8月18日，全國青聯副主席、中科院計算技術研究所副所長陳雲霽做客2026年第15期華夏大講堂，用兩個小時，把人工智慧70年發展史講得明明白白。華夏銀行首席資訊官龔偉華主持。
陳雲霽14歲考入中國科學技術大學少年班，29歲成為計算所最年輕的研究員之一。長期從事處理器晶片與人工智慧的交叉研究，研製了國際首款深度學習處理器晶片（寒武紀1號）。
全程不講公式，不堆術語，聽完你會發現：AI這70年的故事，比科幻電影還精彩。
4個詞，理清70年
人工智慧的概念大家都不太陌生——深度學習、大模型、智慧體……但它們到底什麼關係？
陳雲霽説，記住四個詞就夠了，而且是“套娃”關係：
人工智慧⊃人工神經網路⊃深度學習⊃大模型
人工智慧是最大的範疇；其中最主流的技術叫人工神經網路；網路層數多了，叫深度學習；深度學習參數規模大到上萬億，就成了大模型。
70年發展史，就是這四個詞層層遞進的過程。
三條路，只有一條走通了
AI誕生於1956年的達特茅斯會議。當時一群年輕科學家聚在一起，雄心勃勃地提出了“人工智慧”這個新概念。
但怎麼走？有三條路：
符號主義：數學家們主張用邏輯規則表示世間一切知識。結果發現兩個困難：一是沒有找到能表述世間所有知識的簡潔邏輯；二是常識根本寫不完，類似“太陽從東邊升起”這種事，你怎麼逐條編碼？而且邏輯推理耗時極長。
行為主義：基於控制論，讓機器人會走會跑會跳，相當於做“小腦”。波士頓動力的機器狗、目前的很多機器人都屬此類，但光有“小腦”沒有“大腦”遠不夠。
連接主義：模倣人腦神經元連接的方式來計算。這條路開始最不被看好，卻最終走通了。
1956年達特茅斯會議期間，部分與會者合影（圖源：長江日報）
被權威“叫停”的方向
連接主義的逆襲史，堪稱一部“冷板凳坐穿”的傳奇。
1969年，AI權威明斯基寫了本書，“證明”單層神經網路連最簡單的“異或”問題都解決不了。權威一錘定音，整個領域瞬間冰封。整個70年代，研究人工神經網路的人寥寥。
但有一個人不信邪——傑弗裏・辛頓（Geoffrey Hinton）。
傑弗裏・辛頓參加世界人工智慧大會（圖源：觀察者網）
從70年代開始，在幾乎所有人離開這個領域的時候，他一個人默默堅持，1985年，他提出“隱層”的概念。此前，人工神經網路都只有一層，此後，人工神經網路就可以做兩層或多層了。
有隱層的神經網路怎麼訓練呢？1986年，他和合作者提出“反向傳播”演算法。陳雲霽開玩笑説，這演算法本質就是“分鍋”：輸出結果跟預期有誤差，就反過來倒推每個參數該擔多少責任，錯得多的多調，錯得少的少調。這個樸素的思想，至今仍是所有大模型的訓練基礎。
2006年，辛頓正式提出“深度學習”概念；2012年，他的學生Alex把人工神經網路做到8層，圖像識別錯誤率驟降，深度學習一夜爆發。
值得注意的是，2015年，ResNet成為第一個上百層的神經網路，而它完全由中國科學家完成。網路層數太深，信號傳到下面就衰減了。ResNet加了“跳級連接”，解決了信號衰減問題，克服了層級增多的一大障礙。
2016年，AlphaGo戰勝李世石，全世界第一次真切感受到AI和深度學習的威力。
大模型：量變引發質變
網路越做越深，參數越做越多，有人開始想：如果做到上千層、上萬億參數，會發生什麼？
答案是“涌現”——參數突破某個閾值後，模型能力會突然飛躍，這就是“大模型”。就像人腦容量比猩猩大幾倍，智慧卻産生了質的差距。
先是GPT一路狂奔：1億參數→15億→1750億→2022年ChatGPT橫空出世。
2025年1月，DeepSeek R1發佈，證明中國大模型完全可以對標世界頂尖水準。而且，中國有影響力的模型基本開源。開源意義重大，比如對銀行這樣的行業，開源意味著既可以應用大模型，敏感數據又可以留在本地伺服器上保證安全。
大模型有了“記憶”和環境交互，就是智慧體
大模型很聰明，但像“缸中之腦”——被關在籠子裏，能説不能做。給它加上記憶、工具和行動力，就成了智慧體。
可以認為智慧體是大模型的一個延伸，它在特定環境中，能夠自主感知這個環境，根據環境的反饋來進行決策，決策完之後，還可以去操作這個環境。
未來：從數字世界走向物理世界
AI發展如火如荼，正在賦能千行百業。陳雲霽分享了對未來趨勢的判斷：AI目前還主要在數字空間發力（文本、圖片、視頻），但真正的變革將是走向物理世界，深度融入實體經濟。
在物理世界，要求人工智慧必須更加精準、確定、穩定、可控，這就需要發展新的人工智慧技術，把物理性質的科學知識融入大模型。
陳雲霽最後説，70年前，AI還只是達特茅斯會議上一群年輕人的大膽設想。70年後，它已是“站在海岸遙望海中，看得見桅桿尖頭的一隻航船”。
這只航船會駛向何方？習近平總書記在世界人工智慧大會上提出著名的“四問”：當機器開始思考，人類如何與之相處？當演算法參與決策，安全如何保障？當技術挑戰倫理，治理如何跟上？當鴻溝不斷拉大，普惠如何實現？
未來已來，我們需要為新階段的變革去做更多的準備。
