学习路径 · 看懂 AI
AI是怎么来的?
AI 不是新鲜事。这个词比 ChatGPT 早了整整 70 年。一代代科学家前赴后继,三次高潮,两次寒冬。走到大语言模型这一步,用光了半个世纪的好运气。
图灵测试(1950)
1950 年,艾伦·图灵发了一篇论文。他抛出一个问题:机器能思考吗?他没有直接回答,而是设计了一个游戏。一个人和一台机器隔墙对话。如果这人分不清对面是人是机器,就算机器赢了。这就是图灵测试。今天很多 AI 产品都能让人产生“对面是真人”的错觉。但图灵想要的不是错觉,而是机器真正理解问题。七十年后,人类还在争这件事。
达特茅斯会议(1956)
1956 年夏天,一群年轻科学家聚到达特茅斯学院。约翰·麦卡锡提议了一个名字——“人工智能”(Artificial Intelligence)。会议没达成什么共识,但这个名词流传下来了。从这天起,人类第一次把“让机器思考”当成一个正式学科。回头看,那个命名比后来三十年的成果都重要。
黄金十年,然后冻住
1960–70 年代,AI 进入第一个黄金期。机器能证明数学定理,能下国际象棋,能解代数应用题。人们乐观得离谱——有科学家预言十年内机器会超越人类。然后泡沫破了。当时的计算机太慢,存储太小,算法太粗糙。造出来的东西解决不了真实问题。1974 年,政府和军方大幅削减拨款。第一次 AI 寒冬来了。乐观不能当饭吃,这个道理 AI 领域学了两遍。
专家系统,再次冻住
1980 年代,AI 找到第一个赚钱的路子——专家系统。把医生的诊断经验、地质学家的勘探规则,写成几千条 if-then 语句,让计算机照着推理。公司疯狂投钱,日本甚至启动“第五代计算机”计划。但专家系统有个死穴:规则全凭人工写。换一个领域就要重写一套。系统又僵又贵,维护成本比请专家还高。1990 年前后,第二代 AI 寒冬降临。第二次教训:光有规则没有学习,走不远。
深度学习爆发(2012)
2012 年,多伦多大学的 Alex Krizhevsky 用 GPU 训练了一个深度神经网络(AlexNet),在 ImageNet 图像识别大赛上碾压第二名。深度学习时代正式开启。核心突破就一件事:让机器自己从数据里学特征,不再靠人写规则。这个思路 1980 年代就有雏形,但当时没算力也没数据。等了三十年,才等来 GPU 和海量互联网数据。运气来了,前提是没放弃。
Transformer 与大模型(2017–至今)
2017 年,Google 发表《Attention Is All You Need》。Transformer 架构诞生。它让模型一次通读全文,不再一个词一个词排队。训练效率百倍提升。2018 年 GPT-1 只有 1.17 亿参数。2020 年 GPT-3 暴涨到 1750 亿。模型突然涌现出没人写过代码的能力——翻译、写诗、编程、推理,样样涉及。2025–2026 年,多模态大模型全面落地。GPT-4o、Claude、Gemini 能看图片、听声音、读视频。AI 不再是一个研究课题,变成了一种基础设施。
相邻概念
- 图灵测试:判断机器是否有智能的经典思想实验。今天的大模型普遍能通过,但争议从未停止。
- 专家系统:1980 年代的主流 AI 路线,靠人工写推理规则。今天已被深度学习取代。
- 神经网络:模拟人脑连接的数学模型。深度学习的底层技术,1943 年就有雏形。
- Transformer:2017 年诞生的模型结构,GPT、Claude、Gemini 全部基于它搭建。
- 参数:模型内部的可调节数字。参数越多,模型容量越大。GPT-4 参数规模达万亿级。
参考
- Turing, A. M. Computing Machinery and Intelligence. Mind, 1950.
- McCarthy, J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 1955.
- Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS, 2012.
- Vaswani, A. et al. Attention Is All You Need. NeurIPS, 2017.
- Russell, S., Norvig, P. Artificial Intelligence: A Modern Approach (4th ed.). Pearson, 2020.