尤瓦尔·赫拉利在《人类简史》有句名言：“我们从农业革命能学到的最主要一课，很可能便是物种蜕变上的成功，并不代表个体的幸福。
”同样，AI革命会给我们带来更多个体的幸福吗？这也是一个值得思考的大命题，但不管怎么说，AI已来，我们最该当做的，还是理解它、节制它，并努力“驯化”它。

- 文章信息 -

本文作者：Mr.K，黄哲铿，企业数字化转型专家，「顿悟山丘」创始人，科技博主，曾担当海尔、中通快递、1药网技能高管，著有《技能人修炼之道》《技能管理之巅》。
分享：个体发展、科技趋势、数字化转型、商业洞察。
由「技能领导力」原创首发， 数字化企业经授权发布。

1

抽芽期：人工智能兴起

“机器会思考吗？”英国天才数学家、逻辑学家、密码学家、打算机科学家艾伦.图灵，在1950年揭橥的经典之作《打算机和智能》一文中，提出了这个科技史上颇具哲学色彩的著名问题。
图灵为找寻答案，付诸了实践，开展了旨在验证打算机是否具备人类智能的“图灵测试”。
在这个著名的实验中，测试者被哀求判断与自己交谈的是人类还是打算机，如果打算机能够“骗”过测试者，让测试者以为自己是人类，那就代表打算机通过了图灵测试，否则便是失落败。
虽然图灵测试，并未办理图灵的哲学之问，但它却成了后世研究人工智，所绕不开的出发点和主要基石。

艾伦.图灵by AI

在图灵测试涌现后的第6年，约翰·麦卡锡、马文·明斯基、克劳德·喷鼻香农、艾伦·纽厄尔和赫伯特·西蒙等一众大神，在达特茅斯学院召开了“人工智能暑期研讨会”。
在这次会议中，科学家们首次明确提出了“人工智能”这一用语，并对人工智能的未来发展充满憧憬，有人乃至认为，机器人和AI能在1970年代中期完成人类的事情。
虽然事实证明，大佬们乐不雅观的预言并没有实现，但这丝毫不影响达特茅斯会议在人工智能发展史上，不可取代的历史地位。
正是这次会议，标志着人工智能作为一门新兴学科正式出身。

在这一期间，AI的发展模糊形成了符号主义(symbolistic)、连接主义(connectionist)和行为主义(actionism)三大流派的雏形，但当时最主流的研究，还是集中在逻辑推理、符号主义上。
研究职员试图用逻辑规则和符号来仿照人类的思维过程。
通过物理符号系统假设，来构建能够仿照思维的打算模型。
以美国卡内基-梅隆大学的艾伦·纽厄尔、赫伯特·西蒙为代表的学者,开拓了诸如"逻辑理论家"（Logic Theorist）、"通用问题办理器"（General Problem Solver）等早期人工智能系统,旨在仿照人类智能的推理和决策过程。
这些“初代”人工智能程序，虽然在运用和推广上，存在很大的局限性，但还是展现了人工智能在办理逻辑和抽象问题上的巨大潜力，为AI进一步发展奠定了根本。

2

发展期：神经网络

20世纪80年代，机器学习开始崭露锋芒。
随着打算机性能的提升和数据量的增加，人们开始关注如何让打算机模拟人脑的学习能力。
这一期间，神经网络作为一种模拟生物神经元事情办法的打算模型，逐步形成景象。
事实上，这种模拟人脑构造和信息处理机制的打算模型,正是上面提到的AI“连接主义”的代表。

由于打算能力大幅提升等各种主客不雅观条件的不断完善，科学家们得以搭建起更加繁芜的神经网络架构，从而使神经网络在模式识别、分类任务（人脸识别、物体检测、理解和处理自然措辞、通过剖析用户行为模式进行个性化推举和反敲诈等）等方面，得到广泛运用。

在这一研究领域，杰弗里.辛顿（Geoffrey Hinton）无疑是最具代表性的人物之一，他深入研究了利用神经网络进行机器学习、影象、感知和符号处理的方法，并前后揭橥了超过200篇论文，被称为“神经网络之父”、“深度学习之父”。

杰弗里.辛顿

杰弗里.辛顿出生在“科研世家”，家族成员大都是科学家或教授，其曾曾祖父乔治·布尔（George Boole），更是二进制推理系统（即现在的布尔代数/逻辑代数，是所有打算的根本）的发明者。
辛顿本身也是一个妥妥学霸，18岁的辛顿进入剑桥大学国王学院学习物理、化学和数学，坚持1个月退却撤退学，第二年，又改建筑筑学，仅仅坚持1天，这位任性的天才又转学哲学，同样中途而终后，才转学物理和生理学。

学生理学的缘故原由，是由于教授见告他这门科学可以让大家明白大脑是如何事情的，而这正好是辛顿最感兴趣的。
但当辛顿顺利拿到生理学学位后，又以为自己所学的东西太大略了，根本不敷以阐明大脑的运作，于是在失落望无聊之际，放弃了在剑桥大学连续学习的机会，竟然任性地做起了木匠。
辛顿一边打木门一边思考大脑的运作，坚持了一年多后，又重新回归学术圈，并确定了一个新的研究方向，人工智能。

这个领域也彻底治好了辛顿的“学习过动症”，让他沉下心来深耕下去，并首创性的冲破了AI符号主义的“桎梏”，颠覆了明斯基等大佬威信的理论，让神经网络研究大放异彩。
他与其他两位科学家一起，将反向传播算法（BP）运用于多层神经网络，并由此证明这种方法对机器学习的有效性。
此外，辛顿还发明了比拟散度算法，用于演习玻尔兹曼机（Boltzmann Machine）。
辛顿的这些贡献，对深度学习的进步产生了深远影响，他首创的算法和理论，也为后来者理解神经网络和演习深度模型供应了主要工具和抓手。

3

打破期：深度学习

自2000年往后，深度学习技能取得了巨大打破。
这一技能通过多层神经网络的演习，能够自动从大量数据中提取特色，从而显著提升了图像识别、语音识别和自然措辞处理等领域的性能。
在深度学习的发展中，卷积神经网络（CNN）、循环神经网络（RNN）和是非期影象网络（LSTM）等技能起到了主要浸染。

1、卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Networks，简称CNN）是深度学习在打算机视觉领域的代表性成果，其设计灵感来自于生物学中视觉皮层的事情事理，这一领域的领军人物便是图灵奖得主、被称为“卷积之父”的Yann LeCun（杨立昆）。

Yann LeCun（杨立昆）

Yann LeCun从20世纪80年代开始研究神经网络技能,并提出了卷积神经网络这一革命性架构。
与传统的全连接神经网络不同,卷积神经网络奥妙地利用了图像数据的局部干系性,通过在网络中设计卷积和池化等操作,能够自动从图像中提取各种繁芜特色。
这使得CNN在图像分类、目标检测等任务上，取得了大幅度的性能提升。

卷积神经网络到底有多主要？从最近Yann LeCun与马斯克隔空互怼的事宜中，也能看出一二来。
最近，马斯克为他新成立的xAI公司，在社交平台X上招募人才，Yann LeCun留言讽刺，痛批马斯克对AI风险的无限浮夸和对技能进步的盲目乐不雅观。
马斯克反击“过去五年你做了哪些研究？”。
Yann LeCun的“回敬”之一，便是自己当初揭橥的关于卷积神经网络的研究成果，“至今仍旧被包括特斯拉、MobilEye、Nvidia在内的险些所有高科技公司所利用”，换句话说， 你马斯克的特斯拉，便是靠我的技能理论搞起来的。
谁说科学家不会吵架，Yann LeCun就很懂***诛心嘛。

2、循环神经网络（RNN）与是非期影象网络（LSTM）

除了卷积神经网络，循环神经网络（RNN）和是非期影象网络（LSTM）也在深度学习中发挥着重要浸染。
这些网络构造能够有效地建模语音、文本等时序数据,在语音识别、机器翻译、对话系统等领域取得了革命性的进步。

RNN的核心在于它能够在处理当前输入的同时,还能保留之前的历史信息,从而更好地理解和预测序列数据。
而LSTM则是在此根本上进一步改进,通过引入影象单元,能够更好地捕捉长期依赖关系,从而在措辞建模等任务上，取得了显著的性能提升。

由于序列数据处理在语音识别和自然措辞处理等领域具有广泛运用,RNN和LSTM成为了这些领域的关键技能。
谷歌、微软等科技巨子纷纭在这些领域，投入大量研发资源,利用RNN和LSTM干系的技能，打造出了各种智能语音助手和对话系统,为用户供应了更加自然、流畅的交互体验。

4

爆发期：大模型

近10多年来，随着打算能力和数据资源的进一步提升，大规模预演习措辞模型（LLM）逐渐成为人工智能研究的热点，而天生式预演习模型GPT（Generative Pre-trained Transformer）更是成了众人皆知的“显学”。
通过在海量文本数据上进行预演习,GPT模型能够学习到丰富的措辞知识和语义理解能力,从而在问答、对话、文本天生等自然措辞处理任务上取得了前所未有的造诣。

在这一发展进程中，OpenAI的联合创始人伊利亚.苏茨克维（Ilya Sutskever） 起到了举足轻重的浸染。
伊利亚出生于俄罗斯，师从杰弗里·辛顿。
在大学期间，伊利亚曾与辛顿的另一位学生一起，开拓了卷积神经网络AlexNet，并在当年的ImageNet寻衅赛中勇夺冠军，其精确度更是遥遥领先，是第二名的两倍。
AlexNet的成功，除了表示了大型神经网络面对大规模数据时的巨大潜力，还有力地证明了GPU在大型神经网络演习中的高效性，对后面GPU的发展，以及OpenAI的技能发展走势，都起到了极为主要的影响。

伊利亚.苏茨克维

大学毕业后，伊利亚加入了辛顿创立的DNNResearch公司，其后该公司被谷歌收购，他加入谷歌，成为谷歌大脑的研究科学家。
直到2015年，伊利亚被马斯克从谷歌挖走，和山姆·奥特曼等人，共同创办了OpenAI。
伊利亚担当OpenAI的首席科学家。

在OpenAI，伊利亚险些主导了所有关于GPT的研发，但随着OpenAI的发展，原来奥特曼主外，伊利亚主内的稳定格局，逐步涌现了问题。
个中最紧张的缘故原由之一，便是两人所持有的“有效加速主义”和“超级对齐主见”之间难以调和的抵牾。
所谓“有效加速主义”，便是推崇科技的不断发展和颠覆，认为可以不完美，但不能不发展。
而“超级对齐主见”，则是要确保人工智能的发展，要与人类代价不雅观保持同等，否则甘心停滞发展。
伊利亚持有的不雅观点是后者，他和恩师辛肯一样，非常在意超级对齐，并组建了OpenAI的超级对齐团队。

但奥特曼却是一个务实主义者，更在乎“有效加速”和商业上的发展。
终极两人抵牾越来越严重，以至于发生了伊利亚“政变”，把奥特曼从OpenAI踢出局的戏。
但终极还是上演了奥特曼强势回归，伊利亚却选择离职出走的反转剧情。
但不管从哪个角度来说，作为AI领域的顶级科学家和践行者，伊利亚都值得这个时期敬仰。

尤瓦尔·赫拉利在《人类简史》有句名言：“我们从农业革命能学到的最主要一课，很可能便是物种蜕变上的成功，并不代表个体的幸福。
”同样，AI革命会给我们带来更多个体的幸福吗？这也是一个值得思考的大命题，但不管怎么说，AI已来，我们最该当做的，还是理解它、节制它，并努力“驯化”它。