Newell & Simon：让机器像人一样思考

图灵奖第十届（1975）| Newell & Simon：让机器像人一样思考

一句话概括：他们是人工智能的奠基人、认知科学的开创者，首次用计算机程序模拟人类的思维过程，并因此共同获得了1975年的图灵奖。

🏆 获奖简介

Allen Newell（艾伦·纽厄尔）与 Herbert Alexander Simon（赫伯特·亚历山大·西蒙，中文名：司马贺）是一对传奇的跨学科搭档。纽厄尔是计算机科学家和认知心理学家，西蒙则是横跨经济学、管理学、心理学和计算机科学的通才，他们携手在人工智能和认知科学领域做出了革命性的贡献。

• 获奖年份：1975年（共同获奖）
• 获奖原因：在人工智能、人类认知心理学和列表处理（List Processing）方面的基础性贡献。他们的工作证明了，计算机不仅可以用于数值计算，还可以用于符号处理，模拟人类的思维过程。

为什么是他们？ 在他们之前，计算机被认为是“算术机器”。他们证明了，计算机也可以是“思考机器”。他们开创了用计算机程序来建立和检验人类认知理论的先河，是真正意义上的人工智能之父。

🚀 他们的重大贡献

1. Logic Theorist (LT)：第一个人工智能程序

简单理解：这是一个能像人一样思考，并自动证明数学定理的程序。

背景：

• 时间：1956年
• 目标：证明伯特兰·罗素和阿尔弗雷德·怀特海在其巨著《数学原理》第二章中的52个定理。
• 合作者：J.C. Shaw，他负责具体的编程实现。

核心思想：

• 启发式搜索 (Heuristic Search)：人类在解决问题时，不会尝试所有可能的路径（暴力破解），而是会使用一些“经验法则”或“直觉”来缩小搜索范围。Newell和Simon将这种思想引入了程序。
• 符号处理 (Symbol Processing)：他们认识到，智能的核心是处理符号，而不是数字。他们将逻辑表达式（如 “p or q”）表示为计算机内存中的符号结构。

成果：

• LT成功证明了52个定理中的38个。
• 其中一个定理（定理2.85），LT找到了一个比罗素本人给出的更简洁、更优雅的证明。当他们把这个新证明提交给《符号逻辑杂志》时，却被拒绝了，因为“一个新定理的证明不能以一个机器作为作者”。

为什么重要？

• 标志着AI的诞生：LT是第一个真正意义上的人工智能程序，它展示了机器可以执行被认为是人类智能专属领域的任务。
• 启发式方法的胜利：证明了启发式搜索是解决复杂问题的有效方法，这一思想至今仍是AI的核心。
• 符号主义AI的开端：开创了“物理符号系统假设”的先河，即智能行为可以通过对符号的操作来实现。

2. General Problem Solver (GPS)：通用问题求解器

简单理解：在LT成功的基础上，他们试图构建一个能解决“任何”问题的通用框架，而不仅仅是证明数学定理。

核心思想：

• 手段-目的分析 (Means-Ends Analysis)：这是GPS的核心策略，也是人类解决问题的常用方法。
  1. 设定目标 (End)：明确你想要达到的状态。
  2. 评估现状 (Means)：看看当前状态和目标状态之间的差距。
  3. 寻找操作：找到一个可以缩小这个差距的操作。
  4. 应用操作：执行这个操作，进入新状态。
  5. 重复：循环以上步骤，直到差距为零。

举个例子：

• 目标：从家里去公司上班。
• 现状：在家里。
• 差距：地理位置不同。
• 操作：找到一个可以减少地理距离的操作，比如“开车”。
• 子目标：要开车，必须先有车钥匙。于是，“找车钥匙”成为一个新的子目标。
• 递归解决：GPS会递归地解决这些子目标，直到最终完成主目标。

为什么重要？

• 第一个通用AI模型：GPS试图将不同问题的求解过程抽象成一个统一的模型，这是AI从“专用”走向“通用”的第一次伟大尝试。
• 认知建模的里程碑：GPS不仅仅是一个程序，更是Newell和Simon对人类思维过程的一个理论模型。他们通过比较GPS的解题步骤和人类被试的口头报告，来验证其理论的有效性。
• 影响深远：手段-目的分析至今仍是规划、机器人和各种自动化系统中的核心算法之一。

3. 物理符号系统假设 (PSSH)

简单理解：这是一个关于“什么是智能”的大胆宣言。

假设内容：

“一个物理符号系统拥有进行一般智能行动的必要和充分条件。” (A physical symbol system has the necessary and sufficient means for general intelligent action.)

分解理解：

• 物理符号系统：任何一个由一组符号和一系列操作这些符号的规则组成的系统。比如，一台计算机、人的大脑，甚至一个算盘。
• 必要条件：任何表现出智能的系统（包括人），其本质必然是一个物理符号系统。
• 充分条件：只要你构建了一个足够复杂的物理符号系统，它就一定能表现出智能。

为什么这个假设如此激进？

• 将智能与物质解耦：它认为智能不依赖于特定的生物基础（如碳基生命、神经元），而是一种抽象的计算过程。任何能够实现这种计算过程的物理载体，都可以拥有智能。
• 为强人工智能提供了哲学基础：它断言，制造出与人同等甚至超越人类的智能是完全可能的，我们只需要找到正确的符号和规则。
• 引发了长达数十年的争论：这个假设遭到了很多哲学家的反对（如约翰·塞尔的“中文房间”思想实验），但它也激励了无数AI研究者。

4. 列表处理语言 (IPL)

简单理解：为了实现LT和GPS，他们需要一种新的编程语言，这种语言要擅长处理符号和复杂的、动态的数据结构，而不是像当时的Fortran那样只擅长算术。

背景：

• 当时的计算机内存是线性的、定长的数组。
• 逻辑定理和问题状态是树状的、动态变化的结构。
• 用Fortran来描述这些结构非常困难。

IPL的创新：

• 列表 (List)：发明了链表数据结构，每个数据单元不仅包含数据，还包含一个指向下一个数据单元的指针。这使得动态地组织和修改数据变得非常容易。
• 符号作为数据：可以直接操作符号，而不是它们的数字编码。
• 递归：首次在编程语言中引入了递归的概念，这对于处理树状结构至关重要。

为什么重要？

• Lisp的先驱：IPL的思想直接启发了John McCarthy，他后来创造了Lisp语言，而Lisp在接下来的几十年里成为了AI研究的“官方语言”。
• 现代编程语言的基石：链表、递归、动态内存管理等概念，如今已经成为几乎所有高级编程语言的标配。
• 第一个函数式编程的尝试：IPL具有很多函数式编程的特征，比函数式编程的正式出现早了很多年。

5. 认知科学的创立

简单理解：他们将计算机科学的方法引入心理学，创立了一个全新的交叉学科——认知科学。

核心思想：

• 将人脑比作计算机：他们认为，人的思维过程可以被看作是一种信息处理过程，就像计算机执行程序一样。
• “出声思维”法 (Think-aloud protocol)：为了研究人的思维过程，他们让被试在解决问题时大声说出自己脑中的每一步想法。然后，他们将这些口头报告与GPS等程序的执行轨迹进行对比。
• 计算机模拟作为理论验证：如果一个程序能够模拟人类在解决特定问题时的行为和思考步骤，那么这个程序本身就是关于人类如何解决该问题的一个理论。

为什么重要？

• 心理学的“认知革命”：在他们之前，心理学由行为主义主导，只研究可观察的外部行为（刺激-反应），不关心内部的思维过程。Newell和Simon的工作将研究焦点重新拉回了“心智”本身。
• 认知科学的诞生：他们的工作与乔姆斯基的语言学革命、米勒的“神奇数字7”等研究一起，共同催生了认知科学这一新领域。
• 跨学科研究的典范：他们的成功展示了计算机科学、心理学、语言学、经济学等学科交叉的巨大威力。

🌍 对世界的深远影响

1. 定义了人工智能的“符号主义”流派

AI领域有两大主流思想：

• 符号主义 (Symbolicism)：认为智能源于逻辑推理和符号操作。Newell和Simon是这一流派的开创者和旗手。
• 连接主义 (Connectionism)：认为智能源于大量简单单元（如神经元）的相互连接和并行处理。深度学习是其当代复兴。

在AI的早期，符号主义占据了绝对主导地位，这完全归功于Newell和Simon的开创性工作。专家系统、知识图谱、逻辑编程等技术都是符号主义的直接产物。

2. 奠定了认知心理学的基础

他们提出的“信息处理心理学”范式，至今仍是认知心理学的主流框架。我们今天讨论的“工作记忆”、“长时记忆”、“认知负荷”等概念，都源于这个框架。他们的思想直接催生了后来的各种认知架构，如ACT-R和他们自己的Soar。

3. 启发了现代编程语言的设计

虽然IPL本身已经不再使用，但它引入的概念已经深入骨髓：

• 链表：所有数据结构课程的必修内容。
• 递归：解决复杂问题的标准范式。
• 垃圾回收：虽然IPL是手动管理内存，但其动态性需求催生了后来自动内存管理思想。
• 函数式编程：Lisp、Haskell、Scala等语言都流淌着IPL的血液。

4. 改变了我们对“思考”的理解

在他们之前，“思考”是一个神秘的、属于哲学和心理学范畴的词。他们用严谨的计算机程序证明了，“思考”可以被形式化、被模拟、被理解。这是一种哥白尼式的革命，将人类从宇宙的中心移开后，又将人类心智从智能的唯一宝座上请了下来。

5. 赫伯特·西蒙：唯一的诺贝尔经济学奖+图灵奖得主

赫伯特·西蒙的研究领域横跨经济学、管理学、心理学和计算机科学，并都在这些领域做出了顶级的贡献。

• 1978年，他获得了诺贝尔经济学奖，因为他提出了“有限理性”（Bounded Rationality）理论。
• 有限理性理论：与传统经济学假设的“完全理性的经济人”不同，西蒙认为，人类在做决策时，受到信息获取能力、认知能力和时间的限制，我们追求的是“满意解”（Satisficing），而不是“最优解”（Optimizing）。
• 与AI的联系：他研究AI和认知心理学，正是为了理解“有限理性”的内在机制。GPS中的启发式搜索，就是“满意解”思想在问题求解中的具体体现。

🏆 获奖理由

ACM官方表彰：“与J. C. Shaw合作，在人工智能、人类认知心理学和列表处理方面做出了基础性贡献。他们的Logic Theorist是第一个证明了计算机可以进行超越算术运算的复杂符号处理的程序。他们的General Problem Solver通过手段-目的分析，模拟了人类解决问题的行为。他们的列表处理语言IPL-V，将列表处理技术引入了软件领域。”

更通俗的理解： 他们是第一批严肃对待“机器可以思考”这一想法，并用代码将其付诸实践的人。他们不仅创造了第一个AI程序，还为“如何科学地研究智能”提供了一整套方法论，这个方法论至今仍在深刻地影响着我们。

👤 个人生平与传奇合作

艾伦·纽厄尔 (Allen Newell, 1927-1992)

• 背景：最初学习物理，二战后在兰德公司工作，研究运筹学和组织理论。
• 转向AI：在兰德公司接触到计算机后，他敏锐地意识到这台机器的潜力远不止于计算。
• 性格：充满激情、思想深刻的系统构建者。他痴迷于构建统一的理论，无论是统一的认知理论（Soar）还是统一的编程理论。
• 晚年：致力于开发Soar，一个试图统一所有认知功能的宏大认知架构。1992年因癌症去世。

赫伯特·西蒙 (Herbert A. Simon, 1916-2001)

• 背景：一位真正的通才。他在芝加哥大学获得政治学博士学位，研究领域横跨公共管理、经济学、心理学、社会学和计算机科学。
• 学术生涯：长期在卡内基梅隆大学（CMU）任教，并帮助CMU建立了顶级的计算机科学系、商学院和心理学系。
• 性格：博学、严谨、视野开阔。他善于从不同学科中汲取思想，并将其融合成新的理论。
• 荣誉等身：除了图灵奖和诺贝尔奖，他还获得了美国国家科学奖章、美国心理学会的终身成就奖等。

传奇的合作

• 相遇：20世纪50年代初，两人在兰德公司相遇，一拍即合。
• 黄金组合：西蒙提供广阔的视野和深刻的洞察力，特别是关于人类决策和问题求解的思想；纽厄尔则负责将这些思想转化为具体的、可执行的计算机模型。
• CMU的黄金时代：他们共同在CMU创建了人工智能研究的“麦加”，吸引了全世界最优秀的人才。他们的合作持续了近40年，直到纽厄尔去世。
• 跨学科典范：他们的合作是跨学科研究史上最成功的案例之一，证明了不同领域的思想碰撞能产生多么巨大的能量。

经典语录

“计算机科学是一门经验科学。我们会构建系统，然后观察它们的行为。” - 艾伦·纽厄尔

这句话强调了AI研究的实验性质，与纯数学或理论物理不同。

“学习就是一种适应性改变，它使得系统在下一次遇到相同或类似的任务时，能够更有效地完成它。” - 赫伯特·西蒙

这句话精辟地定义了“学习”的本质，适用于人类，也适用于机器学习。

“解决一个庞大而定义不清的问题的第一步，是把它变成一系列定义清晰的小问题。” - 赫伯特·西蒙

这是“分而治之”思想的体现，也是GPS等系统的核心策略。

💡 核心思想深度解析

启发式搜索 vs. 暴力搜索

• 暴力搜索 (Brute-force Search)：尝试所有可能性。比如下棋时，考虑未来所有可能的棋局。对于复杂问题，这会导致“组合爆炸”，计算量大到无法承受。
• 启发式搜索 (Heuristic Search)：使用经验法则来引导搜索，优先探索那些“看起来更有希望”的路径。
  • 例子1：下象棋。启发式规则：“尽量占据中心位置”、“保护自己的王”、“吃掉对方更有价值的棋子”。
  • 例子2：导航。启发式规则：“优先走高速公路”、“避免拥堵路段”。
• Newell和Simon的贡献：他们首次将“启发式”这一心理学概念形式化，并成功地应用到计算机程序中，使其能够解决在当时看来不可能解决的复杂问题。A* 算法等现代搜索算法，都是在启发式搜索思想的基础上发展而来的。

物理符号系统假设的争议

支持者认为：

• 大脑就是一台“肉机”：大脑的活动本质上也是物理过程（神经元放电），这些过程在处理信息，因此大脑就是一个生物实现的物理符号系统。
• AI的成功案例：从下棋程序到专家系统，再到今天的语言模型，AI的巨大成功似乎在不断印证这个假设。

反对者认为：

• 约翰·塞尔的“中文房间”：一个不懂中文的人，可以按照一本规则书（程序）来处理输入的中文符号，并输出正确的中文回答。这个人（CPU）和规则书（程序）组成的系统，能够通过图灵测试，但它真的“理解”中文吗？塞尔认为不理解，它只是在进行无意义的符号操作。
• 智能的“具身性”：很多哲学家和认知科学家认为，智能离不开身体与环境的互动。思考不仅仅是头脑中的符号游戏，还包括感知、情感、运动等。
• 连接主义的挑战：深度学习的成功表明，智能也可以从大量的、非符号化的数据中“涌现”出来，而不需要明确的符号和规则。

今天的看法： 这场争论至今没有定论。但大多数研究者认为，符号主义和连接主义可能只是解释智能的不同层面。或许，人类智能是两种模式的结合：底层的、直觉性的思维（类似连接主义），和上层的、逻辑性的思维（类似符号主义）。

有限理性与满意解

• 传统经济学：假设人是“经济人”（Homo economicus），拥有完全的信息，无限的计算能力，总是追求“最优解”。
• 西蒙的“有限理性”：
  • 信息有限：我们不可能知道所有选项。
  • 认知有限：我们的大脑处理能力有限。
  • 时间有限：我们必须在有限的时间内做出决策。
• 满意解 (Satisficing)：因此，我们不会去寻找那个虚无缥缈的“最优解”，而是会寻找第一个“足够好”的解。我们设定一个“期望水平”，一旦找到一个超过这个水平的选项，搜索就停止。
  • 例子：找工作时，你不会面试完世界上所有的公司再做决定，而是会设定一些标准（薪水、地点、行业），找到第一个满足这些标准的工作可能就接受了。
• 与AI的联系：启发式搜索就是一种寻找“满意解”的策略。它不保证找到最优路径，但通常能很快地找到一条足够好的路径。这使得AI在资源有限的情况下，能够高效地解决现实世界中的复杂问题。

🔍 经典思想的现代回响

从GPS到现代AI规划

• STRIPS规划：受GPS启发，是机器人和自动化系统中最经典的规划算法之一。
• 分层任务网络 (HTN)：将复杂任务分解成子任务，与GPS的手段-目的分析如出一辙。
• AlphaGo：虽然是深度学习的产物，但其蒙特卡洛树搜索中也包含了启发式思想，优先探索更有价值的棋局。

从IPL到现代编程

• Lisp & Scheme：AI领域的常青树，至今仍在学术界和某些工业界领域使用。
• Python & JavaScript：这些语言中的列表、字典（哈希表）、递归、高阶函数等特性，都可以追溯到IPL和Lisp。
• 函数式编程复兴：近年来，随着并行计算需求的增加，函数式编程（强调无副作用、数据不可变）越来越受到重视，这正是IPL/Lisp思想的现代回响。

从认知建模到人机交互

• GOMS模型：由纽厄尔的学生提出，用于分析和预测用户在人机交互中的行为效率，是HCI领域的经典模型。
• 认知负荷理论：在设计用户界面时，要尽量减少用户的“脑力负担”，这一思想源于对人类信息处理能力有限性的研究。
• 智能助手 (Siri, Alexa)：它们试图理解用户的意图（目标），并将其分解成一系列可执行的操作，这正是GPS思想的商业化应用。

🎯 实践建议：如何学习Newell和Simon的智慧

对AI学习者

1. 掌握搜索算法：深入理解深度优先搜索（DFS）、广度优先搜索（BFS），以及最重要的A*搜索。这是所有AI应用的基础。
2. 区分不同AI流派：理解符号主义、连接主义、行为主义的哲学思想和技术路线，这能帮助你建立对AI领域的宏观认识。
3. 学习一点Lisp或Scheme：即使不作为主力语言，学习Lisp也能让你对“代码即数据”、宏、递归等概念有更深刻的理解，从而写出更优雅的Python或JS代码。
4. 阅读经典论文：尝试阅读《GPS: A Program that Simulates Human Thought》等经典论文，感受那个时代的开创性思想。

对产品经理和设计师

1. 运用“手段-目的分析”：在设计产品时，将用户的最终目标分解成一系列更小的、可操作的步骤，并为每一步提供清晰的指引。
2. 考虑“有限理性”：不要假设用户是完美的、理性的。用户会犯错、会偷懒、会分心。设计时要提供容错机制，简化决策流程，突出“满意”选项。
3. 管理“认知负荷”：界面要简洁，信息要清晰。一次只让用户专注一件事。避免不必要的弹窗、选项和干扰。

对所有人

1. 用“启发式”解决生活问题：面对复杂决策时，问问自己，有没有一些可以快速排除大部分选项的“经验法则”？
2. 用“手段-目的分析”来规划任务：设定一个大目标，然后反向推导，为了实现它，我需要先完成哪些小目标？
3. 拥抱“满意解”：在很多时候，“完成”比“完美”更重要。不要因为追求虚幻的“最优”而陷入无尽的纠结和拖延。

🏁 结语：思想的永恒之光

艾伦·纽厄尔和赫伯特·西蒙的贡献是如此基础和深刻，以至于我们今天已经感觉不到它的存在，就像鱼感觉不到水一样。他们提出的概念——启发式搜索、符号处理、列表、递归——已经完全融入了现代计算机科学的血液。

他们是真正的跨界大师，用计算机科学的严谨，探索了人类心智的奥秘；又用心理学的洞察，指引了人工智能的发展方向。他们的合作，是科学史上最伟大的二重奏之一。

他们最重要的遗产，或许是这样一种信念：人类的思维，这个宇宙中最复杂的现象之一，是可以被理解的。而理解它的最好方式，就是尝试去构建它。

这束始于1956年的思想之光，穿越了半个多世纪的时光，至今仍在照亮我们探索智能本质的道路。

---

附记：赫伯特·西蒙的自传名为《我生活的种种模式》(Models of My Life)，这个书名完美地概括了他的一生：他不仅用模型来研究世界，也用模型的视角来审视自己的人生。他真正做到了知行合一，将科学探索和个人生活融为了一体。

🧪 思考题与实践练习

基础练习

1. 手动模拟GPS 选择一个日常任务，比如“做一顿番茄炒蛋”。

• 目标：桌上有一盘番茄炒蛋。
• 现状：在厨房，有番茄和鸡蛋。
• 手动模拟：写出GPS会如何通过“手段-目的分析”来分解这个任务，直到每个步骤都是一个基本操作（如“拿起鸡蛋”、“打开炉灶”）。

2. 识别生活中的启发式 列出你在做以下决定时，可能会用到的3个“启发式”或“经验法则”：

• 选择一家餐厅吃饭。
• 在超市里买牙膏。
• 决定今天穿什么衣服。

3. 体验“满意解” 下次你在网上购物时（比如买一件T恤），有意识地实践“满意解”策略：

• 设定标准：预先设定好你的要求（如：价格低于100元，纯棉，白色，有评价）。
• 停止搜索：找到第一个满足所有标准的商品后，立即下单，不要再继续浏览“可能更好”的选项。
• 反思：记录下这次决策花费的时间和最终的满意度，与你平时“货比三家”的决策方式做对比。

进阶挑战

4. 设计一个简单的“专家系统” 选择一个你熟悉的、范围很窄的领域（比如“如何给室内植物浇水”），设计一套“如果…那么…”的规则。

• 示例规则：“如果土壤表面干燥，并且距离上次浇水超过一周，那么浇水200毫升。”
• 这个练习能让你体会到符号主义AI如何将专家知识形式化。

5. 编程练习：实现链表 如果你是程序员，尝试用你熟悉的语言（如Python），不使用内置的列表/数组，从头实现一个简单的链表数据结构，至少包含以下操作：

• append(value): 在末尾添加元素。
• find(value): 查找一个元素是否存在。
• print_all(): 打印所有元素。
• 这个练习能让你深刻理解IPL的底层思想。

高级探索

6. 辩论：物理符号系统假设 组织一个小型的辩论会，或者写一篇短文，论证或反驳“物理符号系统假设”。

• 正方：可以引用专家系统、AlphaGo的成功作为论据。
• 反方：可以引用“中文房间”思想实验、深度学习的“黑箱”特性作为论据。

7. 阅读赫伯特·西蒙的诺奖演讲 去诺贝尔奖官网查找并阅读赫伯特·西蒙1978年的获奖演讲稿《Rational Decision-Making in Business Organizations》。

• 思考：他是如何将心理学、计算机科学和经济学联系起来的？“有限理性”对现代商业决策有何启示？

📚 推荐阅读与延伸学习

核心著作

• 《人类问题解决》 (Human Problem Solving, 1972) - Newell & Simon
  • 这是他们思想的集大成之作，详细阐述了GPS和人类信息处理理论。学术性很强，适合专业研究者。
• 《我生活的种种模式》 (Models of My Life, 1991) - Herbert A. Simon
  • 西蒙的自传，可读性非常强。从中可以看到一位跨界大师是如何思考和工作的。
• 《人工科学》 (The Sciences of the Artificial, 1969) - Herbert A. Simon
  • 西蒙的另一本杰作，探讨了设计、复杂性、层级等核心概念，视野非常开阔。

相关经典

• 《哥德尔、艾舍尔、巴赫：集异璧之大成》 (Gödel, Escher, Bach: an Eternal Golden Braid, 1979) - Douglas Hofstadter
  • 这本神作深入探讨了递归、智能和意识的本质，深受Newell和Simon思想的影响。
• 《人工智能：一种现代方法》 (Artificial Intelligence: A Modern Approach) - Stuart Russell & Peter Norvig
  • AI领域的标准教科书，可以从中系统地学习搜索、规划等Newell和Simon开创的领域。

视频与讲座

• 赫伯特·西蒙的访谈：在YouTube上可以找到一些西蒙晚年的珍贵访谈录像，听他亲自讲述自己的研究历程。
• CMU的AI课程：卡内基梅隆大学的公开课网站上，有许多关于AI历史和经典算法的课程，可以追溯到Newell和Simon的源头。

🌟 结语：思想的永恒之光

艾伦·纽厄尔和赫伯特·西蒙的贡献是如此基础和深刻，以至于我们今天已经感觉不到它的存在，就像鱼感觉不到水一样。他们提出的概念——启发式搜索、符号处理、列表、递归——已经完全融入了现代计算机科学的血液。

他们是真正的跨界大师，用计算机科学的严谨，探索了人类心智的奥秘；又用心理学的洞察，指引了人工智能的发展方向。他们的合作，是科学史上最伟大的二重奏之一。

他们最重要的遗产，或许是这样一种信念：人类的思维，这个宇宙中最复杂的现象之一，是可以被理解的。而理解它的最好方式，就是尝试去构建它。

这束始于1956年的思想之光，穿越了半个多世纪的时光，至今仍在照亮我们探索智能本质的道路。

---

附记：赫伯特·西蒙的自传名为《我生活的种种模式》(Models of My Life)，这个书名完美地概括了他的一生：他不仅用模型来研究世界，也用模型的视角来审视自己的人生。他真正做到了知行合一，将科学探索和个人生活融为了一体。