引言：了解 AI 发展史的意义
对于初学者而言，AI 历史常被视为枯燥，但了解发展历程有助于理解现状并预测未来。正如相关研究指出，若不理解符号主义 AI 的兴衰，便难以把握深度学习成功的背景及潜在挑战。
人工智能的诞生
1956 年的达特茅斯会议被公认为人工智能学科的诞生标志。约翰·麦卡锡、马文·明斯基、克劳德·香农等顶尖科学家聚集讨论'机器能思考吗'。当时计算机刚诞生不久，人们对其能力充满无限想象，相信输入足够规则和知识即可实现类人思考。
然而，现实比想象复杂。让机器像人一样思考远比预期困难。
第一次 AI 寒冬
20 世纪 70 年代，AI 迎来第一次寒冬。人们意识到仅靠编写规则模拟人类智能远远不够。
例如，某团队曾试图开发俄文到英文自动翻译系统，编写数千条语法规则后效果不佳。如将'The spirit is willing, but the flesh is weak'误译为'The vodka is good, but the meat is rotten'。这揭示了基于规则系统的局限：无法理解语言真正含义，只能进行表面符号转换。
此外，专家系统开发成本极高，需几十个人年投入，且知识库有限，无法处理规则外情况。
专家系统的兴起与衰落
20 世纪 80 年代，专家系统成为主流。核心思想是将专家知识编码为规则，使计算机在特定领域表现专家级水平。
MYCIN 系统是典型代表，用于诊断血液感染，准确率在某些情况下超过人类医生，包含约 600 条规则。
但专家系统存在严重局限：
- 知识获取瓶颈大，专家难以清晰表达直觉和经验。
- 缺乏常识推理能力，仅限狭窄领域。
- 维护成本高，随知识更新系统日益复杂。
机器学习的崛起
20 世纪 90 年代，研究方向转变。不再试图教会计算机所有知识，而是让其从数据中学习规律。
优势包括：
- 无需人工编写复杂规则。
- 可从大量数据发现人忽略的模式。
- 随数据增加不断改进。
例如，提供标记好的邮件样本，算法可自动学习识别垃圾邮件模式，准确率达 95% 以上。
早期机器学习局限在于特征工程仍需大量人工干预。
深度学习的革命
21 世纪初，特别是 2010 年后，深度学习带来革命性突破。核心是让机器自己发现应学习的特征。
以图像识别为例，传统方法需人工设计特征提取（边缘、角点等），而深度学习只需提供图片和标签，算法自动学习从简单到复杂的特征层次。
ImageNet 竞赛结果印证了这一点。2012 年，AlexNet 在 ImageNet 图像识别竞赛中错误率从 25.8% 降至 16.4%，标志着深度学习时代开始。
大数据与计算能力
深度学习早在 20 世纪 80 年代已出现，直到 21 世纪才发挥作用，主要得益于大数据和计算能力提升。
深度学习需要大量数据训练才能学习到鲁棒特征。互联网时代提供了海量数据。同时，GPU 广泛应用使得大规模神经网络训练成为可能，其并行计算能力适合矩阵运算。
随着硬件发展，训练效率显著提升，同样的任务所需时间和资源大幅减少。
AI 技术的产业化
随着技术成熟，AI 从实验室走向现实世界。
- 计算机视觉：人脸识别广泛应用于安防、支付、手机解锁。
- 自然语言处理：机器翻译生成流畅结果，满足日常交流需求。
- 语音识别：智能语音助手成为生活一部分。
- 推荐系统：电商、视频平台利用 AI 推荐个性化内容。
AI 的局限性
尽管成功显著，也需理性看待局限性。
- 窄域 AI：仅在特定领域表现超人能力，如 AlphaGo 无法做家务。
