最近，K哥发起关于AI的一系列公益活动，包括写文章、做直播，给大家科普AI发展、AI应用、AI前景等相关方面的内容，这篇聊聊AI的发展史。

一、人工智能兴起

“机器会思考吗？”英国天才数学家、逻辑学家、密码学家、计算机科学家艾伦.图灵，在1950年发表的经典之作《计算机和智能》一文中，提出了这个科技史上颇具哲学色彩的著名问题。图灵为找寻答案，付诸了实践，开展了旨在验证计算机是否具备人类智能的“图灵测试”。

在这个著名的实验中，测试者被要求判断与自己交谈的是人类还是计算机，如果计算机能够“骗”过测试者，让测试者以为自己是人类，那就代表计算机通过了图灵测试，否则就是失败。

虽然图灵测试，并未解决图灵的哲学之问，但它却成了后世研究人工智，所绕不开的起点和重要基石。在图灵测试出现后的第6年，约翰·麦卡锡、马文·明斯基、克劳德·香农、艾伦·纽厄尔和赫伯特·西蒙等一众大神，在达特茅斯学院召开了“人工智能暑期研讨会”。

在这次会议中，科学家们首次明确提出了“人工智能”这一用语，并对人工智能的未来发展充满憧憬，有人甚至认为，机器人和AI能在1970年代中期完成人类的工作。

虽然事实证明，大佬们乐观的预言并没有实现，但这丝毫不影响达特茅斯会议在人工智能发展史上，不可取代的历史地位。正是这次会议，标志着人工智能作为一门新兴学科正式诞生。

在这一时期，AI的发展隐隐形成了符号主义(symbolistic)、连接主义(connectionist)和行为主义(actionism)三大流派的雏形，但当时最主流的研究，还是集中在逻辑推理、符号主义上。研究人员试图用逻辑规则和符号来模拟人类的思维过程。通过物理符号系统假设，来构建能够模拟思维的计算模型。

以美国卡内基-梅隆大学的艾伦·纽厄尔、赫伯特·西蒙为代表的学者,开发了诸如逻辑理论家（Logic Theorist）、通用问题解决器（General Problem Solver）等早期人工智能系统,旨在模拟人类智能的推理和决策过程。

这些“初代”人工智能程序，虽然在应用和推广上，存在很大的局限性，但还是展现了人工智能在解决逻辑和抽象问题上的巨大潜力，为AI进一步发展奠定了基础。

二、神经网络

20世纪80年代，机器学习开始崭露头角。随着计算机性能的提升和数据量的增加，人们开始关注如何让计算机模仿人脑的学习能力。

这一时期，神经网络作为一种模仿生物神经元工作方式的计算模型，慢慢形成气候。事实上，这种模仿人脑结构和信息处理机制的计算模型,正是上面提到的AI“连接主义”的代表。

由于计算能力大幅提升等各种主客观条件的不断完善,科学家们得以搭建起更加复杂的神经网络架构,从而使神经网络在模式识别、分类任务（人脸识别、物体检测、理解和处理自然语言、通过分析用户行为模式进行个性化推荐和反欺诈等）等方面，得到广泛应用。

在这一研究领域，杰弗里.辛顿（Geoffrey Hinton）无疑是最具代表性的人物之一，他深入研究了使用神经网络进行机器学习、记忆、感知和符号处理的方法，并前后发表了超过200篇论文，被称为“神经网络之父”、“深度学习之父”。

杰弗里.辛顿出生在“科研世家”，家族成员大都是科学家或教授，其曾曾祖父乔治·布尔（George Boole），更是二进制推理系统（即现在的布尔代数/逻辑代数，是所有计算的基础）的发明者。

辛顿本身也是一个妥妥学霸，18岁的辛顿进入剑桥大学国王学院学习物理、化学和数学，坚持1个月后退学，第二年，又改修建筑学，仅仅坚持1天，这位任性的天才又转学哲学，同样半途而终后，才转学物理和生理学。

学生理学的原因，是因为教授告诉他这门科学可以让大家明白大脑是如何工作的，而这恰恰是辛顿最感兴趣的。

但当辛顿顺利拿到心理学学位后，又觉得自己所学的东西太简单了，根本不足以解释大脑的运作，于是在失望无聊之际，放弃了在剑桥大学继续学习的机会，竟然任性地做起了木匠。

辛顿一边打木门一边思考大脑的运作，坚持了一年多后，又重新回归学术圈，并确定了一个新的研究方向，人工智能。

这个领域也彻底治好了辛顿的“学习过动症”，让他沉下心来深耕下去，并开创性的打破了AI符号主义的“桎梏”，颠覆了明斯基等大佬权威的理论，让神经网络研究大放异彩。

他与其他两位科学家一起，将反向传播算法（BP）应用于多层神经网络，并由此证明这种方法对机器学习的有效性。

此外，辛顿还发明了对比散度算法，用于训练玻尔兹曼机（Boltzmann Machine）。

辛顿的这些贡献，对深度学习的进步产生了深远影响，他开创的算法和理论，也为后来者理解神经网络和训练深度模型提供了重要工具和抓手。

三、深度学习

自2000年以后，深度学习技术取得了巨大突破。这一技术通过多层神经网络的训练，能够自动从大量数据中提取特征，从而显著提升了图像识别、语音识别和自然语言处理等领域的性能。

在深度学习的发展中，卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等技术起到了重要作用。

1、卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Networks，简称CNN）是深度学习在计算机视觉领域的代表性成果，其设计灵感来自于生物学中视觉皮层的工作原理，这一领域的领军人物就是图灵奖得主、被称为“卷积之父”的Yann LeCun（杨立昆）。

Yann LeCun从20世纪80年代开始研究神经网络技术,并提出了卷积神经网络这一革命性架构。

与传统的全连接神经网络不同,卷积神经网络巧妙地利用了图像数据的局部相关性,通过在网络中设计卷积和池化等操作,能够自动从图像中提取各种复杂特征。这使得CNN在图像分类、目标检测等任务上，取得了大幅度的性能提升。

卷积神经网络到底有多重要？

从最近Yann LeCun与马斯克隔空互怼的事件中，也能看出一二来。最近，马斯克为他新成立的xAI公司，在社交平台X上招募人才，Yann LeCun留言讽刺，痛批马斯克对AI风险的无限夸大和对技术进步的盲目乐观。

马斯克反击“过去五年你做了哪些研究？”。Yann LeCun的“回敬”之一，就是自己当初发表的关于卷积神经网络的研究成果，“至今仍然被包括特斯拉、MobilEye、Nvidia在内的几乎所有高科技公司所使用”，换句话说， 你马斯克的特斯拉，就是靠我的技术理论搞起来的。谁说科学家不会吵架，Yann LeCun就很懂杀人诛心嘛。

2、循环神经网络（RNN）与长短期记忆网络（LSTM）

除了卷积神经网络，循环神经网络（RNN）和长短期记忆网络（LSTM）也在深度学习中发挥着重要作用。这些网络结构能够有效地建模语音、文本等时序数据,在语音识别、机器翻译、对话系统等领域取得了革命性的进步。

RNN的核心在于它能够在处理当前输入的同时,还能保留之前的历史信息,从而更好地理解和预测序列数据。而LSTM则是在此基础上进一步改进,通过引入记忆单元,能够更好地捕捉长期依赖关系,从而在语言建模等任务上，取得了显著的性能提升。

由于序列数据处理在语音识别和自然语言处理等领域具有广泛应用,RNN和LSTM成为了这些领域的关键技术。

谷歌、微软等科技巨头纷纷在这些领域，投入大量研发资源,利用RNN和LSTM相关的技术，打造出了各种智能语音助手和对话系统,为用户提供了更加自然、流畅的交互体验。

四、大模型

近10多年来，随着计算能力和数据资源的进一步提升，大规模预训练语言模型（LLM）逐渐成为人工智能研究的热点，而生成式预训练模型GPT（Generative Pre-trained Transformer）更是成了众人皆知的“显学”。

通过在海量文本数据上进行预训练,GPT模型能够学习到丰富的语言知识和语义理解能力,从而在问答、对话、文本生成等自然语言处理任务上取得了前所未有的成就。

在这一发展进程中，OpenAI的联合创始人伊利亚.苏茨克维（Ilya Sutskever） 起到了举足轻重的作用。伊利亚出生于俄罗斯，师从杰弗里·辛顿。在大学期间，伊利亚曾与辛顿的另一位学生一起，开发了卷积神经网络AlexNet，并在当年的ImageNet挑战赛中勇夺冠军，其精确度更是遥遥领先，是第二名的两倍。

AlexNet的成功，除了体现了大型神经网络面对大规模数据时的巨大潜力，还有力地证明了GPU在大型神经网络训练中的高效性，对后面GPU的发展，以及OpenAI的技术发展走势，都起到了极为重要的影响。

大学毕业后，伊利亚加入了辛顿创立的DNNResearch公司，其后该公司被谷歌收购，他加入谷歌，成为谷歌大脑的研究科学家。直到2015年，伊利亚被马斯克从谷歌挖走，和山姆·奥特曼等人，共同创办了OpenAI。伊利亚担任OpenAI的首席科学家。

在OpenAI，伊利亚几乎主导了所有关于GPT的研发，但随着OpenAI的发展，原本奥特曼主外，伊利亚主内的稳定格局，慢慢出现了问题。其中最主要的原因之一，就是两人所持有的“有效加速”和“超级对齐主张”之间难以调和的矛盾。

所谓“有效加速”，就是推崇科技的不断发展和颠覆，认为可以不完美，但不能不发展。而“超级对齐主张”，则是要确保人工智能的发展，要与人类价值观保持一致，否则宁愿停止发展。

伊利亚持有的观点是后者，他和恩师辛肯一样，非常在意超级对齐，并组建了OpenAI的超级对齐团队。但奥特曼却是一个务实主义者，更在乎“有效加速”和商业上的发展。

最终两人矛盾越来越严重，以至于发生了伊利亚“政变”，把奥特曼从OpenAI踢出局的戏。

但最终还是上演了奥特曼强势回归，伊利亚却选择离职出走的反转剧情。但不管从哪个角度来说，作为AI领域的顶级科学家和践行者，伊利亚都值得这个时代敬仰。尤瓦尔·赫拉利在《人类简史》有句名言：“我们从农业革命能学到的最重要一课，很可能就是物种演化上的成功，并不代表个体的幸福。”

同样，AI革命会给我们带来更多个体的幸福吗？这也是一个值得思考的大命题。但不管怎么说，AI已来，我们最应该做的，还是了解它、掌握它，并努力“驯化”它。