人工智能的三次浪潮：从感知机到深度学习，中间沉没了两座冰山

C 型叙事 · AI 发展脉络　│　人工智能　│　为什么 AI 三起三落，又在 2026 站上浪潮之巅

今天，所有人都在谈大模型。朋友圈里「AI 要取代谁」的焦虑每隔几天就刷一次屏。但很少有人知道：人工智能不是 2022 年突然冒出来的，它已经「死」过两次了。每一次都是先被捧上神坛，再被扔进漫长的寒冬，最后换个名字、换身行头重新复活。看懂这三起三落，你才能判断今天这一波到底是真革命，还是第三座正在形成的冰山。

一、第一波：感知机——一台机器学会了「学习」（1958）

1958 年，康奈尔航空实验室的弗兰克·罗森布拉特（Frank Rosenblatt）造出了一台叫「感知机」（Perceptron）的机器。它的灵感直白得可爱：模仿一个生物神经元——一堆输入加权求和，超过阈值就「放电」。罗森布拉特用它在纸上演示了一个震撼的结论：机器不需要被逐条编程，它可以从例子里「学」出分类边界。

当时的媒体沸腾了。《纽约时报》写道，感知机「未来能走路、说话、看见、写字，并能自我复制」。一个会学习的机器，这个想象太诱人，诱人到远超当时的工程现实。但裂缝来得比想象快。

1969 年，人工智能的奠基者之一马文·明斯基（Marvin Minsky）和西摩·帕珀特（Seymour Papert）出版了《感知机》一书，用严密的数学证明了一个致命事实：单层感知机连最简单的「异或（XOR）」都学不会——它只能画出一条直线，而 XOR 需要把空间折成两半。这本书像一盆冷水，浇灭了整个神经网络方向的热情。经费撤走，论文停发，AI 的第一次寒冬正式降临。那台会「学习」的机器，被判定为一条走不通的死胡同。

二、第二波：专家系统——把人类专家装进盒子里（1970s–80s）

寒冬里没有死透的，是另一条思路：既然让机器「自己学」太难，那能不能把人类专家的脑子直接写进程序？于是「知识工程」登场了。它的核心朴素到近乎笨拙：把专家的判断写成一条条 IF–THEN 规则，塞进一个推理引擎。

这招在早期出奇地好用。1965 年的 Dendral 能根据质谱推断化学分子结构；1976 年的 MYCIN 能诊断血液感染并推荐抗生素，准确率不输年轻医生；DEC 公司的 XCON 每年靠自动配置计算机订单省下数千万美元。那是一个「专家系统」的淘金热，咨询公司靠往盒子里塞规则赚得盆满钵满。

最狂热的时候，日本在 1982 年启动「第五代计算机计划」，举国之力要造出会逻辑推理的机器，目标是把整个计算机范式从「算」升级为「推理」。欧美被吓到，纷纷跟进砸钱。但冰山就在水下。专家系统的命门很快暴露：知识获取瓶颈——真正的专家往往说不清自己到底怎么思考，把隐性的经验翻译成显式的规则，慢、贵、还漏；专用 Lisp 机器在通用计算机的成本攻势下节节败退；更致命的是，当时的算力和数据，根本撑不起「通用智能」的野心。到 1980 年代末，泡沫破裂，专家系统市场崩塌，AI 第二次寒冬到来。这回连「专家」两个字都成了贬义。

三、第三波：深度学习——让数据自己长出血肉（2006–今）

第二座冰山下面，那批没走的学者一直在做一件事：把被明斯基判了死刑的神经网络，一层一层叠深。关键突破发生在 2006 年，杰弗里·辛顿（Geoffrey Hinton）提出「深度信念网络」的逐层预训练方法，绕开了深层网络难以训练的老大难。死局第一次有了裂缝。

但真正让世界醒过来的，是 2012 年的 AlexNet。在 ImageNet 图像识别大赛上，这支用GPU 训练的深度卷积网络，把识别错误率从当时最好的 26% 一刀砍到 15%。三样东西第一次同时就位：海量的标注数据、便宜的并行算力、以及早就发明却一直等不到舞台的反向传播算法。这不是某一项技术的胜利，是一个三角终于合拢。

2017 年，谷歌的论文《Attention Is All You Need》抛出 Transformer 架构，用「注意力机制」取代了笨重的序列处理，为大模型铺好了地基。2018 年 BERT 和 GPT 相继出现，2022 年 ChatGPT 把对话式 AI 送进千家万户，到 2026 年，最强的大模型已经能在图灵测试的意义上「过关」——这正是我们 D 系列第一篇里图灵在 1950 年提出的那个问题（参见 D1《图灵 1950 说「机器能思考」》）。一条从 1958 到 2026 的线，终于接上了头。

四、三波之间的共同规律

规律一：算法 × 数据 × 算力，缺一不可。第一波败在算力和数据都还是婴儿；第二波败在知识靠人手硬写、数据稀疏；第三波之所以站住，是因为三样同时成熟。任何一波的「死亡」，本质上都是这个三角里至少有一角还没长好。

规律二：炒作永远先于现实。三波都经历了同一条曲线——期望膨胀、众人狂欢、幻灭跌落、再稳步爬升。有意思的是，每一次「寒冬」都不是技术真的消亡，而是期望回归理性后，留下的方法在地下继续生长。反向传播、神经网络、统计学习，这些第三波的基石，恰恰是在前两次寒冬里被骂得最惨的东西。

规律三：幸存者埋在废墟下。1958 年的感知机和 2026 年的大模型，内核是同一个神经元；1970 年代的「知识表示」，今天换了个名字叫「提示词工程」。历史从不重复，但押韵得很准。

五、尾声：我们站在第三波的哪一段

那么，今天这一波到顶了吗？没有人能打包票。乐观者说我们才刚爬上升曲线；谨慎者指出三座隐隐的冰山：大模型的「幻觉」依旧无解、训练能耗与算力成本能否持续存疑、而「缩放定律（Scaling Law）是否已见顶」在学界争吵不休。这些问题，和 1969 年明斯基的 XOR、1980 年代末的知识瓶颈，本质上是一类——当期望跑得比地基快，冰山就会浮现。

给普通人的判断框架其实很简单：盯住三件事——数据是否见顶、算力是否可持续、有没有下一个像「对话」这样真正杀手级的应用落地。三样里只要有两样持续向好，这波就不是泡沫；若三样同时亮红灯，那第三座冰山，可能已经在水面下了。读懂这三起三落，你就不会在每一次狂欢里迷失，也不会在每一次寒冬里绝望——因为你知道，浪潮退去时，真正有用的东西，从来都沉在海底，等着下一波把它推上来。