AI起源与背景
了解人工智能的发展历史，帮助你更好地理解今天的AI技术。
什么是人工智能？
人工智能（Artificial Intelligence，AI）是指由机器展现的智能行为。目标是让计算机能够执行通常需要人类智能才能完成的任务，如：
- 理解语言
- 识别图像
- 做出决策
- 解决问题
- 学习新知识
AI发展简史
1950年代：诞生期
| 年份 | 事件 | 意义 |
|---|---|---|
| 1950 | 图灵发表《计算机器与智能》 | 提出"图灵测试"概念 |
| 1956 | 达特茅斯会议 | "人工智能"术语正式诞生 |
| 1958 | 感知机发明 | 早期神经网络雏形 |
1960-1980年代：起伏期
- 第一次AI寒冬（1974-1980）：算力不足，理论局限，资金撤出
- 专家系统兴起（1980-1987）：基于规则的决策系统
- 第二次AI寒冬（1987-1993）：专家系统局限性暴露
1990-2010年代：复苏期
| 年份 | 事件 |
|---|---|
| 1997 | IBM深蓝击败国际象棋世界冠军 |
| 2006 | Hinton提出深度学习概念 |
| 2011 | IBM Watson赢得《危险边缘》 |
| 2012 | AlexNet在ImageNet大赛夺冠，深度学习爆发 |
| 2016 | AlphaGo击败李世石 |
2017年至今：大模型时代
2017 ─── Transformer架构诞生（Google《Attention Is All You Need》）
│
2018 ─── BERT、GPT-1 发布
│
2020 ─── GPT-3 发布（1750亿参数）
│
2022 ─── ChatGPT 发布，引爆全球
│
2023 ─── GPT-4、Claude 2、Llama 2 发布
│
2024 ─── Claude 3、GPT-4o、Llama 3、DeepSeek V3
│
2025 ─── DeepSeek R1、Claude 3.5 Sonnet、Claude 4
│
2026 ─── GPT-5.4、Claude Opus 4.6、DeepSeek V4...关键技术突破
1. Transformer架构
2017年Google发表的论文《Attention Is All You Need》提出了Transformer架构，彻底改变了NLP领域。
核心创新：
- 自注意力机制（Self-Attention）
- 并行计算能力
- 长距离依赖建模
2. 预训练+微调范式
预训练（Pre-training）
↓
在大规模无标注数据上学习通用知识
↓
微调（Fine-tuning）
↓
在特定任务数据上适配3. 涌现能力（Emergent Abilities）
当模型规模超过一定阈值时，会突然出现小模型不具备的能力：
- 上下文学习（In-context Learning）
- 链式推理（Chain-of-Thought）
- 指令遵循（Instruction Following）
4. RLHF技术
Reinforcement Learning from Human Feedback（人类反馈强化学习）：
- 监督微调：用人类回答训练模型
- 奖励模型：训练一个判断回答质量的模型
- 强化学习：用奖励模型优化语言模型
为什么现在AI这么火？
技术因素
- ✅ 算力大幅提升（GPU/TPU）
- ✅ 数据规模爆炸
- ✅ 算法突破（Transformer、RLHF）
- ✅ 开源生态繁荣
应用因素
- ✅ ChatGPT展示惊人对话能力
- ✅ AI编程助手提升效率
- ✅ AI生成内容质量接近人类
- ✅ 企业级应用落地
学习AI需要什么基础？
编程基础
- Python（最常用）
- 基础数据结构
数学基础
- 线性代数（矩阵运算）
- 概率统计
- 微积分（理解优化）
机器学习基础
- 监督学习 vs 无监督学习
- 神经网络基本概念
- 损失函数和优化器
下一步
了解了AI的背景后，接下来学习常用术语和名词解释。