Chapter 01

AI 历史脉络

从符号主义、连接主义和统计学习三条思想主线理解 AI 的兴起、寒冬与复兴。

专题长文基础正文核对 2026-10-03增补 2026-11-194 个关联深度词条
同一任务的三种比喻:轮廓模板、分类样本、通用表示再适配。
图解 · 教学示意

认出一把钥匙,有三条路线

规则
由人规定要检查哪些轮廓。换个角度,旧规则可能失效。
从样本学习
提供带标签的样本,让模型从差异中学习分类。
预训练再适配
先从广泛数据学习表示,再用于钥匙识别。三种路线今天仍可并用。
比较不同学习信号 →
本页目录 7 节

本章核心判断

AI 的进步从来不只由算法推动,而是思想、数据、算力、评测和商业需求共同越过临界点。

两把黑伞,哪把是我的?

虚构示例

失物招领处原先按颜色和伞柄形状找伞。直到下雨那天,柜台收来了十几把黑色直柄伞。小周拿出旧照片,电脑把有相似划痕的两把排在最前。管理员却没马上交伞,而是请他描述伞带内侧的记号。

自拟教学说明

柜台用了两种不同的办法:按条件筛选,条件由人写;从照片里找相似的划痕,哪些特征有用可以从样本中学。后者缩小了范围,却没有回答谁有权领走伞。理解 AI 历史,不必把规则和学习想成前后两代只能留一个。

在 AI 得名之前,问题已经形成

历史事实

1943 年的人工神经元模型、1950 年图灵对机器智能的讨论,并不是今天大模型的直接产品蓝图,却提出了两个长期问题:能否用计算表示智能行为,以及怎样观察机器的能力。图灵的模仿游戏讨论的是可观察行为,不是意识的证明。

依据A Logical Calculus of the Ideas Immanent in Nervous ActivityComputing Machinery and Intelligence
历史事实

1955 年达特茅斯研究提案已经使用 Artificial Intelligence 一词,并计划于 1956 年举行暑期研究。提案同时讨论语言、神经网络、抽象和自我改进,说明 AI 从一开始就不是单一算法路线。

依据A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence

符号规则为什么兴起,又为什么遇到边界

历史解释

早期符号主义把知识写成逻辑、搜索和规则,专家系统在边界清楚的诊断与配置任务中有价值。但开放世界的常识、歧义与例外太多,知识获取、维护和计算成本难以跟上承诺。两次所谓 AI 寒冬不是研究完全停止,而是预期、资金和可交付能力失衡。

依据A Proposal for the Dartmouth Summer Research Project on Artificial IntelligenceOn the Opportunities and Risks of Foundation Models
方法判断

不能把历史写成‘规则失败,神经网络胜利’。今天企业 AI 仍需要业务规则、数据库、检索和审批;神经网络负责学习复杂模式,显式规则负责确定性约束。两条路线在产品系统中共存。

依据NIST AI Risk Management Framework 1.0On the Opportunities and Risks of Foundation Models

统计学习与深度学习改变了问题的表达方式

历史事实

互联网数据、GPU 和可比较的任务评测推动机器学习从手写规则转向从样本估计模式。AlexNet 的 2012 年 ImageNet 工作是深度视觉的重要转折;AlphaGo 公开论文展示了深度网络与树搜索结合,而不是仅靠单一模型‘理解’围棋。

依据ImageNet Classification with Deep Convolutional Neural NetworksMastering the Game of Go with Deep Neural Networks and Tree Search
分析框架

这阶段的因果链是任务可测量、数据可获得、训练可计算、结果可复现。没有合适的评测和部署场景,论文突破不会自动变成可靠产品。

依据ImageNet Classification with Deep Convolutional Neural NetworksNIST AI Risk Management Framework 1.0

Transformer、基础模型和大众产品

历史事实与边界

2017 年 Transformer 提供了以 Attention 为核心的序列架构;随后大规模预训练与后训练让同一底座适配更多任务。2022 年 ChatGPT 把对话式交互推向大众,但‘研究方法公开’不等于现役模型的数据、参数和服务架构全部公开。

依据Attention Is All You NeedLanguage Models are Few-Shot LearnersTraining Language Models to Follow Instructions with Human FeedbackIntroducing ChatGPT
当前观察

到 2026 年,比较 AI 发展应同时看能力、评测有效性、成本、分发和治理。Stanford AI Index 指出前沿能力持续提高,也指出评测饱和和应用可靠性仍是问题;因此时间线是理解变化的入口,不是技术胜负表。

依据AI Index 2026: Technical Performance