Appearance
人工智能发展脉络
人工智能的发展不是一条从旧技术通向新技术的直线。规则、搜索、统计学习、神经网络和基础模型分别解决不同问题，今天仍然经常组合在同一个系统中。
早期思想：把推理写成规则
20 世纪中期，人工智能研究首先关注一个问题：人的推理能否被写成符号和规则。早期系统使用逻辑、状态空间搜索和启发式算法解决棋类、定理证明和规划问题。
这类方法的优点是过程清楚、结果可解释；局限是现实世界规则太多、例外太多，知识获取和维护成本很高。
今天的路径规划、编译器优化、业务规则引擎仍然大量使用搜索和符号方法。它们并没有被机器学习淘汰。
专家系统：把专业知识放进知识库
专家系统把领域知识写成“如果条件成立，就执行某个结论”的规则，并通过推理机组合规则。它曾应用于医疗建议、设备诊断和配置决策。
专家系统暴露了一个长期问题：知识很难完整写出，规则之间会冲突，环境变化后需要持续人工维护。这推动研究者转向“让机器从数据中学习”。
统计机器学习：从样本中拟合规律
随着数据量和计算能力增长，逻辑回归、支持向量机、决策树、贝叶斯模型、集成学习等方法成为主流。系统不再要求人写出全部规则，而是由人定义特征和目标，模型从历史数据中学习参数。
这一时期形成了今天仍然重要的工程范式：
- 明确任务和指标。
- 准备训练、验证、测试数据。
- 构建特征。
- 训练和选择模型。
- 部署后监控数据漂移。
表格数据、风控、预测和排序问题至今仍大量使用传统机器学习。
深度学习：让模型自己学习表示
传统机器学习通常依赖人工特征。图像和语音中的有效特征很难手写，深度神经网络通过多层参数自动学习从低级到高级的表示。
- CNN 推动图像分类、检测和分割快速发展。
- RNN、LSTM 改善序列和语音建模。
- GPU、海量数据和成熟训练框架使大规模神经网络成为可能。
深度学习的代价是需要更多数据和算力，训练过程更难解释，部署和维护也更加复杂。
Transformer：统一序列建模
Transformer 使用 Attention 直接建模序列元素之间的关系，并适合大规模并行训练。它先改变自然语言处理，随后扩展到图像、语音、视频和多模态任务。
Transformer 的重要意义不只是某个网络结构效果更好，而是提供了一种可以随数据、参数和算力扩展的通用架构。
基础模型与生成式 AI
基础模型先在海量通用数据上训练，再通过提示词、检索、微调或工具接入适配具体任务。一个模型可以处理问答、总结、代码、抽取和规划等多种任务，应用开发从“每个任务训练一个模型”逐渐转向“围绕通用模型组织上下文和工具”。
这也带来新的问题：
- 模型输出是概率生成，不天然保证事实正确。
- 训练数据来源和时间边界不透明。
- 上下文长度、推理延迟和调用成本成为工程约束。
- 安全、版权、隐私和责任边界更加重要。
RAG、工具调用和 Agent
大模型只生成内容，不能自动获得最新事实，也不能直接改变外部系统。现代 AI 应用因此逐渐形成三种补充机制：
| 机制 | 补充什么 | 典型用途 |
|---|---|---|
| RAG | 外部知识 | 企业文档问答、带来源回答 |
| 工具调用 | 实时状态和外部动作 | 查订单、建工单、运行查询 |
| Agent | 多步骤执行循环 | 编码、分析、调研、流程处理 |
模型能力越强，系统越需要明确权限、停止条件、验证方式和人工确认点。
多模态与具身智能
现代模型正在从单一文本扩展到图像、音频、视频和传感器数据。多模态模型能在不同信息形式之间建立联系；具身智能进一步要求系统在物理环境中观察、规划和行动。
这类系统不仅需要模型，还需要感知、控制、实时计算、仿真、安全约束和硬件协同。
技术演进带来的稳定结论
- 新方法通常不会完全替代旧方法，而是改变组合方式。
- 数据质量和任务定义始终决定系统上限。
- 算力提升会扩大模型能力，也会提高成本和工程复杂度。
- 模型越通用，应用层越需要上下文、工具和治理。
- 能演示的能力不等于可承担生产责任的系统。
理解这条发展脉络，能够避免把人工智能误解为单一的大模型技术，也能更准确地判断一个场景应该使用规则、传统模型、深度网络还是生成式模型。