AI 简史

1950 年代：思想实验与一个名字

1950 年，阿兰·图灵发表论文《计算机器与智能》，提出"机器能思考吗"这个问题，并设计了"图灵测试"作为回答的判定方式：一个人通过文字和对方交谈，如果无法分辨对方是人还是机器，就算机器通过了测试。这个问题至今仍是衡量 AI 的一个隐含标尺。

1956 年的达特茅斯会议正式提出"人工智能"（Artificial Intelligence）这个词。会议参加者后来几乎成了这个领域半个世纪的奠基人。

1960–1980 年代：符号派与两次寒冬

早期研究者相信"智能 = 符号推理"。只要把人类知识写成规则，让计算机一条条推导，就能模拟智能。研究者开发了能解大学数学题、证明几何定理的程序，一时乐观情绪高涨。

但真实的视觉、语音、自然语言问题远比规则能覆盖的范围复杂，政府投资开始撤出，AI 研究进入第一次寒冬。1980 年代专家系统短暂回温，又因维护成本高、维护困难跌入第二次寒冬。

1990–2010 年代：统计学习的崛起

研究者逐渐放弃"手写规则"路线，转向让机器从大量数据中自己找规律——也就是机器学习。1990 年代支持向量机、决策树等方法成熟，2000 年代深度学习开始萌芽。

2012 年的 ImageNet 比赛是分水岭：一种叫"深度神经网络"的方法把图像识别的错误率从 26% 降到 16%，大幅领先其他参赛者。深度学习由此全面接管计算机视觉、语音识别和自然语言处理。

2017 至今：大模型与生成式 AI

2017 年 Google 提出的 Transformer 架构，是当今所有大语言模型的共同祖先。它能高效地处理长文本序列，并在多任务上同时取得好成绩。

2020 年 GPT-3 展示了"规模即能力"的趋势：把模型做大、数据做多，效果会持续提升。2022 年底 ChatGPT 把这种能力包装成人人可用的产品，AI 第一次大规模进入普通人的工作和学习场景。

2023 年起，多模态（同时理解文字、图片、音频）、智能体（让模型调用外部工具）成为新的主战场。AI 从"会说话"走向"能做事"，但"能不能可靠地做事"仍是尚未完全解决的工程问题。

如何看待今天的进展

媒体上的"AI 革命"叙事容易让人高估短期、低估长期。过去十年的进步确实惊人，但大多数能力都建立在"海量数据 + 巨大算力 + 大力出奇迹"这条路上，并非凭空出现的科学突破。

对未来更靠谱的预期是：模型能力会继续稳步提升，但每一项具体应用的落地都需要工程、产品、伦理层面的长期打磨。把 AI 当作工具而不是神话，可能是当下最理性的态度。