AI发展史简明指南：从规则系统到大模型的技术演进脉络

本文将求根溯源，从历史时间线发展的角度一起来看看 AI 是如何诞生的，以及在诞生后这几十年的发展过程中经历了哪些变革和演进。

在演进的过程中我会介绍大量涉及到的细分技术模块，希望大家对 AI 整体的技术模块及互相之间的关系都有系统化的了解。

01 前世：AI 出现前

1、唯一的高等智慧动物-人类

人类在地球上最早以人猿的方式出现，经历了几百万年的进化和发展，人类成为了地球食物链的顶端，也成为了唯一的高等智慧动物：具备了复杂的多语言、推理和抽象思维、创造、发明以及最重要的多文明体系。

而人类能发展成为这样，背后最重要的原因是：人类大脑的独特性，人类大脑能支撑抽象思维、推理思维、语言创造、知识学习和传承、发明和创造、文明建立和传承等多维度能力，而这些正是人类的“智能”能力。

（人类大脑的简要结构图-图片来源于AI生成）

通过上图我们会发现除了左脑、右脑这些分区结构外，还有树突、轴突这些专业名词，而这些专业名词正是大脑里“神经元”的一部分，而人类大脑拥有将近860 亿个“神经元”，这些“神经元”承担了所有信息的处理和传递工作，所有大脑的活动都依赖其协同工作。

这也很显而易见的让人类具备了感知、思维、情绪、运动控制、语言交流等多维度的智能能力。

（人类大脑“神经元”的工作原理-图片来源于AI生成）

在人类几百万年的发展过程中，人类依靠大脑具备了非常强大的智能能力，这是地球上其他动物无法比及的。后来人类发现虽然大脑很强大，拥有几百亿的神经元，但记性和效率有待提升。于是便思考能否解放大脑、让机器代替人类去执行繁复计算？

2、第一台计算机诞生

（第一台计算机诞生-图片来源于AI生成）

这就催生了第一台计算机的出现，第一台计算机在 1946 年被发明，开创性地解决了“快速算、精准存”的问题。

但有一个问题是这台计算机只是听话但不会思考，比如你让他计算 1000 遍乘法可以迅速给你算出来，但他不会思考这些乘法之间的规则或关联以便下次更好的计算。

直到后来，科学家发现人类大脑的厉害之处不在于有 860 亿个神经元，而在于 860 亿个神经元像“亿级路由器”一样互相联通，形成了极其复杂的“神经网络”，而“神经网络”可以让大脑具备自我学习、提炼规律的智能能力。

于是他们想：能不能模仿神经网络，造一个“机器神经网络”？这便有了AI的雏形。

02 今生：AI 初生期（1956-1989）

1、AI 概念定义

在 1956 年达特茅斯会议上，科学家首次提出“人工智能（Artificial Intelligence 缩写为 AI）”的专业术语，明确提出了“让机器模拟人类智能”的研究目标，这是 AI 成为独立学科的起点。

那么，到底什么是“人工智能（AI）”？这里其实已经有明确定义：人工智能（AI）是让机器模拟人类智能的技术总称。

而“人类智能”可以简要概括为：让机器具备“感知、思考、决策、执行”的能力。

（过马路示意-图片来源于AI生成）

我们通过一个“过马路”的例子来解释这四种能力：

• “感知”：用眼睛看到红绿灯变化，用耳朵听到汽车鸣笛。
• “思考”：看到红灯，分析得出应该停下的结论。
• “决策”：在“闯红灯”和“等待”之间，选择后者以确保安全。
• “执行”：绿灯亮起时，迈步走过人行道。

人类以上的“感知、思考、决策、执行”构成了“智能”能力。但如果要让机器具备这些“智能”能力，首要难点是机器不懂我们的自然语言。这时，另一个学科便可以很好地结合进来：自然语言处理（Natural Language Processing 缩写为 NLP）。

2、自然语言处理（NLP）

其实“自然语言处理（NLP）”并非AI出现后才诞生。1950年，图灵就提出“如果一台机器能通过文本对话让人类无法分辨它是人还是机器，那它就具有了智能”，这其实是NLP的早期目标。AI诞生后，NLP成为其早期发展最重要的相辅相成的模块。

那么什么是“自然语言处理（NLP）”？

• “自然语言”：人类在日常生活中自然而然发展和使用的语言（如汉语、英语），不包括编程语言。
• “自然语言处理（NLP）”：让计算机能够理解、解释、操纵和生成人类自然语言，即教计算机“听懂人话、说人话、看懂人写的字、写出人能看懂的内容”。

3、AI 初生期案例分析

在自然语言处理（NLP）的加持下，AI 初步在一些场景取得了应用，比如早期的机器翻译：

（早期机器翻译原理示意-图片来源于AI生成）

在早期机器翻译中，有词典、语法规则库、转换规则等等预先设定好的规则库，这些规则库决定了翻译功能的具体实现。

下面以翻译“The apple is red.”为例说明其原理与局限：

• 第一步：查词典。得到中文词：【这】【苹果】【是】【红色的】。
• 第二步：调整顺序。应用语法规则，将英文的 [主词] + [is] + [形容词] 对应为中文的 [主词] + [是] + [形容词] + 的，得到结果：这苹果是红色的。

问题暴露：虽然语法正确，但表达不够地道。在日常口语中，我们更常说“这个苹果是红的”或“苹果很红”。机器无法理解这种语言习惯和微妙差别。

这个简单例子揭示的根本缺陷：

• 缺乏灵活性：机器只会死板地应用规则，无法根据语境灵活调整。
• 没有“语感”：不知道什么样的表达听起来更地道自然。

4、AI 初生期小结

通过机器翻译的例子，我们会发现在AI 初生期（1956-1989），虽然有自然语言处理（NLP）的加持，但 AI 基本都是死板地按人类制定的规则去执行，不够灵活。

如果把 AI 比作一个人类，这一阶段的他，最多算是一个只会死记硬背的小学生，不懂变通。一旦遇到规则以外的内容，就无能为力。我们暂且把这一阶段的 AI 称作“规则式 AI”。

而这正是推动 AI 进一步发展的原因。

03 今生：AI 成长期（1990-2016）

在 AI 初生期，AI 基本依赖既定规则，这也催生了AI成长期的演进。

1、机器学习出现

这一阶段，一个很重要的概念出现：机器学习（Machine Learning 缩写为 ML）。

机器学习的定义是：让机器从数据中自己学习规律，而不是仅仅依靠人类为它编写固定的指令。

相比之前的“规则式 AI”，机器学习的方式会让机器通过分析大量数据，自行发现规律，然后再去应用，显得不再那么死板。

2、AI 成长期案例分析

我们以垃圾邮件过滤系统为例来说明：

（垃圾邮件示意-图片来源于AI生成）

如果在 AI 初生期，只能按照既定规则来，比如：

• 如果邮件标题里出现 “免费” 这个词，就标记为垃圾邮件。
• 如果发件人地址包含 “spam” ，就标记为垃圾邮件。

这种方法的缺点非常明显：

• 变种很难防范：比如“免-费”或“Free”会让规则失效。
• 可能会误杀：正常邮件包含“免费”一词也可能被错误过滤。

那么，在 AI 成长期，我们可以怎么做？

• 第一步：准备“学习资料”。提供已分类的邮件数据：1000封垃圾邮件（标“垃圾”），1000封正常邮件（标“正常”）。
• 第二步：让机器自己“找规律”。机器通过统计分析发现：“垃圾邮件”中“免费”、“优惠”等词出现概率高；“正常邮件”中“会议”、“项目”等词出现概率高。最终形成自己的判断标准。
• 第三步：实际运作。新邮件“关于国庆放假的通知”到达。机器分析发现“放假”、“通知”等词与“正常邮件”关联度高，且未出现垃圾邮件高频词，于是判断为正常邮件。

（垃圾邮件技术原理-图片来源于 AI 生成）

通过这个案例，我们会发现有了机器学习的加持，AI 从“规则式”的死板应用，进阶为能让机器自己学习、总结规律的“模型分析”模式。

3、AI 模型出现

那么机器通过自己学习，总结出的规律，就是AI 模型（Model）！

AI 模型的定义是：一个通过大量数据训练出来的、能够识别特定模式或规律的数学函数或程序。通俗讲就是从数据中提炼出的“规律”或“经验”本身。

AI 模型的三大核心要素：

• 输入：接收新的数据（如收到一封邮件）。
• 处理：运用学到的规律进行计算或判断。
• 输出：产生结果（判断邮件是否为垃圾邮件）。

4、机器学习方法：监督学习

在上述案例中，我们给了机器2000个已分类（标注好“正常”或“垃圾”）的邮件，让机器根据标注结果去学习。这便是机器学习的方法之一——“监督学习”。

监督学习即：给机器学习的训练数据都带有明确的“标签”。当然，还有其他机器学习方法，后续会介绍。

5、AI 成长期小结

如果还是把 AI 比作一个人类，这一阶段，他可以算是一个靠刷题总结规律的中学生了：针对某一学科（领域），刷了大量带答案的题，能自己总结出规律和方法，再遇到同类题时能得心应手。

通过统计大量数据然后总结规律，我们可以把这阶段的 AI 称为“统计式 AI”。

但是，有一个很重要的问题：这位中学生可能偏科。如果没做过物理题，遇到全新的物理问题，他可能还是无法解决。

回到AI成长期，虽然AI通过机器学习变得强大了，但一旦遇到训练数据以外的领域，它就无能为力。这也是该阶段AI发展面临的核心问题，而这个问题在接下来的AI爆发期中得到了突破性解决。

04 今生：AI 爆发期（2017 年至今）

在AI成长期，我们发现AI模型存在“偏科”问题。如何解决？

1、AI 模型架构演进

我们仍以“垃圾邮件过滤系统”来回顾和延展分析模型架构的演进：

• AI 初生期：按既定规则执行，无模型概念。
• AI 成长期：通过机器学习（监督学习）训练出AI 模型（如“朴素贝叶斯模型”）。但它是“拆词专家”，不关心词序和句子整体意思，无法理解上下文。
• RNN 架构（循环神经网络）：尝试逐词阅读并记忆前文，有了初步“上下文”概念。但存在“健忘症”，处理长文本时易遗忘开头信息。
• CNN 架构（卷积神经网络）：每次关注相邻的几个词，擅长捕捉局部短语特征，效率高。但缺乏全局观，难以理解文本整体逻辑和核心意图。

简单总结：以上模型架构通过优化，能力逐步提升，但仍有明显缺陷：“不懂语法”、“认真但健忘”、“眼光狭隘”。

2、Transformer 架构出现

2017年，Google研究团队发表论文《Attention Is All You Need》，正式提出Transformer 架构。这成为了引爆AI爆发期最关键的技术基石。

我们看看 Transformer 架构如何工作（仍以垃圾邮件过滤为例，邮件内容：“尊敬的客户，恭喜您获得10W奖金！请点击唯一链接 http://xxx.com 领取”）：

• 第一步：同时查看所有关键信息（并行处理）。一瞬间看到所有词。
• 第二步：划重点并分析（自注意力机制）。给词与词之间建立“关联线”，发现“奖金”与“链接”、“领取”关联紧密，识别出“诈骗三件套”模式。
• 第三步：全局推理，看穿意图。理解整封邮件的逻辑：用虚假好消息诱导点击可疑链接。
• 第四步：做出最终决定。有把握地判定为钓鱼诈骗邮件。

Transformer 架构通过“自注意力机制”实现了革命性突破。自注意力机制通俗理解是：模型在处理信息时，能瞬间关注所有部分，并智能判断哪些部分之间的关系更重要。

3、AI 大模型出现

有了Transformer架构，AI模型得到革命性改进。基于此，OpenAI在2018年推出生成式模型GPT-1（1.17亿参数）。这里的“参数”类似于大脑神经网络中的“神经元”。

随后快速发展：2019年GPT-2（15亿参数）、2020年GPT-3（1750亿参数）。参数规模不断扩大，正是为了解决AI模型“偏科”问题，使其具备更通用、更强大的知识储备。

基于此，大模型（Large Model， LM）由此而生！

大模型基础定义为：大规模人工智能模型。这里的“大规模”主要指参数规模巨大。通常参数规模在100亿以上可被视为大模型。

4、大模型、中模型、小模型

既然有大模型，当然也有中、小模型。它们在参数规模、能力特点和应用场景上各有侧重。对于大部分工作生活场景，大模型的应用最为广泛。

5、大语言模型

在AI初生期，AI就与“自然语言处理（NLP）”相辅相成。大模型最初的形式就是大语言模型（Large Language Model， LLM）：

• Large（大）：参数数量和训练数据量巨大。
• Language（语言）：处理自然语言。
• Model（模型）：能识别模式或规律的计算模型。

GPT-3是典型的大语言模型。2023年推出的GPT-4参数量更大，且从GPT-3的仅处理文本，演进为可处理文本和图像的多模态模型。

6、除了大语言模型还有哪些模型？

大语言模型是AI大模型最早期和核心的形式。如今大模型宇宙已远远不止于此，还包括文生图、图生视频等多种模态的模型。

7、机器学习方法：无监督学习

在AI成长期，我们通过监督学习训练模型。那么GPT等大模型是如何“预训练”出来的呢？

同样使用机器学习，但更“深度”。由于大模型参数和数据量巨大，无法人工标注所有数据。通用大模型需要学习互联网上的所有知识，让机器自己去总结规律。这种机器学习方法称为 “无监督学习”。

8、深度神经网络、深度学习与传统机器学习

由于大模型巨大的参数量和训练量，需要更复杂的网络结构。RNN、CNN、Transformer等都属于 “深度神经网络” 范畴。

基于深度神经网络对大模型进行预训练的机器学习范式，称为 “深度机器学习” 或 “深度学习”。而AI成长期的机器学习范式则称为 “传统机器学习”。

9、以 ChatGPT、SD 等案例分析

大模型不断完善，但直到2023年ChatGPT正式问世，普通用户才在应用层真切感受到大模型的强大。

（ChatGPT 聊天界面-图片来源于 AI 生成）

几乎同一时期，Stable Diffusion（SD） 面世。SD是一个文生图大模型，可以根据输入的文本生成图像。

（Stable Diffusion 界面-图片来源于 AI 生成）

向SD、Midjourney等文生图模型输入的文本就是提示词（Prompt）。例如：

• Prompt：一只猫在吃饼干
• Prompt：写实风格，在一个阳光明媚的早晨，一只金渐层猫在草地上，用爪子拿着一块饼干往嘴里吃

10、提示词工程

提示词工程是一门与AI有效沟通的艺术。核心原则是：你给AI的提示词越清晰、越具体，得到的结果就越好。

但仅靠文本提示词，很难生成与特定对象（如自家宠物）完全一致的图片。这时，可以结合图片输入。例如，输入宠物照片和文本提示词，生成更符合预期的图片。这引出了多模态的概念。

11、多模态、单模态

多模态（Multimodal） 指AI模型在输入或输出端能同时处理、理解和关联多种不同类型信息（如文本、图像、视频、音频）。

单模态（Unimodal） 则指在输入和输出端分别专注于一种类型的信息处理（如仅文本）。GPT-3、GPT-4（指纯文本版本）等是单模态大模型。

12、开源、闭源

大模型还有“开源”与“闭源”之分，如SD是开源，Midjourney是闭源。两者在透明度、可控性、成本、社区支持和技术门槛上各有优劣，共同推动了AI领域发展。选择时需根据自身需求、技术能力和资源决定。

13、智能体的出现

无论是单模态对话还是多模态生图，都属于AI大模型在应用层的使用。但用户仍需不断发出指令来驱动整个过程。是否存在一种AI，你只需要告诉它一个目标，它就能自主规划、执行，直到交付结果？

这就是 “智能体（Agent）” 。其核心定义是：能够感知环境、进行决策，并自主采取行动以实现某种目标的系统或程序。

智能体的关键因素是：“感知”、“决策”、“目标”、“自主行动”。其中，“自主行动” 指“扔给它一个目标，它自己能变出一套计划、搞定过程、应对变化，最终给你结果”的能力。

那么，“大模型”和“智能体”是什么关系？

• 大模型像是无所不知、超级博学的大脑。
• 智能体则是拥有这个大脑，并具备了手和脚，能主动完成复杂任务的“全能机器人”。

简要总结：

• 大模型是智能体的“能力基础”：没有大模型，智能体就不会理解和思考。
• 智能体是大模型的“落地延伸”：让大模型的能力从“说”变成“做”。
• 两者“分工协作”：大模型负责“想清楚”，智能体负责“做到位”。

14、如何开发一个智能体应用？

开发一个智能体应用，大致流程如下：

1. 需求确认及策划：明确要解决的问题或提升的体验。
2. 技术选型及架构设计：选择大模型、智能体平台/框架、工具链。
3. 核心开发。
4. 智能体调优及测试：关键环节，决定AI效果。
5. 项目上线运营与迭代。

在智能体调优中，除了提示词工程，还会涉及两个重要概念：“RAG”和“微调”。

15、检索增强生成（RAG）

检索增强生成（Retrieval-Augmented Generation， RAG）：

• 检索：从外部知识库查找相关信息。
• 增强：用检索到的信息“补充”大模型的知识。
• 生成：大模型基于补充信息生成更准确可靠的答案。

通俗解释：让智能体的大脑（大模型）在输出前，先主动去知识库“查阅资料”，然后根据资料生成答案。

• 没有RAG：像闭卷考试，只能依靠记忆（预训练知识）答题，易出错或“胡编乱造”。
• 有了RAG：像开卷考试，遇到问题先查阅资料，再结合理解写出有据可查的答案。

16、微调：基于监督学习和强化学习

提示词工程、RAG主要优化输入阶段。要更好地优化输出，还需 “微调” 。微调本质上改变了AI模型本身（对开源模型是修改副本，对闭源模型是调整“适配层”）。

微调常用方法包括：

• 监督微调（SFT）：使用高质量的“问题-答案”对，以监督学习的方式进一步训练模型，使其输出更符合特定格式或风格。
• 基于人类反馈的强化学习（RLHF）：让模型通过试错，学习最大化长期奖励的“决策链”。例如，通过人工对模型输出进行评分（奖励模型），让AI学习生成高分答案，从而优化输出效果。

17、大模型的幻觉问题

在项目过程中，AI有时会输出看似合理实则错误的信息，这就是大模型的 “幻觉”问题：大模型生成事实上错误、荒谬或虚构信息的行为。

RAG、提示词工程、微调等方法的一个重要目标就是管理和减少幻觉，但无法完全消除。还可采用答案溯源、自我批判、固定高准确性信源等策略。对于AI的输出，我们应始终保持审慎态度。

18、AI 爆发期小结

AI爆发期，大模型百花齐放，智能体应用层出不穷。这阶段的AI，如同一个读遍天下书并拥有实习经验的大学生，下一阶段将走向更广阔的未来。我们可以把这阶段的AI称为 “深度学习/大模型 AI”。

05 未来

AI从历史长河看已有几十年，但真正爆发就在近几年，背后是数据、算力、算法三大支柱的成熟：

• 数据：生活、工作全面数字化积累的海量数据。
• 算力：云计算、GPU等提供的强大支撑。
• 算法：以Transformer为代表的深度学习架构。

在此支撑下，AI从自然语言处理扩展到多模态物理世界，应用形态从内容生成（AIGC）到辅助办公，再到各垂直行业的初步探索。AI从“规则式”演进到“统计式”，再到今天的“深度学习/大模型 AI”。

如果把AI比作人类，他已从小学生成长为大学生。未来，AI将深入各行各业，成为我们重要的“伙伴”，而不仅仅是工具。这要求我们更深入地思考：为什么要用AI？AI能做什么？用了会改变什么？如果不用会怎样？