能认出你 ≠ 真懂：一份 AI 从发明到大模型的零基础地图

什么才算 AI？先戳破“自动化”与“认得准”的假象

我们每天都会遇到被判成“AI”的东西：手机的人脸解锁、帮你写邮件的 ChatGPT、路测的自动驾驶。它们看起来都很聪明，可我们依然会在公开讨论里听到“那不是真懂，只是算得快”“它根本不知道自己在说什么”。这两股直觉打架，正是这份地图要顺手解决的第一件事：我们到底凭什么说一个系统“智能”？

这要先给 AI 一个能落地的定义。通识课里最常用的一句话是：人工智能（Artificial Intelligence，AI）是让机器去执行通常被认为需要人类智能才能完成的任务的能力。 这里有个绕不过去的坑——“智能”这个词本身就难定义。要动手判一个东西，我们得先有一把尺子。

先做个思想小测试。拿下面三个摆在你面前：

然后把它跟洗衣机的对比摆上桌：洗衣机按程序洗完、甩干、排水，你可能从来不叫它 AI。差别在哪？洗衣机和复杂计算器只是在按预先写好的规则执行“规定动作”，从不变化；而它们三个能根据输入调整输出。 于是诞生第一把尺子：

自动化 ≠ 智能：只会按预设规则“跑程序”的，是自动化；能“从数据里学习、随环境适应”的，才算摸到智能的门槛。

用这把尺子，人脸解锁那个看起来显而易见属于 AI 的答案，就开始松动了——它真的“理解了”你的脸，还是只是匹配上了某种统计模式？

这正好接上现代判断“什么算智能”的智力源头。1950 年，数学家艾伦·图灵在《Computing Machinery and Intelligence》里做了一件划时代的事：他没有试图回答“机器能思考吗”（他说这种问题按日常定义去争，结果只会是一份盖洛普式民意调查，“这很荒谬”），而是把问题替换成一个可操作的版本：机器能不能在纯文字的问答里，表现得让裁判区分不出它是人还是机器。判定标准不是“它有没有脑子”，而是行为是否不可区分。Turing 1950

这是第一把尺子的另一半：

行为不可区分 ≠ 内在理解：一个系统只要在行为上（说话、答题、识别）像人，就算通过；至于它“内心”真懂与否，被刻意排除在测试范围之外。

那“认得准”这一关稳吗？不一定。看下面这张图，它就是给“高命中识别”泼下的第一盆冷水。

图注：同一张熊猫照片（左），叠加一层肉眼几乎察觉不到的扰动后（中），机器以高达 99.3% 的置信度把它判成了长臂猿（右），而对原图的置信度只有 57.7%。识别“很准”的系统，靠的未必是看懂画面。Adversarial Examples

这就是“对抗样本”，它戳破的是：一个在测试集上命中率极高的系统，可能学的只是输入与标签之间的统计捷径，而非对内容真正的理解。图灵定义的“行为像就通过”，遇到这种“像但靠的不是理解”的情况，就露出了缝。这条缝先记着，最后一章我们回来收口。

而驱动一个系统“看起来聪明”的，离不开三样原料：算法（怎么算的规则和方法）、算力（算得多快、堆多少）、数据（从哪学）。再加上它表现出的五种能力（感知、学习、推理、语言、行动），就够我们一路往历史里走：看看“聪明的来源”是怎么一次次被成就、又一次次熄火的。

“思考”是如何先变成一台能验的机器、再变成一门学科的？

第一把尺子立起来了，可“思考”怎么给一台机器？故事要从硬件前提讲起。

1946 年，ENIAC 诞生，它是世界上最早的电子通用计算机之一。它意味着什么？一台机器能把指令按步骤算完，速度比人快成千上万倍。但请注意第一把尺子里的辨析：ENIAC 只是把“算得快”推到了极致，它不学习、不改变，所以它体现的是自动化能力，而不是智能。哪怕它一小时能顶一个人算一年，它仍旧只是一台超快的计算器——“快”和“聪明”是两码事。

真正把“思考”从玄学变成可检验工程的，是图灵。上一章我们看到他把“机器能思考吗”替换成了文字问答里的行为判别。这要表达清楚的是：图灵不是想发明一个“测智商”的考试，而是把哲学上不可解的“机器有没有心灵”问题，改写成一个裁判能执行、能给出结论的流程——你说不清“思考”是什么，但你可以规定：如果把一台机器放在房间 A、一个人放在房间 B，中间只靠一张纸条通信，裁判分不清哪个是机器，那这台机器在“行为”这个层面，就值得被认为是会“思考”的。

课件里常见的“5 分钟问答、超过一半裁判被骗就通过”的说法，其实并非 1950 年论文里的测试标准。图灵在原文里设定的基线是相对而非绝对的：机器冒充参与者时，裁判判错的频率，应不亚于两个真人对局时判错的频率。而他论文里唯一提到“五分钟、不高于七成判对”的地方，是对约五十年后机器能力的预言，并不是测试规程。Turing 1950

顺着“让思考变得可检验”这条线，下一个关键节点是 1956 年的达特茅斯会议。那一年，John McCarthy、Marvin Minsky、Nathaniel Rochester、Claude Shannon 四位发起人聚到达特茅斯学院，办了为期约两个月的工作营。会议本身没有造出多惊人的智能机器，它的意义在别处：它给这门学问起了名字（artificial intelligence），并写下了一句研究纲领——智能的任何一方面，原则上都可以被精确描述到足以让一台机器去模拟它。达特茅斯提案

这里有一个值得一提的史料细节。AI 这个词被 McCarthy 本人称为源自这份 1955 年的提案（他自述“把旗子钉上桅杆”来凝聚注意力）；而这段“会议开会、没造出机器、却开创了领域”的判断，也和 McCarthy 后来自己的回顾一致——他承认这个工作营在确立 AI 作为研究领域上的象征作用，远比会上取得的具体成果重要。McCarthy 2006 回顾

把这三个年份连起来看，就是一句人话的推进：一批机器证明了“纯算得快不等于聪明”（ENIAC），人再想到“把聪明变成裁判能验的问答行为”（图灵），最后一群学者决定“把这事立成一个可描述、可模拟的研究领域”（达特茅斯）。学科诞生了，接下来就是看这条路上的人做了哪些惊艳的事，又为何连着栽了两个跟头。

会聊天、会下棋、会答题的机器，为什么连栽两个寒冬？

一门学科有了纲领，接下来自然想“做出点什么”。符号主义路线（symbolic AI）的做法是把知识写成显式规则、让机器按规则去推理。这条路线做出了不少让人眼前一亮的成就。我们拿上一章的尺子来量一量它们：

ELIZA 是 MIT 计算机科学家 Joseph Weizenbaum 做出来的早期聊天机器人，它靠识别你话里的关键词、套进预设的句型模板来回应——而他当初写出的脚本，正是刻意去模拟心理治疗师的口吻——就能骗到一部分对话者“以为它懂我”。Deep Blue 在 1997 年成为第一个击败在位世界冠军的计算机下棋系统，靠的是海量局面搜索配上惊人的算力。Watson 则在 2011 年于智力问答节目里战胜人类冠军，基于大量文本资料做问答检索。History of AI

但请把第一把尺子随时举在手里，你很快会发现一个反直觉的反转：这些机器每一件都“干成了事”，可是没有一件在“学习”。ELIZA 复述你、Deep Blue 穷举着赢你、Watson 检索着答你，一旦场景跳出它们被写死的那段规则，它们立刻笨拙到没用。写死规则的路子（规则、知识库、搜索），能做出惊艳的“特种兵”，却做不出“会成长的通才”：

• 不学习：规则是专家喂进去的，机器自己不改；
• 脆弱：边界外一碰就崩，规则集越补越大、越补越难维护；
• 范围窄：换一个领域等于全部重来。

更麻烦的是，这类机器做的都是“规定好的事”，对“从数据里自己长能力”无能为力。所以历史上这片符号主义者当家的岁月，遭遇了两轮被称作“AI 寒冬”的低谷——约 1974–1980 年第一次、1990 年代第二次，研究经费大幅收缩、产业公司接连倒闭。需要说明的是，“两次寒冬”的精确分期史学上仍有争论（有学者质疑它是否真的是“寒冬”），通说把它当作一种概括即可。History of AI

寒冬的伏笔，其实早埋在符号时代里：有一小撮学者坚持认为“智能不该靠写规则，而该靠机器自己从数据里学”。这条被称为“连接主义”（connectionism）的路子，在符号主义如日中天时被冷落多年，却埋下了二三十年后的复兴种子。既然写死的规则不学习，那押注“从数据里自学生长”会不会是对的答案？下一章我们就钻进这条路的起点：一颗会计算的神经元。

从一颗会计算的神经元，到 2012 年那次重启

“从数据里学”这条路，起点朴素得惊人：先看大脑的一个神经元怎么工作，然后把它抽象成一个能算、能调的计算单元，再把这成千上万个单元连成网。

1943 年，McCulloch 和 Pitts 提出：一个神经元可以对多条输入做加权的求和、再根据一个阈值决定要不要“点火”输出。这第一次把脑神经元变成了可计算的单元。之后的故事——尤其 Hopfield 网络和 Hinton 把它们发展成能学习的机器——在 2024 年拿到了诺贝尔物理学奖，理由是“让人工神经网络进行机器学习成为可能的基础性发现与发明”。Nobel Physics 2024

诺奖的叙事有一条贯穿始终的主线，正好对上课件里那句“简单连接、复杂智能”：Hopfield 1982 年的模型只有 30 个节点、不到 500 个参数，可放今天，一个大语言模型的参数可以超过一万亿。多出来的智能从哪来？不是谁发明了更神秘的单颗“超智能神经元”，而是把无数简单的神经单元连成深而密的网，再让这张网从大量样例里挑出能让自己变对的那个调整方向——人们叫它“从数据中学习”，这套背后用来调参的机制叫反向传播（backpropagation），梯度（gradient）就是那个沿着网络一层层传回去的修正信号。Nobel Physics 2024

光有“能调的网络”还不够，这里藏着三个必须说破的关卡。

第一关：为什么要非线性激活？ 如果每一层神经元对上一层的输出只做“加权求和”这种线性运算，那么无论堆多少层，整张网仍然只是一次（更复杂的）线性变换——你可以想象几条直线叠在一起，最后还是一条直线，拐不出任何新花样。这种网络学不出复杂能力。答案是在每个神经元后面加一个非线性激活函数（activation function），把输出“掰弯”，比如 ReLU 这种“小于零就归零、大于零就放行”的简单函数。有了这个“弯折”，深层网络才能一层层拐出复杂形状。这也是为什么后来的深度网络离不了它。AlexNet

第二关：算力从哪来？ 就算有了非线性，早期这种网络还是跑不动——“想法有，机器算不过来”。转折点是 GPU 大规模并行计算入场：图形处理器能同时做海量简单运算，恰是神经网络大量矩阵计算需要的形态。课件的“2006 年英伟达发布 CUDA”这个具体年份，需要说明的是在通用的 AI 通史资料里并没有被当作关键出处记录，通说更稳妥的说法是：2000 年代后期到 2012 年之间，GPU 提供的并行算力把“训练一个像样的深度网络”从不可能逐步变成可能。没有这块算力，再好的算法也只停在纸面上。

第三关，也是引爆点：AlexNet。 2012 年，Krizhevsky、Sutskever、Hinton 三人用当时刚能跑起来的大规模数据 + GPU 并行算力 + ReLU 激活，训练了一个 8 层的卷积神经网络 AlexNet（5 个卷积层 + 3 个全连接层，约 6000 万参数，用两张 GPU 各管一半、只在部分层通信），一举拿下 ImageNet 图像识别竞赛 ILSVRC-2012：top-5 错误率 15.3%，而亚军高达 26.2%，几乎碾压式胜出。AlexNet

把三关拧成一条因果就是：非线性保证深度堆叠真能学出花样 → 算力让“够深”的网络真能训得动 → 数据加爆表的并行算力让 AlexNet 在 2012 一鸣惊人，深度学习从此重新点燃。那颗 1943 年诞生的“计算神经元”，就这样在 2012 年等来了自己的第一次大规模复兴。人们开始相信一条直觉：网络越深，越强。 于是层数一路往上飙：AlexNet 5 层，后来 VGG 到 19 层、GoogLeNet 到 22 层。就在大家以为“只管往上叠”就对的时候，半路杀出了一个反常的坑。

网络不是越深越好？训练中的两座山和三行代码捡回的巧

上一章的结尾，读者大概已经接受“越深越聪明”的印象。现在我要请你踩一个急刹车。

训练很深很深的网络，天然有个别扭处：修正是沿着网络一层层往后传的（从输出端往输入端回传修正信号，这就叫反向传播）。可传到每一层时，信号都会被这一层的某种乘法放大或缩小。于是你很快撞上两座山中的一座：

• 梯度消失：每传一层，信号都乘一个小于 1 的因子（比如 ×0.1），连乘 20 次，这个数小到几乎等于零（$0.1^{20} \approx 10^{-20}$），浅层的神经元几乎收不到任何“该不该改、往哪改”的指令，等于没法学。
• 梯度爆炸：反过来，每层都乘一个大于 1 的因子（比如 ×2），连乘 20 次（$2^{20} \approx 10^6$），信号炸得失去意义，训练直接乱套。

一句话：信号每传一层就乘一次，乘小了断掉，乘大了炸掉，层一深就训不动。这两座山主要是梯度消失和爆炸带给你的表层困难。

但真正微妙、也更反直觉的，是第三座山——退化（degradation）。前面说没了深层就学不出多样能力，可把层一路加高之后，奇怪的现象出现了：更深的网络，训练误差反而比浅的还高。请看下面这张一手实验曲线。

图注：在 CIFAR-10 同一数据集、同一训练设置下对比 20 层与 56 层的“普通直连”网络。无论左图的训练误差还是右图的测试误差，横轴一路走下来，56 层（更深）的曲线始终压在 20 层之上——更深并不总是更好。ResNet

注意这张图想戳破的是什么：它证明问题不在测试泛化、而在训练本身。“训练误差更高”说明更深的网络连“把已经学过的东西学好”都做不到，这不是过拟合（过拟合是训练误差低、测试误差高），而是训练优化本身出问题了。它叫退化，和梯度消失是两码事。

为什么退化反直觉？因为“按道理”深层不该比浅层差：如果 20 层已经学过解，那造一个 56 层网络，让它前 20 层完全复制 20 层的参数、后面 36 层干脆什么都不干（当作恒等的直通），理论误差不该比 20 层高。可现实是当时的训练方法就是找不到这个“什么都不改”的解。论文作者由此想到：与其让网络硬学一个复杂的输入→输出映射 H(x)，不如让那几十层只学**“还差多少”的残差** F(x)=H(x)−x，原来的映射被改写成

$$F(x) + x$$

多出来的那个“+x”，是一条跳过若干层、把输入直接加回输出的恒等捷径（identity shortcut）。看下图的残差块就很直观。

图注：一个残差学习块：输入 x 经“两条权重层路径”算出 F(x)，另一条恒等捷径把 x 原样引到求和点，输出 F(x)+x。捷径不增加任何参数，只做一次加法。ResNet

这条捷径的价值在于给自己留了条后路：极端情况下，如果“什么都不改”正好是最优方案，网络只需把残差那一路学成零，就稳稳地不低于浅层版本。换句话说，它让网络先学会“不动”，再慢慢去学要改的那一丁点“残差”——像你抄一份已经给定答案的作业，先把原样抄对，再琢磨要不要改个措辞，成本几乎为零。

这里必须给你一个不掺水的正确口径，否则考试会踩坑：残差解决的是退化问题，不是梯度消失/爆炸。 梯度消失/爆炸大体上由归一化初始化、批归一化（batch normalization）这类手段在训深层之前先解决掉；真正在“网络能开始收敛之后”还卡住训练的，是退化，而通往更深的钥匙——152 层 ResNet、并拿下 ILSVRC 2015 多项第一——正是这条恒等捷径。ResNet

理解到这一层，读者的尺子已经握得很稳了：自动化 ≠ 智能，认得准 ≠ 真懂，而“深度——以及怎么优雅地加深”这道工程难题，也被解决了。现在该换挡了。此前的模型几乎都在做同一类事——把输入“归类”“判别”（这是猫还是狗、是不是脸）。可 2014 年起，AI 想做一件更野的事：不再只是判别，而是生成——造出从没见过的、听起来像人写的新东西。

从“更会判别”到“能无中生有”——生成模型和一个统辖一切的架构

判别（discriminative）与生成（generative）的分野，一句话就能说清：判别模型学“看到这个输入，该贴哪个标签”；生成模型学“这类东西/这段话长什么样”，然后自己真的造一份出来。可别小看这道坎——当然，这有点用今天的“判别 vs 生成”去回看当年，图灵模仿游戏里的机器本就需要生成文字回应，再由裁判判定，这里只是便于教学的粗略说法：要让它“无中生有”写出一首十四行诗或生成一张照片，仍是比判别难得多、也更贴近“创造”的能力。

2014 年是生成模型历史上著名的“双雄之年”，同年冒出两条路线。

第一条线是 GAN（Generative Adversarial Network，生成对抗网络）。它用了一个绝妙的主意，论文正文的比喻最传神：造假钞的团队想造出以假乱真的假币，警察想一眼看穿假币；警察越来越厉害，逼得造假的也越来越像，最后假货与真品几乎不可分辨。 在 GAN 里，那个“造假团队”是生成器，负责从噪声出发造出能冒充真样本的数据；“警察”是判别器，负责判断一份数据是来自真实的训练集、还是生成器捏造的。两者互相踢着屁股共同变强，直到判别器再也分不出真假。GAN

这在当时是能力跃迁：深度学习此前最耀眼的成功几乎都集中在判别式（把输入归到标签），而生成式被困在“要算一堆极难处理的概率”。GAN 用一个对抗过程绕开了这些，让“真实地从分布里采样出样本”变得可以直接训练、能不断逼近真本事。看下图，2014 年的 GAN 已经能画出像模像样的手写数字和人脸。

图注：2014 年 GAN 生成的样本网格，涵盖手写数字与人脸；每张的最右列是它“邻近的真训练样本”，用来证明模型确实是在生成新东西，而不是死死记住了训练集。GAN

第二条线是同年另立门户的 VAE（Variational Auto-Encoder，变分自编码器）。它不搞对抗，而是走“潜空间重建”的路：一个编码器把输入压进一个被压缩的中间表示，再由解码器从这个表示重建出原来的样子。论文的准确口径是：编码器把输入映射为一个潜变量分布（而不是课件里易误读的“把输入编码成噪声”），解码器从该分布里采样并重建；训练目标是想“重建得够像”又“潜分布别太散”两股力的平衡——按论文，并不要求它用自回归的方式解码。VAE

GAN 走对抗、VAE 走潜空间，两条路都在追同一件事：造。可它们还有个共同的短板——都处理不长、太依赖先后顺序的数据。若要生成一段完整的文章、一首长诗，你需要一种能同时“看遍全文、又从头到尾并行算”的架构。2017 年，一篇叫《Attention Is All You Need》的论文横空出世。

此前的序列模型（如 RNN）是逐词排队处理的：处理第 i 个词，必须等前一个词的输出，天然串行、慢，而且很远处的词常常“够不着”。Transformer 的关键动词是“自注意力（self-attention）”：让序列里的每一个词，直接去“看”全部位置的其他词，根据相关性给它们加权，一次到位。它带来了三个里外里的大礼：每个词都能一步够到任意距离的相关词（长程依赖）、整套可以整段并行算（不再逐词排队）、再外加专门的位置编码把“谁在前谁在后”塞回来（因为并行计算让模型自己感知不到顺序了）。Attention Is All You Need

看下面这张全篇最重要的架构图。图左一半是编码器（负责把输入整段读进去、提炼语义），右一半是解码器（负责一段段生成输出），中间靠自注意力把两边连起来。你不需要记清每个小方块的名字，只要抓住一个大局面：从这篇论文起，模型不再需要卷积、也不需要循环，全靠“让词与词互相打量”的注意力就把一套学习干完了——这是后来几乎所有大模型的共同地基图纸。

图注：Transformer 的整体架构示意：左侧编码器逐层提炼输入语义，右侧解码器负责生成输出，两者内部与之间都靠多头自注意力连接；底部输入/输出嵌入，顶部为线性层与 Softmax。Attention Is All You Need

那“让词互相打量”具体怎么落地？看下面左边的框图：每个词都派生出 Query、Key、Value 三套向量。Query 去问“我该多在意谁”，Key 回答“我能被谁在意”，两者点积出权重，再据此对大家的 Value 做加权求和——一句话里的每个词都因此“吸收”了全句对它最有用的信息。右边则是多头注意力：把同一套机制平行开几路（论文用 8 个头），每路在不同子空间里各看各的关注点，再拼回来，让模型能同时从多个角度抓关系。Attention Is All You Need

图注：左为缩放点积注意力，右为多头注意力。左：Query 与 Key 点积 → 缩放 → softmax 得权重 → 对 Value 加权求和。右：把输入分别线性投影，平行过多个注意力头，再拼接、投影输出。Attention Is All You Need

到这里，历史的两股脉冲（“会判别的深度网络”和“会长长的并行注意力地基”）汇合在了一个巨大的可能上：如果把这个 Transformer 反复放大、喂给它全世界能找来的文本，会发生什么？下一章，我们看那个“预测下一个词”如何统一了今天你能用到的几乎所有 AI。

把千变万化的能力统一在“预测下一个词”背后——以及它到底懂不懂

带着 Transformer 这张地基图纸，今天的主角登场了：大语言模型（Large Language Model，LLM）。它做的那件事朴素到几乎不像智能——在浩如烟海的文本上，练习“预测下一个词（更准确说，下一个 token）”。把世界上能抓到的书、网页、对话拿去当练习题：给出一段开头的词，让模型猜下一个词接得最像人类会写的那个；猜完顺势把结果接回去，再猜下一个，如此往复。就这么“把一个词接下去，再把这个词接下去”，竟然长出了一个能写文章、答难题、陪你聊天的东西。

这里要讲清“预测下一个词”为什么不只是“能做文字接龙”。综述给出的说法是：这种方法背后，是把世界知识原样“压缩进”Transformer 那动辄千亿的参数里，让它既是能回忆起世界知识的语义库、又是能处理五花八门任务的通用求解器。LLM Survey

顺着这条主线看 GPT 家族的演进，就像看一件工具被一层层加装本领。看下面的演进图。

图注：GPT 系列模型的技术演进示意图，实线表示有明确证据的继承关系、虚线表示较弱的继承。整条线从“能流畅预测下一个词”一路加上规模放大与人类偏好对齐，步步抬高“手感”。LLM Survey

2018 年的 GPT-1 确立了“预测下一个词”这条原则并证明了它能预训练加微调；2020 年的 GPT-3 参数涨到 1750 亿，被通说当作从“预训练语言模型”跨进“大模型”的分水岭，还带出了一个神奇的性质——上下文学习（in-context learning）：你不用专门训练它，只要在提问里给它看几个例子，它就能当场学着照做，因为“预测下一个词”这个单一目标本身，就能让它学会“顺着前文的意思继续”。再往后，ChatGPT 加上了大量人类反馈来对齐（让它更像人、更说人话），GPT-4 则把输入扩到了图像等多模态。这条线的关键是：底层始终是同一套 decoder-only Transformer、始终在练“预测下一个词”，变的只是规模和对齐的打磨。LLM Survey

规模大到一定程度，还会出现“小型模型里根本没有的能力”——文献里叫涌现能力（emergent abilities）：模型大到某个阈值，做题、推理、写代码这类能力会突然冒出来，而这不是“更大模型 = 单纯更强”那么线性。把这张表接住，你平时听说的很多现象就能对上了：AI 绘画，本质是“预测图像里下一片像素该长什么样”；自动驾驶，是让模型“顺着当前路况预测下一步该怎么动”；虚拟主播/语音助手，是在“预测下一段声音”。它们千变万化的表面之下，是同一个“预测下一个 token”的原理在多模态里放大。LLM Survey

把这条原理接到真实世界，它的落点已经在很多行业站稳了。截至 2026 年初的《AI Index》报告显示，生成式 AI 已进入约 70% 组织的至少一项业务职能，约 4/5 大学生在使用生成式 AI，AI 也首次在科学与医学领域获得独立专章。AI Index 2026

课件里对应行业案例的骨架，其实都可以套进同一句“把预测下一个 token 用在哪”：

这些应用是否算得上“帮助人”，取决于眼前的具体任务；但有一点是共同的：它们都是那个“把词接下去”的家伙，被接到了特定领域的数据上。提醒一句边界：上面引用的 LLM 综述与行业现状分别覆盖到 2026 年 3 月与 4 月，之后的新模型和新数据并不在这些坐标之内。AI Index 2026

于是我们终于走回开头埋下的那一问。整整一章都在讲“它做了多聪明的事”，可别忘了第一章那把尺子的另一半——行为不可区分 ≠ 内在理解。想在这场开放讨论里给出有立场的判断，最诚实也最有证据的一句话是：这些系统证明了“行为层面像人”的能力，却没有一个曾在行为验证里回答过“是否真正理解”。为什么这么说？转回图灵本人。他在 1950 年那篇论文里，特意处理过“机器有意识吗”的反对意见——他承认意识的奥秘真实存在（“我无意暗示意识没有奥秘”），但他刻意把这些奥秘悬置在“行为是否不可区分”的测试之外，还说“这些奥秘不必在我们回答本文问题之前就解决”。换句话说：连这套行为测试的设计者，都不主张“通过测试就等于懂了”。Turing 1950

而第一章那记对抗样本的警钟还在回响：一个“认得极准”的系统，学着学着就只靠了统计捷径而不是对画面的理解，在测试分布之外轻轻一戳就露出马脚。今天的大模型偶尔也会一本正经地“编造”出天衣无缝的错话（常被称作“幻觉”），可以看作同一类现象的后续——它在“预测下一个词”上极度熟练，却未必知道自己在说的话成不成立，因为那个“预测”目标从没要求它知道。Adversarial Examples

所以，给这场开放问题一个有两面、但不和稀泥的收口：AI 用“认得准、答得像、续得顺”证明了自己行为层面的强大，这部分是硬的、有据可查的；但“它是否因此就真正理解”这个问题，恰恰被它最强的那套行为验证本身绕开了。 我们手上的尺子告诉我们：能认出你，不等于懂你；行为像人，不等于有内心。而判断一个模型“够不够格被信任”，恐怕永远需要这本笔记开头就递给你的那把尺子——去区分它是在真正理解任务，还是只是在把统计捷径接得滴水不漏。

剩余资料一览

想顺着时间线把近代大模型的“发布刻度”也看个大概，下面这张近年代表性 LLM 的时间线可以作参考（黄色高亮的是公开可下载权重的模型）。不过上面的演进主线已经足够支撑讨论，这张只当刻度辅助，不要把它当作完整清单或逐项精确事实。

图注：近年具代表性的大语言模型按发布时间排列的示意图，公开可获取权重（checkpoint）的模型以黄色高亮；图中仅收录现存大模型中的一小部分采样，做“近年密集发布”的直观参考即可，不必逐项采信日期数字。LLM Survey

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Computing Machinery and Intelligence（A. M. Turing, Mind 1950）— OUP 文章页（正文亦经公开转载本核验）
2. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence（McCarthy 等, 1955）— 斯坦福数字复本
3. History of artificial intelligence（维基百科活文档）— https://en.wikipedia.org/wiki/History_of_artificial_intelligence
4. The Nobel Prize in Physics 2024 – Hopfield and Hinton（诺奖官方）— https://www.nobelprize.org/prizes/physics/2024/press-release/
5. ImageNet Classification with Deep Convolutional Neural Networks（Krizhevsky 等, NeurIPS 2012）— NeurIPS proceedings PDF
6. Deep Residual Learning for Image Recognition（He 等, arXiv）— https://arxiv.org/abs/1512.03385
7. Explaining and Harnessing Adversarial Examples（Goodfellow 等, ICLR 2015）— https://arxiv.org/abs/1412.6572
8. Generative Adversarial Networks（Goodfellow 等, NeurIPS 2014）— https://arxiv.org/abs/1406.2661
9. Auto-Encoding Variational Bayes（Kingma & Welling）— https://arxiv.org/abs/1312.6114
10. Attention Is All You Need（Vaswani 等, NeurIPS 2017）— https://arxiv.org/abs/1706.03762
11. A Survey of Large Language Models（Zhao 等, v19, 更新至 2026-03）— https://arxiv.org/abs/2303.18223
12. The 2026 AI Index Report（Stanford HAI, 2026-04，报告期至 2026-04）— https://hai.stanford.edu/ai-index/2026-ai-index-report