AI是如何思考的？（ChatGPT背后的理论）

创建应用程序、生成内容、解决问题——曾经只有专家才能完成的任务，如今只需几个措辞得当的问题就能搞定。这种转变意义重大，理解我们是如何走到这一步的，就需要探索人工智能的发展历程。

本文将按照以下几个关键阶段，梳理AI的发展路径：

• 什么是人工智能，它从哪里来？
  概述其起源和早期发展。

• 深度学习的崛起
  计算能力和数据的提升如何重塑了机器学习。

• 语言模型的诞生
  能够处理和生成自然语言的系统的出现。

• 大语言模型（LLM）究竟是什么？
  解析大语言模型的结构及其工作原理。

• 什么是生成式AI？
  探索AI在文本、图像等领域创造新内容的能力。

• 数字向导：聊天机器人如何引领我们进入AI世界
  对话界面在让AI变得易用上的作用。

每一部分都将帮助你更清晰地了解塑造当今科技格局的系统。

什么是人工智能，它从哪里来？

人类一直在思考是否能造出__会思考的机器__。当__计算机首次被发明__时，这一想法被加速推动，1950年艾伦·图灵__也提出了同样的问题，并以著名的__图灵测试__作补充——这是一个思想实验，让机器试图让人类相信它也是人类。这点燃了__AI之火。人们将AI定义为__执行通常需要人类智慧的任务__，它们可以__理解语言__、识别图像、解决问题__并__自主做决定，本质上成为一个能__回答你所有问题__、解决所有难题__的__虚拟人。这也解释了__图灵测试__的重要性，实质上就是让__人工智能__与人面对面，由人判断自己是在和人还是在和机器人交流。AI本质上是在模仿人类思维。因此__约翰·麦卡锡__给它起了“人工智能”这个名字。他们曾以为只需要一个暑假就能让AI__通过这些测试__并能__完美自主运行__，但实际上，AI的发展至今仍在进行中。

AI的早期发展

早期AI，在__60年代和70年代__，是__基于规则__的。如果你想让计算机“思考”，你必须__准确告诉它如何思考__。这些被称为__专家系统__，每一条规则都得由人类编写。这种方式一度奏效，但很快遇到瓶颈——你不可能让AI为__每种可能场景写出每一种决策__，这几乎是不可能完成的事。他们必须想办法让__计算机能自主做新决策__，哪怕是__从未遇到过的情景__。

机器学习__登场了。在__20世纪80年代和90年代，研究者们转向了__新思路__：如果我们能让计算机__从数据中学习__，而不是只靠规则呢？这就是__机器学习__，用大量案例训练算法，让它能__发现模式__、做出预测。什么意思？比如过去你要教AI如何遵循语法，只能__写出每一条语法规则__，而__机器学习__意味着AI被__喂给成千上万篇文章、书籍和文档__自己__摸索英语的规律__，也就是__自学__。

深度学习的崛起

机器学习__很棒，但__有局限。它常常需要__人工指定关注哪些特征__。随后__深度学习__登场，依靠__神经网络__——它的结构__受人脑启发__，能够__分层处理大量数据__，这样可以__逐步发现更多复杂模式__。

真正的__突破__发生在__2012年__，当时的__AlexNet__，一个__深度神经网络__，横扫了一项重要的图像识别竞赛。突然之间，深度学习居然能__在互联网识别猫图像方面超过人类__。这不仅是进步，甚至可以说__令人惊叹__。深度学习意味着你可以把__原始数据（文本、图片、音频）直接输入模型，它能__自己找到重要的规律。不再需要__手把手指导__。只需__更多数据__、更多层、更强算力。AI的学习能力开始呈指数级增长。

语言模型的诞生

一旦__深度学习__攻克了图像识别，研究者们又问：能攻克语言吗？答案是__可以，但很难__。语言充满了细微差别。但只要有__足够的数据__和__巧妙的架构__，深度学习模型如__循环神经网络（RNN）可以__理解序列数据，也就是说它不仅仅看单词本身，更关注__词与词的顺序__以及__为什么这样排列__；后来出现的__Transformer__不仅可以__处理序列中的单词__，还能__一次性整体把握整段文本__，这极大地推动了__对文本的理解和生成__。

2017年，谷歌__推出了__Transformer架构，彻底改变了游戏规则。Transformer__可以__并行处理语言，速度更快，还能__专注于句子的不同部分__，模拟人类的注意力。这套架构成了__大语言模型（LLM）的基石，如__GPT、Gemini、Mistral，一时间__人人都想造出比别人更强大的LLM__。

大语言模型（LLM）究竟是什么？

大语言模型（LLM）是一种__人工智能系统，能够__生成和理解人类语言。它通过__海量文本数据__训练，比如__书籍、网站、文章和代码__，并基于__深度学习__构建。但与__人类理解单词__不同，LLM__学习我们写作和说话的模式__。

它背后的技术？就是所谓的__Transformer架构__，让它能__大规模处理和生成语言__。这也是ChatGPT名字中“GPT”的由来：

• 生成式（Generative）——能创造新内容
• 预训练（Pre-trained）——先用通用数据学习
• Transformer——负责模型的核心结构

不同__LLM版本__，聊天机器人的__智能程度__、准确性__和__对话能力__差异很大。新一代模型__能__更好地理解上下文，更少出错，回答也__更有帮助。

这种差异主要取决于__参数量__——也就是决定模型如何处理信息的__数十亿个连接__。参数越多，通常代表__记忆力越强__、理解越深。

你一定听说过__GPT-4__、Claude、Gemini、LLaMA。所以有一点很重要：这些模型其实并不“理解”它们自己说的话，它们只是__非常擅长根据上下文预测下一个单词__。

什么是生成式AI？

生成式AI是你经常会听到的一个概念。它是一个总称，指任何能够创造新内容的AI。如果它能写作、绘画、说话、唱歌而不是简单复制已有内容，那它就是生成式AI。它可以生成新的文本（比如__ChatGPT__）、图片（如__DALL·E__或__Midjourney__）、视频（比如__Sora__）、代码（如__GitHub Copilot__）。有许多不同类型的生成式AI，都由各种__大语言模型__提供支持。

聊天机器人：我们的数字向导

聊天机器人，是我们进入浩瀚世界知识的友好入口。不需要技术背景，只要开启对话，就能自然地探索AI。它们把让人望而生畏的技术翻译成我们的语言。

聊天机器人的核心：

• 深度学习：从海量文本中学习语言模式
• Transformer架构：高效理解上下文、具备高度可扩展性
• 机器学习：根据反馈持续改进和适应
• 生成式AI：实时生成类人回复

但别忘了：它并不具备人类那种“理解”。它__模仿理解__。这在目前来说已经足够。我们还没到__AI奇点__，但已经在高速路上了。而__ChatGPT__？它只是这趟旅程上的最新里程碑。