人工智能发展历程
把 AI 这 70 多年踩过的关键节点按时间串一遍，再把那些听着吓人的核心技术翻译成人话。我自己学的时候总觉得时间线乱，所以干脆整理出来。
01发展时间线
按时间顺序列出 AI 历史上几个绕不开的节点。颜色对应不同阶段，方便你看冷暖交替。
02四个时代，一句话看懂
把上面的时间线压一压，AI 大致走过四个阶段。每个阶段要解决的“主要矛盾”不一样。
① 符号主义时代
把知识写成规则，让机器按规则推理。逻辑上很美，可惜不会自己学。
② 专家系统时代
把专家经验装进系统卖钱，但知识靠人写、维护贵，最后撞上寒冬。
③ 机器学习时代
不写死规则了，让机器从数据里自己归纳。数据越多，越靠谱。
④ 深度学习/大模型时代
深层神经网络加上海量数据和大算力，能力是直接“涌现”出来的。
03关键核心技术（人话版）
这些词经常被一起提，听着唬人。其实它们都在回答同一个问题：机器到底怎么“学”、怎么“想”？我尽量用大白话讲，每张卡片配一句生活里的类比帮着理解。
符号主义 / 专家系统
早期 AI 的脑子怎么搭把知识写成“如果 A 且 B，则 C”这种规则，机器照着推导。好处是能讲清楚为什么，坏处是现实太复杂，规则永远写不全、也写不准。
机器学习（ML）
让数据代替规则不手写规则了，给机器一堆例子，让它自己找输入到输出的规律。核心就一句：从经验里改自己。
神经网络 & 深度学习
学着大脑的连接方式一堆简单的“神经元”分层连起来。每一层把输入稍微变一下，叠很多层之后就能学到很复杂的特征。层数一多，就叫“深度”学习。
反向传播
神经网络怎么纠错训练时先让网络猜一次，算出“错多少”，再把误差从输出层一路传回去，微调每一层的参数，让下次猜得更准。
卷积神经网络（CNN）
看图的行家用一个小窗口在图上滑着扫描，专门抓边缘、纹理、形状这些局部特征，干图像分类识别特别在行。AlexNet 就是靠它打出名气的。
循环网络 & LSTM
处理有先后的序列普通网络记不住“上一刻”，RNN 让信息能从上一步传到下一步，适合语言、语音这种有顺序的数据。LSTM 是它的升级版，能记住更长的上下文。
生成对抗网络（GAN）
一个造假，一个打假两个网络互掐：生成器负责造假图，判别器负责识破。越掐生成器越厉害，最后能造得以假乱真。
注意力机制 / Transformer
大模型的地基处理一句话时，让每个词都能直接“看”到别的词，不用一步步传，谁跟谁相关就多给点权重。Transformer 全靠注意力搭起来，能大规模并行训练，效率很高。
大语言模型（LLM）
预训练 + 提示先拿几乎整个互联网的文本“预训练”，学会语言规律和一堆世界知识；再用指令微调、人类反馈（RLHF）把它对齐到人的意图。你给个提示，它接着往下写。
强化学习（RL）
在试错里拿高分机器在环境里行动，做对给奖励、做错给惩罚，自己摸索出最优策略。AlphaGo 用它，让大模型更“对齐”的 RLHF 也用它。
多模态
图文音视频打通让一个模型同时理解和生成文字、图片、声音、视频，把不同“感官”塞进同一个模型。GPT-4、Sora 都算。
智能体（Agent）
会自己干活的 AI不光聊天，还能拆步骤、调工具（搜索、写代码、发邮件）、看结果再调整，直到把一件复杂事办完。这是眼下最热的方向之一。