📍 你在这里　AI 启蒙 · 第 1 篇 / 共 3 篇

你正站在整条学习路线的起点。看完这篇，跟着 AI 学习路线图 往下走就行。

下一篇 → AI 是怎么工作的：写给零基础的白话课

1950 年，英国逻辑学家艾伦·图灵在论文里抛出了一个当时看来近乎玄学的问题，机器能思考吗。他没有正面回答，而是设计了一个游戏，让一个人隔着电报机和机器对话，如果提问者分辨不出对面是人还是机器，就算这台机器有了智能。这个后来被称为图灵测试的想法，把「造一台会思考的机器」从哲学讨论变成了工程目标。

六年之后，一群学者在美国达特茅斯学院开了一场夏季研讨会，会议提案里第一次出现 Artificial Intelligence 这个词。麦卡锡、明斯基等人在提案里乐观地写道，只要用一台机器仔细描述学习的各个方面，就能让机器达到任何指定智能水平。他们相信这个问题大概二十年就能解决。

后来的六十年证明，这个二十年说了三遍都没兑现。但正是这三次起落，把 AI 送到了今天这个位置。

一、靠规则的年代（1950s 到 1970s）

第一代研究者相信智能来自推理。他们把知识写成一条条人能看懂的逻辑规则，让机器在规则之间推导。机器确实能做对一些数学证明，能下简单的棋。

翻译是当时最受期待的应用。美国政府在冷战压力下给机器翻译项目大量拨款，希望把俄文资料快速译成英文。可机器把「要求以肉体支撑的人」译成「站立的肉」这类笑话百出，进展远低于承诺。1966 年美国政府的咨询报告削减了大部分资助，英国在 1973 年的报告同样收紧了经费。研究进入第一次寒冬。

二、专家系统的回光（1980s）

第二次兴起换了思路。既然自己推理不行，就把领域专家的经验一条条录进计算机。医生的诊断经验、地质学家的找矿经验、化工厂的操作规程，写成上万条 if-then 规则，机器照着查。

这套办法在企业里真赚到了钱，日本和美国还把专家系统当作国家战略。可规则要靠人一条条维护，知识一多，规则之间互相打架，换个环境就失灵。1987 年个人电脑性价比反超专用的 Lisp 硬件，公司纷纷砍掉预算。资金退潮，第二次寒冬到来。

三、统计学习登上舞台（1990s 到 2010s）

寒冬里存活下来的方法，后来成了主角。研究者放弃了手写规则，改为让机器从大量数据里自己找规律。你给它一万封邮件和「垃圾邮件」的标注，它自己总结出哪些词和格式更可疑。这条路叫机器学习。

1997 年，IBM 的深蓝击败国际象棋世界冠军卡斯帕罗夫，全世界的报纸都报道了这件事。同一时期，语音识别、搜索引擎的排序、邮箱的垃圾过滤、电商的推荐，背后全是统计学习方法。普通人每天都在用 AI，只是当时没人这么说。

2012 年是分水岭。多伦多大学的一个团队用深度神经网络参加 ImageNet 图像识别比赛，错误率比第二名低了十个百分点。神经网络需要的大规模并行计算恰好由游戏显卡提供，算力、数据、算法三条线第一次凑齐，深度学习从此接管了这个领域。

2017 年，谷歌的研究者发表论文《Attention Is All You Need》，提出 Transformer 架构。它让模型可以并行地通读整段文本，抓住相隔很远的词之间的关系。今天几乎所有大语言模型都建在这份架构上。想弄明白它怎么工作，本站《深度学习》一文和 Happy-LLM 第二章 Transformer 架构都有手把手的讲解。

2022 年 11 月底，OpenAI 把基于 Transformer 训练的对话模型 ChatGPT 放到网页上。它能接话、能写代码、能改文章，用日常语言就能指挥，历史上没有哪个程序这样接近普通人。再往后的事情你多半亲历过，开源模型和闭源模型互相追赶，模型从只会看文字发展到能看图听音，能拆解任务连续干活的智能体开始进入真实工作场景。本站每天的 AI 日报记录的就是这段进行中的历史。

四、这段历史告诉我们的三件事

第一，AI 的两次寒冬都发生在承诺远远跑在交付前面的时候。判断一项 AI 能力，看它现在做到了什么，比听它宣布了什么可靠。

第二，每一次真正的能力跃迁，都是算法、数据、算力里至少两样同时到位。Transformer 是算法突破，互联网积累了数据，显卡提供了算力，三样凑齐才有大模型。

第三，进步是叠加的。今天的模型里能一层层数出来自 1950 年的每一代遗产，图灵的问题、统计学习的训练方法、深度学习的网络、Transformer 的注意力机制。

读到这里，你可以接着读站内的《机器学习》，那篇文章按学术脉络把发展史讲得更细。想从看故事升级到看懂原理，顺着 AI 学习路线图 往下走就行。

参考来源

— 感谢阅读 —
# AI启蒙# 人工智能史

一起交流

分享你的思考，让讨论更进一步。