人工智能完整发展史：从图灵到当今时代
人工智能的旅程是人类雄心的见证——一场长达数十年的、在机器中复制人类智能的追求。要真正理解AI的未来走向，就必须把握人工智能发展的完整且往往循环往复的历史，从一位英国数学家的理论思考，到如今正在重塑世界的生成式AI革命。
你将学到什么
人工智能发展的历史并非一条直线，而是一系列由"符号"逻辑与"统计"学习之间的根本张力驱动的繁荣与萧条。从1950年的图灵测试到驱动当今生成式AI的Transformer架构，进步始终由更好的算法、海量数据集以及关键性的、使深度学习成为可能的巨大计算能力的融合所定义。
哲学种子与学科诞生
早在第一台计算机能够运行程序之前，AI的概念基础就已奠定。1950年，艾伦·图灵发表了开创性论文《计算机器与智能》，提出了一个测试，用以判断机器是否能表现出与人类无法区分的智能行为。这个问题将焦点从机器如何思考，转移到了机器能否令人信服地模拟思考，从而为一个新的科学学科奠定了基础。
达特茅斯会议：1956年
AI领域正式诞生于1956年夏天由约翰·麦卡锡组织的达特茅斯会议，麦卡锡也是"人工智能"一词的创造者。这次汇聚了马文·明斯基和克劳德·香农等杰出头脑的会议，充满了巨大的乐观情绪；他们认为，拥有类人智能的机器指日可待。这个时代见证了第一个AI编程语言LISP以及感知机的诞生，感知机是一种早期的神经网络，激发了人们对机器学习的热情。
经典AI：智能即逻辑与规则
第一波主要的AI研究浪潮现在被称为"符号AI"或"经典AI"。其核心思想是，智能可以通过编程明确的规则和逻辑符号来复制。如果人类通过事实和规则进行推理，那么机器也可以通过操作这些符号来做同样的事情。
专家系统与AI寒冬
这种方法在20世纪70年代和80年代催生了"专家系统"——旨在模仿人类专家决策的程序。然而，这种方法虽然对于结构化问题很优雅，但在面对现实世界混乱、模糊的本质时却显得脆弱。手动编写每一条规则是一项艰巨的任务。当技术未能实现其宏伟承诺时，导致了"AI寒冬"——20世纪70年代和80年代末期资金和兴趣急剧减少的时期。这是人工智能发展史上的一个关键教训：蛮力逻辑不足以实现真正的"智能"。
统计转向：机器学习的崛起
20世纪90年代，一种更为谦逊的方法开始获得关注。研究人员不再编程规则，而是专注于构建能够从数据中学习规则的系统。这是机器学习（ML）的曙光。通过向算法提供海量数据并让它们识别模式，研究人员能够解决诸如欺诈检测和垃圾邮件过滤等问题，这些问题曾让符号系统束手无策。
1997年，IBM的深蓝击败了国际象棋世界冠军加里·卡斯帕罗夫，成为这一方法的里程碑。然而，深蓝的成功是蛮力搜索和手工调整评估函数的杰作，是经典方法与学习方法的混合体。但它有力地证明了机器在明确的逻辑领域所能取得的成就。
深度学习革命
尽管浅层机器学习取得了成功，神经网络却一直处于幕后。"感知机"的概念于1958年提出，甚至训练多层网络的基础方法——反向传播——也早在1969年由Bryson和Ho引入。然而，使深度网络有效所需的计算能力和数据当时并不存在。
这种情况在21世纪初发生了巨大变化。杰弗里·辛顿等研究人员在2006年发表了关于训练多层神经网络的关键工作，引领了复兴。突破性时刻出现在2012年，深度卷积神经网络AlexNet在ImageNet计算机视觉竞赛中取得了压倒性胜利。通过利用最初为游戏设计的图形处理器（GPU），AlexNet证明了深度学习可以在图像识别中达到前所未有的准确率。
算法、海量数据集（如ImageNet）和强大GPU的融合催化了现代AI热潮。2011年，IBM的沃森在《危险边缘！》节目中击败了冠军，苹果推出了Siri，将AI带入了数百万家庭。仅仅几年后，DeepMind的AlphaGo在复杂的围棋游戏中击败了世界冠军，这一成就曾被认为需要几十年才能实现。
生成式时代：注意力就是一切
下一个巨大的飞跃并非来自硬件突破，而是来自一种新颖的架构：Transformer。2017年，论文《注意力就是一切》引入了一种架构，可以同时处理整个数据序列，而之前的模型则一次处理一个词。
这种架构构成了OpenAI的生成式预训练Transformer（GPT）的骨干。虽然GPT-1（2018年）和GPT-2（2019年）展现了潜力，但2020年拥有1750亿参数的GPT-3以其写作、编码和翻译能力震惊了世界。OpenAI在2022年底发布ChatGPT，最终使这项技术民主化，为数百万用户提供了一个直观的界面来与强大的大语言模型互动。
这标志着"生成式AI"革命。该领域现在正迅速进入"代理式AI"阶段，系统使用大语言模型作为推理引擎来规划、使用工具并自主执行复杂任务。人工智能发展的历史完成了一个循环；经典AI的目标追求行为正在与现代深度学习的强大学习能力相结合。尽管道路充满了巨大进步和令人沮丧的挫折的循环，但轨迹是明确的：人工智能不再是"是否"的问题，而是"下一步是什么"的问题。
常见问题
艾伦·图灵对人工智能的发展有何贡献？ 艾伦·图灵被认为是理论计算机科学和AI之父。他1950年的论文提出了"图灵测试"，作为判断机器是否能表现出智能行为的方法，从根本上将对话从机器如何思考转向了机器能否模拟思考，为整个领域奠定了基础。
什么是"AI寒冬"，为什么会发生？ "AI寒冬"是指20世纪70年代和80年代末期AI研究的资金和兴趣急剧下降的时期。它们是由早期"符号AI"系统未能实现其宏伟承诺所导致的，引起了投资者和政府的广泛失望。
什么是"深度学习革命"，它发生在什么时候？ 深度学习革命大约始于2012年，随着赢得ImageNet竞赛的深度神经网络AlexNet的发展而开始。这证明了强大的神经网络可以被有效训练，而这是由海量数据集、复杂算法和强大GPU的融合所实现的。
符号AI和机器学习之间的主要区别是什么？ 符号AI基于为机器编程明确的规则和逻辑，而机器学习基于在数据上训练算法以让它们自己发现模式和规则。机器学习在处理现实世界的模糊性方面已被证明远为有效和灵活。
什么是"Transformer"架构，它为什么重要？ Transformer于2017年引入，是一种使用"注意力机制"一次性处理数据（如文本）的神经网络架构。它是现代大语言模型（如GPT和BERT）的基础技术，使它们比以前的模型更强大、更具可扩展性。
— Editorial Team
暂无评论。