AI的发展史

我爱免费

作者：微信文章
引

AI发展已经势不可挡，一年来也在不断学习AI, 但总觉得少点什么，零零散散，不够系统，所以想着从头开始，梳理一遍所学，发到这里，唠叨唠叨，也是整理思路，请多多指教。

---- 下面是正文-----

很多人真正去认识AI可能是从GPT3.5开始的，GPT3.5的出现让人看到了“应用”的阶段。但是AI发展至今，并不是一蹴而就，实际上已有80多年的发展史。2025年更是Agent大爆的元年，AI愈发火热，发展也越来越快，其发展已经到了3,4个月一代的恐怖速度，尤其今年开年DeepSeek-V3 R3发布，4月Qwen3发布，11月GPT5发布，12月Google Gmin3发布。


图片引自网络

1. 奠基时代（1940s–1950s）：思想的萌芽

1943年：沃伦·麦卡洛克（Warren McCulloch）和 沃尔特·皮茨(Walter Pitts)，发现神经元活动的二元特性，建立神经冲动与数理逻辑的映射关系，揭示神经网络的信息处理可通过数学公式表达，提出首个神经元数学模型（M-P模型），将神经活动抽象为逻辑运算。

1950年：艾伦·图灵（Alan Turing，对，没错，就是我们熟知的那个图灵）发表划时代论文《计算机与智能》（Computing Machinery and Intelligence），提出图灵测试，首次为“机器能否思考”提供可操作定义。

1956年：达特茅斯会议（Dartmouth Workshop）—— 正式提出 “Artificial Intelligence” 术语，被视为AI诞生的标志，参会者包括香农等奠基人。

✅ 核心思想：用符号逻辑模拟人类推理（“符号主义”起点）。



2. 黄金时代与寒冬（1956–1980s）：乐观与幻灭交替

1957年：弗兰克·罗森布拉特（Frank Rosenblatt）发明感知机（Perceptron），提出首个可学习的神经网络模型（单层），为后来的神经网络与机器学习研究奠定了重要基础。

1960s：专家系统萌芽（如 DENDRAL化学分析系统）；ELIZA（1966）模拟心理治疗师，展示早期NLP潜力。

1969年：马文·明斯基（Marvin Minsky）发表《Perceptrons》，提出单层感知机无法解决异或（XOR）问题，引发对神经网络的质疑，给予神经网络研究沉重的打击，第一次AI寒冬到来（1974–1980）。

1980s：

专家系统的成功商用带来了复兴。专家系统通过将人类专家的知识规则化，在特定领域（如医疗诊断、化学分析）取得了实用成果。同时，日本提出“第五代计算机”计划，刺激了全球竞争和投资。再次遇冷：专家系统维护困难、成本高昂、无法学习、知识领域狭窄等缺点逐渐暴露。日本的“第五代计算机”计划未能实现其宏伟目标。到1990年代初，AI再次陷入资金和信任危机，即第二次AI寒冬。

⚠️ 教训：脱离算力与数据的“强AI”幻想终将破灭。



3. 机器学习崛起（1990s–2000s）：数据驱动的转向

研究者从“自上而下”（模拟人类逻辑规则）转向 “自下而上”（让机器从数据中学习）, 机器学习成为主流。

关键突破：算法：1980年代反向传播算法的重新应用，使得训练多层神经网络成为可能。算力与数据：互联网的普及提供了海量数据，摩尔定律使得计算机算力指数级增长。标志性事件：1997年，IBM“深蓝”击败国际象棋世界冠军卡斯帕罗夫，展示了暴力计算与搜索的威力。2011年，IBM Watson在《危险边缘》知识竞赛中战胜人类冠军。

4. 深度学习革命（2010s–2020）：感知智能的突破

2012年：杰弗里·辛顿团队使用深度学习模型AlexNet,在图像识别竞赛中错误率骤降10%（从26%→15%），引爆深度学习浪潮。
1. 技术基石：

CNN（卷积神经网络）→ 计算机视觉统治者；RNN/LSTM → 序列建模（语音、文本）；GPU集群（如NVIDIA）提供算力支撑。

2. 里程碑应用：

2016：AlphaGo击败李世石（结合深度学习+蒙特卡洛树搜索）；2018：BERT革命NLP，预训练+微调范式成为标准。

✅ AI技术从实验室出，开始全面渗透到互联网搜索、推荐系统、汽车自动驾驶、医疗影像、人脸解锁分析等实际场景中。



5. 大模型时代（2020–至今）：通用智能的曙光？

2020年：OpenAI 发布 GPT-3（1750亿参数），展示上下文学习（in-context learning）能力，无需微调即可完成多任务。

2022–2023：

ChatGPT（GPT-3.5/4）引爆公众认知，对话AI达到“可用”水平；多模态融合：CLIP（图文对齐）、DALL·E 2（文生图）、Sora（文生视频）；开源生态：LLaMA、ChatGLM、Qwen推动技术民主化。

2024–2025：

Agent 智能体：模型调用工具、规划、反思（如 AutoGPT）；具身智能：机器人通过大模型理解物理世界（如 Figure 01）；推理强化：MoE（Mixture of Experts）、思维链（CoT）提升逻辑能力。

✅ 新范式：模型能力随参数/数据/算力增长而涌现。

6. 当前挑战与未来方向

领域	挑战	前沿探索
技术	幻觉、推理脆弱 、能耗高	小样本学习、神经符号融合、稀疏模型
安全	偏见放大、滥用风险	对齐（Alignment）、可解释性、AI安全
社会	就业冲击、伦理真空	全球治理（如欧盟AI法案）、人机协作新范式

结语

AI仍在“感知智能”向“认知智能”跃迁的临界点, 真正的AGI（通用人工智能）尚未到来，但路径已比以往任何时候更清晰。