符号主义与逻辑推理
1950s — 1970s
研究者相信智能可以由符号操作与逻辑规则实现。程序被用来证明定理、下棋、做规划,通用问题求解器(GPS)和早期自然语言程序相继出现。然而,现实世界的复杂性远超手工规则的覆盖能力,算力与数据也远远不足,第一次浪潮在 1970 年代进入寒冬。
AI HISTORY · 1943—2026
从图灵的一纸提问,到能够对话、创作与推理的生成式 AI——七十年探索,三次浪潮,数次寒冬,故事仍在继续。
01 · 起源
人工智能并不是某一天突然诞生的。它站在三条思想河流的交汇处:形式逻辑提供了推理的语言,控制论带来自我调节与反馈的想象,神经科学则启发人们用“神经元网络”去模仿大脑。
1950 年,艾伦·图灵在论文《计算机器与智能》中提出一个著名问题:“机器能思考吗?”他给出了一个可操作的替代方案——如果一台机器在对话中让人无法分辨它是人还是机器,我们就不妨说它具备智能。这就是后来的图灵测试。
1956 年夏天,约翰·麦卡锡、马文·明斯基、克劳德·香农等人在美国达特茅斯学院组织了一场为期数周的研讨会。正是在这次会议上,“Artificial Intelligence(人工智能)”一词被正式提出,AI 作为一门学科登上历史舞台。
“我们会尝试让机器使用语言、形成抽象与概念、解决原本只有人类才能解决的问题。” —— 1955 年达特茅斯会议提案
02 · 三次浪潮
每一次浪潮都由新的方法与乐观情绪推动,也几乎都经历过期望落空后的“AI 寒冬”。
1950s — 1970s
研究者相信智能可以由符号操作与逻辑规则实现。程序被用来证明定理、下棋、做规划,通用问题求解器(GPS)和早期自然语言程序相继出现。然而,现实世界的复杂性远超手工规则的覆盖能力,算力与数据也远远不足,第一次浪潮在 1970 年代进入寒冬。
1980s — 1990s
AI 从“通用推理”转向“领域知识”。专家系统把行业专家的经验写成规则库,在医疗、制造、金融等场景中落地,日本“第五代计算机”计划更把 AI 推向国家战略高度。但知识获取成本高、维护困难、泛化能力弱,随着 Lisp 机器市场崩溃,第二次浪潮退去。
2000s — 至今
互联网带来了海量数据,GPU 带来了廉价算力,深度神经网络让机器从数据中自动学习特征。2012 年 AlexNet 在 ImageNet 上一战成名,此后 AlphaGo、Transformer、GPT 与生成式 AI 接连登场,AI 第一次大规模走进普通人的生活。
03 · 里程碑
沿着时间线,看 AI 如何从实验室走向每个人的屏幕。
沃伦·麦卡洛克与沃尔特·皮茨提出人工神经元模型(M-P 模型),首次用数学方式描述神经元的“兴奋—抑制”机制,为神经网络埋下第一块基石。
艾伦·图灵发表《计算机器与智能》,提出以对话行为判断机器是否具有智能的“模仿游戏”,成为后世讨论机器智能的经典起点。
麦卡锡、明斯基、香农、纽厄尔、西蒙等学者齐聚达特茅斯,“人工智能”正式成为学科名称,第一代 AI 研究者开始探索推理、学习与语言。
弗兰克·罗森布拉特提出感知机(Perceptron),这是最早的、可以从样本中学习的神经网络之一,也引发了第一轮“机器能学习”的热潮。
约瑟夫·魏泽鲍姆在 MIT 写出 ELIZA,它用模式匹配模拟心理治疗师对话。人们很快发现,即使规则简单,人类也会不由自主地把“理解”投射到机器身上。
英国《莱特希尔报告》质疑 AI 的进展与投入不成正比,多国研究经费被大幅削减。符号主义的承诺与现实能力之间的鸿沟,让 AI 第一次跌入低谷。
DEC 的 XCON 专家系统帮助配置计算机订单,商业价值得到验证;随后专家系统在医疗、金融、制造等行业快速扩散,AI 迎来第二次浪潮。
鲁梅尔哈特、辛顿与威廉姆斯系统阐述了反向传播算法,多层神经网络第一次有了可行的训练方法,为日后的深度学习奠定基础。
专家系统的维护成本与脆弱性逐渐暴露,Lisp 机器市场崩溃,日本第五代计算机计划未达预期,AI 第二次进入低谷;但连接主义研究仍在悄然积累。
IBM 的深蓝以 3.5:1.5 击败加里·卡斯帕罗夫。这是大规模搜索与专用硬件结合的胜利,也让全世界第一次直观感受到机器在复杂智力游戏中的力量。
杰弗里·辛顿等人提出深度信念网络与逐层预训练方法,证明深层神经网络可以被有效训练,“深度学习”一词开始进入主流视野。
李飞飞团队发布 ImageNet 数据集,用数百万张标注图片为视觉识别提供了统一标尺。数据、算法与算力的“三件套”开始汇聚。
AlexNet 在 ImageNet 图像识别竞赛中以显著优势夺冠,GPU 训练深度卷积网络成为范式。此后十年,深度学习几乎重塑了计算机视觉与语音识别。
DeepMind 的 AlphaGo 以 4:1 击败围棋世界冠军李世石。深度神经网络与强化学习、蒙特卡洛树搜索结合,攻克了曾被认为“至少还要十年”的围棋难题。
论文《Attention Is All You Need》提出完全基于注意力机制的 Transformer,摆脱循环结构、支持大规模并行训练,成为此后几乎所有大语言模型的基础架构。
拥有 1750 亿参数的语言模型 GPT-3 展示了少样本学习与通用文本生成能力。人们开始意识到:扩大模型、数据与算力的规模,本身就能带来能力跃迁。
ChatGPT 上线,两个月用户破亿;Stable Diffusion、DALL·E 2 等图像生成模型同时爆发。AI 第一次以“人人可用”的产品形态进入日常生活与工作流。
大模型从“会聊天”走向“会看图、会听、会用工具”:多模态理解、长上下文、链式推理与智能体(Agent)成为新方向。与此同时,模型能力、成本与安全治理之间的平衡,成为全社会共同面对的新课题。
04 · 人物
他们来自数学、计算机、神经科学与认知科学,共同塑造了今天的人工智能。
提出图灵机与图灵测试,为计算与机器智能奠定理论基础,被誉为“计算机科学之父”。
达特茅斯会议发起人之一,提出“人工智能”一词,并创造了 Lisp 语言。
MIT AI 实验室创始人之一,在神经网络、认知科学与智能理论方面影响深远。
反向传播与深度学习的推动者,2024 年诺贝尔物理学奖得主之一。
卷积神经网络(CNN)的奠基人之一,推动深度学习在视觉领域的应用。
深度学习三巨头之一,在神经网络、表示学习与注意力机制方面贡献卓著。
ImageNet 的创建者,推动了数据驱动计算机视觉与“以人为中心的 AI”研究。
DeepMind 联合创始人,AlphaGo、AlphaFold 等项目的推动者,2024 年诺贝尔化学奖得主之一。
05 · 影响与未来
AI 正在改变写作、编程、设计、科研与教育。它可以是强大的助手,也提出了“谁来完成、谁来负责”的新问题。
模型从人类数据中学习,也会继承其中的偏见;生成内容可能看似合理却与事实不符。数据来源、版权与责任边界仍在讨论之中。
重复性任务最先被自动化,而判断、沟通、创造力与跨领域协作的价值更加凸显。适应变化的关键,也许在于学会与 AI 协作。
当模型能力越来越强,如何让系统理解并遵循人类意图、如何评估风险、如何治理,成为研究与公共政策共同的焦点。
七十多年里,AI 经历过被神化、被质疑、被冷落,也一次次用新的突破回应怀疑。今天,我们正站在生成式 AI 浪潮的中段——它会把人类带向哪里,取决于技术,也取决于使用技术的人。
探索仍在继续。