第02课：AI的前世今生——70年走了多少弯路-编程实验室

📌 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 │ └─────────────────────────────────────────────────┘