人工智能发展历史

• 能用表示、知识来源与评测条件解释技术路线的变化。
• 能在客服系统案例中识别规则、统计学习和基础模型的不同职责。

学习历史的目的，是解释某种方法为什么在当时可行、又为什么遇到边界。相同的任务，在规则难以枚举、数据逐渐增加或算力成本下降后，可能需要不同的技术组合。

按“问题怎样表示、知识从哪里来、如何验证结果”阅读历史，比只记产品和年份更有用。符号推理、统计学习、神经网络和交互控制长期存在交叉，并没有被整齐地分成互不相干的时代。

AI 历史是问题表示、计算资源、数据规模与学习算法共同演进的历史。

每一波 AI 浪潮都不是把旧方法清零，而是在新的资源条件下重新组合表示、搜索和学习。

早期符号路线把知识写成事实、规则和搜索空间。对规则清楚、环境受控的问题，这种方式容易检查推理链；但把专家经验全部转成规则，以及维护规则之间的冲突，成本很高。

统计学习把一部分知识获取转成从样本估计参数。工程重点随之转向特征、数据质量、训练与测试划分：训练表现好并不保证面对新样本仍然有效。深度学习进一步让多层网络学习表示，但依旧依赖训练目标和评测边界。

基础模型通过大规模预训练提供可复用的表示与生成能力。应用可以在同一模型周围组合检索、规则校验和工具执行；模型能力并没有取消外部知识更新、权限控制或任务验收。

历史中的高预期与低谷提醒我们区分演示、基准成绩和长期使用。一个封闭任务上的突破不能直接外推到开放环境；比较新旧方法时，也要核对数据、计算预算和错误代价是否相同。

1. 按年代标记代表性方法
2. 比较各时期的核心假设
3. 记录成功任务与失败边界
4. 把历史概念连接到现代系统

• 理解技术选择
• 避免把旧思想包装成全新概念

• 把历史写成新方法彻底替代旧方法，忽略规则、搜索和学习在同一系统中的分工。
• 用今天可获得的数据和计算条件，倒推早期研究者本来就能实现同样方案。
• 把流行程度当作可靠性证据，或把单一基准的提升外推到所有现实任务。