提起AI，大多数人的第一印象是ChatGPT能写代码画图、AlphaGo能赢世界围棋冠军，仿佛智能是一夜之间从天而降的惊喜。但其实，今天AI的爆发，是人类探索七十年、经历三次浪潮两次低谷才走到今天的结果。 萌芽诞生：从哲学思辨到学科正式成立 AI的故事，要从1950年一个英国数学家说起。艾伦·图灵在《计算机器与智能》论文里抛出了一个影响至今的问题：“机器能思考吗？”他还设计了著名的“图灵测试”——如果机器聊天能骗过人类，让对方分不清对面是机器还是人，那就可以认为这台机器拥有智能。这个问题把“人工智能”从科幻幻想，变成了一个可以被研究的科学命题。 真正让AI成为一门正式学科，是1956年的达特茅斯会议。约翰·麦卡锡在这场聚会上第一次提出了“人工智能”这个术语，一群顶尖科学家聚在一起讨论：机器能不能像人一样说话、推理、解决问题？这次会议正式开启了AI的第一次浪潮，所有人都对这个新领域充满乐观，当时有科学家甚至预言，不出十年，AI就能解决大部分人类的智力问题。 早期的探索很快就遇到了瓶颈。当时研究者主要用“符号主义”的思路做AI——就是把人类的逻辑、规则一条条手写进机器里，试图让机器模拟人的思考。但这种方法只能解决非常简单、规则明确的问题，一旦碰到真实世界里模糊、不规律的场景，比如理解自然语言、识别图片，就完全没办法了。加上当初的预言太久远，公众和投资方的期待落了空，到1970年代，AI研究的经费被大幅削减，第一次AI“寒冬”来了。 两次起落：从规则到数据，重新找到方向 第一次AI寒冬过去十年后，AI在1980年代迎来了第二次崛起，这次的主角是“专家系统”和神经网络的复苏。专家系统就是把某个领域专家的知识整理成规则库，让机器能代替专家解决特定领域的问题，比如医疗诊断、化工配方，当时不少企业都把专家系统当成未来的方向。同时，反向传播算法被重新整理和推广，让多层神经网络的训练效率大大提升，连接主义路线重新回到了研究者的视野里。 但好景不长，专家系统很快暴露出问题：它只能解决规则内的问题，没办法从新数据里学习，一旦遇到规则外的情况就彻底“罢工”，而且维护庞大的规则库成本极高。到1980年代末，投资方对AI的热情又一次退去，经费再次缩减，第二次AI寒冬到来。不过这次寒冬里，也埋下了未来爆发的种子——神经网络的研究并没有完全停止，研究者一直在默默打磨算法。 转折点出现在2010年之后。随着互联网的发展，海量数据积累了下来，GPU算力的普及也大幅降低了训练大模型的成本。2012年，辛顿团队设计的AlexNet在图像识别竞赛里，用深度学习把错误率一下子降低了10%，以碾压性优势战胜了传统方法，让全世界研究者看到了深度学习的潜力。 之后AI进入了快车道：2016年AlphaGo战胜围棋世界冠军李世石，让全世界都震撼于AI在复杂决策上的能力；2017年Transformer架构诞生，解决了长距离文本依赖的问题，为大语言模型的诞生打下了基础；2018年BERT开启了预训练大模型的范式，证明了“预训练+微调”的思路能大幅提升自然语言理解的能力。 爆发时代：从专才到通用，AI走进日常 2018年之后，AI进入了第三次爆发的浪潮，这一次AI真正从实验室走到了普通人的生活里。2020年OpenAI发布GPT-3，1750亿参数的大模型展现出了惊人的少样本学习能力；2022年ChatGPT正式上线，用流畅的自然对话和强大的理解能力一下子“破圈”，全球用户量短时间突破1亿，让AI从技术圈的话题变成了全民热议的科技变革。 这一轮AI浪潮和前两次最大的不同，就是AI不再是只能做特定任务的“专才”，而是变成了能跨领域处理文本、图像、音频、视频的通用能力。现在我们刷短视频的推荐算法、手机里的AI语音助手、设计师用的AI绘图工具、写代码的AI辅助工具，甚至科研领域用AI预测蛋白质结构、开发新药，AI已经渗透进了我们生活的每一个角落。 回顾七十年的发展历程，AI从来不是线性上升，而是在“期望膨胀——泡沫破裂——沉淀技术——重新崛起”的循环里螺旋式前进：第一次崛起让AI成为了一门学科，第二次起落让研究者从手工写规则转向了从数据学习，第三次爆发则让AI从实验室走向了千行百业。今天AI的能力看起来很神奇，但其实是七十年里一代代研究者积累下来的结果，每一次低谷里的坚守，都为后来的爆发埋下了伏笔。 未来AI会走向哪里？是实现真正的通用人工智能，还是和人类协同进化成为能力放大器？现在还没有确定的答案，但可以确定的是，经过七十年的探索，AI改变世界大幕，才刚刚拉开。