本课学习目标学完这节课你能搞明白以下问题AI不是2023年才冒出来的它在1956年就有了——这中间经历了什么为什么AI会火一阵又凉一阵两次寒冬是怎么来的2012年和2017年发生了什么让AI突然开挂了读懂AI发展的底层逻辑理解今天AI爆发的历史必然性 课前思考你有没有这样的疑问2022年底ChatGPT火了之后好像AI突然就爆发了。但AI真的是这两年才突然横空出世的吗之前那些年AI在干嘛答案是AI其实已经走了将近70年中间经历了两次差点被放弃的寒冬。它不是突然变强的而是一步步积累量变引起质变。这节课壹哥会用一条时间线把AI的前世今生串起来。一、AI发展的六个阶段(一图看懂)1943-1956 孕育期理论奠基机器能思考还是个疯狂的想法 │ 1956-1960s 诞生期AI正式有了名字第一波热潮来了 │ 1960s-1970s 第一次寒冬发现AI没那么简单期望落空 │ 1980s-1990s 第二次繁荣与寒冬专家系统商用成功但维护成本太高 │ 1990s-2010s 稳步积累互联网带来数据红利关键技术逐步成熟 │ 2012-至今 爆发期深度学习突破AI全面渗透生活下面我们逐个阶段来讲一下。二、孕育期(1943-1956)在黑暗中摸索这个阶段还没有出现人工智能这个词但科学家们铺下了最关键的两块基石。基石一MP神经元模型(1943年)两个科学家做了一件事把人脑神经元的兴奋/抑制状态用0和1来表示然后发现——把很多这样的人工神经元连在一起就能做简单的逻辑判断比如与或非。这是人类第一次用数学来描述大脑是怎么工作的。后来的神经网络、深度学习都是在这个模型上一步步发展起来的。基石二第一台电子计算机ENIAC(1946年)在ENIAC之前人类靠算盘和计算尺做计算速度太慢根本不可能做复杂的智能模拟。ENIAC虽然体型巨大(占地167平方米)但它证明了机器可以自动完成复杂的计算——这为后来的AI研究提供了必要的计算工具。打个比方MP神经元模型相当于画出了大脑的电路图ENIAC相当于造出了能运行这些电路图的计算机。两块基石缺一不可。三、诞生期(1956-1960s)AI正式出道1956年达特茅斯会议——AI的出生证明10个年轻科学家聚在一起开了两个月的会。会议上麦卡锡第一次提出了Artificial Intelligence这个词并且定下了目标让机器模仿人类的学习、推理、决策能力。从这一天起AI有了正式的名字也成了独立学科。早期的兴奋成果1959年第一台工业机器人Unimate在通用汽车工厂上班能自动搬运、焊接1960年ELIZA程序诞生能跟人进行简单的文字对话。你跟它说我很伤心它会回你为什么伤心1965年DENDRAL系统能根据化学数据推断分子结构准确率达到人类专家水平这些成果让所有人都兴奋了——看来机器很快就能像人一样聪明但这个判断过于乐观了。四、第一次寒冬(1960s-1970s)期望落空早期AI的聪明其实是靠大量手写的规则堆出来的(if-else逻辑)。规则能处理简单的问题但一遇到复杂场景就露馅了。翻车案例机器翻译项目原本想让俄语自动翻译成英语结果稍微复杂一点的句子就翻译得驴唇不对马嘴语音识别只能识别特定人说的特定词换个口音就不行了常识推理机器理解不了下雨要带伞人要吃饭这种三岁小孩都知道的事情为什么会翻车三个原因计算能力不够当时的计算机太弱跑不动复杂的算法数据不够没有互联网能用于训练的数据太少低估了智能的复杂性科学家以为写足够多的规则就能模拟人类智能后来发现——人类的常识根本没法全部写成规则结果政府和企业撤资了大量的AI项目被砍掉AI进入了第一次寒冬。这一课的教训技术不能脱离现实条件期望太高、能力不够摔得就越惨。五、第二次繁荣与寒冬(1980s-1990s)专家系统的大起大落繁荣专家系统80年代初一种叫专家系统的AI技术火了。原理很简单把人类专家的知识整理成规则存进电脑电脑根据规则来回答问题。IBM开发的XCON系统能帮电信公司配置交换机——工程师原来要干几天的活系统几个小时就搞定了。企业一看有利可图纷纷投入。日本甚至提出了第五代计算机计划举国之力搞AI。寒冬专家系统的硬伤好景不长到了80年代后期专家系统的问题暴露了问题具体表现知识获取难专家的很多经验只可意会不可言传根本写不成规则维护成本高业务一变规则就得全部改维护费比省的钱还多泛化能力差只能解决特定领域的问题换一个场景就傻了90年代初日本第五代计算机计划失败企业对专家系统失去信心AI再次进入寒冬。这一课的教训靠人工整理规则这条路走不通AI需要一种新的能力——从数据中自己学习。六、稳步积累期(1990s-2010s)黎明前的黑暗两次寒冬之后AI研究变得更务实了。不再追求造一个像人一样的智能而是聚焦于解决具体问题。标志性事件深蓝战胜人类棋王(1997年)IBM的深蓝计算机战胜了国际象棋世界冠军卡斯帕罗夫。深蓝的思路很暴力——每秒计算2亿种可能的走法选胜率最高的。它不是像人一样思考而是靠强大的计算能力硬算。这证明了AI不需要模仿人类的思考方式只要能解决问题就行。关键的三个积累数据积累互联网普及海量文本、图像、音频数据涌现AI有了充足的学习素材算法积累支持向量机(SVM)、逻辑回归等算法成熟在小规模数据上表现不错场景积累电商推荐、银行反欺诈、搜索引擎排序——AI开始悄悄融入生活这一阶段看起来平平无奇没有大新闻但量变正在发生。七、爆发期(2012-至今)AI的大爆炸引爆点一AlexNet(2012年)——深度学习的胜利在ImageNet图像识别竞赛上一个叫AlexNet的神经网络以碾压性优势夺冠错误率比第二名低了10%以上。它用卷积神经网络(CNN)来识别图片中的猫、狗、汽车效果远超传统算法。这一天之后深度学习开始成为AI研究的绝对核心。引爆点二Transformer(2017年)——大模型的引擎Google提出了Transformer架构用注意力机制解决了语言理解的难题。以前的模型处理长句子很费劲不理解他吃了它里的它指什么。Transformer能让模型自动关注句子中关键的词之间的联系真正读懂了上下文。后来所有的主流大模型(GPT、BERT、文心一言、DeepSeek)都是基于Transformer架构。引爆点三ChatGPT(2022年底)——AI走进千家万户OpenAI发布ChatGPT上线5天用户突破100万2个月达到1亿。普通人第一次真切感受到AI原来可以这么聪明。它能写文章、写代码、回答问题、翻译语言几乎什么都能聊。从这一天起AI不再是实验室里的技术而是变成了人人都在用日常工具。八、一条曲线看懂AI发展如果把AI 70年的发展画成一条曲线我们会发现它并不是直线上升的而是在螺旋上升热度 ↑ /\/\ | / \ /~~~~~~~~~~~~ ← 爆发期(2012至今) | / \ / |/ \ / ----------\--/--------→ 时间 诞生 一寒 二寒每一次繁荣都因为技术突破每一次寒冬都因为对它的期望过高。但每一次寒冬之后积累的技术都不会白费——它们会在下一轮爆发中派上用场。AI不是突然变强的而是厚积薄发。 业务场景实战场景一为什么你的手机现在能人脸解锁10年前却不能2012年之前图像识别用的是人工设计特征的方式——科学家手动定义猫有尖耳朵、有胡须让机器按这些规则去判断。这种方式非常脆弱换个角度拍猫就可能认不出来。2012年AlexNet之后深度学习接管了图像识别——不再需要人工定义特征而是让神经网络自己从大量图片中学会猫长什么样。数据越多识别越准。这就是为什么你的iPhone X(2017年)开始支持人脸解锁——背后是深度学习技术的成熟。场景二为什么智能客服从智障变成了真有用2015年之前的智能客服用的是规则匹配——提前预设几百个问题和标准答案用户的话匹配了就回复匹配不上就请转人工。2022年之后大模型驱动的智能客服能真正理解用户的意思处理复杂的多轮对话。这不是因为规则写得更完善了而是因为底层技术从规则驱动变成了数据驱动。✅ 本课知识卡片┌─────────────────────────────────────────────────┐ │ 第02课 · AI发展简史速查 │ ├─────────────────────────────────────────────────┤ │ AI六阶段(螺旋上升不是直线) │ │ 孕育→诞生→一寒→二寒→积累→爆发 │ │ │ │ 两次寒冬的原因 │ │ 计算能力不够 数据不够 低估了智能复杂性 │ │ │ │ 三个关键引爆点 │ │ 2012 AlexNet(深度学习胜利) │ │ 2017 Transformer(大模型引擎) │ │ 2022 ChatGPT(AI走进千家万户) │ │ │ │ 核心规律AI发展不是突然爆发而是量变引起质变 │ └─────────────────────────────────────────────────┘ 下一课预告搞清楚了AI的发展历程下一课我来给回答一个很多人关心的问题AI的大脑到底是怎么工作的机器学习、深度学习、神经网络这些词到底是什么意思它们之间是什么关系下一课AI的大脑是怎么工作的——机器学习、深度学习一网打尽好途工坊· 好途相伴前程无忧
第02课：AI的前世今生——70年走了多少弯路
发布时间：2026/5/19 6:56:16
本课学习目标学完这节课你能搞明白以下问题AI不是2023年才冒出来的它在1956年就有了——这中间经历了什么为什么AI会火一阵又凉一阵两次寒冬是怎么来的2012年和2017年发生了什么让AI突然开挂了读懂AI发展的底层逻辑理解今天AI爆发的历史必然性 课前思考你有没有这样的疑问2022年底ChatGPT火了之后好像AI突然就爆发了。但AI真的是这两年才突然横空出世的吗之前那些年AI在干嘛答案是AI其实已经走了将近70年中间经历了两次差点被放弃的寒冬。它不是突然变强的而是一步步积累量变引起质变。这节课壹哥会用一条时间线把AI的前世今生串起来。一、AI发展的六个阶段(一图看懂)1943-1956 孕育期理论奠基机器能思考还是个疯狂的想法 │ 1956-1960s 诞生期AI正式有了名字第一波热潮来了 │ 1960s-1970s 第一次寒冬发现AI没那么简单期望落空 │ 1980s-1990s 第二次繁荣与寒冬专家系统商用成功但维护成本太高 │ 1990s-2010s 稳步积累互联网带来数据红利关键技术逐步成熟 │ 2012-至今 爆发期深度学习突破AI全面渗透生活下面我们逐个阶段来讲一下。二、孕育期(1943-1956)在黑暗中摸索这个阶段还没有出现人工智能这个词但科学家们铺下了最关键的两块基石。基石一MP神经元模型(1943年)两个科学家做了一件事把人脑神经元的兴奋/抑制状态用0和1来表示然后发现——把很多这样的人工神经元连在一起就能做简单的逻辑判断比如与或非。这是人类第一次用数学来描述大脑是怎么工作的。后来的神经网络、深度学习都是在这个模型上一步步发展起来的。基石二第一台电子计算机ENIAC(1946年)在ENIAC之前人类靠算盘和计算尺做计算速度太慢根本不可能做复杂的智能模拟。ENIAC虽然体型巨大(占地167平方米)但它证明了机器可以自动完成复杂的计算——这为后来的AI研究提供了必要的计算工具。打个比方MP神经元模型相当于画出了大脑的电路图ENIAC相当于造出了能运行这些电路图的计算机。两块基石缺一不可。三、诞生期(1956-1960s)AI正式出道1956年达特茅斯会议——AI的出生证明10个年轻科学家聚在一起开了两个月的会。会议上麦卡锡第一次提出了Artificial Intelligence这个词并且定下了目标让机器模仿人类的学习、推理、决策能力。从这一天起AI有了正式的名字也成了独立学科。早期的兴奋成果1959年第一台工业机器人Unimate在通用汽车工厂上班能自动搬运、焊接1960年ELIZA程序诞生能跟人进行简单的文字对话。你跟它说我很伤心它会回你为什么伤心1965年DENDRAL系统能根据化学数据推断分子结构准确率达到人类专家水平这些成果让所有人都兴奋了——看来机器很快就能像人一样聪明但这个判断过于乐观了。四、第一次寒冬(1960s-1970s)期望落空早期AI的聪明其实是靠大量手写的规则堆出来的(if-else逻辑)。规则能处理简单的问题但一遇到复杂场景就露馅了。翻车案例机器翻译项目原本想让俄语自动翻译成英语结果稍微复杂一点的句子就翻译得驴唇不对马嘴语音识别只能识别特定人说的特定词换个口音就不行了常识推理机器理解不了下雨要带伞人要吃饭这种三岁小孩都知道的事情为什么会翻车三个原因计算能力不够当时的计算机太弱跑不动复杂的算法数据不够没有互联网能用于训练的数据太少低估了智能的复杂性科学家以为写足够多的规则就能模拟人类智能后来发现——人类的常识根本没法全部写成规则结果政府和企业撤资了大量的AI项目被砍掉AI进入了第一次寒冬。这一课的教训技术不能脱离现实条件期望太高、能力不够摔得就越惨。五、第二次繁荣与寒冬(1980s-1990s)专家系统的大起大落繁荣专家系统80年代初一种叫专家系统的AI技术火了。原理很简单把人类专家的知识整理成规则存进电脑电脑根据规则来回答问题。IBM开发的XCON系统能帮电信公司配置交换机——工程师原来要干几天的活系统几个小时就搞定了。企业一看有利可图纷纷投入。日本甚至提出了第五代计算机计划举国之力搞AI。寒冬专家系统的硬伤好景不长到了80年代后期专家系统的问题暴露了问题具体表现知识获取难专家的很多经验只可意会不可言传根本写不成规则维护成本高业务一变规则就得全部改维护费比省的钱还多泛化能力差只能解决特定领域的问题换一个场景就傻了90年代初日本第五代计算机计划失败企业对专家系统失去信心AI再次进入寒冬。这一课的教训靠人工整理规则这条路走不通AI需要一种新的能力——从数据中自己学习。六、稳步积累期(1990s-2010s)黎明前的黑暗两次寒冬之后AI研究变得更务实了。不再追求造一个像人一样的智能而是聚焦于解决具体问题。标志性事件深蓝战胜人类棋王(1997年)IBM的深蓝计算机战胜了国际象棋世界冠军卡斯帕罗夫。深蓝的思路很暴力——每秒计算2亿种可能的走法选胜率最高的。它不是像人一样思考而是靠强大的计算能力硬算。这证明了AI不需要模仿人类的思考方式只要能解决问题就行。关键的三个积累数据积累互联网普及海量文本、图像、音频数据涌现AI有了充足的学习素材算法积累支持向量机(SVM)、逻辑回归等算法成熟在小规模数据上表现不错场景积累电商推荐、银行反欺诈、搜索引擎排序——AI开始悄悄融入生活这一阶段看起来平平无奇没有大新闻但量变正在发生。七、爆发期(2012-至今)AI的大爆炸引爆点一AlexNet(2012年)——深度学习的胜利在ImageNet图像识别竞赛上一个叫AlexNet的神经网络以碾压性优势夺冠错误率比第二名低了10%以上。它用卷积神经网络(CNN)来识别图片中的猫、狗、汽车效果远超传统算法。这一天之后深度学习开始成为AI研究的绝对核心。引爆点二Transformer(2017年)——大模型的引擎Google提出了Transformer架构用注意力机制解决了语言理解的难题。以前的模型处理长句子很费劲不理解他吃了它里的它指什么。Transformer能让模型自动关注句子中关键的词之间的联系真正读懂了上下文。后来所有的主流大模型(GPT、BERT、文心一言、DeepSeek)都是基于Transformer架构。引爆点三ChatGPT(2022年底)——AI走进千家万户OpenAI发布ChatGPT上线5天用户突破100万2个月达到1亿。普通人第一次真切感受到AI原来可以这么聪明。它能写文章、写代码、回答问题、翻译语言几乎什么都能聊。从这一天起AI不再是实验室里的技术而是变成了人人都在用日常工具。八、一条曲线看懂AI发展如果把AI 70年的发展画成一条曲线我们会发现它并不是直线上升的而是在螺旋上升热度 ↑ /\/\ | / \ /~~~~~~~~~~~~ ← 爆发期(2012至今) | / \ / |/ \ / ----------\--/--------→ 时间 诞生 一寒 二寒每一次繁荣都因为技术突破每一次寒冬都因为对它的期望过高。但每一次寒冬之后积累的技术都不会白费——它们会在下一轮爆发中派上用场。AI不是突然变强的而是厚积薄发。 业务场景实战场景一为什么你的手机现在能人脸解锁10年前却不能2012年之前图像识别用的是人工设计特征的方式——科学家手动定义猫有尖耳朵、有胡须让机器按这些规则去判断。这种方式非常脆弱换个角度拍猫就可能认不出来。2012年AlexNet之后深度学习接管了图像识别——不再需要人工定义特征而是让神经网络自己从大量图片中学会猫长什么样。数据越多识别越准。这就是为什么你的iPhone X(2017年)开始支持人脸解锁——背后是深度学习技术的成熟。场景二为什么智能客服从智障变成了真有用2015年之前的智能客服用的是规则匹配——提前预设几百个问题和标准答案用户的话匹配了就回复匹配不上就请转人工。2022年之后大模型驱动的智能客服能真正理解用户的意思处理复杂的多轮对话。这不是因为规则写得更完善了而是因为底层技术从规则驱动变成了数据驱动。✅ 本课知识卡片┌─────────────────────────────────────────────────┐ │ 第02课 · AI发展简史速查 │ ├─────────────────────────────────────────────────┤ │ AI六阶段(螺旋上升不是直线) │ │ 孕育→诞生→一寒→二寒→积累→爆发 │ │ │ │ 两次寒冬的原因 │ │ 计算能力不够 数据不够 低估了智能复杂性 │ │ │ │ 三个关键引爆点 │ │ 2012 AlexNet(深度学习胜利) │ │ 2017 Transformer(大模型引擎) │ │ 2022 ChatGPT(AI走进千家万户) │ │ │ │ 核心规律AI发展不是突然爆发而是量变引起质变 │ └─────────────────────────────────────────────────┘ 下一课预告搞清楚了AI的发展历程下一课我来给回答一个很多人关心的问题AI的大脑到底是怎么工作的机器学习、深度学习、神经网络这些词到底是什么意思它们之间是什么关系下一课AI的大脑是怎么工作的——机器学习、深度学习一网打尽好途工坊· 好途相伴前程无忧
