你现在每天刷抖音的推荐、用ChatGPT写文案、打车时软件帮你拼单，这些都离不开人工智能——也就是我们常说的AI。很多人觉得AI是最近十年才突然火起来的新技术，但其实从“人工智能”这个词诞生，到今天GPT爆火，已经走过了整整70年。

这70年里，AI起起落落，有过万众期待的狂欢，也有过没人搭理的寒冬，出过天才的脑洞，也走过无数的弯路。今天我们就把这一路的故事从头讲清楚，没有晦涩的术语，全是有意思的人和事，保证零基础也能看得明明白白。

---

 一、一切起源：一群大佬在夏令营里“吹了个牛”，AI就诞生了

故事要从1956年夏天说起，美国达特茅斯学院，一群平均年龄才三十多岁的年轻人搞了一个两个月的夏令营。牵头的是一个叫麦卡锡的年轻学者，他攒这个局就是想讨论一个问题：能不能让机器像人一样思考？

就是在这次会议上，麦卡锡提出了一个新词——人工智能（Artificial Intelligence），AI这个名字就这么定下来了。当时这群年轻人有多狂？他们说：“我们觉得，人工智能的问题可以在一代人的时间里解决。” 意思就是说，给我们十年二十年，就能造出和人一样聪明的机器。

现在回头看，这群大佬确实吹了个大牛，但这次会议真的是AI的起点，当时参会的几个人，后来全成了AI领域的开山鼻祖：明斯基后来创立了MIT的AI实验室，西蒙和纽厄尔搞出了第一个AI推理程序，香农就是信息论的创始人，早就提出来计算机能下棋。

那时候AI刚诞生，进展真的快得超出预期：纽厄尔和西蒙搞出了第一个“逻辑定理证明器”，一下子就证明了数学名著《数学原理》里的38个定理，比人手工证明得还简洁；还有人做了第一个能和人下棋的程序，1959年就已经能打败业余棋手了。

那时候美国政府也愿意砸钱，军方给各种项目投大钱，学术界人人都觉得AI马上就要改变世界了，全行业一片乐观。谁也没想到，打脸来得这么快。

---

 二、第一次AI寒冬：理想太丰满，现实太骨感

为什么会突然降温？说穿了就是当时大家把AI想得太简单了，算起来发现根本不是那么回事。

举个例子，当时大家想让机器翻译语言，美国军方给了好多钱，想让机器自动翻译俄语的情报，结果做出来的东西什么也不是。有个笑话讲，当时让机器翻译“心有余而力不足”，翻译成俄语之后，意思居然变成了“酒不错，但是肉坏了”——你看，连这么简单的句子都搞不定。

再比如下棋，当时的程序能下赢业余棋手，但是想赢专业棋手，算力根本不够，那时候计算机的算力有多差？1950年代的计算机，算力还不如你现在手里一块智能手表，想处理稍微复杂一点的问题，根本跑不动。

还有，当时AI要解决很多现实问题，比如识别图像、理解语言，发现问题的复杂度远远超出了早年的想象：你让机器认一张猫的图片，你觉得很简单，但是那时候的人根本不知道怎么让机器学会“猫长什么样”。

慢慢的，政府和企业发现投了这么多钱，根本出不来能用的成果，就不愿意砸钱了，整个行业一下子就冷了下来，很多项目都被砍了，这就是第一次AI寒冬。

不过，冬天也不是完全没进展，哪怕没人给钱，还是有一些学者在默默做事，很多后来改变AI的核心理论，其实都是在这个时候埋下的种子：

1959年，一个叫亚瑟·塞缪尔的IBM工程师，搞出了第一个跳棋程序，还发明了一个词叫机器学习——他说，我不用给机器写死所有规则，让机器自己从数据里学习不就行了？这个思路在当时完全超前，几乎没人在意，但是现在，机器学习已经是AI的核心了。

还是1950年代末，当时康奈尔大学一个叫弗兰克·罗森布拉特的心理学家，受到人脑神经元的启发，搞出了第一个人工神经网络模型，叫“感知机”——说白了就是我们今天所有神经网络的祖宗，当时这个东西出来，又火了一把，但是很快就被泼冷水。

当时我们之前说的明斯基，就是那个达特茅斯会议的大佬，他出来说，感知机连最简单的“异或问题”都解决不了（异或就是说，输入两个不同的数输出1，相同输出0，确实是线性模型解决不了的非线性问题），所以神经网络这条路根本走不通。明斯基当时太权威了，他这么一说，整个学界就对神经网络失去信心了，神经网络一下就冷了快二十年。

---

 三、第二次繁荣与寒冬：专家系统火过一阵，最后还是不行

到了1980年代，AI又突然火起来了，这次火的是专家系统。什么是专家系统？说穿了就是把一个领域专家的知识，一条条写成规则存到计算机里，然后计算机用这些规则来推理解决问题。

比如，你想做一个医疗诊断专家系统，就把所有医生诊断疾病的知识都写成规则：“如果病人发烧+咳嗽+流鼻涕，那大概率是感冒”，然后让机器按照规则去推理。

当时专家系统确实出了几个能用的例子：比如IBM给DEC公司做的专家系统，用来帮工程师配置计算机，据说一年能帮公司省好几千万美元，一下子就吸引了企业疯狂砸钱。很多大公司都开始做自己的专家系统，日本甚至搞了个“第五代计算机”计划，砸了几亿美元，想靠这个在计算机领域弯道超车。

但是专家系统有个天生的毛病，根本解决不了：第一，你要把专家知识一条条写成规则，太麻烦了，一个复杂领域，可能有几十万条规则，谁写得完？第二，规则之间经常冲突，改来改去根本改不清楚；第三，遇到规则之外的情况，它就直接懵了，一点容错能力都没有。

所以火了不到十年，专家系统就撑不下去了，砸了好多钱，出来的东西要么不好用，要么成本比人还高，根本不赚钱，于是资本又撤了，AI又进入了第二个寒冬，整个80年代末90年代初，AI都是个没人愿意提的词。

现在回头看，两次寒冬其实都怪一件事：早年的AI走了一条“手工写规则”的路，想靠人把所有知识都教给机器，这条路走不通——世界太复杂了，你根本不可能把所有规则都写出来。那什么时候AI才找对了路呢？就是当年那个被大家抛弃的思路：让机器自己从数据里学习。

---

 四、AI终于找对路：机器学习崛起，神经网络熬出头了

到了90年代，互联网开始发展起来，慢慢有了更多的数据，计算机算力也慢慢上来了，这时候大家发现，还是“让机器自己学习”这条路靠谱啊。

这时候，很多机器学习算法慢慢成熟了：决策树、SVM（支持向量机）、随机森林这些算法，在很多问题上都比原来的专家系统好用得多，比如做垃圾邮件分类，做手写数字识别，效果都不错。

而那个被冷落了二十年的神经网络，也慢慢熬出头了。1986年，辛顿（就是那个后来被称为“深度学习之父”的杰弗里·辛顿）和其他两个学者，重新发明了反向传播算法——这个算法我们讲神经网络的时候说过，就是让神经网络能高效地从数据里学习参数。原来训练神经网络慢得要死，用了反向传播之后，一下子就快多了，能解决不少简单问题了。

但是那时候神经网络还是不如其他机器学习算法好用，而且算力要求更高，所以还是没成为主流。辛顿那时候特别惨，很多年都拿不到 funding，别人都觉得他搞的东西是歪门邪道，但是他一直没放弃，带着几个学生接着做。

到了2012年，终于出了一件大事，直接把深度学习带进了公众视野。那就是ImageNet图像识别比赛，ImageNet是一个有上百万张图片的数据集，分了一千个类别，每年各个团队来比谁识别准确率最高。

辛顿带着他的两个学生，做了一个叫AlexNet的深度卷积神经网络，一下子拿了冠军，准确率比第二名高了整整10个百分点——要知道，那时候第二名用的是传统的机器学习方法，第一名比第二名高这么多，完全是碾压级的胜利。

这个结果一下子震惊了整个学界：原来深度学习真的这么好用啊！从那之后，深度学习就彻底火了，所有做AI的都开始转去做深度学习，GPU算力的进步，加上互联网带来的海量数据，三个条件凑齐了，AI就进入了爆炸式发展的阶段。

这里说个有意思的小事，辛顿2012年拿冠军的时候，已经70岁了，他从年轻时候就坚持做神经网络，冷了几十年，直到70岁才熬出头，后来拿了图灵奖，真的是坚持梦想的典范。还有一个冷知识：现在你用的手机人脸解锁、AI拍照，背后都是卷积神经网络，而卷积神经网络的基础，是一个叫杨立昆的学者在1990年代就做好了，那时候也没人用，也是熬了二十年才火。

---

 五、移动互联网时代：AI慢慢走进我们的生活

2012年之后，深度学习一路开挂，各个领域都接连突破：

2015年，Google的AlphaGo出来了，赢了人类的围棋世界冠军李世石——这之前大家都觉得，围棋复杂度太高，计算机五十年也赢不了人类，结果一下子就被打脸了。AlphaGo用的就是深度强化学习，把深度学习和强化学习结合起来，自己和自己下棋，下着下着就比人类最强棋手还厉害了。

这时候，AI已经开始慢慢走进普通人的生活了：你手机里的人脸识别、语音输入法、拍照的AI美颜，抖音的推荐算法，淘宝的商品推荐，背后都是深度学习。VC又开始疯狂砸钱，创业公司遍地都是，AI成了最火的风口，再也不是当年那个没人搭理的冷门方向了。

但是这时候的AI，大多还是“专用AI”——就是一个AI只能做一件事，比如AlphaGo只会下围棋，你让它聊天它根本不会，识别图像的AI就只会识别图像，干不了别的。一直到2022年OpenAI推出ChatGPT，整个AI才迎来了下一个爆发点：生成式AI时代来了。

---

 六、生成式AI爆发：大语言模型改变一切，我们走到哪了？

其实大语言模型的思路，早在2017年就埋下了伏笔。2017年，Google的一群研究员发了一篇论文，提出了一个叫Transformer的架构，这个架构最大的好处就是能更好地捕捉文本里的上下文关系，非常适合做语言处理。

就是这个Transformer，成了后来所有大语言模型的基础：OpenAI顺着这个思路，搞了GPT系列，Google搞了BERT，后来又搞了PaLM，都是基于这个架构。

OpenAI最开始做GPT的时候，也没人看好，他们的思路就是“堆”：用更大的模型，更多的数据，训练一遍又一遍。从GPT-1到GPT-2，再到GPT-3，模型越来越大，能力也越来越强，大家慢慢发现，当模型大到一定程度，数据多到一定程度，它居然会出现“涌现能力”——就是很多复杂的能力，比如逻辑推理、写代码、写文章，小模型根本不会，大模型突然就自己会了。

2022年底，OpenAI推出了ChatGPT，一下子就引爆了全网，上线两个月，用户就破了一个亿，成了历史上用户增长最快的互联网产品。大家突然发现，原来AI真的能和人像模像样聊天，能写文案、能写代码、能解答问题，甚至能帮你写情书。

之后生成式AI就彻底爆发了：Google推出了Gemini，国内有文心一言、通义千问，Midjourney能根据文字生成超级逼真的图片，Sora能一分钟生成高清视频，整个世界都被生成式AI改变了。

现在很多人担心AI会不会取代人，其实就像当年工业革命来了，机器取代了手工劳动，但是也创造了更多新的工作。AI现在确实能替代很多重复的脑力劳动，但是也会创造出很多新的岗位，就像当年互联网来了一样。

---

 七、AI这70年，给我们什么启发？

回头看AI这七十年的发展，真的特别有意思：

它不是一路直线往上走的，而是起起落落，好几次大家都觉得AI没希望了，结果又换了一条路，突然就爆发了。最早走“手工写规则”的路走死了，反而是当年被大家看不起的“让机器自己学习”的路，最后走通了；当年被权威判了死刑的神经网络，熬了几十年，最后成了改变世界的技术。

很多现在改变我们生活的技术，其实早在几十年前就有了雏形，只是那时候数据不够、算力不够，所以没人用，等到条件成熟了，一下子就爆发了。

今天我们站在生成式AI爆发的节点，回头看这七十年，会发现其实AI才刚刚开始，还有很多问题没解决：大模型会“胡说八道”，推理能力还不如小孩，也没有真正的自我意识。但是不管怎么说，从一群大佬在夏令营里吹的牛皮，到今天AI走进每个人的生活，七十年时间，人类已经做到了当年想都不敢想的事情。

未来AI会走到哪一步，谁也说不准，但可以肯定的是，它会越来越深刻地改变我们的生活，而这一切的起点，不过是七十年前一群年轻人，坐在一起，对“机器能不能思考”这个问题，产生了一点好奇而已。