A BRIEF HISTORY OF ARTIFICIAL INTELLIGENCE

从执行规则的程序，
到理解目标的智能体。

人工智能七十余年最重要的变化

按空格键或方向键开始

1950

图灵测试

机器能否表现得像人？

ROUTE 01

把智能
写成规则。

技术的基础逻辑

人类制定规则＋机器高速搜索＝答案

能力边界，由人类预先写好。

1997

第一条路线的高光时刻

深蓝击败
世界冠军。

它在国际象棋的固定规则中，高速搜索并评估海量走法。强大算力让它胜过人类，但它并不理解象棋。

深蓝是一个极其强大的专用程序。

第一条路线总结

封闭问题的规则可以写清楚，
真实世界的规则却写不完。

编写规则→训练模型

ROUTE 02

让能力在训练中形成。

人类提供数据和反馈，模型不断调整内部连接。

生物神经信号与卷积神经网络计算对比 — **生物神经网络**神经元传递电化学信号，连接随经验改变。
*启发 →*
**卷积神经网络**信息经过多个计算层，从局部特征形成整体判断。

2016

第二条路线的高光时刻

AlphaGo
学出了新的棋。

它通过棋谱和自我对弈形成判断，再结合搜索决定落子。人类没有逐条写入它最终学会的策略。

能力第一次如此清晰地表现为“训练出来”，而非“编写出来”。

2017

Transformer

理解信息之间的关系。

成为现代大模型的基础架构。

2022—今天

大模型与智能体

从生成内容，到采取行动。

连接记忆、工具和规划后，AI开始围绕目标完成任务。

关键概念

黑盒
模式。

现代 AI 仍运行在计算机程序上，但它的具体能力不是人类逐条写入的，而是在训练中形成于大量参数之中。

输入→大量参数共同运算→输出

我们能看到输入和输出，却很难逐条解释内部如何得出答案。

LOOKING AHEAD

人工智能最终会在几乎所有应用领域超过人类。

机器的计算规模可以持续扩展，知识可以复制，经验可以共享，也不受疲劳和寿命限制。在绝大多数可被数字化的领域，超越单个人类将成为长期趋势。

人工智能的优势规模 · 速度 · 记忆 · 复制 · 持续迭代

人类仍需决定目标 · 价值 · 责任 · 技术走向

THE BIG PICTURE

规则写在代码里。
能力藏在参数里。

从深蓝到智能体，这是人工智能最重要的路线转变。

谢谢

从执行规则的程序，到理解目标的智能体。

机器能否表现得像人？

把智能写成规则。

深蓝击败世界冠军。

封闭问题的规则可以写清楚，真实世界的规则却写不完。

让能力在训练中形成。

AlphaGo学出了新的棋。

理解信息之间的关系。

从生成内容，到采取行动。

黑盒模式。

人工智能最终会在几乎所有应用领域超过人类。

规则写在代码里。能力藏在参数里。

从执行规则的程序，
到理解目标的智能体。

把智能
写成规则。

深蓝击败
世界冠军。

封闭问题的规则可以写清楚，
真实世界的规则却写不完。

AlphaGo
学出了新的棋。

黑盒
模式。

规则写在代码里。
能力藏在参数里。