AI怎么走到今天?聊聊它的来时路

我今天想到一个问题。

以后的小朋友遇到一道不会做的题，第一反应会不会就是，问一下豆包？

我们小时候遇到不懂的东西，要翻书、查字典、找资料。后来有了搜索引擎，就在几个网页之间来回找。

可对以后的小朋友来说，先自己翻一遍资料，可能不再是最自然的选择。他们一开始接触的，就是一个能回答问题、还能接着往下聊的 AI 。

当然，这是我的设想。但顺着想下去，还真有点感慨。

我们还在感叹 AI 怎么突然这么厉害，他们可能会觉得，这有什么好奇怪的，它本来不就应该这样吗？

对我们来说，能这样聊天的 AI 好像才走进生活没几年。现在又开始聊智能体了，连期待都变成了“你能不能直接帮我把事情做完”。

这中间到底发生了什么？

这张图可以帮助我们认路。不过先说清楚，它是能力演进的示意，不是严格的历史年表。机器人、机器学习、规则系统长期交叉发展，图里的“未来智能”也还是展望。

图中的准确率数字只是画面示意，不代表某次实验结果。

要找起点，得先往前走很远，走到今天这些产品都还不存在的时候。

电子计算机让复杂计算有了新的实现方式，也让一个问题变得具体：既然机器可以执行计算，它能不能做一些我们称为“思考”的事？

1950 年，图灵发表《计算机器与智能》，讨论的就是这个问题。

他用“模仿游戏”把问题换成一种可以讨论的测试：如果通过文字交流，人难以分辨对面是机器还是人，我们该怎样评价机器的表现？这也是后来人们谈论图灵测试时的重要来源。

这可不是说，会聊天就等于拥有人的思想。图灵是在寻找一种办法，让“机器能不能思考”不只是停留在争论定义上。

今天我们习惯了在聊天框里和 AI 一问一答，再回头读这个问题，会有一种很奇妙的距离感。七十多年前，已经有人在认真琢磨它了。

1955 年，麦卡锡、明斯基等人写了一份研究提案，打算在第二年夏天，聚集一批研究者，讨论机器能不能使用语言、形成概念、解决问题。

1956 年的达特茅斯研究活动，后来成了人工智能历史上的一个标志。

你看，想让机器变聪明这件事，大家已经琢磨了几十年。

早期一条很有代表性的路，是把人的知识写成规则。满足什么条件，就做什么判断。把足够多的规则交给电脑，让它一步步推下去。

专家系统就是这条路的重要实践。 1965 年开始的 DENDRAL ，把化学领域的专家知识用到推断分子结构上。

听着很合理。专家有经验，电脑算得快，把它们接起来，不就行了？

麻烦在于，人会做一件事，不代表能把怎么做毫无遗漏地写出来。

试着给“认出一只猫”写规则就知道了。有耳朵，有胡须，有尾巴。那狗呢？猫只露半张脸呢？趴着、背着、躲在桌子下面呢？

这是个类比。它想说明的是，开放世界里的变化太多，靠人逐条补规则，很难补完。

这一路也没有像图上画的那样，每走一步就顺利升级。计算机历史博物馆保存的专家系统创业者记录里，既有技术被采用的故事，也有公司发展之后失败的经历。某个领域做得不错，并不意味着马上能造出一个什么都懂的系统。

研究者还在探索另一条路。

有些规律，能不能让机器从例子里学？

机器学习就在研究这样的事。给模型数据，通过训练调整内部参数，让它逐渐学会分类、预测或其他任务。人仍然要设计任务、准备数据、检查结果，只是不必手写每一种情况的处理规则。

这里别误会，机器学习并不是等专家系统退出舞台后才出现的。把它们排成几格，是为了讲清思路，真实的研究一直有交叉。

深度学习沿着这条路，又往前走了一截。

用多层神经网络，学习数据里不同层次的特征。拿图像举例，可以粗略理解成从局部纹理、形状，逐渐组合出更复杂的表示。当然，网络内部没有一个小人在认真背“猫长什么样”。

2012 年，后来被称为 AlexNet 的深度卷积网络，在 ImageNet 图像识别研究中取得了突出的结果。大量图像数据、 GPU 计算和网络设计，在这个节点上配合出了效果。

机器能从复杂数据里学到有用的东西，这条路变得更有说服力了。

接下来有一个很多人听过的名字， AlphaGo 。

2016 年 3 月，它以 4 比 1 战胜李世石。背后不是把所有棋谱背下来这么简单，而是把深度神经网络、搜索和通过对弈改进策略的方法结合起来。

围棋的规则可以写清楚，可下一步下哪里，并没有一张能让人照着填的标准答案表。机器在这种复杂选择上做出了成绩。

但赢棋和陪你聊天，仍然是两回事。那时候，你并不能因为 AlphaGo 下棋厉害，就让它顺便帮你解释一道作业题。

语言更麻烦。同一个词放到不同句子里，意思可能不一样；一句话前面说了什么，也会改变后面的理解。

2017 年，研究者提出 Transformer 。它用注意力机制处理序列中不同位置之间的关系，并让训练更容易并行进行。

这个名字可以先不用记。抓住一个意思就够了，研究者找到了一种有效处理语言信息的架构，后来它成了许多大语言模型的重要基础。

再往后，把更大规模的文本、算力和训练方法接上去，模型能做的语言任务越来越多。

但这里还有一道门槛。一个会生成文字的模型，怎样才能更好地听懂人的要求，接住追问，按要求回答？

2022 年 11 月， ChatGPT 发布。它背后除了语言模型，还有对话示范和人类反馈等训练，让普通人可以通过聊天使用这些能力。

AI 不再只是论文里的指标，而是输入框对面一个可以反复追问的工具。

不过，它也会把错误说得像真的。发布时的官方说明就写了这个问题。

到这里，离智能体还差什么？

想象你对一个只提供文字回答的模型说，帮我把这周的报销整理好。

它可以给你步骤，列个表格格式，提醒你检查发票。

然后呢？

发票还在文件夹里，数字还没核对，表格还没保存。它把建议讲完了，事情仍然等着你做。

要往前走，系统就得让模型接触真实资料，能够使用工具，并看到操作后的结果。

比如，读取文件、调用计算程序、把结果写进表格。这些动作需要外部程序执行，也需要相应权限，光在聊天框里生成一句“已完成”可不算。

步骤预先安排好的，可以交给固定的工作流；需要根据结果调整下一步的，则可以尝试让模型参与决定：资料缺了要查哪里，算完了该不该复核，什么时候需要人来判断。今天基于大语言模型的智能体，就在尝试承担这部分工作。

2022 年提出的 ReAct ，是这条路线上的一个代表性研究。它把推理与行动交替组织起来，让模型通过行动获取信息，再据此更新后续步骤。

可以把这个过程理解成，先判断下一步，调用工具，观察反馈，再继续。

会回答，和能把事情做成，中间隔着行动与验证。

其实，让机器感知环境、规划行动的研究也很早就有了。早期的 Shakey 机器人已经在探索这些能力。今天的新变化，是大语言模型给这类系统带来了更灵活的语言交互和任务处理方式。

这些能力接在一起，开始能处理我们用日常语言提出的、更复杂的任务。但工具用得越多，也越需要检查结果。能执行操作，不等于每一步判断都可靠。

回过头看，今天这种突然变厉害的感觉，就没那么突然了。

人们试过把知识写成规则，也试过让机器从数据里寻找规律。后来，它能识别图像、处理语言，我们终于可以直接和它聊天。再往前一步，它开始借助工具，尝试把任务做下去。

这些路并没有走完，旧的方法也没有全部消失。几十年的积累，最后藏进了我们眼前这个很简单的输入框里。

至于以后会走到哪里，我不想给一个特别满的答案。图上那个“未来智能”很好看，但通用智能什么时候实现、会是什么样，并没有一张可以照着兑现的时间表。

我更愿意先想象一些小事：一个问题问不明白，可以换个说法继续问；一个念头原本因为不会写代码、不会做图就搁下了，以后也许能更容易地试一试。

这么想，又会回到开头那个小朋友。

也许有一天，我们跟他们说，以前为了弄懂一个问题，真的得一本本翻书、一页页查。他们能理解这句话，却很难理解我们第一次看到 AI 连续回答问题时，为什么会觉得不可思议。

就像我们也很难完全体会，更早的人第一次接触电话时是什么心情。

我倒不觉得一定要让他们再经历一遍我们的不方便。能少花一点时间找资料，多留一点时间去问为什么，挺好的。当然，回答有没有道理，还是得慢慢学着判断。

只是偶尔回头看看，会更明白眼前这些方便是怎么来的。

我们记得字典和书页，也看着聊天框一点点变成能办事的工具。这种变化，是我们正在亲身经历的。

以后再听到一句“这有什么，问一下 AI 不就好了”，我大概还是会感慨一下。

是啊，现在可以这样了。

我是杜少峰