AI 不是单一技术，而是一个持续进化了七十多年的思想战场。理解 AI 的流派和历史，才能真正理解 ChatGPT 为什么是"历史的必然"。
核心信念：智能 = 逻辑推理。逻辑理论家证明了《数学原理》38 条定理，专家系统用 if-then 规则模拟专家决策。最终因"组合爆炸"和常识推理困难而陷入寒冬。
核心信念：把人类专家的知识编码进机器。日本第五代计算机、知识工程热潮。因知识获取瓶颈和维护困难再次失败，迎来"AI 寒冬"。
不给机器写规则，让机器从数据里自己学。2012 AlexNet → 2016 AlphaGo → 2017 Transformer → 2022 ChatGPT。这次没寒冬——因为 DL 真正解决了实际问题。
💡 三次浪潮的关键教训：符号 AI 想用逻辑推理复制智能，但智能不是这样进化的。现在的 AI 走的是另一条路——统计模式识别 + 海量数据。
"智能来自逻辑"——物理符号系统假设。专家系统、知识图谱、自动定理证明。
未被淘汰：IBM Watson、Google 知识图谱、形式验证。
"智能来自神经网络"——模拟大脑神经元。CNN、RNN、Transformer、所有深度学习。
当前主流：ChatGPT、Stable Diffusion、AlphaFold。
"智能来自与环境互动"——感知-行动循环。强化学习、进化算法、机器人控制。
标志成果：AlphaGo、OpenAI Five（Dota 2）、自动驾驶。
🔗 三大流派不是互斥，而是互补：
AlphaGo = DL（连接主义）+ 蒙特卡洛树搜索（符号主义）+ 强化学习（行为主义）
GPT-4 = DL（连接主义）+ RLHF 强化学习（行为主义）
| 层级 | 英文 | 状态 | 说明 |
|---|---|---|---|
| 窄 AI | ANI (Narrow) | ✅ 已实现 | 特定任务达到/超越人类。ChatGPT、AlphaGo、人脸识别 |
| 通用 AI | AGI (General) | 🔬 研究中 | 像人类一样处理任何智力任务。各公司宣称 3-10 年内实现 |
| 超级 AI | ASI (Super) | 🌌 理论 | 在所有领域远超人类智能。纯科幻/哲学讨论范畴 |
⚠️ 重要澄清：ChatGPT 看起来很"通用"，但它本质还是窄 AI——它不会下棋、不会开车、不能操作物理世界。真正的 AGI 需要在推理、规划、学习、感知、操控等多个维度全面达到人类水平。
AI 前沿热点
├── 🧠 大语言模型（LLM）
│ ├── GPT-5, Claude 4, Gemini, DeepSeek-R2
│ ├── 开源模型：LLaMA 4, Mistral, Qwen
│ └── 小模型崛起：Phi, Gemma
├── 🎨 多模态
│ ├── 文生图：DALL·E, Midjourney, SD
│ ├── 文生视频：Sora, Kling, Runway
│ └── 视觉理解：GPT-4V, Gemini Vision
├── 🤖 Agent & 工具调用
│ ├── Devin, OpenClaw, AutoGPT
│ └── MCP 协议（Model Context Protocol）
├── 🔬 科学 AI
│ ├── AlphaFold 3（蛋白质结构预测）
│ └── 材料发现、药物研发
├── 🏭 AI 工程化
│ ├── RAG、向量数据库、Agent 框架
│ └── AI Safety & Alignment
└── 💻 代码 AI
└── GitHub Copilot, Cursor, Windsurf| 年份 | 事件 | 意义 |
|---|---|---|
| 1950 | 图灵测试提出 | "机器能思考吗？"有了可操作定义 |
| 1956 | 达特茅斯会议 | AI 正式成为学科 |
| 1997 | 深蓝击败卡斯帕罗夫 | 符号 AI 在棋类达人类顶尖 |
| 2012 | AlexNet 夺冠 ImageNet | 深度学习的"iPhone 时刻" |
| 2014 | GAN 提出 | 生成模型革命起点 |
| 2016 | AlphaGo 击败李世石 | AI 攻克围棋，震撼全球 |
| 2017 | Transformer 论文 | 所有 LLM 的架构基础 |
| 2020 | GPT-3 发布 | Few-shot learning 让人震惊 |
| 2022 | ChatGPT 发布 | AI 进入十亿用户时代 |
| 2023 | GPT-4 多模态 | 文本+图像统一理解 |
| 2025 | DeepSeek-R1 开源 | 国产推理模型达到世界级水准 |
AI 的历史是一部"反复打脸史"。每一波浪潮都信心满满地说"这次对了"，然后再被现实教育。但每次失败也留下了宝贵遗产——专家系统虽然过时了，但"知识表示"的思想现在又用在了知识图谱和 RAG 里。
核心教训：不是哪个流派"对"，而是哪个流派在当前数据和算力条件下"好用"。