夜雨聆风
AI是怎么来的,为什么到2023年才＂爆炸＂?
1950年，图灵（Alan Turing）提出了一个问题：“机器能思考吗？”
这就是后来著名的”图灵测试”。如果一台机器和人的对话，让人分不清谁是机器，那就算它会”思考”。这一年被认为是AI的思想原点。
1956年，麦卡锡（John McCarthy）正式造了“人工智能”这个词。
在美国达特茅斯学院，一群年轻人开了个暑期研讨会，参会的有：麦卡锡（后来发明了Lisp语言）、明斯基（后来MIT AI实验室创始人）、香农（信息论之父）。他们预言”再过一代人，AI问题就能解决”——这个预言错了，但会议本身成了AI的诞生地。
1950-1980年代：符号AI时代
这个阶段的AI思路是”把人类知识写成规则”，叫”专家系统”。比如一个诊断疾病的AI，就是医生把”如果发烧+咳嗽=感冒”这种规则写进去。
这条路后来走到了瓶颈，因为世界太复杂，规则根本写不完。这就是第一次”AI寒冬”。投资撤了，预设太高，现实跟不上。
直到1986年，辛顿（Geoffrey Hinton，现在被称为”AI教父”之一）和一帮人重新把”神经网络”这条路捡起来。神经网络不是写规则，而是让机器自己从数据里找规律——这个思路，就是今天所有AI的根源。
但当时算力和数据都不够，神经网络只能解决小问题，没能大火。
1990-2010年代，这个阶段的关键转变是：从”写规则”变成”从数据里学”。这个范式转变，ML（机器学习）正式成为一个学科。
关键人物：
- 弗拉基米尔·万普尼克（Vladimir Vapnik）：支持向量机（SVM）之父，统计学习理论的奠基人
- 莱奥·布雷曼（Leo Breiman）：随机森林算法，让决策树方法大放异彩
- 汤姆·米切尔（Tom Mitchell）：写了第一本机器学习教科书，定义了”机器学习”是什么
这期间还发生了几件大事：
- 1997年，IBM的深蓝超级计算机击败国际象棋世界冠军卡斯帕罗夫，这是AI第一次在智力游戏上打败人类顶尖选手。
- 2006年，辛顿发表论文，提出”深度信念网络”，”深度学习”这个词正式出现。但当时还没引爆，因为数据和算力还不够。
2012年，真正的引爆点。
辛顿的两个学生：亚历克斯·克里切夫斯基（Alex Krizhevsky）和伊利亚·苏茨克维（Ilya Sutskever，后来成了OpenAI的首席科学家），用深度学习模型参加ImageNet图像识别竞赛，错误率比第二名低了整整10个百分点。
这一次，整个学术界和产业界都醒了：深度学习真的能行。
从2012年到2017年，深度学习一路狂奔：
- 2014年，GAN（生成对抗网络）问世，AI开始能”生成”东西，不只是”识别”
- 2015年，ResNet，图像识别准确率超过人类
- 2017年，Google发表论文《Attention is All You Need》，Transformer架构诞生——这是GPT的技术基础，也是今天所有大语言模型的祖先
2012年，今日头条上线，它的核心是一个叫”协同过滤”（Collaborative Filtering）的算法。这个技术不是2012年才发明的。最早可追溯到1990年代，Amazon用它来做”买了这个商品的人还买了什么”。
这是机器学习，但不是大语言模型。它不需要”理解”内容，只需要”发现行为模式”。抖音2016年上线，算法更进了一步。这些技术，全部都是传统机器学习+推荐系统的技术栈，和大语言模型（LLM）的技术栈是两条路。
2017年是分水岭。
Google的《Attention is All You Need》论文发表了Transformer架构。这个架构的特点是：能处理很长的文本、能”记住”上下文、能并行训练（以前的模型只能一个词一个词地算）这个架构出来之后，OpenAI和Google几乎同时意识到：
如果能用一个超级大的Transformer，喂进去整个互联网的文本，会怎么样？
2018年，GPT-1出来了（OpenAI）
- 参数量：1.17亿
- 效果：能写一段还算通顺的文字，但不算惊艳
2019年，GPT-2出来了
- 参数量：15亿
- 效果：开始让人惊讶，但OpenAI当时觉得”这个模型太危险，不公开发布了”——这件事反而让全世界意识到”GPT-2可能已经比大家想象的强很多”
2020年，GPT-3出来了
- 参数量：1750亿
- 效果：这次真的震惊了——GPT-3能写代码、能答题、能做翻译、能写文章，而且只需要给它几个例子就能学会新任务
这时，全世界（包括中国）才真正意识到：这条路能走通，而且会改变一切。
但是为什么中国在大模型上起步晚了。
核心原因不是”技术不行”，是”没人信这件事能成”。
2017-2020年间，中国科技公司的AI投入主要放在两个方向：推荐算法（字节、阿里、腾讯都在做，而且做到了世界顶级），计算机视觉（商汤、旷视、依图、云从，这四家拿到了巨额融资）。这两个方向都是”能快速商业化”的方向。推荐算法直接带来用户时长和广告收入；视觉AI能做人脸识别、安防、支付验证，全是立刻能卖钱的东西。
大语言模型在2020年之前，看起来是”烧钱没回报”的事：
训练一次GPT-3，据估计要花OpenAI约1200万美元的算力成本。训练出来的模型，商业化路径不清晰——2020年的时候，大家还不知道”聊天机器人”能变成什么产品。国内的科技公司都是上市公司或者追求盈利，很难justify”烧几亿人民币做一个不知道能干嘛的模型”
那么，OpenAI为什么能做到？
因为OpenAI从2015年成立开始，就拿了微软等资本的钱，而且它的定位是”做AGI（通用人工智能）”，不是”做能卖钱的产品”。这种”长期主义+不计成本”的打法，国内企业在2020年之前是做不到的。
另外，人才集中度很高。Transformer论文是Google的人写的，GPT系列的核心人物伊利亚·苏茨克维、安德烈·卡帕斯（Andrej Karpathy）都是在美国学术体系里培养出来的。2020年之前，顶尖AI人才基本上都在美国（Google Brain、OpenAI、DeepMind、FAIR）。
中国不是在技术上差，是在“相信这件事能成”上晚了一步。
2022年11月30日，ChatGPT发布。这件事改变了一切。
一周之内，全中国的科技公司都意识到了：
这件事不是”遥远的科研”，是”现在就能用的产品”，而且用户增长速度快到吓人（ChatGPT上线2个月，用户破1亿，人类历史上最快）
这个冲击波带来了几个变化：
第一，国家层面把AI提到了战略高度。2023年开始，国内AI相关政策密集出台，算力建设、大模型备案、数据要素市场，全都在加速。
第二，人才开始回流。在OpenAI、Google、Meta工作过的华人研究员，看到了国内的机会，开始回国创业或者被国内大厂挖走。
第三，开源救了所有人。2023年3月，Meta的LLaMA模型被泄露到网上，全世界的开发者都能拿到一个还算不错的预训练模型，在这个基础上做自己的事。国内的大模型（包括百川、智谱、清华大学ChatGLM）都是在LLaMA的开源基础上快速迭代出来的。
第四，DeepSeek打破了”只有美国能做大模型”的迷信。2024-2025年，DeepSeek连续发布DeepSeek-V3和R1，效果追平GPT-4o，但训练成本只有对手的零头。这件事证明：算法创新可以部分弥补算力差距，中国团队在这方面的能力被低估了。
ChatGPT证明了这件事”能成、能卖钱、能改变格局”。国家、资本、人才、开源社区，四件事同时到位，国内大模型从2023年开始井喷。