1 生平与教育背景
1.1 早年生活
亚瑟·塞缪尔于1901年12月5日出生在美国堪萨斯州的埃姆波利亚。他的父亲是一位律师，母亲是家庭主妇。塞缪尔在童年时期便表现出对数学和机械装置的浓厚兴趣，经常拆解家中的钟表或收音机进行重新组装。1919年，他进入堪萨斯州立大学攻读工程学，后因成绩优异转入麻省理工学院。
1.2 大学教育与早期研究
1923年，塞缪尔在麻省理工学院获得电气工程学士学位；随后于1926年获得硕士学位。在研究生期间，他参与了早期真空管计算机的模拟实验，并与导师合作发表了关于电子继电器逻辑电路的论文。这段经历使他逐渐从传统电气工程转向计算理论领域。
2 职业生涯
2.1 贝尔实验室时期（1928–1949）
1928年，塞缪尔加入贝尔实验室，主要参与电话交换系统与电子脉冲电路的研究。他在此期间设计了早期的二极管-晶体管逻辑门，并涉足信息论与编码理论。第二次世界大战期间，他受命参与雷达信号处理系统的开发，积累了大量关于实时数据分析和反馈控制的知识。1945年后，他开始关注用计算机模拟智力活动的可能性。
2.2 IBM时期（1949–1966）
2.2.1 成立IBM研究团队
1949年，塞缪尔受邀加入国际商业机器公司（IBM），负责筹建其首个基础研究部门。他在纽约州波基普西建立了实验室，专注于计算机架构、算法以及人工智能的早期探索。塞缪尔的团队最初仅有五人，但在他的推动下迅速扩张，并开始研发能够“自主学习”的程序。
2.2.2 跳棋程序的开发与演进
1952年，塞缪尔开始编写一个能够通过自我对弈改进棋力的跳棋（Checkers）程序。该程序最初运行于IBM 701计算机上，后移植至IBM 704。在随后的十年间，他不断改进程序：1956年版本已经能够击败中等水平的业余玩家；1961年版本则达到了可挑战人类业余冠军的水平。塞缪尔将程序的全部代码公开，成为早期人工智能研究的经典范本。
3 核心贡献
3.1 机器学习概念的提出
1959年，塞缪尔在论文《计算机与学习》中首次正式使用“机器学习”（Machine Learning）一词。他将其定义为“使计算机无需明确编程即可获得能力的研究领域”。这一概念的提出标志着人工智能从“硬编码逻辑”向“数据驱动自适应”的范式转变。
3.2 跳棋程序
3.2.1 算法原理：启发式搜索与评估函数
塞缪尔的跳棋程序采用启发式搜索方法：它并非穷举所有可能走法，而是根据局面评估函数（包括棋子数量、棋盘控制权、棋子位置移动性等特征）优先探索最有潜力的分支。评估函数中各特征的权重并非固定，而是通过程序运行中的经验反馈动态调整。
3.2.2 自我对弈与强化学习雏形
程序通过与自己进行大量对弈来积累经验。每次对弈后，它会对比实际结局与评估函数预测的胜负概率，并据此调整权重参数。这种基于奖惩信号来优化决策的方法，被后世视为强化学习的早期雏形。塞缪尔还引入了“记忆机制”，使程序能从过往棋局中检索类似局面，避免重复犯错。
3.2.3 程序表现与社会反响
1961年，该程序在公开演示中击败了美国康涅狄格州的跳棋冠军（业余水平）。媒体广泛报道，称其为“会思考的机器”。不过，塞缪尔本人始终谨慎，强调程序并不具备真正的意识，只是“复杂模式匹配的产物”。这一成就促使IBM和军方加大对人工智能研究的投入。
3.3 其他技术贡献
3.3.1 计算机架构与存储设备
在IBM期间，塞缪尔参与了早期磁盘存储系统的设计，开发了一种基于磁阻效应的数据存储方案。他还提出了“虚拟内存”的早期构想，即通过软件将大容量辅助存储器模拟为主内存的一部分，这一概念后来在大型机中得到广泛采用。
3.3.2 语音识别与早期自然语言处理
1950年代末，塞缪尔开始研究语音识别。他设计了一个能识别10个孤立单词（包括数字）的系统，通过将语音信号转换为频谱图并与模板匹配来实现。尽管准确率只有70%，但这被看作自然语言处理在商业领域的早期尝试。
4 学术影响与荣誉
4.1 论文与著作
塞缪尔在《IBM研究与开发杂志》发表了多篇里程碑式论文，其中1959年的《Some Studies in Machine Learning Using the Game of Checkers》被引用超过千次。他还撰写了关于计算机存储系统、信息论和博弈论的教科书章节，成为当时计算机专业学生的必读材料。
4.2 奖项与纪念
1966年，塞缪尔获得由美国国家科学院颁发的“计算机科学先驱奖”。1987年，IBM设立了“亚瑟·塞缪尔奖”，用于表彰在人工智能领域做出突出贡献的研究者。1990年塞缪尔去世后，其个人档案被收藏于斯坦福大学图书馆，作为计算机史的重要资料。
5 轶事与遗产
5.1 “塞缪尔”在计算机游戏史上的地位
塞缪尔的跳棋程序被公认为世界上第一个具有“自学习”能力的电子游戏AI。2007年，麻省理工学院博物馆将其代码复制件作为永久展品，与贝尔实验室的UNIX系统原型并列。一些游戏开发者戏称他为“让人类打不赢电脑的第一个罪魁祸首”。
5.2 对后续人工智能研究的启示
5.2.1 启发式学习的延续
塞缪尔提出的“权重调整”方法直接影响了后来的专家系统和神经网络。1960年代至1970年代，许多棋类AI（如西洋双陆棋、国际象棋）都沿用了类似的评估函数和搜索策略，直到深度学习算法兴起后才被超越。
5.2.2 与现代机器学习的联系
现代机器学习中的“强化学习”“离线学习”“经验回放”等概念，都能在塞缪尔的跳棋程序中找到对应原型。2016年AlphaGo的开发者戴维·西尔弗曾公开表示，塞缪尔的程序是“强化学习历史上第一道真正的闪电”。尽管塞缪尔没有生者见证这一辉煌，但他播下的种子早已长成参天大树。