AI 突进 70 年：从诞生到 GPT-5
本文梳理人工智能 70年 发展脉络：1956年达特茅斯会议正式提出“人工智能”概念，开启探索之路。从早期基于规则的系统、统计机器学习，到2012年AlexNet推动深度学习崛起，再到2017年Transformer架构革新、AlphaGo引爆关注。2022年ChatGPT 开启大模型时代，GPT-3.5、GPT-4等持续迭代，2025年GPT-5 引入通用智能。同时涵盖技术分支（NLP、CV等）及
当 1956 年的科学家们写下 “人工智能” 时，不会想到 70 年后，GPT-5 正以智能洪流，漫过我们生活的每一条沟壑🛬
一、人工智能的诞生（1956）
人工智能（Artificial Intelligence, 简称 AI）概念于1956年正式提出。约翰・麦卡锡（John McCarthy）与其他科学家在美国达特茅斯学院组织的研讨会上，首次明确 “人工智能” 一词，标志着这门学科的诞生。作为一门年轻的科学，其发展至今不足70年
📌达特茅斯会议
与会者均为各自领域的开拓者，其贡献深刻影响了AI的发展轨迹
- 约翰·麦卡锡（John McCarthy）
- Lisp 编程语言的发明人之一，“人工智能”一词的提出者，主导了达特茅斯会议的组织
- 马文·明斯基（Marvin Minsky）
- 框架理论（AI知识表示核心理论）创立者，后期因对神经网络局限性的研究推动了领域反思，2016年获图灵奖
- 雷·索洛莫诺夫（Ray Solomonoff）
- 算法概率论创始人，提出“通用概率分布”与“通用归纳推理理论”，为AI的概率性推理奠定了数学基础
- 纳撒尼尔·罗切斯特（Nathaniel Rochester）
- IBM 701（早期商用计算机）首席设计师，编写世界首个汇编程序，推动计算机硬件与低级语言在AI研究中应用
- 克劳德·香农（Claude Shannon）
- 数学家、信息论创始人，其“信息熵”理论为AI处理不确定性、优化决策提供关键工具，被称为“数字时代奠基人”
- 奥利弗·塞弗里奇（Oliver Selfridge）
- “机器知觉之父”，提出的“ Pandemonium 模型”是早期计算机视觉与模式识别的重要框架
二、AI 的演进：从基于规则的系统到深度神经网络
1. 1950年: 图灵之问与感知机起源
- 计算机科学之父图灵在论文中提出“机器可以思考吗”这一划时代问题，推动了人类语言学与计算机科学的交融
- 20世纪50年代 深度学习的基础——神经网络技术起源，当时以“感知机”形式存在。早期为单层感知机，虽结构简单但能解决部分复杂问题，但其局限性显著：仅能学习线性可分函数，无法处理异或（XOR）等线性不可分问题
2. 1957~1980末：NLP 两派与网络技术突破
- 1957~1970年，自然语言处理（NLP）领域形成两大阵营：基于规则（人工编写语法 / 词汇规则，逻辑清晰但难适配复杂场景）与基于统计（通过数据训练模型，动态性强却依赖数据规模）
- 1969年 Marvin Minsky在著作《Perceptrons》中提出两个关键观点：
- 单层感知机作用有限，需多层感知机解决复杂问题
- 当时缺乏有效的训练算法
- 20世纪80年代末期 反向传播算法（BP算法） 发明，为机器学习带来突破，掀起基于统计模型的机器学习热潮（持续至今）。通过BP算法，人工神经网络可从大量训练样本中学习统计规律，对未知事件进行预测，其效果显著优于传统基于人工规则的系统
- 此时的人工神经网络虽称“多层感知机”，实为仅含一层隐层节点的浅层模型
3. 1994~1999年： 统计概率主导 NLP
- 基于统计的方法逐渐主导NLP领域，概率计算被引入各类NLP任务
4. 2000~2012年：机器学习成主流，深度学习赛破局
- 机器学习 兴起并迅速占领NLP主流市场
- 传统机器学习算法（未使用神经网络）：线性回归（逻辑回归）、决策树、随机森林、XGBoost、朴素贝叶斯等
- 2012年 在ImageNet图像识别大赛中，杰弗里・辛顿团队的AlexNet（深度学习模型）夺冠。该模型采用ReLU激活函数解决梯度消失问题，并借助GPU提升运算速度
- 同年，斯坦福大学吴恩达与Jeff Dean主导的深度神经网络（DNN）在ImageNet评测中，将错误率从26%降至15%。深度学习算法的突破性表现，重新引发学术界与工业界的广泛关注
5. 2015~2022年：AI 模型迭代突破
-
人工智能时代全面到来，深度学习技术深刻重塑NLP的发展方向
-
2016年， 随着谷歌公司基于深度学习开发的 AlphaGo 以 4:1 的比分战胜了国际顶尖围棋高手李世石。后来，AlphaGo又接连和众多世界级围棋高手过招，均取得了完胜
-
2017年，基于强化学习算法的 AlphaGo 升级版 AlphaGo Zero 横空出世。其采用 “从零开始”，“无师自通” 的学习模式，以100:0的比分轻而易举打败了之前的AlphaGo。 除了围棋，它还精通国际象棋等其它棋类游戏，可以说是真正的棋类天才
-
2017年，谷歌推出了划时代的作品 Transformer，对整个人工智能的发展影响深远。此外在这一年，深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以，也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年
-
2018年，谷歌推出了BERT，开启了预训练模型和迁移学习的时代
-
2019年，GPT2、T5、AIBERT、RoBERTa、XLNet，一系列预训练模型的推出大大提升了AI的应用效果
-
2020年，深度学习扩展到更多的应用场景，比如积水识别、路面塌陷等，而且疫情期间，在智能外呼系统、人群测温系统、口罩人脸识别等都有深度学习的应用
-
2021年，巨量模型大量涌现，参数规模从几百亿迅速增长到上万亿
-
2021年7月，Codex基于GPT3进行了大量的代码训练而产生的模型Codex，使其具备了代码编写和代码推理能力
-
2021年10月，OpenAI内部发展出了GPT3.5，但未对外公开
-
2022年1月，Google提出思维链技术CoT（Chain of Thought）
三、AI 大模型时代
-
2022年11月30日，ChatGPT横空出世，开启了AI大模型的时代，核心点是基于GPT3.5，融合了Codex + 强化学习的技术
-
2023年，是全世界大模型的战国时代，2023年3月，OpenAI正式发布GPT4，增加了多模态能力
-
2024年2月，OpenAI正式发布Sora，首次完成60s稳定、流畅、一致性的视频生成模型
-
2024年5月，GPT-4o、快手可灵大模型发布
-
2024年9月，GPT-o1推理大模型发布，AI第一次在复杂推理能力上取得突破性进展
📌 DeepSeek-R1
-
2024年12月26日，DeepSeek-V3大模型发布，以极低的训练成本得到顶尖的大模型效果
-
2025年1月20日，DeepSeek-R1推理大模型发布，引发了全球轰动，也在整个春节期间都处于一个AI热潮中
图 10. DeepSeek-R1推理大模型 -
2025年4月17日，OpenAI重磅发布o3和o4-mini，在解决复杂多模态推理能力上大幅提升
-
2025年4月29日，阿里巴巴正式发布Qwen3大模型
-
2025年5月22日，Anthropic发布Claude 4系列模型，支持连续7小时复杂编程任务，性能超越Gemini 2.5 Pro
📌 GPT 5
- 2025年8月8日，OpenAI发布GPT-5，引入递归训练架构与通用智能，医疗推理能力获权威认证
图 11. Generative Pre-trained Transformer 5
四、人工智能关键词
- 人工智能 (Artificial Intelligence)
- 机器学习 (Machine Learning)
- 深度学习 (Deep Learning)
- 大语言模型 (Large Language Model)
- 深度学习 (Deep Learning)
- 机器学习 (Machine Learning)
- 层级关系：人工智能 > 机器学习 > 深度学习
核心逻辑：所有应用神经网络技术的机器学习，都可称为深度学习。
1. AI 主流技术方向
-
ASR: 语音，专注语音信号转文字，支撑语音交互、实时翻译等场景
-
CV: 视觉，让机器解析图像视频，应用于人脸识别、自动驾驶等领域
-
NLP: 语言，处理人类文本语言，实现机器翻译、智能问答等功能
- 知识图谱：
- 2012~2019年：作为NLP的一个分支存在
- 2020~2022年：热度攀升，成为独立分支，市场出现专门的知识图谱工程师岗位
- 2023~2024年：受大模型冲击，许多功能被替代
- 2025年之后：再次升温，因成为RAG（检索增强生成）的重要组成部分
- 工业界应用：知识图谱 + 向量数据库共同构建专有知识库，增强大模型能力
- 知识图谱：
-
图 13. NLP 自然语言处理 [2]
- MM: 多模态，融合语音视觉语言等信息，提升AI感知理解的全面性
- RS: 搜广推，通过AI优化搜索、广告和推荐，实现精准信息匹配分发
- RL: 强化学习，基于环境反馈持续优化决策，用于博弈、机器人控制等
2. AI 主流就业方向
- AI 算法工程师，设计优化AI算法模型，解决实际业务中的技术难题
- AI 大模型工程师，负责大模型训练、调优与部署，提升模型性能效果
- AI 研发工程师，搭建AI系统架构，保障模型高效稳定运行与迭代
- AI 应用开发工程师，将AI技术落地到具体产品，开发实用化应用程序
- AI 产品经理，衔接技术与市场需求，规划AI产品路线与功能设计
- AI 训练师，构建训练数据集，优化模型训练过程，提升模型表现
- AI 数据标注师，对原始数据进行分类标注，为模型训练提供高质量素材
五、主流大模型发展
📌多模态大模型
1. GPT-5
- https://chat.chatbot.app/gpt5 （需要VPN并使用Google邮箱登录）
- 通过Chatbot App 可以访问GPT，Gemini，Claude等大模型
2. 快手：可灵
3. 字节跳动：即梦
4. 美图：Whee
📌语言大模型
- 基础大模型底层—>LLM中间层—>AIGC软件层
1. 字节跳动：云雀大模型
2. 阿里巴巴：通义千问
3. 百度：文心一言
4. 深度求索：DeepSeek大模型
5. 智谱清言：ChatGLM 大模型
6. 月之暗面：Kimi大模型
7. 腾讯：混元大模型
8. 科大讯飞：星火大模型
9.Minimax：ABAB大模型
- https://www.minimaxi.com/
- 海螺视频、星野
10. 阶跃星辰：Step大模型
📌AI搜索
1. 秘塔
- https://metaso.cn/
总结：以上是当前学术圈和产业圈AI大模型最新进展
六、新时代算力驱动与开发范式变革
1. AI 技术演进阶段脉络
- 随着时代的发展，技术也在不断迁移
| 阶段 | 时间 | 代表性成果 | 数据规模 | 技术栈 |
|---|---|---|---|---|
| 人工规则 | 1950年代-1990年代 | 基于手工设计的规则系统 | 少量规则集 | 基于专家知识和规则的系统设计 |
| 统计机器学习 | 1990年-2012年 | HMM, CTF, SVM | 百万级 标注数据 | 统计机器学习算法 |
| 深度学习 | 2013年-2018年 | Encoder-Decoder, Word2vec, Attention | 十亿级 标注数据 | 深度神经网络 + 框架 |
| 预训练 | 2018年-2020年 | Transformer, ELMo, GPT-1, BERT, GPT-2, GPT-3 | 数千亿 未标注数据 | Pre-training + Fine-tuning |
| 大语言模型 | 2020年–至今 | GPT-3.5, GPT-4 | 更大规模 用户数据 | Instruction-tuning、Prompt-tuning、RLHF |
2. 算力增长和AI效能
-
图 15. 神经网络的规模增益效应 -
关于 GPU 的价格？
- A100, A800: 98000 一块
- H20: 20 万一块
- H100, H200: 25 ~ 30 万一块
- A100, 4090 — 都是基于安培架构 (Ada Love)
3. AI 大模型时代的开发模式
图 16. 大模型应用开发
七、如何初步配置AI开发环境
1. 开发环境
- Linux 优先
2. 开发 IDE
- vim
- VSCode （推荐）
- PyCharm
- Jupyter Notebook
3. 软件版本
- anaconda
- Pytorch 2.4, 2.5, 2.6
- 2.7.0 移除了 cuda12.4 的支持，只支持 cuda12.8, 但是这个版本的 CUDA 只适配 Hopper 架构的 GPU, H100, H200, H800, H20
- transformers 2.6, 3.6, 4.32, 4.51
pip install torch==2.6.0+cu124 transformers==4.51.0
4. GPU算力云平台
- AutoDL: GPU
- 魔搭: GPU
- 趋动云: GPU
- 青云:
- 基石：
参考资料
[1] Zhao W X, Zhou K, Li J, et al. A survey of large language models[J]. arXiv preprint arXiv:2303.18223, 2023.
[2] Chaos_Wang_. 【NLP相关】NLP的发展历程[EB/OL]. CSDN博客, 2023-03-04[2025-08-19]. https://blog.csdn.net/qq_41667743/article/details/129297303.
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
26
0- 0
已为社区贡献3条内容
所有评论(0)