AI的至暗历史从万众期待到被政府撤资AI的两次死亡徘徊如果你现在打开任何科技新闻大概率会看到“人工智能”、“深度学习”、“大模型”这些关键词。但你可能不知道人工智能这个领域并不是一路高歌猛进的。在它辉煌的背后隐藏着两次被称为“AI寒冬”的至暗时刻——政府撤资、舆论嘲讽、研究人员纷纷转行。今天我们就用代码和故事带你穿越回那些AI差点“死掉”的日子。## 第一次寒冬专家系统的崩塌1970s-1980s### 万众期待的“机器翻译”幻想1956年达特茅斯会议后AI界充满了乐观情绪。美国政府和军方大量投资试图打造能翻译俄语、解决数学问题的“智能机器”。最典型的例子是机器翻译——当时的研究者认为只要把语法规则和词典喂给计算机它就能像人类一样翻译。但现实很骨感。我们来看一个模拟的早期“专家系统”代码它试图用硬编码规则进行英语到中文的翻译python# 早期AI的“专家系统”翻译器极简模拟# 这种系统依赖手工编写的规则无法处理歧义和上下文rules { The cat sat on the mat: 猫坐在垫子上, The dog ate the bone: 狗吃了骨头, # 更多规则需要手动添加非常笨重}def translate(sentence): # 完全依赖字典匹配没有语法分析 return rules.get(sentence, 无法翻译规则库中没有这个句子)# 尝试翻译print(translate(The cat sat on the mat)) # 输出: 猫坐在垫子上print(translate(The cat sat on the dog)) # 输出: 无法翻译规则库中没有这个句子这个系统的问题显而易见它只能处理预设好的句子。你写“猫坐在垫子上”它能翻译但写“猫坐在狗身上”它就直接崩溃。更致命的是当时的系统无法处理“The spirit is willing but the flesh is weak”心有余而力不足这样的谚语——机器翻译出的结果可能是“酒鬼愿意但肉是软的”。### 英国政府的“断粮”行动到了1973年英国政府发布了一份著名的《莱特希尔报告》Lighthill Report直指AI研究“未能兑现任何重大承诺”。报告批评专家系统“只是玩具”无法解决现实问题。随后英国政府全面撤资美国DARPA也削减了70%的AI预算。后果到了1980年代初AI实验室纷纷关门研究人员被迫转行做数据库或编程语言——AI第一次“死亡”。## 第二次寒冬神经网络的“未死精神”1980s-1990s### 反向传播的短暂春天1986年Rumelhart等人提出了反向传播算法Backpropagation让神经网络训练变得可行。一时间AI界再次沸腾。我们来看一个当时训练“手写数字识别”的简单例子模拟早期神经网络python# 模拟1980年代的反向传播神经网络极简版# 使用Python演示但当时实际是用LISP或C语言写的import numpy as npclass SimpleNN: def __init__(self): # 初始化权重和偏置随机值 self.w np.random.randn(2, 3) # 输入层2个节点隐藏层3个 self.b np.random.randn(3) # 隐藏层偏置 self.v np.random.randn(3, 1) # 隐藏层到输出层 self.c np.random.randn(1) # 输出层偏置 def sigmoid(self, x): return 1 / (1 np.exp(-x)) def forward(self, x): # 前向传播 hidden self.sigmoid(np.dot(x, self.w) self.b) output self.sigmoid(np.dot(hidden, self.v) self.c) return output def train(self, x_train, y_train, epochs1000, lr0.1): for _ in range(epochs): # 前向传播 hidden self.sigmoid(np.dot(x_train, self.w) self.b) output self.sigmoid(np.dot(hidden, self.v) self.c) # 计算误差简单的MSE error 0.5 * (output - y_train) ** 2 # 反向传播简化版 delta_output (output - y_train) * output * (1 - output) delta_hidden np.dot(delta_output, self.v.T) * hidden * (1 - hidden) # 更新权重 self.v - lr * np.dot(hidden.T, delta_output) self.c - lr * np.sum(delta_output, axis0) self.w - lr * np.dot(x_train.T, delta_hidden) self.b - lr * np.sum(delta_hidden, axis0) print(训练完成)# 模拟数据两个异或问题当时的“噩梦”X np.array([[0,0],[0,1],[1,0],[1,1]])y np.array([[0],[1],[1],[0]]) # XOR的真值表model SimpleNN()model.train(X, y, epochs1000)print(预测结果, model.forward(X))这个网络能处理简单的线性问题但对于**异或XOR**这样的非线性问题它需要多层结构。当时的研究者发现两层神经网络很难训练而多层网络深度网络的训练极其困难容易陷入局部最优。### 政府再次撤资与“AI寒冬2.0”1990年代日本“第五代计算机”项目失败美国DARPA再次削减AI经费。舆论开始嘲讽神经网络是“没有大脑的玩具”。更致命的是支持向量机SVM等统计学习方法崛起它们有严格的数学理论支持而神经网络被批评为“黑箱”。结果1992-1995年间很多AI实验室被迫关闭神经网络研究几乎消失。这是AI第二次“死亡”。## 转折点为何AI今天又“复活”了你可能已经注意到上述两次“死亡”都有一个共同原因计算能力不足 数据匮乏。早期的专家系统需要手工编写规则神经网络无法训练深层结构都因为当时- 计算机内存只有几KB无法处理大量数据- 没有GPU无法并行计算- 没有互联网无法收集大规模标注数据而2006年Hinton提出的深度信念网络、2012年AlexNet在ImageNet上的突破加上GPU和大数据让AI终于走出了寒冬。## 总结AI的历史告诉我们技术的成熟需要时间。从1956年的“机器翻译”到2024年的ChatGPTAI经历了两次“死亡”第一次死于过度承诺专家系统无法处理复杂性第二次死于技术瓶颈神经网络无法训练深层结构。但每一次“死亡”后研究者都在默默积累——就像代码中的反向传播算法虽然1986年就提出了但直到2012年才真正爆发。今天当人们再次担心AI“泡沫”时不妨回顾这段历史真正的技术进步往往诞生于最黑暗的时刻。下一次AI寒冬可能会来但它不会杀死那些真正有价值的技术——就像神经网络在1990年代“死亡”后最终以深度学习的形式重生。
AI的至暗历史从万众期待到被政府撤资AI的两次死亡徘徊如果你现在打开任何科技新闻大概率会看到“人工智能”、“深度学习”、“大模型”这些关键词。但你可能不知道人工智能这个领域并不是一路高歌猛进的。在它辉煌的背后隐藏着两次被称为“AI寒冬”的至暗时刻——政府撤资、舆论嘲讽、研究人员纷纷转行。今天我们就用代码和故事带你穿越回那些AI差点“死掉”的日子。## 第一次寒冬专家系统的崩塌1970s-1980s### 万众期待的“机器翻译”幻想1956年达特茅斯会议后AI界充满了乐观情绪。美国政府和军方大量投资试图打造能翻译俄语、解决数学问题的“智能机器”。最典型的例子是机器翻译——当时的研究者认为只要把语法规则和词典喂给计算机它就能像人类一样翻译。但现实很骨感。我们来看一个模拟的早期“专家系统”代码它试图用硬编码规则进行英语到中文的翻译python# 早期AI的“专家系统”翻译器极简模拟# 这种系统依赖手工编写的规则无法处理歧义和上下文rules { The cat sat on the mat: 猫坐在垫子上, The dog ate the bone: 狗吃了骨头, # 更多规则需要手动添加非常笨重}def translate(sentence): # 完全依赖字典匹配没有语法分析 return rules.get(sentence, 无法翻译规则库中没有这个句子)# 尝试翻译print(translate(The cat sat on the mat)) # 输出: 猫坐在垫子上print(translate(The cat sat on the dog)) # 输出: 无法翻译规则库中没有这个句子这个系统的问题显而易见它只能处理预设好的句子。你写“猫坐在垫子上”它能翻译但写“猫坐在狗身上”它就直接崩溃。更致命的是当时的系统无法处理“The spirit is willing but the flesh is weak”心有余而力不足这样的谚语——机器翻译出的结果可能是“酒鬼愿意但肉是软的”。### 英国政府的“断粮”行动到了1973年英国政府发布了一份著名的《莱特希尔报告》Lighthill Report直指AI研究“未能兑现任何重大承诺”。报告批评专家系统“只是玩具”无法解决现实问题。随后英国政府全面撤资美国DARPA也削减了70%的AI预算。后果到了1980年代初AI实验室纷纷关门研究人员被迫转行做数据库或编程语言——AI第一次“死亡”。## 第二次寒冬神经网络的“未死精神”1980s-1990s### 反向传播的短暂春天1986年Rumelhart等人提出了反向传播算法Backpropagation让神经网络训练变得可行。一时间AI界再次沸腾。我们来看一个当时训练“手写数字识别”的简单例子模拟早期神经网络python# 模拟1980年代的反向传播神经网络极简版# 使用Python演示但当时实际是用LISP或C语言写的import numpy as npclass SimpleNN: def __init__(self): # 初始化权重和偏置随机值 self.w np.random.randn(2, 3) # 输入层2个节点隐藏层3个 self.b np.random.randn(3) # 隐藏层偏置 self.v np.random.randn(3, 1) # 隐藏层到输出层 self.c np.random.randn(1) # 输出层偏置 def sigmoid(self, x): return 1 / (1 np.exp(-x)) def forward(self, x): # 前向传播 hidden self.sigmoid(np.dot(x, self.w) self.b) output self.sigmoid(np.dot(hidden, self.v) self.c) return output def train(self, x_train, y_train, epochs1000, lr0.1): for _ in range(epochs): # 前向传播 hidden self.sigmoid(np.dot(x_train, self.w) self.b) output self.sigmoid(np.dot(hidden, self.v) self.c) # 计算误差简单的MSE error 0.5 * (output - y_train) ** 2 # 反向传播简化版 delta_output (output - y_train) * output * (1 - output) delta_hidden np.dot(delta_output, self.v.T) * hidden * (1 - hidden) # 更新权重 self.v - lr * np.dot(hidden.T, delta_output) self.c - lr * np.sum(delta_output, axis0) self.w - lr * np.dot(x_train.T, delta_hidden) self.b - lr * np.sum(delta_hidden, axis0) print(训练完成)# 模拟数据两个异或问题当时的“噩梦”X np.array([[0,0],[0,1],[1,0],[1,1]])y np.array([[0],[1],[1],[0]]) # XOR的真值表model SimpleNN()model.train(X, y, epochs1000)print(预测结果, model.forward(X))这个网络能处理简单的线性问题但对于**异或XOR**这样的非线性问题它需要多层结构。当时的研究者发现两层神经网络很难训练而多层网络深度网络的训练极其困难容易陷入局部最优。### 政府再次撤资与“AI寒冬2.0”1990年代日本“第五代计算机”项目失败美国DARPA再次削减AI经费。舆论开始嘲讽神经网络是“没有大脑的玩具”。更致命的是支持向量机SVM等统计学习方法崛起它们有严格的数学理论支持而神经网络被批评为“黑箱”。结果1992-1995年间很多AI实验室被迫关闭神经网络研究几乎消失。这是AI第二次“死亡”。## 转折点为何AI今天又“复活”了你可能已经注意到上述两次“死亡”都有一个共同原因计算能力不足 数据匮乏。早期的专家系统需要手工编写规则神经网络无法训练深层结构都因为当时- 计算机内存只有几KB无法处理大量数据- 没有GPU无法并行计算- 没有互联网无法收集大规模标注数据而2006年Hinton提出的深度信念网络、2012年AlexNet在ImageNet上的突破加上GPU和大数据让AI终于走出了寒冬。## 总结AI的历史告诉我们技术的成熟需要时间。从1956年的“机器翻译”到2024年的ChatGPTAI经历了两次“死亡”第一次死于过度承诺专家系统无法处理复杂性第二次死于技术瓶颈神经网络无法训练深层结构。但每一次“死亡”后研究者都在默默积累——就像代码中的反向传播算法虽然1986年就提出了但直到2012年才真正爆发。今天当人们再次担心AI“泡沫”时不妨回顾这段历史真正的技术进步往往诞生于最黑暗的时刻。下一次AI寒冬可能会来但它不会杀死那些真正有价值的技术——就像神经网络在1990年代“死亡”后最终以深度学习的形式重生。
双梁正问题 【 torch 实战】（Python代码实现）)
