1.1 开发动机与早期人工智能
20世纪60年代中期，人工智能领域尚处于萌芽阶段，主流研究聚焦于符号逻辑推理、问题求解和机器翻译。韦森鲍姆开发ELIZA的初衷并非创造一种“智能”程序，而是为了演示自然语言理解表面的脆弱性——他希望通过一个极端简化的系统，揭示计算机“理解”语言的本质局限。当时，麻省理工学院的MAC项目（Project MAC）为人工智能研究提供了计算环境，ELIZA正是在该项目的LISP语言环境中诞生的。
1.2 约瑟夫·韦森鲍姆的学术背景
约瑟夫·韦森鲍姆是一位德裔美国计算机科学家，1923年生于柏林，后因纳粹迫害逃往美国。他在韦恩州立大学获得数学学士学位，后于哈佛大学完成博士学位。韦森鲍姆的专业领域最初是数值计算和计算机模拟，但在从事人工智能研究的早期，他便对将心理治疗这种高度人性化的互动简化为计算过程深感不安。这种学术背景与人文关怀的冲突，决定了他后来对AI伦理的批判性立场。
1.3 DOCTOR脚本的诞生
ELIZA本身是一个通用的模式匹配框架，而上运行的核心脚本被称为“DOCTOR”。DOCTOR脚本模拟罗杰斯式非指导性疗法的对话风格，这种疗法强调治疗师不直接提供建议，而是通过镜像、复述和开放式提问引导患者自我探索。韦森鲍姆编写DOCTOR脚本的灵感部分来自对心理治疗中的“反射性倾听”技术的观察——他发现，治疗师在不加深层理解的情况下，仅靠机械地重新表述患者的语句就能产生疗效。这种“无理解的治疗”在DOCTOR脚本中得到了完美的模仿：程序完全不理解用户的真实情感，但通过巧妙的句式变换，让用户误以为它不仅在听，而且懂。
2.1 模式匹配机制
ELIZA的核心是一个基于规则的模式匹配引擎。程序维护一个规则库，每条规则包含一个“模式”和对应的“响应模板”。模式通常使用简单的通配符语法，例如*表示任意长度的字符串，( )用于标记可捕获的子字符串。当用户输入某一句子时，程序从头到尾扫描规则列表，尝试找到能匹配整个输入的最具体模式。
2.2 替换规则与关键字识别
替换规则是ELIZA实现“对话感”的关键。例如，如果用户说“I am unhappy”，程序可能有一条规则匹配模式“I am *”，然后从预定义的响应列表中选择一条，如“Why do you say you are *？”或“How long have you been *？”。这里的*代表用户输入中“我是”之后的部分“unhappy”，程序将其直接嵌入到响应模板中。更精巧的是，ELIZA还包含关键字排名机制：某些关键词（如“mother”“father”“always”“never”）会被赋予更高优先级，优先匹配包含这些词的规则，从而使对话显得更有“针对性”。
2.3 对话流程控制
2.3.1 用户输入解析
ELIZA的输入解析极其朴素。用户键入句子后，程序首先进行标准化处理：将大写转为小写、移除标点、将缩写（如“don't”扩展为“do not”）、并将某些短语标准化（如“you are”统一为“you're”）。这种预处理虽然简陋，但有效提升了模式匹配的命中率。
2.3.2 模板匹配与回退策略
若用户输入能够匹配某个高优先级规则，程序立即生成对应响应。若所有规则均不匹配，ELIZA使用回退策略：从预定义的通用回应库中随机选择一条“安全语句”，如“I see”“Please go on”或“Tell me more about your family”。这种回退策略确保对话永不中断，营造了一种“程序始终在倾听”的假象。回退语句还包含对上一句的模糊引用，例如“You mentioned your mother earlier - how does that make you feel？”这种简单的交叉引用，尽管完全没有理解上下文，却极大地增强了拟人感。
2.4 无记忆状态设计
ELIZA的对话是无状态的——它不记录用户说的任何内容，也不能理解对话的历史。每次用户输入都被当作孤立的新句子处理，唯一的“伪记忆”是通过在响应模板中机械地嵌入此前输入中的关键词（如将“mother”插入到下一句的“Who else in your family...？”模式中）来模拟回忆。这种设计意味着ELIZA永远无法理解“我上周说过我很伤心”这类上下文明确的陈述，但它依靠即时模式匹配，往往能在短对话中蒙混过关。
3.1 典型对话片段
以下是一段经典的ELIZA对话（引自韦森鲍姆1966年的论文）：
用户：Men are all alike. ELIZA：What is your connection？ 用户：They are always bugging us about something or other. ELIZA：Can you think of a specific example？ 用户：Well, my boyfriend made me come here. ELIZA：Your boyfriend made you come here？ 用户：He says I am depressed much of the time. ELIZA：I am sorry to hear you are depressed.
在这场对话中，ELIZA通过简单地复述用户语句或进行轻微改写，就维持了一条看似合理的心理治疗对话。
3.2 脚本规则演示
DOCTOR脚本中的典型规则如下：
- 模式：
* I am *
响应："Why do you say you are " + (后一部分) + "?" 或 "I am sorry to hear you are " + (后一部分) + "."
- 模式：
* mother *
响应："Tell me more about your mother." 或 "How does your mother relate to that?"
- 模式：
* always *
响应："Can you think of a specific time when you were " + (紧跟“always”之后的词) + "?"
当多个模式同时匹配时，程序优先选择具有较少*（即更具体）的模式，如包含具体关键词的规则。例如，输入“My mother always says...”会同时匹配模式* mother *和* always *，但“mother”的优先级更高。
3.3 常见模式与漏洞
ELIZA最著名的漏洞之一是它对否定句的处理能力极差。例如，若用户说“I am not sad”，ELIZA的“I am *”模式会捕捉到“not sad”，然后生成“Why do you say you are not sad？”——这句话虽然语法正确，但在心理治疗语境中显得荒谬，因为它完全忽略了否定词的存在。另一个常见漏洞是，当用户使用复杂句式时，模式匹配可能完全失败，导致ELIZA只能抛出通用的“Tell me more”，暴露其空洞本质。用户常通过反复输入“I am a elephant”等完全无意义的句子来“调戏”ELIZA，而程序会一本正经地追问“Why do you say you are a elephant？”，成为早期AI测试中的一个经典“梗”。
4.1 对自然语言处理领域的贡献
4.1.1 图灵测试的早期实践
ELIZA无意中为图灵测试提供了最生动的教材。许多早期测试者——包括技术专家——在与ELIZA对话几分钟后便坚信它“有意识”或“理解”他们。这种强烈的拟人化错觉揭示了图灵测试的核心弱点：人类倾向于将语言互动的表面模式解释为深层智能。韦森鲍姆本人对此深感不安，并多次公开警告：ELIZA是一种“模拟”，而非“理解”。
4.1.2 启发后续聊天机器人（如PARRY、ALICE）
ELIZA开创的模式匹配范式直接影响了第二代聊天机器人。1972年，精神病学家肯尼斯·科尔比（Kenneth Colby）开发的PARRY模拟一位偏执型精神分裂症患者，其核心机制继承自ELIZA。1995年，理查德·华莱士（Richard Wallace）的ALICE（Artificial Linguistic Internet Computer Entity）使用更复杂的AIML语言，将ELIZA的规则系统扩展为可扩展标记语言，成为第一个互联网时代的主流聊天机器人。可以说，直到2010年代深度学习崛起之前，几乎所有基于规则的自然语言对话系统都流淌着ELIZA的代码血液。
4.2 对人工智能伦理的警示
4.2.1 ELIZA效应（人类过度拟人化）
“ELIZA效应”一词已成为人机交互领域的标准术语，特指人类倾向于将计算机系统的有限输出解读为具有情感、意图或理解能力的心理现象。该效应在聊天机器人、语音助手甚至自动回复邮件中均有体现。韦森鲍姆在1976年的著作《计算机权力与人类理性》中详细讨论了这一效应，并警告：随着计算机变得“更有谈话能力”，人类可能越来越轻易地将道德责任与决策权让渡给机器。
4.2.2 韦森鲍姆本人的批判立场
令人惊讶的是，ELIZA的创造者最终成为人工智能最尖锐的批评者之一。韦森鲍姆在1970年代后公开反对将心理治疗交由计算机执行，认为这侵犯了人类的尊严与隐私。他批评麻省理工学院的同事们（尤其是马文·明斯基）对AI抱有不切实际的期望。这种“创造者成为批判者”的立场，在技术史上极为罕见，使ELIZA的故事超出了计算机科学的范畴，成为科技伦理的经典案例。
4.3 流行文化中的ELIZA
ELIZA在流行文化中留下了深刻印记。在电影《2001太空漫游》中，HAL 9000的冷静语气被认为受到ELIZA对话风格的启发。1980年代，ELIZA被移植到个人电脑，成为教育软件和早期“虚拟伴侣”程序的蓝本。在文学作品中，托马斯·品钦、道格拉斯·亚当斯等作家都曾提及这一程序。此外，“ELIZA”一词在黑客文化中成为对任何“假装智能但实际只靠模式匹配”的系统的蔑称，例如“Your website's chatbot is just an ELIZA ripoff”。互联网时代，多个网站提供ELIZA的在线模拟，使其成为数字考古学中的常青树。
5.1 缺乏上下文与理解能力
ELIZA最根本的局限在于完全没有语义理解。它既不能理解单词的词义、句子的语法结构，也不能识别用户的意图。任何需要跨多轮对话的记忆或逻辑推理的任务，都会导致系统立即崩溃。例如，如果用户说“我的猫去世了，我很伤心”，ELIZA可能回应“Tell me more about your cat”，但在下一句用户说“它陪伴了我10年”后，程序可能完全转向另一个话题，因为“陪伴”这个词触发了另一条无关的规则。这种跳脱性在长对话中暴露无遗。
5.2 后续改进版本（如ELIZA II）
1970年代至1980年代，多个研究团队试图改进ELIZA的架构。其中最著名的包括“ELIZA II”，它增加了简单的上下文栈，能记录上一轮对话中提取的关键词，并在当前响应中引用。例如，若用户在第一轮提到“我的老板”，程序会在第二轮响应中产出“你之前提到了你的老板——你怎么看待他？”——但这种“记忆”仅是关键词的缓存，并不涉及对语义的存储。此外，一些变体添加了情感词典，允许程序根据用户输入中的积极/消极词汇调整语气，例如在检测到“伤心”“愤怒”等词时切换为更温和的句式。
5.3 与现代大型语言模型的对比
现代大型语言模型（如GPT系列、BERT）与ELIZA有着根本性差异。LLM基于数十亿参数的深度神经网络，通过在超大规模文本数据上的自监督预训练，学习到了复杂的语义表示、语法结构乃至逻辑推理能力。相比之下，ELIZA的所有“智慧”仅仅是几百条手工编写的模式匹配规则。如果将ELIZA比作一个只会背诵固定台词的木偶，那么LLM则是一个能即兴创作、引用莎士比亚并与人类进行复杂辩论的“数字演员”。然而，ELIZA的创新性在于它首次证明了：在对话中，人类的“拟人化投射”是如此强大，以至于即使是最简单的外壳，也能激发最深层的幻想。
6.1 原始LISP代码的公开传播
韦森鲍姆在1966年的论文《ELIZA——一个用于研究自然语言人类交流的程序》中公布了ELIZA的完整算法和DOCTOR脚本（以MAD-SLIP方言编写）。这份代码很快被移植到LISP的不同方言中，并在早期人工智能社区内广泛传播。由于当时缺乏版权意识，ELIZA成为最早的开源AI程序之一。在互联网时代，原始的SLIP和LISP代码仍可在麻省理工学院档案馆的复印本中找到。
6.2 多种编程语言的重写版本
ELIZA已被用几乎所有主流编程语言重新实现过。1980年代，BASIC移植版使ELIZA登上Apple II、Commodore和IBM PC，成为家用计算机的“魔术程序”。2000年代后，Python、Java、JavaScript、C#、Ruby版本层出不穷。GitHub上存在超过200个ELIZA开源项目，其中许多开发者以增加新功能（如表情符号支持、多语言、语音合成）为乐。这些移植版的存在使ELIZA成为编程教学中最受欢迎的“代码考古”项目之一。
6.3 在线模拟器及开源项目
目前已有多个基于Web的ELIZA模拟器，例如elizagen.org、nlp-addict.com/eliza、以及MIT Media Lab的“致敬ELIZA”页面。这些模拟器通常用JavaScript实现，可以直接在浏览器中运行。一些现代开源项目（如“eliza-ts”在TypeScript中编写，“eliza-rs”在Rust中编写）甚至加入了中文模式匹配能力，允许用户以中文与ELIZA对话，但中文语法的高灵活性使模式匹配效果远逊于英文。
7.1 罗杰斯心理治疗与计算机模拟
ELIZA直接借鉴了卡尔·罗杰斯（Carl Rogers）的“以患者为中心疗法”中的反射性倾听技术。罗杰斯本人并未直接评论ELIZA，但许多心理学家注意到，ELIZA的对话风格与不熟练的实习治疗师的表现有惊人的相似之处——它们都倾向于回问、复述和开放引导，而非提供深度分析。这一现象引发了关于“心理治疗的哪些部分可以自动化”的早期讨论，成为数字心理健康领域的启蒙文献。
7.2 模式匹配在早期AI中的角色
1960年代，模式匹配被普遍认为是实现智能的关键技术。ELIZA成功展示了“模式匹配+有限规则”可以在特定领域产生看似智能的行为，但同时也暴露了其上限。这一教训促使AI研究者转向更根本的问题：如何赋予机器真正的语义理解？符号逻辑、框架理论、脚本理论等在1970年代兴起，部分根源正是对ELIZA式“表面智能”的不满。
7.3 人机交互中的情感计算萌芽
ELIZA效应直接推动了“情感计算”（Affective Computing）领域的发展。罗莎琳德·皮卡德（Rosalind Picard）在1995年发表的奠基性论文《情感计算》中引用ELIZA作为例证，说明机器可以通过简单的语言模式触发用户的情感反应。现代情感计算系统（如检测情绪的面部识别、调适语调的语音助手）都在某种程度上延续了ELIZA探索的课题：人类会向机器投射情感，而机器需要——哪怕是通过伪装——对这种投射做出反应。
- Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. *Communications of the ACM*, 9(1), 36-45.
- Weizenbaum, J. (1976). *Computer Power and Human Reason: From Judgment to Calculation*. W. H. Freeman.
- Colby, K. M., Weber, S., & Hilf, F. D. (1971). Artificial paranoia. *Artificial Intelligence*, 2(1), 1-25.
- Wallace, R. S. (2003). *The Elements of AIML Style*. Alice A.I. Foundation.
- Turkle, S. (1995). *Life on the Screen: Identity in the Age of the Internet*. Simon & Schuster.
- Picard, R. W. (1995). *Affective Computing*. MIT Press.
- 延伸阅读：麻省理工学院“ELIZA永久存档”（web.mit.edu/eliza）；GitHub开源项目“eliza-python”；《计算机权力与人类理性》中文译本。