AI简史(AI的前世今生)&附:2025年AI领域讨论频率最高的10个概念

我爱免费

作者：微信文章


【编者附言】最近读与AI有关的文章，看到许多专业名称，什么多模态、大模型、提示词工程、通用人工智能、具身人工智能等等，感觉——“有点乱”。心想，能有一篇AI史之类的文章，按时间线索串联起这些概念就好了。心想事成。读到一篇很棒的文章。这篇文章比较长，于是又有做笔记的冲动。希望把发展分期，重要时间节点，核心概念的中英文对照（包括全称与缩写），浓缩地呈现出来。这次学聪明了，不再自己花工夫，而是把任务交给元宝。元宝干得很漂亮，只有一个BUG，指出以后，他立刻给了我修正版。2025年这个领域发生了什么？为获得同样一目了然的结果，我让元宝给出今年AI领域讨论频率最高的10个概念。如果有人觉得这个《简史》太简或是不够有趣，可以阅读原文。下面是它的链接——这大概是我见过最通俗易懂的AI发展历程科普详文了

---

AI简史


引言

人工智能（AI）已成为当今最炙手可热的科技话题。从大模型到智能体应用，AI技术正迅速改变我们的生活与工作方式。本文将沿时间线梳理AI的发展历程，介绍各阶段的核心技术变革，帮助读者系统化理解AI的技术演进脉络。一、前世：AI出现前（-1955）

1. 人类智能的独特性

人类凭借大脑中约860亿神经元构成的复杂神经网络，具备了感知、推理、创造等智能能力，成为地球上唯一的高等智慧生物。但人脑存在记忆效率低、计算速度慢的局限，催生了“让机器替代部分脑力劳动”的构想。2. 计算机的奠基

1946年，第一台计算机ENIAC诞生，解决了“快速计算、精准存储”的问题。科学家进一步思考：能否模仿人脑神经网络，让机器具备学习能力？这为AI的诞生埋下伏笔。二、今生：AI初生期（1956-1989）

1. AI概念确立

1956年达特茅斯会议上，约翰·麦卡锡等人首次提出“人工智能（Artificial Intelligence, AI）”概念，定义其为“让机器模拟人类智能的技术”。人类智能的核心能力被概括为感知、思考、决策、执行。2. 自然语言处理（Natural Language Processing, NLP）的兴起

1950年图灵提出“图灵测试”，推动NLP成为AI早期关键分支。NLP旨在让计算机理解、生成人类自然语言，实现人机有效沟通。3. 规则式AI的局限

早期AI依赖预设规则库，例如机器翻译系统通过词典和语法规则逐词转换，结果生硬且缺乏语境灵活性。此阶段AI如同“死记硬背的小学生”，被称为规则式AI。三、今生：AI成长期（1990-2016）

1. 机器学习（Machine Learning, ML）的突破

ML的核心是让机器从数据中自行学习规律，而非依赖人工规则。例如垃圾邮件过滤器通过分析已标注邮件（监督学习），自动总结“垃圾邮件特征”，形成可判断新邮件的AI模型。2. 统计式AI的崛起

ML使AI从“规则应用”进阶为“规律总结”。此阶段AI如同“通过刷题总结方法的中学生”，被称为统计式AI。但其模型高度依赖训练数据，存在领域局限（“偏科”问题）。四、今生：AI爆发期（2017年至今）

1. 技术架构的革命

RNN与CNN的局限：循环神经网络（RNN）虽能序列处理数据但存在“健忘”（难以保持长期记忆）；卷积神经网络（CNN）擅长局部特征提取但“视野狭隘”（缺乏全局关联能力）。Transformer架构：2017年Google提出《Attention Is All You Need》，引入自注意力机制，使模型能并行处理全文并理解上下文关联，完美解决了RNN的“健忘”和CNN的“视野狭隘”问题。大模型（Large Model, LM）：参数规模突破亿级（如GPT-3达1750亿），模型知识覆盖面大幅扩展。参数量超百亿的模型称为大模型，如腾讯混元TurboS（5600亿参数）。

2. 大语言模型（Large Language Model, LLM）与多模态

LLM：以GPT系列为代表，专攻自然语言处理。多模态（Multimodal）：模型能同时处理文本、图像、音频等多类型信息（如GPT-4o），区别于仅处理单一信息的单模态（Unimodal）。

3. 开发范式演进

无监督学习：大模型预训练阶段无需人工标注数据，直接从海量无标签数据中学习。深度学习：基于深度神经网络（如Transformer）的ML方法，支撑复杂模型训练。

4. 应用层爆发

ChatGPT：对话式AI让大众直观体验LLM能力。Stable Diffusion（SD）：文生图模型推动提示词工程（Prompt Engineering） 成为与AI有效交互的关键技能。

5. 智能体（Agent）的进化

智能体是能感知环境、自主决策、执行目标的系统。结合大模型“大脑”与工具“手脚”，智能体可独立完成复杂任务（如旅行规划）。开发关键环节包括：

检索增强生成（Retrieval-Augmented Generation, RAG）：通过外部知识库检索增强答案准确性。微调：采用监督学习（如人工反馈标注）或强化学习优化模型输出。幻觉问题治理：通过溯源、自我批判等方法减少模型生成错误信息。

6. 开源与闭源并举

开源（如SD）：促进技术共享与创新。闭源（如GPT-4）：保障商业化与性能优化。

此阶段AI如同“具备广博知识的大学生”，称为深度学习/大模型AI。五、未来展望

AI的爆发得益于数据、算力、算法三大支柱的成熟。未来重点方向包括：

AGI（通用人工智能）：具备人类水平的多领域认知能力的人工智能具身智能：拥有物理身体，能与真实环境交互的AI系统量子计算：利用量子力学原理，有望极大提升AI算力的新一代计算范式

AI正从“工具”迈向“协作伙伴”，从业者需理性思考其应用边界与价值。

---

版权说明原文作者：丁亮亮/smallniding本文为缩写整理版，保留核心分期、关键技术节点及概念中英文对照。

---

附：2025年AI领域讨论频率最高的10个概念

根据网络讨论和行业报告分析，2025年AI领域讨论频率最高的10个概念如下：1. 智能体（AI Agent）

智能体是能够感知环境、自主决策并采取行动以实现特定目标的AI系统。2025年被广泛认为是"智能体元年"，企业开始像培训员工一样构建智能体，让它们使用工具、调用函数，协助或独立完成任务。2. 大模型（Large Model）

包括大语言模型（LLM）、多模态大模型等，具有海量参数和强大的数据处理能力。2025年大模型技术从通用向垂直化深度演进，成为AI发展的核心基础设施。3. 多模态AI（Multimodal AI）

能够同时处理文本、图像、音频、视频等多种数据模态的AI系统。2025年多模态市场快速增长，被认为是企业采用AI的主要驱动力，预计市场规模将达到24亿美元。4. 检索增强生成（RAG）

通过从外部知识库检索相关信息来增强AI生成内容准确性的技术。RAG技术有效解决了AI幻觉问题，使AI回答更加可靠和准确。5. 具身智能（Embodied AI）

将AI与机器人技术结合，使机器人具备感知、行动和学习能力。2025年具身智能从实验室走向实际应用，被认为是实现AGI的重要路径。6. AGI（通用人工智能）

具备人类水平的多领域认知能力的人工智能。2025年AGI成为热门话题，行业领袖预测AGI可能在2025-2027年实现突破。7. 世界模型（World Model）

AI系统内部构建的关于物理世界运作的表征模型，能够模拟和预测环境变化。世界模型被视为多模态大模型的下一阶段发展。8. AI安全与对齐

确保AI系统目标与人类价值观一致的研究领域。随着AI能力提升，安全对齐成为关键议题，包括算法偏见、数据隐私等问题。9. 量子计算与AI

量子计算为AI提供超强算力支持，被认为是实现AGI的重要技术平台。量子AI结合成为新的研究热点。10. AI+行业应用

AI在各垂直行业的深度应用，包括医疗、金融、教育、制造等领域。2025年AI应用从概念走向实际落地，真正赋能产业升级。这些概念反映了AI技术从基础模型向智能体、多模态、具身智能等更高级形态演进，同时关注安全、伦理和实际应用价值。