您想知道的人工智能干货，第一时间送达

人工智能的历史，表面上看像一串越来越时髦的技术名词：逻辑推理、专家系统、机器学习、神经网络、深度学习、变换器、大语言模型。可如果把名词先放到一边，只盯住它们背后的数学，就会发现：这条历史并不是“机器越来越像人”的直线，而更像几条大河不断汇流。

今天的大模型能写会说，并不是忽然长出了某种神秘灵魂，而是这些数学思想在数据、算法和算力的共同推动下，终于汇成了一个足够大的系统。

早期神经网络曾遭遇严重挫折。单层感知机可以处理一些线性可分问题，却无法表示更复杂的关系。以异或问题为例，单个线性分类器无法用一条直线把结果分开。这暴露出一个关键限制：如果模型的表示能力太弱，再好的学习算法也得不到复杂答案。

解决方案不是简单增加规则，而是增加模型层次。多层神经网络可以写成：

真正重要的，不只是层数变多，而是模型可以自己学习“应该用什么特征表示问题”。

它把深度神经网络、蒙特卡洛树搜索和强化学习结合起来：神经网络负责评估局面与候选走法，树搜索负责在可能的行动空间中展开未来。其意义不在于“机器终于学会了围棋”，而在于展示了几种数学思想如何协同工作。单独依靠搜索，围棋的分支空间过于庞大；单独依靠神经网络，又可能缺少对未来后果的展开。

这带来了一次表示方式的变化：从序列处理走向关系建模。语言不再只是一个词接一个词的链条，也成为一个由多种依赖关系组成的结构。这正是变换器能够扩展到大语言模型的重要原因之一。

从几何角度看，模型会把词语、句子和概念映射到高维空间。语义相近的对象，往往会形成某种相近的结构；不同概念之间的关系，也可能表现为向量空间中的方向、距离和变换。但这仍然不等于人类意义上的理解。模型的核心任务是“根据上下文生成概率较高的输出”，而不是“确保每个输出都对应真实世界中的事实”。

人们经常把人工智能历史讲成一场简单的替代：符号主义失败，神经网络胜利。但这并不准确。

真正的差异，不在于谁“更像智能”，而在于它们把结构放在了不同位置：符号系统把结构写在程序里，结构由人工规定；神经网络则把结构分布在参数中，结构从数据中学习。前者更容易检查，后者更容易扩展。这也解释了当代人工智能的核心矛盾：模型越强，内部结构越复杂；模型越灵活，行为越难以完全预测。

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事