SIGNAL · 2026 // 人工智能纪事

硅基黎明
当机器学会思考

从图灵的纸笔推演，到万亿参数模型在指尖生成万物——这是人类有史以来第一次，试图把自己的「心智」编译成代码。

CHAPTER 01 · 定义

什么是人工智能？

人工智能（Artificial Intelligence）是让机器模拟、延伸并扩展人类智能的科学与工程。它不是某一种技术，而是一族技术：感知、学习、推理、决策与创造。当一台机器能看、能听、能读、能写、能做出你意料之外的回应——智能的边界，就刚刚被推开了一寸。

FIG.01 / NEURAL CORTEX1024×1024

1.1

机器如何「学」

传统程序是人写规则；机器学习是数据喂出规律。深度学习用层层神经网络逼近函数——从像素到边缘，从边缘到物体，从物体到意义。没有一行代码是「教」它看猫的，它只是看了千万张猫。

2012 年 AlexNet 在图像大赛中碾压人类精心设计的特征，那一刻，行业集体意识到：算力 + 数据 = 智能 的飞轮开始转动。

FIG.02 / NEON METROPOLIS1600×900

1.2

它正在渗进哪里

医疗影像里找病灶，推荐算法决定你今晚看什么，自动驾驶在车流中计算毫秒，AlphaFold 折叠了生命的基本零件——AI 不是一门学科，而是一种基础设施，像电力和语言一样，安静地嵌进一切。

2022 年之后，它又长出了新器官：大语言模型。它不仅能识别世界，还能生成世界——写文章、编代码、画图像、做视频。人机关系的定义，被彻底改写。

CHAPTER 02 · 进化纪事

七十六年，七次浪潮

AI 的历史不是一条上升曲线，而是潮起、潮落、再潮起。每一次热潮之后都有幻灭，而每一次幻灭，都为下一次更大的觉醒积累了燃料。

1950

图灵之问

Alan Turing 在论文中写下那句著名提问——「机器能思考吗？」，并提出用对话来检验智能。种子落下。

1956

达特茅斯会议

McCarthy、Minsky 等人正式命名「Artificial Intelligence」。第一波黄金时代开启，乐观到近乎天真。

1974

第一次寒冬

算力不足、承诺落空，资金断流。AI 在冷板凳上坐了十年——但研究者们没有散场。

1997

深蓝胜卡斯帕罗夫

IBM 的深蓝击败国际象棋世界冠军。世界第一次亲眼看到机器在「人类最引以为傲的智力」上赢了一次。

2012

深度学习起飞

GPU + 大数据 + 神经网络，AlexNet 引爆计算机视觉。此后十年，图像、语音、翻译全面被 AI 重新定义。

2017

Transformer 诞生

《Attention Is All You Need》——一个优雅的架构，成为之后所有大模型的共同骨架。语言的机器，有了心脏。

2022

ChatGPT 时刻

两个月，一亿用户。AI 从实验室走进每个人的手机。生成式浪潮席卷写作、编程、设计、科研——人类第一次拥有了「通用型」的智能伙伴。

2026

此刻

多模态、Agent、本地化算力……智能正在从「回答问题的机器」进化为「替你完成工作的同事」。而关于它边界的辩论，才刚刚开始。

从图灵论文到今天的年数

10¹⁸+

前沿模型的参数量级（个）

∞

它让我们提出的问题数量

CHAPTER 03 · 神经网络

神经网络：从生物神经元到硅基大脑

1943 年，心理学家 McCulloch 和数学家 Pitts 提出了一个大胆的念头——把生物神经元简化成数学公式，看它能不能「思考」。答案不仅是可以，而且这条路线最终长出了今天所有的深度学习。Transformer 不是神经网络的反面，它是神经网络最精巧的一次重组。

FIG.03 / BIO NEURON1024×1024

3.1

神经元：一个会做加法的小开关

生物神经元收到足够强的刺激就放电。M-P 神经元把这个行为写成了三行数学：加权求和 → 过激活函数 → 输出 0 或 1。输入信号乘以各自的「权重」，加在一起，超过阈值就「点亮」。

单个神经元几乎什么也学不会——但它有一个惊人的性质：把几百万个这样的小开关连成网络，让它们共享输入、逐层传递，整个系统就能逼近任何复杂的函数。这就是万能逼近定理，也是深度学习的数学地基。

FIG.04 / BACKPROPAGATION1600×900

3.2

反向传播：机器如何「认错」

网络搭好之后，权重是随机的，输出当然是错的。怎么办？让它自己算出每个权重该往哪调。

这就是反向传播（Backpropagation）：预测错了，把误差从输出层一层层往回传，用链式法则算出「这个权重对错误负多少责」，然后朝减少错误的方向微调一点点。重复几百万次，网络就从乱猜变成了专家。1986 年 Rumelhart 团队把这套算法推向成熟——虽然他们自己后来都没想到，它四十年后会长出 Transformer。

FIG.05 / ARCHITECTURE EVOLUTION1024×1024

3.3

从神经元到 Transformer：一次架构革命

经典神经网络是「接力赛」——信息从输入层跑到输出层，一层等一层。卷积网络（CNN）让神经元看局部、堆出深度；循环网络（RNN）让信息转圈传递，记住上文。

但 RNN 有个致命伤：序列一长，记忆就丢。2017 年，Transformer 干脆拆掉了「传递」这个动作——每个词直接「注视」所有词，用注意力矩阵替代了时间上的接力。注意力的每一次计算，本质上仍是一个加权求和：和神经元做的是同一件事，只是连接方式从「固定相邻」变成了「按需动态」。

所以当你说「Transformer 很强」时，更准确的说法是——它是把神经网络最核心的思想（加权、激活、反向传播、层层堆叠）保留下来，只把连接方式革命了一次。

CHAPTER 04 · Transformer

Transformer：让机器学会「注视」

2017 年，Google 的八位研究者发表了一篇只有八页的论文——《Attention Is All You Need》。它扔掉了统治 NLP 十年的循环结构，只留了一个概念：注意力。今天你正在使用的一切——大语言模型、翻译、代码生成——都是站在这八页纸之上。

FIG.06 / ATTENTION FLOW1600×900

4.1

注意力：让每个词自己找重点

读这句话——「它放在那里，因为它属于那个地方」——你大脑会自动把「它」和「地方」连起来。Transformer 做的正是这件事：每一个词都会向整句话里的所有词发出提问——「谁和我相关？」然后按相关度分配权重、吸收信息。

这就是 Q（查询）、K（键）、V（值）三件套的由来。多头注意力（Multi-Head）则是同时开一组「注视通道」：有的盯语法，有的盯指代，有的盯语义——拼起来，就是完整的理解。

FIG.07 / STACKED LAYERS1024×1024

4.2

为什么它能无限堆高

旧架构处理长文本要「排队」——一个词等上一个词算完；Transformer 的注意力是全体并行的，GPU 天生擅长这种计算，于是训练速度被甩开一个数量级。

更关键的是它的可复制性：一层 Transformer 模块 = 注意力 + 前馈网络 + 残差连接，结构干净得像乐高。于是工程师们开始疯狂堆叠——12 层、96 层、上千层，配上位置编码和层归一化，就长成了 GPT、Claude、DeepSeek 这些万亿参数的巨兽。

2012 年 AlexNet 点燃了视觉，2017 年 Transformer 点燃了语言。两次革命，同一个配方：简单模块 + 无限堆叠 + 海量算力。

CHAPTER 05 · 大语言模型

LLM：一个「预测下一个词」的技巧

Transformer 给了语言机器心脏，而大语言模型（Large Language Model，LLM）是这颗心脏长成的完整生命。它的能力听起来像魔法——写诗、编程、推理——但拆开看，训练目标朴素得令人惊讶：猜出下一句。

FIG.08 / LLM ENGINE1024×800

5.1

自回归：把「预测」变成「生成」

训练时，模型反复做一件事：给你前半句，猜后半句。「今天天气真__」，它答「好」。猜错就调参数，猜对就强化。几十亿次这样的练习之后，它掌握了语法、事实、甚至常识。

使用时更妙——把猜出的那个词接回到输入末尾，再猜下一个：「晴」「朗」「，」「适」「合」……一次一个词，滚雪球般生成整篇文章。这叫自回归（autoregressive）：输出变成下一次输入，循环往复，直到它说出「结束」的符号。

FIG.09 / SCALING LAW1024×800

5.2

规模定律：参数越多，越「像懂」

2018 年 GPT-1 只有 1.17 亿参数；两年后 GPT-2 是 15 亿；再两年 GPT-3 冲到 1750 亿，PaLM 推到 5400 亿。研究者发现一条惊人的规律——能力随规模平滑涌现：模型大到某个临界点，突然会做之前完全不会的事：写代码、做多步推理、翻译罕见语言。

到 2026 年，这条曲线没有停：万亿参数的旗舰模型在云上运行；而 2025 年的 DeepSeek-V3 用 6710 亿参数证明——聪明的模型不必最贵。量化压缩后，千亿级模型已经能塞进一台桌面电脑，大语言模型正在从「云端的巨人」变成「你身边的同事」——而它做的，自始至终只有一件事：预测下一个词。

CHAPTER 06 · 尾声

我们建造 AI，
不是为了造出更聪明的人，
而是为了看清——
什么是人。

// END OF TRANSMISSION · Intelligence·Cortex

硅基黎明当机器学会思考