AI发展史：从图灵机到AI大时代_ai发展历程

AI无疑是近年来最热门的话题了，它以一种前所末有的速度影响我们的生活。然而,AI的发展历程并非一蹴而就,它经历了漫长的探索和曲折。本期,我们将回顾AI的发展历程。

一、AI的开端：从图灵机到图灵测试

1935年,英国著名数学家和逻辑学家阿兰·图灵将人类的计算过程抽象为两个基本步骤:

1. 写下或擦除纸上的某个符号,

2. 将注意力从纸的一处移动到另一处。

为了模拟人类的运算过程,图灵设计了一种假想的机器,后被称为"图灵机"。图灵机由一条无限长的纸带、一个读写头、一套控制规则和一个状态寄存器(用于保存当前状态)组成。

所有现代计算机的本质都源于图灵机,因此图灵被誉为"现代计算机之父"。随着第二次世界大战的进行,各种对密码、弹道等的计算需求剧增。1946年,人类终于研发出第一台通用电子计算机ENIAC,服务于美国陆军的弹道研究实验室,用于计算火炮射击表。

战后,随着计算技术的发展,人们开始期望计算机不仅能按指令计算,还能像人类一样思考和拥有智慧。在这一时期,关于"什么是智能"的定义存在许多争论。

1950年,在论文《计算机器与智能》中,图灵避开了关于智能定义的传统争论,而是提出了著名的"图灵测试":如果一台机器能够与人类进行对话(通过电传设备),而无法被识破其机器身份,那么可以认为这台机器是有智慧的。这个测试后被称为"图灵测试"。

二、早期的AI:游戏AI

人类游戏因具有明确且相对简单的规则,非常适合用来评判计算机生成的结果。因此,早期的人工智能大多集中于"游戏AI"的研发。

• 1951年,克里斯托弗·斯特雷奇在曼彻斯特大学开发出了世界上首个AI程序——一款下跳棋的程序。

• 1962年,美国人亚瑟·塞缪尔的跳棋程序成为了第一个战胜人类选手(康涅狄格州前冠军)的AI。

游戏AI一直被视为评价人工智能进展的重要标准,如深蓝(下国际象棋)、阿尔法狗(下围棋)等。

1956年,达特茅斯学院召开了一次人工智能研讨会,会上约翰·麦卡锡等人正式提出"人工智能"(Artificial Intelligence)一词,并阐明"任何能被人类大脑完成的学习或智能活动,原则上都应该能被精确描述,使机器可以模拟"。此次会议确立了人工智能这一新兴学科的名称和任务,同时汇聚了最初的研究成果和最早的研究者,因此被公认为人工智能诞生的里程碑。

三、黄金时代(1956-1974):乐观的预言

随着计算机技术的发展,20世纪中期人们开始能够利用计算机解答代数应用题、证明几何定理、学习和使用英语等。在这一时期,人们对计算机拥有智慧的可能性抱有极大的期望,由此诞生了许多乐观的预言:

• 1958年,艾伦·纽维尔和赫伯特·西蒙预言"十年内,数字计算机将能成为国际象棋世界冠军"、“十年内,数字计算机将发现并证明一个重要的数学定理”。

• 1965年,赫伯特·西蒙预言"二十年内,机器将能完成人类能做到的一切工作"。

• 1967年,马文·明斯基预言"一代之内,'人工智能’的问题将获得实质性的解决"。

• 1970年,马文·明斯基再次预言"在三到八年的时间里我们将得到一台具有人类平均智能的机器"。

从现在的角度看,当时这些预言过于乐观,甚至有些自吹自擂的成分。证明定理和解决几何问题对计算机而言相对容易,但一些看似简单的任务,如人脸识别或在房间内行走,实现起来却极其困难。

四、第一次AI低谷:经费中断

到了20世纪70年代初,人工智能的发展陷入了瓶颈。尽管研究团队已付出了巨大努力,但即使最杰出的AI程序也只能解决它们所针对问题中最简单的一部分,换言之,所有AI程序都仅仅是"玩具"。

与人们过往对AI能在短期内实现"人类级智能"的乐观预期形成鲜明对比,AI的现实发展状况令人大失所望。由于AI的研究进展严重滞后于预期,到20世纪70年代中期,政府和企业纷纷大幅削减或全面中止了对AI研究的资金支持,由此人工智能迎来了第一次低谷期。

许多AI研究团队在资金枯竭的冲击下不得不中止研究,大量研究人员被迫离开这一领域。AI在这一时期遭受了前所未有的发展危机,研究进程几乎陷入了全面停滞。

五、繁荣(1980-1987):专家系统的兴起

20世纪80年代,一种被称为"专家系统"的软件应用引起了广泛关注。专家系统基于知识库和推理引擎,能够在特定领域内进行分析和判断,如化学分析、医疗诊断等。

专家系统具有两个主要特点:

1. 专注于一个非常小的知识领域,避免了处理通用常识的困难;

2. 设计相对简单,易于编程实现和修改。

由于规避了AI长期以来面临的常识推理等关键难题,专家系统的实用性获得了广泛证实。多家企业和机构纷纷开发并应用专家系统,如勘探专家系统、化学品诊断专家系统,内科疾病诊断诊断专家系统等。这些系统提高了信息的检索和决策的效率。

专家系统的成功,使AI在80年代重新焕发了生机,迎来了全新的繁荣期。这是自50年代以来,AI首次在实际应用层面展现出实用价值,标志着人工智能从理论研究开始转向实际应用的关键一步。

六、第二次AI低谷(1987-1993):专家系统的局限

尽管专家系统在特定领域取得了实用价值,但人们很快意识到它只是AI的一小步进展,远远无法满足人们对人工智能的期望。专家系统面临着几个根本性局限:

1. 知识库构建艰难。专家系统需要对知识领域内的所有信息和规则进行人工总结编码,这一过程耗时耗力。

2. 缺乏学习和推理能力。专家系统无法像人类一样从经验中汲取新知识,也无法灵活地综合运用已有知识。

3. 范围局限于特定领域。每个专家系统只能解决某一特定问题,无法迁移和扩展到其他领域。

4. 常识性知识缺失。专家系统仅掌握了专门领域知识,缺乏人类的常识推理和判断能力。

由于这些局限性,专家系统无法满足人们对通用人工智能的期望。到20世纪90年代初,人们从对专家系统的过度追捧转为再次的失望,AI发展再次陷入低谷期。

七、AI大时代的前奏(1993-2011):各领域的突破

20世纪90年代,人工智能领域经历了低潮之后,开始重新奋起。这一时期的AI研究者们相比之前更加谨慎务实,但同时也取得了更多的实质性进展。随着互联网的兴起和计算能力的不断提高,大量数据的积累为数据驱动的AI算法奠定了基础。

在这一时期,人工智能在诸多领域取得了长足进展:

1. 数据挖掘:海量数据的存在促进了数据挖掘算法的发展,可以用于发现数据中潜在的模式和规律。

2. 工业机器人:机器人技术在制造业、物流等领域得到广泛应用,提高了效率和自动化水平。

3. 语音识别:语音识别技术逐步成熟,开始应用于智能语音助手和语音控制系统。

4. 银行业软件:基于人工智能的模型在银行等金融机构的风险评估、欺诈检测等方面发挥重要作用。

5. 医疗诊断:机器学习算法能够辅助医生分析影像和症状数据,提高诊断的准确性。

6. 搜索引擎:谷歌等搜索引擎通过自然语言处理和信息检索算法,为用户提供更加智能的搜索服务。

虽然这时期的人工智能系统大多还是"狭义AI",但这一时期的突破为即将到来的AI大时代奠定了坚实基础。

八、AI大时代的到来(2011至今)

进入21世纪,在大数据和计算能力飞速提升的推动下,人工智能终于迎来了全新的突破和腾飞。先进的机器学习技术获得了广泛应用,人工智能从理论到实践都取得了长足进展,正在深刻影响和重塑经济社会的方方面面。在计算机视觉、自然语言处理、自动驾驶等领域不断给人们带来惊喜。特别是2022年底,OpenAI推出的对话式AI ChatGPT,凭借大模型强大的理解、推理和生成能力,大大刷新了我们的认知边界。

终于，在几代人的不懈努力下，人类迎来了AI的大时代。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】