像人一样思考
关注内部的推理过程，希望机器复现人类的思维规律。认知科学、逻辑主义、早期符号 AI 都在这个框架里工作。
关键词：逻辑推理、知识表示、可解释
A Brief History of Artificial Intelligence
从一颗人造神经元，
从一颗人造神经元，
到会推理的万亿参数模型
人工智能不是某一天被发明的，而是八十多年里一次次「提出设想 → 遭遇瓶颈 → 换条路再来」的结果。 这份导览用八个阶段、六十多个关键节点，把它的来龙去脉讲清楚：谁提出了问题，什么技术解决了它，又是什么让它两次跌入寒冬。
1943第一个人工神经元数学模型
1956「人工智能」一词诞生
80+年学科历程
2次行业寒冬（1974 / 1987）
01 · 定义
先弄清楚：我们究竟在谈什么
「人工智能」在日常语境里指三件并不相同的事。分清楚它们，历史里的许多争论就顺理成章了。
像人一样行动
以外部行为为判据。图灵 1950 年提出：如果对话中分不出对方是人还是机器，就不必再纠结「它是否真的在思考」。
关键词：图灵测试、行为主义、评估基准
理性地行动
最主流的工程定义：在给定目标与环境约束下，选择期望收益最大的动作。它把 AI 交给优化与决策理论。
关键词：搜索、规划、强化学习、效用
一句话概括：AI 是「让机器完成那些原本需要人类智能才能完成的任务」的工程与科学集合。
它包含但不等于机器学习，更不等于大语言模型——后者只是当前这条技术曲线上的最新一段。
02 · 分期
八个阶段，一条锯齿状的曲线
AI 的历史不是稳步上升，而是「热情高涨 → 承诺落空 → 经费撤退 → 新范式接棒」的反复。 每一次寒冬之后，回归的技术路线都与上一轮不同。
1943–1955
孕育：思想先于机器
神经元的数学模型、信息论、赫布学习律与图灵测试相继出现。计算能力尚不存在，但问题已经被提对了。
# 设想期
1956–1973
诞生与盲目乐观
达特茅斯会议命名了「人工智能」。逻辑理论家、感知机、LISP、ELIZA 接连问世，研究者相信二十年就能造出人级智能。
# 黄金年代
1974–1979
第一次寒冬
机器翻译与语音理解项目失败，莱特希尔报告直接导致英国撤资；明斯基对感知机的批评冻结了神经网络研究十余年。
# 第一次寒冬
1980–1987
专家系统与连接主义复兴
XCON 等专家系统在工业界赚到真金白银，日本启动第五代计算机计划；反向传播算法被重新发现，神经网络卷土重来。
# 商业化高峰
1987–2011
第二次寒冬与统计学习崛起
专用 LISP 机器被通用工作站取代，专家系统维护成本失控。AI 转向概率、统计与数据驱动：SVM、贝叶斯网络、LSTM 陆续成型。
# 静默积累期
2012–2017
深度学习革命
AlexNet 在 ImageNet 上一战成名，GPU + 大数据 + 深层网络形成正循环。AlphaGo 击败李世石，Transformer 在 2017 年埋下下一轮爆发的种子。
# 范式确立
2018–2022
大模型时代
预训练 + 微调成为通用配方，参数从亿级走到千亿级。AlphaFold 2 解决了蛋白质折叠；ChatGPT 让数十亿人第一次真正用上生成式 AI。
# 规模定律
2023–至今
推理、智能体与治理
多模态成为标配，「测试时计算」让模型学会先想再答；智能体开始接管长流程任务。与此同时，监管、版权与就业冲击第一次成为主线议题。
# 落地与约束
03 · 驱动力
算法、算力、数据：三根柱子缺一不可
神经网络的想法 1958 年就有了，为什么直到 2012 年才爆发？因为深度学习不是单点发明， 它需要同时具备三样东西——而其中两样来自 AI 领域之外。
算法
反向传播解决「深层网络怎么训练」，ReLU、Dropout、批量归一化解决「深层网络怎么训得稳」，注意力机制解决「长序列怎么建模」。
1958 感知机 → 1986 反向传播 → 1997 LSTM → 2012 AlexNet → 2017 Transformer
算力
GPU 原本为游戏图形设计，其大规模并行浮点运算恰好匹配矩阵乘法。算力增长使「规模越大、效果越好」从猜测变成可复现的规律。
CPU → GPU（2007 CUDA）→ TPU（2015）→ 万卡集群
数据
互联网积累了人类历史上从未有过的标注与文本语料。ImageNet（2009）提供了统一评测基准，让「谁更强」第一次有了客观答案。
WordNet → ImageNet → 网页级语料 → 合成数据与人类反馈
前沿模型训练算力的量级变化
单位为训练所需浮点运算次数量级（FLOP），横条长度按对数刻度绘制。这些数字来自公开研究机构的估算，不同统计口径差异很大，此处只用于展示增长趋势，不宜当作精确值引用。
04 · 流派
三条路线，轮流坐庄
整部 AI 史，很大程度上是这三种信念之间的竞争。今天的大模型是连接主义的胜利， 但它同时在吸收另外两条路线的工具：符号推理用于工具调用，强化学习用于对齐与推理训练。
| 流派 | 核心信念 | 代表方法 | 巅峰时刻 | 主要局限 |
|---|---|---|---|---|
| 符号主义 Symbolism |
智能 = 符号操作与逻辑推理 | 逻辑理论家、LISP、专家系统、知识图谱、定理证明 | 1980 年代专家系统商业化；2011 年 Watson 夺冠 | 知识靠人工编写，难以扩展；处理不了模糊、感知与常识 |
| 连接主义 Connectionism |
智能从大量简单单元的连接中涌现 | 感知机、反向传播、CNN / RNN、Transformer、扩散模型 | 2012 年 AlexNet；2017 年 Transformer；2022 年 ChatGPT | 依赖海量数据与算力；黑箱难解释；容易产生幻觉 |
| 行为主义 Actionism |
智能体现在与环境的交互和奖惩中 | 控制论、强化学习、TD-Gammon、AlphaGo、RLHF | 2016 年 AlphaGo；2022 年 RLHF 塑造 ChatGPT | 样本效率低；奖励设计困难；真实环境试错代价高 |
学习的每一个方面或智能的任何其他特征，原则上都可以被精确地描述，从而可以造出一台机器来模拟它。
—— 1955 年达特茅斯会议项目提案（原文大意），「人工智能」一词正是从这里走向世界
常见的误解：「AI 一直在进步」并不成立。1974 与 1987 两次寒冬中，大量研究者转行、经费被砍、论文无人问津。
今天的热度同样建立在「承诺能否兑现」之上——这正是了解这段历史最现实的意义。