第2章 历史：从符号到神经网络的跌宕
当我们凝视今天的大语言模型时，很容易产生一种错觉：仿佛人工智能是某种突然降临的“神迹”，是在硅基芯片上凭空生长出来的智慧。然而，本质上没有任何一项颠覆性技术是横空出世的。今天的AI盛宴，不过是一场跨越七十年的漫长接力赛中，最后一次交接棒的瞬间爆发。
理解AI的历史，不是为了背诵枯燥的年份和人名，而是为了建立一种“技术演化论”的视角。我们需要明白，为什么某些路径在当年被视为真理却在后来被抛弃？为什么某些被证伪的想法又在半个世纪后借尸还魂？更重要的是，我们要看清那些隐藏在代码背后的物理约束与数学铁律。只有理解了AI是从怎样的泥泞中跋涉而来，我们才能对它的未来保持清醒的预判，而不是陷入盲目的崇拜或无端的恐惧。
本章将带你穿越AI发展的三次浪潮。我们将看到，这并非一条直线向上的坦途，而是一条充满了断裂、停滞与螺旋上升的崎岖山路。在这条路上，人类的傲慢与偏见曾让技术停摆数十年，而对概率与统计的重新接纳，才最终推开了智能时代的大门。
2.1 被遗忘的专家系统：当逻辑走进死胡同
在深度学习统治世界之前，人工智能曾有过一段长达三十年的“理性主义”黄金时代。那时的研究者坚信，智能的本质就是符号运算，只要把人类的知识编写成足够多的规则，机器就能像人一样思考。这段历史被称为“符号主义（Symbolism）”时期，而其集大成者，便是曾经风光无限、最终却黯然退场的“专家系统”。
2.1.1 现象：玻璃天花板下的辉煌与崩塌
20世纪80年代，如果你走进一家顶尖企业的决策室，或者一所一流医院的诊断科，你很可能会遇到一台运行着LISP语言的计算机。它不是用来处理文档或计算表格的，它是作为“专家”被请进来的。这就是专家系统（Expert Systems）。
当时的MYCIN系统能够识别血液感染病菌并推荐抗生素，其准确率甚至超过了普通医生；DENDRAL系统能够通过质谱图推断分子结构，让化学家们惊叹不已。在日本，通产省更是启动了雄心勃勃的“第五代计算机计划”，试图建造一台能进行逻辑推理、翻译自然语言的超级机器。资本市场为之疯狂，企业界认为“知识工程”将是下一个万亿级风口。人们普遍相信，只要不断往这个系统里灌输规则，机器迟早会获得通用智能。
然而，这股热潮在90年代初戛然而止。那些曾被寄予厚望的系统，在实际应用中暴露出了致命的缺陷。它们极其脆弱，稍微超出预设的规则范围就会给出荒谬的答案；它们难以维护，修改一条底层规则可能导致整个知识库的逻辑崩溃；它们无法学习，所有的“智能”都依赖于人类专家手把手地喂养。随着硬件性能的摩尔定律加速兑现，而软件层面的知识获取瓶颈迟迟无法突破，专家系统从神坛跌落，AI迎来了历史上的第二次寒冬。
2.1.2 本质：符号接地问题与组合爆炸
为什么看似完美的逻辑推理，在现实世界面前如此不堪一击？这并非因为当时的工程师不够聪明，而是因为符号主义范式本身存在着两个无法逾越的本体论障碍。
第一个障碍是“符号接地问题（Symbol Grounding Problem）”。我们可以用“盲人摸象”的寓言来理解这一困境。在专家系统中，“苹果”只是一个符号，它与“红色”“圆形”“水果”等符号通过逻辑规则相连。但是，机器从未见过真正的苹果，从未闻过果香，从未感受过咬下果肉时的脆爽。对于机器而言，符号只是任意的标记，它们与现实世界的感知体验之间没有内在的联系。这就好比一个从未离开过房间的盲人学者，熟读了所有关于颜色的百科全书，能完美地论述“红色”的光谱定义和情感隐喻，但他依然不知道“红色”究竟是什么。缺乏感知基础的符号推理，注定只能是空中楼阁。
第二个障碍是“组合爆炸（Combinatorial Explosion）”。现实世界是混沌、模糊且充满例外的。试图用离散的逻辑规则去覆盖连续的现实，其复杂度呈指数级增长。想象一下，你要编写一套规则来识别“椅子”。你可以定义“有四条腿、有靠背、供人坐的家具是椅子”。但如果有三条腿呢？如果没有靠背呢？如果是挂在墙上的装饰椅呢？如果是用冰块做的临时座椅呢？每增加一个例外，就需要新增数条规则来修补漏洞，而这些新规则又可能与旧规则冲突。当规则数量达到数千条时，系统就变成了一个纠缠不清的乱麻团。这种试图用有限规则穷尽无限现实的努力，在数学上被证明是徒劳的。
本质上，专家系统的失败，是人类理性主义傲慢的一次惨痛碰壁。我们高估了显性知识（可以用语言表达的规则）的力量，而低估了隐性知识（只可意会不可言传的直觉与感知）的深度。正如哲学家波兰尼所言：“我们所知多于我们所能言。”专家系统只能捕捉“所能言”的部分，而那绝大多数深藏于语言之下的智能，始终对它紧闭大门。
2.1.3 启示：从“教机器思考”到“让机器学习”
专家系统的废墟之上，留下了两条至关重要的遗产，为后来的逆袭埋下了伏笔。
首先，它确立了“知识表示”的重要性。虽然硬编码的规则失败了，但如何让机器结构化地理解世界，依然是核心命题。今天的知识图谱（Knowledge Graph），某种程度上就是符号主义的现代转世，只不过它不再追求全覆盖的逻辑演绎，而是作为神经网络的外部记忆与事实锚点，实现了符号与感知的初步融合。
其次，也是最深刻的启示：智能不能被“设计”出来，只能被“涌现”出来。我们不能再扮演上帝，试图把智能拆解为一个个齿轮和杠杆组装进机器；我们必须扮演园丁，提供土壤（数据）、阳光（算力）和种子（算法架构），然后耐心等待智能从复杂的交互中自行生长。这一认知范式的转移，标志着AI从“工程学”向“生物学”隐喻的回归，也为连接主义的复兴扫清了思想障碍。
当我们嘲笑专家系统的笨拙时，不妨反躬自省：今天我们在大模型提示词中精心编写的“思维链（Chain-of-Thought）”指令，难道不是一种微型的、动态的专家系统吗？我们依然在试图用语言规则去引导机器的推理，只不过这一次，规则的载体不再是僵硬的代码，而是概率分布中的注意力权重。历史从未真正远去，它只是换了一副面孔，继续与我们对话。
2.2 深度学习的逆袭时刻：从像素到语义的惊险一跃
如果说符号主义是AI的“古典时代”，那么2012年就是AI的“文艺复兴”。这一年，在ImageNet图像识别大赛上，一个名为AlexNet的深度卷积神经网络以碾压之势击败了所有传统算法，错误率较上一年降低了超过10个百分点。这一事件被公认为深度学习革命的引爆点。然而，这场逆袭并非一夜之间的奇迹，而是半个世纪以来被压抑的连接主义（Connectionism）思想，在算力与数据双重红利加持下的必然爆发。
2.2.1 现象：一场改变范式的比赛
让我们回到2012年的那个秋天。在此之前，计算机视觉领域的主流方法依然是手工特征工程（Hand-crafted Features）。研究者们花费数年心血设计SIFT、HOG等算子，试图用数学公式提取图像的边缘、纹理和形状，然后再喂给支持向量机（SVM）等传统分类器。这种方法的上限已被锁死，每年的进步都以小数点后几位计。
AlexNet的出现，像是一颗陨石砸进了平静的湖面。它没有使用任何人工设计的特征，而是直接将原始像素输入到一个拥有6000万参数、8层结构的神经网络中。它不仅赢了，而且赢得令人绝望。更令传统派震惊的是，AlexNet学到的特征并非人类定义的边缘或纹理，而是一种我们无法直观理解的、高度抽象的表征。随着网络层数的加深，这些表征从简单的线条逐渐组合成部件，再组合成物体，最终形成了对“猫”“狗”“汽车”等语义概念的精准编码。
这一胜利迅速引发了多米诺骨牌效应。短短几年内，深度学习席卷了语音识别、自然语言处理、游戏博弈等几乎所有AI子领域。2015年，ResNet在ImageNet上的表现首次超越人类；2017年，Transformer架构横空出世，彻底重塑了NLP的版图。曾经需要博士团队打磨数年的特征工程，如今被端到端的学习范式所取代。AI不再是实验室里的玩具，它开始走出象牙塔，嵌入手机、汽车、工厂和医院，成为基础设施的一部分。
2.2.2 本质：万能近似定理与分布式表征
为什么深度学习能做到符号主义做不到的事？这背后有两个核心的数学与认知原理，我们可以用更生活化的方式来理解。
第一是“万能近似定理（Universal Approximation Theorem）”。这个听起来高深的概念，其实可以比喻为“超级黏土”。该定理从数学上证明了，一个包含单个隐藏层的前馈神经网络，只要神经元数量足够多，就可以以任意精度逼近任何连续函数。这意味着，神经网络本质上是一团极其强大的、可塑性无限的“数字黏土”。无论是图像识别、语言翻译还是蛋白质折叠，都可以被建模为从输入空间到输出空间的复杂映射函数。符号主义试图用刚性的逻辑积木去搭建这个函数，稍有偏差便会倒塌；而深度学习则直接用海量的参数去“捏合”并“拟合”这个函数。这是一种从“理解规则”到“拟合数据”的认识论飞跃。
第二是“分布式表征（Distributed Representation）”。如果说专家系统中的概念是独唱演员，各自独立、互不相干，那么神经网络中的概念就是一个庞大的“合唱团”。“猫”不是一个单独的节点，而是一种特定的、跨越成千上万个神经元的激活模式。就像一首交响乐的意义不在于某个单独的小提琴音符，而在于所有乐器共同奏响的和声。这种表征方式具有惊人的鲁棒性与组合性：即使合唱团里有几个人感冒缺席，整体旋律依然可辨；不同的概念可以通过向量的线性组合产生新的意义（例如，“国王 - 男人 + 女人 ≈ 女王”）。这正是人类大脑的工作方式，也是AI能够处理模糊性、实现举一反三的根本原因。
然而，我们必须清醒地认识到，深度学习的成功并不意味着它“理解”了世界。它只是在极高维度的空间中，找到了数据之间的统计相关性。它能识别出X光片上的肿瘤阴影，但它不知道什么是癌症，什么是痛苦，什么是生命。它的“智能”是纯粹的数学优化结果，而非语义理解的产物。这种“知其然不知其所以然”的特性，既是它强大的源泉，也是它脆弱的根源。
2.2.3 启示：数据是新石油，但算力是炼油厂
深度学习的逆袭，给我们留下了三条关于技术演进的深刻启示。
其一，技术突破往往是“旧思想+新条件”的组合创新。反向传播算法（Backpropagation）早在1974年就被提出，卷积神经网络（CNN）的原型LeNet在1998年就已用于手写数字识别。它们之所以沉寂数十年，不是因为理论错误，而是因为缺乏足够的数据和算力来验证其潜力。2012年的爆发，本质上是互联网积累的海量标注数据（ImageNet）与GPU并行计算能力成熟后的历史性相遇。这提醒我们，在评估一项技术时，不能只看其理论优雅度，更要看其所处的生态位是否成熟。
其二，规模本身就是一种方法论。在深度学习时代，“更好”往往意味着“更大”。更多的数据、更多的参数、更多的算力，几乎总能带来性能的提升。这种“暴力美学”颠覆了传统科学追求简洁优雅的审美取向，但也引发了深刻的忧虑：如果智能的提升只能靠堆砌资源，那么它的天花板在哪里？我们是否正在建造一座巴别塔，越高越接近云端，也越高越远离地面？
其三，黑箱困境是必须支付的代价。我们用可解释性换取了性能，用透明度换取了能力。当AI开始在医疗诊断、司法量刑、信贷审批等高风险领域发挥作用时，这种不可解释性就从技术问题变成了伦理问题。我们不能仅仅满足于模型的高准确率，还必须发展出与之匹配的“可解释AI（XAI）”技术，以及相应的监管框架。否则，我们就是在把命运交给一个我们无法理解的异己力量。
[插图：AI三次浪潮演进示意图]
图表说明：本图以时间轴为横坐标，展示了人工智能七十年来三次浪潮的起伏脉络。第一次浪潮（红色曲线）代表符号主义时期，以逻辑推理和专家系统为高峰，后因知识获取瓶颈而回落；第二次浪潮（蓝色曲线）代表连接主义的早期复兴与浅层网络的探索，虽在理论上取得突破但受限于算力未能大规模落地；第三次浪潮（绿色曲线）始于2012年深度学习爆发，并在2020年后因Scaling Law的发现而陡峭攀升至当前的大模型时代。图中关键节点标注了各阶段的核心技术驱动力，直观呈现了AI发展并非线性进步，而是在“期望膨胀”与“泡沫破裂”的循环中螺旋上升的演化特征。
2.3 量变引起质变的临界点：Scaling Law与大模型时代
如果说深度学习解决了“能不能”的问题，那么Scaling Law（缩放定律）则回答了“有多强”的问题。这是当前大模型时代最核心的信仰基石，也是理解AI为何在近两年突然“开窍”的关键钥匙。它揭示了一个反直觉的事实：在人工智能领域，有时候“大力”真的能出“奇迹”，而且这种奇迹是可以被精确预测的。
2.3.1 现象：一条价值千亿美元的幂律曲线
2020年，OpenAI的研究团队发表了一篇题为《Scaling Laws for Neural Language Models》的论文。这篇论文没有提出新的架构，也没有发布惊艳的产品，但它对行业的影响力远超任何一篇技术报告。论文发现，语言模型的性能与三个变量——模型参数量、数据集大小、计算量——之间存在着极其优雅的幂律关系。
通俗地说，这条定律告诉我们：AI的能力提升不是随机的抽奖，而是一条可以精确绘制的“投资回报曲线”。只要你按比例同时增加数据、算力和参数，模型的表现就会以一种可预测的方式稳步提升。这种关系就像物理学中的万有引力定律一样稳定，以至于研究人员可以在模型训练之前，就准确预测出它最终能达到什么水平。正是这一发现，让科技巨头们敢于投入数千亿美元建设智算中心，因为他们知道这不是赌博，而是遵循物理定律的工程建设。
2.3.2 本质：压缩即智能与涌现的临界点
为什么简单地“堆料”就能产生智能？这背后隐藏着两个深刻的机制，我们可以用生活中的类比来理解。
首先是“压缩即智能”。想象一座藏书千万册的图书馆。如果让你把这些书的内容全部记住，你不可能逐字背诵，唯一的办法是理解其中的规律、提炼出核心思想、建立起知识之间的关联。当你把整座图书馆“压缩”进大脑时，你获得的不仅是信息，更是推理和创造的能力。大模型的训练过程，本质上就是对海量人类文本进行极致压缩的过程。为了在有限的参数空间里装下更多的知识，模型被迫学会了语法结构、逻辑推理乃至世界模型。参数越多，压缩比越高，模型就必须提炼出越抽象、越本质的规律。因此，Scaling Law的本质，是信息压缩效率随规模提升而优化的数学表达。
其次是“涌现（Emergence）的临界点”。这就像烧水：从0℃到99℃，水始终是液态，温度变化带来的只是量变；但在100℃的那一刻，水突然沸腾变为气态，发生了质变。大模型也是如此。当参数规模较小时，模型只能做简单的词语接龙；但当规模突破某个临界点（如千亿参数级别），模型突然展现出此前从未被显式训练过的能力——比如多步推理、代码生成、甚至理解幽默和讽刺。这些能力不是被“教”会的，而是在足够复杂的系统中自发“长”出来的。Scaling Law告诉我们，只要我们持续加水加热，就一定能等到沸腾的那一刻。
2.3.3 启示：从“手工作坊”到“工业流水线”
Scaling Law的确立，标志着AI研发模式的根本性变革，也为我们理解当前时代提供了三个关键坐标。
其一，AI研发进入了“重工业时代”。过去，AI研究更像手工作坊，依赖研究者的灵感和精巧的设计；现在，它变成了标准化的工业流水线。只要遵循Scaling Law，投入足够的资源，就能生产出确定性能的产品。这降低了算法创新的门槛，却极大地提高了资本和能源的门槛。智能，正在成为一种可以用电力和芯片来度量的大宗商品。
其二，数据的质量决定了压缩的上限。既然智能源于压缩，那么被压缩对象的“信息密度”就至关重要。用一亿本低质量的灌水网文训练出的模型，可能远不如用一百万本经典著作训练出的模型聪明。这解释了为什么当前AI竞争的焦点，已经从单纯的数据量转向了高质量数据的清洗、合成与版权争夺。未来的AI强国，不仅是算力大国，更是文化积淀与知识整理的大国。
其三，我们正站在“已知未知”的边缘。Scaling Law虽然可预测，但它只描述了损失函数的下降趋势，并未告诉我们涌现的具体内容。我们知道模型会变强，但不知道它会在哪个节点突然学会什么新技能。这种“可控的不可预测性”，是大模型时代最大的魅力，也是最大的风险。它要求我们放弃完全掌控的幻想，转而建立一种与“异类智能”共存的适应性治理框架。
回顾这三次浪潮，我们看到的是一部人类认知自我的镜像史。符号主义时代，我们以为智能是理性的逻辑；连接主义时代，我们发现智能是感知的拟合；而在Scaling Law时代，我们开始接受智能可能是规模的产物、是压缩的副产品、是复杂系统的自然涌现。每一次认知的刷新，都是对人类中心主义的一次祛魅。
2.4 本章小结
本章梳理了人工智能七十年来跌宕起伏的三次浪潮，旨在为非专业读者建立一个理解AI技术演化的认知框架：
- 第一次浪潮（符号主义） 试图用显性的逻辑规则构建智能，但因“符号接地问题”和“组合爆炸”而陷入瓶颈。它留下的最大教训是：智能无法被完全形式化，隐性知识远比显性规则重要。
- 第二次浪潮（深度学习） 通过“万能近似”和“分布式表征”实现了从像素到语义的跨越。它的成功证明了“旧思想+新条件（数据+算力）”的组合威力，但也带来了黑箱困境。
- 第三次浪潮（Scaling Law/大模型） 揭示了智能提升的可预测幂律关系。它将AI研发从手工艺转变为重工业，并通过“压缩即智能”和“涌现”机制，让我们看到了量变引起质变的临界点。
贯穿这三次浪潮的核心线索，是人类对“智能是什么”这一问题的认知迭代：从“设计智能”到“培育智能”，再到“规模化涌现智能”。理解这条演化脉络，是我们在这个技术剧变时代保持清醒判断的基石。
2.5 思考题
- 历史的回响：今天我们在使用大模型时编写的“提示词工程（Prompt Engineering）”，在多大程度上可以看作是专家系统“规则注入”的现代变体？两者的本质区别是什么？
- 规模的边界：Scaling Law告诉我们“大力出奇迹”，但如果地球上的高质量文本数据被耗尽，或者能源供给达到极限，AI的发展是否会再次进入寒冬？有哪些可能的破局路径？
- 认知的反思：如果智能真的可以通过“压缩”和“规模”涌现，这是否意味着人类的创造力