学习目标

学习本课后，你将能够：

人工智能发展的五个主要阶段基础研究、符号主义人工智能、人工智能寒冬与专家系统、统计机器学习、深度学习与生成式人工智能。人工智能发展的五个主要阶段1940–50-е基础研究逻辑 · 计算1956–70-е符号主义 AI搜索 · 推理1970–90-е人工智能寒冬专家系统1990–2010-е统计机器学习数据驱动模型2012 — настоящее время深度学习生成式 AI各阶段相互重叠：方法、数据、算力与研究机构共同演进
这是示意性的阶段划分：不同研究方向并非瞬间替代，而是长期并行发展。

1. AI 名称出现之前：逻辑与计算

数理逻辑使人们能够用形式规则描述推理；可计算性理论明确了算法过程的边界；电子技术则使通用可编程机器成为现实。1943 年，沃伦·麦卡洛克和沃尔特·皮茨发表了人工神经元的数学模型。这是一种抽象逻辑模型，而不是大脑复制品：它展示了简单单元组成的网络如何实现逻辑运算。

控制论、信息论、计算机科学和学习研究也在并行发展。人工智能来自多条科学路线的汇合，而不是某一个人的单独发明。

2. 1950 年：图灵提出的问题

在论文 Computing Machinery and Intelligence 中，艾伦·图灵通过“模仿游戏”重新表述了“机器能思考吗？”这一问题。通俗意义上的图灵测试关注：提问者能否在文本对话中可靠地区分机器与人类。它是对特定行为的操作性测试，并非通用智能测量工具，也不是意识测试。

系统可能进行令人信服的对话，却不能据此证明它具有人类式理解、意图或主观体验。评价现代语言模型时，这一区分仍然非常重要。

3. 1955—1956 年：达特茅斯与 Artificial Intelligence 一词

1955 年 8 月，约翰·麦卡锡、马文·明斯基、内森尼尔·罗切斯特和克劳德·香农提出在 1956 年夏季于达特茅斯学院开展研究项目。提案使用了 artificial intelligence 一词，并将语言、抽象、问题求解和程序自我改进列为研究目标。

达特茅斯研讨会成为 AI 作为独立研究领域形成的象征性里程碑。在此之前，逻辑、神经元模型和计算方面已经有重要成果；参与者也并未共享一套统一理论。

4. 20 世纪 50—60 年代：符号主义 AI

早期程序处理符号、概念、逻辑表达式和规则。纽厄尔、西蒙和肖开发的 Logic Theorist 展示了自动证明数学定理的能力。General Problem Solver 探索了通过目标和操作解决问题的方法。这些系统证明，部分推理过程可以表示为对可能步骤的搜索。

20 世纪 60 年代中期，约瑟夫·魏岑鲍姆开发了 ELIZA 对话程序，它依靠模式和句子转换工作。用户反应说明，人们很容易将理解能力归因于机制相对简单的系统。

5. 20 世纪 70—90 年代：局限与人工智能寒冬

早期演示往往只在狭窄环境中有效。真实应用暴露出组合爆炸、算力不足、语言歧义、规则脆弱以及知识形式化困难等问题。通用智能即将实现的承诺并未兑现。

人工智能寒冬指预期超过实际成果后，研究资金和公众兴趣下降的时期。通常会讨论 20 世纪 70 年代以及 80 年代末至 90 年代初的低潮。研究并未完全停止，而是研究重点和资金来源发生了变化。

专家系统

20 世纪 70—80 年代，专家系统将专家知识编码为事实和规则，再由推理引擎应用于具体案例。这些系统在限定领域很有价值，但维护成本较高：规则需要提取、协调、更新和测试。过时的知识可能导致错误结论。

6. 20 世纪 80 年代至 2000 年代：统计机器学习

研究人员越来越多地使用从样本估计参数的模型，而不是手工编写所有规则。概率方法、统计模式识别、决策树、支持向量机和集成方法不断发展。开发者指定任务、特征和目标，模型参数则从数据中估计。

领域知识仍然不可缺少：必须检查数据质量、防止目标泄漏，并在独立样本上评估模型。

7. 1997—2016 年：专用系统的胜利与深度学习

1997 年，IBM 的 Deep Blue 击败国际象棋世界冠军加里·卡斯帕罗夫。这是搜索和局面评估领域的专用系统成果，并不证明通用智能已经实现。2012 年，深度卷积网络 AlexNet 在 ImageNet 上取得重要成绩。其成功来自网络架构、标注数据、GPU 和有效训练方法的结合。2016 年，AlphaGo 结合神经网络、搜索和强化学习击败李世石。

8. 2017—2020 年代：Transformer 与生成式 AI

2017 年，论文 Attention Is All You Need 提出了基于注意力机制的 Transformer 架构，成为许多现代语言模型的基础。随后，大规模预训练、指令微调和多模态模型迅速发展。

2022 年 11 月，ChatGPT 面向公众发布，使大型语言模型的对话应用进入大众视野。之后，图像、音频、视频生成、搜索工具和多步骤工作流快速发展。但生成式系统仍然可能犯错，并且可能自信地输出错误信息。

9. 为什么 AI 历史呈现波浪式发展

  1. 提出新的知识表示或模型训练思想。
  2. 原型在受控任务中运行成功。
  3. 规模扩展暴露数据、算力和方法的限制。
  4. 预期被修正，资金和兴趣可能下降。
  5. 新的数据、计算资源和算法让旧问题再次变得可行。

早期方法并不会消失：规则、搜索、统计学习和神经网络仍然并行使用。真实系统经常采用混合架构。

10. 实践任务

选择达特茅斯研讨会、专家系统、Deep Blue、AlexNet、AlphaGo 或 Transformer。说明其问题、方法、所需数据和算力、取得的成果以及仍然存在的局限。

评价标准：解释成功机制，而不是简单写“AI 变得更聪明”。