能。

这些原则多数由LISP原创。而且仅用quote、atom、eq、car、cdr、cons和cond七个操作符构造，令它既成为优雅的数学系统（对于可计算函数，以及递归，比图灵机和当时的递归函数理论都要简洁得多），又是实用的编程语言。从语言角度看，这是它经久不衰的原因之一（仍在广泛使用，仅次于FORTRAN，第二古老的高级编程语言）。

在千禧年伊始，曾将LISP重新带回大众视野的YC创始人Paul Graham这样评价：“McCarthy对编程的贡献，有如欧几里德对几何的贡献。……与其说LISP是他的设计，不如说是他的发现。”

2. 1958年秋，至1962年，语言被真正实现，并开始应用于AI

McCarthy最初的设想，是开发一个编译器，但在当时的技术条件下，编译器是个大工程，要先做些验证工作，例如子程序链接、堆栈的处理、擦除之类的大致范本。于是McCarthy的第一步，是手工把函数翻译成汇编语言，以及子程序，完成一个可以读取、打印list结构的“LISP环境”。

代码起初使用M-expressions语法（现代语言中，如果你用过Mathematica/Wolfram，就是这种语法），为的是与FORTRAN尽可能接近，而现代LISP使用S-expression：

M-expressions表示函数和参数 f[x;y]

S-expressions表示函数和参数 (f x y)

第一个LISP实现，是Steve Russell在IBM 704上实现的，他用更低阶的机器语言编写了通用求值器，这样在解释器里，就可以运行LISP程序了——REPL（读取-求值-输出循环，越来越多现代编程语言开始包含这个功能）。

现代LISP方言里，仍在使用的car（返回列表的第一项）和cdr（返回列表第一项之后的其他项）（读音分别为：/kɑːr/和/ˈkʊdər/）两个操作符，是IBM 704汇编语言的两个宏。

提到Steve Russell，他还和同学编写了视频游戏的始祖《Spacewar!》，另外，当年他还是湖畔中学编程小组两位同学Bill Gates和Paul Allen的指导老师。

LISP 1.5是第一个被广泛使用的版本，1962年，由McCarthy和他在MIT的同事完成。

3. 1962年之后，多种LISP标准出现，不同领域融入了不同想法

1968年，MIT的Terry Winograd（后来他去了斯坦福大学，还成了Google创始人之一Larry Page的PhD导师）用LISP开发了一个开创性的程序SHRDLU（ http://hci.stanford.edu/winograd/shrdlu/ ），能使用自然语言与用户进行交互。

程序代表着一个积木世界，用户可以与该世界进行交互：“拿起大个儿红色积木”、“一块积木能否支撑锥体？”。这个积木世界中的自然语言理解和规划的演示，让当时的人们对AI和LISP语言抱有极大希望。

作为编程语言，LISP 1.5有诸多限制，比如数值计算非常缓慢，用寄存器块表示对象，以及GC都没实现，而对AI研究来说，当时科研机构里最流行的PDP-10处理能力和内存也都已经无法胜任，LISP 2和之后出现的硬件——Lisp Machine工作站修正了这些问题。

Lisp Machine商业价值巨大，众多产品中，从MIT AI Lab分化的商业品牌Symbolics对后人的影响最深远——不单因为symbolics.com是第一个.com域名，它的商业化过程，也是黑客文化的分水岭，MIT黑客社区开放合作的文化几乎因此终结，作为反抗Richard Stallman发起GNU。

冬眠与新生命

1974至1993年是AI开发和资助的一个不稳定时期。其中1980年，专家系统曾经短暂重燃了人们对AI的关注并带来了资金。这段时间，LISP继续被用在一系列应用中，通过各种方言得到传播——主要靠着Common LISP、Scheme、Clojure和Racket生存了下来。

LISP背后的概念继续通过这些语言和其他语言而扩展到了函数领域之外，例如LISP继续为最老的计算机代数系统Macsyma（由MIT AI小组开发）提供支持，是Mathematica、Maple的鼻祖。

但这个时期孕育出了新的方法，比如连接机制方法再次兴起，以及新的神经网络方法提出，AI研究走入近代。

LISP方言激增（流行的有Maclisp、ZetaLisp、NIL等），导致了名为Common LISP出现，该语言主要改良自MacLisp，集当时的流行方言特性之大成。1994年，Common LISP被批准为美国国家标准协会X3.226-1994标准。

在这个时间段，其他语言开始相继出现，它们不一定专注于AI，但推动了AI的发展。C语言是专为UNIX系统设计的的一种系统语言，但它很快发展为一种最流行的语言（具有各种变体，比如 C++），从系统到嵌入式设备开发都在使用它。

计算架构和AI理论都发生了变化，在AI应用上，LISP已经不是唯一选择，C/C++、Prolog都颇受欢迎，例如深蓝的核心用C编写，Watson解析自然语言部分用的是Prolog（读者们熟悉的AlphaGo主要以C++和Lua写成）。

一种名为Prolog (Programming in Logic)的关键语言在法国开发出来。该语言实现了一个称为霍恩子句的逻辑子集，它允许使用事实和规则来表示信息，而且允许对这些关系执行查询。下面的简单Prolog示例演示了如何定义一个事实（苏格拉底是一个凡人）和一条规则（规定凡人终有一死）：

man( socrates ). // Fact: Socrates is a man.

mortal( X ) :- man( X ). // Rule: All men are mortal.

Prolog继续被用在各种领域，而且拥有许多变体，这些变体合并了诸多特性，比如面向对象、编译为原生机器码的能力，以及流行语言（如 C）的接口。

Prolog在这段时间的关键应用之一是开发专家系统。这些系统支持将知识整理为事实，然后利用一些规则基于此信息进行推理。这些系统的问题在于，它们很脆弱，而且将知识保留在系统中既麻烦又容易出错。

Prolog和LISP 不是唯一用于开发生产系统的语言。1985年，C语言集成生产系统 (CLIPS) 被开发出来，成为了构建专家系统使用最广泛的系统。CLIPS在一个由规则和事实组成的知识系统上运行，但它是用C编写的，而且提供了一个C扩展接口来提高性能。

专家系统的失败是导致第二个AI寒冬来临的一个因素。它们的前景和交付能力的缺乏导致AI研究资金显著减少。但是，这个灰色时期孕育出了新的方法，比如连接机制方法再次兴起，并让我们进入了近代时期。

近代时期

AI的近代时期开始从实用的角度考虑该领域，而且非常成功地将AI方法应用到实际问题上，包括AI历史发展初期的问题。尽管新语言被应用来解决AI问题，但AI的主力（LISP和Prolog）继续得到应用并取得成功。在这个时代，连接机制和新的神经网络方法也再次兴起。

在这个时期，多样化的编程语言开始出现，一些基于计算机科学中的新概念，另一些基于关键特征（比如多泛型和容易学习）。Python属于后一种类别的关键语言。它是一种通用解释型语言，它包含来自许多语言的特性（比如面向对象特性和受LISP启发的函数特性）。

Python在智能应用程序开发中的实用之处在于，在该语言外有许多模块可用。这些模块涵盖了机器学习（scikit-learn、Numpy）、自然语言和文本处理 (NLTK)，以及包含广泛的拓扑结构的许多神经网络库。

R语言（以及使用它的软件环境）大抵遵循Python模型。这是一种用于统计编程和数据挖掘的开源环境，使用C语言开发。

因为大量现代机器学习实质上是统计性的，所以使用R有颇多便利，自2000年发布稳定版本以来越来越受欢迎。R包括大量的涵盖各种技术的库，还包括使用新特性扩展该语言的能力。

随着回归到连接机制架构，新应用应运而生，改变了图像和视频处理和识别的局面。深度学习被用于识别图像或视频中的物体，通过自然语言提供图像或视频的文本描述，甚至通过实时检测道路和物体为自动驾驶车辆铺平道路。其网络可能非常庞大，以至于传统计算架构无法高效处理。但通过引入图形处理单元 (GPU)，现在可以应用这些网络。

此时，需要使用新的语言将传统CPU和GPU结合起来。Open Computing Language (OpenCL) 的开放标准语言允许在包含数千个处理单元的GPU上执行类似C或C++的程序，并允许通过CPU统筹安排GPU内的操作并行性。

结语

影响语言兴衰的另一股暗流，是流水线般的现代软件产业，它令一切工程朝着这样的方向一去不返——工程师需要像零部件一样，随时可被替代，员工通过培训即可上岗，再强大的编程语言亦无法抵抗这股潮流，然而所谓的“工业最佳实践”，对开发字处理软件，与构建精巧的思维系统是一回事吗？

（本文为 AI科技大本营整理文章，转载请微信联系 1092722531。）