团子 AI 学院 · 训练营 O01
七十年一场比赛
AI 是怎么走到今天的
一个急诊外科医生讲的 AI 简史 · 丁海祥
🏈 上半场两次被打回本方半场，下半场一路冲进端区
首尔 · 2016 年 3 月 10 日
第二局，第 37 手。
AlphaGo 落下一子。解说员愣住了，以为是程序失误。AlphaGo 自己估算，人类棋手下出这一步的概率只有万分之一。
世界冠军李世石起身离开座位，十几分钟后才回来落子。
那一刻，很多人第一次觉得：
机器好像有了“想法”。
但这一手，
人类等了六十多年。
故事，要从一个问题开始。
第一幕
梦想
1950 — 1969 · 一群人相信，一个夏天就能造出会思考的机器
1950
“机器能思考吗？”
英国数学家艾伦·图灵在论文《计算机器与智能》里提出这个问题。他没有纠缠“思考”的定义，而是设计了一个游戏：如果你隔着屏幕聊天，分不出对面是人还是机器，那它就算会思考。
这就是后来的“图灵测试”。
🏈 先定比赛规则：怎么算赢？
1956
一个夏天，一个名字
美国达特茅斯学院。约翰·麦卡锡、马文·明斯基、克劳德·香农等人办了一场夏季研讨会，第一次正式使用“人工智能”这个词。
他们在申请书里写：只要一群科学家一起工作一个夏天，就能在让机器使用语言、形成概念等问题上取得重大进展。
事实证明，这个“夏天”持续了六十多年。
1958
第一次被捧上天
心理学家弗兰克·罗森布拉特造出“感知机”，一台能学会区分简单图形的机器，是今天神经网络的祖先。
《纽约时报》报道说，海军期待它将来能走路、说话、看见、写字，甚至意识到自己的存在。
🏈 赛前吹得太满，往往是失误的开始
第二幕
两次寒冬
1969 — 1993 · 承诺太大，交付太少，钱和人一起离场
1973
第一次寒冬
1969 年，明斯基和派珀特出版《感知机》，证明单层网络连“异或”这样的简单问题都学不会。神经网络研究几乎停摆。
1973 年，英国的莱特希尔报告认为 AI 远没兑现承诺，政府大幅削减经费。美国也随之收紧。
🏈 连续三档没推进，只能弃踢
这一页，医生要多看两眼
1970s
MYCIN：会开抗生素的电脑
斯坦福大学开发的专家系统，用大约 600 条“如果……那么……”规则，帮医生判断感染的细菌并推荐抗生素。评测中，它的建议不输感染科专家。
但它从来没有真正进入临床。
为什么？
· 出了错，谁负责？
· 医生要手动输入几十个问题，太慢
· 医院没有电脑网络可以接入
· 医生不信任看不懂的建议
五十年后，这四个问题我们仍然在回答。
1987
第二次寒冬
80 年代企业疯狂投资专家系统，但规则越写越多，维护越来越难。专门运行 AI 程序的 Lisp 机器市场一夜崩塌。
把经验写成规则，
碰到规则以外的病人，就不灵了。
🏈 战术手册写得再厚，也写不完场上的变化
第三幕
暗处的坚持
1986 — 2011 · 没人看好的时候，有人一直在练基本功
五个没上头条的转折点
反向传播
鲁梅尔哈特、辛顿等人让多层网络能从错误里自我修正。
深蓝胜卡斯帕罗夫
IBM 的超级计算机赢下国际象棋世界冠军，靠的主要是算力搜索。
LeNet
杨立昆的卷积网络能读支票上的手写数字，悄悄用在银行里。
“深度学习”
辛顿团队找到训练深层网络的办法，给老技术换了新名字。
ImageNet
李飞飞团队整理出上千万张标注图片，给机器准备了“题库”。
🏈 算法 + 数据都到位了，还差一样：体能，也就是算力
第四幕
大爆发
2012 — 2020 · 三件东西同时到位：算法、数据、算力
2012
两块游戏显卡，改写了历史
多伦多大学的亚历克斯、伊利亚和辛顿，用两块 NVIDIA GTX 580 游戏显卡训练出 AlexNet，参加 ImageNet 图像识别比赛。
黄仁勋后来说，AlexNet 不只是 AlexNet：它证明了机器可以从数据里学会几乎任何规律。英伟达从此押上整家公司。
播放不了？在 B 站打开 ↗2016
回到开场那一手
AlphaGo 以 4:1 战胜李世石。围棋的变化比宇宙中的原子还多，靠算力穷举不可能，它靠的是深度学习练出来的“棋感”。
但别忘了第四局：李世石下出第 78 手，被称为“神之一手”，人类赢下了唯一一局。
播放不了？在 B 站打开 ↗2017
一篇论文，一个字母
谷歌 8 位研究者发表论文《Attention Is All You Need》，提出 Transformer 架构：让模型同时看一整句话，自己判断哪些词彼此相关。
今天 ChatGPT 里的 “T”，
就是 Transformer。
🏈 四分卫不再一个一个看接球手，而是一眼看全场
2024
一年，两座诺贝尔奖
AlphaFold 2
DeepMind 在蛋白质结构预测比赛 CASP14 中，把困扰生物学 50 年的难题推进到接近实验精度。
哈萨比斯、江珀、贝克
因蛋白质结构预测与设计，获 2024 年诺贝尔化学奖。
霍普菲尔德、辛顿
因奠定人工神经网络机器学习的基础，获 2024 年诺贝尔物理学奖。
那个在寒冬里坚持了 40 年的辛顿，终于站上了领奖台。
第五幕
来到你我身边
2022 — 今天 · AI 从实验室走进了诊室、办公室和家里
2022
11 月 30 日，ChatGPT
OpenAI 发布 ChatGPT。不用学编程，只要会打字，人人都能和 AI 对话。
这是当时历史上增长最快的消费级应用。
🏈 比赛第一次向所有观众开放下场
这三年，跑得比过去三十年还快
能看图了
GPT-4 等多模态模型能读图片、看化验单和影像截图。
能讲道理了
推理模型先“想一想”再回答，数学和编程能力大幅提升。
开源追上来了
1 月 DeepSeek-R1 开源发布，推理能力接近顶级闭源模型。
能干活了
Agent 会用工具、跑代码、替你值班，开始真正进入工作流程。
整场回放
七十年，五个阶段，一个比喻
人把经验写成规则，照本宣科。
机器从数据里总结规律。
海量训练，自己找到特征。
一眼看全局，会说会写会推理。
会用工具，按计划执行，再回来汇报。
急诊医生能从这段历史带走什么
三句话
两次寒冬，都因为吹得太满
对 AI 的每一次“革命”，保持兴奋，也保持清醒。
技术好，不等于能进临床
MYCIN 的四个问题：责任、效率、接入、信任，今天依然是关口。
人做决定，AI 跑路线
AlphaGo 赢了棋，李世石的第 78 手提醒我们：人的判断永远有位置。
回到开场
1950 年的问题，今天怎么回答？
图灵问：“机器能思考吗？”七十多年后，更实用的答案是——
它很会生成，
但不一定知道。
机器的一手
算出人类想不到的路线。AI 擅长：快、广、敢试。
人的一手
李世石找到机器的盲区。人负责：目标、判断、责任。
下一手
每天用 AI 时，先让它跑路线，再由你决定走不走。
课堂练习 · 10 分钟 · 两人一组
让 AI 讲一遍这节课，你来当裁判
- 复制提示词，发给你常用的 AI（DeepSeek、豆包、Kimi、ChatGPT 都行）。
- 对照本课时间轴，核对它说的 3 个点：年份、人名、数字。
- 写一句裁判报告：“它讲对了___，讲错了___，我是用___核对的。”
你是一位医学院的科普讲师。请用“一支球队七十年的战术演变”做比喻，给医院同事讲 3 分钟的 AI 简史。 要求： 1. 按时间顺序覆盖：1950 图灵测试、1956 达特茅斯会议、两次 AI 寒冬、MYCIN 专家系统、2012 AlexNet、2016 AlphaGo、2022 ChatGPT、今天的 Agent。 2. 每个节点给出具体年份、关键人物和一个数字。 3. 最后用一句话说明：AI 在临床上适合做什么、不能替代什么。 4. 不确定的地方请标注“待核实”，不要编造。
裁判提示：这节课里能直接对答案的——1956 达特茅斯、2012 AlexNet 错误率 15.3%、2016 年 3 月第 37 手和第 78 手、2022 年 11 月 30 日 ChatGPT。挑不出错？再问它要原始出处。
带走一句话：会生成 ≠ 真知道。AI 讲的每个年份、人名、数字，用之前自己核对一次。
丁海祥 · 团子 AI 学院原创课程 · 配图为 AI 生成示意图 · 视频版权归原作者