簡介一份梳理人工智能發(fā)展歷程的筆記型文檔面向人工智能初學(xué)者、相關(guān)專業(yè)學(xué)生及對(duì)技術(shù)史感興趣的讀者幫助快速建立從起源到現(xiàn)狀的整體認(rèn)知框架。內(nèi)容開篇先解釋人工智能的定義、研究范圍及數(shù)學(xué)/計(jì)算機(jī)科學(xué)/哲學(xué)等交叉學(xué)科屬性隨后以1950年圖靈測(cè)試為起點(diǎn)依次講述達(dá)特茅斯會(huì)議、20世紀(jì)50—60年代數(shù)學(xué)證明、知識(shí)推理和專家系統(tǒng)掀起的第一次熱潮80—90年代統(tǒng)計(jì)模型與語音識(shí)別突破帶來的第二次熱潮以及2006年以來深度學(xué)習(xí)驅(qū)動(dòng)的第三次熱潮。文中還介紹機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、智能語音、自然語言理解、智能機(jī)器人等典型應(yīng)用方向并通過階段劃分與結(jié)語展望梳理發(fā)展脈絡(luò)。資源包內(nèi)僅1個(gè)docx文檔約201KB內(nèi)容完整、結(jié)構(gòu)清晰目前已有454人學(xué)習(xí)瀏覽可配合人工智能入門課程或自主閱讀使用是一份輕量實(shí)用的人工智能發(fā)展史參考。1. 人工智能歷史概述、發(fā)展歷史為什么先學(xué)歷史比先學(xué)算法更重要一說到人工智能歷史概述、發(fā)展歷史最容易做成的就是一張年表圖靈在 1950 年發(fā)論文、1956 年達(dá)特茅斯會(huì)議取名、1997 年深藍(lán)贏棋、2016 年 AlphaGo 贏李世石……背完交差。但我輔導(dǎo)人工智能導(dǎo)論課程作業(yè)時(shí)發(fā)現(xiàn)一個(gè)現(xiàn)象凡是能把發(fā)展史里三次浪潮之間的因果講清楚的人后面學(xué)機(jī)器學(xué)習(xí)、大模型都很快凡是只會(huì)背年份的人學(xué)完一章做前向傳播就懵了。原因是 AI 史是一連串“期望—突破—碰壁—冷靜”的循環(huán)不是直線。下面不給整條時(shí)間線的復(fù)讀而是給一條可落地的脈絡(luò)先用三次浪潮搭骨架再用四條主線補(bǔ)細(xì)節(jié)最后給做人工智能大作業(yè)的人一套從大綱到答辯的落地方法。你可以把它當(dāng)歷史地圖也可以直接改寫進(jìn)課程論文。適合誰要交人工智能大作業(yè)的學(xué)生、想梳理知識(shí)體系的技術(shù)新人、準(zhǔn)備面試的工程師以及做內(nèi)部培訓(xùn)的人。新手建議從第 2 章順著讀熟手可以直接跳到第 5 章看避坑清單。2. 把發(fā)展史拆成三次浪潮AI 歷史上的三次“熱與冷”很多人喜歡把 AI 發(fā)展分成四個(gè)階段萌芽期、誕生期、低谷期、繁榮期。這樣分的問題不小邊界含糊而且沒解釋為什么 AI 會(huì)從符號(hào)主義跳到連接主義。我一般用三次浪潮做框架每一次浪潮都有清晰的代表技術(shù)、代表成果和導(dǎo)向寒冬的原因。下面按 1956—1974、1980—2000、2006 至今三個(gè)時(shí)段來講中間留出的間隔不是空白而是正在消化失敗的時(shí)間。2.1 第一次浪潮符號(hào)主義、專家系統(tǒng)與知識(shí)表示第一次浪潮的主角是符號(hào)主義。1950 年圖靈在《計(jì)算機(jī)器與智能》里提出“模仿游戲”中文語境里通常譯成圖靈測(cè)試。他給了一個(gè)判斷標(biāo)準(zhǔn)如果一臺(tái)機(jī)器能在對(duì)話中讓人分辨不出是人就可以說它有智能。這個(gè)標(biāo)準(zhǔn)后來多次被討論甚至挑戰(zhàn)但它的歷史價(jià)值在于把“機(jī)器能不能思考”變成了一個(gè)可操作的實(shí)驗(yàn)問題。1956 年夏天麥卡錫、明斯基、香農(nóng)等人在達(dá)特茅斯會(huì)議上正式造出 Artificial Intelligence 這個(gè)詞。早期項(xiàng)目大多聚焦定理證明、下棋、機(jī)器翻譯和問題求解。它們用邏輯和規(guī)則把知識(shí)寫進(jìn)系統(tǒng)也就是今天說的符號(hào)操作。在當(dāng)時(shí)這是唯一看起來可行的方法因?yàn)橛?jì)算機(jī)的存儲(chǔ)和算力非常有限但人可以手工把規(guī)則編碼進(jìn)去。這個(gè)流派在 1960 年代中期到 1970 年代發(fā)展出專家系統(tǒng)。典型代表是化學(xué)質(zhì)譜分析系統(tǒng) DENDRAL、醫(yī)療診斷系統(tǒng) MYCIN。它們把專家的判斷寫成 if-then 規(guī)則配上知識(shí)庫在特定領(lǐng)域確實(shí)能給出不錯(cuò)建議MYCIN 對(duì)腦膜炎的診斷準(zhǔn)確率在一項(xiàng)對(duì)照里甚至超過部分醫(yī)生。第一次讓“AI 能落地”這個(gè)說法有了可信度。但是第一波熱潮很快撞到兩堵墻組合爆炸和知識(shí)獲取瓶頸。棋類搜索的狀態(tài)空間指數(shù)增長當(dāng)時(shí)的計(jì)算機(jī)跑不完規(guī)則能覆蓋簡單案例卻覆蓋不了真實(shí)世界的模糊情況。1974 年前后英國和美國的研究經(jīng)費(fèi)被大幅削減第一次 AI 寒冬開始。很多人工智能基礎(chǔ)教材把這段一筆帶過但我不建議你跳過。后面很多爭議比如“專家系統(tǒng)為什么維護(hù)不起”“知識(shí)表示到底可不可行”都從這里開始。2.2 第二次浪潮連接主義、BP 算法與統(tǒng)計(jì)機(jī)器學(xué)習(xí)第二次浪潮不是從零開始的。1958 年羅森布拉特已經(jīng)做出感知機(jī)能識(shí)別簡單字母但 1969 年明斯基和帕珀特在《感知機(jī)》里證明單層感知機(jī)無法解決異或問題神經(jīng)網(wǎng)絡(luò)研究因此在 1970 年代被主流拋棄。歷史細(xì)節(jié)是他們分析的是單層網(wǎng)絡(luò)多層網(wǎng)絡(luò)的潛力沒有被充分討論但這個(gè)結(jié)論恰好成為符號(hào)主義壓住連接主義的借口。1980 年代事情開始轉(zhuǎn)向。一是專家系統(tǒng)進(jìn)入商用日本第五代計(jì)算機(jī)項(xiàng)目又刺激了西方對(duì) AI 的投入二是 1986 年魯姆哈特、辛頓、威廉姆斯重新推廣反向傳播算法讓多層神經(jīng)網(wǎng)絡(luò)可以被訓(xùn)練。反向傳播的核心是把輸出誤差從最后一層逐層回傳更新每一層權(quán)重。這個(gè)概念今天看起來很簡單但在當(dāng)時(shí)缺少大規(guī)模數(shù)據(jù)和高性能算力訓(xùn)練一次小型網(wǎng)絡(luò)都可能要數(shù)小時(shí)。1990 年代到 2000 年代初真正撐起應(yīng)用增長的是統(tǒng)計(jì)機(jī)器學(xué)習(xí)而不是神經(jīng)網(wǎng)絡(luò)。支持向量機(jī)、決策樹、隨機(jī)森林、隱馬爾可夫模型這些方法比符號(hào)規(guī)則更能容忍噪聲也比神經(jīng)網(wǎng)絡(luò)更容易調(diào)通。自然語言處理、語音識(shí)別、推薦系統(tǒng)都靠它們往前走了一大步。也就是說第二次浪潮同時(shí)存在兩條技術(shù)支線一邊是神經(jīng)網(wǎng)絡(luò)回歸另一邊是統(tǒng)計(jì)機(jī)器學(xué)習(xí)的工程繁榮。第二次浪潮同樣以一次寒冬收尾。專家系統(tǒng)維護(hù)成本極高知識(shí)工程師和領(lǐng)域?qū)＜覝贤ㄙM(fèi)時(shí)費(fèi)力日本第五代計(jì)算機(jī)項(xiàng)目沒有兌現(xiàn)通用智能的承諾。市場(chǎng)對(duì) AI 的熱情在 1980 年代末開始退潮很多 AI 公司倒閉。等到 1997 年 IBM 深藍(lán)靠暴力搜索加定制硬件擊敗卡斯帕羅夫大家開始重新討論 AI 的價(jià)值但深藍(lán)并不是深度學(xué)習(xí)它代表的是搜索與算力的勝利。2.3 第三次浪潮深度學(xué)習(xí)、大數(shù)據(jù)與大模型第三次浪潮明顯不同數(shù)據(jù)、算力和算法三件事一起發(fā)生了。2006 年辛頓提出逐層預(yù)訓(xùn)練辦法2009 年斯坦福團(tuán)隊(duì)做出 ImageNet 數(shù)據(jù)集2012 年 AlexNet 在 ImageNet 圖像識(shí)別競賽上把 top-5 錯(cuò)誤率降到 15.3%直接點(diǎn)燃深度學(xué)習(xí)熱潮。那一年之所以重要是因?yàn)?GPU、大規(guī)模標(biāo)注數(shù)據(jù)和卷積網(wǎng)絡(luò)結(jié)構(gòu)在同一時(shí)間點(diǎn)碰到了一起。這之后發(fā)展的速度比前兩次快很多。2014 年生成對(duì)抗網(wǎng)絡(luò)出現(xiàn)2016 年 AlphaGo 擊敗李世石2017 年 Transformer 架構(gòu)發(fā)布2018 年 BERT 刷新自然語言理解紀(jì)錄2020 年 GPT-3 展示少樣本能力2022 年 ChatGPT 把大模型帶到普通用戶面前。很多人把這輪浪潮理解為“只要數(shù)據(jù)夠多、模型夠大就行”這并不完整。Transformer 的注意力機(jī)制解決了長距離依賴規(guī)?；蟮挠楷F(xiàn)能力提高了少樣本表現(xiàn)RLHF 讓大模型更容易聽人話這些是算法、數(shù)據(jù)和人類反饋一起介入的結(jié)果。這一輪同樣會(huì)有周期性的降溫討論。只要當(dāng)前最熱的技術(shù)還沒有解決偏見、幻覺、可解釋性和訓(xùn)練成本問題就談不上一路坦途。對(duì)從業(yè)者來說泡沫不一定全是壞事歷史里的每段寒冬都是更清醒的建設(shè)期。2.4 三次浪潮對(duì)比表為什么重點(diǎn)是范式而不是年份浪潮時(shí)期大概核心范式代表成果主要瓶頸第一次1956—1974符號(hào)主義、知識(shí)表示、規(guī)則推理達(dá)特茅斯會(huì)議、專家系統(tǒng)、圖靈測(cè)試組合爆炸、知識(shí)獲取難第二次1980—2000連接主義與統(tǒng)計(jì)機(jī)器學(xué)習(xí)并行反向傳播、支持向量機(jī)、深藍(lán)、語音識(shí)別維護(hù)成本高、模型表達(dá)力不足、數(shù)據(jù)標(biāo)注難第三次2006 至今深度學(xué)習(xí)、大數(shù)據(jù)、大模型AlexNet、AlphaGo、Transformer、ChatGPT可解釋性、幻覺、偏見、算力成本表格不是用來背三個(gè)浪區(qū)間的而是看范式變化第一次想教機(jī)器規(guī)則第二次想讓機(jī)器從數(shù)據(jù)里學(xué)規(guī)則第三次想把學(xué)習(xí)規(guī)模推到極限。理解這一點(diǎn)后你再看人工智能發(fā)展歷程里的任何事件都能給它找到位置。3. 從歷史抽象出四條主線用主線回答“AI 是怎么走到今天的”歷史寫到最后真正有用的是提煉出幾條能解釋今天現(xiàn)象的線索。我在給人工智能學(xué)習(xí)路徑做規(guī)劃時(shí)常用下面四條主線串知識(shí)點(diǎn)。它們不是平行分類而是互相纏繞的關(guān)系分開寫只為了讓思路更清楚。3.1 主線一符號(hào)主義與連接主義的交替每次浪潮切換其實(shí)都是兩個(gè)學(xué)派誰更能解決當(dāng)前痛點(diǎn)的結(jié)果。符號(hào)主義先興是因?yàn)樵缙谟?jì)算機(jī)適合執(zhí)行人給的規(guī)則但它找不到把常識(shí)大規(guī)模寫進(jìn)去的辦法連接主義在 1980 年代靠反向傳播能做弱規(guī)則但早期缺乏數(shù)據(jù)和算力統(tǒng)計(jì)機(jī)器學(xué)習(xí)在 2000 年前后把“工程可落地”當(dāng)作第一優(yōu)先把算法當(dāng)成數(shù)學(xué)函數(shù)不過多糾結(jié)是不是模擬大腦。到了大模型時(shí)代連接主義的神經(jīng)網(wǎng)絡(luò)以大規(guī)模參數(shù)和自監(jiān)督學(xué)習(xí)重新占主導(dǎo)但很多知識(shí)圖譜、規(guī)則引擎仍然存在于金融風(fēng)控、法律和醫(yī)療系統(tǒng)里。所以正確結(jié)論不是誰取代誰而是按問題選工具。3.2 主線二算力、數(shù)據(jù)、算法三要素的兩次轉(zhuǎn)折我習(xí)慣把這稱為“AI 的三體問題”。第一次轉(zhuǎn)折發(fā)生在 2012 年前后GPU 讓卷積網(wǎng)絡(luò)訓(xùn)練時(shí)間從幾周縮短到幾天ImageNet 提供百萬級(jí)標(biāo)注樣本ReLU 和 Dropout 緩解了梯度消失與過擬合。三者一起到位AlexNet 才可能贏。第二次轉(zhuǎn)折發(fā)生在 2020 年前后Transformer 成為統(tǒng)一骨架互聯(lián)網(wǎng)文本形成自監(jiān)督語料加上云計(jì)算集群大模型的語言能力開始涌現(xiàn)。這條主線對(duì)判斷一個(gè)項(xiàng)目是否可行很有用。如果你在當(dāng)下選方向先問自己數(shù)據(jù)量、算力預(yù)算和現(xiàn)成模型哪一個(gè)最薄歷史里的大多數(shù)失敗都?jí)脑谧畋〉哪且粔K。3.3 主線三從“專用智能”到“通用智能”的期望差1956 年那一批奠基者想要的是通用問題求解器結(jié)果我們?cè)陔S后幾十年拿到的卻是很多專用智能下棋的深藍(lán)、做語音識(shí)別的 HMM、做商品推薦的協(xié)同過濾。專用智能是能落地的東西但每當(dāng)公眾看到一場(chǎng)勝利就容易把它誤讀為通用智能的前奏隨后期望跌落。大語言模型第一次讓機(jī)器在開放任務(wù)上有了泛化能力的影子但它還不具備持續(xù)學(xué)習(xí)、真實(shí)世界體驗(yàn)和可靠的邏輯推理。所以做人工智能歷史概述時(shí)與其爭論 AGI 會(huì)不會(huì)來不如把每個(gè)階段“當(dāng)時(shí)大家以為解決了什么”和“后來實(shí)際留下什么”分開寫。3.4 主線四評(píng)價(jià)標(biāo)準(zhǔn)從“像人”到“解決問題”評(píng)價(jià)標(biāo)準(zhǔn)從“行為是否像人”變成了“能否解決實(shí)際問題”。圖靈測(cè)試講模仿人類專家系統(tǒng)講領(lǐng)域?qū)＜壹?jí)水平ImageNet 講分類準(zhǔn)確率今天的 LLM 則講 Benchmark 分?jǐn)?shù)和用戶留存。這個(gè)變化直接影響產(chǎn)品化如果你的項(xiàng)目用準(zhǔn)確率撐不起業(yè)務(wù)指標(biāo)就算模型再像人也難持久。人工智能訓(xùn)練師這個(gè)新職業(yè)的出現(xiàn)正是因?yàn)樯疃饶Ｐ蜁r(shí)代的數(shù)據(jù)質(zhì)量、標(biāo)注策略和模型對(duì)齊變成了一種工程崗位。對(duì)應(yīng)到作業(yè)或項(xiàng)目匯報(bào)你應(yīng)該點(diǎn)明“這個(gè)技術(shù)當(dāng)時(shí)想解決什么問題、用什么指標(biāo)證明有效、又犧牲了什么”。4. 做“人工智能歷史概述”作業(yè)的最短路徑從大綱到答辯話術(shù)接下來這部分是給趕人工智能導(dǎo)論大作業(yè)、要做人工智能發(fā)展歷程報(bào)告的同學(xué)。我不會(huì)給一段可以直接復(fù)制粘貼的全文因?yàn)槔蠋熞谎劭吹贸瞿遣皇悄愕乃悸?。我給的是一套搭骨架的方法你填進(jìn)自己的素材二十多分鐘就能講明白寫出來也不會(huì)像流水賬。4.1 先搭一張“三階段轉(zhuǎn)折點(diǎn)”的時(shí)間線模板我建議每個(gè)階段只選一到兩個(gè)標(biāo)志事件不要貪多。下面這張表可以直接當(dāng)大綱底板。階段時(shí)間大約關(guān)鍵事件一句話意義誕生與第一次熱潮1950—1974圖靈發(fā)表《計(jì)算機(jī)器與智能》達(dá)特茅斯會(huì)議定義問題提出“智能可以形式化”的假設(shè)也埋下符號(hào)主義的局限回落與再起1974—2006反向傳播專家系統(tǒng)商用統(tǒng)計(jì)機(jī)器學(xué)習(xí)興起從規(guī)則轉(zhuǎn)向數(shù)據(jù)AI 開始成為可計(jì)算的建模問題深度學(xué)習(xí)與大模型2006 至今ImageNet 與 AlexNetTransformerChatGPT表示學(xué)習(xí)成為主線大語言模型讓 AI 從評(píng)測(cè)走向應(yīng)用有了這張表你可以把每個(gè)素材放進(jìn)對(duì)應(yīng)階段避免寫成沒有歸屬感的編年體。時(shí)間區(qū)間寫“大約”就好不同教材有不同切法只要在方法論里說明你的分期標(biāo)準(zhǔn)就行。4.2 挑關(guān)鍵事件的標(biāo)準(zhǔn)不是全寫而是寫轉(zhuǎn)折點(diǎn)很多時(shí)候大作業(yè)寫得像維基百科是因?yàn)槿鄙偬羰录某叨?。我的尺度只有三條這個(gè)事件是否讓一種新技術(shù)直接擠掉了舊技術(shù)這個(gè)事件是否改變了主流資金、人才或公眾預(yù)期這個(gè)事件和今天的某個(gè)熱門技術(shù)之間是否有清晰因果鏈符合兩條以上才值得寫。比如圖靈測(cè)試符合第一條和第三條AlexNet 三條都符合IBM 華生參加《危險(xiǎn)邊緣》聽起來熱鬧但它對(duì)技術(shù)路線的實(shí)際影響有限可以簡化成一句帶過。寫人工智能入門作業(yè)寧可仔細(xì)講一個(gè)事件也不要平均用力。4.3 用“一次失敗、一次突破、一次爭議”組織正文一篇課程論文的結(jié)構(gòu)可以這樣做引言說明你的分期標(biāo)準(zhǔn)以及為什么要用三次浪潮而不是年份表。第一次浪潮破土與寒冬核心講符號(hào)主義、專家系統(tǒng)和知識(shí)表示。第二次浪潮復(fù)活與過度承諾核心講反向傳播、統(tǒng)計(jì)機(jī)器學(xué)習(xí)和專家系統(tǒng)維護(hù)成本。第三次浪潮規(guī)模化與誤讀核心講深度學(xué)習(xí)、Transformer、大模型與偏見問題。結(jié)語當(dāng)前挑戰(zhàn)和值得投入的研究方向。這樣安排既符合歷史也符合敘事。重點(diǎn)是在每次轉(zhuǎn)型之間寫因果為什么這條路線走不下去新路線解決了哪個(gè)具體瓶頸這比堆年份更有說服力。答辯時(shí)最常被問的問題基本就幾類為什么研究經(jīng)費(fèi)會(huì)減少專家系統(tǒng)為什么現(xiàn)在還有應(yīng)用深度學(xué)習(xí)會(huì)不會(huì)也是一陣風(fēng)大模型的偏見從哪里來你只要在第 3 章的四條主線里準(zhǔn)備好對(duì)應(yīng)答案就不會(huì)被問懵。5. 避坑指南人工智能歷史概述的 5 個(gè)常見錯(cuò)誤我每年都會(huì)抽看一批人工智能大作業(yè)或轉(zhuǎn)崗筆試高頻錯(cuò)誤基本集中在下面幾條。每條按現(xiàn)象、原因、解決拆開你可以直接對(duì)照自己的稿子做減法。5.1 把“歷史”寫成編年體清單現(xiàn)象從 1950 年寫到 2025 年每一年都排一行達(dá)特茅斯之后直接跳到深藍(lán)深藍(lán)之后直接跳到 AlphaGo。整篇沒有論點(diǎn)也沒有因果關(guān)系老師看完不知道你想證明什么。原因把“概述”理解成“按時(shí)間記錄”而不是按問題組織。人腦對(duì)編年體的記憶強(qiáng)度很低真正讓 AI 史有辨識(shí)度的是某個(gè)瓶頸在哪年被解決而不是年份本身。解決每節(jié)開頭問一句“當(dāng)時(shí)的研究者在為什么睡不著”第一次浪潮的困擾是組合爆炸第二次浪潮的困擾是知識(shí)維護(hù)和統(tǒng)計(jì)泛化第三次浪潮的困擾是表達(dá)學(xué)習(xí)和樣本稀疏。讓事件去回答這些問題歷史就活了。5.2 把“AlphaGo”當(dāng)成深度學(xué)習(xí)起點(diǎn)現(xiàn)象很多發(fā)展史作業(yè)從 2016 年 AlphaGo 開始熱情描寫前面幾十年只給兩段。仿佛深度學(xué)習(xí)是 AlphaGo 之后才有的。原因AlphaGo 的新聞熱度太高又發(fā)生在圍棋這種大眾賽事里容易成為記憶錨點(diǎn)。不少資料來自媒體通稿通稿不會(huì)講蒙特卡洛樹搜索、策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)的差別。解決把深度學(xué)習(xí)的技術(shù)分水嶺定為 2012 年 ImageNet 上的 AlexNet。AlphaGo 應(yīng)該放在后續(xù)小節(jié)當(dāng)作深度強(qiáng)化學(xué)習(xí)的代表案例但不要讓它承擔(dān)“開創(chuàng)”的身份。至少寫一句2012 年之前神經(jīng)網(wǎng)絡(luò)因算力和數(shù)據(jù)不足不是主流2012 年之后卷積網(wǎng)絡(luò)才開始大面積鋪開。5.3 忽略失敗與低谷期現(xiàn)象全文只寫成功AI 寒冬、專家系統(tǒng)失敗、神經(jīng)網(wǎng)絡(luò)低潮全部不出現(xiàn)AI 被包裝成一帆風(fēng)順。原因?qū)懽餍膽B(tài)上想交一個(gè)正面題材或者怕展開失敗會(huì)讓篇幅不好控制。但歷史一旦只講贏就讀不出技術(shù)演進(jìn)的邏輯。解決把寒冬當(dāng)作“期望值管理”案例來寫。第一次寒冬用組合爆炸解釋資金斷流第二次寒冬用專家系統(tǒng)維護(hù)成本和通用智能承諾不兌現(xiàn)來解釋。失敗不是污點(diǎn)它解釋了為什么后面會(huì)出現(xiàn)統(tǒng)計(jì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。5.4 把“深度學(xué)習(xí)”和“人工智能”劃等號(hào)現(xiàn)象整篇文章都在講神經(jīng)網(wǎng)絡(luò)符號(hào)主義、專家系統(tǒng)、統(tǒng)計(jì)機(jī)器學(xué)習(xí)被壓縮成幾句話?？雌饋硐裆疃葘W(xué)習(xí)簡史而不是人工智能歷史概述。原因當(dāng)前熱點(diǎn)是深度學(xué)習(xí)和 LLM搜索素材很容易被最新新聞帶到“算法、模型、算力”詞堆里忽略了歷史噪音。解決在概述里給三條路線分別立坐標(biāo)符號(hào)主義奠定了知識(shí)表示統(tǒng)計(jì)機(jī)器學(xué)習(xí)引入概率框架深度學(xué)習(xí)解決了表示學(xué)習(xí)。明確指出深度學(xué)習(xí)只是當(dāng)前主導(dǎo)路線不是唯一路線。這樣既完整也能避開“未來全是曲線擬合”的一元論。5.5 用今天的標(biāo)準(zhǔn)要求過去現(xiàn)象寫出“專家系統(tǒng)太弱”“九十年代的神經(jīng)網(wǎng)絡(luò)還不如一個(gè)決策樹”。這種評(píng)價(jià)等于拿現(xiàn)在的大橫評(píng)去給舊技術(shù)判死刑。原因缺少歷史語境評(píng)判標(biāo)準(zhǔn)和當(dāng)下技術(shù)綁死忘記了當(dāng)時(shí)沒有 GPU、沒有 ImageNet、沒有互聯(lián)網(wǎng)規(guī)模的標(biāo)注數(shù)據(jù)。解決每次評(píng)價(jià)之前先寫下三個(gè)前置條件可用算力、數(shù)據(jù)規(guī)模、當(dāng)時(shí)代碼庫和論文數(shù)量。然后問在當(dāng)時(shí)的約束下這個(gè)方法相比前一次進(jìn)步了什么通常你會(huì)得到完全不同的結(jié)論。如果你發(fā)現(xiàn)自己中了其中兩條以上不用推翻重寫。把事件重新放進(jìn)“問題驅(qū)動(dòng)”的框架一段一段挪位置就行。AI 發(fā)展史本質(zhì)上是解決問題的歷史不是堆砌名詞的歷史。6. 驗(yàn)證自己有沒有學(xué)懂用“給外行講 10 分鐘”做自測(cè)歷史讀完了最有效的驗(yàn)證方法不是做題而是找身邊一個(gè)完全不懂 AI 的人給他講十分鐘人工智能發(fā)展歷程。如果他能聽懂三次浪潮為什么一輪比一輪強(qiáng)最后還能回答他的追問你就已經(jīng)能把史實(shí)變成判斷力。我把這十分鐘拆成六段第一分鐘講達(dá)特茅斯會(huì)議為什么值得記住第二分鐘講圖靈測(cè)試到底測(cè)什么第三到第四分鐘講專家系統(tǒng)解決了什么、又為什么失敗第五到第六分鐘講 BP 算法和統(tǒng)計(jì)機(jī)器學(xué)習(xí)怎么把 AI 拉回實(shí)用第七到第八分鐘講深度學(xué)習(xí)為什么在 2012 年爆發(fā)最后兩分鐘講今天的大模型屬于第幾次浪潮它當(dāng)前最大的問題是什么。這套結(jié)構(gòu)不需要出現(xiàn)太多人名。如果你發(fā)現(xiàn)自己總是在背年份說明你還沒有形成因果鏈。我還用一個(gè)追問來檢驗(yàn)自己是否真懂為什么每次寒冬反而會(huì)為下一次浪潮做準(zhǔn)備能答出“經(jīng)費(fèi)減少促使研究者轉(zhuǎn)向更可計(jì)算的問題數(shù)據(jù)規(guī)模和算法積累被留下來相當(dāng)于給技術(shù)擠掉了水分”基本就過關(guān)了。我自己的習(xí)慣是接觸任何新領(lǐng)域前先花半小時(shí)把它的歷史主線拉出來什么被高估什么被低估什么值得長期投入。人工智能發(fā)展史教會(huì)我的不是背下所有里程碑而是接受每一次熱度都會(huì)退潮只有退潮后還能留下的東西才值得堅(jiān)持。把這一次梳理當(dāng)作思維練習(xí)而不是課程任務(wù)你會(huì)少走很多彎路。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取