人工智能的演进史#

第一阶段：数据的容器与架构的统一#

在人工智能的早期，或者说在“机器学习时代”，我们的目光主要聚焦在 结构化数据 上。那些躺在 Excel 表格里的金融流水、用户画像、统计报表，是当时 AI 主要的“燃料”。为了消化这些数据，我们发明了 经典的机器学习（Machine Learning） 算法。那是逻辑与统计学的黄金时代，支持向量机（SVM）试图用高维平面将数据利落地切分开，而决策树家族（如后来的 XGBoost 和 LightGBM）则像经验丰富的法官，通过层层递进的规则（“年龄大于 20 吗？”“收入高于 5000 吗？”）将数据精准分类。时至今日，在处理高维表格数据时，这些传统算法依然是不可撼动的王者，它们简单、高效且具备极强的可解释性。

然而，真实世界远比表格复杂。随着互联网的发展，我们面临着海量的 非结构化数据 ——图片、声音和文本。这些数据没有固定的行和列，传统算法在它们面前束手无策。于是，深度学习登场了，它带来了多层感知机（MLP）的复兴，针对不同的感官数据，诞生了截然不同的架构流派。

在 计算机视觉（CV） 领域，科学家们利用数据的“空间平移不变性”（即照片里的猫无论在哪个角落本质都是猫），催生了 卷积神经网络（CNN）。CNN 利用卷积核在图像上滑动，提取纹理、边缘和形状，在很长一段时间里统治了机器视觉，成为了 AI 的“眼睛”。

与此同时，在 自然语言处理（NLP） 领域，为了处理像河流一样流淌的文字序列，循环神经网络（RNN） 及其变体 LSTM 应运而生。它们模拟人类的阅读习惯，按顺序逐字处理，试图捕捉上下文的依赖关系。虽然 RNN 赋予了机器处理序列的能力，但其串行计算的特性导致了效率瓶颈，且难以捕捉长距离的语义关联。

除了图像和文字，还有一种描述“关系”的数据形态——图结构（如社交网络或分子结构）。为了处理这种拓扑关系，图神经网络（GNN） 出现了。它不关注排列顺序，只关注节点之间的连接与信息聚合，成为了处理复杂关系网络的专用架构。

历史的转折点发生在 2017 年。Google 提出的 Transformer 架构彻底打破了领域的界限。Transformer 抛弃了 RNN 的顺序阅读习惯，利用自注意力机制（Self-Attention），让模型能并行处理整篇文章，并直接计算词与词之间的关联强度。更有趣的是，后来的研究（如 ViT）证明，如果把图片切成小块（Patch），Transformer 照样能处理得比 CNN 更好。至此，Transformer 实现了一统江湖，成为了现代大模型的绝对基石。

进化的脚步从未停止。当我们需要 AI 具备“创造”能力时，扩散模型（Diffusion Model） 横空出世。它通过学习“如何从噪点中恢复图像”的逆向过程，解决了 Transformer 在高精度图像生成上的短板。而为了解决 Transformer 处理超长文本时的计算成本问题，状态空间模型（SSM，如 Mamba 架构） 也开始崭露头角，试图结合 RNN 的线性推理速度和 Transformer 的性能。

最后，赋予 AI 决策灵魂的则是 强化学习（RL） 。它不依赖现成标签，而是通过环境交互与试错来进化。从 AlphaGo 到如今大模型必经的 RLHF（人类反馈强化学习），强化学习始终是通往通用人工智能（AGI）的关键一环。

第二阶段：感知的复兴与多模态融合#

如果说 Transformer 的出现完成了架构层面的统一，那么随之而来的这几年，则是 AI 能力维度的爆发。我们不再满足于单一任务的分类器，而是见证了 AI 打破文本、图像、声音与视频的物理界限，进化出一种“通用感官”。

故事始于 语言大模型（LLM）的觉醒。当模型参数量突破临界点，量变引发质变。那个曾经只会预测“下一个词”的模型，在阅读了海量文本后，涌现出了逻辑推理、代码编写甚至情感理解的能力。文本成为了控制 AI 的“通用编程语言”，无论是 GPT 系列还是开源的 Llama、DeepSeek，它们构建了一个压缩版的人类知识库。

紧接着是 视觉生成技术的革命 。扩散模型让“文生图”成为现实，Midjourney 和 Stable Diffusion 等工具让机器学会了从语义中构建画面。随着 ControlNet 等技术的出现，我们对图像的控制从简单的生成进化到了精准的编辑——修改局部、控制姿态、调整光影。计算机视觉从被动的“识别”转向了主动的“创作”。

然而，真正的质变发生在 模态融合（Multimodality）。当逻辑强大的 LLM 遇上视觉编码器，视觉语言大模型（VLM） 诞生了。GPT-4V 或 Gemini 等模型不再需要外挂 OCR 工具，它们能直接“看懂”图表趋势、理解图片中的隐喻，甚至实时指导现实操作。文本与图像在向量空间里完成了对齐，实现了信息的无损流转。

这股浪潮迅速向 视频与语音 蔓延。Sora 等模型的出现证明了 AI 可以模拟物理世界的连贯性，不仅仅是生成画面，更是模拟光影与运动的物理规律。同时，端到端的 全能模型（Omni-model） 实现了真正的语音原生交互，跳过了“转文字”的中间环节，让 AI 能直接听懂语气中的情绪并实时回应。至此，AI 拥有了完整的听、看、说、画能力，从单一工具进化为多模态智能体。

第三阶段：打破虚拟边界与自主智能体#

在前两个阶段，我们造出了几乎全知全能的“数字大脑”，但它始终被困在对话框里，是被动的。人工智能发展的最新浪潮，是一场赋予模型“行动力”与“自主性”的革命——这就是 Agent（智能体）。

Agent 的出现，标志着 AI 的范式从“人机对话（Chat）”转向了“人机协作（Work）”。其核心逻辑演变为 “感知-规划-行动-反思” 的闭环。在这个新架构中，LLM 不再是终点，而是成为了调度资源的中央处理器（CPU）。

为了让大脑动起来，我们首先通过 Function Calling（函数调用） 技术教会了它使用工具。模型学会了在遇到问题时，不再凭空生成，而是主动调用搜索引擎查新闻、运行代码算数学、甚至调用 API 发送邮件。AI 的触角开始延伸到现实世界的软件生态中。

但这还不够。真正的 Agent 开始具备 自主规划（Planning） 的能力。通过 ReAct（Reasoning + Acting） 等模式，AI 能够像工程师一样拆解复杂需求：先设计方案，再分步执行，遇到报错时甚至能自我调试（Self-Correction）。它不再只是执行指令的脚本，而是具备了独立解决问题的能力。

进而，多智能体系统（Multi-Agent Systems） 应运而生。我们开始构建 AI 团队：让一个 Agent 扮演产品经理，一个扮演程序员，一个扮演测试员。它们共享上下文，通过协作来完成超出单体模型能力的复杂工程。而在最前沿的探索中，具身智能（Embodied AI） 正在将 Agent 的大脑装入机器人的身体，结合视觉与运动控制，让智能从屏幕溢出，直接作用于物理世界。

从理解世界的感知者，到模拟世界的创作者，最终成为改变世界的行动者。这不仅仅是技术的迭代，更是计算机从“工具”向“自主智能”迈进的必然历程。

备注：本文是我在学习过程中使用 Gemini 3.0 Pro生成，图片由Gemini 3.0 Pro去根据这篇文章让 Nano Banana Pro 生成。