人工智能发展史：从图灵到 ChatGPT

起源：1943—1955年

早在“人工智能”这个词出现之前，数学家和神经科学家就已经在思考：思维能否用计算来描述？

1. 1943年第一个人工神经元

   神经科学家 Warren McCulloch 与逻辑学家 Walter Pitts 发表了一个简化的神经元数学模型。它是如今神经网络的鼻祖。

2. 1950年艾伦·图灵提出问题

   英国数学家艾伦·图灵在论文“Computing Machinery and Intelligence”中提出了一项测试，如今称为图灵测试：机器能否与人交谈，而让对方无法分辨它是不是人类？

3. 1955—1956年达特茅斯会议

   约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、Nathaniel Rochester 和 Claude Shannon 于1955年提议在美国达特茅斯学院举办一次夏季研讨会，会议于1956年举行。约翰·麦卡锡在会上推广了“人工智能”这一术语。人们通常把这次会议视为这门学科的诞生。

最初的成功与最初的失望：1956—1980年

1. 1958年感知机

   美国心理学家 Frank Rosenblatt 提出了感知机，这是一种单层神经网络，能够学习对简单的模式进行分类。

2. 1966年ELIZA，第一个“聊天机器人”

   麻省理工学院（MIT）的 Joseph Weizenbaum 发布了 ELIZA，这个程序通过复述用户的话来模仿心理治疗师。他惊讶地发现，人们竟会认为它具有理解力和情感，此后这种现象被称为“ELIZA 效应”。

3. 1969年《Perceptrons》一书

   马文·明斯基与 Seymour Papert 论证了单层感知机的局限。这本书使一部分研究在大约十年间远离了神经网络。

4. 1973—1974年第一次“AI 寒冬”

   在英国，Lighthill 报告（1973年）对人工智能研究的成果给出了严厉评价，公共资金随之减少。早期那些被认为过于夸张的承诺并未兑现。

专家系统与神经网络的回归：1980—2000年

1. 20世纪80年代专家系统兴起

   基于专家（医学、工程等领域）所编写规则的程序被企业采用。人工智能产业的规模从几百万美元增长到几十亿美元。但这些系统维护成本高，也不够灵活。

2. 1982年Hopfield 网络

   John Hopfield 证明，某种类型的神经网络可以记住模式并将其重新找回。这项工作让他获得了2024年诺贝尔物理学奖。

3. 1986年反向传播得到普及

   David Rumelhart、杰弗里·辛顿（Geoffrey Hinton）和 Ronald Williams 在Nature上发表了一种训练多层神经网络的有效方法：反向传播（梯度反向传播）。神经网络重新受到青睐。

4. 20世纪80年代末第二次 AI 寒冬

   专家系统市场崩溃，资金再次枯竭。

5. 1989—1990年卷积神经网络

   杨立昆（Yann LeCun）把卷积神经网络应用于手写数字识别；这项技术后来被用来读取银行支票。

6. 1997年Deep Blue 击败卡斯帕罗夫

   1997年5月，IBM 的超级计算机 Deep Blue 击败了国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov），六局比赛的比分为3.5比2.5。Deep Blue 并不“学习”：它凭借专家调校的规则，以暴力方式每秒搜索数亿个局面。同一年，Sepp Hochreiter 与 Jürgen Schmidhuber 发表了 LSTM 网络，它在 Transformer 出现之前对语言处理十分重要。

深度学习革命：2009—2016年

1. 2009年ImageNet

   李飞飞（Fei-Fei Li）及其同事发布了 ImageNet，一个包含数百万张带标注图像的庞大数据库。它后来成为图像识别的试验场。

2. 2011年Watson 在 Jeopardy! 中获胜

   IBM 的 Watson 系统击败了美国电视问答节目 Jeopardy! 的两位冠军，向大众展示了自然语言处理的能力。

3. 2012年AlexNet：转折点

   Alex Krizhevsky、Ilya Sutskever 和辛顿凭借 AlexNet 赢得 ImageNet 竞赛。这是一个在两块显卡上训练的深度网络，错误率为15.3%，而第二名为25.8%。图形处理器（GPU）、大型数据库和更好的训练技术汇聚到一起：深度学习时代就此开启。

4. 2013—2014年用数字表示词语，生成图像

   2013年，谷歌的 Tomas Mikolov 发表了 word2vec，用数字向量来表示词语。2014年，Ian Goodfellow 发明了生成对抗网络（GAN），这是第一类能够生成逼真图像的重要模型。

5. 2016年3月AlphaGo 战胜李世石

   3月9日至15日，在首尔，谷歌 DeepMind 的 AlphaGo 程序以4比1击败了围棋冠军李世石（Lee Sedol）；围棋被认为比国际象棋复杂得多。AlphaGo 先是研究了职业棋手约3000万步棋，再通过自我对弈来学习。它在第二局中走出的第37手，让所有解说员都感到意外。

Transformer 与生成式人工智能的爆发：2017—2022年

1. 2017年6月12日“Attention Is All You Need”

   八位谷歌研究人员（包括 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan Gomez、Łukasz Kaiser 和 Illia Polosukhin）发表了 Transformer 架构。它用一种可并行处理的“注意力”机制取代了序列式网络，是当今几乎所有大语言模型的基础（参见ChatGPT 是如何工作的）。

2. 2018年GPT 与 BERT

   OpenAI 发布 GPT-1（6月）；谷歌发布 BERT（10月）。其核心思路是：先用未经标注的文本预训练一个大模型，再让它适应具体任务。

3. 2019年2月GPT-2

   OpenAI 宣布推出 GPT-2（15亿个参数），它能够生成可信的文本。根据已发布的估算，训练成本约为5万美元。

4. 2020年5月28日GPT-3

   OpenAI 发布 GPT-3：1750亿个参数，训练时使用了约3000亿个词元（token）的文本（取自约5000亿词元的语料库）。该模型令人印象深刻之处在于，只要在提示词中给出几个示例，它无需专门训练就能完成任务。

5. 2020—2021年AlphaFold 与科学

   DeepMind 的 AI 系统 AlphaFold 2 以前所未有的精度预测了蛋白质的三维结构。其创造者 Demis Hassabis 和 John Jumper 将与 David Baker 共同获得2024年诺贝尔化学奖。

6. 2021—2022年图像生成走向大众

   OpenAI 发布了 DALL-E（2021年），随后是 DALL-E 2（2022年）。Midjourney 在2022年夏天开启公开测试。2022年8月免费开放发布的 Stable Diffusion，让图像生成得以普及（参见图像生成式 AI）。

7. 2022年11月30日ChatGPT 发布

   OpenAI 向公众开放了基于 GPT-3.5 的对话助手 ChatGPT。它在五天内用户突破100万，约两个月内突破1亿，成为历史上增长最快的大众服务之一。

人工智能的当下：2023—2026年

1. 2023年模型竞赛

   GPT-4（3月）；Claude（Anthropic）首次公开发布（3月）；Meta 的开放模型（LLaMA）；法国初创公司 Mistral AI 于2023年4月28日由 Arthur Mensch、Guillaume Lample 和 Timothée Lacroix 创立，并在9月发布了 Mistral 7B。

2. 2024年监管与科学界的认可

   欧盟《人工智能法案》（AI Act）于2024年8月1日生效。10月，两项诺贝尔奖表彰了与人工智能相关的成果：物理学奖（John Hopfield 与辛顿）和化学奖（David Baker、Demis Hassabis、John Jumper）。

3. 2025年1月20日DeepSeek-R1

   中国公司 DeepSeek（深度求索）发布了 R1，这是一款开放权重的推理模型，可与美国最强的模型相媲美。该消息导致英伟达（Nvidia）股价下跌，并重新引发了关于训练成本的讨论。

4. 2025—2026年会推理、能行动的 AI

   如今的助手已经能够上网搜索、分析文档、编写代码，并串联多个操作（这被称为“智能体”）。根据斯坦福大学的 AI Index 2026，88%的受访组织已经在使用 AI，而美国与中国最佳模型之间的性能差距已变得非常小。

想知道这些模型背后是什么，请阅读AI 是如何被造出来的；想了解局限与规则，请阅读局限、风险与监管。

这段历史带给我们的启示

• 想法先于技术。神经网络诞生于1943年，反向传播出现于1986年：直到2012年，数据和算力足够了，它们才爆发。
• 热情是周期性的。两次“AI 寒冬”提醒我们，要对夸大的承诺保持警惕。
• 节奏在加快。从 Transformer（2017年）到 ChatGPT（2022年），只用了不到六年。

常见问题