sanbuphy
e5a5b9df5b
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
6.8 KiB
6.8 KiB
title, description
| title | description |
|---|---|
| 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，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。
一、理论奠基与符号主义的诞生（1940s-1950s）
核心人物与理论
- 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
::: 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。 :::
早期突破
- 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
二、符号主义黄金时代与第一次 AI 浪潮（1960s-1970s）
专家系统的辉煌
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。
| 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 |
第一次 AI 寒冬（1974-1980）
::: 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
美国 DARPA 削减 AI 研究经费，AI 进入第一次低谷期。 :::
三、专家系统复兴与第二次 AI 浪潮（1980s）
商业应用爆发
- 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
连接主义的早期尝试
- 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
第二次 AI 寒冬（1987-1993）
::: 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 :::
四、机器学习兴起与连接主义复苏（1990s-2000s）
符号主义衰落，机器学习崛起
- 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
连接主义的重生
- 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
五、深度学习革命与连接主义主导（2010s）
关键技术突破
| 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 |
::: 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。 :::
六、大模型时代与通用智能曙光（2018 至今）
预训练模型范式确立
- 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
生成式 AI 爆发
- 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
七、AI 三大学派的融合与未来展望
未来趋势
- 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
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。