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
155 lines
6.8 KiB
Markdown
155 lines
6.8 KiB
Markdown
---
|
||
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 />
|
||
|
||
---
|
||
|
||
## 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
|
||
|
||
<PerceptronDemo />
|
||
|
||
- **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
|
||
|
||
<BackpropagationDemo />
|
||
|
||
- **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
|
||
|
||
<NeuralNetworkVisualizationDemo />
|
||
|
||
| 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 />
|
||
|
||
::: 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
|
||
|
||
<GPTEvolutionDemo />
|
||
|
||
- **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
|
||
|
||
<DiscriminativeVsGenerativeDemo />
|
||
|
||
### 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**。
|