人工智能的发展

AIREPORT人工智能的发展从图灵之问到大模型时代2026课程导览01智能的起点从图灵之问到人工智能诞生02曲折前行专家系统、两次寒冬与统计学习复兴03深度学习革命神经网络崛起与AlphaGo时刻04大模型时代生成式人工智能与未来展望CHAPTER智能的起点机器能思考吗？01图灵之问打开智能之门机器能思考吗？——从哲学争论到可验证的行为标准1950年，英国数学家艾伦·图灵提出一个朴素问题：机器能思考吗？他没有直接回答，而是设计了一个可操作的判断方法——图灵测试。图灵之问因此成为人工智能学科公认的思想起点。图灵测试怎么判断？1测试设定提问者隔着屏幕，分别与人和机器对话2判定标准若无法可靠区分哪边是机器，即可认为机器表现出智能测试的边界与意义这个测试不要求机器真正拥有人类意识，而是把智能从哲学争论拉回到可验证的行为层面。对入门者而言，它相当于给人工智能立下第一盏灯塔：智能不再是玄学概念，而是一个可以被测量、被逼近的目标。达特茅斯会议命名人工智能达特茅斯会议：人工智能学科的诞生时刻1956年夏，达特茅斯学院，一群年轻学者聚议：如何让机器模拟人类学习与智能行为？这场讨论，为“人工智能”写下了第一页注脚。散落的研究兴趣自此凝聚为一门独立学科。核心目标确立让计算机不仅会计算，更能理解、推理、自主改进。发起人

约翰·麦卡锡

提出“人工智能”一词，沿用至今早期预期：与会者乐观预期，攻克语言、推理、学习，智能数年可成实际进程：实际发展远比预想曲折，但散落的研究兴趣自此凝聚为一门独立学科早期探索奠定基本范式逻辑理论家规则推理核心任务证明数学定理早期尝试把推理变成可计算的步骤，是规则推理的雏形历史意义证明了机器可以模拟人的思考感知器模型统计方法核心任务用简单网络识别图案早期尝试模仿神经元的简单结构，是统计方法的开端历史意义今天的神经网络都源于这个朴素想法对话程序搜索策略核心任务模拟心理咨询师与人交谈早期尝试用搜索策略组织回答，让人误以为在和真人聊天历史意义开启了人机对话的先河CHAPTER曲折前行每一次低谷，都在为下一次突破积蓄力量02专家系统让智能走向应用典型应用1项辅助诊断系统将医生经验整理为规则库，按规则逐层推理给出建议商业热潮1项投资涌入企业看到商业价值，大量投资涌入局限暴露2项人工输入知识靠人工逐条输入，成本高、更新慢领域受限离开狭窄领域即完全失效热潮与局限1项同时到来热潮与局限，几乎同时到来两次寒冬逼出技术反思承诺落空，热潮退潮：资金与公众热情迅速退去，研究进入低谷，即"寒冬"。两次低谷01第一次（1970年代）早期感知器被证明能力有限，许多项目被迫中止。02第二次（1980年代末–1990年代初）专家系统维护困难、专用硬件市场萎缩，行业再度冷却。

反思寒冬的价值迫使研究者反思——只靠人工规则是否走错了方向？机器能否自己从数据中学习规律？统计学习与神经网络在寒冬中悄然坚持，为复兴埋下伏笔。统计学习悄然积蓄力量“寒冬中，研究者转向更务实的思路：让机器从数据中找规律，而非理解世界。”“深度学习的爆发，正站在这条路上。”4条语音识别等语音识别、垃圾邮件过滤、手写数字识别→采用概率统计方法数据与算力依赖数字化数据积累与计算能力提升自动调参与专家系统不同：模型自动调参，而非人工规则范式转变把AI从“教机器规则”推向“让机器自己学”CHAPTER深度学习革命算法、算力与数据的共振，点燃了智能的引擎03神经网络重回聚光灯数据推力一互联网带来海量标注样本大量图片、文字等真实数据可供训练有了数据基础，神经网络才能学出本领算力推力二图形处理器支撑大规模并行计算同时处理成千上万个计算，训练更快原本要等很久的实验，几天就能跑完算法推力三新训练技巧解决深层网络优化难题让更深的网络也能稳定训练，不“卡壳”模型效果越来越好，真正能解决实际问题感知能力实现质的飞跃图像识别深层网络准确辨认照片中的物体落地：人脸识别、医学影像分析人脸识别医学影像语音识别错误率大幅拉低落地：语音助手进入日常生活语音助手低错误率通俗理解过去：背熟规则的学生，只处理明确写出的情况现在：从海量样本归纳经验，能应对没见过的图片或口音感知突破感知突破为后续复杂智能任务打下基础——深度学习让机器的"看"与"听"逼近甚至超过人类。从规则到经验深度学习让机器的"看"与"听"逼近甚至超过人类感知能力实现质的飞跃，是后续更复杂智能任务的基础AlphaGo昭示智能新高度标志性事件AlphaGo·20162016年，深度思维公司开发的AlphaGo击败人类顶尖棋手，轰动全球。为何围棋是难关复杂度·超越穷举棋盘变化远超国际象棋，无法靠穷举搜索解决，曾被视为AI难以攻克的堡垒。训练方式与神之一手学习→对弈→创造训练方式：先学人类棋谱，再自我对弈强化，形成超越人类经验的棋感。"神之一手"：一步连职业棋手都意外的落子，展现机器的创造性。核心意义深度学习+强化学习深度学习+强化学习，让机器在复杂任务中展现创造力。CHAPTER大模型时代智能不再只是模仿，而是开始创造04Transformer改写模型范式核心机制注意力机制自动判断词与词的关系紧密程度无需顺序理解突破RNN限制Transformer两大优势并行处理提升训练效率长距离依赖捕捉语言的深层关系效率规模化路径数据越多模型能力越强参数越大性能持续提升Scaling生成式人工智能走进日常核心变化改变从"检索已有内容"转向"逐字生成新表达"典型能力本领撰写文章、翻译文本、总结资料编写代码根据文字生成图像理解方式视角可视为读过海量文本、善于按需组织语言的助手——不完美，有时出错，但能显著提升效率落地场景应用写作助手智能客服编程辅助工具快速普及AI从专家工具走向大众日常智能时代的机遇与边界风险与挑战3项虚构事实生成内容可能包含事实错误，模型会一本正经地编造信息偏见放大训练数据中的偏见可能被放大真假难辨虚假文本与图像冲击信息可信度机遇与变革2项技能更迭重复性任务被自动化，新技能需求不断涌现产业重塑工作方式与产业结构正在被深刻改变对