回顾AI发展历程(下)

上篇讲到 2000 年，神经网络还在坐冷板凳。1990 年代末到 2000 年代初，学术会议的主流是支持向量机（SVM，Support Vector Machine）、随机森林（Random Forest）、提升方法。神经网络发论文难，拿经费更难。

转机不是从一次算法突破开始的，是从一次改名开始的。

2006 年，辛顿和他的学生发表了几篇论文，提出“深度信念网络”（Deep Belief Network，DBN）。核心是一个训练技巧：先让网络每一层单独做无监督预训练（Unsupervised Pre-training），把权重初始化到一个合理的位置，再整体微调（Fine-tuning）。这一步解决的是深层网络训不动的问题：层数一多，误差从后往前回传时梯度（Gradient）会衰减到接近于零，最前面那几层几乎学不到东西。

技术评述：这个技巧本身的意义不在模型，在它把“深”这件事变可行了。此前大家只用浅层模型，不是不知道深的好，是深层训不出来。现在有了可用的初始化办法，层数第一次可以往上加。

另一件事当时看起来只是措辞。此前这批人管自己做的是“多层神经网络”或者“连接主义”（Connectionism），背着三十年的坏名声；2006 年之后，他们开始统一用“深度学习”（Deep Learning）这个说法。

同一个东西，换了个名字，重新被听进去了。这话听着滑稽，但它就是发生过。

（顺带说一句，这跟 1987 年那次改名正好相反：那一次是行业把“人工智能”四个字藏起来，这一次是把神经网络重新立起来。）

杰弗里·辛顿（Geoffrey Hinton）在诺贝尔奖讲座上，2024 年 12 月｜Niklas Elmehed，诺贝尔奖官方

算法有了，还缺两样东西：数据，算力。先说数据。

2009 年，普林斯顿的助理教授李飞飞（Fei-Fei Li）和同事发表了 ImageNet：一个包含一千多万张标注图片、两万多个类别的图像数据库。

技术评述：ImageNet 解决的是神经网络的“饥饿”问题。此前公开的图像数据集大多只有几万张，模型很容易背下训练集，换一批图就失效。要让深层网络学到通用的图像特征，需要的是数量级更大的标注数据。

真正难的不是想法，是执行。一千多万张图要一张张标出来，李飞飞团队没有雇人逐张标，而是把任务拆细，放到亚马逊的众包（Crowdsourcing）平台上，招全球的标注者来做。这件事在当时的学术评价体系里几乎不加分，是典型的脏活、慢活。

李飞飞（Fei-Fei Li），2017 年｜CC BY 2.0

后来发生的事我们都知道了。2010 年起，基于 ImageNet 的 ILSVRC（ImageNet Large Scale Visual Recognition Challenge）挑战赛成了计算机视觉的年度擂台。神经网络重新回到舞台中央，起点就在这个数据库上。

2012 年，辛顿的两个学生，亚历克斯·克里泽夫斯基（Alex Krizhevsky）和伊利亚·苏茨克维（Ilya Sutskever），用卷积神经网络（CNN，Convolutional Neural Network）参加了 ILSVRC。这个网络有八层，后来被叫作 AlexNet。

成绩是这样：top-5 错误率 15.3%，第二名 26.2%。在一个已经卷了很多年的比赛里，这个差距不像是同一代技术之间的。

技术评述：AlexNet 不是算法上的原创突破，它是三件事凑齐了。

第一，数据。用的是 ImageNet 那一百多万张标注图。

第二，算力。他们把两块消费级显卡（GPU，Graphics Processing Unit）GTX 580 拿来训练网络。GPU 原本是为游戏画面设计的，长处是并行；而神经网络的训练恰好是海量的矩阵运算，天然适合并行。

第三，几个关键改动。用 ReLU（Rectified Linear Unit）替换传统的饱和激活函数，加快收敛；用 Dropout 随机丢弃一部分神经元，压住过拟合（Overfitting）；再加上图像增强。三样合在一起，深层网络第一次在真实任务上稳定跑赢。

方向没有问题，之前缺的是燃料。这一次燃料到齐了。

再补一个后来的细节。2012 年底，辛顿和这两个学生成立了一家公司，叫 DNNresearch，没有产品，没有营收，就是一个三人团队。他们在 NIPS 会议期间办了一场拍卖，起拍价 50 万美元。几家公司通过邮件轮流出价，百度一度加到 4400 万美元。最后辛顿选了谷歌，理由是谷歌答应让他继续做基础研究。

三个人的空壳公司拍到 4400 万美元，这被看作 AI 商业化重启的标志性一幕。

2016 年 3 月，DeepMind 的 AlphaGo 在首尔以 4 比 1 战胜围棋世界冠军李世石。

围棋为什么比国际象棋难？国际象棋每一步的分支大约 35 个，围棋大约 250 个。深蓝当年那种“穷举加评估”的路子，到围棋这里直接搜不完。

技术评述：AlphaGo 的做法是把三样东西叠起来。一个策略网络（Policy Network），用人类棋谱训练，负责“这一手往哪儿下”；一个价值网络（Value Network），负责“照这么走下去，局面是赢是输”；外面套一层蒙特卡洛树搜索（MCTS，Monte Carlo Tree Search），把两者结合起来，在关键分支上多算，在没希望的分支上早停。三样东西都是神经网络，都不是规则。

第四局是整场比赛里最有名的一局。李世石下出第 78 手，一步在职业棋手看来不合常理的“挖”。AlphaGo 之后的应对明显乱了，输掉了这一局。事后的分析认为，在它的估算里，人类走出这一手的概率低到万分之一，所以它几乎没有为这个局面准备过应对。

这一局透露的信息比前三局加起来都多：它会算，也会漏。而它漏的那个地方，恰好是人的直觉出没的地方。

2017 年 6 月，谷歌的八位研究者发表了一篇论文，题目是《Attention Is All You Need》，提出的结构叫 Transformer。

技术评述：它解决的问题是，此前的循环网络（RNN，Recurrent Neural Network，LSTM 那一类）必须一个词一个词地顺序处理，没法并行，长距离的信息也容易衰减。Transformer 换了办法：句子里每个词都和其他所有词直接算一次相关度，按相关度加权求和，这就是自注意力（Self-Attention）。好处有两个：任意两个位置之间都是“一步之遥”，而且整个计算可以并行。

循环网络与自注意力的结构对比

这两个好处的兑现时间不一样。

并行能力的价值，当时就能看见：可以喂进去更大的数据、更大的算力。

另一件事要到几年后才显出来：它把“堆规模”变成了一条走得通的路。

今天所有的大语言模型（LLM，Large Language Model），骨架都是它。

2018 年，图灵奖（Turing Award）颁给了辛顿、杨立昆（Yann LeCun）、约书亚·本吉奥（Yoshua Bengio），表彰他们在深度神经网络上的奠基性工作。三十多年前被导师每周劝退一次的方向，拿到了计算机领域的最高奖项。

2020 年，OpenAI 发布 GPT-3，1750 亿参数。它做的事情很朴素：给一段前文，预测下一个词，然后重复。但它证明了一件超出预期的事：只要模型足够大、数据足够多，很多能力会自己长出来。不用专门训练，给几个例子，它就会做。

这件事后来被总结成“规模定律”（Scaling Law）：损失随模型规模、数据量、算力的增长而平滑下降，并且在一定范围内可以预测。

技术评述：规模化不是“大力出奇迹”那么简单，它需要三样东西同时到位：Transformer 提供可并行的结构，GPU 集群提供算力，互联网提供语料。但反过来看，这是 AI 历史上第一次出现一条不需要新算法就能持续变强的路线：只要继续加。

2022 年 11 月 30 日，OpenAI 发布 ChatGPT。两个月后，月活用户破亿。这项纪录此前属于 TikTok，用了九个月。

技术评述：ChatGPT 和 GPT-3 的关键差别，是一步对齐（Alignment）工作，也就是基于人类反馈的强化学习（RLHF，Reinforcement Learning from Human Feedback）。做法是：先让人给模型的多个回答排序，用这些排序训练一个打分模型，再用打分模型去调整大模型说话的习惯。它没有给模型增加知识，改的是模型“愿意用什么方式回答”。

山姆·奥尔特曼（Sam Altman），OpenAI 联合创始人｜CC BY 2.0

效果是决定性的。同一个基座模型（Base Model），对齐之后从一台续写引擎，变成了一个能对话的对象。

这一步的意义，可能比它的技术含量更大。它让一项前沿技术第一次以产品的形态，落到了普通人手里。

2024 年 10 月，诺贝尔物理学奖授予约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿，表彰他们在人工神经网络上的基础性发现。颁奖理由里有一个关键点：这些网络本身就是物理系统，能量、状态、稳定性都是物理概念。1985 年那台玻尔兹曼机（Boltzmann Machine），用的正是统计力学的框架。

约翰·霍普菲尔德（John Hopfield，左）与杰弗里·辛顿，2024 年诺贝尔物理学奖得主｜CC BY-SA 4.0

2023 年 5 月，辛顿已经从谷歌辞职。他离开时说得很清楚：他要能自由地谈论风险。

2025 年 7 月 26 日，他第一次到中国，在上海世界人工智能大会发表演讲，题目是《数字智能是否会取代生物智能》。

他把人类和 AI 的关系比作养一只小老虎当宠物：幼崽很可爱，但它长大后是否还认你，没有人能保证。他说，人类没有“摆脱它”这个选项，因为在医疗、教育、气候变化这些领域，它已经不可替代。他给出的方向是，需要一套让 AI“不想夺取控制权”的技术，而这套技术与让 AI 变聪明的技术在一定程度上是分开的；所以各国在其他事情上未必谈得拢，但这件事可以先合作起来。

他在演讲里说的那句话，后来被反复引用：我花了一生让 AI 变得智能，现在要花余生让它变得友善。

2026 年 9 月，OpenAI 发布 GPT-6 Astra。

挑几个硬的参数：上下文窗口（Context Window）105 万 token，单次输出上限 12.8 万 token；API 定价为每百万输入 token 10 美元、每百万输出 token 50 美元。

几个被反复引用的基准（Benchmark）：ARC-AGI-3 官方口径 98.6%，上一代 GPT-5.6 Sol 是 7.8%；前沿数学的 FrontierMath 第四档 97.6%；网络安全测试 ExploitBench 100%。它也是 OpenAI 第一个达到内部“关键级”网络安全能力的模型。按这家公司的定义，这类模型拿到工具和权限之后，能在防护严密的系统里找出此前未知的漏洞，并写出利用方法。

发布当天，OpenAI 总裁布洛克曼（Greg Brockman）说了一句被引用最多的话：现在感觉自己身处 AGI 时代，这种感受并不算离谱。

技术评述：这一代真正值得注意的不是分数，是训练方式。GPT-6 的预训练（Pre-training）在 2026 年 3 月 24 日完成，用的是一个约十万块 H100 的集群。而按 OpenAI 的介绍，这是他们第一次让上一代模型参与监督下一代模型的训练。

也就是说，从这一代开始，AI 开始生产自己的训练信号。

回到 1950 年，图灵问的是“机器能不能思考”。七十六年之后，我们手上多了一个更具体的问题：当机器开始教机器，人还在链条的哪一格。

上面这一串节点，几乎都发生在 OpenAI 一家身上。但过去六年，跑在同一条路上的远不止它一家。2022 年之后，大模型从“一家领先”变成了“一群并跑”。

Anthropic 的 Claude。2021 年，OpenAI 的前研究副总裁达里奥·阿莫代伊（Dario Amodei）带着一批人出走，创办了 Anthropic。2023 年 3 月，Claude 首发。它走的技术路线和 GPT 一样，差别在取向：把安全和“企业可用”放在前面，提出了一套叫“宪法 AI”（Constitutional AI）的对齐方法。2024 年 10 月，Claude 上线 computer use，能直接操作电脑界面；此后它把主要力气压在写代码和智能体（Agent）上，2026 年迭代到 Opus 5。

中国的 DeepSeek。2024 年 12 月，DeepSeek-V3 发布。真正让行业震动的不是分数，是账单：公开报道里，这一代模型的训练成本是百万美元量级，而同级模型的常见说法是数千万到上亿美元。2025 年 1 月，R1 发布，用强化学习（RL，Reinforcement Learning）直接把推理能力训了出来，把“推理模型、开放权重（Open Weights）、MIT 许可”写进了一句话里。它证明了一件事：前沿能力不一定要烧掉最多的钱。

智谱的 GLM。清华系团队，2023 年做出第一代对话模型 ChatGLM，开源版本全球下载量上千万。之后一路迭代：GLM-4、GLM-4.5、GLM-5，到 2026 年 8 月的 GLM-5.3。它的技术底色和主流略有不同：预训练用的是“自回归空白填充”（Autoregressive Blank Infilling），把 BERT 的双向理解和 GPT 的生成能力拼在一起。

同一时期还有一批：阿里的通义千问（Qwen）、月之暗面的 Kimi、MiniMax，以及 Meta 的 Llama、谷歌的 Gemini、xAI 的 Grok。

主流大模型的三条支流｜本刊制图

技术评述：这些模型的骨架都是 Transformer，训练目标都是预测下一个 token，都在同一条缩放曲线上。差别在三条轴：开源还是闭源、通用还是垂直、便宜还是贵。对使用者来说，这意味着选择第一次变多了，你不必用最贵的那一个。

对做工业 AI 的人来说，这一点比谁的分高更重要。一个可以本地部署、权重开放、成本可控的模型，和只有一个闭源接口的模型，能做的事完全不一样。

大模型正当时，但有一批人不认为这条路能走到终点。声音最大的，是杨立昆。

他从 2022 年就在说同一件事：大语言模型靠预测下一个词，学不到世界是怎么运转的。他举过一个例子：问“洗车店在一百米外，我该走过去吗”，不少模型会答“该”，因为近；它漏掉了“车得开进去”这个最基本的前提。这不是幻觉，是模型根本没有对物理世界的内部建模。

2025 年 11 月，他离开工作了十二年的 Meta。2026 年 3 月，他在巴黎创办 AMI Labs，种子轮融了 10.3 亿美元，是欧洲历史上最大的一笔种子轮，投后估值 35 亿美元。他赌的是一个走了二十多年的方向：世界模型（World Model）。

这里要把两个概念分清楚，它们经常被混在一起。

物理模型（Physical Model）：把物理规律显式写进模型。方程、机理、仿真引擎，比如有限元（FEM，Finite Element Method）、多体动力学、计算流体力学（CFD，Computational Fluid Dynamics），都属于这一类。它的长处是可解释、可复现，每一步都有出处；短处是真实世界的复杂写不全，摩擦、磨损、材料非线性，建模成本极高。这条路，本质上还是“把知识写进去”。

世界模型（World Model）：让模型从视频、图像、传感器数据里，自己学出一个能预测“下一刻世界会变成什么样”的内部模拟器。它不写方程。长处是能处理写不出方程的复杂现象；短处是不可解释、可能出现幻觉、物理一致性没法保证。这条路，是“让机器自己从数据里找”。

所以物理模型与世界模型的分野，说到底，还是七十年前那场“符号对连接”的争论——只是这一次，战场从文字换到了物理世界。

物理模型与世界模型对照｜本刊制图

世界模型内部，还有第二条分歧。

一条是生成式（Generative）：把世界重建出来，重绘像素和三维场景。李飞飞的 World Labs 走的是这一路，从一张图生成可交互的三维场景；谷歌 DeepMind 的 Genie 3 做实时交互式世界生成；英伟达的 Cosmos 用约两千万小时真实数据训练了一个“世界基础模型”，已经在给 Figure、Uber、小鹏做机器人和自动驾驶开发。

另一条是非生成式，代表是杨立昆 2022 年提出的联合嵌入预测架构（JEPA，Joint Embedding Predictive Architecture）。它的做法是不重建像素，只在抽象的表征空间里预测世界的下一个状态。杨立昆的比喻是：你伸手接住一个球的时候，不会去模拟场景里的每一个光子，你跑的是一个压缩过的心智模拟。他的团队做出来的 LeWorldModel 只有 1500 万参数，在 Push-T 这类控制任务上成功率做到 96%，而主流的视觉-语言-动作模型（VLA，Vision-Language-Action）动辄几十亿到上百亿参数。

杨立昆的判断很重：大语言模型是“死路”，VLA“基本上已经失败”，而且“本质上不安全”，因为模型没有内部的世界模型，就无法预判自己动作的物理后果。他给了一个具体的时间点：到 2027 年初，“需要范式转变”这件事会变得不言而喻。他也留了余地：这说的是认知上的转变，不等于到那时候就有答案了。

他并不主张用世界模型取代大语言模型，而是分工：大语言模型管语言和知识，当接口；世界模型管物理和规划；外面再套一层管安全约束的决策层。他用认知科学的说法打比方：大语言模型是“系统一”，快，凭直觉；世界模型是“系统二”，慢，会推演。

2026 年 9 月 28 日，AMD 宣布收购 World Labs，全股票交易，作价约 82 亿美元（约 550 亿元人民币）。这是 AMD 历史上第二大收购，仅次于 2022 年约 490 亿美元买下赛灵思（Xilinx）。

World Labs 是李飞飞 2024 年 4 月创办的，总部在旧金山，做的是空间智能（Spatial Intelligence）和世界模型。2024 年底推出第一个产品 Marble，能从一张图或一段文字生成可漫游、可编辑的三维场景；2026 年 9 月发布 Atlas，号称全球首个多模态世界模型，支持像素级的相机控制、三维重建和视频换机位，还能把一段真实场景快速复制成机器人训练环境。

融资节奏也快。2024 年 9 月融资 2.3 亿美元，估值 10 亿美元；2026 年 2 月又融约 10 亿美元，Autodesk 领投，AMD 和英伟达都跟了进来，估值约 50 亿美元。七个月后，整家公司被 AMD 买下。

人事安排是这次交易最受关注的部分。李飞飞出任 AMD 执行副总裁兼首席科学家（Executive Vice President and Chief Scientist），直接向董事长兼 CEO 苏姿丰（Lisa Su）汇报；两位联合创始人继续带团队。她保留斯坦福的教职。交易预计 2026 年底前完成，还要过监管。

AMD 收购 World Labs

技术评述：芯片公司买模型公司，这是头一回。AMD 的长处在硬件（CPU、GPU），短处在模型和软件生态。苏姿丰把理由说得很直白：“你对整个端到端流程了解得越深，就越能构建出更好的系统。”换句话说，要设计下一代 AI 芯片，你得先知道下一代模型长什么样。而世界模型需要的算力形态（视频、三维、仿真），和大语言模型需要的不一样。买下做世界模型的人，等于提前拿到了下一代工作负载的路线图。

这一步的分量，不在一笔交易本身。2026 年一个季度里，世界模型方向涌进了二十多亿美元：World Labs 估值 50 亿，杨立昆的 AMI Labs 估值 35 亿。当一家芯片公司愿意掏 82 亿美元买“世界模型”，说明这条路线已经不是论文里的争论了。

回到 1950 年图灵那个问题。七十六年里，我们先把知识写进去，又学会让机器自己从数据里找规律。现在，问题换成了：除了文字，机器能不能理解一个有重量、有摩擦、有因果的世界。这一次下注的，是卖算力的人。

把上下两篇并起来看，AI 的七十六年只走了两步。

第一步，把知识写进机器。花掉三十年，撞在墙上：知识写不完，写下来的还会过期。

第二步，让机器自己从数据里把知识找出来。花掉四十年，走通了。从感知机到反向传播，卷积网络， 再Transformer，直到 GPT-6。

下篇关键节点，红色为转向与警示的节点｜本刊制图

这两步之间隔的不是一次算法突破，是四样东西凑齐了：可并行的结构、足够大的算力、足够大的数据，以及一群愿意在冷板凳上坐二十年的人。

最后一样最容易被低估。辛顿 1972 年进爱丁堡读神经网络的时候，导师每周劝他放弃一次；他 2018 年拿到图灵奖，中间隔了四十六年。这四十六年里的绝大部分时间，没有掌声，也没有经费。

而第二步还没有走完。2026 年的这两场争论（大模型够不够用，世界模型是不是下一步）说明，这条路上没有终点，只有下一个问题。

下篇到此。这个系列讲的是别人的历史。我们这个行业也走过一条类似的路，那是另一个题目，改天再写。

联系我们

0510-85388855　｜　contact@mhccenter.com

www.mhccenter.com

让设备隐患「看得见」「听得到」「诊得准」。 从专业的国际振动分析师培训认证，到视觉增强系统、「工业小郎中」无线智能诊断分析服务、安德时多功能振动分析仪，再到 MechAI 智能诊断分析平台，我们把人才培养、多模态数据感知、设备检测、智能诊断和 AI 驱动的全生命周期设备健康管理连成一套完整方案，陪着企业更早发现隐患、提升资产价值。