AI发展史概述
人工智能（AI）的发展经历了多个关键阶段，从早期的理论探索到如今的广泛应用。以下是主要里程碑的梳理：
早期理论与萌芽（1940s-1950s）
1943年，麦卡洛克和皮茨提出首个神经元数学模型，奠定神经网络基础。
1950年，图灵发表《计算机器与智能》，提出"图灵测试"概念。
1956年达特茅斯会议正式确立"人工智能"术语，标志着AI成为独立学科。
图灵测试：人判断对面的交流者是人还是AI，AI的误判率和人的误判率基本相等，则认为突破图灵测试
符号主义与第一次繁荣（1960s-1970s）
研究者通过逻辑推理和规则系统模拟人类思维。
ELIZA（1966）成为首个能模拟对话的程序。
专家系统（如DENDRAL）在特定领域展现实用价值。
受限于算力和数据，1974年进入"第一次AI寒冬"。
符号主义：按规则检索，只能处理明确的知识
机器学习崛起（1980s-1990s）
反向传播算法（1986）推动神经网络发展。
统计学习方法（如支持向量机）逐步替代符号主义。
IBM深蓝（1997）击败国际象棋冠军，展示专项AI能力。
神经网络的前向传播：每层神经网络对输入数据进行逐层加工，最后将结果输出误差的反向传播：例，检查输出误差------》检查隐藏层2------》检查隐藏层1------》输入层权重问题权重调整的梯度下降：链式法则，损失函数，激活函数统计学习（Statistical Learning）是一种基于数据驱动的学习方法，通过从大量数据中提取模式和规律来进行预测或决策。它依赖于概率论和统计学，强调数据的分布和不确定性。常见的统计学习方法包括线性回归、支持向量机、随机森林等。
神经网络使结果生成输出，误差反向传播调整权重，提高结果精度
大数据与深度学习革命（2000s-2010s）
互联网爆发提供海量训练数据。
Hinton团队突破深度神经网络训练瓶颈（2006）。
2012年AlexNet在ImageNet竞赛中大幅领先，引爆深度学习热潮。
AlphaGo（2016）战胜人类围棋冠军，强化学习取得突破。
强化学习：强化学习是一种机器学习方法，通过与环境交互来学习最优策略。专注于决策过程，通过奖励机制优化长期收益
通用AI与当代发展（2020s至今）
大语言模型（如GPT系列）展现泛化能力。
多模态模型实现文本、图像、音频的跨模态处理。
AI伦理、监管和AGI（通用人工智能）成为核心议题。
生成式AI（如DALL·E、Stable Diffusion）推动内容创作变革。
生成式AI（Generative AI）是一类人工智能技术，能够根据输入数据生成新的原创内容，包括文本、图像、音频、视频或代码等。AGI（Artificial General Intelligence，人工通用智能）指具备人类水平或超越人类的全方位智能，能够自主学习、推理、适应多种任务，而非局限于特定领域（如当前AI的 Narrow AI 特性）。
关键技术进步
- 算法：从感知机到Transformer架构
- 硬件：GPU加速与TPU专用芯片
- 数据：ImageNet等标注数据集的出现
- 框架：TensorFlow、PyTorch等开源工具降低开发门槛
当前AI已渗透至医疗、金融、制造等领域，但仍在可解释性、伦理安全等方面面临挑战。