走到自动售货机前，不带现金、银行卡，甚至不用手机，只需刷脸，机器就能在极短时间内确认身份并完成支付。今天习以为常的场景，背后连接着人工智能近百年的探索。

人工智能概念图

  人工智能并不是突然出现的新事物。1956年，达特茅斯会议正式提出人工智能这一学科。早期研究形成了两条不同的技术路线：一条认为智能来自逻辑和规则，另一条则尝试模仿人脑神经元的连接方式。后者孕育了神经网络。

  1957年，罗森布拉特研制出感知机，它能完成简单的模式识别，一度引发巨大期待。但单层感知机能力有限，无法解决线性不可分问题，人工智能也随之遇冷。二十世纪八十年代，约翰.霍普菲尔德证明神经网络可以成为稳定的动力学系统，开启了神经网络的复兴。此后，科学家通过多层网络和反向传播等方法不断取得突破。

  2006年前后，杰弗里·辛顿等人提出逐层预训练方法，实现了深度学习的理论破冰。2012年，AlexNet在ImageNet图像识别竞赛中大幅降低错误率，让深度学习真正走向应用。2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里.辛顿，表彰二人依托物理学范式构建人工神经网络，做出了使机器学习得以实现的基础性发现与发明。

       生成式人工智能的飞跃，与2017年提出的Transformer架构密切相关。大语言模型的基本任务，看似只是根据前文预测下一个词元，再一个接一个地生成内容。但当模型参数达到超大规模，并在互联网海量文本数据中完成预训练之后，就能够回答问题、撰写文章、编写代码，并表现出推理与联想的行为特征。互联网长期沉淀的海量数据、指数增长的计算能力、以Transformer为代表的新一代算法架构，共同支撑了这场人工智能的跨越式发展。不过，大模型真的具有理解能力吗？科学界仍有争论。一种观点认为，它只是精准掌握了人类语言中复杂的统计概率分布，本质上只是一个极其高明的模仿者。另一种观点则认为，大模型表现出来的联想、归纳等能力，从功能层面已经显示出类理解特征。这个问题之所以很难形成定论，一方面是人类自身对于大脑认知机制尚未完全破译；另一方面，目前科学界也没有统一标准，用来区分人工智能是做到了表面匹配，还是实现了真正意义上的理解。

  大语言模型还有一个与生俱来的局限：它只能通过语言认识世界。比如当一个篮球从身后飞来时，人类可以瞬间判断方向、速度和距离，不会先将环境转换成文字再做判断。因此，科研人员开始探索世界模型，让人工智能直接学习空间关系、几何特征和物理规律。面向高端制造、现代农业、新型能源等实体经济场景，还需要打造适配细分场景的行业垂类大模型。

  从会说走向会做，智能体是关键一步。它以大模型为基础，形成感知、推理、决策、执行和反馈的闭环。它不再局限于文字回答，既可以自主规划方案，也能够调用工具、购买车票、管理生产任务，将模型生成的方案转化为真实落地的行动。而一款智能体能否真正发挥作用，往往并不取决于模型参数规模，而是取决于对行业场景逻辑、现实业务需求的理解深度。

人机协作示意图

  AI会取代哪些工作？答案并不取决于这份工作是脑力劳动还是体力劳动，核心要看工作内容是否高度标准化、流程可拆解。莫拉维克悖论揭示了人工智能非常特殊的能力边界：下棋、计算这些人类需要刻苦训练才能掌握的复杂任务，人工智能反而很容易完成；但肢体平衡、照顾陪护、体察情绪这些人类与生俱来的本能行为，恰恰是机器最难突破的领域。感知判断、直觉洞察、共情能力、价值坚守与真挚情感，也正是我们在人工智能时代最需要守护并着力培育的宝贵特质。

      冠凌声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。