AI 概念提出与演化

基本原理历史脉络解决的问题应用场景延伸阅读

AI 的演化是一条能力扩展线：从规则和搜索，到数据学习，再到大模型与可行动 Agent。

基本原理

人工智能的核心不是“让机器像人一样思考”这个抽象口号，而是把原本需要人类智能参与的任务转化为机器可执行的问题：感知、表示、搜索、学习、推理、生成、规划和行动。

早期 AI 偏向符号主义：把知识写成规则、逻辑和搜索空间。机器学习兴起后，系统不再完全依赖人工规则，而是从数据中学习规律。深度学习进一步让模型自动学习特征表示，Transformer 和大语言模型则把语言、代码、知识、工具调用和复杂任务连接起来。

历史脉络

阶段	代表事件	技术重心	局限
1950	Turing 提出“机器能否思考”和模仿游戏	将智能判断转成行为测试	仍偏哲学和思想实验
1956	Dartmouth 会议提出 Artificial Intelligence	逻辑、搜索、符号表示	开放世界知识难以手工穷尽
1970s-1980s	专家系统商业化	规则库、推理机、领域知识	知识维护成本高、泛化弱
1990s-2000s	统计机器学习	特征工程、概率模型、监督学习	强依赖人工特征
2012 以后	深度学习突破	CNN、GPU、大数据、端到端学习	数据和算力成本高
2017 以后	Transformer	自注意力、长上下文、多任务迁移	事实性、成本、安全仍需工程补强
2022 以后	LLM 与 Agent	生成式 AI、工具调用、RAG、工作流	需要上下文、权限、评估和治理

解决的问题

AI 的演化本质上是在不断扩大机器能处理的问题范围：

• 符号 AI 解决规则清晰、逻辑明确的问题。
• 机器学习解决数据中存在统计规律的问题。
• 深度学习解决图像、语音、文本中人工特征难以设计的问题。
• 大模型解决语言接口、跨任务迁移和生成问题。
• Agent 解决“模型不能直接行动”的问题，把模型接入工具和流程。

应用场景

场景	早期做法	现代 AI 做法
工业质检	人工目检、规则阈值	OpenCV + CNN/检测模型 + 报告 Agent
企业知识	文档目录、人工检索	RAG + 知识图谱 + LLM 问答
实验分析	手动处理图像和曲线	DIC/PIV + Python 后处理 + 报告生成
软件研发	人工编码和查文档	代码 LLM + 工具调用 + 测试 Agent

延伸阅读

• microsoft/ai-for-beginners
• Stanford AI Index
• Attention Is All You Need