The Development of AI

AI的发展

同学们好，欢迎收听本期科普台。你有没有想过，当你和DeepSeek对话时，这个能"思考"的机器，到底经历了什么？

今天，让我们穿越70年，看看ai是如何从0走到1的。故事要从1950年代讲起。

那时候，所谓的"计算机器"本质上就是大型计算器。当NASA需要计算火箭轨迹时，他们更常求助的是人类"计算机"，用手工解算复杂方程。

就在这个机器还很笨拙的年代，英国数学家艾伦·图灵提出了一个石破天青的想法：机器应该能超越原有程序，进化出新的能力。

图灵设想了一种极简的机器：一条无限长的纸带，一个可以读写符号的探头，一套规则表。只要规则足够，这台机器可以计算任何可计算的问题。这个"图灵机"模型，成为了所有计算机的理论基础——包括今天的AI。

图灵还设计了一个检验方法：如果一台机器能在对话中让人无法分辨它是人还是机器，就说明它拥有了智能。这就是著名的"图灵测试"。

同时期，人工智能这个词被创造，但这时候，它还只是一个哲学概念。

在1960s-1970s继承图灵的第一种思路：规则派

早期的主流思路是"符号主义"——认为智能就是操作符号，像数学公式一样。只要把世界上的知识写成逻辑规则，让机器按规则推理，它就会变聪明。

1966年，MIT的科学家创造了ELIZA——世界第一个聊天机器人。

ELIZA的核心非常简单：它扫描你说的话，匹配关键词，然后套用预设的模板生成回答。你说"我心情不好"，它抓到"心情"，就反问"你为什么心情不好？"——就像心理咨询师。这不需要任何理解，只是模式匹配。

但这条路很快遇到了瓶颈：世界太复杂了，规则永远写不完。 而且，机器只能死板地执行规则，遇到没写过的情况就傻了。

1980s-1990s出现了第二种思路：学习派

就在规则派陷入困境时，另一条路悄悄生长——连接主义，也就是神经网络。

人脑有约860亿个神经元，每个神经元通过突触连接。当一个神经元收到足够强的信号，它就会"兴奋"，传给下一个。神经网络就是模拟这个结构：大量简单的计算单元（神经元）层层连接，每一层提取不同的特征。

比如识别一张猫的图片：

第一层看到像素点，二层组合成边缘如直线、曲线，三层组合成形状如耳朵、眼睛，深层组合成"猫"。

但1980年代，神经网络有两个致命问题：算力不够，数据太少。一个小网络都跑不动，更别说大模型了。

接着我们来到2000-2010，神经网络的觉醒。

进入21世纪，互联网带来了海量数据，GPU让算力飙升，算法有了突破，极大地助力了AI的发展。

2006年，科学家杰弗里·辛顿提出"深度学习"——让神经网络可以有很多层，而且能有效训练。

2012年，辛顿团队在ImageNet竞赛上用深度学习碾压所有对手，错误率比第二名低一半，震惊了科学界。

神经网络怎么学习的？靠反向传播。简单说：网络猜一个答案比如"这是猫"，对正确答案（可能是"这是狗"），再计算误差，把误差从最后一层往回传，告诉每一层："你刚才的判断偏了多少，下次调一调"如此重复百万次。

2016年，AlphaGO击败世界围棋冠军李世石。围棋的可能局面数是国际象棋的10的100次方倍，暴力搜索不可能。AlphaGO用了强化学习：通过自我对弈数百万局，自己教自己，越来越强。

而2020年至今，便是AI时代的大爆发——从GPT到DeepSeek

2017年，谷歌发表了一篇论文：《Attention Is All You Need》。文中提出了Transformer架构——今天所有大语言模型的基础。

Transformer的核心是自注意力机制。看这句话："那只猫穿过马路，它很可爱。"

人类知道"它"指猫。但计算机怎么知道？自注意力让AI计算句子中每个词和其他词的相关性——"它"和"猫"关联度最高，和"马路"关联度低。通过这种方式，AI理解了指代关系。

这不是"思考"，而是基于海量数据的概率预测。但它预测得如此精准，以至于看起来像在思考。

我们可以看到，今天的AI，本质上是一个巨大的概率模型。它能写诗，是因为看过亿万首诗；它能解题，是因为做过亿万道题。

但它和我们不一样：它能模拟悲伤，却从未真正流泪；它有求必应，却没有自己的欲望。AI通过计算逼近真理，而人类通过情感定义价值。它拥有不了人类独有的能力：创新的思维、跨界的想象力、情感的共鸣。这也正是AI永远无法取代人类的原因。

感谢收听，我们下期再见。