AI 真的有「東海岸學派」嗎？從符號 AI 到自主 Agent 的演進

AI 真的有「東海岸學派」嗎？從符號 AI 到自主 Agent 的演進

「東海岸AI學派」並非人工智慧領域的正式分類。本文把它當成一個思想史框架，用來觀察1950至1970年代美國東北部研究機構如何推動符號推理、知識表示與自主機器。這條線從Dartmouth、MIT與John McCarthy、Marvin Minsky等人開始，後來和統計學習、深度神經網路及大型語言模型匯流。

理解這段歷史的價值，在於看清AI問題如何改變。早期研究者問「機器能否用規則推理」；深度學習時代把重心推向「模型能否從大量資料學到表示」；Agent時代則要回答「模型採取行動後，系統如何驗證、停止與承擔責任」。

實體索引｜AI「東海岸學派」與自主 Agent

• 思想實體：符號 AI、邏輯、知識表示、規劃、搜尋、機器學習、神經網路與自主 Agent。
• 演進欄位：規則、世界模型、感知、記憶、工具使用、目標、回饋、環境與行動循環。
• 概念辨識：「東海岸學派」較像對符號與認知傳統的整理性稱呼，不應當作單一正式機構或一致學派。
• 閱讀方法：追蹤符號表示如何與學習、規劃及工具調用結合，理解自主 Agent 是多種 AI 路線的組合。

快速抓住這篇文章

• 1956年的Dartmouth夏季研究計畫確立「Artificial Intelligence」名稱與研究議程。
• 早期符號AI把知識寫成符號、規則與邏輯，LISP成為重要程式語言。
• 專家系統證明規則能在窄領域產生價值，也暴露知識維護、例外與脆弱性問題。
• 深度學習與Transformer來自跨地區、跨機構的研究網絡，已經無法用東西岸地理切割。
• AI Agent把模型放進工具與回饋迴路；可靠性取決於權限、環境證據、評估與人工檢查。

先釐清：「東海岸學派」是什麼？

學界沒有一套共同教科書，將AI正式劃成東岸與西岸兩派。這個名稱適合作為閱讀線索：Dartmouth與MIT等東北部機構早期集中研究機器推理、符號處理、搜尋與知識表示；SRI與Xerox PARC等西岸團隊則經常被放在人機互動與智力增強的脈絡裡。

實際歷史比二分法更複雜。研究者會跨校流動，ARPA資金連接不同實驗室，控制論、神經網路、認知科學與人機互動也持續互相影響。本文保留「東海岸」標籤，是為了追蹤一條思想路線，沒有把所有AI成果都歸給某個地理區域。

1956年Dartmouth會議：AI成為可命名的研究計畫

John McCarthy、Marvin Minsky、Nathaniel Rochester與Claude Shannon在1955年提出Dartmouth Summer Research Project on Artificial Intelligence，活動於1956年夏季舉行。提案的核心猜想是，學習與智能特徵原則上可以被精確描述，進而由機器模擬。

這份提案列出的問題很廣，包括語言、神經網路、自我改進、抽象概念、隨機性與創造力。後來的研究沒有照著單一路徑前進，名稱與議程已經產生長期影響：智能被轉化成可建立模型、寫程式與設計實驗的工程問題。

符號AI如何理解智能？

符號AI把概念、事實與關係表示成可操作的符號，系統再依照規則搜尋或推導結果。棋局可以表示為狀態與合法步驟，數學定理可以表示為前提與推導規則，醫療判斷也能寫成症狀、條件與結論。

這套方法的優勢是可讀。工程師能檢查系統知道哪些事、使用哪條規則、為什麼得到某個結果。它在邊界清楚、知識穩定的領域特別有效。問題出現在開放世界：語言帶有歧義，常識包含大量例外，環境也會不斷變動。規則一多，彼此衝突和維護成本會快速上升。

John McCarthy、LISP與常識推理

McCarthy在1950年代末提出LISP，讓符號與程式本身都能以列表處理。這種表達方式很適合遞迴、搜尋與早期AI研究。LISP後來形成多個方言，也成為AI實驗室的重要工具。

他在「Programs with Common Sense」中提出Advice Taker構想，希望系統能接收陳述、保存知識並推導行動。這個願景至今仍熟悉：現代Agent同樣需要理解目標、保存狀態、使用工具與依照新證據更新行動。差別在於今天的模型大量依靠資料學習，外層系統仍需提供明確權限與驗證。

Marvin Minsky與問題分解

Minsky的工作跨越神經網路、認知理論、機器人與AI實驗室建設。他對智能的描述經常強調多種簡單機制共同運作。這提醒後來的工程師，複雜能力未必由單一演算法完成；感知、記憶、規劃、工具與評估可以由不同模組合作。

專家系統為什麼興起，又遇到哪些限制？

1970至1980年代，專家系統把特定領域知識整理成規則庫，再由推論引擎產生建議。它在設備設定、化學分析與醫療研究等窄領域展現效果，也讓企業第一次清楚看見知識工程的商業用途。

擴大部署後，幾個成本開始浮現：專家知識很難完整訪談，規則會隨政策與產品改變，例外需要人工補寫，系統也缺少對模糊感知資料的處理能力。當維護成本高過效益，投資熱度下降。這些經驗構成AI寒冬的一部分，也留下重要工程教訓：知識庫的更新機制和模型本身同樣重要。

深度學習改變了什麼？

深度學習將許多手工規則改成從資料中學習參數。影像、語音與自然語言等高維度輸入因此出現明顯進展。模型能找到人類難以逐條寫出的模式，決策過程也變得較難直接解釋。

2017年的Transformer論文提出以attention為核心的序列模型架構，後來成為大型語言模型的重要基礎。這段發展由全球研究社群共同推動，Google、加拿大研究團隊、歐洲機構、美國大學與開源社群都扮演角色。從這裡開始，地理學派只能當歷史入口，無法描述現代AI的實際生產網絡。

符號方法消失了嗎？

符號方法仍存在於資料庫查詢、規則引擎、型別系統、驗證器、知識圖譜、規劃器與權限政策。現代AI系統常把語言模型的彈性，和確定性程式的邊界放在同一個架構裡。

例如，模型可以負責把自然語言需求轉成候選行動；程式碼檢查參數、權限與預算；資料庫保存狀態；測試或外部環境提供結果。這類混合做法沒有要求模型內部變成傳統符號系統，工程上卻重新使用了規則、狀態與驗證。

從大型語言模型到AI Agent

大型語言模型先以文字輸入輸出受到注意，Agent再把模型接上搜尋、檔案、程式執行、瀏覽器或企業API。ReAct研究在2022年展示推理與行動交錯的提示方式：模型提出下一步、向環境取回資訊，再依照觀察更新計畫。

Anthropic將agentic systems區分為預先定義路徑的workflows，以及由模型動態決定工具與步驟的agents。這項區分很實用。固定任務優先使用工作流；步驟無法預先列完、環境會改變的任務，才需要增加Agent的彈性與成本。

AI Agent的能力來自整個系統

系統層	主要責任	常見失敗
模型	理解目標、產生候選計畫與行動	誤解、幻覺、過度自信
工具介面	把行動連到檔案、API或環境	參數含糊、權限過大
狀態與記憶	保存任務進度、證據與決策	過期資訊、內容污染
驗證器	檢查格式、政策、測試與結果	只檢查表面格式
控制器	管理預算、重試、停止與升級人工	無限迴圈、成本失控
觀測系統	記錄輸入、工具呼叫與結果	日誌不足、無法重現

把所有能力都歸給模型，會忽略生產系統最重要的部分。Agent每次行動都應取得環境證據，高風險操作要有更嚴格的核准，失敗也要能停止、回滾或交給人類。

哲學批評今天還有用嗎？

Hubert Dreyfus質疑形式規則能否涵蓋具身經驗與情境判斷；John Searle的中文房間思想實驗則追問符號操作和語義理解之間的差距。這些論辯沒有直接提供工程規格，卻持續提醒開發者：輸出看起來合理，不能自動證明系統理解、可靠或具有責任能力。

現代評估因此需要落到任務結果。回答要比對資料，程式要跑測試，交易要核對狀態，醫療與法律等高風險情境還需專業人員負責。系統表現可以被測量，關於意識與理解的哲學問題仍保持開放。

讀者常問

東海岸AI學派是真實存在的學派嗎？

它沒有正式成員與共同宣言，也未被學界列為標準學派。本文用它整理Dartmouth、MIT與早期符號AI的地理及思想連結。

符號AI已經被大型語言模型淘汰嗎？

沒有。規則、狀態機、知識圖譜、驗證器與權限政策仍廣泛使用。今天常見的做法，是讓語言模型處理模糊輸入，再用確定性系統控制行動與結果。

AI Agent和聊天機器人差在哪裡？

聊天機器人主要產生回覆；Agent會依目標選擇工具、改變外部狀態並根據結果繼續行動。工具權限與後果越大，驗證和人工核准越重要。

AGI已經接近了嗎？

目前沒有獲得一致接受的AGI定義、測量方式與時間表。討論具體能力、失敗率、成本和適用邊界，比宣稱某個確切到達年份更可靠。

結語

從Dartmouth到AI Agent，人工智慧持續在兩件事之間移動：如何表示智能，以及如何讓系統在環境中產生可驗證結果。符號AI留下規則與知識工程，深度學習帶來資料驅動的表示，大型語言模型則把自然語言推理接到工具。今天的難題已經進入系統層：誰給目標、誰限制權限、誰驗證結果、誰在失敗時負責。

資料來源

• Dartmouth：Artificial Intelligence Coined at Dartmouth
• John McCarthy：Recursive Functions of Symbolic Expressions
• Attention Is All You Need
• ReAct: Synergizing Reasoning and Acting in Language Models
• Anthropic：Building effective agents