# AI 纪元 · 交互旅程全文

> 站点：https://ai-story.eveningwater.com
> 说明：以下为从 1950 年图灵之问至 2022 年大模型时代的 13 幕正文、抉择与史料来源，供搜索引擎与大模型阅读。

## 目录

- 1950 图灵之问
- 1943 神经元的第一次计算
- 1956 给未来起名
- 1958 会学习的感知机
- 1966 会聊天的机器
- 1974 第一次寒冬
- 1980s 规则的世界
- 1986 误差的反向旅程
- 1987 第二次寒冬
- 1997 深蓝落子
- 2012 一场赌注
- 2017 注意力的转向
- 2022 → 越来越快

## 1950 · 图灵之问

位置：伦敦 · 一页纸上的问题

旁白（提灯者）：
> 1950 年的伦敦，一位数学家在一页纸上写下一个问题。
> 他问：机器能思考吗？

艾伦·图灵没有直接回答。他换了个问法：如果一台机器能在纸面交谈中让你分辨不出它是人还是机器，我们该不该说它会思考？

这就是「模仿游戏」，后来被称为图灵测试。它把「思考」这件玄奥的事，变成了一场可以观测的对局。

那一年，计算机还是庞大的真空管机器。但问题已经先于答案抵达了。

抉择：如果让你来回答图灵，你会怎么选？

- 机器终将思考：图灵本人也相信：到 2000 年，机器有相当大的机会通过测试。历史后来证明，这条路比想象中更长。
- 思考是人类独有：这个回答听起来安全，但图灵想做的恰恰是逼我们重新定义「思考」。

无论怎么选，历史都会收束到：无论答案如何，1950 年的这场提问，成为此后所有 AI 叙事的起点。

史实：
- 1950 年图灵在《Mind》发表《计算机器与智能》
- 图灵测试最初被称为「模仿游戏」

来源：
- Turing, Computing Machinery and Intelligence (Mind, 1950)：https://academic.oup.com/mind/article/LIX/236/433/986238

## 1943 · 神经元的第一次计算

位置：时间往回拨七年 · 纸上的人造神经元

旁白（提灯者）：
> 时间往回拨七年。1943 年，两位学者在纸上画下第一个「人工神经元」。
> 他们相信，思维可以被计算描述。

麦卡洛克与皮茨把神经元的兴奋与抑制抽象成一个阈值开关：输入加权求和，超过阈值就输出 1，否则输出 0。

这不是生物学的精确复制，而是一种大胆的简化：如果思维是计算，那么神经元就是逻辑门。

他们的论文标题很长，结论却很短：神经网络可以做逻辑运算。

抉择：机器的第一次「计算」，你更愿意把它看作？

- 对生命的模仿：麦卡洛克与皮茨确实从神经系统借来了结构，但他们更在意的是「能不能算」。
- 逻辑的门：这正是他们的落点：神经元被化简成可以串联、并联的逻辑单元。

无论怎么选，历史都会收束到：无论看作模仿还是抽象，这一步把「思维」第一次写成了可执行的电路。

史实：
- 1943 年麦卡洛克与皮茨提出人工神经元模型
- 该模型把神经元抽象为加权求和 + 阈值判断

来源：
- McCulloch & Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity (1943)：https://link.springer.com/article/10.1007/BF02478259

## 1956 · 给未来起名

位置：达特茅斯 · 一个夏天的命名

旁白（提灯者）：
> 1956 年夏天，十位学者在达特茅斯学院的走廊里碰头。
> 他们要讨论一个还不存在的东西，并且先给它起个名字。

麦卡锡、明斯基、罗切斯特与香农在 1955 年的提案里写下「artificial intelligence」，并预言：学习的每个方面、智能的任何特征，原则上都可以被精确描述，以至于机器可以模拟。

会议没有立刻带来突破。那个夏天更多是讨论、争辩和零散的设想。

但名字留下了。一门学科，从一次命名开始。

抉择：如果由你来命名这门学科，你会叫它什么？

- 人工智能：真实历史选择了这个名字，它一直用到今天，也一直背着「智能」这个词的重量。
- 思维机器：这个名字当时也被反复讨论过，但最终没有流行起来。

无论怎么选，历史都会收束到：无论如何命名，1956 年夏天被公认为这门学科的起点。

史实：
- 1956 年达特茅斯夏季研究项目提出 artificial intelligence 一词
- 会议组织者包括麦卡锡、明斯基、罗切斯特与香农

来源：
- Dartmouth Summer Research Project on Artificial Intelligence (1955 提案)：http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

## 1958 · 会学习的感知机

位置：纽约 · 第一台会从例子中学习的机器

旁白（提灯者）：
> 1958 年，弗兰克·罗森布拉特造出一台「会学习」的机器。
> 它不看规则，它看例子。

感知机通过调整权重来分类：给对的例子加强连接，给错的例子削弱连接。它不需要人把规则写进去。

纽约时报报道说，海军期待它能走路、说话、看见。乐观第一次跑到了证据前面。

1969 年，明斯基与佩珀特在《感知机》里指出：单层感知机连异或都学不会。寒冬的种子就此埋下。

抉择：面对这台会学习的机器，你选择？

- 相信它：当时很多人相信。感知机看起来像是通向通用智能的第一块砖。
- 质疑它：质疑者后来证明，单层结构的表达能力有明确的上限。

无论怎么选，历史都会收束到：相信与质疑都推动了下一步：人们开始追问，多层网络能不能突破这个上限。

史实：
- 1958 年罗森布拉特提出感知机
- 1969 年明斯基与佩珀特指出单层感知机无法表示异或

来源：
- Rosenblatt, The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain (1958)：https://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf
- Minsky & Papert, Perceptrons (1969)：https://mitpress.mit.edu/9780262631112/perceptrons/

## 1966 · 会聊天的机器

位置：麻省理工 · 第一个让人倾诉的程序

旁白（提灯者）：
> 1966 年，一个叫 ELIZA 的程序坐在终端里，假装自己是一位心理治疗师。
> 它其实只做一件事：把你说的话，换一种方式问回去。

ELIZA 由约瑟夫·魏泽鲍姆编写，用模式匹配和替换规则工作。你说「我很难过」，它问「你为什么难过？」

它不懂你说的任何一句话。但很多人愿意对它说真话，甚至要求魏泽鲍姆让程序别再偷看对话。

魏泽鲍姆后来对此深感不安：人对机器的信任，可能远远超过机器值得被信任的程度。

抉择：你会和它说真话吗？

- 会，哪怕它只是规则：这正是 ELIZA 效应的来源：只要对话的形式足够像人，我们就容易把理解投射进去。
- 不会，我知道它只是匹配：保持警惕是对的。但历史上，知道原理的人也一样会被对话形式打动。

无论怎么选，历史都会收束到：ELIZA 留下的不是技术，而是一面镜子：我们如何对待会说话的机器。

史实：
- ELIZA 于 1966 年由魏泽鲍姆在 MIT 编写
- 它使用模式匹配与文本替换，并不理解语义

来源：
- Weizenbaum, ELIZA — A Computer Program for the Study of Natural Language Communication (1966)：https://dl.acm.org/doi/10.1145/365153.365168

## 1974 · 第一次寒冬

位置：实验室 · 一盏一盏熄灭的灯

旁白（提灯者）：
> 1973 年，一份报告改变了钱的流向。
> 实验室的灯，一盏一盏地灭了。

英国数学家詹姆斯·莱特希尔受政府委托评估 AI 研究，结论相当冷淡：这些工作没有兑现承诺，也没有形成清晰的产业价值。

在大西洋另一边，美国国会限制了国防部的基础研究拨款，机器翻译项目的失败也被反复引用。

经费退潮，论文还在写。后来人们把 1974 年之后这段沉寂称为「第一次 AI 寒冬」。

抉择：灯灭之后，你会怎么选？

- 继续做下去：少数人留了下来。他们没有经费，但仍然相信结构化的知识可以被机器使用。
- 先停下来：更多人转去别的方向。寒冬不是终点，但它确实让一代人离开了这个领域。

无论怎么选，历史都会收束到：历史同时容纳了两种选择：有人离开，有人留下，后者在下一个十年把专家系统推上了舞台。

史实：
- 1973 年莱特希尔报告对英国 AI 研究给出负面评价
- 1974 年后 AI 研究经费大幅收缩，被称为第一次 AI 寒冬

来源：
- Lighthill Report on Artificial Intelligence (1973)：https://www.chilton-computing.org.uk/acl/literature/reports/p024.htm

## 1980s · 规则的世界

位置：企业机房 · 专家系统开始赚钱

旁白（提灯者）：
> 1980 年代，AI 换了一种活法：不再追求通用智能，先去解决具体问题。
> 它把自己包装成一条条「如果……那么……」的规则。

专家系统把领域知识写成规则库，再用推理机一条条匹配。1976 年的 MYCIN 已经能给出抗生素建议，准确率接近专科医生。

真正让它变成生意的是 XCON：DEC 用它配置计算机订单，据估算每年省下数千万美元。AI 第一次在企业预算里留下了正面数字。

1982 年，日本启动「第五代计算机」计划，举国押注。热潮再次升起，也再次把期待抬到了技术还够不着的高度。

抉择：规则能覆盖整个世界吗？

- 能，只要规则足够多：当时很多人这么想。规则库确实越写越大，但维护成本也在同步膨胀。
- 不能，世界太模糊：这正是后来被反复验证的答案：真实世界的边界条件，很难被穷举成规则。

无论怎么选，历史都会收束到：专家系统证明了 AI 可以有用，也暴露了它的天花板：知识的获取与维护，比想象中昂贵得多。

史实：
- 1980 年代专家系统在企业中大规模应用，XCON 是代表案例
- 1982 年日本启动第五代计算机计划

来源：
- McDermott, R1: A Rule-Based Configurer of Computer Systems (1982)：https://doi.org/10.1016/0004-3702(82)90021-2

## 1986 · 误差的反向旅程

位置：实验室 · 让错误沿着网络回流

旁白（提灯者）：
> 1986 年，一篇发表在《自然》上的论文，让多层网络重新变得可行。
> 方法很简单：让误差，沿着网络反向走一遍。

鲁梅尔哈特、辛顿与威廉姆斯系统性地展示了反向传播：输出层的误差被逐层回传，每一层的权重都按责任大小被修正。

隐藏层从此有了意义。网络不再只能画一条直线，它可以弯折、可以组合特征。

同一时期，杨立昆把卷积结构用在手写数字识别上。连接主义在寒冬的余温里，悄悄攒下了下一轮爆发的火种。

抉择：此刻，你把赌注押在哪一边？

- 连接主义：让网络自己学：这条线当时并不被看好，但它后来支撑起了整个深度学习时代。
- 符号主义：知识还是要人来写：符号主义在 1980 年代仍是主流，规则系统的工程经验也确实解决了很多实际问题。

无论怎么选，历史都会收束到：两条路线此后长期并存：一边追求从数据中学习，一边坚持把知识显式写下来。

史实：
- 1986 年鲁梅尔哈特、辛顿、威廉姆斯在《自然》发表反向传播论文
- 反向传播使多层神经网络的训练成为可能

来源：
- Rumelhart, Hinton & Williams, Learning Representations by Back-Propagating Errors (Nature, 1986)：https://www.nature.com/articles/323533a0

## 1987 · 第二次寒冬

位置：市场 · 又一次退潮

旁白（提灯者）：
> 专家系统的规则越写越多，维护它们的工程师也越来越多。
> 然后，市场先撑不住了。

1987 年，LISP 机器市场崩盘，专为 AI 打造的硬件被通用工作站取代。专家系统的维护成本开始超过它节省的成本。

「AI」这个词再次从预算表里消失。第二次寒冬到来，比第一次更安静。

但这一次，神经网络没有完全消失。辛顿、杨立昆、本吉奥等人留在实验室里，继续打磨那些当时无人愿意资助的方法。

抉择：又一次灯灭，你会怎么选？

- 留在实验室：少数人留下了。他们的工作在二十多年后，成为 AlexNet 的地基。
- 离开这个领域：很多人离开了。寒冬的代价，是一整代人的转向。

无论怎么选，历史都会收束到：历史没有跳过寒冬。它只是把火种藏进了更小的房间里。

史实：
- 1987 年 LISP 机器市场崩溃，AI 进入第二次寒冬
- 神经网络研究在低谷期仍于少数实验室中延续

来源：
- AI winter — 历史脉络与两次退潮：https://en.wikipedia.org/wiki/AI_winter

## 1997 · 深蓝落子

位置：纽约 · 一场六局的比赛

旁白（提灯者）：
> 1997 年 5 月，一台机器坐在棋盘对面。
> 它不紧张，也不需要紧张。

IBM 的深蓝与卡斯帕罗夫下了六局，最终以 3.5 比 2.5 取胜。它每秒可以评估约两亿个棋位。

深蓝并不「理解」棋。它靠搜索和评估函数，把人类棋手的直觉拆成了可以计算的分支。

卡斯帕罗夫要求重赛，IBM 拒绝了。机器在国际象棋上超过人类，这件事被写进了大众记忆。

抉择：机器赢了棋，算不算思考？

- 算，它做出了决策：从结果看，它确实在约束条件下做出了比对手更好的选择。
- 不算，它只是搜索：这也是当时最主流的解释：深蓝的强大来自算力与搜索，而不是理解。

无论怎么选，历史都会收束到：这场争论没有结束。它只是换了个棋盘，继续在之后的二十年里上演。

史实：
- 1997 年 5 月深蓝以 3.5 比 2.5 战胜卡斯帕罗夫
- 深蓝主要依靠大规模并行搜索与评估函数

来源：
- Campbell, Hoane & Hsu, Deep Blue (Artificial Intelligence, 2002)：https://doi.org/10.1016/S0004-3702(01)00129-1

## 2012 · 一场赌注

位置：ImageNet · 数据与算力的合流

旁白（提灯者）：
> 2012 年，一场图像识别比赛。
> 所有人都盯着排行榜，然后看着一个数字掉了下来。

李飞飞团队构建的 ImageNet 提供了上百万张标注图片。2012 年的 ILSVRC 上，AlexNet 把 top-5 错误率从 26.2% 压到 15.3%。

它用的不是新魔法：卷积网络、反向传播、ReLU、 dropout，再加上两块 GPU。真正稀缺的，是数据与算力同时到位。

这一年之后，「深度学习」从论文词汇变成了产业词汇。

抉择：你愿意把赌注押在哪里？

- 数据与算力：历史选择了这一边：更大的数据集、更强的 GPU，把旧方法推过了临界点。
- 更聪明的算法：算法当然重要，但 AlexNet 的关键并不是发明了全新结构，而是让既有结构在足够的规模上跑了起来。

无论怎么选，历史都会收束到：数据、算力、算法三者的合流，开启了此后十年的加速。

史实：
- 2012 年 AlexNet 在 ILSVRC 上将 top-5 错误率降至 15.3%
- AlexNet 使用两块 GPU 训练，标志着深度学习时代的开启

来源：
- Krizhevsky, Sutskever & Hinton, ImageNet Classification with Deep Convolutional Neural Networks (2012)：https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html

## 2017 · 注意力的转向

位置：一篇论文 · 让序列不再逐字行走

旁白（提灯者）：
> 2017 年，八位作者提交了一篇论文。
> 标题很短：注意力就是你所需要的一切。

Transformer 丢掉了循环结构，用自注意力让序列中的每个位置直接看见其他所有位置。训练可以并行，模型可以更大。

它原本是为机器翻译准备的，却意外成为此后几乎所有大模型的地基。

从 BERT 到 GPT，从语言到图像再到语音，注意力机制把不同模态拉进了同一种计算形式。

抉择：注意力足够解释智能吗？

- 足够，规模会补上一切：这是「规模派」的答案：结构足够通用，剩下的交给数据与参数。
- 不够，还缺别的：这是「机制派」的答案：记忆、推理、世界模型，仍然有未被注意力覆盖的部分。

无论怎么选，历史都会收束到：争论仍在继续。但可以确定的是，注意力的转向，让 AI 的加速度又上了一个台阶。

史实：
- 2017 年 Transformer 论文提出完全基于自注意力的架构
- Transformer 成为此后大语言模型的基础结构

来源：
- Vaswani et al., Attention Is All You Need (2017)：https://arxiv.org/abs/1706.03762

## 2022 → · 越来越快

位置：现在 · 你正站在这里

旁白（提灯者）：
> 从 1950 年到 2012 年，走了六十二年。
> 从 2012 年到 2022 年，只用了十年。

2020 年，GPT-3 用一千七百五十亿参数展示了「少样本学习」：不微调，只在提示里给几个例子。

2022 年 11 月，ChatGPT 把这种能力放进了一个对话框。此后的多模态、工具调用与智能体，把「模型」变成了「系统」。

图灵在 1950 年提出的问题，仍然没有被回答。但提问的方式，已经完全不同了。

抉择：你相信哪一条未来？

- 人机共生：你选择了共生：机器扩展人的能力，人决定机器的边界。
- 人类主导：你选择了人类主导：技术必须始终被置于人的判断之下。
- 机器自主：你选择了机器自主：你愿意把一部分判断，交给不理解的系统。

无论怎么选，历史都会收束到：历史尚未写下答案。这一页，留给你。

史实：
- 2020 年 GPT-3 发布，参数规模达 1750 亿
- 2022 年 11 月 ChatGPT 发布，大模型进入大众视野

来源：
- Brown et al., Language Models are Few-Shot Learners (2020)：https://arxiv.org/abs/2005.14165
- OpenAI, Introducing ChatGPT (2022)：https://openai.com/index/chatgpt/