人工智能简史：我们如何走到今天，未来将何去何从？
内容提要
人工智能（AI）从科幻变成现实，本文回顾了AI的历史并探讨了未来。强调合作和开放共享的重要性，需要持续建设和投资。教训是合作力量大、冬天不重要、发展速度加快。未来充满机遇和挑战，需要跨学科合作和持续学习。
延伸解读
AI 的“季节”与宏观经济的关联
文章指出，AI 的发展呈现明显的季节性波动，即“AI 之夏”与“AI 之冬”交替。这种波动不仅受技术本身影响，还与宏观经济条件密切相关：经济繁荣时投资增加、热情高涨；经济衰退时投资减少、热情消退。例如，第一次 AI 寒冬（1974-1980）与 1973 年石油危机引发的全球经济衰退重合；而 1980 年代的“虚假春天”则得益于经济繁荣和苹果 IPO 等事件。理解这种关联有助于读者预判 AI 领域的投资与创新节奏。
寒冬中的关键创新：积累而非停滞
尽管 AI 寒冬常被视为低谷，但文章强调，许多奠基性工作恰恰发生在寒冬期间。例如，反向传播算法（1986）、卷积神经网络（1989）、深度信念网络（2006）和 ImageNet（2009）都诞生于 AI 寒冬或 thawing 时期。此外，微处理器、个人电脑、互联网、大数据、云计算和 GPU 等基础技术也在寒冬中取得突破，为后续 AI 复兴奠定基础。这提示读者，寒冬并非完全停滞，而是为未来突破积蓄力量。
从专家系统到黑箱：AI 透明性的转变
文章对比了早期专家系统与当代大语言模型（LLM）的差异。专家系统基于硬编码的“如果-那么”规则，决策过程透明但难以扩展和维护。而 LLM 如 ChatGPT 是“黑箱”，其内部数百亿神经元连接使得人类难以精确解释其行为。这种不透明性催生了提示工程（prompt engineering）这一新领域，同时也引发了对 AI 可解释性的担忧。读者需注意，AI 能力的提升伴随着理解难度的增加。
Transformer 架构：现代 AI 的基石与人才流动
文章指出，2017 年谷歌八位科学家发表的《Attention Is All You Need》提出了 Transformer 架构，成为现代 LLM 的基础。然而，该架构最初并未在谷歌内部得到充分重视，所有作者后来都离开了谷歌，多数创办了自己的公司。这一现象反映了 AI 领域人才流动对技术格局的影响。读者可以从中看到，突破性创新往往需要开放的环境，而组织如何留住人才同样关键。
Q&A
人工智能的历史可以追溯到什么时候？
人工智能的历史可以追溯到几千年前，但在过去一百年中加速发展。
人工智能的定义是什么？
人工智能通常被定义为制造智能机器的科学和工程，尤其是智能计算机程序。
人工智能发展的关键因素有哪些？
合作和开放共享是人工智能发展的关键，持续建设和投资不可或缺。
人工智能经历了哪些重要的历史阶段？
人工智能经历了多个冬天和春天，季节性波动与宏观经济条件密切相关。
深度学习革命是什么时候兴起的？
深度学习革命在2010年代兴起，推动了人工智能的快速发展。
未来人工智能面临哪些机遇和挑战？
未来人工智能充满机遇与挑战，需要跨学科合作和持续学习。
