# AI 是什么？又是从哪冒出来的？ > AI 系列第 1 篇。用一条 80 年的时间线，把"AI"这两个字从 1943 年的神经元模型，一路串到今天能跟你聊天的大模型——顺便把几个常被混淆的术语（AI / ML / DL / LLM）一次性厘清。 - URL: https://tenggouwa.com/posts/what-is-ai-and-where-did-it-come-from/ - 发布: 2026-05-22 - 标签: ai, 入门, 时间节点, ai-series ## 0. 先做一件小事：把名词的雾散掉 在打开任何一本 AI 教材之前，先做一件几乎所有人都跳过的事——**把名词拆开**。 ``` AI ⊇ ML ⊇ DL ⊇ LLM ``` 读法：人工智能（AI）包含机器学习（ML），机器学习里有一类叫深度学习（DL），深度学习里又有一支特别能打的，叫大语言模型（LLM）。 - **AI（Artificial Intelligence）**：一个野心，"让机器表现得像有智能"。注意，是"表现得像"，不是"真的有"。 - **ML（Machine Learning）**：一种实现 AI 的手段，"别写规则了，让程序从数据里自己摸出规律"。 - **DL（Deep Learning）**：ML 的一个分支，用很多层的神经网络来"自动找特征"，懒人版的特征工程。 - **LLM（Large Language Model）**：DL 用在语言上的产物，规模大到可以装下"半个互联网"的语言模式。 你今天用的 ChatGPT / Claude / DeepSeek 都是 LLM。但如果有人说"现在 AI 终于来了" —— 严格说，AI 这词 1956 年就有了，只是 2022 年才第一次让普通人觉得"它真的会说话"。 那中间这 66 年都在干嘛？这就是这篇要讲的故事。 --- ## 1. 一句话定义：AI 到底在做什么？ 抛开所有时髦词，**AI 在做的事情只有一件：把"经验"转成"判断"**。 举个具体的： - 你给一个三岁小孩看 50 张猫的照片，他下次在街上看到第 51 只，能指着说"猫"。 - 你给一个 AI 模型看 5000 万张猫狗照片，它下次看到第 5000 万零 1 张，能 99% 准确率告诉你是猫还是狗。 这个过程的本质是一样的：**从过去见过的东西里，归纳出一套判断规则，再把规则用到没见过的东西上**。 人类把这件事叫"学习"。机器把这件事叫"训练"。 > 一句你可以拿去吹的话： > **现代 AI 的所有花活，本质都是在解一个问题——"如何让从数据里归纳出来的判断，泛化到没见过的新数据上"。** 接下来 80 年的故事，全是围绕"怎么把这件事做得更好"。 --- ## 2. 时间线：80 年的简史，比你想的有戏 我把它分成四幕。每一幕都有一个让圈外人完全没注意到的转折点。 ### 第一幕：「我们要造电子大脑」（1943 – 1969） ``` $ history --grep ai | head ``` **1943 年**，两个名字今天少有人提的研究者——神经科学家 Warren McCulloch 和数学家 Walter Pitts——发了一篇论文，把一个神经元的行为抽象成了一个**逻辑开关**：输入若干信号，加权求和，超过阈值就"开"，否则"关"。 这就是后来所有神经网络的祖先。50 年代它还只是一个数学玩具。 **1950 年**，Alan Turing 在他那篇被引爆到失真的文章 *Computing Machinery and Intelligence* 里问了一个尖锐的问题：**"机器能思考吗？"** 他给出的回答是著名的图灵测试——"如果你隔着一道墙跟机器聊天聊不出它是机器，那它就算会思考了"。 注意，这个时候还没有"AI"这个词。 **1956 年夏天**，达特茅斯学院开了一个为期两个月的研讨会，发起人 John McCarthy 在筹款信里造了一个新词，叫 "Artificial Intelligence"。这个夏令营的 10 个人后来基本撑起了 AI 半壁江山。**AI 正式有了自己的名字，是在 1956。** 接下来十几年，是充满乐观的"造电子大脑"时代：定理证明、跳棋程序、玩积木的对话机器人 SHRDLU…… 圈内有人放话："20 年内我们就能造出和人类一样聪明的机器。" 然后被打脸了。 **1969 年**，Marvin Minsky 和 Seymour Papert 出了一本叫 *Perceptrons* 的书，用数学严格证明了当时的单层感知机连"异或"（XOR）这种小学逻辑题都解不了。这本书像一桶冰水浇下去——**第一次 AI 寒冬来了**，钱断了，论文不发了，研究者改行了。 ### 第二幕：「换条路：让机器先学规则」（1970s – 1990s） 寒冬不是死寂，是换了一条赛道：**专家系统**。 思路很朴素：既然让机器自己学太难，那就找一群人类专家，把他们脑子里的规则写成 `if-then`，塞给机器。 ```text IF 病人发烧 AND 喉咙红肿 AND 白细胞高 THEN 可能是细菌感染 ``` **1980 年代**，专家系统在医疗、地质、金融全面铺开。日本砸了 8.5 亿美元搞「第五代计算机」，目标是用这套思路做出"会推理的电脑"。 但这条路也死了。原因不是技术，是**人类专家自己都没法把脑子里的知识写完**——你能写下你怎么认出妈妈的脸吗？你能写下你怎么判断这句话听起来像反话吗？写不下来。一旦规则覆盖不全，系统就开始胡说八道。 **1980 年代末**，第二次 AI 寒冬。投资人撤资，DARPA 撤资，"AI" 这个词甚至开始被科研圈嫌弃——求职信里不敢写自己做 AI，要写"统计建模" / "决策支持系统"。 但寒冬里有一颗种子在发芽。**1986 年**，Rumelhart、Hinton、Williams 三个人发了一篇论文，把**反向传播算法**（backpropagation）讲清楚了。这个算法让多层神经网络第一次有办法被训练。 这个时候没人觉得它会改变世界，因为算力不够，数据也不够。它就静静地在那里，等了 25 年。 ### 第三幕：「数据 + 算力 + 一篇论文」（2006 – 2016） 进入 21 世纪，事情开始悄悄变化。 **2006 年**，Geoffrey Hinton 发了 deep belief networks 的论文，把"deep learning"这个词重新带回视野——这之前神经网络被嫌弃得连论文都难发。 **2009 年**，斯坦福的李飞飞团队搞了一个叫 **ImageNet** 的数据集：1400 万张人工标注好的图片。这是 AI 史上一个被严重低估的里程碑——**没有 ImageNet，就没有后面的一切**。 **2012 年 9 月 30 日**——这是个值得记住的日子——Hinton 的学生 Alex Krizhevsky 用一个叫 **AlexNet** 的卷积神经网络，在 ImageNet 图像识别竞赛上一口气把错误率从 26% 砍到 15%。第二名比第一名差出去了 10 个百分点，这在那个赛道里相当于让对手在原地。 那一晚，所有原本研究 SVM、研究随机森林的人都知道：**风向变了**。 接下来五年，深度学习像被点了灯一样： - **2014** —— GAN（生成对抗网络）出现，Ian Goodfellow 让两个网络互相骗，于是机器学会了"画画"。 - **2015** —— ResNet 把网络做到 152 层，准确率正式超过人类肉眼。 - **2016** —— AlphaGo 4:1 打败李世石。普通人第一次在电视新闻里看到"AI"这个词。 但要注意——**这个阶段的 AI 还是"一个任务一个模型"的**。识图的不能写字，下棋的不能聊天。每个模型都是个偏科生。 ### 第四幕：「一个模型干所有事」（2017 – 现在） **2017 年 6 月 12 日**，Google 八个研究员往 arXiv 上扔了一篇论文，标题就跟挑衅似的：**Attention is All You Need**。 这篇论文提出了 **Transformer** 架构——一种全新的处理序列数据的方法。之前主流的 RNN / LSTM 像是只能逐字读书的人，Transformer 则像是能同时盯着整页书、用"注意力"去关联词与词的人。 这篇论文今天的引用数已经超过 17 万次，但当时没人意识到它会重写整个 AI 行业。直到—— - **2018** —— OpenAI 用 Transformer 的 decoder 做了 **GPT-1**，1.17 亿参数。 - **2019** —— **GPT-2**，15 亿参数，OpenAI 一度声称"太危险，不敢全部开源"（被嘲了，但起到了营销作用）。 - **2020** —— **GPT-3**，**1750 亿参数**。第一次让圈外人吓到——它能写代码、写诗、写论文摘要，而且**没有人专门教它做这些**。 - **2022 年 11 月 30 日** —— ChatGPT 上线。5 天破百万用户，2 个月破 1 亿。AI 第一次从"科研圈玩具"变成"我妈也在用"。 - **2023 – 2024** —— GPT-4、Claude 3、Gemini、Llama、Qwen、DeepSeek……多模态、长上下文、工具调用、Agent，一年一个时代。 - **2024 年底 – 2025** —— **推理模型**（reasoning models）登场：OpenAI 的 o1 / o3，DeepSeek R1。模型学会了"先想一会儿再回答"，数学和代码能力跳了一个台阶。 - **2026（现在）** —— 你在读这篇文章。Claude Opus 4.7 已经能在 1M 上下文里干活，前沿模型已经在做"几小时不打断地自主完成一段研发任务"这件事了。 把这条线一口气拉完，你会发现一件事： > **从 1943 到 2012，AI 经历了 69 年的爬坡； > 从 2012 到 2017，5 年完成了"让机器看见"； > 从 2017 到 2022，5 年完成了"让机器开口"； > 从 2022 到现在，4 年完成了"让机器开始行动"。** 每一阶段都在缩短。 --- ## 3. 这三幕背后，藏着一个三十年的世仇 如果你只想看故事，第 2 节看完就够了。但如果你想理解**今天的 AI 为什么长这个样子**，必须知道一件事—— AI 圈一直有三派人，互相看不顺眼： | 流派 | 主张 | 代表 | 信条 | |---|---|---|---| | **符号主义**（Symbolic） | 智能 = 操纵符号 + 逻辑推理 | McCarthy、Minsky、专家系统 | "先教它规则" | | **联结主义**（Connectionist） | 智能 = 大量神经元的连接 | Hinton、LeCun、Bengio | "让它自己长出来" | | **统计学习**（Statistical） | 智能 = 在数据里找概率分布 | Vapnik (SVM)、贝叶斯派 | "数据说话，别讲故事" | 50 ~ 80 年代符号主义占上风，结果寒冬了。 90 ~ 00 年代统计学习当道（SVM 那波）。 2012 之后联结主义大反扑——今天的深度学习 / LLM 全是联结主义路线的胜利。 **但**——你今天看到的 ChatGPT，其实是**联结主义打地基 + 统计学习当骨架 + 一点点符号主义在表层伪装"我在推理"**。 三派打了三十年，结果在大模型这个怪物身上奇怪地融合了。 下一篇会专门讲这场世仇，以及为什么"赢的那派"其实是把另外两派偷偷吸收了。 --- ## 4. 一个常见的误解，趁早破掉 很多人第一次接触 LLM 时，会问一个问题： > "它真的懂我说的话吗？" 我给你一个最朴素、也最准确的回答： **今天的 LLM 在做的事，本质上是"在给定上下文里，预测下一个 token 最可能是什么"。** 它不是在"思考"你问的问题。它是在算：**"如果一个人类在网络上看到这句话，最可能接着写什么？"** 听起来很 cheap，对吧？但有意思的事情是——**当你把这个 cheap 的能力放大 1000 倍、塞进 1750 亿个参数、喂下半个互联网**之后，它开始呈现出一些**它没被显式教过的能力**：翻译、写代码、解方程、推理、做角色扮演。 这种现象有个专有名词，叫**涌现**（emergence）。一只蚂蚁不会修桥，一千万只蚂蚁可以筑出一座蚁巢——你没法从单只蚂蚁的行为里推出蚁巢的复杂度。LLM 的"看起来像在思考"，目前我们的最佳解释，也只是"涌现"。 **这是不是真正的智能？** 这是一个还没有答案的问题。但它已经足够好用了。 --- ## 5. 给后续学习铺一张地图 到这里你应该已经有这样一种感觉： - AI 是一个 80 年的工程，不是一夜之间冒出来的。 - 它经历过两次寒冬，第一次死于"专家写不完规则"，第二次死于"数据和算力不够"。 - 今天的繁荣有三个支柱：**算法（Transformer）** + **数据（互联网）** + **算力（GPU）**。任何一根抽掉，2022 那场革命都不会发生。 - 它本质是"用海量数据，归纳出一套压缩了世界规律的判断函数"，而不是某种神秘的意识。 接下来的系列文章会顺着这条线往下挖： ``` 当前位置 ──▶ 02. 三大流派世仇：为什么是联结主义赢了 03. 神经网络是怎么"学"的（梯度下降的直觉版） 04. 从感知机到 CNN：让机器看见 05. 从 RNN 到 Transformer：让机器读懂顺序 06. 词向量小史 ... 一路通到 RAG / Agent / 评估 / 多模态 ``` 完整路线图：[docs/ai-series-plan.md](docs/ai-series-plan.md)。 --- ## 6. 留给你（和我自己）的小作业 读完一篇文章不复述一遍，等于没读。每篇结尾我都会给一个小练习。 1. **三个词解释 AI / ML / DL / LLM 的关系**——不许查资料，写在纸上 / 备忘录里。 2. **写一句话，回答你妈妈"AI 是什么"**——不准用"大模型""神经网络"这类词。 3. **挑一个时间节点（1943 / 1956 / 1969 / 1986 / 2012 / 2017 / 2022），用一句话说它为什么重要。** 写不出来？没关系。下一篇见。 > **下一篇钩子**：1986 年那篇被冷落了 25 年的反向传播论文，为什么 2012 年突然就改变了世界？ > 同一篇论文，为什么 1986 年算"无人问津"，2012 年算"地震"？ > 答案不在算法本身，在**算力 / 数据 / 信仰**——一个值得单独写一篇的故事。