从符号到生成：人工智能80年演进史

一部关于人类如何赋予机器“智能”的漫长故事，本质上也是一部人类重新认识自身智能的历史。

引言：机器能思考吗？

1946年，世界上第一台通用计算机ENIAC在美国宾夕法尼亚大学问世。这台重达30吨、占地170平方米的庞然大物，每秒只能进行5000次加法运算——今天你口袋里的手机，算力是它的上亿倍。

但正是在这台笨重的机器诞生前后，一群科学家开始追问一个更根本的问题：机器能思考吗？

奠基：思想的种子（1943-1956）

人工智能的思想根脉，可以追溯到更早。

1943年，神经生理学家沃伦·麦卡洛克和数学家沃尔特·皮茨发表了一篇里程碑式论文，用数学证明：由简单神经元构成的网络，理论上可以计算任何可计算的函数。这是人工神经网络的逻辑起点。

1950年，艾伦·图灵发表《计算机与智能》，提出了一个至今仍被讨论的判定标准——图灵测试：如果一台机器在对话中让人类无法分辨它是人还是机器，那它就是智能的。图灵没有直接回答“机器能否思考”，而是给出了一个操作性的定义，这为AI研究提供了可讨论的框架。

1956年夏天，约翰·麦卡锡、马文·明斯基等几位年轻学者在美国达特茅斯学院组织了一个暑期研讨项目。麦卡锡为这个项目起了一个名字——“人工智能” 。他们相信，智能不是神秘的天赋，而是可以被工程化的问题。这个会议被公认为AI作为独立学科的诞生标志。

第一波浪潮：符号主义的黄金时代（1956-1974）

达特茅斯会议之后的二十年，AI研究的主导范式是符号主义——智能等于逻辑推理，知识用符号表示，推理用规则引擎驱动。

1956年，纽厄尔和西蒙展示了世界上第一个AI程序——逻辑理论家，它能自动证明数学定理。1957年，弗兰克·罗森布拉特发明了感知机，一个可以学习的单层神经网络，被媒体乐观地预言为“能走路、说话、看、写，并意识到自己的存在”的机器的雏形。

这一时期充满了乐观预言。西蒙在1957年断言：“十年之内，计算机将成为国际象棋冠军，发现并证明重要的数学定理，创作出被评论家认为具有相当美学价值的音乐。”

然而，这些预言过于乐观了。

第一次寒冬（1974-1986）：梦想冻结的年代

1969年，明斯基和派珀特出版《感知机》一书，从数学上严格证明了单层感知机的致命局限——它连简单的异或（XOR）逻辑问题都无法解决。这一打击几乎是致命的，神经网络研究陷入停滞。

1973年，英国政府委托莱特希尔爵士评估AI进展，报告严厉批评：“迄今为止的发现没有产生预期中的重大影响。”英国政府随即大幅削减AI经费。美国的DARPA也转向了更“实际”的项目。AI研究资金的断流导致了所谓的 “AI寒冬” 。博士生被建议不要在简历上写“AI”，这几乎等于断送学术前途。

但火种并未熄灭。1986年，杰弗里·辛顿等人重新发现了反向传播算法——一种有效训练多层神经网络的方法。这篇论文多次被拒稿，最终发表在《自然》杂志上，成为连接主义复兴的导火索。

深蓝与统计时代（1986-2011）

1997年5月11日，IBM的深蓝在第六局击败国际象棋世界冠军卡斯帕罗夫。这是机器第一次在标准比赛时限内击败国际象棋世界冠军。不过，深蓝依赖的是暴力搜索和专用硬件，而非真正的“理解”。

真正改变轨迹的事件发生在2006年。辛顿发表深度信念网络论文，展示了如何一层一层地预训练深度神经网络；同年，英伟达推出CUDA平台，让GPU可用于通用计算。这两件事的相遇，为后来的深度学习革命备好了弹药。

2009年，斯坦福大学的李飞飞团队发布了ImageNet——一个包含1400万张标注图片的数据集。它后来成为了深度学习算法的“奥林匹克竞技场”。

深度学习革命（2012-2017）：第三次浪潮

2012年10月，AI的历史被彻底改写。

辛顿的两个学生——亚历克斯·克里热夫斯基和伊利亚·苏茨克维——用一块NVIDIA GPU训练了AlexNet深度神经网络。在ImageNet图像分类竞赛中，AlexNet的top-5错误率仅为15.3%，比第二名低了整整10个百分点。“ImageNet时刻” 标志着深度学习时代的正式开启。

此后，更深更复杂的神经网络相继涌现。2015年，ResNet将图片分类误差率压缩到3%左右，首次超越人类水平。

2016年，谷歌DeepMind的AlphaGo以4比1战胜围棋世界冠军李世石。围棋比国际象棋复杂得多——这一步跨越让世界真正感受到了震撼。AlphaGo下出的一些棋路，人类棋手几千年都未曾想过。

2018年，图灵奖颁给了 “深度学习三巨头” ——杰弗里·辛顿、杨立昆和约书亚·本吉奥。

大模型时代（2017至今）：从Transformer到ChatGPT

2017年6月，谷歌8位研究员发表了一篇题为 《Attention Is All You Need》 的论文，提出了Transformer架构。Transformer就是ChatGPT里的“T”。不夸张地说，Transformer诞生的那一刻，AI的历史进程骤然加速。它通过自注意力机制，实现了对长文本的有效处理和并行训练，为大模型的诞生铺平了道路。

2020年，OpenAI发布GPT-3，一个拥有1750亿参数的自回归语言模型，比此前全球最大的深度学习模型复杂十倍。

2022年11月30日，OpenAI发布ChatGPT。发布仅5天，用户突破100万；两个月后达到1亿——TikTok用了9个月，Instagram用了30个月。ChatGPT成为有史以来用户增长最快的消费级应用。

它为什么能做到？科学家不再试图教给机器规则，而是给了它海量的文字——几乎整个互联网的公开内容——让机器自己去发现语言的规律。

2024年，诺贝尔物理学奖和化学奖颁给了五位AI学者，标志着AI正在引发科学研究的范式转变——AI for Science（AI4S） 成为继经验科学、理论科学、数值计算、机器学习之后的第五范式。

技术范式跃迁：三次浪潮的本质

纵观80年，AI经历了三次范式跃迁：

符号主义试图通过逻辑规则“教”机器思考，连接主义让机器从数据中“学”习，而大模型则实现了从“判别”到“创造”的跃迁。

结语：火种从未熄灭

从1946年的ENIAC到2022年的ChatGPT，这条路走了80年。这中间有过狂热，有过失落，有过惊喜，也有过担忧。纵观AI发展史，它经历了三次发展浪潮，期间两次寒冬。

但每一次低谷之后，总有人在默默坚持——1986年的反向传播、2006年的深度信念网络、2012年的AlexNet——火种从未真正熄灭。

今天，大模型正在以前所未有的速度改变我们的生活。机器的智能正在改变我们和世界互动的方式。人机协作的时代，已经悄悄开始了。