零基础 AI 科普 / 第 7 篇
人工智能的发展历史
人工智能成为研究领域,远早于今天的聊天软件。最初的问题是怎样让机器推理、解题和下棋。后来,研究重点逐渐扩展到从数据中学习,再到生成文字、图像和声音。不同方法一直有重叠,今天的系统也常把规则与学习结合使用。
1950 年代,人工智能有了名字
1950 年,英国数学家图灵提出一个可观察的问题:如果只通过文字交流,人能否分辨对方是人还是机器?这个设想后来被称作图灵测试。1955 年,一份研究计划使用了“人工智能”这个名称。次年,研究者在美国达特茅斯学院开展暑期研究,这次活动通常被视为该领域的起点。

图 7.1 提出问题、使用学科名称和组织暑期研究,分别发生在三个时间点。
早期系统怎样解决问题
一种重要思路是把专家知识写成规则。比如设计故障诊断系统时,工程师可以规定发现某种异常后,应优先检查哪几个零件。这类“专家系统”在范围明确的问题上有用。设备型号或故障类型改变,规则往往也要重新整理。实际进展一度赶不上预期,研究经费和商业热情随之降温。这些低潮期常被称为“AI 寒冬”。
本页资料
图灵|1950 年原文
达特茅斯学院|1955 年提案与 1956 年暑期研究
IBM|人工智能发展史
零基础 AI 科普 / 第 7 篇
从专门任务到深度学习
1997 年,深蓝赢得国际象棋比赛
IBM 的深蓝在六局制比赛中击败世界冠军卡斯帕罗夫。对国际象棋来说,棋盘状态、合法走法和胜负条件都很明确。系统可以搜索许多后续走法,再评估哪一步更有利。深蓝的成就主要体现在这项专门任务上。
2012 年,机器识图取得突破
AlexNet 在当年的 ImageNet 图像分类比赛中显著降低了识别错误率。研究者用大量带类别标注的图片训练多层神经网络,还利用图形处理器加速计算。它说明,足够多的样本、合适的模型和计算能力结合起来,可以让机器学到很难由人逐条写出的图像特征。
2016 年,AlphaGo 战胜李世石
围棋每一步都有很多种选择,单纯搜索会遇到巨大的计算量。AlphaGo 把学习得到的判断与搜索结合,用模型估计哪些走法值得优先考虑。它在五局比赛中以四比一获胜。和深蓝相比,除了棋种不同,选择走法的方法也有明显差异。

图 7.2 左为国际象棋,右为围棋。深蓝和 AlphaGo 的棋种、方法都不同。画面为教学插画。
本页资料
IBM|深蓝及 1997 年比赛
原始论文|2012 年 ImageNet 图像分类
Google DeepMind|AlphaGo
零基础 AI 科普 / 第 7 篇
聊天模型为什么走进日常生活
2017 年,Transformer 架构提出
研究者在机器翻译研究中提出 Transformer。它利用“注意力”计算输入中不同位置之间的联系。翻译一句话时,一个词该怎样理解,可能取决于前面的主语或更远处的词。这种架构后来成为许多大语言模型的基础。
2022 年,对话界面扩大了使用范围
2022 年 11 月,OpenAI 公开发布 ChatGPT。用户可以直接用日常语言提问,再根据回答追问或要求改写。普通人无需先学会编程,就能试用语言模型的本领。生成式 AI 在这以前已经存在,这次发布的重要变化在于大众接触它的方式。

图 7.3 从模型架构到产品界面,再到工具组合,是三个不同层面的进展。
今天,一种应用可以组合多种能力
聊天应用可以在语言模型之外连接搜索、文件读取、计算或绘图工具。例如,先搜索公告,再根据公告整理答案。模型负责理解和表达,搜索负责取得资料,两者可以在同一个界面里完成。
本页资料
原始论文|Attention Is All You Need
OpenAI|ChatGPT 首次发布
OpenAI|ChatGPT 功能说明
