人工智能并不是凭空冒出来的。1956年，在美国达特茅斯学院举办的一场暑期研讨会上，一群数学家、计算机科学家和认知科学家聚在一起，认真探讨能否用机器来模拟人类的学习、推理、语言和创造力。“人工智能”这个术语，也正是从那时起正式进入了学术史。
早期的研究者可谓信心爆棚。当时计算机刚刚展现出惊人的计算能力，大家普遍相信，只要把人类推理的逻辑规则写得足够清楚，机器就能像人一样思考并解决问题。于是，数学证明、棋类游戏和逻辑推理，成了早期人工智能攻坚的主战场。
这个研究方向后来被称作“符号主义”。它的核心逻辑非常直观：既然人类思考依赖的是概念和规则，那么机器也可以通过操作符号和规则来实现智能。比如那个经典的逻辑：所有人都会死，苏格拉底是人，所以苏格拉底会死。只要规则定得明确，推理过程就能像严丝合缝的齿轮一样一步步展开。
在很多封闭的场景里，符号方法确实大显身手。棋盘上的格子是有限的，规则死板，胜负分明；某些专业领域的问题也可以拆解成一条条非黑即白的判断准则。那时候的人工智能看起来前途一片大好，就像一张已经能看到地基轮廓的宏伟蓝图。
然而，现实世界远比棋盘要混乱得多，问题也随之而来。
当一个人说“这家餐厅还行”时，他可能是在真心夸奖，也可能只是礼貌敷衍；医生看病绝不仅仅是死扣规则，还得综合考虑病人的年龄、病史、生活习惯甚至说话的语气；开车时遇到雨夜、逆光或者行人突然回头，规则写得再多，也总有穷尽不了的突发状况。
上世纪七八十年代，“专家系统”曾风靡一时。工程师们请来各行各业的专家，把他们的经验翻译成海量“如果……那么……”的逻辑规则。比如，如果出现了某些症状，再加上某些化验结果，系统就提示可能患有某类疾病。这类系统在特定场景下确实管用，但维护起来成本极高。规则写得越多，彼此间的冲突就越多；现实情况稍微变一点，旧的规则可能就彻底哑火了。
这段经历给AI研究留下了一个深刻的教训：人类的知识里，有一部分确实能清清楚楚地写在纸上，但还有很大一部分是深藏在经验、直觉和具体情境之中的。大厨知道什么时候该收火，老师能一眼看出学生是不是真听懂了，老司机能预判旁边那辆车“看起来要变道”。这些判断很难被完整地总结成死板的规则，却在实际行动中起着关键作用。
人工智能想要继续往前走，就必须找到一种能够处理这些模糊经验的新办法。
到了20世纪末至21世纪初，AI的研究重心开始发生偏移，逐渐转向了统计学习。机器不再主要依赖人类手动编写的规则，而是开始尝试从海量的数据中自己去摸索和学习规律。
举个简单的例子，如果我们想让机器识别垃圾邮件，其实没必要费劲写出所有垃圾邮件的特征。我们只需要给机器喂大量的邮件样本，并明确标出哪些是垃圾，哪些是正常的。机器会自动去琢磨词语、链接、发件习惯和格式之间的内在联系，从而建立起一套判断模型。等下次遇到新邮件，它就能根据学到的这套模式，给出一个准确的概率判断，这种转变看似只是技术上的小细节，背后的意义却非同寻常。这意味着机器开始学会从经验中自我进化了，只不过，它的“经验”就是海量的数据。
等到了深度学习阶段，这种学习能力被进一步放大了。所谓深度学习，其实就是利用多层神经网络，从数据中一层一层地提取特征。虽然“神经网络”这个名字听起来像是借鉴了大脑神经元，但现在的模型和真实的人脑完全不是一回事。它更像是一个装满了无数可调旋钮的复杂函数，在训练过程中，系统不断微调这些旋钮，直到输出的结果越来越接近标准答案。
2012年前后，深度学习在图像识别领域大放异彩，随后便迅速席卷了语音识别、翻译、推荐系统和自动驾驶等行当。2016年，AlphaGo击败了围棋世界冠军李世石，这让很多普通人第一次直观地意识到，机器不仅算得快，还能在复杂的博弈中找到人类根本想不到的妙招。
而大模型的出现，则是这条路上的又一次跨越。它把语言、图像、代码等各种形式的数据都揉进了一个更宏大的学习过程，让机器从单纯的“识别对象”进化到了“生成内容”。这也是为什么今天的AI表现得如此令人惊叹。
