让我们先做一个思想实验。

想象你站在一座巨大建筑物的门口。有人告诉你，这座建筑里有整个宇宙的奥秘——从自动驾驶汽车怎么认出红绿灯，到你手机里的语音助手为什么听懂了你的方言，所有答案都在里面。你推开门，发现里面是一条望不到头的走廊，走廊两侧是密密麻麻的房间，每个房间的门上都刻着一个名字：微积分、线性代数、概率论、深度学习、自然语言处理……

你站在门口，手里没有地图。

这就是很多人面对“人工智能”这四个字时的真实感受。他们听说过ChatGPT能写诗，知道自动驾驶汽车在街上跑，隐约觉得这些事情跟“数学”和“代码”有关，但不知道该从哪里开始理解。打开一篇科普文章，满眼是“神经网络”“反向传播”“注意力机制”——每个词都认识，放在一起就变成了天书。

这个系列就是写给站在门口的你。

我们的目标很朴素：从零开始，一步一步走，直到你能真正理解那些听起来吓人的东西到底在说什么。不需要你懂编程，不需要你记得微积分公式，甚至不需要你对数学有什么好感——只需要你保持好奇，并且愿意跟着我慢慢走。

但这趟旅程有一个前提。 在出发之前，我得先回答一个你可能已经在想的问题：为什么我们要从“函数”讲起？函数不是高中就学过的老掉牙的东西吗？它跟人工智能有什么关系？

有关系，而且关系大得很。

让我用一个比喻来解释。想象你在学一门新语言——比如法语。如果你一开始就扑进《追忆似水年华》的法文原版，你大概翻三页就放弃了。但如果你先学会“你好”“谢谢”“面包”这些最基本的词，然后慢慢积累句子、语法、时态，总有一天你能读懂普鲁斯特。

人工智能的原理就是那本《追忆似水年华》。而函数，就是那个“你好”。

整个AI在做的事情，用一句话就能说清楚：它在找一个函数。 一个能把输入变成正确输出的函数。给你一张猫的照片（输入），它要输出“猫”（正确的输出）。给你一句中文（输入），它要输出一句意思准确的英文（正确的输出）。给你一段关于癌症的描述（输入），它要输出一个诊断建议（正确的输出）。

所有那些听起来高深的东西——神经网络、深度学习、Transformer——它们本质上都是在做同一件事：用一个极其复杂的机器，去逼近一个极其复杂的函数。

所以如果我们连“函数是什么”都没搞清楚，后面的一切都是空中楼阁。这个系列的第一块砖，必须是函数。从函数出发，我们慢慢搭出向量、矩阵、导数、梯度——每一块新砖都稳稳地放在前一块上面。等我们搭到深度学习的时候，你会发现那些曾经吓到你的词，其实不过是几块旧砖换了个新名字。

那这个系列具体要走多远呢？

我们从头走。从1950年图灵问出“机器能思考吗”那个问题开始。然后到达特茅斯学院——1956年夏天，一群年轻人聚在那里，给这个领域起了一个名字叫“人工智能”。我们会经历它的春天、冬天、又一次春天、又一次冬天——人工智能的历史比大多数人想象的更曲折，也更戏剧。

然后我们停下来，老老实实补一补数学。别怕，这里没有让人头大的推导和跳步，每一个概念都绑着你天天见的东西。比如外卖配送费怎么跟着距离变贵，这就叫函数；你在城市里找路，向东走三格、向北走四格，那就是向量。再往后，车速表上跳动的数字是导数，而蒙着眼睛下山时脚下最陡的那个方向，就是梯度。

数学补完之后，我们进入机器学习的世界。看机器怎么从数据里“学”到东西——不是背答案，而是真的找出规律。然后进入深度学习，看多层神经元如何叠出惊人的能力。最后进入大语言模型的时代，看Transformer、GPT、扩散模型这些当下最前沿的东西到底在干什么。

最后一站，我们会聊聊AI的边界和未来——它能做什么，不能做什么，以及我们该用什么样的心态面对它。

整个系列大概三十多篇文章，每一篇只讲一件事，只引入一两个新概念。你不用急着消化，也不用回头看——每一篇都会稳稳地站在前一篇的肩膀上。

但我得提前跟你说清楚：这个系列不做什么。

读完这些文章，你大概率还是不会写Python代码，也算不出矩阵乘法，更不知道训练模型时学习率该设成0.01还是0.001。因为那些都是“怎么做”的工程细节，而我们这趟旅程只关心“为什么”。代码和复杂的数学推导在这里只是工具，不是目的。你要做的，是搞懂背后的道理，而不是把自己逼成程序员。

那读完这个系列之后，你会变成什么样子？

你不会变成人工智能专家——三十多篇文章做不到那一步。但你会变成一个人工智能的“内行”：你知道它在做什么，知道它为什么能做得到，知道它的局限在哪里，知道那些新闻里吹得天花乱坠的东西哪些是真的、哪些是炒作。

更重要的是，你会拥有一个完整的知识框架。以后再遇到新的AI技术、新的名词，你不需要从头学起——你只需要把新东西往你已经有的框架里一放，就知道它大概在干什么。

这就像你学会了认字之后，再看到任何一本书，你至少知道它是由什么组成的。你不一定读得懂每一本，但你不再害怕翻开任何一本。

最后一件事。关于怎么读这个系列。

我觉得最好的读法还是顺着顺序来——因为后面的每一篇都默认你读过前面的。但你要是哪篇读着卡住了，就合上屏幕歇两天，没关系。有些概念得靠大脑在后台偷偷加工一夜才能消化，你越急它越不合作。

也用不着记笔记。每一篇里真正要紧的道理，我会用不同的话翻来覆去地讲。你只要在读的时候让那些画面和比喻在脑子里留下个印子就行，它们自己会串起来的。

至于你担心自己“数学不好”或者“不是学这个的料”——大可不必。这趟旅程的设计前提只有一个：你不需要提前会任何东西，只需要带着好奇心来。就这么多。

行，那我们出发。

第一站，1950年，英国曼彻斯特。一个叫艾伦·图灵的人，正在写一篇注定改变世界的论文。

参考文献

1. Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, LIX(236), 433–460.

   • 推荐理由：人工智能领域被引用最频繁的论文之一。图灵在这篇文章里绕开了“什么是思考”这个哲学难题，提出了一个可操作的定义——后来被称为“图灵测试”。文风出奇地平易近人，适合在读完本篇后直接翻阅原文第一章“模仿游戏”。

2. McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.

   • 推荐理由：这份提案正式引入了“人工智能”这个术语，也划定了这个学科最初的边界。提案开篇那句“学习的每一个方面或智能的任何特征，原则上都可以被精确地描述，从而可以用机器来模拟”，既是豪言壮语，也是此后几十年所有争论的起点。