1950 图灵测试
什么叫思考？机器能思考吗？
图灵没有纠结哲学定义，而是换了个更工程化的问法：
如果一台机器隔着屏幕和你聊天，聊到你分不清对面是人还是机器，那这台机器算不算学会了思考？
这是图灵测试。一个简单但至今仍在被讨论的标准。
1956 达特茅斯会议 —— AI 正式诞生
约翰·麦卡锡 给这个学科起了名字：Artificial Intelligence（人工智能）。
当时一群人乐观地觉得：一个夏天，加足够的经费，就能搞出通用人工智能（AGI）。后来回头看，当然是太天真了。
两条路线从此分野（但能否重聚？）
符号主义：人类手写规则和知识，用逻辑推理。好处是清晰可解释，问题是规则永远写不完。
连接主义：1958 年罗森布拉特搞出了感知机（Perceptron）——深度学习的祖宗。想法是用数学模型模拟神经元。（MLP、ReLu）
但当时缺数据、缺算力，算法也还很初级。
1969 第一次 AI 寒冬
马文·明斯基 从数学上证明了：单层感知机连 XOR（异或）这种简单问题都解决不了。
神经网络路线被否定，投资中断，行业进入长达十年的寒冬。
中间也有一些进展（1966 年第一个聊天机器人 ELIZA、1968 年首个专家系统 DENDRAL），但整体上 AI 进入低潮。
1980 年代 专家系统 —— 第二次高潮
换了个思路：找来行业顶尖专家，把他们的经验写成规则，做成「专家系统」。
80 年代初还是挺成功的，比如 DEC 公司的 XCON 系统每年能省四千万美元。
1986 反向传播算法 —— 辛顿的关键贡献
辛顿（Geoffrey Hinton） 等人推广了反向传播算法（BP），让多层神经网络可以训练了。本质是：机器根据输出和正确答案的差距，反向调整每一层的权重——机器学会了自己纠错。
辛顿后来被称为「深度学习之父」，2024 年拿了诺贝尔物理学奖。
同年，杨立昆（Yann LeCun） 搞出了卷积神经网络（CNN），用来识别手写数字。
1980 年代末 第二次 AI 寒冬
专家系统的老问题：规则越写越多、维护困难、缺乏泛化能力。1987 年市场崩盘，AI 又凉了。
复苏：算法、算力、数据三大要素慢慢凑齐
算法
除了前面说的 BP 和 CNN，1997 年又有了 LSTM（长短期记忆网络），解决了序列数据的梯度消失问题，是后来 NLP 革命的基础。
残差网络等等等 算法结构整活ing，LSTM看到了序列历史的重要性，未能充分解决并行问题
数据
李飞飞 2009 年搞了 ImageNet——超大规模图像数据集，1400 万张图片。没有这个，深度学习根本没东西可学。
算力
英伟达的 GPU。并行计算天然适合神经网络的矩阵运算，后来成了 AI 时代的「金铲子」。
中间还有一些重要节点：1997 年 IBM 深蓝击败国际象棋冠军（暴力穷举的巅峰，不是学习），2006 年辛顿正式提出深度学习概念。
2012 AlexNet —— 转折点
辛顿带着两个学生 伊利亚（后来 OpenAI 首席科学家）和 亚历克斯，用 GPU 训练了一个 CNN 模型 AlexNet，参加 ImageNet 比赛。
结果：断崖式碾压所有传统方法，错误率从 26% 暴降到 15%。
这件事一下验证了三件事：
- 神经网络这条路是对的，只是以前条件不够
- 大数据集是真的必要
- GPU 算力就是金矿
2016 AlphaGo —— 出圈
AlphaGo 4:1 赢李世石。架构是深度神经网络 + 蒙特卡洛树搜索 + 强化学习。
围棋的变化比宇宙原子数还多，没法穷举、没法写规则。AlphaGo 证明了「学习」比「规则」强。
2017 年的 AlphaGo Zero 更离谱——完全从零自我博弈，不学人类棋谱，自己发现了围棋策略，有的甚至连人类几千年都没走出来过。
2017 – 2020 技术积累期
几个我觉得重要的：
- 2017 Transformer：Google 提出的架构，「Attention is All You Need」，后来几乎所有大模型的基础
- 2018 BERT：NLP 进入「预训练 + 微调」范式
- 2020 GPT-3：OpenAI 的 1750 亿参数模型，展示了涌现能力——不用专门训练就能做翻译、写作、写代码
... GPT泰酷辣
2022 ChatGPT —— 机器思考和灵魂的涌现
ChatGPT 两个月用户破亿。普通人第一回直观感受到 AI 能对话、能写作、能推理。
从此 AI 从定制化技术变成了大众产品，生成式 AI时代正式开启。
之后就是大模型军备竞赛：GPT-4、llama、文心一言、智谱、千问、DeepSeek、kimi，以及各种 AI 原生应用。
多模态正在崭露头角，GPT4o，能看图，能听说，效果远超传统ASR/TTS文本语音互转。
下一步是什么，强化学习、agent？
