(二) 人工智能的演进：计算与数据支撑的技术范式转变

20 世纪 60 年代，神经网络曾被视为 AI 的未来，但 1969 年 马文·明斯基（Marvin Minsky） 和 西摩·派普特（Seymour Papert） 在《感知器（Perceptrons）》一书中指出，单层感知器无法解决非线性分类问题（如 XOR），多层感知器又缺乏有效的训练方法，导致神经网络研究在接下来的十年陷入低谷。而在多层感知器的训练方面，保罗·沃博斯（Paulo Werbos） 在 1970 年博士论文中提出用链式法则计算梯度的想法，被认为是反向传播（Backpropagation） 算法的雏形，但由于实验限制没有受到关注。

然而，70-80年代计算机硬件的持续进步为后续神经网络的复兴提供了土壤。1976 年英特尔（Intel）推出 8086 处理器；同年超级计算机 Cray-1 采用向量计算提升数据处理能力；1980 年，IBM 推出 1GB 硬盘x，降低了数据存储成本；1979 年 Oracle 发布关系型数据库（Relational Database Management System，RDBMS） ，革新数据管理；1983 年 ARPANET 采用 TCP/IP 协议，促进数据共享；1986年，MIT 开发的 Connection Machine（CM-1） 专门用于神经网络计算； 。到 1986 年，计算机算力提升 100 倍，存储容量增长 40 倍，数据处理能力大幅跃升。

神经网络与统计学习：计算智能的两条路径

20 世纪 60 年代，神经网络曾被视为 AI 的未来，但 1969 年 马文·明斯基（Marvin Minsky） 和 西摩·派普特（Seymour Papert） 在《感知器（Perceptrons）》一书中指出，单层感知器无法解决非线性分类问题（如 XOR），多层感知器又缺乏有效的训练方法，导致神经网络研究在接下来的十年陷入低谷。而在多层感知器的训练方面，保罗·沃博斯（Paulo Werbos） 在 1970 年博士论文中提出用链式法则计算梯度的想法，被认为是反向传播（Backpropagation） 算法的雏形，但由于实验限制没有受到关注。

然而，70-80 年代计算机硬件的持续进步为后续神经网络的复兴提供了土壤。1976 年英特尔（Intel）推出 8086 处理器；同年超级计算机 Cray-1 采用向量计算提升数据处理能力；1980 年，IBM 推出 1GB 硬盘，降低了数据存储成本；1979 年 Oracle 发布关系型数据库（Relational Database Management System，RDBMS），革新数据管理；1983 年 ARPANET 采用 TCP/IP 协议，促进数据共享；1986 年，MIT 开发的 Connection Machine（CM-1） 专门用于神经网络计算。到 1986 年，计算机算力提升 100 倍，存储容量增长 40 倍，数据处理能力大幅跃升。

图为 Thinking Machines Corporation 在 1980 年代开发的 Connection Machine CM-1/CM-2 超级计算机，专为人工智能、模拟计算和数据分析任务设计。

在这样的背景下，杰弗里·辛顿（Geoffrey Hinton）等人在1986 年的《自然》期刊上发表的反向传播算法（Backpropagation）使多层感知器（Multilayer Perceptron，MLP） 具备了可行的训练方法。同年，杰弗里·辛顿还设计出循环神经网络（Recurrent Neural Network，RNN） 处理时间序列数据，而 Yann LeCun 在 1989 年结合反向传播开发和卷积神经网络（Convolutional Neural Network，CNN）LeNet-5，进行动计算机视觉研究。至此，CNN 和 RNN 作为神经网络的核心架构正式确立。

受限于计算资源，神经网络在当时仍难以规模化应用。于是在这一空白期里，统计学习开始崭露头角，推动机器学习从理论探索向实际应用转变。20世纪80-90年代，决策树（CART）支撑金融风险评估与客户分群；支持向量机（SVM）突破了生物医药领域的基因表达模式分类；隐马尔可夫模型（HMM）赋能IBM、AT&T的语音交互系统；贝叶斯网络（Bayesian Networks）重塑了医疗诊断决策流程与金融欺诈检测模型；马尔可夫随机场（Markov Random Fields, MRFs）则通过图像分割与模式识别技术，在医学影像分析与工业质检领域开辟新市场。

这些统计学习方法并未因后来深度学习（Deep Learning）的崛起而消失，反而持续推动生成式 AI、强化学习、因果推理等研究方向。从神经网络的衰落到统计学习的崛起，AI 研究在数据和计算的双重驱动下完成了一次重大转折，为 21 世纪的深度学习崛起埋下伏笔。

统计学习主导 AI，机器学习迈向应用

从 1996 到 2009 年，一方面来讲，计算机硬件的进步和数据规模的爆炸式增长，使 AI 从理论研究迈向工程化与商业化。另一方面，统计学习逐渐取代符号主义 AI，使机器学习从实验室走向实际应用。

在计算能力方面，1989 年 Intel 80486 处理器 首次集成 浮点运算单元（FPU），大幅提升了计算效率；2005 年，Intel 和 AMD 推出双核处理器，开启了多核计算时代；NVIDIA 于 1999 年发布首款 GeForce GPU，被AI 研究人员发现其并行计算能力可大幅提升 AI 模型的训练速度；2006 年，NVIDIA 推出 CUDA（Compute Unified Device Architecture），使 GPU 具备通用计算能力；2008 年，NVIDIA又发布了Tesla GPU 系列，专门用于高性能计算，进一步推动 AI 研究。

图为击败国际象棋世界冠军卡斯帕罗夫的 IBM 深蓝（DeepBlue）计算机。

在数据存储与管理方面，2000 年代初，硬盘容量从 20GB 增长至 1TB。2005 年，闪存技术（Flash Memory） 发展，固态硬盘（SSD） 提高数据存取速度。2007 年，Amazon 推出 AWS S3，推动数据存储向云端迁移。同时，数据管理方面出现了分布式存储读取和实时数据流管理等技术，支撑后期机器学习模型训练所需的海量数据管理。

最后则是互联网普及带来的数据爆炸。1991 年，蒂姆·伯纳斯-李（Tim Berners-Lee） 发明 万维网（WWW），并于 1995 年商业化，数据增长开始加速。进入 2000 年代中期，Web 2.0 则彻底改变了互联网格局，用户从信息的被动接受者变成内容创造者。2005 年，YouTube 上线，视频成为互联网的主要内容形态，为 AI 在图像、视频分析领域创造了更丰富的数据源。2008 年，Facebook 存储规模突破 2PB（Petabyte）。自此，数据成为 AI 研究最重要的燃料。

图为闪存技术中闪迪 Cruzer TitaniumU盘的印刷电路板上的Samsung闪存（左）慧荣科技（Silicon Motion）主控芯片（右）

这期间，基于统计学习的机器学习算法逐渐发展成熟并走向业界。比如2001 年，利奥·布雷曼（Leo Breiman） 提出随机森林（Random Forest），提升决策树的泛化能力，广泛应用于金融、医疗、工业等领域；2003 年，LASSO 回归（LASSO Regression） 被提出，提高了模型的可解释性。这些方法在后来也在特征选择、模型稳定性和深度学习优化方面起到了重要作用。同时，深度学习开始崭露头角。2006 年，杰弗里·辛顿提出深度信念网络（DBN），但仅停留在实验阶段。

回顾 1996-2009 这 14 年，AI 的发展轨迹十分清晰：计算能力的跃升和数据规模的爆炸式增长，共同推动了 AI 进入新的阶段。从 CPU 到 GPU，从机械硬盘到固态硬盘，从 Web 1.0 到 Web 2.0，每一项技术的突破不仅重塑了 AI 研究的格局，更直接推动了接下来深度学习的崛起。

GPU 计算与互联网推动 AI 变革: 深度学习的复兴

2009 年后，深度学习（Deep Learning） 凭借GPU算力和数据爆炸带来的技术突破，逐步取代传统统计机器学习，成为 AI 研究的核心，并在 计算机视觉、自然语言处理（NLP）、语音识别、自动驾驶、推荐系统 等领域取得突破，AI 迎来从学术研究到产业化的关键变革。

这一切源于2009 年，Google 开始利用 GPU 训练神经网络。自此， AI 研究进入一个全新的阶段。2012 年，AlexNet 在 ImageNet 竞赛中首次用 GPU 加速训练，刷新图像识别精度，展示了 GPU 在神经网络计算中的潜力。随后，NVIDIA 推出高性能 GPU，提升深度学习训练速度。同年，AWS、Google Cloud 发展云 AI 计算，使研究不再受限于本地算力。

而在数据层面上，ImageNet图像分类数据集（1400 万张图像）在 2010 年开源；2014 年，微软发布目标检测的COCO 数据集（33 万张图片）。在 NLP 领域，Google 开源 One Billion Word 语料库，Wikipedia 和 Common Crawl 也成为关键数据源。不仅如此，社交媒体（Twitter、YouTube、Instagram）产生的海量数据，成为倍受研究者们欢迎的数据来源。在数据量爆炸式增长的同时，出现了众包数据标注平台（如 Amazon Mechanical Turk），解决了数据处理瓶颈。

图为 ImageNet 数据集。

得益于 GPU的应用发展和数据爆炸，深度学习在这一时期取得一系列关键突破。Hinton 提出的 Dropout 可以解决过拟合问题，Nair & Hinton 的 ReLU 加速了AI模型训练的稳定性；伊恩·古德费洛（Ian Goodfellow） 提出的 生成对抗网络（GAN） 开启 AI 在图像生成、风格迁移的新探索。2013年，Google 提出 Word2Vec，极大提升 NLP 任务中的语言理解能力。2015 年，ResNet（微软） 解决了神经网络退化问题，ImageNet 误差率降至 3.6%，AI 模型首次超越人类水平。

图为AI风格迁移示例。

最终，深度学习的变化吸引了全球科技巨头。谷歌在 2014 年 以 4 亿美元收购 DeepMind，并投资 12 亿美元 用于 AI 计算基础设施。AWS 在 2015 年投入超过 20 亿美元 扩展 AI 云计算基础设施。全球 AI 投资金额从 2011 年的 300 亿美元增长到 2015 年的 680 亿美元，其中企业 AI 研发投入超 500 亿美元，风险投资对 AI 初创企业的投资额达 180 亿美元，AI 产业迎来前所未有的增长期。

计算能力的提升、数据的增长、算法的优化以及科技企业的推动，让 AI 在 2015 年后进入高速发展阶段，深度学习全面崛起，迈向 Transformer 时代和大语言模型 的前夜。

图为Alexa 语音助手。

数据与计算：支撑 AI 迈向智能新时代

从 1986 年到 2015 年，人工智能的发展始终在数据与计算的双轮支撑下加速前进。如果说市场需求和社会需求是驱动人工智能发展的外部动力，决定了 AI 发展的方向，那么数据和计算则是 AI 发展的内部支撑，决定了 AI 发展的能力上限。从神经网络的复兴，到统计学习的主导，再到深度学习的全面崛起，每一次 AI 的范式转变，都伴随着算力的飞跃和数据规模的指数级增长。

然而，光有计算能力、数据规模和市场需求的推动，仍不足以让人工智能达到如今席卷全球、渗透各行各业的普及度。AI 之所以能在短短数十年内实现从学术研究到产业化落地，并引发前所未有的技术革命，离不开开源文化的兴起。当计算能力、数据规模和算法创新交汇，AI 发展已不再局限于少数科技巨头，而是进入了一个由全球开发者、研究机构、企业和社区共同塑造的时代。TensorFlow、PyTorch、Hugging Face 等开源工具的兴起，让 AI 研究和应用门槛大幅降低，使AI 技术快速普及，参与到每个人的生活。

AI 的演进，不止于计算，不止于数据，更造就了一个开放共创的时代。 在下一篇，我们将聚焦开源如何塑造 AI 生态，探讨开源框架、数据集、社区协作如何加速 AI 技术迭代，并推动 AI 从实验室走向真正的普惠化应用。