Easy-Vibe 附录精读AI 简史——从符号逻辑到千亿参数大模型的七十年演进【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe导读本文是 Easy-Vibe 课程附录“人工智能基础”板块的核心篇章之一原文见 docs/de-de/appendix/8-artificial-intelligence/ai-history.md中文对照版见 docs/zh-cn/appendix/8-artificial-intelligence/ai-history.md。AI 发展 70 年经历了三次浪潮、两次寒冬从符号主义的逻辑推演到连接主义的神经网络再到行为主义的强化学习最终融合为今天的大模型时代。读完本文你将完整掌握符号主义、连接主义、行为主义三大学派的兴衰脉络理解专家系统为何走向衰败、反向传播如何让神经网络复活、Transformer 为何成为大模型的摇篮以及“预训练 微调 RLHF”范式与涌现能力、思维链等技术概念的来龙去脉——这些正是理解 Easy-Vibe 全课程中 Prompt 工程、RAG、Agent 等进阶主题的历史地基。一、理论奠基与符号主义的诞生1940s–1950s在计算机真正普及之前先驱者们就开始思考“机器能否像人一样思考”。这个时期的研究主要集中在脑神经的数学建模、计算理论的探讨以及逻辑推理的自动化。1956 年的达特茅斯会议正式宣告了“人工智能”Artificial Intelligence作为一个独立学科的诞生。1.1 核心理论与里程碑事件神经网络的最初设想1943神经生理学家沃伦·麦卡洛克Warren McCulloch和数学家沃尔特·皮茨Walter Pitts提出了MP 神经元模型。他们首次尝试用简单的数学公式抽象人类大脑神经元的工作机制证明了“神经元网络是可以计算的”——这成为了今天所有深度网络的“老祖宗”。在本仓库的 神经网络基础 中你可以看到这一思想如何被抽象为现代形式单个神经元接收多个输入信号、加权求和后经激活函数输出即y f(w₁x₁ w₂x₂ w₃x₃ b)激活函数ReLU、Sigmoid、Tanh、Softmax为网络引入非线性使多层叠加不再退化为线性变换。图灵的终极追问1950计算机科学之父艾伦·图灵Alan Turing发表论文《计算机器与智能》提出著名的图灵测试。他避开了“什么是智能”的哲学争论给出一个务实的操作标准如果一台机器在对话中能让人类无法分辨它是人还是机器它就具备了智能。学科的正式确立1956在达特茅斯夏季研讨会上约翰·麦卡锡John McCarthy、马文·明斯基Marvin Minsky等年轻学者齐聚一堂麦卡锡在提案中首次使用“Artificial Intelligence”这一术语这一年因此被称为 AI 元年。1.2 符号主义的兴起智能的本质是符号的推演在早期的 AI 研究中符号主义Symbolism占据了绝对主导地位。由于当时的计算机主要依靠逻辑电路运行学者们自然认为智能的本质就是符号的推演。只要把世界上的知识变成计算机能看懂的符号如概念、规则再用逻辑推理引擎如 IF-THEN 规则去处理这些符号机器就能像人一样思考。这是一种自上而下的路径高度依赖人类专家的知识输入——其内在缺陷“人类无法把所有知识都形式化为规则”将在后面两次 AI 寒冬中被反复验证。二、符号主义黄金时代与第一次 AI 浪潮1960s–1970s在诞生后的最初十几年里AI 迎来了一段盲目乐观的黄金时期。研究者们相信既然机器已经能证明数学定理那写出能够解决任何人类问题的程序指日可待。2.1 专家系统的光辉岁月符号主义的集大成者是专家系统Expert Systems。通过向计算机输入各个领域顶级专家的“经验法则Rule”系统就能在某些特定垂直领域执行高水平的诊断或决策。原文给出了三座里程碑式的系统专家系统诞生年份历史意义与实际价值Dendral1965 年首个专家系统能根据质谱数据推断化学分子结构性能比肩人类化学专家。MYCIN1977 年用于诊断血液感染并推荐抗生素准确率高达 69%甚至超过了当时的许多非专业医生。XCON1980 年早期最成功的商用专家系统用于帮助数字设备公司DEC根据客户需求自动配置计算机系统每年为公司节省约 4000 万美元。然而专家系统风光的背后隐藏着无法逾越的鸿沟。2.2 第一次 AI 寒冬1974–1980随着时间推移人们发现“把人类知识写成规则”这条路越走越窄。符号主义的三大致命局限最终导致研究经费被全面撤销知识获取瓶颈有些知识人类自己也说不清比如怎么认出一只猫这被称为“波兰尼悖论”。专家系统只能硬编码那些能被清晰表达的规则无法自动学习。组合爆炸 脆性问题现实情况太多穷举极难且系统缺少常识只要输入稍微偏离规则库系统就直接崩溃。算力不足 经费断层当时的硬件算力根本无法支撑爆发性的逻辑推演恰逢 DARPA 大幅削减研发经费。三、专家系统复兴与第二次 AI 浪潮1980s到了 80 年代随着微型计算机和专业 LISP 机器的普及专家系统再次受到商业界追捧。日本政府甚至抛出了雄心勃勃的“第五代计算机计划”试图打造能听懂自然语言的智能机器引发了全球范围内的恐慌性跟投。3.1 商业应用的爆发与破灭在这个时代几乎每家大型跨国公司都在研发自己的专家系统——一种把人类专家的经验翻译成成千上万条 IF-THEN 代码的程序。然而维护这些系统变得极其折磨人规则库突破几万条后修改一条新规则经常会导致另外十条旧规则产生冲突。随着 80 年代末通用个人电脑PC性能爆发昂贵且封闭的专用 AI 机器变得毫无竞争力。❄️第二次 AI 寒冬1987–19931987 年AI 硬件市场彻底崩盘。“第五代计算机计划”因过度脱离实际硬件架构而最终烂尾企业在专家系统上投入的资金打了水漂。AI 研究再次跌入谷底“人工智能”一词甚至在学术界一度成为“骗经费”的贬义词。3.2 黑暗中蛰伏的连接主义在这两次起伏中其实还存在着另一套完全不同的思路——连接主义Connectionism也就是我们今天所说的神经网络。连接主义早在 1958 年就由罗森布拉特Frank Rosenblatt以**感知机Perceptron**的形式提出它模拟大脑通过调整神经元之间连接的权重来进行学习。与其教给机器明确的“规则”不如给机器看大量的“例子”让它自己归纳。不过1969 年明斯基在《感知机》一书中用严密的数学证明了当时单层网络的局限——无法解决简单的异或XOR问题。这使得连接主义在整个符号主义黄金时代一直坐冷板凳直到历史的车轮前进到 90 年代。今天的 神经网络基础 第一章正是从“单个神经元”讲起再到多层网络的“深度”可以视为对这段蛰伏历史的直接延续。四、机器学习兴起与连接主义复苏1990s–2000s进入 90 年代后AI 领域出现了一个重要的务实转向大家不再天天谈论如何实现“像人类一样的魔法智能”而是把重心放在如何利用严密的统计方法解决现实生活中的分类和预测问题——这就是传统机器学习Machine Learning的兴起。4.1 从死板规则到“寻找数学边界”1997 年IBM 的“深蓝Deep Blue”击败国际象棋世界冠军卡斯帕罗夫为符号主义拿下举世瞩目的荣光。但学术界立刻意识到这只是一次“算力 海量硬编码知识”的胜利深蓝并没有真正理解什么是下棋。与此同时以支持向量机SVM、决策树、随机森林为代表的经典机器学习算法异军突起成为接下来长达十余年的绝对主流。原文用垃圾邮件分类做了精彩的对比专家系统的思路是教电脑“如果邮件里包含‘中奖’那么就是垃圾邮件”。机器学习的思路则是人类先设定好几个核心特征特征工程 Feature Engineering比如“邮件长度”“特殊词汇频率”“发件人可信度”然后把上万封标注好的邮件输入电脑。在这个多维空间里SVM 像一个拿着尺子的数学家利用严密的核函数推演在正常邮件与垃圾邮件之间精准画出一条“最宽、最安全的数学分界线”。尽管 SVM 在许多任务上大获成功它存在一个致命弱点特征工程高度依赖人类。比如要识别一张猫的图片人类科学家必须教机器“先提取边缘”“再寻找三角形的耳朵”机器自己是找不出猫的样子的这导致模型能力的上限被人类认知牢牢锁住。4.2 反向传播让神经网络重见天日深度学习的真正基础在这个时期被打下。在这段蛰伏期杰弗里·辛顿Geoffrey Hinton等人进一步明确了反向传播Backpropagation的核心价值当多层神经网络得出错误预测时能够把这种误差像水波一样一层层倒推回去告诉每一个隐藏层的神经元“你在这次错误中需要承担多大责任下次赶紧改过来”反向传播打破了 60 年代对神经网络的禁锢使得具有隐藏层的网络成为可能但由于当时数据太少、硬件太弱连好一点的显卡都没有神经网络还无法全面战胜 SVM 等传统机器学习模型——直到三大引爆点齐聚。关于反向传播与梯度下降的完整数学细节可以结合本仓库的 神经网络基础 第二章“网络如何学习”损失函数、梯度下降、反向传播对照阅读。五、深度学习革命与连接主义主导2010s2010 年代随着大数据如 ImageNet 项目的成熟、算力爆发GPU 大规模应用于并行计算以及算法改良解决梯度消失难题“深度学习”轰轰烈烈地拉开了第三次 AI 浪潮的序幕。深度学习与传统机器学习的本质区别是什么标志就是特征自动提取表征学习。只要网络层数足够深几十层到上百层神经网络就能直接“吃进”最原始的像素底层自己学会识别线条中层学会识别毛发纹理高层直接认出“这是一只猫”。在这场革命中人类终于“放权”让网络自己去寻找最重要的视觉、语音和文本特征。5.1 图像与竞技的全面突破2012 年由辛顿团队研发的AlexNet经典卷积神经网络 CNN参加著名的 ImageNet 图像分类比赛。在别人还在用传统方法手工提取视觉特征时AlexNet 直接将错误率从 26% 腰斩到 15.3%震惊了整个传统计算机视觉学界。在此后的几年里几乎没有任何一篇不使用深度学习的论文能被顶级会议录用。随后几年AI 技术持续狂飙突破年份标志性成就深远影响2014 年GAN生成对抗网络提出两个网络“左右互搏”一个造假、一个打假让 AI 具备生成惊艳且逼真图像的能力。2015 年ResNet残差网络问世创新性地引入“捷径Shortcut”结构解决了网络加深后无法正常训练的问题使神经网络能堆叠几百上千层。2016 年AlphaGo击败李世石深度学习与强化学习结合的巅峰打破了“机器永远下不过人类围棋”的断言轰动全球。行为主义Behaviorism与强化学习AlphaGo 代表了另一个学派——行为主义的胜利。它认为智能来源于主体与环境的动态交互就像训练一只小狗坐下做对了给奖励做错了给惩罚。通过在巨大的虚拟环境中不断自行试错、对弈AlphaGo 总结出了连人类顶级棋手都不曾发觉的策略。这一思想在现代 LLM 中的直接继承者正是后面要讲的 RLHF基于人类反馈的强化学习——本仓库的 LLM 原理 第 7.2 节还展示了它的最新演进Thinking Model 通过“不给过程数据、只给最终验证器”的强化学习训练自发涌现出“先思考再作答”的行为与 AlphaGo 的自博弈训练如出一辙。5.2 Transformer孕育大模型的摇篮2017 年一切的命运齿轮开始转动。Google 在论文《Attention Is All You Need》中提出了一种全新的深度学习架构——Transformer。此前处理一句话时比如 RNN 模型AI 只能从左到右一个词一个词地看看完后面的容易忘了前面的RNN 本质上是“顺序递推”无法并行还存在长程记忆丢失与梯度消失/爆炸问题。而 Transformer 的自注意力机制Self-Attention彻底打破了这个限制它能让 AI“一眼看全”整句话并在看到“苹果”一词时自动根据上下文判断这是指水果还是指某家科技公司。天生适合并行计算注意力计算可以一次性完成完美适配 GPU 大规模并行吃得下无限多的数据全局视野不受序列长度限制可以被堆叠得无尽庞大架构统一清晰易于加深加宽。这一刻大模型LLM的地基打完了。想深入理解这套机制的读者可以继续阅读本仓库的 Transformer 与注意力机制其中详细展开了解析Attention 计算公式Attention(Q, K, V) softmax(QKᵀ/√d_k)·V、Q/K/V 三向量的“解耦设计”相似度计算与信息传递分离、多头注意力如何让不同 Head 分别负责语法、语义、指代消解等不同语言学现象以及 Encoder-onlyBERT、Decoder-onlyGPT、LLaMA、Claude、Encoder-DecoderT5、BART三种现代变体的分工。六、大模型时代与通用智能曙光2018 至今当 Transformer 遇见不计成本的疯狂算力与海量数据AI 开发的历史范式被永远改变。科学家们发现了一个惊人现象基于自注意力的架构好像永远也“喂不饱”。以前的深度学习模型聪明程度会遇到天花板但 Transformer 能完美适配 GPU 的大规模并行计算——数据越多、网络越深表现就越好似乎没有上限。6.1 “预训练 微调”范式的确立从专才到通才原本做 AI 是“一项任务配一个小模型”做翻译的专门训练翻译模型聊天的专门训练聊天模型就像培养一个个只会一门手艺的“专才”。但到了 2018 年随着 OpenAI 的GPT-1和 Google 的BERT发布情况变成了“大力出奇迹”的新范式预训练Pre-training构成大语言模型约 99% 的核心智力。科学家把互联网上数万亿字的文章、名著典籍、计算机代码甚至百科知识全部倾倒进庞大的 Transformer 网络里而训练任务仅仅是简单的**“文字接龙”预测下一个词**。世界规律的内化为了能无比精准地预测人类语言中的各种“下一个词”模型被迫在其成百上千亿的参数中自行内化并浓缩了整个世界的运作规律——它不仅掌握了语法知道“苹果”是一种红色水果还能掌握“牛顿因苹果坠落而发现万有引力”背后的逻辑。涌现能力Emergent Abilities从 GPT-215 亿参数到 GPT-31750 亿参数科学家震撼地发现当模型足够巨大时量变引起质变——即使未经任何刻意训练巨量参数的模型自己“悟”出了逻辑推理、代码编写和上下文学习In-Context Learning的能力根本不需要人类专门用代码去教它。这一“预训练 微调”范式的机理在 LLM 原理 中有完整的入门级拆解从 TokenizationBPE 子词切分、字节级回退解决 OOV到 Embedding稠密向量替代 One-Hot再到“Transformer 圆桌会议”式的并行注意力与 KV-Cache 的“增量笔记”机制都能帮助你更扎实地理解大模型内部到底发生了什么。6.2 生成式 AI 爆发与 ChatGPT 的核爆时刻在拥有了一个满腹经纶、藏有世界常识的巨大预训练模型后距离打造完美的个人 AI 助理还差最后一步微调Fine-tuning。因为预训练模型只习惯盲目地做文字续写它听不懂使用者的“指令”也不知道该如何规矩地进行一问一答的交互。2022 年 11 月OpenAI 巧妙地引入了RLHFReinforcement Learning from Human Feedback基于人类反馈的强化学习技术雇佣大批专家对模型的回答进行打分和纠正好比给一个极其聪慧但口无遮拦的天才设立明确的沟通边界与礼仪指引强行将其塑造成一个温和、有条理且懂事的对话助手。于是ChatGPT诞生了——一夜之间AI 不再是枯燥的实验室玩具而是成为每个普通人手中的通用智慧大脑。关于 SFT 与 RLHF 的完整对齐流程含 JSON 数据示例可参阅 LLM 原理 第 6 章“从胡言乱语到优秀助手”。随后开启了波澜壮阔的多模态纪元2023 年多重感官的打通。以 Midjourney、Stable Diffusion 为代表的生图模型重塑了数字艺术产业同年发布的GPT-4融合了极高难度的视觉图像理解与长程逻辑关联推理能力。想理解生图模型的底层原理可对照本仓库的 图像生成原理多模态模型的统一架构思路则在 多模态大模型 中有专门讲解。2024 年爆发至今对物理世界的模拟。随着 Sora 等逼真视频生成模型的发布以及实时端到端语音大模型在情感音色上的全面落地参见 语音合成与识别AI 从单纯处理文本迅速张开了对包含三维空间、光影流转甚至细腻声调情感的完整世界的全面感知。七、AI 三大学派的融合与未来展望回顾这 70 年——从让机器推理数学定理符号主义到寻找统计学边界传统机器学习到在试错中下围棋获胜行为主义/强化学习再到吞噬海量数据涌现出常识的大模型连接主义的极致形态——人工智能的发展从未停歇。今天的大模型看似放弃了人为编写死板“规则”符号主义的初衷但事实上它在数千层网络隐式的海量参数里学习并封装了比人类逻辑还要深邃得多的“暗规则”。如今大型预训练模型中的思维链Chain of Thought长程推理方式何尝不是曾经符号学派追求逻辑验证与步骤严密的经典思想在神经网络中的重生对这一点的技术化印证可以参考 Transformer 与注意力机制 中“Attention 权重提供一定可解释性但深层网络决策仍是黑箱”的讨论以及 LLM 原理 对 Thinking Model如 OpenAI o1、DeepSeek-R1“System 2 慢思考”与思维链 Prompt 策略的对比。站在大模型时代的巅峰往下看未来的通用人工智能AGI正沿着以下几条极其广阔且深刻的探索大道推进走向原生的统一神经中枢原生多模态未来的模型不再是“文本模型 语音模型”拼接而成的弗兰肯斯坦。以 GPT-4o 为代表的架构直接用同一个超级网络同时吞吐、感知并理解文本、图像、视频流和超低延迟的高情感语音。这与本仓库 多模态大模型 中“统一表征、端到端原生多模态”的趋势判断一致。具身智能Embodied AI当拥有极高智商的“大脑”只能被囚禁在硅基机房里时它就无法从物理世界验证真理。通过与机器人结合超级 AI 有望“长出双手”并在摔打磨砺中习得与人类相同的物理客观规律。智能体系统Agentic AI目前大多数 LLM 依然停留在“一问一答的被动文字计算器”阶段。而 AI Agent 时代大模型被彻底赋予了独立行动的权力只要下达一句宏观的自然语言指令例如“帮我调研并规划下周去挪威看极光的所有机票、酒店并生成日历日程”AI Agent 就会凭借长程记忆自主拆解成几十个子任务打开虚拟浏览器、调用真实检索 API、完成复杂的校验与比对确认——它们不再是被动等待敲击的回声壁而是不知疲倦的数字劳动力集群。这正是 Easy-Vibe 课程附录中 Agent 智能、上下文工程、RAG 检索增强生成 等章节所展开的核心主题。结语在这螺旋上升的漫长技术征途中历史总是惊人的相似但绝不重复。我们正亲历从“向算法死硬输入规则”到“由机器自动定义世界法则”的最激动人心的历史横截面。作为 Easy-Vibe 的读者理解这段历史的最大价值在于它能帮你辨别今天层出不穷的 AI 新概念究竟站在哪个学派、哪条技术脉络之上。当你学习 Prompt 工程、Agent 编排或模型微调时都能在这张 70 年的演化地图上找到它们的位置。本仓库的 附录索引 将本文归入“AI 基础”板块与 Prompt 工程、大语言模型原理、Transformer 与注意力机制 等章节共同构成完整的知识体系——建议按“历史脉络 → 模型原理 → 工程实践”的顺序通读一遍即可建立起扎实的 AI-native 认知框架。【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考