如果只从今天回头看，人工智能很容易被理解成一件突然发生的事：2012年AlexNet在ImageNet竞赛中大幅领先，2016年AlphaGo战胜李世石，2017年Transformer提出，2020年GPT-3展示出规模带来的能力变化，2022年底ChatGPT进入公众视野，随后多模态、推理模型与Agent接连出现。曲线看上去在最近十几年陡然上扬。
但把时间轴拉长，就会发现今天几乎每一项令人意外的能力，背后都有一条长得多的技术祖先链。在ChatGPT出现七十多年前，人类已经开始认真讨论机器能否表现出智能；在GPU被用来训练神经网络的几十年前，已经有人尝试把神经元写成可以执行逻辑运算的形式模型；在Transformer之前，研究者用了数十年处理梯度、记忆、表示、序列与注意力的问题；而在Agent开始调用工具、执行代码、操作浏览器之前，强化学习研究者已经追问了几十年另一个问题——一个主体如何从环境反馈中学会行动。
真正的AI进化史不是一部“谁发明了人工智能”的英雄史，它更像一条由许多人分段铺设、且彼此并不知道终点在哪里的长路。有人处理计算的问题，有人处理学习的问题，有人处理数据的问题，有人处理算力的问题，有人处理语言的问题；还有一些机构当时做的事情看起来与人工智能关系并不直接，却最终成为整个时代不可缺少的基础设施。
理解这条历史，重要的不是记住年份，而是理解：人工智能究竟一步一步跨过了哪些门槛。
现代人工智能的故事很难绕开Alan Turing，但他的重要性并不只在于后来那个被称作Turing Test的设想。1936年提交、次年正式发表的《On Computable Numbers, with an Application to the Entscheidungsproblem》处理的是一个更根本的问题：能否构造一种足够一般的形式化机器，通过有限规则完成计算，并由此界定哪些问题原则上可计算、哪些不可计算。这项工作当时属于数理逻辑而非人工智能，但它为后来的软件、算法乃至机器智能提供了最底层的地基——如果一个过程能够被完全形式化，它就有可能被机器执行。
发表回复
要发表评论，您必须先登录。