1.2 发展历程：三次浪潮与两次寒冬

1.2 发展历程：三次浪潮与两次寒冬

本节摘要：七十年、三次浪潮、两次寒冬、一次解冻——本节把 1950 年至今的AI史压成一条可解释的曲线。第一次浪潮由符号主义主导，从达特茅斯会议的乐观一路走到 1974 年的经费撤退；第二次浪潮靠专家系统的商业化回血，又在 1987 年败于维护成本与常识缺位；第三次浪潮由统计学习蓄力、深度学习引爆，2012 年 AlexNet 在 ImageNet 上一战成名，2017 年的 Transformer 铺开大模型时代。每个转折都由同一组变量决定：钱、算力、数据。看懂这三个变量，就看得懂AI的下一程。

本节目标

• 画出三次浪潮两次寒冬的时间轴，标注至少六个关键事件与年份
• 解释每次寒冬的成因：过度承诺、算力不足、知识获取瓶颈、维护成本
• 说出 1986 年反向传播与 2012 年 AlexNet 各自的历史角色
• 复述范式转变的三步：人写规则，到数据学规则，再到机器自己提特征
• 用"钱、算力、数据"三个变量分析当前浪潮的续航条件

一、第一次浪潮（1950-1974）：符号主义的黄金年代

达特茅斯会议之后，乐观情绪像野火一样蔓延。主流研究路线是符号主义：把知识表示成符号与规则，用逻辑推理和启发式搜索模拟思维。这条路早期确实捷报频传。1956 年，纽厄尔、西蒙和肖写出"逻辑理论家"程序，成功证明了罗素与怀特海《数学原理》中的若干定理——第一个真正意义上的AI程序，开局就啃数学证明。1957 年前后，同一个团队又推出"通用问题求解器"，试图用一套初始状态、目标状态加操作符的框架通吃各类问题。1966 年出现的对话程序 ELIZA 更是破圈：它靠一套关键词替换规则模拟心理治疗师，居然让不少用户倾诉衷肠。

与此同时，另一条路线在平行发芽。1957 年，罗森布拉特提出感知机——一个极简的神经网络模型，能靠调整权重学会对线性可分的数据分类。媒体为它疯狂，可好景只过了十二年：1969 年，明斯基与派普特在《感知机》一书中证明这个模型连异或问题都解不了，一盆冰水把联结主义按进了水下。此后十余年，神经网络研究几乎无人问津。

把这一波比作工业革命的第一代蒸汽机再贴切不过：每台汽缸都靠工匠手工镗孔，在矿井里抽水够用，想通用无望。符号主义程序也一样——每个系统都是手工艺品，演示惊艳，规模一放大就露怯。

⚠️ 常见坑：把第一次浪潮的失败归因于"想法错了"。更准确的说法是想法超前而燃料未到——便宜算力与海量数据都还要等几十年，符号主义与神经网络谁都跑不远。

二、第一次寒冬与第二次浪潮（1974-1993）：从经费撤退到专家系统兴衰

七四年前后，账单到期了。四股力量合力把行业推入第一次寒冬：一是承诺未兑现，早期研究者许下过"一代人之内机器比肩人类智能"式的豪言，兑现遥遥无期；二是算力限制，当时的计算机撑不起复杂系统的运算胃口；三是知识获取瓶颈，把专家经验写成规则的难度远超预期；四是资助撤退，看不到产出的美国与英国政府相继砍掉了经费。寒冬不讨论技术对错，只冻结现金与岗位。

但寒冬里并非寸草不生。二十世纪六十年代末的 DENDRAL 已经能推断有机化合物的分子结构；七十年代的 MYCIN 专攻血液感染诊断，还能推荐抗生素方案，诊断水平接近人类专家——这两个系统是专家系统路线的先声。到 1980 年，卡内基梅隆大学为迪吉多公司开发的 XCON（也叫 R1）上线，自动配置 VAX 计算机订单，每年为公司省下数千万美元。工业界第一次看到AI直接创造利润，第二次浪潮轰然而起，"知识工程师"成为热门职业，专门负责把专家脑子里的经验翻译成规则库。

好日子不到十年。八十年代末，专家系统的三处暗伤接连溃烂：维护成本高昂，知识一过时就得重金返工；可扩展性差，规则库越膨胀，规则之间的冲突越难收拾；常识缺位，系统在狭窄领域内是专家，跨出一步就变白痴。1987 年起，投资再次撤离，第二次寒冬降临。值得玩味的是，就在寒冬前夜的 1986 年，鲁梅尔哈特、辛顿与威廉姆斯重新发现并推广了反向传播算法——训练多层神经网络的关键钥匙。火种在冰层下保存了下来。

用能源史作比：专家系统像每家工厂自建锅炉房——烧得旺，但养不起。锅炉匠（知识工程师）稀缺且昂贵，蒸汽管网（规则库）越铺越乱，一旦电厂（标准化算力与数据）出现，自建锅炉模式立刻失去经济性。

💡 关键直觉：寒冬里不是没有进展，只是进展不够上头条。反向传播、支持向量机这类"第三次浪潮的弹药"全都在低谷期造好，等风口一来直接取用。技术史的利息，在寒冬里照常复利。

三、解冻（1990s-2011）：统计学习的翻身

九十年代，范式悄悄换轴：从人写规则，转到让机器从数据里学规则。统计学、概率论与优化理论全面进场——瓦普尼克的支持向量机在小样本、高维度数据上表现出色且有坚实理论基础；决策树直观好解释；2001 年提出的随机森林用多棵树投票，把准确率又抬一档；朴素贝叶斯称霸文本分类与垃圾邮件过滤；隐马尔可夫模型撑起了那个年代的语音识别。

标志事件接二连三。1997 年，IBM"深蓝"击败国际象棋世界冠军卡斯帕罗夫，机器首次在顶级智力对抗中胜过人类——值得点破的是，深蓝靠的是暴力搜索加人工设计的评估函数，与后来流行的深度学习无关。2006 年，Netflix 悬赏百万美元办推荐算法大赛，把协同过滤推向大众视野。同样在九十年代，杨立昆的卷积网络 LeNet-5 已在银行系统里识别支票手写数字——神经网络从未死透，只是在等它的时代。

这一阶段的软肋在于特征工程：把原始数据加工成模型可用的特征，仍然全靠老师傅手工打磨。数据有了，算力涨着，可"谁来提特征"这道工序还卡在人手里。拆掉这道工序，就是下一次革命的引信。

把三步范式转变并排看，进步的脉络会更清楚：

每一行都在把上一行的短板自动化：符号主义卡在"人写规则"，统计学习就让规则从数据里拟合；统计学习卡在"人提特征"，深度学习就让特征由网络逐层提取。这不是巧合，而是技术演化的常规路径——上一代的天花板，就是下一代的入口。顺带也就解释了为什么深度学习对数据和算力的胃口远超前两代：把两道人肉工序都换成机器，代价就是燃料消耗成倍上涨，这笔账我们在 1.4 节细算。

这个循环不是AI独有，铁路、电气、互联网都走过同样的过热与出清。区别只在周期长短与留下的基础设施——前两次寒冬留下的是方法教训，这一次留下的将是算力电网与数据管网。

四、第三次浪潮（2012 至今）：深度学习革命与大模型时代

2012 年是分水岭。辛顿带着克里热夫斯基与苏茨克维打造的深度卷积网络 AlexNet 参加 ImageNet 图像识别大赛，把错误率从大约 25% 一口气压到 15.3%，甩开第二名一个身位。学界震动不在于夺冠，而在于夺冠方式：特征不再是人工设计，而是网络自己从海量图片里学出来的。

为什么是 2012 而不是更早？三个条件恰好同时凑齐。数据上，互联网攒够了带标注的百万级图像库；算力上，为游戏渲染设计的 GPU 拥有数千个并行小核，与神经网络的矩阵运算形状严丝合缝；算法上，ReLU 激活函数缓解了深层网络的梯度消失，Dropout 压住了过拟合，批量归一化稳住了训练过程，预训练加微调让标注稀缺难题松了绑。三者缺一，2012 都不会发生——这正是把AI当历史产物来理解的最好注脚。

此后是十年的连锁反应。1997 年就已问世的 LSTM，此刻在语音与翻译中大放异彩；2014 年，古德费洛提出生成对抗网络 GAN，两个网络互相对抗着学会生成以假乱真的图像；2016 年，AlphaGo 击败围棋世界冠军李世石，把深度学习与强化学习的组合威力展示给全球观众；2017 年，谷歌团队提出 Transformer 架构，靠自注意力机制并行处理序列，彻底取代了循环网络的串行瓶颈，成为 GPT 系列等大语言模型的地基；2018 年起，GPT 系列一路放大模型规模，开启了延续至今的大模型时代。

用工业史作比，2012 年之后发生的是电气化时刻：电网（云计算与GPU集群）铺到哪里，电动机（深度模型）就替换到哪里；而大模型时代更像超高压电网的成型——算力集中生产、按需输配，智能开始像电流一样成为可订阅的公共品。

还有一条容易被忽略的暗线值得一提：预训练加微调。这一招最早是为了对付标注稀缺——先用海量无标注数据训练通用表示，再用少量标注数据微调到具体任务。大模型时代把它推到极致：预训练阶段吞下近乎整个互联网的文本，微调阶段用少量示例就能对齐任务。回头看，从 ELIZA 的关键词替换，到今天一个模型写代码、翻文档、改合同，中间隔着的正是这条"通用表示"暗线的七十年生长。

同为历史产物，两次寒冬的教训对今天依然锋利。第一次寒冬教会行业：不要用演示效果外推工程进度——逻辑理论家能证明定理，不代表它能安排你的生产计划。第二次寒冬教会行业：不要用单点盈利外推行业盈利——XCON 省下数千万美元，不代表每家公司都能养得起知识工程师。把这两条教训套用到当下，该问的问题就不是"大模型能不能写诗"，而是"它在你我的具体工序里，省下的是人工还是只省下了演示费"。

图：三次浪潮与两次寒冬时间线（1950-2025）

这条曲线给我们的不是怀旧，而是一套预测工具。判断当前浪潮能否续航，还是回到三个变量：数据还有没有增量、算力成本是否持续下降、算法有没有出现能兑现的新承诺。只要其中两个变量恶化，循环图上的箭头就会转向寒冬——而历史经验是，即便转寒，留守者的积累会在下一轮直接变现。

一节小结

• 第一次浪潮（1950-1974）：符号主义主政，逻辑理论家、通用问题求解器、ELIZA 相继登场；1969 年明斯基的《感知机》批评让神经网络沉寂近二十年。
• 第一次寒冬（1974-1980）：过度承诺、算力不足、知识获取瓶颈、美英政府撤资四力合围；失败主因是燃料未到，不是想法全错。
• 第二次浪潮（1980-1987）：DENDRAL、MYCIN 验证可行，XCON 每年为 DEC 省下数千万美元，知识工程一度成为热门职业。
• 第二次寒冬（1987-1993）：败于维护成本、规则冲突与常识缺位；但 1986 年反向传播已为复苏埋好火种。
• 解冻（1990s-2011）：支持向量机、随机森林、隐马尔可夫模型扛起大旗，1997 年深蓝击败卡斯帕罗夫，特征工程仍是人肉瓶颈。
• 第三次浪潮（2012 至今）：AlexNet 把 ImageNet 错误率压到 15.3%，数据、GPU 算力、算法三条件同时凑齐；GAN、AlphaGo、Transformer、GPT 依次引爆大模型时代。
• 方法论收获：寒冬出清资本但冻结不了技术积累，钱、算力、数据三变量是判断任何一波AI热度的通用仪表盘。

过渡引语：三次浪潮把AI推到了台前，但赢下围棋的 AlphaGo 换不来一次自然对话——能力的边界是被设计出来的，不是自然长出来的。下一节，我们沿这条边界谈强弱之别：弱AI、强AI与通用人工智能。