从图灵的一个问题,到 ChatGPT 改变世界——一段关于人类如何教会机器"思考"的故事
人工智能(Artificial Intelligence,简称 AI)的故事,要从一个简单却深刻的问题说起:机器能思考吗?
这个问题听起来像是科幻小说的标题,但它实际上是一位数学家在 1950 年认真提出的。从那一刻起,人类开始了长达七十多年的探索——试图让冰冷的金属和代码,拥有一丝"智慧"的光芒。
如果把人工智能比作一场马拉松,那我们现在大概跑到了三分之一的路程。回头看,已经跑了很远——机器能认脸、能翻译、能写诗、能开车。但往前看,真正的终点——让机器像人一样思考——仍然遥不可及。这份资料,就是带你回顾这场马拉松的前半程。
二战期间破解了纳粹德国的 Enigma 密码机,拯救了无数生命。他不仅发明了现代计算机的理论模型(图灵机),还第一个严肃地讨论了机器智能的可能性。
1950 年,图灵在哲学期刊 Mind 上发表了一篇划时代的论文:《计算机器与智能》(Computing Machinery and Intelligence)。文章开头第一句就是:
图灵测试的核心洞察是:我们不需要定义什么是"思考",只需要看行为是否像在思考。这和今天的 ChatGPT 的思路惊人地一致——我们并不确定它是否真的在"理解",但它的回答确实越来越像人类了。
想象你隔着一堵墙和另一个人聊天。你问什么对方都回答得很自然,你完全猜不到对面其实是一台电脑。如果这种情况发生了,你能说那台电脑"不会思考"吗?图灵说:不能。
图灵还预见了很多今天才出现的问题:
1956 年夏天,美国新罕布什尔州的达特茅斯学院举办了一场为期两个月的研讨会。这场会议后来被公认为人工智能作为一门学科的正式诞生时刻。
达特茅斯会议后的十几年(1956-1974),是 AI 的第一个"黄金年代"。研究者们充满乐观,认为通用智能触手可及。
| 成果 | 时间 | 做了什么 | 为什么重要 |
|---|---|---|---|
| 逻辑理论家(Logic Theorist) | 1956 | 自动证明了罗素《数学原理》中的 38 条定理 | 第一个能"做数学"的程序,证明机器可以推理 |
| 通用问题求解器(GPS) | 1957 | 尝试用通用策略解决各种问题 | 第一次尝试造"通用智能" |
| 感知机(Perceptron) | 1957 | 能学习简单分类的神经网络 | 神经网络的开山之作 |
| ELIZA | 1966 | 模拟心理治疗师的聊天程序 | 第一个聊天机器人,图灵测试的早期尝试 |
| Shakey 机器人 | 1966-1972 | 能感知环境、规划路径、执行动作的移动机器人 | 第一个将感知、推理和行动结合的机器人 |
ELIZA 是一个极其简单的程序——它只是用模式匹配把你的问题"反射"回去。比如你说"我很难过",它会说"为什么你觉得你很难过?"。就这么简单的规则,竟然让很多人真的以为自己在和一个有智慧的心理医生聊天!甚至有人拒绝相信这只是程序。这个现象后来被称为"ELIZA 效应"——人类太容易把机器的输出当真了。
这个时期,美国政府(特别是 DARPA,美国国防高级研究计划局)大量资助 AI 研究。研究者们信心满满地预测:
美好的泡沫终会破裂。到了 1970 年代,AI 遇到了第一个重大挫折——不是因为它方向错了,而是因为它承诺得太多,兑现得太少。
1957 年发明了感知机(Perceptron),这是最早的神经网络模型之一。它能学习简单的分类任务,比如区分左右两边的图案。《纽约时报》报道说这是"一台会思考的电脑"的雏形。
感知机的原理很简单:接收输入信号,加权求和,如果超过阈值就输出 1,否则输出 0。它可以学习调整权重——比如给"正确的分类"的输入加大权重,给"错误的分类"的输入减小权重。
想象你是一个裁判,要判断一场选美比赛的选手是否"好看"。你有三个标准:五官、身材、气质。每个标准你都有一个权重(你觉得哪个更重要)。你把选手在每个标准上的得分加权求和,如果超过你的"及格线"就通过。感知机做的就是这件事——只不过它能自动调整权重。
问题出在哪?
1969 年,明斯基和佩珀特合著了《感知机》(Perceptrons)一书,用严格的数学证明了感知机的致命缺陷:它连最简单的"异或"(XOR)问题都解决不了。
什么是"异或"?简单说就是:
这个问题无法用一条直线把输出为 0 和输出为 1 的点分开。而感知机本质上就是在画一条直线来分类——所以它搞不定。
除了学术上的挫折,AI 还面临现实的压力:
这就是第一次 AI 寒冬(约 1974-1980)。在这段时间里,AI 研究经费锐减,研究者找不到工作,"人工智能"这个词在学术圈几乎成了笑话。
寒冬并不意味着什么都没发生。实际上,这个时期的"退烧"让研究者开始认真思考 AI 的根本问题:
寒冬之后,AI 找到了一条"务实"的出路:不要试图造一个什么都会的通用智能,而是把人类专家的知识编码成规则,让计算机在特定领域充当"专家"。这就是专家系统(Expert System)。
想象你把一位老中医的毕生经验写成一本"看病手册":
如果 发烧 + 咳嗽 + 流鼻涕,那么 可能是感冒,开 XXX 药方。
如果 发烧 + 皮疹 + 关节痛,那么 可能是登革热,转 传染病科。
专家系统就是把这类"如果…那么…"规则写成程序,让它像专家一样给出诊断建议。
一个典型的专家系统由两部分组成:
| 系统 | 时间 | 领域 | 成就 |
|---|---|---|---|
| DENDRAL | 1965-1980s | 化学 | 根据质谱数据推断分子结构,性能接近人类化学专家 |
| MYCIN | 1970s | 医疗 | 诊断血液感染疾病,准确率约 65%,接近人类医生的 80% |
| R1/XCON | 1980 | 计算机配置 | 为 DEC 公司自动配置 VAX 计算机系统,每年节省 4000 万美元 |
| Prolog | 1980s | 编程语言 | 日本"第五代计算机"计划的核心语言,专门用于逻辑推理 |
专家系统在商业上取得了巨大成功。到 1985 年,全球企业在 AI 上的投入超过10 亿美元。大量公司成立了 AI 部门,"知识工程师"成为热门职业。
专家系统的辉煌没有持续太久。到了 1980 年代末,问题逐渐暴露:
1987-1993 年,AI 行业再次崩塌。企业纷纷关闭 AI 部门,这个时期被称为第二次 AI 寒冬。
专家系统就像一本厚厚的"菜谱"——如果你严格按照菜谱做,确实能做出好吃的菜。但问题是:
1. 菜谱写起来很慢(知识获取难)
2. 菜谱越厚越难管理(规则冲突)
3. 遇到菜谱上没有的食材就傻了(缺乏泛化能力)
4. 永远学不会新菜(没有学习能力)
真正的厨师不需要背菜谱——他们理解烹饪的原理,能随机应变。AI 也需要从"背规则"进化到"学原理"。
第二次寒冬让 AI 研究者意识到一个根本问题:靠人写规则走不通,必须让机器自己从数据中学习。这标志着 AI 的一次重大范式转换——从"知识驱动"转向"数据驱动"。
这个转变的核心思想可以用一句话概括:不要试图告诉机器"答案是什么",而是给机器足够的数据,让它自己发现"规律是什么"。
| 算法/事件 | 时间 | 核心思想 | 意义 |
|---|---|---|---|
| 反向传播算法 | 1986(推广) | 高效计算神经网络中每个参数的梯度 | 让多层神经网络变得可以训练,是深度学习的理论基础 |
| 支持向量机(SVM) | 1995 | 找到"最宽的马路"把两类数据分开 | 理论基础扎实,在小数据上表现优异,统治了 2000 年代的分类任务 |
| 随机森林 | 2001 | 一堆决策树投票取多数 | 简单高效,工业界广泛使用 |
| 梯度提升(GBDT) | 1999-2001 | 一棵树修正前一棵树的错误 | 后来演变为 XGBoost、LightGBM,至今仍是表格数据的王者 |
| Word2Vec | 2013 | 把词语映射成数字向量 | 让计算机第一次"理解"了词语的含义,NLP 的里程碑 |
桌子上混着红豆和绿豆,你拿一根筷子把它们分开。但筷子有很多放法——SVM 找的是离红豆和绿豆都最远的那个位置。这样新来的豆子放错位置的概率最小。这就是"间隔最大化"的思想。
他和同事切尔沃嫩基斯(Chervonenkis)在 1960 年代就提出了统计学习理论(VC 维理论),但直到 1990 年代才被广泛认可。SVM 的成功让"统计学习"成为 AI 的主流范式。
统计学习的复兴不仅仅是因为算法进步,更重要的是数据。互联网的爆发带来了前所未有的海量数据:
2012 年,AI 迎来了一个转折点——深度学习(Deep Learning)横空出世,彻底改变了游戏规则。
神经网络并不是什么新概念。它的历史可以追溯到 1943 年:
在神经网络被学术界冷落的几十年里,辛顿始终坚信这条路是对的。他培养了大批深度学习人才(包括 Yann LeCun 和许多 OpenAI/DeepMind 的核心成员),被称为"深度学习教父"。2024 年他获得诺贝尔物理学奖——因为物理学中的"玻尔兹曼机"正是他提出的神经网络模型。
深度学习之所以在 2010 年代爆发,不是因为某一个突破,而是三股力量同时汇聚:
她创建了 ImageNet 数据集——包含 1400 万张标注图片,涵盖 2 万多个类别。ImageNet 大规模视觉识别挑战赛(ILSVRC)成为深度学习的"奥运会",推动了 AlexNet、VGG、ResNet 等划时代模型的诞生。
在 ImageNet 比赛中,传统方法的错误率大约在 26%。AlexNet(一个 8 层的卷积神经网络)直接把错误率降到了 15.3%——碾压所有传统方法。这个结果震惊了整个计算机视觉界,标志着深度学习时代的正式开始。
这是 AI 历史上最戏剧性的时刻之一(详见下一节)。
Google 的论文《Attention is All You Need》提出了 Transformer 架构——它是今天所有大语言模型(GPT、Claude、LLaMA)的基础。这篇论文改变了整个 AI 的走向(详见第 6 章)。
8 岁开始下国际象棋,13 岁成为大师。后来转向 AI 研究,2010 年创立了 DeepMind。2014 年 Google 以 5 亿美元收购 DeepMind。他的目标一直是"解决智能,然后用它解决一切"。
2016 年 3 月,DeepMind 的 AlphaGo 以 4:1 击败了韩国棋手李世石——围棋世界冠军。这场比赛被全球直播,数亿人观看。
为什么这很重要?
围棋被认为是人类智慧的"最后堡垒"。国际象棋的每一步大约有 35 种走法,围棋有 250 种——围棋的可能棋局数量比宇宙中的原子还多。传统"暴力搜索"方法在围棋上完全不适用,机器必须拥有某种"直觉"。
AlphaGo 的影响远超围棋。它证明了AI 可以在人类认为"最需要直觉和创造力"的领域超越人类。后来 DeepMind 又将类似方法应用于蛋白质结构预测(AlphaFold,2020 年),解决了困扰生物学界 50 年的问题。
如果说 2012 年的 AlexNet 是深度学习的"引爆点",那么 2022 年的 ChatGPT 就是 AI 走进普通人生活的"iPhone 时刻"。
2017 年,Google 的一篇论文《Attention is All You Need》提出了 Transformer 架构。这篇论文的标题翻译过来就是"注意力就是你需要的一切"——事实证明,它说对了。
在 Transformer 之前,处理文本主要靠 RNN(循环神经网络)——像人读书一样,一个字一个字地读。问题有两个:
Transformer 的核心创新是自注意力机制(Self-Attention):让每个字都能同时"看到"其他所有字,并根据相关性分配不同的"注意力"。
想象你在读一句话:"那只猫坐在垫子上,它看起来很舒服。"
当你读到"它"这个字时,你的大脑会自动"回头看"前面的字,判断"它"指的是谁——猫,而不是垫子。自注意力做的就是这件事:让每个字都能"回头看"其他所有字,找到最相关的那些。
他是 AlexNet 的共同作者(和 Hinton 一起),后来成为 OpenAI 的联合创始人和首席科学家。他坚信"规模就是一切"——只要模型足够大、数据足够多,AI 就会涌现出惊人的能力。2024 年他离开 OpenAI,创立了安全超级智能公司。
| 模型 | 时间 | 参数量 | 关键能力 | 意义 |
|---|---|---|---|---|
| GPT-1 | 2018 | 1.17 亿 | 能生成连贯的段落 | 证明了"预训练+微调"范式的可行性 |
| GPT-2 | 2019 | 15 亿 | 生成的文章几乎无法和人类区分 | OpenAI 因为"太危险"一度不敢发布完整模型 |
| GPT-3 | 2020 | 1750 亿 | 零样本/少样本学习,能写代码、翻译、写诗 | 证明了"规模定律"——模型越大,能力越强 |
| ChatGPT | 2022.11 | 未公开 | 自然对话,能回答各种问题 | 两个月用户破亿,AI 走进大众生活 |
| GPT-4 | 2023.3 | 未公开(传闻万亿级) | 多模态(能看图),推理能力大幅提升 | 通过律师资格考试、SAT 数学考试等 |
2022 年 11 月 30 日,OpenAI 发布了 ChatGPT。接下来发生的事情超出了所有人的预期:
ChatGPT 为什么能成功?
不只是因为 GPT-3 强大,更关键的是RLHF(基于人类反馈的强化学习)——让人类标注员给模型的回答打分,模型学会给出更符合人类期望的回答。这就像训练一个学生:不光要他做对题,还要他回答得有礼貌、有条理、不说废话。
ChatGPT 的成功引爆了全球 AI 竞赛。2023-2026 年间,AI 模型如雨后春笋般涌现:
| 模型 | 公司 | 特点 |
|---|---|---|
| Claude | Anthropic | 注重安全和有用性,支持超长上下文(200K tokens),2025 年推出 Claude 4 系列 |
| Gemini | 原生多模态,和 Google 搜索深度整合 | |
| LLaMA | Meta | 开源大模型,催生了大量社区模型 |
| DeepSeek | DeepSeek(中国) | 开源模型,性能接近 GPT-4,训练成本极低 |
| Qwen(通义千问) | 阿里巴巴 | 中文能力出色,多模态支持 |
| 文心一言 | 百度 | 中文理解能力强,和百度搜索整合 |
| 豆包 | 字节跳动 | 面向年轻用户,创意写作能力突出 |
2024-2026 年,AI 的发展方向从"对话"转向"行动"——AI Agent(智能体)成为最热门的概念。
ChatGPT 像一个顾问——你问它问题,它给你建议,但具体执行还是你自己来。
AI Agent 像一个员工——你给它一个任务("帮我订一张明天去上海的高铁票"),它自己规划步骤、调用工具、完成任务、给你报告结果。
这个转变的关键是:AI 不只是"生成文本",而是能使用工具(搜索、写代码、调用 API)、规划步骤(把复杂任务拆解成小步骤)、记忆(记住之前的对话和任务状态)。
中国的人工智能研究起步并不晚——在某些方面甚至和世界同步。但在不同阶段,中国 AI 走出了自己独特的道路。
2010 年代,中国互联网的爆发为 AI 提供了独特的"数据红利":
2023 年 ChatGPT 爆发后,中国迅速跟进。据统计,2023-2024 年间,中国发布了超过 200 个大语言模型。
| 模型 | 公司 | 亮点 |
|---|---|---|
| DeepSeek | DeepSeek | 开源模型,性能接近 GPT-4,但训练成本仅为后者的几分之一。2025 年初引发全球关注 |
| Qwen(通义千问) | 阿里巴巴 | 开源生态完善,多模态能力突出 |
| 文心一言 | 百度 | 最早发布的中国大模型之一,中文理解能力强 |
| 豆包 | 字节跳动 | 用户量增长快,创意和写作能力出色 |
| Kimi | 月之暗面 | 支持超长上下文(200 万字),长文档处理能力强 |
回顾 AI 的 80 年历史,我们可以看到一条清晰的思想演变路线:
| 范式 | 核心问题 | 方法 | 优势 | 局限 |
|---|---|---|---|---|
| 符号主义 | 如何用规则描述知识? | 逻辑推理、专家系统 | 可解释、精确 | 无法处理不确定性,知识获取难 |
| 连接主义 | 如何模仿大脑? | 神经网络 | 能学习复杂模式 | 需要大量数据,结果不透明 |
| 统计主义 | 如何从数据中发现规律? | SVM、贝叶斯、集成学习 | 理论基础扎实 | 需要人工设计特征 |
| 深度学习 | 如何自动学习特征? | CNN、RNN、Transformer | 端到端学习 | 需要海量数据和算力 |
| 大模型 | 如何让模型更"通用"? | 预训练+微调+RLHF | 通用能力、涌现能力 | 成本高、可控性待解决 |
AI 的快速发展带来了巨大的兴奋,也带来了深刻的焦虑。让我们诚实地面对这些问题。
这是普通人最关心的问题。答案是:有些会,有些不会,但几乎所有工作都会改变。
每次技术革命都会引发"失业恐慌",但最终创造的新工作比消灭的多:
· 汽车消灭了马车夫,但创造了司机、修理工、加油站员工
· 电脑消灭了打字员,但创造了程序员、设计师、数据分析师
· AI 可能消灭一些工作,但也会创造我们现在无法想象的新职业
真正的风险不是"没有工作",而是转型期的阵痛——被取代的人需要时间学习新技能,而这个过程可能很痛苦。
随着 AI 能力的增强,一个根本性的问题浮出水面:如何确保 AI 做的事是我们真正想要的?
AI 的"目标"是由人类设定的。但如果设定不当,AI 可能会以我们不希望的方式达成目标。
AI 安全(AI Safety)已经从学术边缘话题变成了全球科技界最关注的议题之一。
| 机构 | 立场 | 措施 |
|---|---|---|
| Anthropic | 安全优先 | 提出"负责任的扩展政策"(RSP),根据模型能力分级管理 |
| OpenAI | 安全与能力并重 | 成立安全团队,发布安全报告,但也因商业化引发争议 |
| 各国政府 | 监管与促进平衡 | 欧盟出台 AI 法案,中国发布生成式 AI 管理办法 |
| 学术界 | 呼吁谨慎 | 2023 年"AI 灭绝风险"公开信,数百位科学家签名 |
AGI(Artificial General Intelligence)——像人一样能做任何智力工作的 AI——是 AI 研究的终极目标。
关于 AGI 的时间表,业界分歧很大:
面对 AI 的快速发展,普通人应该持什么态度?
AI 就像电的发明。1880 年代,人们对电充满恐惧——"电流过人体会触电!"但今天没有人会因为害怕触电而拒绝用电。我们学会了安全地使用电,让它成为生活的一部分。
AI 也一样。它有风险,但它也会成为人类文明的一部分。关键不是"要不要用",而是"怎么用好"。
从图灵的一个问题,到 ChatGPT 的一亿用户,人工智能走过了七十年。这段历史告诉我们:真正的突破往往来自那些"不切实际"的梦想。
人工智能简史 · 从图灵到 ChatGPT 的七十年 · 2026
仅供学习与参考