1981 年 8 月，加拿大温哥华，第 7 届 IJCAI（国际人工智能联合会议）会场。一个来自中国的学者坐在台下，周围全是英语流利、已经在 AI 领域深耕多年的欧美研究者。他手里攥着自己的论文打印稿——那是这份工作被国际同行看到的极少数机会之一。这个人是清华大学的林尧瑞教授。

四十年后再回头，IJCAI 今天已经是全球人工智能领域的顶级会议，中国研究者的投稿量常年稳居世界前列。但很多人不知道，中国研究者第一次真正站在 IJCAI 的讲台上，是从林尧瑞教授开始的。我花了不少时间把这段历史的前前后后捋了一遍，越捋越觉得，这不只是一次学术出访的记录，更是一部中国 AI 从零起步的微型样本。林老的经历里藏着太多今天做 AI 的人依然用得上的东西：国际会议怎么参与、研究方向怎么选、一个学术共同体怎么从空白长成森林。

这篇文章就围绕林尧瑞教授的这次参会展开，复盘他的研究路径、参会细节，以及从零开始做 AI 研究的方法论。无论你是正在写第一篇论文的研究生，还是想了解中国 AI 早期历史的从业者，这篇都值得看完。林老的每一步，放在今天依然非常能打。

1. 中国 AI 第一次站上世界舞台：IJCAI-81的台前幕后

1.1 IJCAI 是什么，为什么中国参会值得被记住

IJCAI 是国际人工智能联合会议的缩写，全称是 International Joint Conference on Artificial Intelligence。它从 1969 年开始举办，每两年一届（后来改为每两年一次，奇数年份召开），是人工智能领域历史最悠久、覆盖面最广的学术会议之一。计算机视觉有 CVPR，自然语言处理有 ACL，而 IJCAI 覆盖面最广——传统 AI、知识表示、机器学习、规划、搜索、多智能体系统，全都囊括其中。

放在 1981 年，IJCAI 已经举办了七届，是国际 AI 学术界公认的最高舞台。那时候中国的 AI 研究处于什么状况？今天很多人可能想象不到——几乎是一张白纸。上世纪七十年代末，国内才逐渐恢复学术研究的正常秩序，人工智能作为一个学科方向，在国内高校和科研院所里还是极其边缘的存在，甚至部分人连“人工智能”这个词都还没有清晰的概念。当时林尧瑞教授所在的清华自动化系，已经开始尝试做一些模式识别、专家系统相关的工作，但无论从国际交流、论文发表还是研究范式上，都处于起步摸索阶段。

1981 年林尧瑞教授带着自己的研究工作去参加 IJCAI，意义就非同小可。这是中国学者第一次以正式参会者身份，在这个国际顶级 AI 学术会议上发表学术报告。它不是一次简单的出国开会，而是一个学术共同体蹒跚起步的标记：中国的 AI 研究者开始把自己的工作放到国际标准里去检验。

1.2 那个年代，一次国际参会要付出的成本

今天的学术会议，注册费、机票、酒店，掰着手指头就能算清楚，签证材料一交，流程透明，跨国交流是日常。但 1981 年的情况完全是另一个概念。

当时的外汇额度非常紧张，出国参会不是个人能决定的事情。一篇论文从投稿到录用，再走到温哥华的会场，中间隔着层层审批、多方协调。资料显示，林尧儒教授在 IJCAI-81 发表的工作是基于汉语语言理解的研究——把中文语句转成可计算的结构，用于人机对话系统。这个方向搁今天看依然有非常大的研究空间，而他在八十年代初就已经开始做了。

更不容易的是，1981 年的中国，电脑是极稀罕的资源。做汉语信息处理，首先要解决汉字的输入和表示问题——这在今天是家常便饭，但在字符编码、操作系统都还没有统一标准的年代，每一项都是需要从底层攻克的硬骨头。林尧瑞教授和团队使用的是当时国产的计算机设备，性能极其有限，存储空间以 KB 计算，程序设计基本靠纸带和汇编级操作。在这种条件下做出一个能跑通的人机对话原形系统，难度和今天训练一个大模型完全不是一个量级，对研究者基础功的要求反而更高。

这也是为什么我觉得这段历史值得被记录。它不只是一个“第一位”的头衔，它代表的是：在资源极度有限、没有任何先例可循的情况下，一批研究者靠着学术远见和对技术趋势的判断，硬生生把中国的 AI 研究送上了国际轨道。

2. 研究方向怎么选：汉语人机对话背后的决策逻辑

2.1 为什么是“人机对话”而不是别的方向

林尧瑞教授团队选择汉语人机对话作为切入点，这个选择在当年的背景下其实非常聪明。我研究了一下当时的学术热点。七十年代到八十年代初，国际 AI 的主流方向包括专家系统、自然语言理解、机器人和认知建模。其中自然语言处理是核心中的核心，因为它是检验机器“智能”的关键场景之一。

但国内做 NLP 有一个天然的难点：语言不同。欧美的自然语言处理研究基本都基于英语，语法结构、形态变化、语料资源都有一套成熟积累。如果直接照搬英语 NLP 的技术路线，中文信息处理会有大量难以匹配的问题：分词就是最基本的坎，英文单词天然有空格分隔，中文没有；语法分析上，英语有明确的形态和格标记，中文的“意合”特点让句法结构更难自动判别；语料资源更是谈不上，八十年代初根本没有数字化的中文语料库。这些痛点，恰恰意味着天然的研究空间。

林老团队选汉语言人机对话，其实是在国际主流方向和本地化难题的交汇处找了一个切入点。既有学术前沿的位置，又有极强的本土必要性。今天做 AI 的人经常讲“找准赛道”“差异化竞争”，林老四十年前的选择就是一个教科书级的示例。

从更广阔的视角看，汉语人机对话的研究不仅对 AI 学科有价值，对国家的信息化建设也有直接意义。中文信息处理是中文计算机应用的底层支撑，汉字输入法、中文操作系统、机器翻译，全都依赖这方面的基础研究。这也反映了一代学者的研究眼光：他们选课题时不只是盯着学术热点，还会掂量课题对国家需求的支撑分量。

2.2 “小切口深挖掘”的研究路线

林尧瑞教授团队在汉语人机对话上走的是“小切口深挖掘”的路径。他们在早期构建的系统，中文理解范围是受限的——限定领域、限定句型，先把一个完整的人机对话流程跑通，再逐步扩展表达能力。

这个逻辑在今天的大语言模型时代看起来不“酷”，但在八十年代是唯一可行的做法。当时的算力、存储和算法理论都决定了，研究者不可能去做通用语言理解。能做的，就是把一个受限场景里的语法规则、语义分析和对话策略做到极致。这也是一种工程与理论并进的策略：每一步都有可以量化的进展，每次迭代都能积累可复用的模块。

我在自己的工程实践里也很认同这种路线。很多研究者和开发者一开始就想着做出大而全的通用系统，结果资源分散，哪个模块都没做到位。反倒是林老那种一针扎到底的做法——把一个受限问题吃透，建立完整的知识表示和处理流程——更容易出成果。等到基础打牢了，再往横向扩展，每一步的增量成本都会低不少。

2.3 当时最难的三个技术卡点

如果要把林老团队当时的工作拆解成技术难点，我总结下来有三个最核心的卡点。

第一，中文分词。英文按空格分词非常直接，中文没有天然的分隔符，词边界需要靠算法推断。八十年代没有大规模语料来做统计学习，分词基本得靠词典和人工规则。词典怎么构建、未登录词怎么处理、歧义字段怎么消解——这些都是林老团队必须从零解决的问题。这个问题的复杂度，今天我们用 jieba 或者其他词法分析工具时感受不到，因为背后已经积累了几十年的研究成果。

第二，句法分析。中文是一种分析语，缺乏形态变化，句法关系主要靠语序和虚词来表达。这导致同一个词在不同位置承担完全不同的语法功能，句法歧义比英语更严重。林老他们的应对方式是构建受限语法：先放弃处理全部中文语法结构，只覆盖系统能处理的句型，优先保证这些句型的分析准确率。这个思路直到今天仍然被许多垂直领域的对话系统采用。

第三，语义表示。机器理解了句子，还要把意思表达成可操作的结构。林老团队选用了当时比较成熟的语义网络和框架表示方法，把句子的含义映射成结构化的知识表达。八十年代初没有今天这样丰富的语义资源，一切都是自己定义、自己构建。从零定义一套语义表示方案，这件事对设计能力的要求极高——它既要表达能力充分，又要计算可行性。林老团队的这层积累，也为后来清华在知识工程方向的研究打下了基础。

3. 对话与传承：从“中国第一人”到今天的 AI 共同体

3.1 林尧瑞教授对后辈的影响方式

林尧瑞教授并不仅仅是“参赛者”的角色。他长期在清华任教，国内的 AI 教材和人才培养，他都有深度参与。八十年代国内的人工智能教材极度匮乏，林老和同事们编写的《人工智能导论》及其配套教材，成为一代 AI 研究者入门的重要读物。

做研究的方式上，林老也直接影响了一批人。他特别强调“做研究要从问题出发，而不是从工具出发”——这在今天依然是值得反复咀嚼的一句话。太多人学了一堆框架和工具，然后到处找场景去套；林老的思路是相反的：先看清一个真实问题的结构和难点，再决定用哪些工具去解决。这种问题导向的研究方法，放在今天的 AI 工程实践里，依然是最稀缺的能力。

另外林老还非常关注产学研结合。他早期的工作里，很多课题都是直接从国民经济和国防需求中提炼出来的，这使得清华的 AI 研究从一开始就不是书斋里的学问，而是跟实际系统紧密绑定的。这种传统延续到今天，可以看到清华在人工智能应用落地方面一直走得比较靠前。

3.2 从一个人的 IJCAI 到一个国家的 AI 生态

1981 年中国学者首次站在 IJCAI 会场时，全场中国面孔可能只有林老一个人。而到了 2019 年，IJCAI 在中国澳门举办，参会人数超过三千人，中国投稿数量排名世界第一。这种变化背后，是整个国家学术生态和产业环境的巨变。

我自己也写过学术论文，投过国际会议，经历过同行评审的煎熬，也感受过在现场做报告时被人提问的压力。每当我看到 IJCAI 的投稿系统里挤满了来自中国的论文时，我都会想起林尧瑞教授当年独自坐在会场里的画面。一个人的出场，打开了后来无数人的入场通道。这种感受，是翻任何 AI 发展史资料时最让人动容的部分。

对于一个学科生态的建立，光是做研究还不够，还要有组织、期刊、学会、教材和人才培养体系的支撑。林老在清华的深耕，实际上是在帮整个中国 AI 共同体修地基——培养人才、编写教材、建立课程体系、推动实验室建设。这些看不见的“基建”工作，和一篇顶会论文的价值同等重要。

3.3 早期的 AI 研究与今天的大模型是什么关系

有不少人会问：八十年代那些基于规则、基于符号的 AI 研究，跟现在如火如荼的大模型、深度学习，到底有什么关系？

我的理解是：它们是两条不同的路，但看的是一座山。符号主义那条路想靠逻辑和规则让机器拥有智能，连接主义这条路想靠数据和统计让机器涌现智能。八十年代是符号主义占主导的时期，林老他们做的人机对话系统就属于典型的符号主义路线——知识用规则表示，推理靠逻辑推导。后来神经网络兴起，连接主义逐渐成为主流，大模型就是把连接主义推到极致的产物。

但这不意味着当年的工作被“清零”了。恰恰相反，大模型时代暴露出来的很多问题——幻觉、常识缺失、逻辑推理薄弱——恰恰是符号主义传统中一直在思考的问题。今天的研究者开始重新把符号知识和神经模型结合起来，做神经符号推理。林老那一代人的思考和实践，在今天的学术前沿里以一种新的形式延续着。这也是为什么我建议做 AI 的年轻人不要只盯着最新论文，抽空翻一翻早期文献，看看那些大家在算力极度匮乏的年代是怎么定义问题、设计方案的，很多思路的底子其实是共通的。

4. 林尧瑞教授这段经历，能教给今天 AI 研究者的实操经验

4.1 国际学术会议的正确打开方式

林老第一次参加 IJCAI，面临的挑战不只是论文质量，还有语言沟通、学术社交、跨国文化差异。今天的研究者根本不用为“第一次出国参会”这件事发愁，但我观察到很多年轻人对国际会议的使用方式是低效的。

我自己的参会经验是这么几条。会前，把会议议程从头到尾过一遍，标出和自己研究方向最相关的报告和海报，重点不是只看标题，而是把要听的文章提前下载下来读掉——至少读摘要和图表，这样在现场才能听得进去，有问题也问得出来。会中，别只在自己的报告结束就溜走，多去 posters 环节，那里是最容易发生实质性学术交流的地方，很多合作就是在这种非正式场合聊出来的。会后，要跟进，列一个“联系列表”，给见过面的研究者发邮件，附上自己的论文和相关资料，把一次性的会面沉淀成长线联系。

林老那代人要去参加会议，费那么大周折，每一分钟在会场里的时间都很珍惜。现在我们有了更便利的条件，反而容易把顶会当成镀金履历，忽略它作为学术交流场的本质——这实际上是极大的浪费。

4.2 从零开始做科研：林老方法论的五条要点

我把林尧瑞教授的做法提炼成五条对今天依然适用的要点。

第一条，从真实问题出发，不从炫技工具出发。林老做汉语人机对话，是因为中文信息处理有迫切需求，同时技术上确实存在挑战。八十年代的算力条件逼迫他们精简方案，这种约束反而让研究问题变得非常聚焦。今天工具繁多了，各种开源框架用起来很方便，但如果问题意识模糊，工具只会让你产出表面繁荣的 demo，形不成真正的学术贡献。

第二条，受限于资源时，先做受限问题。不要一开始就追求通用性，把限定场景的完整链路跑通，比一个半吊子的通用系统有价值得多。这条经验在今天和八十年代同样有效。很多好的研究工作，都是从“受限但有意义”的问题开始的。

第三条，论文不是研究的终点，能跑的系统和代码才是。林老团队的成果包含可运行的原型系统，这在当时是巨大的工作量。今天很多论文只提供实验数据，代码和数据不开源，复现难度极大。我个人的建议是，如果你真的做出了创新，那么开源钩子、数据集和复现文档，某种意义上比论文正文本身更能推动领域进步。

第四条，国际标准 + 本地问题。做研究需要时刻对齐国际前沿的方法论和评价标准，但研究对象可以、也应该扎根到本地特有的问题场景里。中文信息处理这个领域，就是林老他们用“国际标准+本地问题”这个公式打出来的赛道。

第五条，培养人和构建环境比单点成果更重要。林老团队的成果辐射到全国，靠的不只是一篇 IJCAI 论文，而是后续的教材、课程、人才梯队。如果你想在一个领域产生长期影响，一定要在个人成果之外考虑系统性的建设工作。

4.3 典型问题速查：早期 AI 研究者踩过哪些坑

我在回顾这段历史时，也顺手整理了一些早期 AI 研究者常见的问题和解决办法，这些经验到今天依然有参考价值。

最常见的一个坑是“大而全的系统梦”。早期不少团队想做一个包罗万象的通用对话系统或通用知识库，结果复杂度爆炸，项目搁浅。林老团队的应对方法是做领域受限系统，先把金融、医疗等垂直场景走通。今天做垂直领域大模型应用，本质上是同一思路。

第二个坑是“忽视数据基础”。早期做中文信息处理，连机器可读的词典都是稀缺资源。林老团队花了不少精力在基础资源建设上。今天数据依然是 AI 里最贵的资源，很多团队算法很强，死在没有高质量的训练数据上。先解决好数据问题，再谈模型，这是我一直坚持的观点。

第三个坑是“闭门造车”。早期国内 AI 研究环境相对封闭，如果不主动走出去，很容易在低水平上重复。林老参加 IJCAI 的价值之一，就是获得了和国际同行直接对话和校准的机会。今天研究者的问题不是“走不出去”，而是“懒得走出去”——从信息茧房的角度看，线上获取信息再方便，替代不了线下面对面的思想碰撞。

4.4 几个值得继续深挖的延伸方向

林老的汉语人机对话研究方向，其实留下了好几条值得后来者接续的支线。一是中文自然语言处理的评测方法——当时没有标准数据集，如何科学地评测一个系统，本身就是研究问题；今天的大模型评测依然热闹，方法论源头和八十年代是相通的。二是受限领域的知识库构建，如何用尽量少的规则表达足够丰富的领域知识，这件事在今天的知识图谱、RAG（检索增强生成）系统里依然是大课题。三是人机交互的对话策略，如何在多轮对话中维持上下文连贯、及时纠错，这个方向现在依然在研究前沿。

5. 我个人做完这期回顾后的三个体会

把林尧瑞教授这段材料啃完，我做了一个“从零开始的中国 AI 研究之路”主题梳理，把它做成了一份完整的博客内容。整个过程中，有三个体会一直萦绕在脑子里。

第一个体会是，所有伟大的研究都起步于微末。1981 年一个人、一篇论文、一台简陋的计算机，到今天中国 AI 论文产量世界第一，中间是一代又一代人埋头做事、不断积累的结果。不要因为当下的资源少、条件差就放弃长期投入。

第二个体会是，真正的学术传承是方法和范式的传承。林尧瑞教授给这个领域留下了什么？不只是一篇 IJCAI 论文，更是一种问题导向、国际视野、本土扎根的研究范式。这种范式是可以复用的，也是今天 AI 研究者最应该继承的。

第三个体会是，AI 的历史并不是线性更替。符号主义、连接主义、行为主义，这些不同的路在历史上交替起伏，但很多东西并没有真正消失。每隔几年，总有一些“老问题”以新的形式回到聚光灯下。读懂历史，才能在面对新热点时保持更清醒的判断。

如果你对这个话题有兴趣，不妨自己动手做一份“中国 AI 早期研究者年表”，从林尧瑞教授出发，逐个标注每一位早期学者在国际会议上的出场时间、代表工作和学术谱系。做完之后，你大概率会非常感慨：我们今天引以为常的学术环境，是靠着这些前辈一点一点穿越荆棘才走出来的。