计算机之父的终极之问
"机器能思考吗？" —— 1950
图灵测试 (The Turing Test)：
- 如果你隔着屏幕和对方聊天
- 分不清是人还是电脑
- 那么机器就拥有了"智能"
经典案例（被广泛报道）
- 2014 年：Eugene Goostman（“13 岁乌克兰男孩”聊天程序）
- 在英国皇家学会相关活动中，被报道为首个“通过图灵测试”的系统
- 其结论仍有争议，但它把图灵测试重新拉回大众视野
人工智能这个词是怎么来的？
- 1948 · Claude Shannon（克劳德·香农）：提出信息论，奠定“信息可度量、可编码”的数学基础
- 1950 · Alan Turing（艾伦·图灵）：提出模仿游戏（图灵测试），把“机器智能”变成可检验问题
- 1956 · John McCarthy（约翰·麦卡锡）：在达特茅斯会议正式提出“Artificial Intelligence”
- “人工智能之父”观点：麦卡锡常被称为“人工智能之父”，他将 AI 定义为“制造智能机器的科学与工程，尤其是智能计算机程序”
- 核心成员：Marvin Minsky（马文·明斯基）、Nathaniel Rochester（纳撒尼尔·罗切斯特）、Allen Newell（艾伦·纽厄尔）、Herbert Simon（赫伯特·西蒙）
漫长的冰河期：两次寒冬与三次范式切换
AI 历史不是直线上升，而是“范式切换 + 资本回撤”的循环。
- 符号主义时代（1956-1970s）：靠逻辑规则与符号推理“手工建智能”
- 第一次寒冬（1974-1980）：ALPAC/Lighthill 等评估降温，证明“规则法”泛化不足
- 专家系统时代（1980s）：把行业知识写成规则库，代表系统如 MYCIN、XCON
- 第二次寒冬（1987-1993）：知识维护成本高、迁移差，Lisp 机市场崩盘导致投资退潮
- 机器学习时代（1990s-至今）：从“写规则”转向“从数据学规律”
- 关键结论：算法、数据、算力三者同频，AI 才能跨过“演示”走向“产业化”
震撼学界的奇点爆发：AlexNet
机器学习：不再手写规则，而是让模型从数据中学习规律，并在新样本上泛化。
- 辛顿的坚持：Geoffrey Hinton（杰弗里·辛顿）长期押注神经网络，在“神经网络不被看好”的阶段持续推进
- 关键团队：2012 年 Hinton 带领 Alex Krizhevsky 与 Ilya Sutskever 参赛 ImageNet
- 结果震动学界：ILSVRC Top-5 错误率约 15.3%，相比第二名约 26.2% 出现断崖式领先
- 连锁反应：学界与工业界全面转向深度学习，计算机视觉进入“端到端学习”时代
注意力机制：学会"抓重点"
2017 年《Attention Is All You Need》是一篇彪炳青史的论文，直接改写了生成式 AI 的底层路线。
- 历史地位：它让“Transformer”成为主流，后续几乎所有生成式大模型都沿着这条路线演进
- 现实影响：从 BERT、GPT 到今天主流生成式模型，本质都站在这篇论文奠定的基础上
- 一句话理解 GPT：G = Generative（生成式），P = Pre-trained（预训练），T = Transformer（变换器架构）
- 为什么重要：它把“能不能做”变成了“如何规模化做”，开启了大模型时代
真面目：疯狂的"文字接龙大师"
生成式模型的“真面目”：它不是在“思考真理”，而是在做高维概率预测。
- 概率本质：核心任务是预测下一个 token（字/词/子词），本质是条件概率建模
- 黑盒特性：参数规模巨大、内部表征难以直接解释，“为什么这样答”往往不可完全追溯
- Scaling Law：当参数、数据、算力同步扩大，模型损失按幂律下降，能力持续提升
- 实操启示：效果上限通常由数据质量、训练规模与推理策略共同决定，而不只靠提示词技巧
奇迹降临：智能的"涌现"
“奇点”指 AI 能力进入自我加速增长，人类难以预测其后续变化与社会影响。
- 什么是奇点：当 AI 开始迭代优化 AI，本身进步速度超过人类组织和制度的适应速度
- 主流预测分歧：乐观派押注 2030s，审慎派看向 2040s 以后，也有人认为不会出现单一“奇点时刻”
- 代表观点：Ray Kurzweil（雷·库兹韦尔）长期主张 2045 左右出现技术奇点
- 马斯克预判：通用人工智能（AGI）将于 2026 年实现；到 2030 年，AI 的总智能将超越全人类
