feat(ai-protocols): add MCP and A2A protocol demos and documentation

docs(ai-protocols): update AI protocols page with visual demos and detailed explanations style(git-demos): improve responsive design and layout for git visualization components refactor(ai-history): simplify and clean up demo components chore: update config to register new AI protocol components
2026-02-22 18:26:19 +08:00
parent 4b83a4c23e
commit e5a5b9df5b
31 changed files with 5093 additions and 5333 deletions
@@ -1,348 +1,154 @@
-# AI 简史与核心概念
-> 💡 **学习指南**：本章节通过交互式演示，带你回顾 AI 如何从“只会算数的机器”进化成“能写诗的艺术家”。
->
-> 我们将聚焦于三次核心的思维跃迁：从**教它规则**，到**让它模仿**，最终实现**让它创造**。同时，我们也会梳理关键的历史节点，带你理清技术发展的脉络。
+---
+title: 'AI 简史：从符号逻辑到千亿参数大模型'
+description: 'AI 发展 70 年，经历了三次浪潮、两次寒冬，最终融合为今天的大模型时代。'
+---
+
+# AI 简史：从符号逻辑到千亿参数大模型
+
+AI 发展 70 年，经历了**三次浪潮、两次寒冬**，从符号主义的逻辑推演，到连接主义的神经网络，再到行为主义的强化学习，最终融合为今天的大模型时代。以下是清晰的发展脉络与关键里程碑。

 <AiEvolutionDemo />

-### 关键里程碑 (Timeline)
+---

-<AIEvolutionTimelineDemo />
+## 一、理论奠基与符号主义的诞生（1940s-1950s）

-## 0. 引言：机器能思考吗？
+### 核心人物与理论

-1950 年，艾伦·图灵提出了一个问题：**"机器能思考吗？"**
+- **1943 年**：沃伦・麦卡洛克与沃尔特・皮茨提出 **MP 神经元模型**，首次用数学描述神经网络
+- **1950 年**：艾伦・图灵发表《计算机器与智能》，提出**图灵测试**，定义机器智能标准
+- **1956 年**：**达特茅斯会议**，约翰・麦卡锡首次提出"人工智能"概念，标志 AI 学科正式诞生

-为了回答这个问题，人类尝试了三种截然不同的解法：
+::: tip 符号主义兴起
+**符号主义**（逻辑主义/计算机学派）主张 **智能 = 符号推理**，将知识编码为符号，通过逻辑规则推导解决问题，是**自上而下**的智能模拟路径。
+:::

-1.  **教它规则**（逻辑）：像教小孩一样，把所有规则写给它。
-2.  **让它模仿**（概率）：给它看大量数据，让它自己找规律。
-3.  **让它创造**（生成）：不仅能分类，还能根据理解创造新东西。
+### 早期突破

-本教程将带你亲手体验这三个阶段。
+- **1956 年**：纽厄尔和西蒙开发**逻辑理论家**（Logic Theorist），首个能证明数学定理的 AI 程序
+- **1958 年**：麦卡锡发明 **LISP 语言**，成为 AI 研究的重要工具
+- **1959 年**：乔治・德沃尔与约瑟夫・恩格尔伯格开发首台**工业机器人**，标志 AI 从理论走向应用

 ---

-## 1. 符号主义：教机器"守规矩"（20世纪50年代 - 80年代）
+## 二、符号主义黄金时代与第一次 AI 浪潮（1960s-1970s）

-早期的 AI 科学家认为：智慧就是**逻辑推理**。
-只要我们把世界上的所有知识都写成 `If...Then...` 的规则，机器就能像人一样聪明。
+### 专家系统的辉煌

-这被称为**专家系统**或**符号主义人工智能**。
+符号主义在**专家系统**领域取得巨大成功，通过将领域专家知识编码为规则库，解决特定领域复杂问题。

-### 1.1 什么是"基于规则"？
+| 时间 | 标志性成果 | 意义 |
+| --- | --- | --- |
+| **1965 年** | Dendral 系统 | 首个专家系统，用于化学分子结构分析 |
+| **1977 年** | MYCIN 系统 | 诊断血液感染的专家系统，准确率达 69% |
+| **1980 年** | XCON 系统 | 为 DEC 公司配置计算机，节省 4000 万美元/年 |

-就像教小孩：
+### 第一次 AI 寒冬（1974-1980）

- 如果看到红灯，就停下。
- 如果下雨，就带伞。
+::: warning ❄️ 第一次 AI 寒冬
+符号主义局限性显现：
+- **知识获取瓶颈**：规则需人工编写，无法自动获取
+- **脆性问题**：难以处理例外情况，稍微偏离规则就崩溃
+- **计算能力不足**：当时的硬件无法支撑复杂推理

-在代码中，这表现为：
-
-```javascript
-// 基于规则的 AI 示例
-function decideTrafficLight(color) {
-  if (color === 'red') {
-    return 'stop'
-  } else if (color === 'yellow') {
-    return 'caution'
-  } else if (color === 'green') {
-    return 'go'
-  } else {
-    return 'unknown'
-  }
-}
-```
-
-### 1.2 专家系统的巅峰：MYCIN
-
-1970 年代，斯坦福大学开发的 MYCIN 系统能诊断血液感染，准确率达到专家水平。
-
-它的工作原理是：
-
-```lisp
-// MYCIN 系统的规则示例 (伪代码)
-(IF
-  (organism IS gram-positive) AND
-  (morphology IS coccus) AND
-  (growth-chains IS chains)
-THEN
-  (identity IS 0.7 streptococcus))
-```
-
-_数据示例 (知识库格式)_：
-
-```json
-// 专家系统知识库示例
-{
-  "rules": [
-    {
-      "id": "RULE-001",
-      "conditions": ["traffic_light == red", "speed > 0"],
-      "action": "brake",
-      "priority": 1
-    },
-    {
-      "id": "RULE-002",
-      "conditions": ["weather == rainy", "visibility < 100m"],
-      "action": "turn_on_lights",
-      "priority": 2
-    }
-  ]
-  // 系统按优先级依次匹配规则，遇到匹配就执行
-}
-```
-
-### 1.3 交互演示：规则 vs 学习
-
-下方的演示展示了两种方式的区别。
-
- **左边 (规则)**：你必须显式地写代码 `if (size > 6)`。如果世界变了（比如苹果变小了），你的代码就失效了。
- **右边 (学习)**：你不需要写规则。你只需要给机器看一堆苹果和樱桃的数据，点击 **Train**，它自己会"悟"出一个分界线。
-
-<RuleBasedVsLearningDemo />
-
-### 1.4 符号主义的局限性
-
-规则看起来很完美，但现实世界太复杂了。
-
-<CombinatorialExplosionDemo />
-
-**问题 1：组合爆炸**
-
- 试图写下"识别猫"的所有规则？不可能！
- "有胡须"？老鼠也有。
- "有尖耳朵"？狗也有。
- "毛茸茸的"？兔子也是。
- 现实世界有无限边界情况，规则永远写不完。
-
-**问题 2：无法处理不确定性**
-
- 如果规则冲突怎么办？
- 如果遇到没见过的情况怎么办？
- 规则系统很"脆弱"，缺少人类常识。
-
-> ⚠️ **教训**：试图用有限规则描述无限现实，注定失败。这导致了 1980 年代的**AI 寒冬**。
+美国 DARPA 削减 AI 研究经费，AI 进入第一次低谷期。
+:::

 ---

-## 2. 连接主义：教机器"像人脑一样思考"（21世纪10年代至今）
+## 三、专家系统复兴与第二次 AI 浪潮（1980s）

-既然规则写不完，不如换个思路：**让机器自己学**？
-科学家开始模仿人脑的结构——**神经元**。
+### 商业应用爆发

-这就是**连接主义**的核心思想。
+- 日本"**第五代计算机计划**"（1982）推动全球 AI 投资热潮
+- 美国 DEC、IBM 等公司推出商用专家系统开发工具
+- 符号主义达到巅峰，成为 AI 领域绝对主流

-### 2.1 人脑的启示
-
-人脑有约 860 亿个神经元，每个神经元通过突触连接成千上万个其他神经元。
-
-**关键发现**：
-
- 单个神经元很"笨"（只是兴奋或不兴奋）
- 但几百亿个神经元连在一起，就产生了智能
-
-### 2.2 感知机
-
-1957 年，康奈尔大学的 Frank Rosenblatt 发明了感知机——这是最简单的人工神经元。
-
-它的工作原理：
-
-1.  **接收输入**：从多个"突触"接收信号（$x_1, x_2, ...$）
-2.  **加权求和**：每个输入有对应的**权重**，代表重要性
-3.  **激活判断**：如果总和超过某个**阈值（偏置）**，就激活（输出 1）
-
-```text
-如果不带公式，怎么理解？
-
-简单来说就是：打分机制。
-总分 = (输入1 × 权重1) + (输入2 × 权重2) + ... + 基础分
-如果 总分 > 0，输出 1 (激活)
-否则，输出 0 (静默)
-```
-
-### 2.3 交互演示：玩转神经元
-
-调整下方的**权重**和**偏置**，看看能否控制神经元的输出。
-
- **权重（$w$）**：代表输入的"重要性"。$w$ 越大，这个输入对结果影响越大。
- **偏置（$b$）**：代表神经元的"门槛"。$b$ 越小，神经元越容易兴奋（输出 1）。
+### 连接主义的早期尝试

 <PerceptronDemo />

-### 2.4 从单神经元到深度学习
+- **1958 年**：罗森布拉特发明**感知机**，首个可学习的神经网络模型
+- **1969 年**：明斯基与佩珀特出版《感知机》，指出单层感知机无法解决**异或问题**，导致连接主义研究陷入停滞

-单个神经元能做什么？只能做简单分类（比如判断"苹果还是樱桃"）。
+### 第二次 AI 寒冬（1987-1993）

-但如果把神经元分层连接：
+::: warning ❄️ 第二次 AI 寒冬
+- 专家系统**维护成本高昂**，难以扩展到复杂领域
+- 个人电脑崛起，第五代计算机计划失败
+- AI 市场崩盘，研究经费再次大幅削减
+:::

-```
-输入层 (图片像素)
-    ↓
-隐藏层 1 (识别边缘)
-    ↓
-隐藏层 2 (识别形状)
-    ↓
-隐藏层 3 (识别物体部件)
-    ↓
-输出层 (识别物体)
-```
+---

-这就是**神经网络**。当网络有很多层时，我们称之为**深度学习**。
+## 四、机器学习兴起与连接主义复苏（1990s-2000s）

-<NeuralNetworkVisualizationDemo />
+### 符号主义衰落，机器学习崛起

-### 2.5 神经网络是如何学习的？
+- **1997 年**：IBM **深蓝** 击败国际象棋世界冠军卡斯帕罗夫，是符号主义最后的辉煌
+- 同时，**统计机器学习**开始取代基于规则的方法，支持向量机（SVM）、决策树等算法成为主流

-不像专家系统需要人写规则，神经网络通过**看数据**自己学。
-
-**学习过程（反向传播）**：
-
-1.  **前向传播**：输入数据，得到预测结果
-2.  **计算误差**：对比预测和真实答案
-3.  **反向传播**：根据误差调整每个神经元的权重
-4.  **重复**：重复几百万次，直到误差足够小
+### 连接主义的重生

 <BackpropagationDemo />

-_数据示例 (训练数据格式)_：
-
-```json
-// 图像分类训练数据示例
-{
-  "dataset": "cats_vs_dogs",
-  "samples": [
-    {
-      "image": "cat_001.jpg",
-      "label": 1,  // 1 = 猫
-      "features": [0.2, 0.8, 0.5, ...]  // 提取的特征向量
-    },
-    {
-      "image": "dog_001.jpg",
-      "label": 0,  // 0 = 狗
-      "features": [0.7, 0.3, 0.9, ...]
-    }
-  ]
-  // 神经网络会自动学习：什么样的 feature 组合更可能是猫
-}
-```
-
-### 2.6 连接主义的突破：2012 年 AlexNet
-
-2012 年，AlexNet 在 ImageNet 竞赛中以压倒性优势夺冠，标志着深度学习时代的到来。
-
-**关键因素**：
-
- **大数据**：ImageNet 提供了 1400 万张标注图片
- **大算力**：GPU 的并行计算能力让训练深度网络成为可能
- **新算法**：ReLU 激活函数、Dropout 正则化等技术突破
-
-### 2.7 连接主义的局限
-
-深度学习很强大，但也不是完美的：
-
- **黑盒问题**：虽然能识别猫，但我们说不清"它是怎么识别的"
- **数据饥渴**：需要海量标注数据，获取成本高
- **缺乏常识**：能识别出这是“猫”，但理解不了“猫喜欢抓老鼠”或“猫通常怕狗”这种常识关系（因为它只是在做像素级的统计匹配，而非真正的概念理解）
+- **1986 年**：鲁梅尔哈特等人提出**反向传播算法**，解决多层神经网络训练难题
+- **1997 年**：李飞飞创立 **ImageNet 数据集**，为后续深度学习提供数据基础
+- **2006 年**：杰弗里・辛顿提出**深度信念网络**，通过逐层预训练解决梯度消失问题，开启深度学习时代

 ---

-## 3. 生成式人工智能：机器有了"创造力"（21世纪20年代至今）
+## 五、深度学习革命与连接主义主导（2010s）

-以前的 AI 主要是**判别式**（这是猫还是狗？）。
-现在的 AI 是**生成式**（画一只猫！）。
+### 关键技术突破

-这一切的背后，是 **Transformer** 架构的诞生。它让 AI 学会了理解上下文，学会了"举一反三"。
+<NeuralNetworkVisualizationDemo />

-### 3.1 从"识别"到"创造"
-
-传统深度学习（判别式模型）：
-
- 输入：一张图
- 输出：这是猫（概率 98%）
-
-生成式 AI：
-
- 输入：一句话"一只戴着墨镜的猫"
- 输出：生成一张对应的图片
-
-<DiscriminativeVsGenerativeDemo />
-
-### 3.2 Transformer：AI 的"瑞士军刀"
-
-2017 年，Google 发表论文《Attention Is All You Need》（注意力机制就是你所需的全部），提出 Transformer 架构。
-
-它的核心创新：**注意力机制**
-
-**原理**：让模型在处理一个词时，能"关注"到句子中其他相关的词。
-
-例如："小明把苹果给了**他**的母亲"
-
-当模型处理"他"时，注意力机制会让它关注到"小明"，从而理解"他"指代的是小明。
+| 时间 | 突破 | 影响 |
+| --- | --- | --- |
+| **2012 年** | AlexNet 在 ImageNet 竞赛中错误率降至 15.3% | 标志深度学习超越传统方法，引爆计算机视觉革命 |
+| **2014 年** | GAN（生成对抗网络）提出 | AI 具备生成逼真图像、音频能力，推动生成式 AI 发展 |
+| **2015 年** | ResNet（残差网络）解决深层网络训练难题 | 网络层数突破 1000 层，进一步提升模型性能 |
+| **2016 年** | AlphaGo 击败围棋世界冠军李世石 | 结合深度强化学习与蒙特卡洛树搜索，实现复杂决策能力 |
+| **2017 年** | **Transformer 架构**发布 | 基于自注意力机制，解决长距离依赖问题，为大模型奠定基础 |

 <AttentionMechanismDemo />

-### 3.3 GPT：从文本生成到通用智能
+::: tip 行为主义的发展
+**行为主义**（进化主义）主张智能来自与环境的互动，通过试错学习优化行为，**强化学习**是其核心技术。AlphaGo 就是深度学习与强化学习结合的代表作。
+:::

-2018 年，OpenAI 发布 GPT-1（生成式预训练变换器）。
+---

-**核心思想**：
+## 六、大模型时代与通用智能曙光（2018 至今）

-1.  **预训练**：在海量文本上学习"预测下一个词"
-2.  **微调**：在特定任务上调整（比如问答、翻译）
-
-从 GPT-1 (2018) → GPT-2 (2019) → GPT-3 (2020) → GPT-4 (2023)
-
- 参数量从 1.17 亿 → 1750 亿 → 1.8 万亿（估计）
- 能力从文本生成 → 多模态（图片、音频、视频）
+### 预训练模型范式确立

 <GPTEvolutionDemo />

-### 3.4 生成式人工智能的局限
+- **2018 年**：OpenAI 发布 **GPT-1**（1.17 亿参数），谷歌发布 **BERT**，确立"**预训练 + 微调**"新范式
+- **2019 年**：**GPT-2**（15 亿参数）展现惊人的文本生成能力，引发对 AI 伦理的广泛讨论
+- **2020 年**：**GPT-3**（1750 亿参数）通过"暴力美学"展现**涌现能力**，无需微调即可完成多种任务

-虽然强大，但也存在问题：
+### 生成式 AI 爆发

- **幻觉**：一本正经地胡说八道
- **偏见放大**：从训练数据中学到人类偏见
- **不可解释**：仍然是个黑盒，不知道内部怎么运作
+- **2022 年 11 月**：**ChatGPT**（GPT-3.5）发布，通过 RLHF（人类反馈强化学习）大幅提升对话能力，成为现象级产品
+- **2023 年 3 月**：**GPT-4** 发布，具备**多模态能力**（文本 + 图像），进一步提升逻辑推理与安全性
+- **2023 年**：Stable Diffusion、Midjourney 等图像生成模型兴起，多模态大模型成为主流
+- **2024 年**：**Sora** 等视频生成模型发布，AI 生成能力扩展到动态内容领域

 ---

-## 4. AI 范式对比总结
+## 七、AI 三大学派的融合与未来展望

-| 时代               | 核心理念        | 代表产物                    | 优势                     | 局限                         |
-| :----------------- | :-------------- | :-------------------------- | :----------------------- | :--------------------------- |
-| **符号主义**       | 智慧 = 规则     | 深蓝（下棋）、MYCIN（诊断） | 可解释性强，逻辑清晰     | 无法处理模糊、复杂的现实世界 |
-| **连接主义**       | 智慧 = 神经网络 | AlphaGo、人脸识别           | 能处理复杂模式，性能强大 | 需要海量数据，是个"黑盒"     |
-| **生成式人工智能** | 智慧 = 通用理解 | ChatGPT、Midjourney         | 能创造新内容，理解上下文 | 幻觉、偏见、不可解释         |
+<DiscriminativeVsGenerativeDemo />

-**AI 的进化趋势**：
+### 未来趋势

-1.  **从人工到自动**：从人写规则 → 机器自动学习
-2.  **从单一到通用**：从下棋专用 → 通用人工智能
-3.  **从判别到生成**：从分类识别 → 创造新内容
+- **多模态融合**：文本、图像、音频、视频等信息的统一处理
+- **高效大模型**：降低训练成本，提升推理效率，推动边缘部署
+- **可解释 AI**：解决黑箱问题，增强 AI 可信度
+- **AGI 探索**：从专用智能向通用人工智能迈进，追求更全面的人类智能模拟

-> 关于大语言模型的详细原理，请移步下一章：[大语言模型入门](./llm-intro.md)

---
-
-## 5. 名词速查表
-
-| 名词               | 英文原文                           | 解释                                                                                                |
-| :----------------- | :--------------------------------- | :-------------------------------------------------------------------------------------------------- |
-| **符号主义**       | Symbolic AI                        | 基于规则的人工智能。认为智能可以用逻辑规则表示。代表：专家系统、深蓝。                              |
-| **专家系统**       | Expert Systems                     | 符号主义的代表产物。通过人工编写大量规则来模拟专家决策。代表：MYCIN（医疗诊断）。                   |
-| **连接主义**       | Connectionism                      | 基于神经网络的人工智能。模仿人脑神经元连接结构，通过数据自动学习。                                  |
-| **感知机**         | Perceptron                         | 最简单的神经网络单元。接收多个输入，加权求和后通过激活函数输出。                                    |
-| **神经网络**       | Neural Network                     | 由多个感知机分层连接组成的模型。通过调整权重来学习数据中的模式。                                    |
-| **深度学习**       | Deep Learning                      | 使用**多层**神经网络的学习方法。能自动提取层次化特征（边缘 → 形状 → 物体）。                        |
-| **反向传播**       | Backpropagation                    | 神经网络的学习算法。通过计算预测误差，反向调整每层的权重，逐步优化模型。                            |
-| **生成式人工智能** | Generative AI                      | 能**创造新内容**的人工智能（文本、图片、音频等），而非仅仅是分类或识别。代表：ChatGPT、Midjourney。 |
-| **判别式人工智能** | Discriminative AI                  | 用于**分类**的人工智能（如：这是猫还是狗？）。传统深度学习大多是判别式的。                          |
-| **Transformer**    | Transformer                        | 2017 年由 Google 提出的架构，基于注意力机制。是现代大语言模型（GPT、BERT）的基础。                  |
-| **注意力机制**     | Attention Mechanism                | 让模型在处理一个元素时，能动态"关注"其他相关元素的技术。是 Transformer 的核心。                     |
-| **GPT**            | Generative Pre-trained Transformer | OpenAI 的系列模型。通过"预训练 + 微调"范式，在大量文本上学习生成能力。                              |
-| **预训练**         | Pre-training                       | 在大规模无标注数据上进行初步训练，学习通用知识（如语言规律）。                                      |
-| **微调**           | Fine-tuning                        | 在预训练模型基础上，使用特定任务的小规模数据进行调整，使模型适应具体应用。                          |
-| **幻觉**           | Hallucination                      | 生成式人工智能模型"自信地编造错误内容"的现象。如 ChatGPT 编造不存在的论文或事实。                   |
-| **通用人工智能**   | Artificial General Intelligence    | 像人类一样具备多领域智能、能自主学习推理的人工智能（尚未实现）。                                    |
+AI 的发展是一条**螺旋式上升**的道路，每个时代的技术都为后续突破奠定基础。今天的大模型并非完全抛弃符号主义，而是在连接主义框架下，通过海量数据学习到了类似符号推理的能力，实现了**不同学派思想的深度融合**。