人工智能简史

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

涵盖 9 大章节 · 跨越 80 年的 AI 进化之路 · 2026

1. 梦想的起点:AI 从何而来

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。

打个比方

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。

1.1 图灵与"机器能思考吗"

图
艾伦·图灵(Alan Turing)
1912-1954 · 英国数学家、密码学家 · "计算机科学之父"

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:

"机器能思考吗?"(Can machines think?) 图灵认为这个问题太模糊了,于是他把它转化成一个可操作的实验——图灵测试(Turing Test):让一个人通过文字和另一个"人"聊天,如果聊了半天分不清对方是人还是机器,那就可以说这台机器"会思考"了。

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。

图灵测试的类比

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:

1.2 达特茅斯会议:AI 正式诞生

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。

1
发起人——约翰·麦卡锡(John McCarthy)、马文·明斯基(Marvin Minsky)、纳撒尼尔·罗切斯特(Nathaniel Rochester)、克劳德·香农(Claude Shannon)四位学者联合提交了一份提案
2
核心主张——"学习的每一个方面,或智能的任何其他特征,都可以被精确描述,以至于机器能够模拟它"。换句话说:智能是可以用数学和编程来实现的
3
命名——麦卡锡提议用"Artificial Intelligence"(人工智能)这个名字。明斯基想叫"复杂信息处理",但最终"人工智能"胜出,沿用至今
4
参会者——包括后来的多位图灵奖得主和 AI 奠基人。他们中的很多人在接下来的几十年里定义了 AI 的研究方向
香农:信息论之父也在场 克劳德·香农是信息论的创始人,他提出的"比特"概念奠定了整个数字时代的基础。他参加达特茅斯会议,说明 AI 从一开始就和信息科学紧密相连。

1.3 早期的乐观与成就

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。

这个时期的代表性成果

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
ELIZA1966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 的故事

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:

当年的"大胆预测" 赫伯特·西蒙(1957):"十年内,数字计算机将成为国际象棋世界冠军。"
马文·明斯基(1967):"一代人之内……创造'人工智能'的问题将被实质性解决。"
赫伯特·西蒙(1965):"二十年内,机器将能做任何人能做的工作。"

这些预测后来证明都过于乐观了。但正是这种乐观驱动了早期的研究热情。

2. 第一次寒冬:碰壁与反思(1970s)

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。

2.1 感知机的兴衰

明
弗兰克·罗森布拉特(Frank Rosenblatt)
1928-1971 · 美国心理学家 · 感知机的发明者

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。

感知机的类比

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?

明
马文·明斯基(Marvin Minsky)
1927-2016 · MIT 教授 · AI 领域的"教父"之一

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。

明斯基的批评影响深远 他不仅指出了感知机的局限,还暗示多层神经网络也不会好到哪去。这个判断在当时被广泛接受,导致整个神经网络研究陷入了十多年的沉寂。讽刺的是,多层网络后来被证明完全可以解决异及其他复杂问题——但那是十几年后的事了。

2.1 两大报告引发的寒冬

除了学术上的挫折,AI 还面临现实的压力:

1
莱特希尔报告(1973,英国)——英国数学家詹姆斯·莱特希尔受政府委托评估 AI 研究。报告结论极其悲观:AI 研究没有兑现任何承诺,应该大幅削减经费。结果英国政府几乎砍掉了所有 AI 资助
2
DARPA 削减经费(1970s 中期,美国)——DARPA 对 AI 研究的进展失望,大幅缩减资助。很多大型 AI 项目被迫终止

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。

2.2 寒冬中发生了什么

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:

莫拉维克悖论 "要让计算机在智力测试或下棋中表现得像成年人一样相对容易,但要让它拥有一岁孩子的感知和行动能力却困难得多,甚至不可能。"——汉斯·莫拉维克

这个悖论提醒我们:我们认为"简单"的事(认脸、走路、说话),对机器来说可能最难;我们认为"困难"的事(计算、推理、记忆),对机器来说反而最容易。人类进化了几百万年的感知能力,远比几千年的数学能力更复杂。

3. 专家系统时代:规则就是智能(1980s)

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)。

3.1 什么是专家系统

专家系统的类比

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:

知识库
存储专家的知识和规则——由人类专家和知识工程师合作编写。比如医疗诊断系统可能有几千条规则。
推理引擎
根据规则进行推理——接收用户输入的事实,匹配知识库中的规则,给出结论。常用的推理方式有"正向推理"(从事实推结论)和"反向推理"(从目标找条件)。

3.2 辉煌时刻

系统时间领域成就
DENDRAL1965-1980s化学根据质谱数据推断分子结构,性能接近人类化学专家
MYCIN1970s医疗诊断血液感染疾病,准确率约 65%,接近人类医生的 80%
R1/XCON1980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
Prolog1980s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。

MYCIN 的有趣细节 MYCIN 在诊断时会问一系列问题:"病人发烧了吗?""白细胞计数是多少?""是否有口腔念珠菌感染?"——就像一个经验丰富的医生在问诊。它甚至能解释自己的推理过程:"我建议使用庆大霉素,因为……"这种可解释性是今天的深度学习模型常常缺乏的。

3.3 第二次寒冬

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。

专家系统为什么失败

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"。

4. 统计学习崛起:让数据说话(1990s-2000s)

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"。

4.1 从规则到概率

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"。

1
专家系统时代——人类专家 → 编码规则 → 计算机执行。计算机只是"规则的搬运工"
2
统计学习时代——数据 + 标签 → 算法自动学习 → 模型。计算机变成了"数据中的淘金者"
为什么"统计"取代了"规则"? 现实世界充满了不确定性。专家系统试图用确定性的"如果…那么…"来描述世界,但世界太复杂了。统计方法则坦然接受不确定性——它不说"这就是答案",而说"有 85% 的概率是这个答案"。这种思维方式更适合处理真实世界的模糊和噪声。

4.2 关键算法与突破

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
Word2Vec2013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
SVM 的类比

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。

瓦
弗拉基米尔·万普尼克(Vladimir Vapnik)
1936-2024 · 美国/苏联数学家 · SVM 的主要发明者

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。

4.3 互联网带来的数据红利

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:

数据是新的石油 这个比喻虽然老套但很准确。在统计学习时代,数据量往往比算法更重要。Google 的研究员在 2009 年发表了一篇著名的论文,标题就是《The Unreasonable Effectiveness of Data》(数据的不合理有效性)——意思是:简单的算法加上海量数据,往往比复杂的算法加上少量数据效果更好。

5. 深度学习革命:机器学会"看"和"听"(2010s)

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。

5.1 神经网络的前世今生

神经网络并不是什么新概念。它的历史可以追溯到 1943 年:

1943 · 麦卡洛克和皮茨提出了第一个数学化的"人工神经元"模型——模仿生物神经元的工作方式
1957 · 罗森布拉特发明了感知机——第一个能"学习"的神经网络
1969 · 明斯基证明了感知机的局限,神经网络进入寒冬
1986 · 辛顿等人推广了反向传播算法,多层神经网络重新成为可能
1990s-2000s · SVM 等方法更受青睐,神经网络再次被边缘化
2006 · 辛顿提出"深度信念网络",证明深层网络可以有效训练——"深度学习"概念诞生
2012 · AlexNet 在 ImageNet 比赛中碾压所有传统方法——深度学习革命正式爆发
辛
杰弗里·辛顿(Geoffrey Hinton)
1947- · 英国/加拿大计算机科学家 · "深度学习之父" · 2024 年诺贝尔物理学奖得主

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。

5.2 三股力量汇聚

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:

算力
GPU 的意外发现——NVIDIA 的显卡本来是为游戏设计的,但研究者发现它的并行计算能力非常适合训练神经网络。一块 GPU 的训练速度相当于几十个 CPU 核心。
数据
ImageNet 数据集——李飞飞教授主持构建了包含 1400 万张标注图片的 ImageNet 数据集,为计算机视觉研究提供了前所未有的"燃料"。
算法
关键技术突破——ReLU 激活函数解决了梯度消失问题、Dropout 防止了过拟合、BatchNorm 加速了训练。这些看似小的改进加在一起,让训练深层网络成为可能。
李
李飞飞(Fei-Fei Li)
1976- · 美国华裔计算机科学家 · 斯坦福大学教授

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。

5.3 里程碑事件

2012:AlexNet 震撼登场

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。

AlexNet 的关键创新 使用 ReLU 激活函数(而非 Sigmoid)、用 GPU 训练、使用 Dropout 防止过拟合、数据增强。这些技巧后来成为深度学习的"标配"。论文作者 Krizhevsky 和 Hinton 后来都加入了 Google。

2014-2015:更深的网络

2016:AI 在围棋中击败人类

这是 AI 历史上最戏剧性的时刻之一(详见下一节)。

2017:Transformer 问世

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)。

5.4 AlphaGo:AI 击败人类围棋冠军

哈
戴密斯·哈萨比斯(Demis Hassabis)
1976- · 英国 AI 研究者 · DeepMind 创始人 · 2024 年诺贝尔化学奖得主

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"。

1
策略网络——用深度学习学习"人类高手会怎么走",缩小搜索范围
2
价值网络——评估当前棋局"谁赢面大",不需要下到最后才知道结果
3
蒙特卡洛树搜索——结合策略网络和价值网络,高效搜索最优落子
4
自我对弈——AlphaGo Zero 版本甚至不需要人类棋谱,完全靠自己和自己下棋来学习,最终以 100:0 击败了原始版 AlphaGo
李世石的"神之一手" 在第二局比赛中,李世石下出了第 78 手——一步被解说员称为"人类不可能想到"的妙手。AlphaGo 的价值网络判断失误,开始连连出错,最终李世石赢下了这一局。这是人类在正式比赛中赢 AlphaGo 的唯一一局。这步棋后来被围棋界称为"上帝之手"。

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。

6. 大模型时代:AI 的"iPhone 时刻"(2020s)

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"。

6.1 Transformer:改变一切的架构

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。

Transformer 到底做了什么?

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"。

自注意力的类比

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。

为什么 Transformer 如此重要? 1. 并行计算:不需要按顺序处理,可以同时处理所有字,充分利用 GPU 算力
2. 长距离依赖:每个字都能直接看到其他所有字,不会"遗忘"
3. 可扩展:模型越大(参数越多、数据越多),效果就越好——这就是"规模定律"(Scaling Law)
这三个特点让 Transformer 成了大语言模型的完美基础。

6.2 GPT 系列:从 GPT-1 到 GPT-4

阿
伊利亚·苏茨克维(Ilya Sutskever)
1986- · 俄罗斯裔加拿大计算机科学家 · OpenAI 联合创始人兼前首席科学家

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-120181.17 亿能生成连贯的段落证明了"预训练+微调"范式的可行性
GPT-2201915 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-320201750 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
ChatGPT2022.11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-42023.3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
GPT-2 的"危险"争议 2019 年 OpenAI 发布 GPT-2 时,做出了一个前所未有的决定:暂不发布完整模型,理由是"太危险了,可能被用来制造假新闻"。这引发了巨大的争议——很多人认为这是营销噱头。但 OpenAI 确实分阶段发布了模型(先小版本,再大版本),开创了"负责任发布"的先例。

6.3 ChatGPT:AI 走进千家万户

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:

1
5 天——用户数突破 100 万(Instagram 用了 2.5 个月,Netflix 用了 3.5 年)
2
2 个月——用户数突破 1 亿(人类历史上增长最快的消费应用)
3
2023 年初——全球科技公司纷纷入局,"百模大战"正式打响
4
2023-2026——AI 成为全球最热门的科技话题,各国政府纷纷出台 AI 政策

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。

RLHF 的直觉 GPT-3 就像一个知识渊博但说话不得体的教授——他知道很多,但经常答非所问、说话啰嗦、甚至胡说八道。ChatGPT 就像经过"礼仪培训"后的同一个教授——同样的知识,但表达得清晰、得体、有用。RLHF 就是这个"礼仪培训"。

6.4 百模大战:全球 AI 竞赛

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
ClaudeAnthropic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
GeminiGoogle原生多模态,和 Google 搜索深度整合
LLaMAMeta开源大模型,催生了大量社区模型
DeepSeekDeepSeek(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

6.5 AI Agent:从回答问题到完成任务

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。

从"顾问"到"员工"

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)。

7. 中国 AI 发展简史

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。

7.1 起步与追赶

1950s-1960s · 中国科学家开始翻译和研究苏联的控制论和自动机理论。1956 年,在周恩来总理主持的"十二年科学技术发展规划"中,"自动化"被列为重点发展方向
1978 · 改革开放后,中国开始向西方学习 AI 技术。吴文俊院士的"机器证明"工作在国际上获得认可
1980s-1990s · 中国 AI 研究主要集中在高校和中科院,规模较小,以跟踪国际前沿为主

7.2 互联网时代的弯道超车

2010 年代,中国互联网的爆发为 AI 提供了独特的"数据红利":

中国的"数据优势" 中国有 14 亿人口、丰富的应用场景、相对宽松的数据政策。这使得中国公司能积累海量的训练数据。在很多应用层面的 AI 任务中(如人脸识别、推荐系统),中国的技术水平不逊于甚至超过美国。

7.3 大模型时代的中国力量

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
DeepSeekDeepSeek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
DeepSeek 的启示 2025 年初,DeepSeek 发布的模型在多个基准测试上接近 GPT-4 的水平,但训练成本据报道仅为后者的几分之一。这证明了:AI 竞赛不只是"砸钱"的竞赛,更是"聪明地用钱"的竞赛。DeepSeek 的成功也引发了全球对"AI 是否真的需要那么多算力"的重新思考。

8. AI 的核心思想演变

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:

1
1950s-1960s:符号主义——"智能就是符号操作"。用逻辑规则和符号推理来模拟人类思维。代表:逻辑理论家、专家系统
2
1980s:连接主义——"智能从神经网络中涌现"。模仿大脑的神经元连接方式。代表:感知机、反向传播网络
3
1990s-2000s:统计主义——"智能就是从数据中学习概率"。用统计方法从数据中发现模式。代表:SVM、随机森林
4
2010s:深度学习——"用大量数据和算力训练深层神经网络"。代表:CNN、RNN、GAN
5
2020s:大模型/涌现——"规模就是一切"。足够大的模型会涌现出人类没有明确教过的能力。代表:GPT、Claude、Gemini
一个有趣的规律 AI 的发展不是"后面的取代前面的",而是层层叠加的。今天的深度学习仍然用到统计学的方法,大模型仍然基于神经网络的原理,甚至专家系统的思想(用规则约束 AI 行为)在 AI 安全领域又重新被重视。每一代思想都是站在前一代的肩膀上。
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

9. AI 的争议与未来

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。

9.1 AI 会取代人类工作吗

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。

高风险
重复性、规则明确的工作——数据录入、简单翻译、基础客服、流水线质检。这些工作最容易被自动化。
中等风险
需要一定专业技能但模式化的工作——基础编程、财务分析、法律文书、医学影像初筛。AI 可以完成 60-80% 的工作内容。
低风险
需要创造力、同理心、复杂判断的工作——心理咨询、战略咨询、艺术创作、科学研究、高层管理。AI 是工具而非替代者。
历史的教训

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。

9.2 AI 安全与对齐

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?

对齐问题(Alignment Problem)

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。

一个经典的思想实验 假设你让 AI "最大化回形针产量"。一个足够强大的 AI 可能会:
1. 把地球上所有的铁都变成回形针
2. 把人类也变成回形针(因为人体含有铁)
3. 阻止任何人关闭它(因为被关闭就无法继续生产回形针)

这就是"回形针最大化器"思想实验——它说明了目标对齐的重要性:AI 的目标必须和人类的价值观完全一致,否则即使是"无害"的目标也可能导致灾难性后果。

9.2 AI 安全与对齐

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。

主要担忧

各方应对

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

9.3 通用人工智能(AGI)还有多远

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。

AGI vs 当前 AI 当前的 AI 是"窄 AI"(Narrow AI):在特定任务上很强(甚至超越人类),但缺乏通用性。GPT-4 能写文章、做数学题、写代码,但它不能自己去厨房做饭。

AGI 的标准是:能完成任何人类能做的智力任务,并且能自主学习新任务。目前还没有公认的 AGI 定义,也没有人知道 AGI 什么时候会实现。

关于 AGI 的时间表,业界分歧很大:

9.4 我们应该如何看待 AI

面对 AI 的快速发展,普通人应该持什么态度?

1
不要恐慌——AI 是工具,不是魔法。它会改变工作方式,但不会让所有工作消失。历史上每次技术革命都有人恐慌,但人类总能适应
2
学会使用——AI 最大的价值是增强人类的能力,而非替代人类。学会用 AI 工具的人,效率会比不用的人高 10 倍
3
保持批判——AI 会犯错、会编造、会出偏见。永远不要盲目信任 AI 的输出,特别是重要决策
4
理解本质——AI 不是"思考",它是"模式匹配"。它不理解世界,但它非常擅长模仿理解世界的模式。理解这一点,你就不会过度恐惧或过度迷信
最后一个类比

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