世家 · 斯坦福人工智能实验室（SAIL）
1962 年，麦卡锡从波士顿一路向西，把"人工智能"四个字带到了帕洛阿托。从此 SAIL 就成为 AI 史上最特殊的一个机构——它既是学术殿堂，又是硅谷的近邻；它孕育了专家系统的鼻祖，也启动了 ImageNet 这场让世界天翻地覆的数据工程；它让无数顶级研究者拿到第一份职位，又让他们在毕业一年后开起公司。
一、麦卡锡西迁
1962 年，麦卡锡从 MIT 转任斯坦福大学计算机科学副教授。1963 年，他在斯坦福校园西南角靠近 Felt Lake 的一栋木屋里建起 Stanford Artificial Intelligence Project——这就是 SAIL（Stanford Artificial Intelligence Laboratory）的雏形，1965 年正式得名。
麦卡锡带去的是 LISP 语言、时分系统的思想，以及他从达特茅斯会议起就坚持的"用形式逻辑刻画常识推理"的纲领。SAIL 早期搬到了校外山上一处叫做 D.C. Power Building（后称 The AI Lab）的二层楼里，几十个研究者、研究生与黑客挤在一起，墙上贴着各种手绘的奇怪符号，停车场上长期停着一辆改装的小车——这就是后来著名的 Stanford Cart。
D.C. Power Building 时期的 SAIL 培养出 1970 年代一批塑造行业的研究者：拉吉·雷迪后来去 CMU 创建机器人研究院，特里·维诺格拉德留下教书并成为佩奇与布林的导师，汉斯·莫拉维克后来成为认知机器人学派的旗手。麦卡锡本人 2011 年去世前一直保留斯坦福终身教授头衔，是真正意义上"把 AI 这门学科种在西海岸"的人。
值得辨析的一个常见混淆是：Shakey 机器人不是 SAIL 的工作——它属于斯坦福研究所（SRI International，1970 年从斯坦福剥离独立），由查尔斯·罗森（Charles Rosen）、尼尔斯·尼尔森（Nils Nilsson）等人领衔。而真正属于 SAIL 的机器人，是 1960 年代由 James Adams 起步、1970 年代由 Hans Moravec 主导的 Stanford Cart。1979 年 Moravec 让 Cart 在户外环境中独立穿越一段堆满椅子的院子，每次移动 1 米要"思考" 10–15 分钟，整段 30 米的路程跑了约 5 小时。这是世界上第一次基于视觉的户外自主导航，Moravec 后来把这一思路一路带到 CMU，成为现代移动机器人的奠基工作之一。
二、专家系统的发源地
1965 年起，SAIL 与斯坦福医学院联手开启了 AI 历史上影响最深远的一条副线——专家系统。
主角是费根鲍姆。他师从 CMU 的西蒙，1965 年加入斯坦福。在与诺贝尔化学奖得主乔舒亚·莱德伯格（Joshua Lederberg）合作的 DENDRAL 项目中，费根鲍姆把化学家关于质谱仪推断分子结构的"启发式知识"明确写进规则库，让程序代替专家做出推论。这是世界上第一个真正在生产环境中跑起来的专家系统，也是"知识工程"（Knowledge Engineering）这一概念的诞生地。1970 年代，他与爱德华·肖特利夫（Edward Shortliffe）等人合作开发 MYCIN——一个为医生推荐抗生素治疗方案的诊断专家系统。MYCIN 在盲测中给出的处方建议常优于初级医生，后来虽因责任、伦理与集成成本未进入临床，但它训练出了一代专家系统研究者，并直接启发了 1980 年代日本第五代计算机计划与全球的专家系统产业。
1994 年，费根鲍姆与拉吉·雷迪共获图灵奖，颁奖词专门点名 DENDRAL 与 MYCIN。
斯坦福启发式编程项目（Stanford Heuristic Programming Project，HPP）在 1970 年代孵化的不止 DENDRAL 与 MYCIN——还有 PROSPECTOR（用于矿产勘探，1980 年帮助探明华盛顿州一处钼矿）、TEIRESIAS（专家系统的解释与维护工具）等。HPP 是世界上第一个真正意义上把"AI 服务于具体专业领域"作为系统工程来组织的实验室。
三、维诺格拉德、奈尔逊与符号主义群像
1973 年，维诺格拉德从 MIT 来到斯坦福任教。他的博士论文 SHRDLU 是符号主义 AI 的巅峰之一；但来到斯坦福后，他的注意力反而更多转向人机交互与计算的社会基础——1986 年与费尔南多·弗洛雷斯（Fernando Flores）合著 Understanding Computers and Cognition，对纯符号主义路线提出深刻反思，影响了一代 HCI 研究者，也间接启发了他后来的学生布林与佩奇创办谷歌时强调"用户视角"的产品哲学。
尼尔斯·尼尔森（Nils Nilsson）从 SRI 转入斯坦福任 SAIL 主任（1985–1990 年间），写就了影响深远的 Artificial Intelligence: A New Synthesis（1998）与 The Quest for Artificial Intelligence（2009）。罗素虽然主要在伯克利，但与斯坦福始终保持密切合作；他与彼得·诺维格（Peter Norvig，1990 年代曾任 SAIL 副研究员，后任 Google 研究总监）合著的 Artificial Intelligence: A Modern Approach 1995 年第一版，已成为全球 AI 教学的标准教材，第四版于 2020 年推出。
四、Stanley、ImageNet 与一次方法论转向
进入 21 世纪，SAIL 的中心议题从符号推理一步步迁向统计学习与大规模数据。
2005 年 10 月 8 日，DARPA Grand Challenge 在内华达州沙漠举行第二届。塞巴斯蒂安·特龙（Sebastian Thrun，时任 SAIL 主任）领衔的 Stanford Racing Team 把一辆改装的大众途锐命名为 Stanley，搭载五个激光雷达、一台彩色相机、GPS 与 IMU，用机器学习方法在线分类前方地形。Stanley 以 6 小时 53 分跑完 212 公里赛道，赢得 200 万美元奖金。这是自动驾驶史的分水岭——它证明了学习驱动的自主系统可以在开放环境里靠谱运行。特龙不久后被谷歌请去主导 Google Self-Driving Car（即后来的 Waymo），并与人共同创办 Udacity（2011）。
2007 年，李飞飞从普林斯顿转到斯坦福任助理教授，进入 SAIL。她启动了一项被许多同行劝阻的工程——ImageNet：以 WordNet 的语义层级为骨架，标注一千万张以上的图片。她和学生贾扬清、邓嘉等人通过亚马逊 Mechanical Turk 雇佣全球数万名标注员；2009 年 ImageNet 数据集首次发布，2010 年第一届 ImageNet Large Scale Visual Recognition Challenge（ILSVRC）开赛。2012 年 9 月，多伦多大学的辛顿、克里热夫斯基与苏茨克维提交的 AlexNet 在 ILSVRC-2012 上把 Top-5 错误率从 26.2% 一下打到 15.3%。这一夜被普遍视作"深度学习革命"的引爆点——而它的火药桶，是李飞飞在 SAIL 准备了五年的 ImageNet。
五、机器学习与 NLP 的当代重镇
2002 年，吴恩达从伯克利毕业后入职斯坦福。他在 SAIL 主导机器学习与机器人方向，2010 年起兼任 Google Brain 的联合创始人之一（与杰夫·迪恩、Greg Corrado 一起），用 1.6 万核 CPU 训练出第一个能在没有标签的情况下从 YouTube 视频里"自发认出猫"的深度网络（2012）。2011 年秋，吴恩达把他的斯坦福 CS229: Machine Learning 课程搬上网，吸引十万人注册——这是 MOOC 时代真正意义上的开端，也是他与达芙妮·科勒（Daphne Koller，斯坦福概率图模型大师）共同创办 Coursera（2012）的直接缘起。
自然语言处理方向上，克里斯托弗·曼宁（Christopher D. Manning）从 1999 年起执教斯坦福，与丹·尤拉夫斯基（Dan Jurafsky）合著的 NLP 教材成为入门标准；他的实验室（Stanford NLP Group）出品了 GloVe 词向量（2014，与 Jeffrey Pennington、Richard Socher 合作）、Stanford Parser、CoreNLP、再到 2018 年后的大规模语言模型与基础模型研究。2017 年起，曼宁的博士生与博士后里不断走出当代核心 NLP 研究者，包括拉德福德 的早期合作者、Hugging Face 的科学家与多位 OpenAI 研究员。
梁佩西（Percy Liang）2012 年加入斯坦福任助理教授，专注问答、可解释性、语义解析与基础模型评测。2021 年，梁佩西与曼宁、李飞飞、Chris Ré 等共同推动成立 Center for Research on Foundation Models（CRFM），并发表了具有标志性的 On the Opportunities and Risks of Foundation Models——是"基础模型"这个术语的正式提出。CRFM 主导的 HELM（Holistic Evaluation of Language Models）评测体系，至今仍是开源大模型对比时被反复引用的基准之一。
斯坦福同时是 强化学习与机器人 的重镇。Andrew Ng 早期带过的博士生 Pieter Abbeel（伯克利后续）、Adam Coates，再到后来 Chelsea Finn（元学习与机器人学习）、Dorsa Sadigh（人机协同）、Jeannette Bohg（机器人感知）——一连串名字共同把 SAIL 带进了"具身智能"的时代。
六、HAI 与硅谷化的双面
2019 年 3 月，李飞飞与哲学家约翰·埃切门迪（John Etchemendy）共同发起 Stanford Institute for Human-Centered Artificial Intelligence（HAI，斯坦福以人为本人工智能研究院）。HAI 是斯坦福把 AI 与人文、社会科学、医学、政策正式整合到同一研究机构的尝试，它发布的年度 AI Index Report 已成为全球 AI 状况最常被引用的数据源。
斯坦福与硅谷的近邻关系是 SAIL 这座实验室与其他 AI 重镇最大的不同。1998 年布林、佩奇带着 Backrub 算法走出博士项目创办 Google；2009 年特龙带着 Stanley 走进 Google；2012 年吴恩达带着 MOOC 与 Google Brain 同时启动 Coursera；2015 年前后，OpenAI 创始人中的格雷格·布罗克曼（Greg Brockman）与奥特曼都与斯坦福生态密切相关；2023 年图卡尔（Aidan Gomez）的 Cohere、奥利尔（Mira Murati）后来创办的 Thinking Machines、安德森-霍洛维茨支持的几乎所有 AI 创业，都能在 SAIL 的师生名单上找到节点。这种"上午写完论文、下午注册公司"的氛围，让 SAIL 成为了一个特殊的混合体——既是世界顶级学术机构，也是硅谷创业的人才上游。
正因如此，SAIL 也最早遭遇"教授奔向工业"的人才流失。2010 年代后期，多位斯坦福大牌教授兼任或全职加入谷歌、Meta、英伟达、苹果、OpenAI——这既是斯坦福基因的延续，也是当代 AI 学术与工业失衡的缩影。
七、作为机构的 SAIL
回到这家实验室的本意。
SAIL 是西海岸 AI 的种子。在它成立之前，AI 的中心是马萨诸塞州；在它成立之后，整个研究网络变成了双中心。麦卡锡的 LISP、费根鲍姆的专家系统、尼尔森的搜索算法奠定了符号 AI 的西部分支。
SAIL 是大数据时代的第一个推手。当 2000 年代多数实验室还在调参更聪明的算法时，李飞飞与同事们押上五年时间堆出 ImageNet；这件事的判断力，让深度学习革命有了点燃的燃料。
SAIL 是 AI 与产业最短的桥。从 Google 到 Coursera 到 Waymo 到 OpenAI，斯坦福校园 800 米外的沙丘路（Sand Hill Road）就是世界 AI 风险投资最密集的一公里。这条短路既是斯坦福 AI 持续繁荣的引擎，也是斯坦福 AI 不断流失的原因。
SAIL 是教育的最大输出端。从吴恩达的 CS229 到 Karpathy 的 CS231n，再到曼宁的 CS224N，斯坦福的核心 AI 课全部公开上网，长年累月免费哺育全球研究者。
太史公曰
斯坦福之于人工智能，犹楚之云梦，唐之长安。它不是 AI 的诞生地——那一份荣耀属于达特茅斯与 MIT；它也不是 AI 唯一的庙堂——CMU、伯克利、多伦多、DeepMind 各有山头。然而它有一种别处难以复刻的位置感：东接学术，西临硅谷，南通医学院，北承文理学院。麦卡锡西迁，是把一种思想从东岸带到了一片更宽阔的土壤；费根鲍姆与莱德伯格的合作，让 AI 第一次走入医院；李飞飞的 ImageNet，让数据成为新世纪的算法燃料；吴恩达的公开课，把 AI 教育推向了全世界；HAI 与基础模型中心，又把 AI 重新拉回到人文与公共政策的视野里。SAIL 的特色从不是某一项技术上的孤峰，而是一种持续重组的能力——每隔十年，它都能找到一种新的方式，让"人工智能"这件事与时代重新对话。
亲历者说
征集中
如果你曾在斯坦福 AI 实验室、HAI、CRFM 或斯坦福 NLP 组工作或学习，欢迎提交贡献。
参考资料
- McCarthy, J. (1963). "A Basis for a Mathematical Theory of Computation." In Computer Programming and Formal Systems, North-Holland, 33–70.
- Buchanan, B. G., & Feigenbaum, E. A. (1978). "DENDRAL and Meta-DENDRAL: Their Applications Dimension." Artificial Intelligence, 11(1–2): 5–24.
- Shortliffe, E. H. (1976). Computer-Based Medical Consultations: MYCIN. Elsevier.
- Moravec, H. (1983). "The Stanford Cart and the CMU Rover." Proceedings of the IEEE, 71(7): 872–884.
- Winograd, T., & Flores, F. (1986). Understanding Computers and Cognition: A New Foundation for Design. Ablex.
- Russell, S. J., & Norvig, P. (1995, 2020). Artificial Intelligence: A Modern Approach (1st & 4th eds.). Prentice Hall / Pearson.
- Thrun, S., et al. (2006). "Stanley: The Robot That Won the DARPA Grand Challenge." Journal of Field Robotics, 23(9): 661–692.
- Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). "ImageNet: A Large-Scale Hierarchical Image Database." Proceedings of CVPR 2009.
- Russakovsky, O., Deng, J., et al. (2015). "ImageNet Large Scale Visual Recognition Challenge." International Journal of Computer Vision, 115(3): 211–252.
- Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., et al. (2021). "On the Opportunities and Risks of Foundation Models." Stanford CRFM, arXiv:2108.07258.
- Stanford HAI. (2018–2025). AI Index Annual Report.
- Nilsson, N. J. (2009). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press.