第2课：人工智能的前世今生

一、课程信息课程主题人工智能的前世今生适合对象人工智能零基础学习者预计学习时长2小时学习方式建议不要死记年份重点理解人工智能为什么会经历兴起、低谷和再次爆发二、学习目标学完本课后你应该能够说出人工智能发展史上的几个关键节点。理解人工智能为什么经历过多次高潮和低谷。区分规则驱动AI、机器学习、深度学习和大模型时代的基本特点。理解数据、算法、算力为什么推动了当前AI发展。用自己的话解释这轮AI热潮和过去有什么不同。三、课程导入为什么要学习AI历史学习人工智能历史不是为了背诵一堆年份。更重要的是理解三个问题人类为什么想创造人工智能为什么AI曾经被多次寄予厚望又多次遇到瓶颈为什么最近几年AI突然变得这么强如果只看今天的AI聊天助手、文生图工具和大模型应用很容易产生一种错觉AI是最近几年才出现的新技术。事实上人工智能的概念已经发展了几十年。今天的大模型热潮是长期积累后的结果。它背后既有理论进步也有数据规模、计算能力和工程实践的共同推动。四、人工智能出现之前人类对“机器智能”的想象在人工智能成为一门学科之前人类已经长期想象机器能否拥有智能。1. 早期想象人类很早就希望制造能自动工作的机器。例如自动计时装置机械计算器自动控制机器会执行固定动作的机械装置这些机器并不是真正的人工智能但它们体现了一个重要愿望人类希望把一部分重复劳动、计算任务和判断任务交给机器完成。2. 计算机的出现提供了基础人工智能真正成为可能离不开现代计算机。计算机带来了几个关键能力可以高速计算可以存储大量信息可以按照程序执行复杂流程可以不断重复执行任务有了计算机之后人们开始认真思考如果机器可以计算那么机器能不能思考这个问题推动了人工智能学科的诞生。五、1950年图灵测试与“机器能否思考”1. 图灵是谁艾伦·图灵是计算机科学史上的重要人物。他提出过一个经典问题机器能思考吗但“思考”这个词很难直接定义。于是图灵换了一种更容易操作的问法。2. 什么是图灵测试图灵测试的大致思想是一个人通过文字和两个对象交流。一个对象是人另一个对象是机器。如果提问者无法稳定判断谁是机器那么可以认为机器表现出了类似人的智能。通俗理解如果你只通过聊天无法分辨对方是人还是机器那么这台机器就具备了某种智能表现。3. 图灵测试的意义图灵测试并没有解决“机器是否真的有意识”的问题。它的重要意义在于把抽象的“机器能否思考”变成了可以讨论的问题强调机器的外在智能表现为后来人工智能研究提供了思想起点需要注意通过图灵测试不等于机器真的像人一样有意识、有情感或有主观体验。当前大多数AI系统仍然是在模拟和生成智能行为而不是拥有真正的人类意识。六、1956年达特茅斯会议与人工智能学科诞生1. 人工智能概念正式提出1956年一群科学家在美国达特茅斯学院召开了一次会议。这次会议通常被认为是人工智能学科的起点。在这次会议上“人工智能”这个名称被正式提出。从此人工智能不再只是哲学想象而逐渐成为一个研究领域。2. 当时人们的乐观预期早期研究者非常乐观。他们认为只要把人类的推理过程拆解清楚并写成程序机器就可以像人一样解决问题。这种想法背后的基本思路是人类智能可以被规则化机器只要执行这些规则就能表现出智能。3. 早期AI的特点早期AI主要依赖人工设计规则。例如如果满足条件A就执行动作B如果出现症状X和症状Y就推断可能疾病Z如果棋局出现某种局面就选择某种走法这类方法后来常被称为符号主义AI或规则驱动AI。七、第一阶段符号主义AI让机器按规则推理1. 什么是符号主义AI符号主义AI认为人类思考可以被表示成符号和规则。例如所有人都会死亡 苏格拉底是人 所以苏格拉底会死亡这个推理过程可以被写成逻辑规则。机器只要按照规则处理符号就可以完成某些推理任务。2. 适合解决的问题符号主义AI适合规则清楚、边界明确的问题。例如数学证明中的部分推理棋类游戏中的规则判断简单逻辑推理受限场景中的问题求解3. 符号主义AI的局限现实世界远比规则表复杂。很多问题很难写出完整规则。例如如何判断一张照片是不是猫如何理解一句带有讽刺意味的话如何判断用户真正喜欢什么商品如何识别不同口音下的同一句话如果完全靠人手写规则规则数量会迅速膨胀而且很难维护。生活类比如果你想靠一本说明书教机器认识世界这本说明书会越来越厚但仍然难以覆盖所有情况。八、第一次AI低谷理想很大现实很难1. 为什么会进入低谷早期AI研究提出了很多宏大目标但受限于当时条件很多承诺没有兑现。主要原因包括计算机算力有限可用数据很少算法还不成熟现实问题比实验室问题复杂得多规则系统难以应对开放世界2. 低谷意味着失败吗低谷不等于人工智能失败。更准确地说它说明当时的技术路线和基础条件还不足以支撑过高的期待。这也是学习AI历史的重要启示技术发展需要时间积累不能只看概念是否先进还要看数据、算力、算法和实际场景是否成熟九、第二阶段专家系统把专家经验写进机器1. 什么是专家系统专家系统是人工智能发展史上的一个重要阶段。它的基本思路是把某个领域专家的经验和判断规则整理出来写进计算机系统让机器像专家一样给出建议。例如医疗专家系统可能包含类似规则如果患者发热、咳嗽并且检测指标异常那么提示某类疾病风险。2. 专家系统的优势专家系统在某些垂直领域曾经很有价值。它的优势包括能保存专家经验规则相对清晰结果比较容易解释适合领域边界明确的问题3. 专家系统的局限专家系统也有明显问题规则需要人工维护获取专家经验成本高规则之间可能互相冲突难以适应新情况面对复杂现实场景容易失效生活类比专家系统像一本厚厚的经验手册遇到手册里写过的问题很有用但遇到新情况就可能不知道怎么办。4. 第二次AI低谷随着专家系统维护成本越来越高实际效果又不如预期人工智能再次进入低谷。这次低谷告诉人们只靠人工编写规则很难让机器真正适应复杂世界。十、第三阶段机器学习让机器从数据中学习1. 思路发生变化机器学习带来了一个重要变化以前的思路是人写规则 机器执行规则机器学习的思路是人提供数据和目标 机器从数据中学习规律这是一种非常关键的转变。2. 为什么机器学习更适合复杂问题很多现实问题很难靠人工规则写清楚。例如垃圾邮件识别。垃圾邮件可能有很多特征标题夸张包含可疑链接发送频率异常内容重复发件人不可信这些特征不断变化。如果只靠人工规则很容易被绕过。机器学习可以从大量历史邮件中学习规律并根据新邮件的特征做判断。3. 机器学习的典型应用机器学习推动了很多AI应用落地。例如搜索排序广告推荐商品推荐风险控制用户画像语音识别图像识别异常检测4. 机器学习时代的核心机器学习时代的关键词是数据特征模型训练预测通俗理解机器学习像学生刷题。题目看得越多反馈越清楚越可能总结出解题规律。但如果题目质量很差或者答案本身有错学习效果也会受影响。十一、第四阶段深度学习让AI处理更复杂的数据1. 什么是深度学习深度学习是机器学习的一个重要分支。它通常使用多层神经网络从大量数据中自动提取特征。相比传统机器学习深度学习在处理复杂数据时更有优势。复杂数据包括图片语音文本视频2. 为什么深度学习重要在深度学习广泛应用之前很多任务需要人手工设计特征。例如识别图片里的猫研究者可能需要告诉机器关注边缘颜色纹理耳朵形状眼睛位置深度学习的强大之处在于它可以从大量图片中自动学习很多有效特征。生活类比传统方法像老师提前总结好重点学生按重点做题。深度学习更像学生看了大量样例后自己逐渐总结出重点。3. 2012年前后的重要突破2012年前后深度学习在图像识别任务中取得显著突破。这件事让很多人重新认识到深度学习的潜力。之后深度学习快速应用到图像识别语音识别机器翻译自动驾驶感知医疗影像分析内容推荐4. 深度学习爆发的原因深度学习不是突然凭空成功的。它的爆发离不开三个条件数据更多了。计算能力更强了。神经网络算法和工程方法更成熟了。这三个条件合在一起推动AI进入新的阶段。十二、第五阶段大模型与生成式AI时代1. 大模型为什么受到关注近几年大模型成为人工智能最受关注的方向之一。它们通常有几个特点使用海量数据训练模型参数规模很大能处理多种任务具备较强的生成能力可以通过自然语言指令交互过去很多AI系统只能处理特定任务。例如一个模型专门做人脸识别一个模型专门做垃圾邮件识别一个模型专门做语音转文字而大语言模型可以在同一个系统中完成多种语言任务。例如回答问题写文章做总结翻译改写写代码生成学习计划扮演不同角色进行对话2. 生成式AI是什么生成式AI是指能够生成新内容的AI。它可以生成文字图片音频视频代码表格方案草稿例如你输入请帮我写一份适合零基础学习者的AI学习计划。AI可以生成一份结构化计划。这就是生成式AI的典型能力。3. 大模型时代的变化大模型带来了几个重要变化普通人可以用自然语言直接使用AIAI从单点工具变成通用助手内容生产效率大幅提升企业开始把AI接入办公、客服、研发和知识管理流程多模态AI让模型可以同时理解文字、图片、语音和视频4. 仍然要理解边界大模型很强但不是万能。它仍然可能编造事实理解错上下文生成不准确内容受到训练数据偏见影响在专业领域给出错误建议因此大模型时代更需要学习者具备判断力。会使用AI不等于完全相信AI。十三、一条简化的AI发展时间线下面这条时间线适合初学者建立整体印象。时间关键事件通俗理解1950年图灵提出机器智能相关思考开始认真讨论机器能否表现出智能1956年达特茅斯会议召开人工智能作为研究领域正式起步1960年代早期符号主义AI发展试图让机器按规则推理1970年代第一次AI低谷目标很大但算力、数据和方法不足1980年代专家系统兴起把专家经验写成规则1990年代机器学习逐渐发展开始更多依靠数据学习规律1997年深蓝击败国际象棋世界冠军AI在特定规则任务中表现突出2000年代数据和互联网快速增长AI获得更多学习材料2012年前后深度学习在图像识别上突破神经网络重新成为焦点2016年AlphaGo击败围棋顶尖棋手深度学习和强化学习引发广泛关注2017年Transformer架构提出为大语言模型发展打下重要基础2020年后大语言模型能力快速提升AI开始具备更强文本生成和通用任务能力2022年后生成式AI走向大众普通人可以通过聊天方式使用AI2023年后多模态大模型加速发展AI开始综合理解文字、图片、语音和视频说明这条时间线不要求死记。重点是理解AI从“写规则”逐渐走向“从数据中学习”再走向“大规模模型和生成式AI”。十四、AI为什么会经历高潮和低谷人工智能的发展不是一条直线上升的道路。它多次经历新想法出现 公众期待升高 技术遇到瓶颈 投入减少 长期积累 新突破出现 再次升温1. 高潮出现的原因AI高潮通常来自新突破。例如新理论出现新算法效果明显新硬件提升计算能力新应用产生商业价值新工具让普通人直接感受到能力变化2. 低谷出现的原因AI低谷通常来自期待和现实之间的差距。常见原因包括宣传过度技术条件不足成本过高应用效果不稳定难以大规模落地3. 学习者应该如何看待AI热潮既不要神化AI也不要轻视AI。更合理的态度是承认AI正在产生真实价值理解AI仍然有明显局限关注它能解决什么问题避免把AI理解成万能工具通过实践建立自己的判断力十五、当前AI快速发展的三大原因今天的AI发展很快核心原因可以概括为三个词数据 算法 算力1. 数据更多互联网、移动设备和数字化系统积累了大量数据。这些数据包括文本图片音频视频用户行为交易记录传感器数据AI需要从数据中学习。数据越丰富AI越有机会学到复杂规律。但数据多不等于一定好。数据还需要准确多样有代表性合法合规尽量减少偏见2. 算法更强算法决定AI如何学习。随着研究推进人们提出了很多更有效的模型结构和训练方法。例如深度学习和大模型的发展让AI能够处理更复杂的任务。通俗理解如果数据是教材算法就是学习方法。学习方法越好越容易从教材中学到有用规律。3. 算力更强训练AI模型需要大量计算。尤其是深度学习和大模型需要非常强的计算能力。近年来GPU等硬件的发展让大规模模型训练成为可能。通俗理解算力像学习速度和做题速度。算力越强AI越能处理海量数据和复杂模型。4. 三者缺一不可可以用做菜来类比AI要素做菜类比作用数据食材提供学习材料算法菜谱指导如何处理材料算力厨具和火力支撑大规模处理过程只有食材好、菜谱合适、厨具足够强才更可能做出好菜。十六、从过去到现在AI能力的变化1. 从“只能按规则做事”到“能从数据中学习”早期AI依赖人工规则。现代AI更多依赖数据学习。这让AI可以处理更多复杂问题。2. 从“单一任务”到“多任务”过去很多AI系统只能解决一个具体任务。例如专门识别人脸专门识别垃圾邮件专门推荐商品现在的大模型可以处理更多任务。例如同一个聊天助手可以写文章做翻译总结报告解释概念生成代码制定计划3. 从“专业人员使用”到“普通人可用”过去使用AI往往需要专业知识。现在普通人可以直接用自然语言和AI交互。这也是生成式AI影响很大的原因之一AI的使用门槛大幅降低了。4. 从“识别和判断”到“生成和协作”早期AI应用更多是识别和分类。例如判断是不是垃圾邮件判断图片里是什么判断用户可能喜欢什么现在AI越来越多参与内容生成和协作。例如帮你写初稿帮你总结会议帮你生成图片帮你整理学习计划帮你分析资料十七、课堂活动画出AI发展时间线活动目标通过亲手整理时间线建立对AI发展脉络的整体理解。活动步骤从本课时间线中选择至少6个关键节点。按时间顺序排列。用一句话解释每个节点的重要性。在时间线末尾写下你认为未来AI可能发展的一个方向。时间线模板时间事件为什么重要1950年图灵测试相关思想让机器智能成为可以讨论的问题思考问题哪个历史节点最让你意外你认为AI发展最关键的推动力是什么当前AI热潮是否可能再次遇到瓶颈为什么十八、本课小结本课我们学习了人工智能的发展历史。需要重点记住人工智能不是突然出现的新事物它已经发展了几十年。1950年的图灵测试为机器智能讨论提供了重要思想起点。1956年的达特茅斯会议通常被认为是人工智能学科诞生的标志。早期AI主要依赖人工规则但规则系统很难应对复杂现实世界。专家系统曾经推动AI落地但维护成本高适应能力有限。机器学习让AI从“人写规则”转向“机器从数据中学习规律”。深度学习让AI在图片、语音、文本等复杂任务上取得突破。大模型和生成式AI降低了AI使用门槛让普通人可以直接通过自然语言使用AI。当前AI快速发展主要受数据、算法和算力共同推动。理解AI历史有助于我们既不盲目神化AI也不低估AI的长期影响。十九、课后练习练习1整理AI发展时间线请画一条AI发展时间线至少包含5个关键节点。建议包含图灵测试达特茅斯会议专家系统机器学习发展深度学习突破大模型和生成式AI你可以使用下面的表格时间关键事件我的理解练习2解释AI为什么会经历低谷请用自己的话回答为什么人工智能曾经多次进入低谷建议从以下角度思考当时的计算能力是否足够数据是否足够算法是否成熟公众期待是否过高实际应用是否稳定练习3比较不同时代的AI请完成下面表格阶段主要特点局限符号主义AI专家系统机器学习深度学习大模型练习4思考当前AI热潮请回答你认为现在AI快速发展的最重要原因是什么为什么说数据、算法、算力缺一不可当前大模型和过去的AI系统相比最大的变化是什么你认为AI未来可能在哪些生活或工作场景中继续发展二十、参考答案与提示练习2参考提示人工智能进入低谷通常不是因为方向完全错误而是因为当时基础条件不足。常见原因包括算力不足无法支撑复杂计算数据不足机器无法学习到稳定规律算法不成熟效果达不到预期现实世界太复杂人工规则难以覆盖外界期待过高短期应用效果不稳定练习3参考答案阶段主要特点局限符号主义AI依靠人工规则和逻辑推理难以覆盖复杂现实问题专家系统把专家经验写成规则维护成本高遇到新情况适应性弱机器学习从数据中学习规律依赖数据质量需要特征和训练深度学习用多层神经网络处理复杂数据需要大量数据和算力解释性较弱大模型能处理多任务具备生成能力可能出现幻觉仍需人工验证练习4参考提示当前AI热潮的重要变化包括普通人可以用自然语言直接使用AI大模型可以处理多种任务生成式AI能参与写作、设计、编程和办公多模态AI开始理解文字、图片、声音和视频企业开始把AI接入真实业务流程但同时也要注意AI输出不一定正确AI训练和使用需要成本数据隐私和版权问题需要重视专业场景仍然需要人工审核二十一、下一课预告下一课我们将学习机器如何“学习”你将了解机器学习的基本过程什么是数据什么是模型什么是训练什么是预测为什么要区分训练集和测试集如果说本课帮助你理解AI从哪里来那么下一课会帮助你理解AI是如何从数据中学到规律的。