世界AI简史与中国节点

一、起源：达特茅斯的夏天（1956）

1956年夏天，美国达特茅斯学院召开了一场为期八周的研讨会。约翰·麦卡锡、马文·明斯基、克劳德·香农等学者首次提出了"人工智能"（Artificial Intelligence）这一概念。他们相信，"机器能够模拟人类智能的每一个方面"。

这一时期的AI研究充满乐观。1957年，弗兰克·罗森布拉特发明了感知机（Perceptron），这是第一个能够学习的神经网络模型。1961年，IBM的亚瑟·塞缪尔编写了一个跳棋程序，能够通过学习提高棋力。1966年，MIT的约瑟夫·魏岑鲍姆开发了ELIZA，这是最早的聊天机器人之一，能够模拟心理治疗师的对话。

然而，当时的计算机算力极其有限，数据存储成本高昂。这些早期成果虽然令人兴奋，但距离真正的"智能"还有遥远的距离。

二、第一次寒冬：期望与现实的落差（1974-1980）

1969年，马文·明斯基出版了《感知机》一书，从数学上证明了单层感知机无法解决异或（XOR）问题。这一结论给神经网络研究泼了一盆冷水。1973年，英国数学家詹姆斯·莱特希尔发表了《人工智能：总体评估》报告，批评AI研究进展缓慢，投入产出比低下。

美国政府大幅削减了AI研究经费。许多AI实验室关闭，研究人员转向其他领域。这是AI发展史上的第一次"寒冬"。

值得注意的是，这一时期的中国正处于特殊历史阶段。文化大革命（1966-1976）期间，中国的科学研究几乎停滞。当西方学者在探讨AI的边界时，中国的计算机科学家还在为基本的计算资源而 struggle。中国与AI的第一次浪潮，几乎是完全错过的。

三、专家系统与第二次浪潮（1980-1987）

1980年代，专家系统（Expert Systems）成为AI研究的主流。这类系统通过编码人类专家的知识规则来解决特定领域的问题。1980年，卡内基梅隆大学为DEC公司开发了XCON系统，能够自动配置计算机订单，每年为公司节省约4000万美元。

日本在1982年启动了"第五代计算机计划"，目标是开发能够进行逻辑推理和自然语言处理的智能计算机。这一计划投入巨大，引发了全球AI研究的热潮。

然而，专家系统的局限性很快显现：知识获取困难、维护成本高、无法处理不确定性问题。1987年，专用AI硬件市场崩溃，AI研究再次陷入低谷。

四、第二次寒冬与机器学习的兴起（1987-2010）

1980年代末到1990年代，AI研究再次进入寒冬。但这一次，一些重要的基础工作正在悄然进行。

1986年，杰弗里·辛顿、大卫·鲁梅尔哈特和罗纳德·威廉姆斯发表了反向传播算法（Backpropagation）的重要论文，解决了多层神经网络的训练问题。1995年，科尔特斯和瓦普尼克提出了支持向量机（SVM），成为当时最强大的机器学习算法之一。

1997年，IBM的"深蓝"计算机击败了国际象棋世界冠军卡斯帕罗夫，这是AI发展史上的标志性事件。2006年，杰弗里·辛顿提出了深度信念网络（Deep Belief Networks），开启了深度学习的新纪元。

这一时期，中国开始重新关注AI研究。1986年，中国启动了"863计划"，将智能计算机列入重点发展领域。1990年代，清华大学、北京大学等高校开始建立AI研究团队。但整体而言，中国的AI研究仍远远落后于美国。

五、深度学习革命（2012-2020）

2012年，多伦多大学的亚历克斯·克里泽夫斯基等人使用深度卷积神经网络（AlexNet）在ImageNet图像识别竞赛中取得了突破性成绩，错误率比第二名低了10个百分点。这一事件被视为深度学习革命的起点。

2014年，伊恩·古德费洛提出了生成对抗网络（GAN），开启了AI生成内容的新时代。2016年，谷歌DeepMind的AlphaGo击败了围棋世界冠军李世石，这一事件在全球范围内引发了对AI的广泛关注。

2017年，谷歌团队发表了《Attention Is All You Need》论文，提出了Transformer架构。这一架构后来成为大语言模型的基础。

这一时期，中国AI研究开始加速。2017年，国务院发布《新一代人工智能发展规划》，将AI上升为国家战略。百度、阿里巴巴、腾讯等科技公司纷纷成立AI研究院。中国在计算机视觉、语音识别等领域开始达到世界先进水平。

六、大模型时代（2020-至今）

2020年，OpenAI发布了GPT-3，拥有1750亿参数，展示了强大的语言生成能力。2022年11月，ChatGPT发布，两个月内用户突破1亿，成为历史上增长最快的消费级应用。

2023年，大模型竞争进入白热化。谷歌发布Gemini，Meta发布LLaMA，Anthropic发布Claude。中国方面，百度发布文心一言，阿里发布通义千问，腾讯发布混元，字节跳动发布豆包。

大模型时代的特点是：算力成为核心资源，数据质量决定模型能力，应用场景驱动技术迭代。

七、中国的困难与挑战

7.1 芯片之困

AI训练需要强大的GPU算力。2020年以来，美国对中国实施芯片出口管制，限制英伟达高端GPU（如A100、H100）对华出口。这直接影响了中国大模型的训练能力。

作为回应，中国加速了国产芯片的研发。华为昇腾、寒武纪、壁仞科技等公司推出了国产AI芯片。但客观而言，国产芯片在算力、生态、软件支持等方面与国际先进水平仍有差距。

7.2 数据之困

大模型需要海量高质量数据进行训练。中文互联网数据虽然庞大，但存在质量问题：重复内容多、虚假信息多、结构化数据少。相比之下，英文互联网的数据质量更高、标注更完善。

此外，数据隐私和合规要求也限制了数据的获取和使用。《个人信息保护法》《数据安全法》等法规在保护用户权益的同时，也增加了数据使用的合规成本。

7.3 人才之困

AI顶尖人才仍然集中在美国。斯坦福大学、MIT、伯克利等高校吸引了全球最优秀的AI研究者。中国虽然培养了大量AI人才，但高端人才流失问题依然存在。

近年来，随着中国AI产业的发展，越来越多的人才开始回流。但基础研究领域的领军人才仍然稀缺。

7.4 生态之困

AI发展不仅是技术问题，更是生态问题。从芯片设计、制造，到框架开发、应用落地，需要完整的产业生态支持。

在AI框架方面，TensorFlow、PyTorch等国际主流框架占据主导地位。中国的PaddlePaddle（百度）、MindSpore（华为）等框架虽然有所发展，但生态成熟度仍有差距。

八、中国的突破与机遇

尽管面临诸多挑战，中国在AI领域也取得了重要突破：

• 应用落地领先：中国在AI应用落地方面走在世界前列。移动支付、智慧城市、自动驾驶等应用场景丰富。
• 政策支持有力：国家层面将AI列为战略重点，各地政府出台支持政策，建设AI产业园区。
• 市场规模巨大：中国拥有庞大的用户基数和丰富的应用场景，为AI技术迭代提供了土壤。
• 开源贡献增加：中国企业和研究机构在开源社区的贡献不断增加，从使用者逐渐转变为贡献者。

九、结语：在曲折中前行

回顾AI发展史，我们可以看到：技术的进步从来不是一帆风顺的。每一次寒冬之后，都有新的突破；每一次低谷之后，都有新的高潮。

对于中国而言，AI发展既面临芯片、数据、人才、生态等多重挑战，也拥有应用场景、市场规模、政策支持等独特优势。关键在于：如何在困难中找到突破点，在挑战中把握机遇。

作为语言研究者，我特别关注AI对语言文化的影响。大模型时代，AI不仅能够理解和生成语言，更在重塑我们使用语言的方式。新词的产生、语义的演变、表达的革新——这一切都在加速发生。

千今词的使命，正是记录这一时代语言的变化。每一个新词，都是技术的印记；每一次表达，都是文化的演进。在这个AI与语言深度交融的时代，我们有责任、也有兴趣，去观察、去记录、去思考。